[發明專利]一種基于序列學習的海馬體分割方法

有效

• 申請號: 201811449294.0
• 申請日: 2018-11-30
• 公開（公告）號: CN109584244B
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 肖志勇;劉辰
• 申請（專利權）人: 無錫本希奧智能技術有限公司
• 主分類號: G06T7/10
• 分類號: G06T7/10
• 代理公司: 蘇州市中南偉業知識產權代理事務所(普通合伙) 32257
• 代理人: 張榮

1.一種基于序列學習的海馬體分割方法，其特征在于，步驟如下：

步驟1，對原始圖像集A進行了預處理；

所述的原始圖像集A包含N組NIfTI格式的腦MRI海馬體影像文件；

1.1裁剪圖像

對N組圖像中海馬體的位置及區域進行統計，將原始圖像集A中的影像文件裁剪成符合尺寸要求的影像文件，得到圖像集B；

具體要求如下：圖片尺寸為192*192*160的圖像，裁剪成X[60:140]；y[68:148]；Z₁[38:78]；Z₂[80:120]；圖片尺寸為256*256*166的圖像，裁剪成X[690:170]；y[100:180]；Z₁[40:80]；Z₂[85:125]；圖片尺寸為256*256*180的圖像，裁剪成X[100:180]；y[105:185]；Z₁[48:88]；Z₂[90:130]；

1.2數據規范化

對圖像集B進行數據規范化處理，使圖像集B中的體素值的范圍為[0，1]，得到規范化的圖像集C；

1.3數據序列化

把圖像集C按冠狀面、矢狀面和橫斷面三個方向分別進行序列化，生成三組不同視圖下的解剖平面圖集D、E、F，每組解剖平面圖集中包含切片序列；

步驟2，搭建海馬體分割網絡模型；

海馬體分割網絡模型包括編碼部分、BDC-LSTM和解碼部分；

首先將解剖平面圖集D、E、F分別單獨通過編碼部分進行特征提取，然后將特征提取后的結果送到BDC-LSTM中進行訓練，挖掘解剖平面圖集中連續切片的空間序列關系，最后通過解碼部分對BDC-LSTM操作后的結果進行上采樣，從而實現端到端的分割，每次將一組解剖平面圖集送到網絡中進行訓練；

所述的編碼部分是對三組不同視圖下的解剖平面圖集D、E、F中的切片進行特征提取；編碼部分包括四組卷積網絡和一個最大池化層；第一組為通道數為16的3*3的卷積層；第二組采用三種不同的卷積來提取多個尺度的信息，第一種是通道數為16的1*1的卷積，第二種是通道數為16的3*3的卷積，第三種是通道數為16的5*5的卷積；第三組是通道數為16的3*3的卷積層；第四組是通道數為16的3*3的卷積層；經過四組卷積后，連接一個最大池化層；

所述的BDC-LSTM為兩層CLSTM結構,一層CLSTM隨時序正向，一層CLSTM逆著時序的反向；

所述的解碼部分是對BDC-LSTM的輸出進行上采樣，獲得和輸入圖像一樣的分辨率；

解碼部分包含一個通道數為16的3*3的反卷積層和一個通道數為16的3*3的卷積層，最后連接一個通道數為1的3*3的卷積層；

步驟3，訓練模型；

對解剖平面圖集D、E、F進行正向傳播獲得單次迭代結果，并計算損失函數通過反向傳播得到的權重模型J、K、L；

對三種視圖下的解剖平面圖分別進行訓練得到三組用于海馬體分割的權重模型J、K、L，對權重模型J、K、L求平均得到最終的訓練模型M。

2.如權利要求1所述的基于序列學習的海馬體分割方法，其特征在于，步驟2中，所述的編碼部分的第一組、第三組、第四組卷積層后添加Batch-normalization，激活函數采用了Relu。

3.如權利要求1或2所述的基于序列學習的海馬體分割方法，其特征在于，步驟2中，所述的解碼部分的反卷積層和通道數為16的3*3卷積層后添加Batch-normalization，激活函數采用了Relu。

4.如權利要求1或2所述的基于序列學習的海馬體分割方法，其特征在于，步驟1.1原始圖像集A中的影像文件裁剪成尺寸為80*80*40。

5.如權利要求3所述的基于序列學習的海馬體分割方法，其特征在于，步驟1.1驟1.1原始圖像集A中的影像文件裁剪成尺寸為80*80*40。