[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

本發明涉及計算機視覺、深度學習領域，具體涉及一種基于序列學習的海馬體分割方法。本發明步驟如下：步驟1，對原始圖像集A進行了預處理；步驟2，搭建網絡模型，本發明的海馬體分割網絡模型包括編碼部分、雙向卷積長短記憶網絡和解碼部分；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的得到權重模型J、K、L。本發明利用基于深度學習網絡的方法，實現對人腦核磁共振影像中海馬體結構的高效自動化精準分割，在保證高分割精度的同時，運算速度也比較快。并且可擴展性強：除了用于海馬體的檢測，能將本發明中的網絡進行重新訓練，使其應用于其他器官或者組織的檢測和分割。

技術領域

本發明涉及計算機視覺、深度學習領域，具體涉及一種基于序列學習的海馬體分割方法。

背景技術

海馬體是大腦神經系統的重要組成部分，海馬的體積和功能的異常與很多精神疾病有緊密關系，例如：顳葉癲癇(Temporal?Lobe?Epilepsy，TLE)、阿爾茲海默綜合癥(Alzheimer’s?Disease，AD)、精神分裂(Schizophrenia)等。因此準確的分割海馬體，可以輔之醫師對相關精神疾病進行診治，具有極大的醫用價值。核磁共振圖像能提供對比度豐富、分辨率高的三維腦組織信息，是研究海馬體形態的重要數據。因此，在腦MRI圖像中研究海馬體的體積形態，實現三維海馬體的精確分割也日漸成為了醫學圖像研究中的一個重要任務。

傳統的分割海馬體的方法包括手動分割方法、半自動分割方法、傳統自動分割方法，但是這些方法枯燥費時，在分割精確性和效率上都不是很理想。

近年來，深度學習在人工智能特別是圖像處理領域發展迅速。在圖像的分類、檢測、分割方面都有不錯的研究成果，深度學習中的序列學習也得到了廣泛的應用。

發明內容

本發明提供了一種基于序列學習的海馬體分割方法，目的在于解決對腦MRI圖像中的海馬體進行分割時分割準確率低，分割的時間長的問題。

一種基于序列學習的海馬體分割方法，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。

本發明N為120，則影像文件包括尺寸為192*192*160的圖像62組、尺寸為256*256*166的35組，尺寸為256*256*180的圖像23組。

1.1裁剪圖像

對120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尺寸為表A的影像文件，得到圖像集B。

表A三種不同大小圖像的裁剪區域

其中，(x,y,z₁)為左海馬體，(x,y,z₂)為右海馬體；

進一步的，本發明影像文件裁剪成尺寸為80*80*40，80*80*40的影像文件能夠得到包含海馬體的有效區域，使得分割的精度更高，并且能加快訓練速度。

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。

解剖平面圖集D中包括80個切片序列、解剖平面圖集E中包括80個切片序列、解剖平面圖集F中包括40個切片序列。

步驟2，搭建海馬體分割網絡模型；