[發明專利]一種基于3D-Unet和圖論分割的T1WI-fMRI圖像腫瘤協同分割方法

有效

• 申請號: 201811619363.8
• 申請日: 2018-12-28
• 公開（公告）號: CN109741343B
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 曾慶潤;馮遠靜;譚志豪;陳余凱;金兒;李思琦;諸葛啟釧
• 申請（專利權）人: 浙江工業大學;溫州醫科大學附屬第一醫院
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/136
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

1.一種基于3D-Unet和圖論分割的T1WI-fMRI圖像腫瘤協同分割方法，其特征在于，所述方法包括以下步驟：

步驟1、圖像預處理：獲取MRI訓練數據集，經過空間重采樣、圖像配準，圖像灰度值閾值化預處理過程，將體素大小相同的T1WI與fMRI空間對齊，進一步經過灰度值閾值化生成對應的腦組織/非腦區域掩碼；

步驟2、生成訓練樣本：結合步驟1中生成的腦組織/非腦區域掩碼和訓練樣本中的腫瘤標注信息，以不同概率提取訓練集中不同子區域作為訓練樣本，克服正常腦組織和腫瘤之間的數據不均衡問題；

所述步驟2中，以不同概率提取訓練集中不同區域作為訓練樣本，其概率生成函數：

其中ε₁，ε₂為比較小的常數，M為子圖像中屬于腦組織的體素個數，m_i為子圖像中腫瘤亞區各類別的體素個數；

步驟3、訓練網絡模型：構建3D-Unet網絡模型，并重新定義網絡的損失函數，使數據量較少的分割類別在損失函數中獲得相同的權重，并使用步驟2中生成的訓練樣本訓練構建好的網絡模型，分別生成T1WI，fMRI中各體素不同類別的概率映射圖和粗分割掩碼，所述類別包括非腫瘤，腫瘤壞死、活性腫瘤、瘤周水腫四種類別；

所述步驟3中，訓練3D-Unet網絡使用的損失函數：

其中n為分類的類別數量，y_i，分別表示網絡預測的類別和真實類別；

步驟4、基于圖論方法進行細分割：構造兩個子圖分別對應T1WI和fMRI圖像，并在圖模型中添加一個源點和多個匯點，代表圖像中的不同類別，源點代表非腫瘤，各匯點代表腫瘤的壞死、活性腫瘤、瘤周水腫三種類別，子圖與源點和匯點間弧的權重描述節點對應的類別信息，子圖內弧的權重對應于節點的邊界信息和區域信息，子圖間弧的權重描述子圖間對應節點間分割不一致信息；基于圖論的方法將多模態圖像的多相分割問題轉化為對連續空間內的最大流問題的求解。

2.如權利要求1所述的基于3D-Unet和圖論分割的T1WI-fMRI圖像腫瘤協同分割方法，其特征在于，所述步驟1中，采用的重采樣算法為雙線性插值算法，配準過程采用的算法為互信息的B樣條配準方法。

3.如權利要求1或2所述的基于3D-Unet和圖論分割的T1WI-fMRI圖像腫瘤協同分割方法，其特征在于，所述步驟4中，所建立的圖模型中，構造兩個子圖，并建立兩子圖間分割不一致的損失度量，兩子圖間對應節點的權重對應于T1WI和fMRI中體素分割不一致性的損失，其分割不一致性損失函數如下：

其中β為尺度因子，N_i(x)，N_i(x′)分別為T1WI，fMRI中體素歸一化后的類別損失，對應體素位置的同一類別的類別損失應十分接近，K為分割不一致的最小懲罰。

4.如權利要求3所述的基于3D-Unet和圖論分割的T1WI-fMRI圖像腫瘤協同分割方法，其特征在于，所述步驟4中，所建立的圖模型中，通過在圖像域中添加多個匯點，描述圖像中的不同類別，子圖節點到匯點的弧的權重描述圖像中對應體素位置屬于對應類別的程度，實現模型對多模態圖像的多相分割，并建立分割對應的增廣拉格朗日最大流模型。

5.如權利要求4所述的基于3D-Unet和圖論分割的T1WI-fMRI圖像腫瘤協同分割方法，其特征在于，所述步驟4中，子圖節點到源點和匯點的弧的權重對應于節點的類別信息，其權重的初始值正比于所應用到的3D-Unet粗分割過程中生成的概率圖所對應的概率。