[發(fā)明專利]基于多模態(tài)影像的全卷積神經網絡癲癇病灶分割方法

在審

• 申請?zhí)枺?/td>: 201910173556.3
• 申請日: 2019-03-07
• 公開（公告）號: CN109949318A
• 公開（公告）日: 2019-06-28
• 發(fā)明（設計）人: 緱水平;孟祥海;陳姝喆;李娟飛;郭坤;毛莎莎;焦昶哲
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/11
• 分類號: G06T7/11
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 王品華;朱紅星

1.基于多模態(tài)影像的全卷積神經網絡癲癇病灶分割方法，其特征在于，包括如下：

(1)校正多模態(tài)影像分辨率，獲取多模態(tài)影像訓練樣本集和測試樣本集：

將核磁共振影像MRI和正電子斷層掃描影像PET變換到同一分辨率空間，依據影像生成時間、頭骨外形輪廓對MRI影像與PET影像進行配對，得到腦部多模態(tài)影像配對數據集，變換分辨率公式如下：

其中A為變換分辨率以后PET影像尺寸，b為MRI分辨率,B為MRI影像尺寸，a為PET影像分辨率；

裁剪配對影像中的無效邊緣部分，應用隨機選擇的方法按照7：3的比例劃分為腦部MR/PET多模態(tài)影像訓練樣本集和測試樣本集，并同時劃分手動標簽；

(2)搭建多模態(tài)全卷積神經網絡模型：

設計一個四十層的多模態(tài)全卷積神經網絡，其前三十五層網絡成對分布，第三十六層進行特征融合，一直到第四十層輸出分割結果，形成Y字形網絡模型結構，并命名為Y-Net網絡；

(3)將腦部多模態(tài)MRI/PET影像訓練集和對應的手動標簽輸入到Y-Net網絡模型中進行訓練，學習癲癇病灶的影像特征，得到卷積核參數和偏置參數，并存儲；

(4)將(3)得到的卷積核參數和偏置參數載入Y-Net網絡模型中，以設定各個網絡層的參數，得到擬合好癲癇病灶的Y-Net網絡；

(5)將測試數據集輸入到擬合好癲癇病灶的Y-Net網絡中進行預測，得到腦部MRI/PET影像測試集的癲癇病灶分割結果，并顯示。

2.根據權利要求1所述的方法，其中(2)搭建的Y-Net網絡模型的前35層網絡結構分別應用于MRI和PET影像，得到MRI影像和PET影像的特征圖，第36層基于第35層的特征圖進行特征融合，第37層到第40層為卷積層。

3.根據權利要求2所述的方法，其中，前35層的網絡結構如下：

第一層為輸入層，輸入圖像尺寸為320*288；

第二層、第三層，第五層、第六層，第八層、第九層，第十一層、第十二層，第十五層、第十六層，第十九層，第二十一層、第二十二層，第二十四層，第二十六層、第二十七層，第二十九層，第三十一層、第三十二層，第三十四層，均采用卷積核個數不同的卷積層；

第四層、第七層、第十層、第十四層均為池化層，池化窗口均為2*2，步長均為2；

第十三層、第十七層均為Dropout層，用于對網絡連接參數進行隨機斷開，以抑制過擬合；

第十八層、第二十三層、第二十八層、第三十三層均為上采樣層，上采樣窗口均為2*2，用于對收縮的特征圖進行尺寸復原；

第二十層為融合層，用于把第十九層和第十三層的輸出特征圖進行疊加融合；

第二十五層為融合層，用于把第二十四層和第九層的輸出特征圖進行疊加融合；

第三十層為融合層，用于把第二十九層和第六層的輸出特征圖進行疊加融合；

第三十五層為融合層，用于把第三十四層和第三層的輸出特征圖進行疊加融合；

以上三十五層的網絡結構成對構造，兩個輸入層分別輸入MRI和PET影像數據集。

4.根據權利要求3所述的方法，其中各卷積層的卷積核參數設置如下：

第二層、第三層的卷積核個數均為64，

第五層、第六層的卷積核個數均為128，

第八層、第九層的卷積核個數均為256，

第十一層、第十二層的卷積核個數均為512，

第十五層、第十六層的卷積核個數均為1024，

第十九層的卷積核個數為512，

第二十一層、第二十二層的卷積核個數均為512，

第二十四層的卷積核個數為256，

第二十六層、第二十七層的卷積核個數均為256，

第二十九層的卷積核個數為128，

第三十一層、第三十二層的卷積核個數均為128，

第三十四層的卷積核個數為64，

每個卷積核的尺寸均為3*3，步長為1，激活函數為修正線性單元函數。