[發明專利]基于統計約束損失函數的腦梗塞病灶自動分割方法

有效

• 申請號: 201910693876.1
• 申請日: 2019-07-30
• 公開（公告）號: CN110533668B
• 公開（公告）日: 2021-09-21
• 發明（設計）人: 葉初陽;劉妍麟;劉志文
• 申請（專利權）人: 北京理工大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06N3/04;G06N3/08
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 高會允

本發明公開了基于統計約束損失函數的腦梗塞病灶自動分割方法，能夠提升病灶分割結果的準確性。其主要的思路為：獲取腦部彌散加權磁共振圖像進行預處理，獲得b0圖像和DWI圖像并計算出表觀擴散系數ADC真值圖像；構建卷積神經網絡，取手工標注的病灶標注圖像、DWI圖像以及ADC真值圖像輸入到卷積神經網絡中進行迭代訓練，卷積神經網絡中預先定義四項損失函數，包括Dice系數損失函數、交叉熵損失函數、體積誤差損失函數以及ADC值誤差損失函數；在每一次迭代過程中，根據卷積神經網絡的分割結果和病灶標注圖像對四項損失函數進行優化；迭代訓練結束后獲得訓練好的卷積神經網絡；采用訓練好的卷積神經網絡對腦部彌散加權磁共振圖像進行腦梗塞病灶的自動分割。

技術領域

本發明涉及醫學圖像分割技術領域，具體涉及基于統計約束損失函數的腦梗塞病灶自動分割方法。

背景技術

腦梗塞是一種急性腦血管疾病，其發病可能引起長期殘疾甚至死亡。自動化的腦梗塞病灶分割方法對于臨床中腦梗塞的干預起到重要的推動作用。現有的方法采用腦部彌散加權磁共振成像(Diffusion Weighted Imaging，DWI)進行自動化的腦梗塞病灶分割。這些方法基于深度學習理論，設計卷積神經網絡模型。但是，現有方法通常采用交叉熵、Dice系數等作為訓練指標，不能保證基于自動分割結果的后續統計分析的一致性。例如對病灶體積、表觀擴散系數(Apparent Diffusion Coefficient，ADC)等指標的分析可能存在偏差。這些統計指標的準確獲取對于后續的腦梗塞干預方案設計具有重要的意義。

發明內容

有鑒于此，本發明提供了基于統計約束損失函數的腦梗塞病灶自動分割方法，能夠提升病灶分割結果的準確性。

為達到上述目的，本發明的技術方案為：

獲取腦部彌散加權磁共振圖像進行預處理，預處理后以磁敏感參數b＝0時的腦部彌散加權磁共振圖像為b0圖像，以磁敏感參數b≠0時的腦部彌散加權磁共振圖像為DWI圖像，根據b0圖像和DWI圖像計算出表觀擴散系數ADC真值圖像。

構建卷積神經網絡，取手工標注的病灶標注圖像、DWI圖像以及ADC真值圖像輸入到卷積神經網絡中進行迭代訓練，卷積神經網絡中預先定義四項損失函數，包括Dice系數損失函數、交叉熵損失函數、體積誤差損失函數以及ADC值誤差損失函數；在每一次迭代過程中，根據卷積神經網絡的分割結果和病灶標注圖像對四項損失函數進行優化；迭代訓練結束后獲得訓練好的卷積神經網絡。

采用訓練好的卷積神經網絡對腦部彌散加權磁共振圖像進行腦梗塞病灶的自動分割。

進一步地，獲取腦部彌散加權磁共振圖像進行預處理，具體為：

針對腦補彌散加權磁共振圖像進行去骨和灰度歸一化操作。

進一步地，根據b0圖像和DWI圖像計算出表觀擴散系數ADC真值圖像，具體為：

其中b0圖像和DWI圖像均為三維圖像，其中每個體素對應一個ADC值。

即體素i的ADC值為：

其中，S_0i表示b0圖像體素i的灰度值，S_bi表示DWI圖像的灰度值，b表示DWI圖像對應的磁敏感參數b值，i為體素序號。

針對每個體素均計算其ADC值，獲得三維的ADC真值圖像。

進一步地，卷積神經網絡的網絡結構采用三維U-Net網絡。

進一步地，卷積神經網絡中的每一次迭代過程中，針對輸入圖像進行卷積操作和最終的sigmoid激活，得到分割概率圖。

進一步地，體積誤差損失函數為：