[發明專利]一種磁共振圖像分割方法、裝置、終端設備及存儲介質

有效

• 申請號: 201911243400.4
• 申請日: 2019-12-06
• 公開（公告）號: CN110930397B
• 公開（公告）日: 2022-10-18
• 發明（設計）人: 艾玲梅;李天東
• 申請（專利權）人: 陜西師范大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06N3/04
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 房鑫

1.一種磁共振圖像分割方法，其特征在于，包括以下步驟：

1)數據預處理；下載MRI圖像數據，MRI圖像數據采用MICCAI提供的公共數據集BraTS2017，數據集包括多模態MRI掃描圖像，對獲取的MRI圖像中的各種模態圖像分別進行去偏置場效應處理和灰度歸一化預處理，得到預處理后的多模態MRI圖像數據；

2)搭建U-Net卷積神經網絡模型：

a.搭建殘差密集模塊，殘差密集模塊的結構依次包括輸入層、三個卷積層、密集特征提取層、殘差特征提取層和輸出層；所述的三個卷積層用于特征提取，所述的密集特征提取層連接所有卷積層通道，然后采用合并操作級聯卷積層的特征映射，最后使用一層1×1的卷積進行特征融合，殘差特征提取層將輸入通道與密集特征提取層通道相加學習特征；

b.搭建多通道注意力模塊，多通道注意力模塊的結構依次包括輸入層、多通道處理層、卷積特征提取層、注意力特征提取層和輸出層；多通道處理層采用適應性池化將多個不同尺寸的通道進行池化，然后將所有通道合并；卷積特征提取層采用三個卷積進行特征提取，融合學到的深度特征，經過Softmax映射特征概率作為各個通道的權重；注意力特征提取層采用相乘計算多通道處理層和卷積特征提取層的輸出，獲得新的特征圖，將該特征圖與卷積層的輸入連接；

c.構建多通道注意力U-Net分割網絡，采用跳躍連接將收縮路徑特征映射到擴展路徑；構建多通道注意力U-Net分割網絡時，將U-Net中的卷積模塊采用殘差密集模塊進行替代，在U-Net收縮路徑下采樣的輸出層序列輸入到多通道注意力模塊進行特征學習，在U-Net擴展路徑中采用轉置卷積和縮放卷積減小特征圖的尺寸并優化邊界；

3)訓練U-Net卷積神經網絡模型：

將不同模態數據當作神經網絡各個通道的輸入，輸入到U-Net卷積神經網絡模型中訓練，對訓練得到的U-Net卷積神經網絡模型從Dice系數、靈敏度和特異度方面進行驗證，使之滿足要求；U-Net卷積神經網絡模型包含一個用于提取特征的收縮路徑和一個用于恢復目標對象的擴展路徑；在收縮路徑中，隨著網絡的深入，不斷對輸入圖像的抽象表示進行編碼，提取圖像豐富的特征；在擴展路徑中，結合收縮路徑中的高分辨率特征，以精確定位感興趣的目標結構；

4)使用訓練之后的U-Net卷積神經網絡模型進行圖像分割。

2.根據權利要求1所述的磁共振圖像分割方法，其特征在于：所述的步驟1)當中，數據集提供包括T1、T1ce、T2和FLAIR四種模態的MRI圖像，并包含手工標定的真實分割標簽，精確反映同一位置的情況；除了所標定的真實分割標簽，其他的都被標記為0。

3.根據權利要求1所述的磁共振圖像分割方法，其特征在于：所述的步驟1)當中，采用N4ITK算法進行去偏置場效應處理和灰度歸一化預處理，對最后處理后的多模態MRI圖像數據再進行水平翻轉、垂直翻轉和旋轉，作為預處理后的多模態MRI圖像數據。