[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

一種磁共振圖像分割方法、裝置、終端設備及存儲介質，首先下載數據庫中的MRI圖像，并對獲取的圖像進行預處理，通過在U?NET網絡上添加殘差密集結構和多通道注意力單元得到改進的多通道注意力U?NET網絡，再將處理后的圖像作為輸入，對訓練樣本進行預訓練，得到多通道注意力U?NET網絡模型的初始參數，最后采用訓練好的多通道注意力U?NET神經網絡模型對測試樣本進行分割，得到分割后的圖像。本發明實現了多通道注意機制，在簡化計算的同時，具有先進的性能效率，對MRI圖像分割任務特別有幫助。相較于其他方法，本發明方法對分割區域的分割具有很高的準確性，分割結果邊界完整，細節清楚。

技術領域

本發明屬于圖像分割領域，涉及一種磁共振圖像分割方法、裝置、終端設備及存儲介質。

背景技術

磁共振成像(Magnetic Resonance Imaging，MRI)具有出色的軟組織對比度和功能成像能力，可以提供掃描區域的形態信息和生成受不同類型組織參數影響的圖像，包括T1加權像(T1 weighted)、T1ce(Contrast enhanced T1-weighted)、T2加權像(T2weighted)及FLAIR(Fluid Attenuated Inversion Recovery)等多參數MRI圖像來為掃描區域的描述提供準確的信息。

近年來，基于MRI圖像的分割方法分為人工分割、半自動分割和自動分割三種。其中，在人工分割方法中，分割區域通過人工在所有連續切片上標注，但這是一項費時、費力且受主觀因素影響的任務。半自動分割算法是一種典型的圖像處理方法，如閾值分割和區域分割等傳統方法，這些方法快速、簡單且易于實現，但過度依賴用戶定義的參數和圖像的預處理。而自動分割方法中以卷積神經網絡U-net為代表的深度學習在計算機視覺領域取得了很大的進展，提出了許多基于深度學習的MRI圖像分割方法，并取得了很大的進展。

Shen等人[1]充分利用全卷積網絡(Fully Convolutional Networks，FCN)來執行多模態MRI圖像分割任務，上采樣分別用邊緣檢測和區域檢測在FCN基礎上進行聯合訓練。FCN雖然可以輸入任意大小的圖像，但是過程中缺失了局部信息，得到的結果還是不夠精細。Dong等人[2]使用U-Net對MRI圖像分割，取得了較好的結果，采用跳過連接拼接擴展路徑和收縮路徑的特征向量FCN改進模型。殘差連接和密集連接可以促進U-Net網絡收斂，將殘差連接用于U-Net卷積層被稱為Res-U-Net。雖然U-Net利用底層信息補充高層信息提升了精確度，但邊緣區域的分割結果與真實分割標簽有差距，分割區域存在部分區域細節之處不清楚。

發明內容

本發明的目的在于針對上述現有技術中對于MRI圖像分割精度不足的問題，提供一種磁共振圖像分割方法、裝置、終端設備及存儲介質，不僅能夠提高圖像分割的精度，保留圖像的邊緣信息，生成完整的特征圖，而且能夠簡化計算過程，提高圖像處理過程的效率。

為了實現上述目的，本發明有如下的技術方案：

一種磁共振圖像分割方法，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、若干個卷積層、密集特征提取層、殘差特征提取層和輸出層；所述的若干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；