[發(fā)明專利]基于雙重密集上下文感知網(wǎng)絡(luò)的核磁共振海馬體分割算法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010013999.9
• 申請(qǐng)日: 2020-01-07
• 公開(kāi)（公告）號(hào): CN111223113B
• 公開(kāi)（公告）日: 2023-04-18
• 發(fā)明（設(shè)計(jì)）人: 時(shí)佳麗;郭立君;張榮;陸林花
• 申請(qǐng)（專利權(quán)）人: 寧波大學(xué)
• 主分類(lèi)號(hào): G06T7/11
• 分類(lèi)號(hào): G06T7/11;G06V10/80;G06V10/82;G06N3/0464;G06N3/0455
• 代理公司: 寧波奧圣專利代理有限公司 33226
• 代理人: 周玨

本發(fā)明公開(kāi)了一種基于雙重密集上下文感知網(wǎng)絡(luò)的核磁共振海馬體分割算法，其利用不同的尺度將核磁共振海馬體圖像及對(duì)應(yīng)的標(biāo)準(zhǔn)分割圖像切割成不同尺寸的二維圖像塊；判定核磁共振海馬體圖像中的二維圖像塊是否為有效塊；對(duì)所有有效塊進(jìn)行數(shù)據(jù)增強(qiáng)處理，再進(jìn)行歸一化處理，并將歸一化后的所有有效塊構(gòu)成有效塊集；將有效塊集分成訓(xùn)練集和測(cè)試集；將訓(xùn)練集中的有效塊輸入到雙重密集上下文感知網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到雙重密集上下文感知網(wǎng)絡(luò)訓(xùn)練模型，并利用損失函數(shù)值得到最優(yōu)權(quán)值矢量和最優(yōu)偏置項(xiàng)；測(cè)試集中的有效塊輸入到雙重密集上下文感知網(wǎng)絡(luò)訓(xùn)練模型中，并利用最優(yōu)權(quán)值矢量和最優(yōu)偏置項(xiàng)進(jìn)行預(yù)測(cè)，得到有效塊對(duì)應(yīng)的分割結(jié)果圖；優(yōu)點(diǎn)是分割精度高。

技術(shù)領(lǐng)域

本發(fā)明涉及一種圖像分割技術(shù)，尤其是涉及一種基于雙重密集上下文感知網(wǎng)絡(luò)的核磁共振海馬體分割算法。

背景技術(shù)

海馬體是人體大腦中一個(gè)十分重要的組織，其與人類(lèi)認(rèn)知功能(如學(xué)習(xí)和記憶)密切相關(guān)。海馬體的形狀學(xué)分析對(duì)于診斷和預(yù)測(cè)各種神經(jīng)系統(tǒng)疾病十分重要，如海馬頭的萎縮是檢測(cè)精神分裂癥的特征之一，海馬體的萎縮又可引起老年癡呆癥。在判斷海馬體是否萎縮時(shí)，醫(yī)生通常需要對(duì)核磁共振成像(Magnetic?Resonance?Imaging，MRI)中的海馬體結(jié)構(gòu)進(jìn)行分割，并進(jìn)行形狀和體積分析。然而，由于海馬體與其毗鄰的腦組織如杏仁核、穹隆、扣帶回等同屬于灰質(zhì)結(jié)構(gòu)，在MRI中具有相似的紋理，因此這給海馬體分割增加了難度。此外，海馬體還具有形狀不規(guī)則、體積較小、邊緣模糊以及個(gè)體差異性大等特點(diǎn)，這些都使得從MRI中精準(zhǔn)分割出海馬體極具挑戰(zhàn)性。

當(dāng)前對(duì)海馬體分割主要采用基于多圖譜的方法，該類(lèi)方法首先將多幅海馬體圖譜圖像分別與目標(biāo)圖像配準(zhǔn)，然后通過(guò)一定的標(biāo)記融合方法，將不同海馬體圖譜圖像的標(biāo)記圖像融合作為目標(biāo)圖像的標(biāo)記結(jié)果而完成分割。然而，由于海馬體的組織對(duì)比度低、邊界模糊，因此這些傳統(tǒng)的標(biāo)記融合方法采用手工設(shè)計(jì)的特征模型，提取的特征判別性較差，導(dǎo)致分割準(zhǔn)確率較低。

近幾年，深度學(xué)習(xí)方法在圖像識(shí)別領(lǐng)域獲得了極大成功，基于深度網(wǎng)絡(luò)的方法已應(yīng)用于醫(yī)學(xué)圖像分割中。圖像分割需要對(duì)多種尺度信息予以整合，也需要對(duì)局部和全局信息進(jìn)行平衡，因此，有效整合上下文知識(shí)在圖像分割問(wèn)題中顯得尤為關(guān)鍵。目前對(duì)上下文建模最常用的做法有以下兩種：(1)基于輸入的多尺度信息融合。其是指在一幅圖像的不同尺度下檢測(cè)出相同的關(guān)鍵點(diǎn)信息，從而獲取感興趣物體的最佳尺度，具有尺度不變性。如：ShiY?G，Wang?D?Q，Liu?Z?W.Segmentation?of?hippocampal?subfields?using?dictionarylearning?and?sparse?representation[J].Journal?of?Image?and?Graphics,2015,20(12):1593-1601.(時(shí)永剛、王東青、劉志文，字典學(xué)習(xí)和稀疏表示的海馬子區(qū)圖像分割[J]，中國(guó)圖象圖形學(xué)報(bào)，2015，20(12):1593-1601)，其基于該思想利用卷積神經(jīng)網(wǎng)絡(luò)并行處理兩種尺度的輸入圖像塊信息，提高了海馬子區(qū)的分割準(zhǔn)確率。然而，該方法是將融合后的多尺度特征圖直接上采樣輸出網(wǎng)絡(luò)，本質(zhì)上并沒(méi)有考慮特征提取過(guò)程中不同分辨率層的信息融合，邊緣信息丟失嚴(yán)重，造成分割結(jié)果比較粗糙。(2)多分辨率特征融合。該方法是將一個(gè)全局特征(淺層高分辨率信息)與一個(gè)相對(duì)局部特征(深層低分辨率信息)相結(jié)合，通過(guò)兼顧不同分辨率層的特征提高分割準(zhǔn)確率。在FCN(Fully?Convolutional?Networks，全卷積網(wǎng)絡(luò))基礎(chǔ)上提出的U-net網(wǎng)絡(luò)就是利用上、下采樣層間的長(zhǎng)連接結(jié)構(gòu)實(shí)現(xiàn)多分辨率特征融合的典型網(wǎng)絡(luò)，因其特殊的U型框架可以很好地考慮整個(gè)圖像的上下文信息，在醫(yī)學(xué)圖像分割領(lǐng)域得到了廣泛應(yīng)用，然而，由于海馬區(qū)域較小，因此這種單尺度的多分辨特征融合網(wǎng)絡(luò)難以準(zhǔn)確分割體積差別較大的海馬和背景部分，導(dǎo)致分割準(zhǔn)確率較低。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種基于雙重密集上下文感知網(wǎng)絡(luò)的核磁共振海馬體分割算法，其分割準(zhǔn)確率高。

本發(fā)明解決上述技術(shù)問(wèn)題所采用的技術(shù)方案為：一種基于雙重密集上下文感知網(wǎng)絡(luò)的核磁共振海馬體分割算法，其特征在于包括以下步驟：