[發明專利]MRI髖關節炎癥分割與分類自動定量分級序貫方法

在審

• 申請號: 202010589474.X
• 申請日: 2020-06-24
• 公開（公告）號: CN111784704A
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 韓青;朱平;黃陸光;鄭朝暉;張葵;丁進;韓潔;曹思穎;緱水平
• 申請（專利權）人: 中國人民解放軍空軍軍醫大學;西安電子科技大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 程曉霞;王品華

1.一種MRI髖關節炎癥分割與分類自動定量分級序貫方法，其特征在于，包括如下步驟：

(1)劃分訓練、驗證和測試樣本集：獲取帶有人工標注的脊柱關節炎患者的核磁共振影像MRI數據，將核磁共振影像MRI圖像數據變換到同一空間分辨率；選擇一個直方圖分布均勻的MRI數據作為模板數據，對剩余MRI圖像數據進行直方圖匹配，增強數據的連續性；將完成直方圖匹配的MRI圖像數據以5：1：4的比例隨機劃分為MRI訓練樣本集、驗證樣本集和測試樣本集；

(2)修改MRI髖關節炎癥區域標簽值：用獲取的MRI數據的體素值大小修改MRI髖關節炎癥區域標簽值，根據體素值大小按照反指數比例對MRI髖關節炎癥區域標簽值進行修改，得到修改后的MRI髖關節炎癥區域標簽值；

(3)搭建能夠自動定量分級的基于分割與分類的MRI髖關節炎癥區域定量分級序貫模型：利用3DResUnet、ResNet-50和支撐矢量機構建定量分級模型，用不同空洞率和不同大小卷積核構成多尺度卷積模塊GMS，用GMS取代3DResUnet中用單個卷積核或單個類型卷積核組合構成的高層卷積層，即將3DResUnet的最后兩層卷積層替換為GMS模塊進行髖關節炎癥區域分割；設計一個ResNet-50網絡與支撐矢量機集成分類器，用3DResUnet的解碼層提取得到的深度特征作為集成分類器的輸入，搭建一種基于分割與分類的MRI髖關節炎癥區域定量分級序貫模型，實現髖關節MRI數據一體化炎癥自動分割與分類，簡稱定量分級序貫模型；

(4)網絡訓練：用MRI訓練樣本集和修改后的MRI髖關節炎癥區域標簽值訓練定量分級序貫模型，將訓練后的網絡參數保存在定量分級序貫模型中，得到訓練后的定量分級序貫模型；

(5)得到定量分級結果：用MRI測試樣本集輸入到訓練后的定量分級序貫模型中，得到所獲取的MRI測試樣本集髖關節炎癥區域的定量結果和分級結果。

2.根據權利要求1所述的MRI髖關節炎癥分割與分類自動定量分級序貫方法，其特征在于，步驟(3)中所述的構建基于分割與分類的MRI髖關節炎癥區域定量分級序貫模型，包括有如下步驟：

(3.1)構建基于深度學習的分割分類模型和多尺度卷積模塊：構建深度學習主流分割網絡3DResUNet和分類網絡ResNet-50、支撐矢量機，作為MRI髖關節炎癥區域分割分類模型的基礎模型，用不同空洞率和不同尺寸卷積核處理形狀尺寸差異大的MRI髖關節炎癥區域的分割，將常用卷積核尺寸為1、3、5，空洞率為2、4、6的不同卷積核進行組合，構成多尺度卷積模塊GMS；使用多空洞率卷積核模塊和多尺寸卷積核模塊進行組合，首先選取卷積核大小為3*3*3、5*5*5，空洞率d＝2、4、6的6種卷積核作為多空洞率卷積核模塊，再選取卷積核大小為1*1*1、3*3*3、5*5*5，空洞率固定為1的3種卷積核作為多尺寸卷積核模塊，將多空洞率卷積核模塊和多尺寸卷積核模塊進行并行組合，選擇空洞率為1卷積核大小為1*1*1的卷積核與并行組合的多空洞率卷積核模塊和多尺寸卷積核模塊串行連接，構成可處理形狀尺寸差異大MRI髖關節炎癥的多尺度卷積核GMS；

(3.2)構建基于分割與分類的基于分割與分類的MRI髖關節炎癥區域定量分級序貫模型：將構建完成的多尺度卷積核GMS融入到構建完成的基礎模型3DResUNet，將基礎模型3DResUNet最后兩層編碼層移除，將多尺度卷積模塊GMS添加到基礎模型3DResUNet最后兩層編碼層；設計由深度學習骨干網絡ResNet-50網絡和支撐矢量機構成的集成分類器，改造集成分類器的輸入為原始MRI數據和3DResUNet解碼層最后一層提取得到的網絡深度特征沿軸向拼接的數據，完成分級；輸入原始MRI數據，輸出MRI髖關節炎癥區域定量分級結果，完成能夠自動分級MRI髖關節炎癥區域的基于分割與分類的MRI髖關節炎癥區域定量分級序貫模型的構建。

(3.3)設置基于分割與分類的MRI髖關節炎癥區域定量分級序貫模型的損失函數L：基于分割與分類的MRI髖關節炎癥區域定量分級序貫模型的損失函數為L＝L_seg+αL_class，L_seg為3DResUNet部分的損失函數，L_class為ResNet-50和支撐矢量機集成分類器部分的損失函數，α為加權系數。

3.根據權利要求3所述的基于分割與分類的MRI髖關節炎癥區域定量分級序貫模型，其特征在于，步驟(3.3)中所述的損失函數L：

L＝L_seg+αL_class

其中，3DResUNet部分的損失函數L_seg表示如下：

L_seg＝L_dice+λ*L_wce

用醫學數據分割網絡的dice損失函數L_dice和加權交叉熵損失函數L_wce共同構成分割模型3DResUNet的損失函數L_seg，其中，C表示最大標簽類別數目，log為對數函數，N表示像素點總個數，c表示類別序號，n表示像素點序號，p_cn表示第n個像素點屬于第c類的概率值，g_cn表示第n個像素點的真實標簽，若第n個像素點屬于第c類，則g_cn＝1，否則g_cn＝0，ε是常數，防止dice損失函數L_dice分母為0，一般取ε＝10^-5，λ為比例系數，權衡兩個損失函數的比例關系，這里取λ＝10。

ResNet-50和支撐矢量機集成分類器部分的損失函數L_class表示如下：

選用ResNet-50分類模型常用的多類交叉熵損失函數作為集成分類器的損失函數L_class，其中，C表示MRI髖關節炎癥分級標簽類別數目，c表示類別序號，log為對數函數，p_c表示當前輸入MRI數據屬于第c類的集成分類器概率值，g_c表示當前輸入MRI數據的真實標簽，若當前輸入MRI數據屬于第c類，則g_c＝1，否則g_c＝0。