[發(fā)明專利]基于強(qiáng)化學(xué)習(xí)多尺度神經(jīng)網(wǎng)絡(luò)的MRI分割方法

在審

• 申請?zhí)枺?/td>: 202010591088.4
• 申請日: 2020-06-24
• 公開（公告）號: CN111784652A
• 公開（公告）日: 2020-10-16
• 發(fā)明（設(shè)計(jì)）人: 緱水平;盧云飛;劉寧濤;曹思穎;路凱;童諾;劉波;毛莎莎;焦昶哲
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 程曉霞;王品華

1.一種基于強(qiáng)化學(xué)習(xí)多尺度神經(jīng)網(wǎng)絡(luò)的MRI分割方法，其特征在于，包括有如下步驟：

(1)劃分訓(xùn)練、驗(yàn)證和測試樣本集：獲取AS病人的核磁共振影像MRI數(shù)據(jù)，構(gòu)建訓(xùn)練樣本集和測試樣本集，將核磁共振影像MRI數(shù)據(jù)變換到同一空間分辨率，選擇一個(gè)體素值分布均勻的MRI數(shù)據(jù)作為模板數(shù)據(jù)，對剩余MRI數(shù)據(jù)進(jìn)行直方圖匹配，減少數(shù)據(jù)之間的差異性；應(yīng)用隨機(jī)選擇的方法按照3：1：1的比例劃分MRI影像數(shù)據(jù)的MRI訓(xùn)練樣本集，驗(yàn)證樣本集和測試樣本集；

(2)設(shè)置MRI炎癥區(qū)域標(biāo)簽值：采用體素約束策略，根據(jù)獲取的MRI數(shù)據(jù)的體素值大小以反指數(shù)比例修改體素的炎癥區(qū)域標(biāo)簽值，得到修改的炎癥區(qū)域標(biāo)簽值；

(3)搭建能夠處理多尺度和彌散模糊炎癥區(qū)域的基于強(qiáng)化學(xué)習(xí)多尺度神經(jīng)網(wǎng)絡(luò)的MRI分割模型LGR-Net：設(shè)計(jì)不同空洞率和不同尺寸卷積核構(gòu)成的多尺度卷積模塊GMS，用多尺度卷積模塊GMS構(gòu)建用于處理炎癥區(qū)域形狀尺寸差異大的多尺度分割子網(wǎng)絡(luò)，構(gòu)建能夠處理彌散模糊炎癥區(qū)域的基于強(qiáng)化學(xué)習(xí)的數(shù)據(jù)增強(qiáng)子網(wǎng)絡(luò)，將構(gòu)建好的多尺度分割子網(wǎng)絡(luò)和數(shù)據(jù)增強(qiáng)子網(wǎng)絡(luò)并行連接搭建成基于強(qiáng)化學(xué)習(xí)多尺度神經(jīng)網(wǎng)絡(luò)的MRI分割模型，簡稱分割模型；

(4)網(wǎng)絡(luò)訓(xùn)練：用MRI影像數(shù)據(jù)訓(xùn)練樣本集和修改的炎癥區(qū)域標(biāo)簽值訓(xùn)練分割模型，將訓(xùn)練后的網(wǎng)絡(luò)參數(shù)保存在分割模型中，得到訓(xùn)練后的分割模型；

(5)得到分割結(jié)果：將MRI測試樣本集輸入到訓(xùn)練后的分割模型中，得到所獲取的MRI測試樣本集的分割結(jié)果、分割精度和炎癥區(qū)域的定量結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于強(qiáng)化學(xué)習(xí)多尺度神經(jīng)網(wǎng)絡(luò)的MRI分割方法，其特征在于，步驟(2)中所述的體素約束策略是通過MRI數(shù)據(jù)的體素值修改炎癥區(qū)域標(biāo)簽值，具體是將原始炎癥區(qū)域標(biāo)簽值根據(jù)MRI數(shù)據(jù)的體素值進(jìn)行修改：

根據(jù)MRI數(shù)據(jù)的體素值大小修改原始炎癥區(qū)域標(biāo)簽值，其中y_n為原始標(biāo)簽值，y′_n為修改后的標(biāo)簽值，σ為加權(quán)值，p_max為當(dāng)前MRI數(shù)據(jù)的最大體素值，p_n為第n個(gè)MRI數(shù)據(jù)的體素的數(shù)值，ρ為超參數(shù)保證分母不為零。

3.根據(jù)權(quán)利要求1所述的基于強(qiáng)化學(xué)習(xí)多尺度神經(jīng)網(wǎng)絡(luò)的MRI分割方法，其特征在于，步驟(3)中所述的搭建基于強(qiáng)化學(xué)習(xí)多尺度神經(jīng)網(wǎng)絡(luò)的MRI分割模型LGR-Net，包括有如下步驟：

(3.1)構(gòu)建多尺度分割子網(wǎng)絡(luò)：首先由9個(gè)不同空洞率和不同尺寸的卷積核并行連接，再與一個(gè)空間卷積核串行連接組成多尺度卷積模塊GMS，把卷積神經(jīng)網(wǎng)絡(luò)中骨干網(wǎng)絡(luò)3DResUNet最后兩層編碼層中的卷積層，替換成多尺度卷積模塊GMS，構(gòu)建成多尺度分割子網(wǎng)絡(luò)；

(3.2)構(gòu)建數(shù)據(jù)增強(qiáng)子網(wǎng)絡(luò)：首先搭建強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)A3C，該強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)的輸入為多尺度分割子網(wǎng)絡(luò)編碼層的最后一層GMS模塊的輸出特征圖，該網(wǎng)絡(luò)的輸出為數(shù)據(jù)增強(qiáng)方式，構(gòu)建成能夠處理彌散模糊炎癥區(qū)域的數(shù)據(jù)增強(qiáng)子網(wǎng)絡(luò)，輸出對輸入數(shù)據(jù)的增強(qiáng)方式；

(3.3)完成分割模型的構(gòu)建：由構(gòu)建完成的多尺度分割子網(wǎng)絡(luò)和數(shù)據(jù)增強(qiáng)子網(wǎng)絡(luò)并行連接完成基于強(qiáng)化學(xué)習(xí)多尺度神經(jīng)網(wǎng)絡(luò)的MRI分割模型LGR-Net的構(gòu)建，輸入MRI數(shù)據(jù)，輸出MRI數(shù)據(jù)的分割結(jié)果；

(3.4)設(shè)置損失函數(shù)：設(shè)置強(qiáng)化學(xué)習(xí)多尺度神經(jīng)網(wǎng)絡(luò)的MRI分割模型LGR-Net的整體損失函數(shù)L，整體損失函數(shù)包括兩部分，其中一個(gè)是多尺度分割子網(wǎng)絡(luò)的損失函數(shù)L_seg，另一個(gè)是數(shù)據(jù)增強(qiáng)子網(wǎng)絡(luò)的損失函數(shù)L_rl。

4.根據(jù)權(quán)利要求3所述的基于強(qiáng)化學(xué)習(xí)多尺度神經(jīng)網(wǎng)絡(luò)的MRI分割模型LGR-Net，其特征在于，步驟(3.1)中所述的構(gòu)建多尺度分割子網(wǎng)絡(luò)，包括有如下步驟：

(3.1.1)將空洞率d＝2、4、6，卷積核大小為3*3*3、5*5*5的6種卷積核和空洞率為d＝1，卷積核大小為1*1*1、3*3*3、5*5*5的3種卷積核進(jìn)行并行組合，再與一個(gè)1*1*1的卷積核串行組合，組成GMS模塊；

(3.1.2)將骨干網(wǎng)絡(luò)3D ResUNet最后兩層編碼層中的卷積層，替換成GMS模塊，完成多尺度分割子網(wǎng)絡(luò)的構(gòu)建。