[發(fā)明專利]基于形狀約束的多尺度網(wǎng)絡(luò)MRI胰腺輪廓定位方法

有效

• 申請?zhí)枺?/td>: 202010594321.4
• 申請日: 2020-06-28
• 公開（公告）號: CN111784653B
• 公開（公告）日: 2023-08-01
• 發(fā)明（設(shè)計）人: 緱水平;陳姝喆;盧潔;劉波;馬蘭;黃陸光
• 申請（專利權(quán)）人: 西安電子科技大學(xué);首都醫(yī)科大學(xué)宣武醫(yī)院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/12;G06N3/0464;G06N3/048;G06N3/08
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 田文英;王品華

1.一種基于形狀約束的多尺度網(wǎng)絡(luò)MRI胰腺輪廓定位方法，其特征在于，構(gòu)建U-net網(wǎng)絡(luò)和基于形狀約束的多尺度網(wǎng)絡(luò)，利用生成的PET圖像訓(xùn)練集和MRI圖像訓(xùn)練集對U-net網(wǎng)絡(luò)和基于形狀約束的多尺度網(wǎng)絡(luò)進行訓(xùn)練；該方法的具體步驟包括如下：

(1)生成訓(xùn)練集和標注集：

(1a)分別隨機選取不少于80張的核磁共振MRI圖像和不少于40張的正電子發(fā)射斷層掃描PET圖像，組成初始MRI訓(xùn)練集和初始PET訓(xùn)練集，每張圖像均包含胰腺部位；勾畫MRI訓(xùn)練集和PET訓(xùn)練集中每張圖像中胰腺部位的輪廓，得到初始MRI標注集和初始PET標注集；

(1b)分別對初始MRI訓(xùn)練集、初始MRI標注集、初始PET訓(xùn)練集、初始PET標注集中每張圖像依次進行擴充和預(yù)處理，得到MRI訓(xùn)練集、MRI標注集、PET訓(xùn)練集和PET標注集；

(2)預(yù)訓(xùn)練U-net網(wǎng)絡(luò)：

將PET訓(xùn)練集和PET標注集中的每個圖像分別輸入到一個25層的U-net網(wǎng)絡(luò)中，對U-net網(wǎng)絡(luò)進行訓(xùn)練，保存訓(xùn)練好的U-net網(wǎng)絡(luò)的權(quán)重；

(3)構(gòu)建多尺度網(wǎng)絡(luò)：

搭建一個結(jié)構(gòu)為兩個分支采用交叉連接方式組成的多尺度網(wǎng)絡(luò)并設(shè)置多尺度網(wǎng)絡(luò)的每層參數(shù)；其中，

第一個分支的結(jié)構(gòu)依次為：輸入層→第1多尺度卷積層→第2多尺度卷積層→第3多尺度卷積層→第1特征提取層→第2特征提取層→第1融合層→第1激活函數(shù)層→第1反卷積層→第2融合層→第3特征提取層→第4特征提取層→第2反卷積層→第3融合層→第5特征提取層→第6特征提取層→第3反卷積層→第4融合層→第7特征提取層→第8特征提取層→輸出層；

第二個分支的結(jié)構(gòu)依次為：輸入層→第1特征提取層→第2特征提取層→第1池化層→第3特征提取層→第4特征提取層→第2池化層→第5特征提取層→第6特征提取層；

所述兩個分支的輸入層均采用Input函數(shù)實現(xiàn)；

所述的每個多尺度卷積層由3個子模塊采用交叉連接方式組成，第一個子模塊的結(jié)構(gòu)為：第1特征提取層→第2特征提取層；第二個子模塊的結(jié)構(gòu)為：第3特征提取層→第4特征提取層；第三個子模塊的結(jié)構(gòu)為：池化層→融合層→激活函數(shù)層；

所述每個特征提取層均由1個卷積層和1個激活函數(shù)層串聯(lián)組成；每個卷積層均采用Conv2D函數(shù)實現(xiàn)，每個激活函數(shù)層均采用ReLU函數(shù)實現(xiàn)；

所述每個池化層均采用MaxPooling2D函數(shù)實現(xiàn)；

所述每個融合層均采用Merge函數(shù)實現(xiàn)；

所述輸出層采用Sigmoid函數(shù)實現(xiàn)；

(4)訓(xùn)練形狀約束網(wǎng)絡(luò)：

將PET標注集中的每個圖像輸入到一個13層的形狀約束網(wǎng)絡(luò)中，對形狀約束網(wǎng)絡(luò)進行訓(xùn)練，得到訓(xùn)練好的形狀約束網(wǎng)絡(luò)；

(5)構(gòu)建形狀約束的多尺度網(wǎng)絡(luò)：

將多尺度網(wǎng)絡(luò)與形狀約束網(wǎng)絡(luò)進行集成，選擇使用混合損失函數(shù)計算形狀約束的多尺度網(wǎng)絡(luò)的損失值，聯(lián)合優(yōu)化形狀約束的多尺度網(wǎng)絡(luò)使其快速收斂：

U(S,S')＝αL_D(S,S')+(1-α)L_B(S,S')+λ₁L_C(E(S),E(S'))+λ₂L_D(S,D(S'))

其中，U(·)表示混合損失函數(shù)，S表示輸入到多尺度網(wǎng)絡(luò)的MRI訓(xùn)練集中的圖像在MRI標注集中對應(yīng)的圖像，S'表示將MRI訓(xùn)練集中的圖像輸入到多尺度網(wǎng)絡(luò)的輸出圖像，α表示初始值為1且隨著網(wǎng)絡(luò)訓(xùn)練遞減的參數(shù)，L_D表示Dice系數(shù)損失函數(shù)，L_B表示邊界損失函數(shù)，λ₁表示取值為0.1的交叉熵損失函數(shù)的權(quán)重，L_C表示交叉熵損失函數(shù)，E(S)表示將S輸入訓(xùn)練好的形狀約束網(wǎng)絡(luò)中得到的第4層特征提取層的輸出圖像，E(S')表示將S'輸入訓(xùn)練好的形狀約束網(wǎng)絡(luò)中得到的第4層特征提取層的輸出圖像，λ₂表示取值為0.01的Dice系數(shù)損失函數(shù)的權(quán)重，D(S')表示將S'輸入訓(xùn)練好的形狀約束網(wǎng)絡(luò)中得到的輸出圖像；

所述Dice系數(shù)損失函數(shù)如下：

其中，|·|表示取絕對值操作，∩表示取交集操作；

所述邊界損失函數(shù)如下：

L_B＝∫_Ωφ_G(p)s_θ(p)dp

其中，∫_Ω(·)表示關(guān)于集合Ω的不定積分，φ_G(p)表示點p∈Ω與在S的輪廓G上最近點間的垂直距離，s_θ(p)表示輸入點p到網(wǎng)絡(luò)中得到的歸一化指數(shù)函數(shù)值，s_θ(p)取值為1時p∈S；

所述交叉熵損失函數(shù)如下：

其中，N表示MRI訓(xùn)練集中圖像的個數(shù)，∑表示求和操作，S_i表示輸入到多尺度網(wǎng)絡(luò)的MRI訓(xùn)練集中的第i張圖像在MRI標注集中對應(yīng)的圖像，log表示以10為底取對數(shù)操作，S_i'表示將MRI訓(xùn)練集中的第i張圖像輸入到多尺度網(wǎng)絡(luò)的輸出圖像；

(6)訓(xùn)練形狀約束的多尺度網(wǎng)絡(luò)：

(6a)使用MSRA初始化方法對形狀約束的多尺度網(wǎng)絡(luò)的權(quán)重進行初始化，并將偏置初始值設(shè)置為0；

(6b)將MRI訓(xùn)練集和MRI標注集中的每個圖像輸入到形狀約束的多尺度網(wǎng)絡(luò)中，輸出MRI胰腺圖像的分割結(jié)果；

(6c)將訓(xùn)練好的U-net網(wǎng)絡(luò)的第2層至第9層的權(quán)重遷移到形狀約束的多尺度網(wǎng)絡(luò)中第二分支的第2層至第9層中，且在訓(xùn)練過程中保持不變；利用混合損失函數(shù)，計算形狀約束的多尺度網(wǎng)絡(luò)的損失值；根據(jù)形狀約束的多尺度網(wǎng)絡(luò)的損失值，使用初始學(xué)習(xí)率為0.0001的Adam優(yōu)化器對形狀約束的多尺度網(wǎng)絡(luò)第一分支的權(quán)重和偏置進行迭代更新，直到形狀約束的多尺度網(wǎng)絡(luò)的損失值接近于0時，得到訓(xùn)練好的形狀約束的多尺度網(wǎng)絡(luò)；

(7)對MRI圖像中胰腺區(qū)域進行分割：

將待分割的MRI圖像輸入到訓(xùn)練好的形狀約束的多尺度網(wǎng)絡(luò)中，對輸入的MRI圖像中胰腺組織輪廓進行自動定位。