[發(fā)明專利]一種基于深度迭代融合深度學(xué)習(xí)模型的顱骨圖像分割方法

在審

• 申請?zhí)枺?/td>: 202011125749.0
• 申請日: 2020-10-20
• 公開（公告）號: CN112288749A
• 公開（公告）日: 2021-01-29
• 發(fā)明（設(shè)計）人: 姚發(fā)展;王麗會;李智
• 申請（專利權(quán)）人: 貴州大學(xué)
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06N3/04;G06N3/08
• 代理公司: 日照市聚信創(chuàng)騰知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 37319
• 代理人: 輝雪瑛

本發(fā)明公開了一種基于深度迭代融合深度學(xué)習(xí)模型的顱骨圖像分割方法，所述方法包含有如下步驟：一、選定需要分割的腦部磁共振圖像并對其進行預(yù)處理；二、對預(yù)處理后的腦部磁共振圖像進行隨機選擇訓(xùn)練集和測試集；三、構(gòu)建深度迭代融合學(xué)習(xí)模型，該模型包含有卷積模塊、殘差模塊和上采樣模塊；四、對訓(xùn)練集進行內(nèi)部數(shù)據(jù)增強，包括隨機縮放和隨機裁剪；五、將數(shù)據(jù)增強后的數(shù)據(jù)訓(xùn)練模型，最后用訓(xùn)練好的模型對測試集進行測試，即可對腦部磁共振圖像進行顱骨分割。根據(jù)卷積神經(jīng)網(wǎng)絡(luò)強大的自動學(xué)習(xí)和特征提取能力的特點，設(shè)計深度迭代融合模型，實現(xiàn)模型有較高的泛化能力，在多個數(shù)據(jù)上都有較高的分割精度，取得了很好的效果。

技術(shù)領(lǐng)域

本發(fā)明涉及一種顱骨圖像分割方法，尤其涉及一種基于深度迭代融合深度學(xué)習(xí)模型的顱骨圖像分割方法，屬于醫(yī)學(xué)圖像處理和深度學(xué)習(xí)技術(shù)領(lǐng)域。

背景技術(shù)

在腦圖像分析中，顱骨分割是非常重要的圖像預(yù)處理步驟，將顱骨從腦部磁共振圖像中分割出來，是后續(xù)特征提取、影像分析和預(yù)測，以及臨床診斷的重要基礎(chǔ)。如在腦連接分析中，需要提取腦實質(zhì)區(qū)域，才能實現(xiàn)腦功能和腦結(jié)構(gòu)的準確連接分析，為后續(xù)的精準分型、分類和分期奠定基礎(chǔ)。傳統(tǒng)的顱骨分割一般是由具有豐富經(jīng)驗的專業(yè)醫(yī)生來進行手動分割，常需要耗費大量的時間和精力，并且分割結(jié)果過度依賴于醫(yī)生的經(jīng)驗等主觀因素。為了提高醫(yī)學(xué)圖像分割的準確度和實時性，半自動或全自動的顱骨分割算法相繼被提出，如基于灰度閾值的分割、基于聚類算法的分割以及基于區(qū)域增長的分割等。由于腦部組織結(jié)構(gòu)的復(fù)雜性以及設(shè)備噪聲、場偏移效應(yīng)以及局部體效應(yīng)等的影響，用現(xiàn)有的分割方法并不能較好的去除顱骨。

卷積神經(jīng)網(wǎng)絡(luò)(CNN)和基于深度學(xué)習(xí)的方法在醫(yī)學(xué)圖像分割中取得了出色的表現(xiàn)，其分割準確度接近于專家手動標記。最近幾年來，有很多關(guān)于腦部MRI 的顱骨分割方法。Kleesiek等人(2016)首次提出了一種3D卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，用于不同模態(tài)腦部MRI的大腦提取，但是Kleesiek采用三維的網(wǎng)絡(luò)結(jié)構(gòu)較為簡單，限制了網(wǎng)絡(luò)學(xué)習(xí)更多特征的能力。Valvano等人(2018)提出了一種以2D U-Net (Ronneberger等，2015)為基線改進的卷積神經(jīng)網(wǎng)絡(luò)，同時加入了數(shù)據(jù)增強操作，分割精度比常用的顱骨分割軟件高。Han等人(2018)提出了一種基于PCA的模型，專門用于從腦部病理圖像中提取大腦。Lucena等人(2018)針對在專家標記數(shù)據(jù)不多的情況下，使用銀標準掩膜來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，以期達到金標準的效果。Liu等人(2019)考慮到三維網(wǎng)絡(luò)模型具有較高的計算成本和GPU內(nèi)存限制，將特征融合模塊轉(zhuǎn)換為2D編碼模塊和3D空間編碼模塊，以提取區(qū)域和空間特征，最后將二者結(jié)合，這樣既減少了計算量同時增強了網(wǎng)絡(luò)學(xué)習(xí)能力。Hwang 等人(2019)提出了一種基于3D U-Net的端到端深度學(xué)習(xí)的分割模型，分割精度有了一定提高。但是3D網(wǎng)絡(luò)模型具有太多參數(shù)，訓(xùn)練時間較慢而且測試過程要加載過多參數(shù)。

雖然這些深度學(xué)習(xí)的模型在腦部磁共振圖像顱骨分割上取得了較好的分割結(jié)果，但是仍存在一個共性問題，即泛化能力一般，也就是說在一個數(shù)據(jù)集上表現(xiàn)良好，而在另一個數(shù)據(jù)集上表現(xiàn)欠佳，并且分割精度仍需要提高。如何提升模型的泛化能力是亟待解決的一個關(guān)鍵問題。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題是：提供一種基于深度迭代融合深度學(xué)習(xí)模型的顱骨圖像分割方法，根據(jù)卷積神經(jīng)網(wǎng)絡(luò)強大的自動學(xué)習(xí)和特征提取能力的特點，設(shè)計深度迭代融合模型，實現(xiàn)模型有較高的泛化能力，在多個數(shù)據(jù)上都有較高的分割精度，解決了上述存在的問題。

本發(fā)明的技術(shù)方案為：一種基于深度迭代融合深度學(xué)習(xí)模型的顱骨圖像分割方法，所述方法包含有如下步驟：一、選定需要分割的腦部磁共振圖像并對其進行預(yù)處理；二、對預(yù)處理后的腦部磁共振圖像進行隨機選擇訓(xùn)練集和測試集；三、構(gòu)建深度迭代融合學(xué)習(xí)模型，該模型包含有卷積模塊、殘差模塊和上采樣模塊；四、對訓(xùn)練集進行內(nèi)部數(shù)據(jù)增強，包括隨機縮放和隨機裁剪；五、將數(shù)據(jù)增強后的數(shù)據(jù)訓(xùn)練模型，最后用訓(xùn)練好的模型對測試集進行測試。

所述步驟一中，對腦部磁共振圖像進行預(yù)處理的方法為：