[發明專利]基于多個神經網絡的MRI圖像分割方法、裝置及設備

在審

• 申請號: 202011465416.2
• 申請日: 2020-12-14
• 公開（公告）號: CN112634211A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 黃鋼;聶生東;張小兵
• 申請（專利權）人: 上海健康醫學院;上海理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T5/50;G06N3/08;G06N3/04
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 翁惠瑜

本發明涉及一種基于多個神經網絡的MRI圖像分割方法、裝置及設備，包括以下步驟：獲取原始MRI圖像，對所述原始MRI圖像進行預處理，生成處理后MRI圖像；從所述處理后MRI圖像中提取軸狀面圖像塊、冠狀面圖像塊和矢狀面圖像塊；以所述軸狀面圖像塊、冠狀面圖像塊和矢狀面圖像塊分別對應作為經訓練的軸狀分割模型、冠狀分割模型和矢狀分割模型的輸入，獲得各模型的分割結果；融合所述各模型的分割結果，基于融合結果及設定的體積約束獲得最終分割結果；其中，所述軸狀分割模型、冠狀分割模型和矢狀分割模型為結構相同的密集連接型2D?CNN神經網絡分割模型。與現有技術相比，本發明具有減少運行時間、精度高等優點。

技術領域

本發明屬于醫學圖像處理技術領域，尤其是涉及一種基于多個神經網絡的MRI圖像分割方法、裝置及設備。

背景技術

腦膠質瘤是原發性腦瘤中最常見、最具有侵襲性的腦腫瘤類型之一，其預期壽命非常短，生存率極低，準確可靠的腦膠質瘤分割是腦膠質瘤診斷、治療計劃和治療效果評價的重要前提，但腦膠質瘤可以出現在大腦的任何位置且大小不一、形狀各異，此外，人工手動分割腦膠質瘤耗時費力且容易受到主觀的干擾，因此，全自動化的可靠的腦膠質瘤分割方法技術是一個重要的研究方向。核磁共振成像(Magnetic Resonance Imaging，MRI)技術是一種常見的非侵入式成像方式，能夠提供較高的組織對比度，特別適合成像人腦中類似腫瘤的特殊結構，可以通過MRI測量多個序列，如T1加權(T1-weighted images)、T1C(Contrast enhanced T1-weighted images)、T2加權(T2-weighted images)及Flair(Fluid attenuated inversion recovery images)等，結合使用四種圖像序列來共同診斷和分割腦膠質瘤。

磁共振圖像中腦膠質瘤分割的研究主要從圖像處理，模式識別，人工智能等領域對圖像中病變組織進行分析，目前對腦膠質瘤分割的方法主要分為基于生成模型的方法和基于判別模型的方法等。近年來，隨著深度學習技術在一般圖像領域取得很大成功的同時，在腦膠質瘤分割研究中也得到了廣泛地研究，尤其是基于深度學習的卷積神經網絡(Convolutional Neural Network，CNN)在腦膠質瘤分割方面已經取得了一定的成功，CNN由輸入層、卷積層、非線性層、池化層和完全連接層搭建組裝而成，基于訓練樣本和標簽的監督學習算法通過學習得到一個分類模型，以此實現腦膠質瘤圖像的分割任務。基于CNN的分割方法直接從數據中自動學習一組越來越復雜的特征來表示學習，而不依賴于人工提取特征。通過分析已有的基于CNN的分割方法發現，基于CNN的腦膠質瘤圖像分割存在以下問題：(1)二維圖像作為輸入，沒有考慮到像素點的空間領域關系；(2)三維圖像塊作為輸入，增加了神經網絡的計算量，大大增加了運行時間和所需存儲空間；(3)CNN每層特征只用了一次，容易遺漏重要信息。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種減少運行時間、精度高的基于多個神經網絡的MRI圖像分割方法、裝置及設備。

本發明的目的可以通過以下技術方案來實現：

一種基于多個神經網絡的MRI圖像分割方法，包括以下步驟：

獲取原始MRI圖像，對所述原始MRI圖像進行預處理，生成處理后MRI圖像；

從所述處理后MRI圖像中提取軸狀面圖像塊、冠狀面圖像塊和矢狀面圖像塊；

把所述軸狀面圖像塊、冠狀面圖像塊和矢狀面圖像塊分別對應作為經訓練的軸狀分割模型、冠狀分割模型和矢狀分割模型的輸入，獲得各模型的分割結果；

融合所述各模型的分割結果，基于融合結果獲得最終分割結果；

其中，所述軸狀分割模型、冠狀分割模型和矢狀分割模型為結構相同的密集連接型2D-CNN神經網絡分割模型。