[發明專利]一種基于深度學習的腦部圖像分割方法

在審

• 申請號: 202110270062.4
• 申請日: 2021-03-12
• 公開（公告）號: CN112785593A
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 張秀峰;牛選兵;楊榮錦;龔莉娜
• 申請（專利權）人: 大連民族大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/12;G06T5/00;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 大連智高專利事務所(特殊普通合伙) 21235
• 代理人: 劉鑫

1.一種基于深度學習的腦部圖像分割方法，其特征在于，包括：

S1：獲取原始腦部圖像數據集；

S2：對獲取到的原始腦部圖像數據集進行預處理；

S3：將預處理后的腦部圖像數據集導入腦部圖像分割模型中進行訓練，用訓練成熟的腦部圖像分割模型對腦部圖像進行分割，最終得到分割結果。

2.根據權利要求1所述的一種基于深度學習的腦部圖像分割方法，其特征在于，所述獲取原始腦部圖像數據集，包括：從Alzheimer’s Disease Neuroimaging Initiative庫中獲取腦MRI圖像數據和已分割的海馬標簽圖像數據，上述圖像數據包括真實患者和健康對比人群，數據格式為nifti。

3.根據權利要求1所述的一種基于深度學習的腦部圖像分割方法，其特征在于，所述預處理包括：對腦部圖像數據集中的圖像進行旋轉、鏡像、翻轉和色彩抖動的增強處理，裁剪大小，調整圖像分辨率，并按照8：2的比例把腦部圖像數據集分成訓練集和測試集。

4.根據權利要求3所述的一種基于深度學習的腦部圖像分割方法，其特征在于，步驟S3具體為：將預處理后的訓練集圖像數據輸入到U-Net網絡模型中進行訓練，從而得到腦部圖像的分割模型，然后將測試集圖像數據中每個圖像傳入已經訓練完成的U-Net網絡模型中進行預測，得到分割結果；所述U-Net網絡模型包括遞歸殘差卷積模塊、空間金字塔池模塊、條件隨機場、編碼結構、解碼結構。

5.根據權利要求4所述的一種基于深度學習的腦部圖像分割方法，其特征在于，

編碼過程采用三次下采樣，每一層使用深度可分離卷積的殘差塊進行特征提取，采用SeLU激活函數，所述SeLU激活函數為：

解碼過程采用三次上采樣，每一層使用遞歸殘差卷積模塊進行特征提取，遞歸殘差卷積模塊的輸出x_l+1為：

x_l+1＝x_l+F(x_l+w_l)

x_l為遞歸殘差卷積模塊的樣本輸入，F(x_l+w_l)為第一層遞歸殘差卷積模塊的輸出；

下采樣過程中的1-3層通過跳躍連接與上采樣過程中的6-8層相連，將跳躍連接得到的特征與上采樣過程得到的特征融合，得到高維圖像，在編碼與解碼之間加入空間金字塔池模塊，最后以迭代層的形式將條件隨機場CRF融合到U-Net網絡模型中，在解碼過程的每一個輸出都對應一個CRF，并且與當前層的CRF輸出作為后一個CRF的輸入之一，通過迭代的形式逐層補充圖像的語義信息和邊界信息，從不同層次的特征中學習圖像的邊界信息，得到與輸入圖像大小相同的預測圖。

6.根據權利要求5所述的一種基于深度學習的腦部圖像分割方法，其特征在于，編碼過程的特征提取包括：卷積、池化、歸一化和激活操作；

所述卷積：用于提取局部特征；

所述池化：即下采樣操作，用最大池化對卷積特征進行降維；

所述歸一化：將圖像數據的所有特征映射到同一尺度；

所述激活：將非線性引入U-Net網絡模型中，使U-Net網絡模型具有非線性表達能力。