[發(fā)明專利]一種基于U-net和注意力機(jī)制的嬰幼兒腦組織圖像分割方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110902377.6
• 申請(qǐng)日: 2021-08-06
• 公開（公告）號(hào): CN113516671B
• 公開（公告）日: 2022-07-01
• 發(fā)明（設(shè)計(jì)）人: 劉玲慧;袁春誠;欒曉
• 申請(qǐng)（專利權(quán)）人: 重慶郵電大學(xué)
• 主分類號(hào): G06T7/11
• 分類號(hào): G06T7/11;G06K9/62;G06N3/04;G06N3/08;G16H30/20;G06V10/774;G06V10/82
• 代理公司: 北京同恒源知識(shí)產(chǎn)權(quán)代理有限公司 11275
• 代理人: 廖曦

本發(fā)明涉及一種基于U?net和注意力機(jī)制的嬰幼兒腦組織圖像分割方法，屬于圖像處理領(lǐng)域。該方法包括如下步驟：對(duì)訓(xùn)練樣本按照32×32×32像素大小隨機(jī)取一定的樣本組成訓(xùn)練集；搭建Dense?Unet網(wǎng)絡(luò)模型；使用Dense?Unet網(wǎng)絡(luò)模型對(duì)訓(xùn)練集進(jìn)行訓(xùn)練、調(diào)參，得到最佳分割模型并保存；比較模型預(yù)測結(jié)果和手工標(biāo)簽的結(jié)果，得到易分錯(cuò)區(qū)域的分布圖；使用高斯函數(shù)對(duì)每個(gè)樣本的易分錯(cuò)區(qū)域的分布圖進(jìn)行模糊化，并求平均值；對(duì)訓(xùn)練樣本按照一定比例組成訓(xùn)練集；設(shè)計(jì)一個(gè)包含空間和易分錯(cuò)區(qū)域的自注意力機(jī)制加入到網(wǎng)絡(luò)模型中；使用新的網(wǎng)絡(luò)模型對(duì)訓(xùn)練集進(jìn)行訓(xùn)練、調(diào)參，得到最佳分割模型并保存。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理領(lǐng)域，涉及一種基于U-net和注意力機(jī)制的嬰幼兒腦組織圖像分割方法。

背景技術(shù)

嬰幼兒期(0～2歲)是大腦發(fā)育的關(guān)鍵時(shí)期，這個(gè)時(shí)期大腦的發(fā)育快，但也是罹患各種腦病的高發(fā)時(shí)期，而且這些疾病往往在3～4歲才有生理上的表現(xiàn)。因此研究嬰兒大腦的發(fā)育有助于評(píng)估未來嬰兒大腦神經(jīng)發(fā)育和發(fā)育性神經(jīng)精神疾病的風(fēng)險(xiǎn)。研究正常和異常早期大腦發(fā)育的一項(xiàng)重要步驟是將嬰兒腦部MR圖像準(zhǔn)確分割為不同的關(guān)注區(qū)域，例如準(zhǔn)確的將大腦分割出白質(zhì)，灰質(zhì)和腦脊液，通常這一步由放射科醫(yī)生完成，醫(yī)生需要耗費(fèi)大量的時(shí)間來進(jìn)行分割任務(wù)。因此研究自動(dòng)的嬰幼兒腦分割算法，對(duì)提高醫(yī)生的診斷效率有重大的意義。

與成人腦部MRI相比，嬰兒腦部MR圖像通常表現(xiàn)出組織對(duì)比度降低(特別是6至9個(gè)月大)，組織內(nèi)強(qiáng)度變化大。就白質(zhì)和灰質(zhì)對(duì)比而言，嬰兒腦部T1和T2 MR圖像呈現(xiàn)三個(gè)不同的階段：(1)嬰兒期(小于等于6個(gè)月)，其中灰質(zhì)在T1圖像中顯示出比白質(zhì)更高的信號(hào)強(qiáng)度，并且T2圖像中的組織對(duì)比度優(yōu)于T1圖像；(2)等強(qiáng)度期(6-9個(gè)月)，其中白質(zhì)的信號(hào)強(qiáng)度在發(fā)育過程中由于髓鞘化和成熟過程而增加；在此階段，在T1和T2圖像中，灰質(zhì)和白質(zhì)的信號(hào)區(qū)分最低。(3)早期成人階段(大于等于9個(gè)月)，其中灰質(zhì)強(qiáng)度遠(yuǎn)低于T1圖像中的白質(zhì)強(qiáng)度，與成人T1圖像中的組織對(duì)比模式非常相似。

傳統(tǒng)的MR腦組織分割算法中，基于多圖譜的分割方法逐漸成為全腦組織分割的主流，但其缺陷在于對(duì)配準(zhǔn)精度有嚴(yán)格依賴性，圖譜相似性要求高。近幾年，深度學(xué)習(xí)技術(shù)飛速發(fā)展，且廣泛應(yīng)用于醫(yī)學(xué)圖像分割領(lǐng)域，鑒于醫(yī)學(xué)圖像三維的特性，3D網(wǎng)絡(luò)以其強(qiáng)大的空間特征提取能力是目前腦組織分割領(lǐng)域的研究熱點(diǎn)。但目前的深度學(xué)習(xí)模型中，對(duì)樣本的標(biāo)簽的使用多在于模型訓(xùn)練時(shí)使用預(yù)測值與真實(shí)值做損失，并且充分利用標(biāo)簽中蘊(yùn)含的信息。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種基于U-net和注意力機(jī)制的嬰幼兒腦組織圖像分割方法，實(shí)現(xiàn)對(duì)真實(shí)標(biāo)簽的深度利用，使得分割結(jié)果更加精準(zhǔn)。

為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：

一種基于U-net和注意力機(jī)制的嬰幼兒腦組織圖像分割方法，該方法包括如下步驟：

步驟1：對(duì)訓(xùn)練樣本按照32×32×32像素大小進(jìn)行取塊，使用隨機(jī)取塊的方式對(duì)每一個(gè)訓(xùn)練樣本取一定的數(shù)量組成訓(xùn)練集；

步驟2：搭建Dense-Unet網(wǎng)絡(luò)模型，編碼器部分，采用密集鏈接塊提取特征，使用3×3×3的卷積層進(jìn)行特征提取，池化層使用2×2×2的平均池化；

步驟3：使用Dense-Unet網(wǎng)絡(luò)模型對(duì)訓(xùn)練集進(jìn)行訓(xùn)練、調(diào)參，在驗(yàn)證集驗(yàn)證模型效果時(shí)，使用只提取中心塊的方式來融合訓(xùn)練結(jié)果組合成最終的樣本，保存最佳分割模型和結(jié)果，并對(duì)每一個(gè)樣本都進(jìn)行驗(yàn)證；

步驟4：比較模型預(yù)測結(jié)果和手工標(biāo)簽的結(jié)果，得到易分錯(cuò)區(qū)域的分布圖，將錯(cuò)誤的位置標(biāo)記為1，正確的位置標(biāo)記為0；

步驟5：使用高斯函數(shù)對(duì)每個(gè)樣本的易分錯(cuò)區(qū)域的分布圖進(jìn)行模糊化，使其錯(cuò)誤中心區(qū)域權(quán)重值高，邊緣區(qū)域權(quán)重低，并且對(duì)整體結(jié)果加1，并求平均值作為驗(yàn)證樣本的一個(gè)輸入；