[发明专利]基于联合嵌入空间的白质神经束自动分割方法

说明书

本发明公开了一种基于联合嵌入空间的白质神经束自动分割方法。本发明利用联合嵌入空间学习了低维嵌入空间中输入和标签之间的对应于分割任务的关系，在分割预测的过程中隐式地利用了标签的相关性信息。此外，权重自适应调整策略使得两个支路的损失能在训练过程中阶段性地达到平衡，促进网络收敛。进一步地，单标签掩膜的后处理过程还能有效过滤掉分割结果中的假正例。因此本发明能够有效提升白质束分割的性能。实验表明，本发明所提出的方法能够提升分割结果的Dice系数。

技术领域

本发明涉及弥散磁共振图像中白质束分割技术领域，具体涉及一种基于联合嵌入空间的白质神经束自动分割方法。

背景技术

脑白质的发育与大脑的多种认知和行为等功能的变化有着内在的联系，因而脑白质微观和宏观结构的改变与认知障碍、神经退行性变等疾病息息相关。白质由轴突纤维组成，这些轴突纤维可以根据功能分成不同的白质束。对白质神经束进行分割能够对特定的白质束详细分析。这样有助于描述健康大脑的特征，识别出患病大脑中包含异常形态的区域并理解白质束在神经退行性变过程中的作用。

最近已经有研究应用深度学习技术进行自动脑白质束分割。根据提供给神经网络的输入数据的类型，这些方法可以分为基于纤维和基于体素的白质束分割方法。其中基于纤维的方法首先需要利用纤维示踪成像技术获得大脑所有的纤维束，并利用神经网络对这些纤维束进行划分。与基于纤维的方法不同，基于体素的方法不依赖于纤维示踪成像技术，能够直接进行分割任务，简化了处理过程。其中一种方法利用从弥散磁共振图像提取的纤维分布取向函数峰值直接对每个体素中白质的分布情况进行预测，从而同时获得多种类别的白质束的分割结果。虽然已有基于深度神经网络的白质束分割方法取得了较好的效果，但忽略了白质束之间潜在的关联。由于白质束的种类较多，将白质束间的相关性信息与输入峰值包含的信息进行结合对于优化分割方法具有重要意义。

发明内容

有鉴于此，本发明提供了一种基于联合嵌入空间的白质神经束自动分割方法，引入了联合嵌入空间的概念，将标签间的相关性融入到原始的分割过程中，以进一步提升分割效果。由于白质束分割本质上为多标签任务，每个体素对应的标签为一个二值化的向量。不同的二值化向量间以及二值化向量不同的元素间都包含了一定的相关性。因此本发明通过学习输入和标签间的联合嵌入空间，以隐式地利用标签中的相关性信息。

本发明首先将标签空间嵌入到潜在子空间，在嵌入空间中构建输入和标签数据之间的关联，以便进行分割。随后通过适当的解码过程，将嵌入空间中的数据映射回原始的标签空间，从而实现多标签分割任务。本发明能够有效提升白质束分割的性能。

具体的，本发明的基于联合嵌入空间的白质神经束自动分割方法，包括如下步骤：

步骤1，基于样本集中的弥散磁共振成像数据生成纤维取向分布函数峰值数据以及峰值数据对应的标签；

对所述峰值数据和标签进行预处理，获得去除非脑区域的峰值和标签；

步骤2，构建网络，所述网络包括一个多标签分割子网络；其中多标签分割子网络包括重构支路和分割支路：重构支路以去除非脑区域的标签作为输入，利用编码卷积层将标签映射至嵌入空间；分割支路以去除非脑区域的峰值作为输入，利用2D U-net将峰值映射至嵌入空间；其中，嵌入空间的维度、U-net最后一层卷积的卷积核数目与编码卷积层的卷积核数目相等；嵌入空间中的标签和峰值经解码卷积层进行分割预测；解码卷积层为重构支路和分割支路共享；

步骤3，对多标签分割子网络进行训练，得到训练好的多标签分割子网络模型；其中，多标签分割子网络的网络损失L为：

L＝α·L_rec+L_seg