[发明专利]用于训练脑影像分割模型的方法及脑影像分割方法

说明书

本发明涉及一种用于训练脑影像分割模型的方法，包括：获取脑影像数据集；利用多个分析软件对脑影像进行分割，获得多组机器标签；对部分脑影像进行人工标注，以获得人工标签；以及基于脑影像数据集及相关联的标签，通过循环执行以下步骤来迭代训练待训练的分割模型，得到目标分割模型：将脑影像输入至待训练的分割模型，以获得预测的分割结果；根据单个体素的机器标签之间的一致性，确定标签的权重；根据预测的分割结果与各个标签的差异以及权重来计算损失函数值；基于损失函数值最小化来调节待训练的分割模型的网络参数，得到当前迭代的分割模型；其中单个体素的机器标签的权重与一致性负相关。本发明还涉及分割脑影像的方法和脑影像分割装置。

技术领域

本发明涉及图像处理技术领域，尤其涉及用于训练脑影像分割模型的方法、脑影像分割方法及脑影像分割装置。

背景技术

基于磁共振脑影像的分割是脑影像定量分析的一个关键步骤。研究人员们已经开发出了许多种分割算法。主要的算法可以分为三大类：1)基于图像灰度的方法。不同脑组织在MRI影像中灰度的不同，利用这种灰度的差异可以对大脑组织进行分割。常见的方法包括阈值分割、区域生长、聚类等。2)基于模板匹配的方法。使用这类方法首先需要获得一个或者多个手工精细分割的脑影像模板。待分割的影像和模板通过刚性或者非刚性的方法进行配准。配准后，通过模板上的标签就可以知道待分割影像上各个区域的标签。3)基于表面的方法。这类方法根据不同组织的形态结构差异，利用算法找出不同组织间的分界面，从而实现对于不同组织的分割。常用的软件等往往集成了一类或多类混合的方法。这些分割软件存在计算时间长、精度低、重复测试稳定性差等问题。具体地，Statistical ParametricMapping(SPM)软件利用脑影像概率模板和贝叶斯原理来计算影像中每个体素属于不同脑区的后延概率，SPM的计算速度较快，但是精度较低，从而在很多情况下不能满足科研和临床的要求。另一种分割软件Freesurfer采用基于配准的单图谱分割方法，其分割精度相对较高，但是花费时间较长。例如，采用Freesurfer在单台计算机上分割一例脑影像通常需要若干小时，在很多情况下用户无法等待这么长的时间。

基于深度学习的方法改进了很多传统的分割软件具有的问题，Isensee F,Petersen J,Klein A,et al.nnu-net:Self-adapting framework for u-net-basedmedical image segmentation[J].arXiv preprint arXiv:1809.10486,2018提出了U-Net神经网络的深度学习算法来训练模型。不同于对普通的影像标注，脑影像的标注需要专业人员针对脑影像中密集的大量体素逐个进行标注，人工标注的过程，通常需要耗费大量的人力物力才能得到足够的训练样本对用于进行脑影像分割的卷积神经网络模型进行训练。

另外，Sukhbaatar S,Bruna J,Paluri M,et al.Training convolutionalnetworks with noisy labels[J].arXiv preprint arXiv:1406.2080,2014和Bekker AJ,Goldberger J.Training deep neural-networks based on unreliable labels[C]//2016IEEE International Conference on Acoustics,Speech and Signal Processing(ICASSP).IEEE,2016:2682-2686提出了利用带有噪声标签的数据训练的卷积神经网络，这种算法考虑到了数据标签的不确定性，在传统的神经网络基础上加入了若干层神经网络对数据标签的不确定性进行建模，从而使得神经网络可以从带有不确定性的数据中学习到数据的特征。

然而，用于脑影像分割的已知的神经网络算法仍然具有缺陷，并且进一步改善脑影像分割方法的效率一直是本领域的目标。

发明内容