[发明专利]基于多种损失和多尺度特征的MRI影像海马体区域分割方法

权利要求书

1.一种基于多种损失和多尺度特征的MRI影像海马体区域分割方法，其特征在于，包括：

步骤1，获取多个T1模态的脑部MRI影像和海马体标签；

步骤2，以左右海马体的左右标签为基准，对每个T1模态的脑部MRI影像进行图像的裁剪，得到多个裁剪后的左右海马体立方体；

步骤3，对每个裁剪后的左右海马体立方体进行3D切块，得到所有裁剪后的左右海马体立方体的3D切块，在所有裁剪后的左右海马体立方体的3D切块中筛选出含有海马体体素大于设定阈值的3D块，对筛选出的3D块进行预处理；

步骤4，构建深度学习分割网络，深度学习分割网络由主网络和辅网络组成，在深度学习分割网络中引入多尺度特征学习模块、区域损失、边缘损失和结构相似性损失进行优化，将预处理后的3D块输入深度学习分割网络进行训练，得到训练好的深度学习分割网络；

所述步骤4具体包括：

深度学习分割网络由一个编码器和两个解码器构成，其中，编码器由两个解码器共享，两个解码器互不干扰，两个解码器分别根据各自负责的损失来共同优化编码器学习到的特征；深度学习分割网络的网络结构为：采用3D网络，3D网络采用主网络和辅网络的方式，主网络和辅助网络均引入多尺度特征学习模块，主网络由共享的4层编码器和4层解码器构成，通过下采样得到高级语义信息，再通过上采样和卷积恢复到脑部MRI影像最初的尺寸，主网络主要专注于分割网络的区域损失和边缘损失，辅助网络由共享的4层编码器和4层解码器构成，辅助网络主要专注于分割结果与真实标签的结构相似性差异；

步骤5，将所有裁剪后的左右海马体立方体的3D切块输入训练好的深度学习分割网络，得到每个3D块的分割结果，根据每个3D块的分割结果通过投票集成策略进行块与块之间重叠部分的体素标签的融合，得到每个脑部MRI影像的最终分割标签；

所述步骤5具体包括：

分割标签的投票集成策略，如下所示：

其中，y表示像素的标签结果，M表示重叠像素的数量，i表示第i个重叠像素，p_i表示总的N个体素中的第i个像素中的预测值；

当大于0.5时，y取1，将1作为海马体标签；当小于0.5时，y取0，将0作为背景。

2.根据权利要求1所述的基于多种损失和多尺度特征的MRI影像海马体区域分割方法，其特征在于，所述步骤2具体包括：

将每个脑部MRI影像分别以左右海马体标签的中心位置为轴心裁剪成两个64*80*64的立方体，每个64*80*64的立方体均包括左海马体区域和右海马体区域。

3.根据权利要求2所述的基于多种损失和多尺度特征的MRI影像海马体区域分割方法，其特征在于，所述步骤3具体包括：

步骤31，将每个64*80*64的立方体从x轴、y轴和z轴各自以8为步长进行3D切块处理，裁剪的块大小为32*32*32，每个64*80*64的立方体得到[(64-32)+1]*[(80-32)+1]*[(64-32)+1]＝5*7*5＝175个3D切块；

步骤32，设定海马体体素阈值，筛选出含有海马体体素大于海马体体素阈值的3D切块，将筛选出的每个3D切块中的体素进行N4偏置场校正，对筛选出的每个3D切块的像素值进行[-1,1]的归一化处理。

4.根据权利要求3所述的基于多种损失和多尺度特征的MRI影像海马体区域分割方法，其特征在于，所述步骤4还包括：

主网络和辅助网络均引入多尺度特征学习模块为将解码器的每一层、解码器当前层的相对应层的编码器特征和高于解码器当前层的所有层的编码器特征分别输入多尺度特征学习模块进行融合，多尺度特征学习模块将每一层解码器的相对应层的编码器特征和高于解码器当前层的所有层的编码器特征进行重采样到同一尺寸，经过卷积、批量标准化和线性整流函数后与对应的解码器当前层进行像素点相加，完成像素点相加后再与对应的解码器当前层的同一层的编码器特征进行通道融合，通过编码器特征指导融合的多尺度语义特征。