[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

说明书

本发明提供了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，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。本发明可以精确地分割出海马体和背景的标签，通过多尺度信息和多种损失的结合提高分割准确率，使脑部影像中海马体分割准确率得到显著提升。

技术领域

本发明涉及医学影像处理技术领域，特别涉及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。

背景技术

近几年来，神经影像技术对于很多神经性疾病的诊断都有着非常重要的作用，研究表明阿尔茨海默氏症(AD)与海马体的形状体积密切相关，通过在脑部核磁共振成像(MRI)中海马体的正确的分割，可以一定程度上帮助医生们更好的诊断AD这一类神经性疾病。随着各种半自动和自动分割海马体的技术的快速发展，已有大量研究使用结构磁共振成像对海马体进行分割，尤其是深度学习模型在过去几年中取得了巨大成功，深度学习模型通过对有标签的数据集进行训练得到训练好的模型，可以精确的以及快速的对MRI影像进行海马体标签注释，为AD等疾病的后续诊断提供有效的帮助。

而目前基于脑部MRI影像的深度学习海马体分割方法通常需要大量的训练集数据，并且也没有考虑下采样中多个层次的多尺度信息，也会丧失边缘细节的一些信息。因此，有必要考虑到加入模型中多尺度的特征信息，也更多专注于边缘细节以及结构细节的特征，通过这些方面的提高，来改善精进模型的分割性能。

发明内容

本发明提供了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，其目的是为了传统的基于脑部MRI影像的深度学习海马体分割方法的分割性能差和分割准确率低的问题。

为了达到上述目的，本发明的实施例提供了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，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；

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。

其中，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。

其中，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的步长进行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；