[发明专利]一种基于深度学习的QSM脑深部核团自动分割方法

权利要求书

1.一种基于深度学习的QSM脑深部核团自动分割方法，其特征在于，包括以下步骤：

(1)获取数据集：采集增强敏感性加权血管造影图像(ESWAN)，重建得到QSM图像。选择深部灰质核团的5对ROI结构，包括左右两个半球中的尾状核、壳核、苍白球、黑质和红核，作为QSM图像的分割标签。

(2)构建分割网络：网络主体由编码器和解码器组成。编码器由一个输入模块和四个特征提取模块组成，解码器由四个特征重构模块和一个输出模块组成，结构与编码器相对称。从编码器到解码器采用跳转连接。在最后两个编码阶段和前两个解码阶段，插入注意模块。注意模块是通道级注意模块和空间级注意模块的级联。

(3)通过损失函数训练分割网络：采用dice损失与体素级的focal损失相结合的方法来监督网络。

(4)将待处理增强敏感性加权血管造影图像重建为QSM图像后，输入训练好的分割网络，得到分割结果。

2.如权利要求1所述基于深度学习的QSM脑深部核团自动分割方法，其特征在于，步骤(1)中，采用梯度回波序列获取ESWAN图像。

3.如权利要求1所述基于深度学习的QSM脑深部核团自动分割方法，其特征在于，步骤(1)中，采用STAR-QSM算法对数据采集获取的增强敏感性加权血管造影数据进行重建，得到QSM。

4.如权利要求3所述基于深度学习的QSM脑深部核团自动分割方法，其特征在于，步骤(1)中，QSM重建包括采用FMRIB软件库中的脑提取工具来移去头骨，并使用GRE幅度图像生成大脑掩膜；原始相位由基于Laplacian的相位展开方法展开，使用V-SHARP方法去除归一化的背景相位；最后利用STAR-QSM算法计算组织磁化率图，获得最终的QSM图像。

5.如权利要求1所述基于深度学习的QSM脑深部核团自动分割方法，其特征在于，步骤(2)中，编码器的每个模块包括2个各向异性卷积(5×5×3)块，采用残差结构以重用特征并快速收敛；在模块之间，采用2×2×2、步长为2的卷积，使特征图的空间大小减半，通道数大小加倍。解码器与编码器的基本卷积块相似，转置卷积用于模块间特征图的空间大小加倍，通道大小减少。

6.如权利要求1所述基于深度学习的QSM脑深部核团自动分割方法，其特征在于，步骤(2)中，通过soft-max函数激活的网络输出，有11个通道(分别对应10个ROI结构和背景类)，分辨率与原始输入相同。除输出模块外均采用指数线性单元(ELU)为激活函数。

7.如权利要求1所述基于深度学习的QSM脑深部核团自动分割方法，其特征在于，步骤(2)中，注意模块采用CBAM，分为编码形式和解码形式。在编码阶段，注意模块将每个阶段的输出直接作为输入。在解码阶段，来自编码器和解码器的组合特征映射首先通过卷积块处理，然后作为注意模块的输入。

8.如权利要求1所述基于深度学习的QSM脑深部核团自动分割方法，其特征在于，步骤(2)中，通道级注意模块，采用全局最大池化和全局平均池化来提取通道特征，采用多层感知器来计算通道级权重。

9.如权利要求1所述基于深度学习的QSM脑深部核团自动分割方法，其特征在于，空间级别注意力模块，沿通道轴计算特征的平均值和最大值，将其作为模块输入，并采用1×1×1卷积计算空间注意力。

10.如权利要求1所述基于深度学习的QSM脑深部核团自动分割方法，其特征在于，步骤(3)中：

dice损失如下：

其中，p_n为soft-max激活后的网络预测，g_n为分割标签，∈为平滑常数。

focal损失如下：

分割网络总损失为：

其中，λ是用于调整dice损失和focal损失之间权重的超参数。