[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

说明书

本发明公开了一种基于深度学习的QSM脑深部核团自动分割方法，该方法基于一种针对QSM脑深部灰质核团结构的快速分割工具实现，命名为DeepQSMSeg。本发明基于深度学习的端到端模型DeepQSMSeg，利用QSM技术可精确、稳定、快速地分割深部灰质核团的5对感兴趣区(ROI)结构(左右两个半球中的尾状核CN、壳核PUT、苍白球GP、黑质SN和红核RN)。对于深部灰质核团进行精确分割，有助于脑铁相关研究的开展，尤其是与脑深部核团密切相关的神经系统退行性疾病，如帕金森病。

技术领域

本发明属于神经影像技术领域，尤其涉及一种基于深度学习的QSM脑深部核团自动分割方法。

背景技术

磁共振成像(Magnetic resonance imaging,MRI)技术为定量组织磁化率提供了一种无创的可重复性高的测量方式，尤其是脑组织的重要组织成分，包括脑铁和髓磷脂。近年来，随着MRI技术的不断更替，定量磁敏感成像技术(Quantitative susceptibilitymapping,QSM)以其高磁化率对比度和组织定量特性成为了当下MRI定量组织磁化率的金标准。值得一提的是，铁元素分布于大脑的各个区域，以皮层下深部灰质核团(Deep greymatter,DGM)最为显著，且许多研究已证实其与人类的学习、计划和认知密切相关。而相反的是，脑内铁负载过多可以与组织氧化应激损伤挂钩，且在神经退行性疾病中的病理作用越来越被重视，如帕金森病和阿尔茨海默病。因此，基于QSM技术定量人脑磁化率在神经科学领域及临床标记物研究中具有重要价值。

如何获得可重复性高、客观性强、稳定性好的脑深部核团磁化率是一个亟待解决的重要科学问题。既往研究中基于QSM的DGM分割相关的研究非常少，大多数所知的工作都是基于人工或基于图谱的分割，具有主观性强、费时费力等缺点。近年来，有研究开始报道关于QSM中DGM的分割方法，比如基于图谱的方法和基于深度学习的方法。这些方法主要包括以下步骤：模板生成、ROI结构的人工分割、个体配准、ROI提取和标签融合。但是基于图谱的方法需要一系列困难的操作，计算成本高，耗时长。此外，基于图谱的分割方法高度依赖于图谱和配准算法的稳定性，图谱或是单个图像之间的数据变化(如对比度变化或扫描仪参数设置)十分容易影响性能，且必要的人工校正是不可避免的。在深度学习领域，有学者提出在QSM中使用二维全卷积神经网络分割DGM结构，但是二维网络无法捕捉切片间的空间信息，而这在像素级体积图像分割中是至关重要的。另外，它在训练和测试过程中只使用了人工选择的包含DGM结构的切片，因此，这种分割方法并不是全自动的。因此，开发一个全自动的、准确的、鲁棒的能应用于QSM的DGM分割工具依旧是一个开放问题。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于深度学习的QSM脑深部核团自动分割方法。本发明通过单级3D编码器-解码器全卷积网络，基于人工分割的目标结构标签，进行网络深度学习，实现QSM脑深部灰质核团结构的自动化分割，进一步推动了脑磁化率相关的神经影像研究。

本发明的目的是通过以下技术方案来实现的：一种基于深度学习的QSM脑深部核团自动分割方法，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。