[发明专利]一种上下文感知卷积神经网络的全脑三维解剖结构分割方法

说明书

本发明提出了一种新的上下文感知卷积神经网络的全脑三维解剖结构分割方法。该方法在卷积神经网络的卷积模块后串联一个全新的双重注意力模块。该模块通过卷积自动学习通道和空间注意力权重并分别对输入的卷积特征进行加权，再通过卷积自适应融合加权后的卷积特征，以此提高网络的分类性能。此外，本发明将图像中待分割对象所有体素为中心的图像块作为训练数据，通过完全采样充分利用有限的标注数据对其样本分布进行较为完整的学习，以此进一步提高网络的分类性能。本发明提出的方法具有分割精度高、稳定性好的优点。在10个实施例的磁共振脑图像分割中，本方法获得分割结果的平均精度达93.27％，这比当前最先进的DeepNAT方法获得分割结果的平均精度提高了3.790％。

技术领域

本发明涉及一种医学图像处理技术，具体涉及了一种结合上下文信息的注意力卷积神经网络对三维磁共振图像进行全自动分割的方法。

背景技术

磁共振图像的脑结构图谱构建在脑影像相关的诊断、治疗、临床及科学研究中具有重要的意义。例如，基于磁共振图像绘制的脑结构图谱在临床神经科学中有着广泛的应用，如脑发育、神经精神疾病有关的大脑结构变化追踪，以及脑外科手术规划等。

目前脑磁共振图像精确分割主要依赖于医生进行手动勾画，在传统的手动分割方法中脑结构的整个分割过程十分繁琐、耗时且费力，需要医生具有扎实的解剖学知识和丰富的经验，随着磁共振图像数据的不断增长，极其低效的传统手动分割方法已经远远不能满足需求，精准而有效的脑结构自动提取显得尤其重要。

为了从磁共振影像自动提取脑结构，研究者提出了一系列自动分割方法，大致可以分为三类方法，具体阐述如下。第一类方法为基于多图谱的图像分割方法。该类方法采用多图谱标签融合策略来分割脑图像，在脑图像分割中取得了良好的效果。但这类方法内存占用大、速度慢。而且配准过程产生的误差会直接影响方法的分割精度。第二类方法为基于手工特征的分割方法。此类方法结合不同手工特征提取方式和不同分类器实现脑图像的分割，如基于图像空间和强度特征的支持向量机分类模型的分割方法、基于图像强度特征的高斯混合模型的分割方法、基于图像表观及空间特征的随机森林分类模型的分割方法等。这类方法由于手工提取特征往往表征能力有限，难以应对磁共振图像强噪声、低对比度、部分容积效应、灰度分布不均匀、以及大脑内部解剖结构众多、灰度分布相互交叠、边界模糊并且个体之间差异呈现多样性等诸多问题，并不能取得很好的分割精度。

第三类方法为基于深度神经网络的脑图像分割方法。近年来，由于这类方法可以自动提取特征、具有很强的特征表达能力等优点，引起了研究人员的广泛关注。卷积神经网络的方法是通过给神经网络学习大量的已标注图像，来训练神经网络自动提取用于分类的特征，经过大量标注图像的训练可以达到较高的分割精度。目前，DeepNAT方法是性能表现十分出色的卷积神经网络脑图像分割方法之一，它由卷积层自动提取特征再由全连接层融合特征并进行图像分类，最终实现图像的分割(Wachinger C,Reuter M,Klein T,DeepNAT:Deep Convolutional Neural Network for Segmenting Neuroanatomy,NeuroImage,2018,170:434-445)。这类神经网络方法已经在脑图像分割中达到了较高的精度。

尽管深度学习神经网络分割方法已经有了较高的分割精度，但在现有的神经网络分割方法中，卷积层通过多个卷积核和原始特征的线性组合得到输出特征，因此不同卷积核提取的特征往往对分类任务具有不尽相同的判别能力，也就是说卷积神经网络提取的特征还存在噪声的问题。另外由于磁共振脑图像的标注数据较少，因此现有的神经网络分割方法还存在泛化能力不强的问题。因此解决现有神经网络分割方法中的这些问题将进一步提升脑图像分割的精度。

发明内容