[发明专利]一种在3.0T高分辨MRI T1序列中自动识别与分割颅内动脉瘤的方法

权利要求书

1.一种在3.0T高分辨MRI T1序列中自动识别与分割颅内动脉瘤的方法，其特征在于，包括以下步骤：

S1：获取T1高分辨率数据；

S2：从T1高分辨率数据中选取选取训练样本集及测试样本集；

S3：对训练样本集和测试样本集分别进行训练集预处理和测试集预处理；

S4：建立全卷积神经网络模型；

S5：训练全卷积神经网络模型；

S6：获得模型的分割结果；

S7：后处理得到最优分割结果。

2.如权利要求1所述一种在3.0T高分辨MRI T1序列中自动识别与分割颅内动脉瘤的方法，其特征在于，所述S1具体为MRI扫描，使用头部线圈对头部进行扫描。

3.如权利要求1所述一种在3.0T高分辨MRI T1序列中自动识别与分割颅内动脉瘤的方法，其特征在于，所述T1高分辨率数据的训练样本集与测试样本集的数量比为7-9:3。

4.如权利要求1所述一种在3.0T高分辨MRI T1序列中自动识别与分割颅内动脉瘤的方法，其特征在于，所述训练集预处理包括以下步骤：

S3a1：对原始的训练样本集数据进行强度值裁剪，得到强度值裁剪后的训练样本集数据；

S3a2：采用自适应感兴趣区域选择法对训练样本集数据中的颅内动脉瘤三维图像块进行提取；

S3a3：对提取的感兴趣区域进行标准化处理；

S3a4：对标准化处理后的图像进行数据增强，以获得T1感兴趣区域图像。

5.如权利要求1所述一种在3.0T高分辨MRI T1序列中自动识别与分割颅内动脉瘤的方法，其特征在于，所述测试集预处理包括以下步骤：

S3b1：对原始的测试样本集数据进行强度值裁剪，得到强度值裁剪后的测试样本集数据；

S3b2：对强度值裁剪后的测试样本集数据的动脉瘤图像进行尺寸裁剪，降低图像尺寸；

S3b3：对尺寸裁剪后的动脉瘤图像进行标准化，获得T1测试集样本图像。

6.如权利要求4或5任意一项所述一种在3.0T高分辨MRI T1序列中自动识别与分割颅内动脉瘤的方法，其特征在于，强度值裁剪的裁剪公式如下：

其中，f'(x,y,z)和f(x,y,z)分别代表裁剪后和原始的图像的强度值。

7.如权利要求1所述一种在3.0T高分辨MRI T1序列中自动识别与分割颅内动脉瘤的方法，其特征在于，所述S4中的卷积神经网络模型包括编码器、解码器以及体素级分类器，其中，

所述编码器用于颅内动脉瘤特征的提取；

所述解码器用于进一步提取高水平特征并对动脉瘤进行重构；

所述体素级分类器将重构的动脉瘤特征图进行融合，并通过Sigmoid函数给出体素的类别，实现动脉瘤的分割。

8.如权利要求7所述一种在3.0T高分辨MRI T1序列中自动识别与分割颅内动脉瘤的方法，其特征在于，所述S5包括以下步骤：

S5a：应用xavier初始化方法对全卷积网络中的权重进行初始化；

S5b：将图像增强后的T1感兴趣区域图像输入到全卷积神经网络中；

S5c：输入图像首先进入到编码器中，编码器特征输入到解码器中，解码器特征最终通过体素分类器，实现颅内动脉瘤的分割；

S5d：将模型分割结果与对应的人工标记结果进行对比，计算损失函数；

S5e：并根据损失函数，应用自适应矩估计优化器对编码器、解码器及体素分类器的权重参数进行更新；通过正向和反向传播不断的对参数进行优化更新，得到最终训练好的全卷积神经网络的最优模型。