[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

说明书

本发明涉及医学图像处理技术领域，具体涉及一种在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，该方法通过全卷积神经网络中编码路径中卷积操作，提取T1序列中颅内动脉瘤的高维特征；通过网络中解码路径卷积及反卷积操作，进一步提取更高维的特征并对特征进行重构，去除T1图像中无关的背景体素，保留关于颅内动脉瘤的体素，实现对颅内动脉瘤的精准识别与分割。

技术领域

本发明涉及医学图像处理技术领域，尤其涉及一种在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。

背景技术

颅内动脉瘤是大脑动脉上的异常膨出，颅内动脉瘤破裂是非创伤性蛛网膜下腔出血的首要原因，蛛网膜下腔出血致残率和致死率非常高的灾难性事件。因此，早期发现和干预颅内动脉瘤是非常有必要的，颅内动脉瘤的识别和分割已成为医学图像处理领域的研究热点。

目前颅内动脉瘤的识别与分割方法都是基于DSA、CTA及MRA等有创、辐射、成本高或耗时多的增强的影像检查手段。常用的方法主要是基于卷积神经网络实现图像块级别的颅内动脉瘤识别及基于全卷积神经网络实现体素级别的分割。即使是基于先进的增强的影像检查手段，在体素级别上对颅内动脉瘤进行分割的结果仍不能满足需求，无法应用于临床，需要进一步优化和完善识别与分割的方法。

基于DSA、CTA及MRA的影像手段实现颅内动脉瘤分割不是最优的方式。原因在于DSA是有创的检查手段，同时具有很强的辐射性；CTA具有很强的辐射性；MRA检查时间及费用高。同时由于患者的主诉、误导性信息及医生经验等因素导致患者并没有进行上述的检查，导致出现动脉瘤的漏诊。因此基于DSA、CTA及MRA的检查手段，对颅内动脉瘤进行分割和识别是存在一定的局限性的，因此基于一种相对普适性的影像检查，并实现基于该影像的颅内动脉瘤识别与分割是最有意义的。

发明内容

为解决上述技术问题，本发明的目的在于提供一种在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，该方法针对目前基于颅内动脉瘤识别与分割方法有待优化及完善的问题，及目前尚无针对普适性影像检查手段开发的识别与分割方法的问题。引入更为普遍的MRI T1序列，提出一种在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。

为达到上述技术效果，本发明采用了以下技术方案：

第一方面，本发明提供一种在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，具体包括以下步骤：

S1：获取T1高分辨率数据；

具体地，所述T1高分辨率数据的采集参数如下：扫描部位为头部扫描，使用头部线圈；扫描层厚0.6mm；层间距0.3mm，像素间距为0.2976mm，翻转角90°，重复时间800ms，回波时间18.722ms，采集时间1.7min，矩阵672×672。通过该序列的扫描参数对头部进行扫描，从而获得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；

具体地，从步骤S1中获得的T1高分辨率数据中选取4/5的数据作为训练样本集用于模型的训练，剩下的1/5作为测试样本集对模型进行测试。

S3：对所选取的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；

进一步地，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，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。

当矩阵中体素强度值小于0时，体素强度值为0；当体素强度值介于0和2000之间使，体素强度值不变；当矩阵中体素强度值大于2000时，体素强度值为2000。