[发明专利]一种基于深度学习的海马体分割方法、装置及存储介质

说明书

本申请实施例公开了一种基于深度学习的海马体分割方法、装置及存储介质，其中基于深度学习的海马体分割方法包括步骤：S1、获取通过核磁共振成像生成的第一图像，利用训练后的深度信念网络推断第一图像中的目标形状，得到包含目标形状的第二图像；S2、根据第二图像，构建能量函数，基于能量函数得到深度信念网络驱动的格子玻尔兹曼模型，利用深度信念网络驱动的格子玻尔兹曼模型对第一图像进行曲线演化，获得分割后的第三图像和第四图像，第四图像包含目标形状；S3、多次执行步骤S1至S2，将得到的多组第三图像和第四图像反馈到纠错卷积神经网络模型中，得到多个第五图像，对多个第五图像进行平均融合，得到分割结果。

技术领域

本申请涉及图像处理技术领域，具体涉及一种基于深度学习的海马体分割方法、装置及存储介质。

背景技术

阿尔兹海默症(Alzheimer′s disease，简称AD)是一种以记忆力减退和认知障碍为特征的慢性神经性脑疾病。目前尚无有效的药物治疗可以治愈AD，只能缓解症状或减缓其进展。一个早期AD的诊断有助于确定期进展还可以提高AD患者的生活质量。临床发现，当患者罹患阿尔兹海默症后，海马体(Hippocampus，简称HC)便是其受累的区域之一，而且海马体的形状和体积会发生改变。

目前AD的诊断是通过临床、神经心理学盒神经影像学评估的，其中磁共振成像(MRI)被认为是AD首选神经影像学检查，因为MRI允许高组织对比度和准确测量三维(3D)体积大脑结构的大小，尤其是海马和相关区域的大小。所以基于MRI的HC分割测量是诊断和检测阿尔兹海默症的重要步骤。此外，MRI还具有出色的空间分辨率、高可达性和良好的对比性。因此基于MRI的海马体的分割测量是检测AD的强大生物标志物。但HC结构的自动分割具有挑战性，因为它们体积、形状复杂、对比度低和边界不连续。所以很难建立一个足够通用的模型，以覆盖HC的所有可能形状。

医疗机构为了进行HC测量分割诊断AD，一直采用人工手动分割，这就要求影像评估医生必须经过专门训练，不仅费时费力而且培养一个专业的影像评估医生也耗资巨大，同时手工分割容易受到影像评估医生间不确定性因素的影响。随着近几年人工智能的发展，争相出现了多种多样的HC测量分割方法，包括但不限于基于图像的方法、活动轮廓模型(ACM)、活动外观和形状模型、图谱(Altas)模型和深度学习等等方法。但以上模型存在诸多缺点，包括鲁棒性和准确性较低，需要大量训练集来构建人工智能模型而造成海马体分割费时费力成本高且不确定性高，构建的模型无法覆盖所有海马体形状以及计算量成本高。

发明内容

本申请实施例的目的在于提供一种基于深度学习的海马体分割方法、装置及存储介质，用以解决现有技术中的模型存在的鲁棒性和准确性较低，需要大量训练集来构建人工智能模型而造成海马体分割费时费力成本高且不确定性高，构建的模型无法覆盖所有海马体形状以及计算量成本高的问题。

为实现上述目的，本申请实施例提供一种基于深度学习的海马体分割方法，包括步骤：S1、获取通过核磁共振成像生成的第一图像，利用训练后的深度信念网络推断所述第一图像中的目标形状，得到包含所述目标形状的第二图像；S2、根据所述第二图像，构建能量函数，基于所述能量函数得到所述深度信念网络驱动的格子玻尔兹曼模型，利用所述深度信念网络驱动的所述格子玻尔兹曼模型对所述第一图像进行曲线演化，获得分割后的第三图像和第四图像，所述第四图像包含所述目标形状；S3、多次执行步骤S1至S2，将得到的多组所述第三图像和第四图像反馈到纠错卷积神经网络模型中，得到多个第五图像，对多个所述第五图像进行平均融合，得到分割结果。

可选地，利用训练后的所述深度信念网络推断所述第一图像中的所述目标形状的方法包括：

利用所述深度信念网络对输入的所述第一图像执行自下而上的推理，直到到达顶部的隐层和可见层，所述深度信念网络的推断模型为：

P(v,h₁,h₂,L)＝P(h₁,h₁,L)P(h₁│v)