[发明专利]一种胎盘植入分型评估工具和方法

权利要求书

1. 一种基于感兴趣区域多模态MRI图像融合的胎盘植入分型评估工具，其特征在于，所述的胎盘植入分型评估工具包括感兴趣区域预处理输入模块、多流深度模型模块和多流模型预测融合输出模块，所述的感兴趣区域预处理输入模块用于提取感兴趣区域，得到整体ROI区域标注信息；采用经典的医学图像分割U-Net模型，对人工标注的整体ROI区域进行训练学习；直至训练集中每张MRI图像的分割预测结果能和该MRI图像的金标准人工标注结果达到预定的契合度；完成训练后对新样例数据实现自动整体ROI区域分割；所述的多流深度模型模块用于采用相同的深度为18层3D残差网络对FIESTA序列、SSFSE序列、FIESTA ROI序列和SSFSE ROI序列进行各自独立训练，从四种MRI模态图像序列上以基于patch随机切分的方式选取D×H×W体素大小的立方块作为输入，将随机切分得到的立方块输入到相应各自的3D残差网络中进行训练，根据得到的预测值和真实值通过损失函数计算得到损失值，然后根据损失值对网络的参数权重通过反向传播进行更新，以这种方式经过重复训练直至网络收敛，最终得到最优参数权重；所述的多流模型预测融合输出模块用于对多流深度模型的四个流FIESTA流、SSFSE流、FIESTA ROI流和SSFSE ROI流对不同胎盘植入类型的预测概率相加取平均，得到最终的融合预测概率值，取最高的概率值对应的胎盘植入类别作为多流模型最终的预测输出。

2.根据权利要求1所述的基于感兴趣区域多模态MRI图像融合的胎盘植入分型评估工具，其特征在于，所述的感兴趣区域是将子宫、胎盘、膀胱和宫颈口这四个区域作为一个整体ROI区域。

3.根据权利要求1所述的基于感兴趣区域多模态MRI图像融合的胎盘植入分型评估工具，其特征在于，所述的提取感兴趣区域的具体方法先采用开源标注软件ITK-Snap对样例进行标注，得到整体ROI区域标注信息。

4. 根据权利要求1所述的基于感兴趣区域多模态MRI图像融合的胎盘植入分型评估工具，其特征在于，所述的采用经典的医学图像分割U-Net模型，对人工标注的整体ROI区域进行训练学习的具体方法为：分别对MRI图像进行4次下采样和4次上采样；输入是MRI图像，先经过两层卷积层，卷积核数均为64；然后进行第1次池化降采样，图像大小变为原来的一半，接着经过两层卷积层，卷积核数升为128，用来进一步提取图像特征；后面的下采样过程以此类推，每一层都经过两次卷积来提取图像特征；每下采样一层，都把图像减小一半，卷积核数目增加一倍，最后卷积核数升为1024；4次上采样过程包括先进行第1次反卷积上采样，图像大小变为原来的两倍，采取把降采样时的图像裁剪成相同大小后直接拼过来的方法增加特征层，再进行卷积来提取特征；接着经过两层卷积层，卷积核数从1024降为512；接着再一次进行上采样，重复以上过程；每一层都进行两次卷积来提取特征，每上采样一层，都会把图像扩大一倍，卷积核数目减少一半；4次上采样之后最后的卷积核数降为64；最后一步选择两个1×1的卷积核把64个特征通道变成2个，把图像分成背景和目标两个类别；最后输出预测的分割结果和真实结果通过损失函数计算得到损失值，记预测的分割结果为M ^pred，人工标注的真实结果为M ^gt，预测的分割结果和人工标注的真实结果的数组形状都是(D,H,W)，其中D,H,W分别表示深度、高度和宽度，且预测的分割结果M ^pred和人工标注的真实结果M ^gt在每个位置的取值范围都是{0,1,...,G}，其中G表示类别数量，计算出如下的损失函数公式（1）：

(1)

其中是克罗内克函数，g表示类别取值，M_i,j,k表示在MRI图像中深度为i、高度j和宽度k位置的体素；根据得到的损失值，通过反向传播算法回传梯度至U-Net模型当中的每个参数，让每个参数更新自身的权重值；以上训练过程会一直重复，直至训练集中每张MRI图像的分割预测结果能和该MRI图像的金标准人工标注结果达到预定的契合度；完成训练后对新样例数据实现自动整体ROI区域分割。