[发明专利]一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法

摘要

本发明中提出的一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法，其主要内容包括：跳跃连接的多流三维完全卷积网络(FCN)、部分转移学习、训练、测试和评估，其过程为，先从多模态磁共振图像中学习每个脑组织的概率图，然后从概率图中获得不同脑组织的初始分割，用于计算每个脑组织的距离图，接着根据距离图模拟空间上下文信息，最后通过使用空间关联信息和多模式磁共振图像来实现最终的分割，其中训练过程主要包括增加训练数据、准备训练补丁和迭代训练，进行测试后用各种检测值进行评估。本发明的分割方法成功分割了白质、灰质和脑脊液的区域，缓解多级深度监督潜在的梯度消失问题，提高了训练效率，也大大增强了分割的性能。 1

主权项

1.一种基于完全卷积网络的婴幼儿脑部磁共振图像分割方法，其特征在于，主要包括跳跃连接的多流三维完全卷积网络(FCN)(一)；部分转移学习(二)；训练(三)；测试和评估(四)。

2.基于权利要求书1所述的婴幼儿脑部磁共振图像分割方法，其特征在于，它是一种基于多尺度深度监督的多流三维完全卷积网络(FCN)的婴幼儿脑部多模式磁共振(MR)图像的自动分割方法，包括两个阶段；首先开发用于第一阶段的FCN‑1，以从多模态MR图像中学习每个脑组织的概率图；然后从概率图中获得不同脑组织的初始分割，进一步可用于计算每个脑组织的距离图；计算出的距离图可以用来模拟空间上下文信息；接着开发第二阶段使用的FCN‑2，通过使用空间关联信息和多模式MR图像来实现最终的分割。

3.基于权利要求书1所述的跳跃连接的多流三维完全卷积网络(FCN)(一)，其特征在于，在两个阶段中采用具有长跳跃连接和短跳跃连接的多流三维FCN来集成来自多个源的信息，即T1和T2加权图像(以及FCN‑2的上下文信息)；更具体地说，FCN‑1和FCN‑2都由编码器部分(收缩路径)和解码器部分(膨胀路径)两部分组成；编码器部分侧重于从输入数据的分析和特征表示中学习，而解码器部分根据来自编码器部分的学习特征生成分割结果；

在多尺度深度监督网络中，所有卷积层的内核大小为3×3×3，步长为1，所有的最大汇聚层的内核大小都为2×2×2，步长为2；在卷积和解卷积块中，运用批量归一化(BN)和修正线性单元(ReLU)来加速训练，并提高梯度反向传播。

4.基于权利要求书3所述的多尺度深度监督网络，其特征在于，设W为主网的权重，w＝{w⁰,w¹,…,w^M‑1}是不同尺度下分类器的权重，其中，M是分类器分支的数量；对于训练样本S＝(X,Y)，其中，X表示训练子体积补丁，Y表示当Y∈{0,1,2,3}时的类别标签；

其中，S＝{S⁰,S¹,…,S^M‑1}，S⁰是从训练图像直接采样的子体积补丁，而S^m包含m>0的范例(x_i,y_i)，其沿着每个维度，由2^m的一个因子下采样S⁰获得；w^m是m的分类器的权重；α_m是l^m的权重，即训练样本x_i,y_i在m的尺度上计算的损失；

l^m(x_i,y_i|W,w^m)＝‑logp(y_i＝t(x_i)|x_i；(W,w^m))   (2)

其中，p(y_i＝t(x_i)|x_i；(W,w^m))是与样本x_i∈S^m对应的预测类标签t(x_i)的概率；

因此，多尺度深度监督模型的总损失为：

其中，ψ(·)是超参数λ的正则化项。

5.基于权利要求书1所述的部分转移学习(二)，其特征在于，深层神经网络中浅层的权重是通用的，而深层的权重则更多地与特定任务相关；为了更好地利用转移学习的优势，需要从一个相关任务的训练模型转移；使用一个预先训练的模型，该模型是为了从三维T1加权MR图像分割股骨近端而设计的；更具体地说，T1模式(包括编码器、解码器和所有分类器)的完整路径的权重是从原有模型的基础上初始化的，而T2模态的编码器路径的权重部分是从C3D模型转移的，这是在计算机视觉领域的一个非常大的数据集上训练过的为数不多的三维模型之一。

6.基于权利要求书1所述的训练(三)，其特征在于，训练数据由10个受试者的T1(自旋‑点阵或纵向驰豫时间)和T2(自旋‑自旋或横向弛豫时间)加权MR图像组成；还包括另外13名患者的T1和T2加权图像的测试数据；因此，首先对训练数据进行训练，然后对测试数据进行评估；

对所有图像进行预处理，包括T2图像在相应T2图像上的线性对齐、去除颅骨、校正强度不均匀性以及去除小脑和脑干部分；所有的图像被上采样成分辨率为1×1×1mm³的各向同性网格；

训练过程主要包括增加训练数据、准备训练补丁和迭代训练。

7.基于权利要求书6所述的增加训练数据，其特征在于，数据增加通过围绕图像的z轴，分别以90°、180°和270°旋转每个图像度水平翻转(y轴)来增加训练样本。

8.基于权利要求书6所述的准备训练补丁，其特征在于，神经网络的所有子体积修补程序的大小是64×64×64；从训练样本中随机剪取子体积的补丁；每个采样的图像块在馈入网络之前被归一化为零均值和单位方差。

9.基于权利要求书6所述的迭代训练，其特征在于，在部分转移学习之后，对网络进行10000次迭代训练；所有权重通过随机梯度下降算法更新(动量为0.9，权重衰减为0.005)；学习率初始为1×10^‑3，每3000次则减半；实验中使用了三个分支分类器，三个分类器的损失权重分别为1.0、0.67和0.33；超参数λ为0.005。

10.基于权利要求书1所述的测试和评估(四)，其特征在于，训练模型可以估计任意大小的体积图像的标签；给定测试对象的图像，提取大小为64×64×64的重叠子体积补丁，并将其馈送到训练网络以获得预测概率图；对于重叠的体素，最终的概率图为重叠补丁的概率图的平均值，然后将其用于导出最终的分割结果；

对于每个测试对象，通过使用包括戴斯重叠系数(DOC)、平均表面距离(ASD)和改进的豪斯道夫距离(MHD)等各种检测值，针对相关的手动分割来评估自动分割。