基于多通道可分离卷积神经网络的MR脑部图像分割方法技术

本发明专利技术属于图像分割技术领域，尤其涉及一种基于多通道可分离卷积神经网络的MR脑部图像分割方法，包括如下步骤：S1、获取原始MR脑部图像数据；S2、对获取的原始MR脑部图像数据进行预处理，并从经过预处理后的原始MR脑部图像数据中提取三维脑结构感兴趣像素点的邻域内的图像块数据；S3、将图像块数据输入MR脑部图像分割模型中进行图像分割，获得MR脑部图像的分割图像数据；其中，所述MR脑部图像分割模型为结合残差模块和深度可分离卷积模型的卷积神经网络模型。本发明专利技术提供的分割方法解决了现有技术中存在的训练费时费力和梯度消失的问题。

MR Brain Image Segmentation Based on Multi-Channel Separable Convolutional Neural Network

【技术实现步骤摘要】
基于多通道可分离卷积神经网络的MR脑部图像分割方法
本专利技术属于图像分割
，尤其涉及一种基于多通道可分离卷积神经网络的MR脑部图像分割方法。
技术介绍
大脑是人体的神经中枢，控制着人的思维和情感，包含很多复杂的解剖结构，其中深层脑结构包括海马体、壳核、尾状核等等，他们的结构变化与很多脑部疾病密切相关，脑结构的体积萎缩是很多脑疾病诊断和治疗评估中常用的生物标志物之一。磁共振成像可以对脑和神经系统等软组织进行高分辨率成像，是大脑结构分析的有效临床方法。脑磁共振成像(Magneticresonanceimage,MRI)的精确分割和定量分析，可用于脑组织和脑结构的体积测量，辅助医生对疾病进行判断及治疗。其次，还可以辅助医生进行后续的医疗、手术规划及治疗效果追踪等。然而，手动分割MR脑部图像的方法耗时耗力，大量的影像数据在给医生提供准确详细的信息以供诊断的同时，也增加了医生的任务量和视觉疲劳。因此对MR脑部图像进行自动/半自动的处理与分析，进而进行计算机辅助诊断显得尤为重要。近年来，MR脑部图像的自动分割受到越来越多的学者关注。迄今为止，国内外关于脑结构的分割算法研究大致可以分为以下几个方面：基于区域的方法：该类方法主要是通过区域标记，针对平行区域中生长的像素点进行细化，主要依赖属于同一区域的体素的不同性质的相似性。基于多图谱融合的方法：该类方法的主要思想是利用图谱原图和目标图像的相关性和图谱标签中的先验信息将加权投票的结果或者重构误差作为分类的依据，从而判断目标像素的类别。基于形变模型的方法：该方法的中心思想是根据脑结构的大小、形状、位置等先验信息，通过手动或自动生成的轮廓不断迭代变形得到最终的分割结果。其中脑结构分割软件FIRST使用的就是将主动外观模型AAM(Activeappearancemodel)置于贝叶斯框架内，进而寻找到最合适分割的分布模型的方法。最后一种方法，是近几年来研究最广泛的一种方法，基于学习的方法，也称为机器学习方法，其目标是在给定输入特征I的条件下来预测分割标签S。传统的机器学习分割MR脑部图像方法包括支持向量机(SupportVectorMachines,SVM)和AdaBoost算法等。随着计算机硬件的提升，基于深度学习的分割MR脑部图像的方法逐渐成为了机器学习中的主流。基于深度学习的医学图像分割最早的一次突破是在细胞膜分裂领域，Ciresan等人提出了不用手工提取特征，直接对中心图像块进行分类的卷积神经网络图像分割方法。之后，Kang等人提出了一种新的神经网络结构用于人群图像分割，这种结构被叫做全卷积神经网络(FCN)，可以直接分割整张图片，而不是选取有代表性的图像块进行分割，这种结构最大的优势就是可以实现图像端到端的分割。在Kang等人提出开创性的FCN网络结构后，出现了很多FCN的结构变体。针对FCN不能分辨细节信息的缺点，Ronneberger等人在FCN的基础上提出了U-net网络结构，作者参加了医学图像分割竞赛ISBI，并且获得了很不错的分割效果；Brosch等人提出了一种名为CEN的网络结构，用于分割脑部多发性硬化病变，之后他们又在此基础上进行了改进，结合了U-net和CEN网络的优点,提高了分割准确性。Mehta等人基于CNN框架提取了一种将不同尺度的图像块进行融合的方式分割MR脑部图像。将三维脑结构轴状，冠状，矢状图和三维图像块进行结合，将全局特征和局部特征相结合，能够更有效的进行分割MR脑部图像。Chen等人在传统残差网络的基础上进行改进，提出了VoxResNet的网络结构，利用条件随机场(CRF)进行似然概率的优化，能够有效的分割脑部肿瘤部分。Mehta等人提出了M-net网络，使用2D卷积对3D的数据进行处理，使得算法较其他深度学习的算法更快，同时准确性也有所提升。一般情况下，都是使用灰度值作为神经网络的输入基本特征，随着网络层数的增加，可以提取到深层次的特征，以便于判别模型的分类，但是如此一来也忽略了一些浅层的原始特征，对于一些细节就无法有效的分割，而且过多的层数存在着参数量过大，训练费时费力和梯度消失的问题，但层数过少，浅层的特征也无法很好的实现分割任务。
技术实现思路
(一)要解决的技术问题针对现有的技术问题，本专利技术提供一种基于多通道融合可分离卷积神经网络的MR脑部图像分割方法，解决了现有技术中存在的训练费时费力和梯度消失的问题。(二)技术方案为了达到上述目的，本专利技术采用的主要技术方案包括：一种基于多通道可分离卷积神经网络的MR脑部图像分割方法，包括如下步骤：S1、获取原始MR脑部图像数据；S2、对获取的原始MR脑部图像数据进行预处理，并从经过预处理后的原始MR脑部图像数据中提取三维脑结构周围的感兴趣的素点邻域内的图像块数据；S3、将图像块数据输入MR脑部图像分割模型中进行图像分割，获得MR脑部图像的分割图像数据；其中，所述MR脑部图像分割模型为结合残差模块和深度可分离卷积模型建立的卷积神经网络模型。优选地，所述卷积神经网络为多通道融合卷积神经网络模型。优选地，所述MR脑部图像分割模块包括四个阶段，每一个阶段都由一个深度可分离卷积结构和一个深度可分离残差模块以及BN/Relu层构成；其中，深度可分离残差模块中的每一个卷积层均为深度可分离卷积结构。优选地，所述深度可分离卷积结构包括第一卷积层、第二卷积层和第三卷积层；所述第一卷积层的大小为1×1×1×N/m；所述第二卷积层的大小为3×3×3×N/m；所述第三卷积层的大小为1×1×1×N；其中，N为所述第三卷积层输出的通道个数，m为大于1的常数。一般情况下设置为4。优选地，所述m设置为4。优选地，所述深度可分离残差模块包括第四卷积层和第五卷积层；所述第四卷积层和所述第五卷积层的卷积核大小均为3×3×3；四个阶段的输出特征通道数依次分别为64、128、256和512。优选地，所述卷积神经网络结合残差模块后的梯度函数为：其中，F(xl,Wl)为卷积映射。(三)有益效果本专利技术的有益效果是：本专利技术提供的一种基于多通道可分离卷积神经网络的MR脑部图像分割方法，将残差模块(Residualmodule)引入卷积神经网络，解决了梯度弥散的问题，相比传统的卷积神经网络，其复杂度降低，加深网络的同时，也不会出现梯度弥散的问题，弥补了信息传递中信息丢失的不足。同时使用深度可分离卷积代替原始的卷积层，减少网络训练时的参数量、降低运算复杂度。附图说明图1为本专利技术提供的一种基于多通道融合可分离卷积神经网络的MR脑部图像分割方法的实施例中的流程示意图；图2为本专利技术提供的一种基于多通道融合可分离卷积神经网络的MR脑部图像分割方法的实施例中的深度可分离卷积结构示意图；图3为本专利技术提供的一种基于多通道融合可分离卷积神经网络的MR脑部图像分割方法的实施例中的通道混洗示意图；图4为本专利技术提供的一种基于多通道融合可分离卷积神经网络的MR脑部图像分割方法的实施例中的基于多通道融合卷积神经网络的脑部MR图像分割模型示意图；图5为本专利技术提供的一种基于多通道融合可分离卷积神经网络的MR脑部图像分割方法的实施例中的不同数据集脑结构分割结果示意图。具体实施方式为了更好的解释本专利技术，以便于理解，下面结合附图，通过具体实施方式，对本专利技术作详细描本文档来自技高网...

【技术保护点】
1.一种基于多通道可分离卷积神经网络的MR脑部图像分割方法，其特征在于，包括如下步骤：S1、获取原始MR脑部图像数据；S2、对获取的原始MR脑部图像数据进行预处理，并从经过预处理后的原始MR脑部图像数据中提取三维脑结构感兴趣像素点邻域内的图像块数据；S3、将图像块数据输入MR脑部图像分割模型中进行图像分割，获得MR脑部图像的分割图像数据；其中，所述MR脑部图像分割模型为结合残差模块和深度可分离卷积模型的卷积神经网络模型。

【技术特征摘要】
1.一种基于多通道可分离卷积神经网络的MR脑部图像分割方法，其特征在于，包括如下步骤：S1、获取原始MR脑部图像数据；S2、对获取的原始MR脑部图像数据进行预处理，并从经过预处理后的原始MR脑部图像数据中提取三维脑结构感兴趣像素点邻域内的图像块数据；S3、将图像块数据输入MR脑部图像分割模型中进行图像分割，获得MR脑部图像的分割图像数据；其中，所述MR脑部图像分割模型为结合残差模块和深度可分离卷积模型的卷积神经网络模型。2.根据权利要求1所述的分割方法，其特征在于，所述卷积神经网络为多通道融合卷积神经网络模型。3.根据权利要求2所述的分割方法，其特征在于，所述MR脑部图像分割模块包括四个阶段，每一个阶段都由一个深度可分离卷积结构和一个深度可分离残差模块以及BN/Relu层构成；其中，深度可分离残差模块中的每一个...

【专利技术属性】
技术研发人员：魏颖，郭彤宇，王博，刘悦，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21