The embodiment of the present invention provides a hippocampal body segmentation method, device and electronic device applied to MRI. The method includes: acquiring three-dimensional images of MRI; constructing target images with preset size and containing sensitive areas of the three-dimensional images of MRI; inputting the target images into at least two pre-trained interactive neural networks to obtain the pre-segmentation results of the output of each interactive neural network; and according to the pre-determined weights of each interactive neural network, The pre-segmentation result of the output of the interactive neural network is used to determine the segmentation result of the three-dimensional image of the MRI. The embodiment of the present invention can improve the efficiency of hippocampal body segmentation.
【技术实现步骤摘要】
一种应用于MRI的海马体分割方法、装置及电子设备
本专利技术涉及医学影像处理领域，特别是涉及一种应用于MRI的海马体分割方法、装置及电子设备。
技术介绍
海马体是人类大脑神经系统的重要组成部分，主要负责记忆和学习，日常生活中的短期记忆都存储在海马体中，因而海马体在人类的记忆和方向感上起着至关重要的作用。海马体体积和形态的变化与许多神经系统疾病有关，目前，海马体的体积萎缩或形态变化已被证明是轻度认知障碍和阿尔兹海默症的显著特征，因此，对海马体进行形态学分析在临床上具有重要的意义。磁共振成像(MagneticResonanceImaging，MRI)由于其具有非侵入性、高分辨率及明显的软组织对比等特性，在医学成像技术中占据着重要的地位。基于脑部MRI对海马体进行形态学分析时，通常需要将脑部MRI中的海马体分割出来。然而，由于海马体形状不规则，边缘模糊，难以与周围的组织区分开，所以在脑部MRI中对海马体进行分割是图像分割研究领域的难点。现有的海马体分割方法主要有：手动分割法和图谱配准分割法。其中，手动分割法是由医生基于经验对脑部MRI中的海马体进行分割，然而手动分割法耗时长、效率低且主观性强，难以在准确率和耗时之间取得较好的平衡。图谱配准分割法基于单一或多个图谱与目标图像进行匹配，得到针对目标图像的分割结果，然而图谱配准方法需要大量的先验知识，同样难以在准确率和耗时之间取得较好的平衡。
技术实现思路
本专利技术实施例的目的在于提供一种应用于MRI的海马体分割方法、装置及电子设备，以提高对海马体分割的效率。为达到上述目的，第一方面，本专利技术实施提供了一种应用于MRI...
【技术保护点】
1.一种应用于磁共振影像MRI的海马体分割方法，其特征在于，包括：获取MRI三维影像；构建大小为预设尺寸，且包含所述MRI三维影像的敏感区域的目标图像；其中，所述敏感区域为海马体所在区域；将所述目标图像分别输入预先训练得到的至少两个交互神经网络中，得到各所述交互神经网络输出的预分割结果；其中，各所述交互神经网络是根据各样本MRI三维影像，以及所述各样本MRI三维影像对应的标准分割影像，并分别基于预设的各所述交互神经网络对应的目标函数训练得到的；根据预先确定的各所述交互神经网络的权重，以及各所述交互神经网络输出的预分割结果，确定所述MRI三维影像的分割结果；其中，各所述交互神经网络的权重之和等于1。
【技术特征摘要】
1.一种应用于磁共振影像MRI的海马体分割方法，其特征在于，包括：获取MRI三维影像；构建大小为预设尺寸，且包含所述MRI三维影像的敏感区域的目标图像；其中，所述敏感区域为海马体所在区域；将所述目标图像分别输入预先训练得到的至少两个交互神经网络中，得到各所述交互神经网络输出的预分割结果；其中，各所述交互神经网络是根据各样本MRI三维影像，以及所述各样本MRI三维影像对应的标准分割影像，并分别基于预设的各所述交互神经网络对应的目标函数训练得到的；根据预先确定的各所述交互神经网络的权重，以及各所述交互神经网络输出的预分割结果，确定所述MRI三维影像的分割结果；其中，各所述交互神经网络的权重之和等于1。2.根据权利要求1所述的方法，其特征在于，各所述交互神经网络的训练过程包括：构建初始交互神经网络；其中，所述初始交互神经网络对应的网络架构包括上通路、下通路和全卷积层，所述上通路由相互交替的采样模块和交互模块构成，所述下通路由相互交替的上采样模块和交互模块构成；获取各样本MRI三维影像，以及所述各样本MRI三维影像对应的标准分割影像；分别从所述各样本MRI三维影像和所述标准分割影像中裁剪出大小为所述预设尺寸的、包含海马体所在区域的样本图像和标准图像；将所述样本图像作为所述初始交互神经网络的输入，以所述标准图像为标签，分别基于各所述交互神经网络对应的目标函数，训练得到各交互神经网络。3.根据权利要求2所述的方法，其特征在于，所述将所述样本图像作为所述初始交互神经网络的输入，以所述标准图像为标签，分别基于各所述交互神经网络对应的目标函数，训练得到各交互神经网络，包括：将所述样本图像作为所述初始交互神经网络中上通路的第一层的输入；从所述上通路的第一层到最后一层，由所述采样模块对每层的输入进行采样处理，得到每层的采样输出结果；由所述交互模块对每层的采样输出结果进行交互处理，得到每层的交互输出结果；将所述上通路的最后一层的交互输出结果，作为所述初始交互神经网络中下通路的第一层的输入；从所述下通路的第一层到最后一层，由所述上采样模块对每层的输入进行上采样处理，得到每层的上采样输出结果；由所述交互模块对每层的上采样输出结果进行交互处理，得到每层的交互输出结果；由所述全卷积层对所述下通路的最后一层的交互输出结果进行全卷积处理，得到所述初始交互网络的全卷积处理结果：将所述全卷积处理结果作为针对所述各样本MRI三维影像的当前分割结果；其中，所述当前分割结果表示：所述样本图像中每个体素是海马体的概率；根据所述当前分割结果和所述标准图像对应的标准分割结果，计算各所述交互神经网络对应的目标函数的值；其中，所述标准分割结果表示：所述标准图像中每个体素是海马体的概率；当各所述交互神经网络对应的目标函数的值优化到接近各自的最小值时，将当前各交互神经网络确定为训练好的各交互神经网络；其中，所述交互模块通过以下公式对每层的采样/上采样输出结果进行交互处理：其中，l表示所述初始交互神经网络的当前层，表示第l层第j个信道的特征，max(·)表示所述交互模块所采用的激活函数，表示连接第l-1层第i个信道和第l层第j个信道的卷积核，表示第l-1层第i个信道的特征，表示表示所述交互模块中连接第l-1层和第l层的偏置，表示所述交互模块中连接第l-1层和第l层的偏置，表示第l-2层第i个信道的特征。4.根据权利要求3所述的方法，其特征在于，所述至少两个交互神经网络包括三个交互神经网络，其中，第一交互神经网络对应的目标函数为概率相似目标函数PSF，其表达式为：其中，EPSF为概率相似目标函数，p为所述当前分割结果，g为所述标准分割结果，x表示所述样本图像中的全部体素；第二交互神经网络对应的目标函数为交叉熵目标函数CEF，其表达式为：其中，ECEF为交叉熵目标函数，n表示所述样本MRI三维影像的个数；第三交互神经网络对应的目标函数为泊松分布目标函数PDF，其表达式为：其中，EPDF为泊松分布目标函数。5.根据权利要求1所述的方法，其特征在于，各所述交互神经网络的权重的确定过程，包括：基于网格搜索法，构建搜索网络；其中，所述搜索网格包含多组权重组合，每组权重组合对应不同的各所述交互神经网络的候选权重；遍历所述搜索网格中的所有组权重组合，计算所述每组权重组合对应的概率化融合分割结果，将概率化融合分割结果最大的权重组合对应的各所述交互神经网络的候选权重作为各所述交互神经网络的权重；其中，第k组权重组合对应的概率化融合分割结果通过以下公式计算：其中，I表示所述各样本MRI三维影像，表示根据第k组权重组合以及训练好的各交互神经网络确定的针对所述I的融合分割结果，表示第k组权重组合对应的第m交互神经网络的候选权重，表示根据训练好的第m交互神经网络确定的针对所述I的概率化分割结果，表示根据训练好的第m交互神经网...
【专利技术属性】
技术研发人员：侯蓓蓓，刘奎，康桂霞，张宁波，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。