一种用于磁共振脑组织精确分割的数据感知方法技术

本申请属于医学影像处理技术领域，特别是涉及一种用于磁共振脑组织精确分割的数据感知方法。现有的基于深度学习的MR图像分割方法，在不同的数据集上表现差异性很大，并且同样的数据集，不同的方法表现不一样。本申请提供一种用于磁共振脑组织精确分割的数据感知方法，所述方法包括如下步骤：对脑部磁共振影像进行预处理，去除头骨并进行偏移场校正，得到脑实质，并将图像灰度值归一化到[0,1]；计算图像的直方图分布，将直方图分成不同深度学习模型各自擅长分割的数据类别；将分好类的图像送入对该类图像敏感的深度学习模型分割。在不需要增加训练数据、不需要改进网络，只利用现有的模型的基础上，提高了分割精度。

A Data Perception Method for Precise Segmentation of Brain Tissues in Magnetic Resonance Imaging

The present application belongs to the field of medical image processing technology, in particular to a data sensing method for precise segmentation of brain tissue by magnetic resonance. The existing MR image segmentation methods based on depth learning have different performance on different data sets, and the same data sets have different performance on different methods. This application provides a data sensing method for precise segmentation of brain tissue by magnetic resonance. The method includes the following steps: preprocessing brain magnetic resonance images, removing skull and correcting migration field, obtaining brain parenchyma, normalizing image gray value to [0,1]; calculating image histogram distribution, dividing histogram into different depth learning models, each good at segmentation. The classified images are fed into the depth learning model which is sensitive to the classified images. The segmentation accuracy is improved on the basis of existing models without adding training data and improving network.

【技术实现步骤摘要】
一种用于磁共振脑组织精确分割的数据感知方法
本申请属于医学影像处理
，特别是涉及一种用于磁共振脑组织精确分割的数据感知方法。
技术介绍
中枢神经系统退行性疾病是指一组由慢性进行性的中枢神经组织退行性变性而产生的疾病的总称。病理上可见脑和(或)脊髓发生神经元退行变性、丢失。神经退行性疾按表型分为两组：一类影响运动，如小脑性共济失调；一类影响记忆以及相关的痴呆症。主要疾病包括帕金森病(Parkinson’sdisease,PD)、阿尔茨海默病(Alzheimer’sdisease,AD)、亨廷顿病(Huntingtondisease，HD)、肌萎缩侧索硬化症(amyotrophiclateralsclerosis，ALS)等。不管是中枢神经系统退行性疾病还是癫痫，都与脑部组织的形态变化有关，大脑组织的精准分割作为脑的体积研究和定量分析的第一步，对脑部疾病尤其是神经退行性疾病的诊断、治疗以及后续很多神经疾病的发现具有重大意义。MRI由于其无创、无放射性、可自由选择剖面、较高的信噪比、对密度差较小的软组织具有较高分辨力等特点，可以更清晰更安全地展示大脑的结构，从而为脑部疾病的病理诊断提供更多信息，已经成为脑部疾病检查的常用方法。现在的医疗机构，医生获取患者的MRI图像后，往往是根据经验判断患者的大脑是否萎缩，在分割MRI脑组织时，需要对每层切片进行勾画，这不仅耗时长，而且耗费人力，同时，容易产生疲劳误差。另一方面，在偏远地区和医疗资源不够丰富的医院，缺少有经验的医生，分割MRI图像成为了一个难点。传统的MR脑组织分割算法，利用人工设计的特征，再利用分类器对提取到的特征进行分类。但是MR脑图像灰度变化较大且不同类之间的灰度值差别不大，这种图像特点导致了提取特征较为复杂，人工难以设计得到满意的特征。现有的基于深度学习的MR图像分割方法，在不同的数据集上表现差异性很大，并且同样的数据集，不同的方法表现不一样。
技术实现思路
1.要解决的技术问题基于解决传统的MR脑组织分割算法，利用人工设计的特征，再利用分类器对提取到的特征进行分类。但是MR脑图像灰度变化较大且不同类之间的灰度值差别不大，这种图像特点导致了提取特征较为复杂，人工难以设计得到满意的特征。现有的基于深度学习的MR图像分割方法，在不同的数据集上表现差异性很大，并且同样的数据集，不同的方法表现不一样的问题，本申请提供了一种用于磁共振脑组织精确分割的数据感知方法。2.技术方案为了达到上述的目的，本申请提供了一种用于磁共振脑组织精确分割的数据感知方法，所述方法包括如下步骤：步骤1:对脑部磁共振影像进行预处理，去除头骨并进行偏移场校正，得到脑实质，并将图像灰度值归一化到[0,1]；步骤2:计算图像的直方图分布，将直方图分成不同深度学习模型各自擅长分割的数据类别；步骤3:将步骤2中分好类的图像送入对该类图像敏感的深度学习模型分割。可选地，所述步骤1中，所述偏移场校正采用N4ITK方法，所述去除头骨采用BET方法。可选地，所述步骤2中，所述计算图像的直方图分布包括可视化图像的直方图分布，画出包络线，判断峰的个数，计算两个峰的相对高度和距离。可选地，所述步骤2中直方图的分类依据包括：yn≥0.8*yn-1,(2)xn≤0.8*xN,(3)其中，(xn,yn)为峰值点Pn的坐标，n为峰的个数，(0，xN)为横坐标的范围。可选地，所述步骤3中所述的深度学习模型包括VoxResNet和ModifiedU-Net。3.有益效果与现有技术相比，本申请提供的用于磁共振脑组织精确分割的数据感知方法的有益效果在于：本申请提供的用于磁共振脑组织精确分割的数据感知方法，通过对脑部磁共振影像进行预处理，计算图像的直方图分布，将直方图分成不同深度学习模型各自擅长分割的数据类别；将分好类的图像送入对该类图像敏感的深度学习模型分割；在不需要增加训练数据、不需要改进网络，只利用现有的模型的基础上，提高了分割精度。附图说明图1为本申请用于磁共振脑组织精确分割的数据感知方法的流程图；图2为本申请中步骤1的流程示意图；图3为本申请中步骤2的流程示意图；图4为VoxResNet网络结构图；图5为ModifiedU-Net网络结构图；图6为本申请的结果示意图。具体实施方式在下文中，将参考附图对本申请的具体实施例进行详细地描述，依照这些详细的描述，所属领域技术人员能够清楚地理解本申请，并能够实施本申请。在不违背本申请原理的情况下，各个不同的实施例中的特征可以进行组合以获得新的实施方式，或者替代某些实施例中的某些特征，获得其它优选的实施实施方式。国际老年痴呆协会发布的数据显示：2013年，全球老年痴呆人数为4400万，其中50％-75％为阿尔茨海默病患者。2015年，全球新增990万名痴呆患者，平均每3秒新增1人。在全球范围内，2015年护理老年痴呆产生的总费用预计为8180亿美元，与2010年相比，增加了2140亿美元。据评估，在未来20年AD患者将达到目前的双倍，至2050年将有约11540万人患该病。AD是在癌症和心脏病之后的第3位花费最大的疾病，在老年人中，AD是继心脏病、肿瘤、脑猝死后的第四位死亡原因。另外一种常见的神经系统疾病是癫痫，以癫痫抽搐发作为特征。这些抽搐发作形式很多，有些可以是非常短暂且几乎无法察觉，也可以是长时间的剧烈抽动。癫痫的抽搐往往反复发作而并无直接起因，由特殊原因引起的抽搐则不被认为是癫痫。全世界约有1％的人口(六千五百万人)患有癫痫，近80％的病例都发生在发展中国家。癫痫发病率随年龄增长而增高。计算机辅助诊断技术(CAD)是通过计算机帮助医生对病人进行诊断，从而为医生减轻负担，同时提高诊断效率与准确率。这种技术已经应用于多种医学诊断问题中，急需一种自动分割方法来辅助医生，同时提供接近专家分割标准的高精度。随着深度学习算法在计算机视觉领域的盛行，越来越多的人开始尝试使用卷积神经网络对图像进行分类、检测与分割，其在自然图像领域取得了令人震惊的效果，在相同问题下其准确率远远超过了最好的手工设计特征。大数据与人工智能等前沿技术在医疗领域应用也已经成为一种趋势，将大数据驱动的人工智能应用于脑部MR图像分割中，不仅可以挽救无数患者的生命，对于缓解医疗资源和医患矛盾也有重大意义。参见图1～6，本申请提供一种用于磁共振脑组织精确分割的数据感知方法，所述方法包括如下步骤：步骤1:对脑部磁共振影像进行预处理，去除头骨并进行偏移场校正，得到脑实质，并将图像灰度值归一化到[0,1]；步骤2:计算图像的直方图分布，将直方图分成不同深度学习模型各自擅长分割的数据类别；通过计算每个影像的直方图分布，能够很好地将不同特征的图像分开，以便送入不同的深度学习模型。步骤3:将步骤2中分好类的图像送入对该类图像敏感的深度学习模型分割。可选地，所述步骤1中，所述偏移场校正采用N4ITK方法，所述去除头骨采用BET方法。可选地，所述步骤2中，所述计算图像的直方图分布包括可视化图像的直方图分布，画出包络线，判断峰的个数，计算两个峰的相对高度和距离。可选地，所述步骤2中直方图的分类依据包括：yn≥0.8*yn-1,(2)xn≤0.8*xN,(3)其中，(xn,yn)为峰值点Pn的坐标，n为峰的个数，(0，xN)本文档来自技高网...

【技术保护点】
1.一种用于磁共振脑组织精确分割的数据感知方法，其特征在于：所述方法包括如下步骤：步骤1:对脑部磁共振影像进行预处理，去除头骨并进行偏移场校正，得到脑实质，并将图像灰度值归一化到[0,1]；步骤2:计算图像的直方图分布，将直方图分成不同深度学习模型各自擅长分割的数据类别；步骤3:将步骤2中分好类的图像送入对该类图像敏感的深度学习模型分割。

【技术特征摘要】
1.一种用于磁共振脑组织精确分割的数据感知方法，其特征在于：所述方法包括如下步骤：步骤1:对脑部磁共振影像进行预处理，去除头骨并进行偏移场校正，得到脑实质，并将图像灰度值归一化到[0,1]；步骤2:计算图像的直方图分布，将直方图分成不同深度学习模型各自擅长分割的数据类别；步骤3:将步骤2中分好类的图像送入对该类图像敏感的深度学习模型分割。2.如权利要求1所述的方法，其特征在于：所述步骤1中，所述偏移场校正采用N4ITK方法，所述去除头骨采用BET方法。3.如权利要求1所...

【专利技术属性】
技术研发人员：袁克虹，邓阳，朱永佩，张硕，
申请(专利权)人：清华大学深圳研究生院，
类型：发明
国别省市：广东,44