一种基于序列学习的海马体分割方法技术

本发明专利技术涉及计算机视觉、深度学习领域，具体涉及一种基于序列学习的海马体分割方法。本发明专利技术步骤如下：步骤1，对原始图像集A进行了预处理；步骤2，搭建网络模型，本发明专利技术的海马体分割网络模型包括编码部分、双向卷积长短记忆网络和解码部分；步骤3，训练模型；对解剖平面图集D、E、F进行正向传播获得单次迭代结果，并计算损失函数通过反向传播的得到权重模型J、K、L。本发明专利技术利用基于深度学习网络的方法，实现对人脑核磁共振影像中海马体结构的高效自动化精准分割，在保证高分割精度的同时，运算速度也比较快。并且可扩展性强：除了用于海马体的检测，能将本发明专利技术中的网络进行重新训练，使其应用于其他器官或者组织的检测和分割。

Hippocampus Segmentation Based on Sequence Learning

The invention relates to the field of computer vision and deep learning, in particular to a hippocampal segmentation method based on sequence learning. The steps of the invention are as follows: step 1, the original image set A is preprocessed; step 2, the network model is constructed. The hippocampus segmentation network model of the invention includes the coding part, the bidirectional convolution long-short memory network and the decoding part; step 3, the training model; the forward propagation of the anatomical plane set D, E and F to obtain the single iteration result, and the loss function is calculated by reverse transmission. The weight models J, K and L are obtained by sowing. The method based on deep learning network realizes efficient automatic and accurate segmentation of hippocampal structure in human brain nuclear magnetic resonance image, and ensures high segmentation accuracy, while the operation speed is relatively fast. And it has strong expansibility: besides the detection of hippocampus, the network of the invention can be retrained to apply to the detection and segmentation of other organs or tissues.

【技术实现步骤摘要】
一种基于序列学习的海马体分割方法
本专利技术涉及计算机视觉、深度学习领域，具体涉及一种基于序列学习的海马体分割方法。
技术介绍
海马体是大脑神经系统的重要组成部分，海马的体积和功能的异常与很多精神疾病有紧密关系，例如：颞叶癫痫(TemporalLobeEpilepsy，TLE)、阿尔兹海默综合症(Alzheimer’sDisease，AD)、精神分裂(Schizophrenia)等。因此准确的分割海马体，可以辅之医师对相关精神疾病进行诊治，具有极大的医用价值。核磁共振图像能提供对比度丰富、分辨率高的三维脑组织信息，是研究海马体形态的重要数据。因此，在脑MRI图像中研究海马体的体积形态，实现三维海马体的精确分割也日渐成为了医学图像研究中的一个重要任务。传统的分割海马体的方法包括手动分割方法、半自动分割方法、传统自动分割方法，但是这些方法枯燥费时，在分割精确性和效率上都不是很理想。近年来，深度学习在人工智能特别是图像处理领域发展迅速。在图像的分类、检测、分割方面都有不错的研究成果，深度学习中的序列学习也得到了广泛的应用。
技术实现思路
本专利技术提供了一种基于序列学习的海马体分割方法，目的在本文档来自技高网...

【技术保护点】
1.一种基于序列学习的海马体分割方法，其特征在于，步骤如下：步骤1，对原始图像集A进行了预处理；所述的原始图像集A包含N组NIfTI格式的脑MRI海马体影像文件；1.1裁剪图像对N组图像中海马体的位置及区域进行统计，将原始图像集A中的影像文件裁剪成尺寸为表A的影像文件，得到图像集B；表A三种不同大小图像的裁剪区域

【技术特征摘要】
1.一种基于序列学习的海马体分割方法，其特征在于，步骤如下：步骤1，对原始图像集A进行了预处理；所述的原始图像集A包含N组NIfTI格式的脑MRI海马体影像文件；1.1裁剪图像对N组图像中海马体的位置及区域进行统计，将原始图像集A中的影像文件裁剪成尺寸为表A的影像文件，得到图像集B；表A三种不同大小图像的裁剪区域1.2数据规范化对图像集B进行数据规范化处理，使图像集B中的体素值的范围为[0，1]，得到规范化的图像集C；1.3数据序列化把图像集C按冠状面、矢状面和横断面三个方向分别进行序列化，生成三组不同视图下的解剖平面图集D、E、F，每组解剖平面图集中包含切片序列；步骤2，搭建海马体分割网络模型；海马体分割网络模型包括编码部分、BDC-LSTM和解码部分；首先将解剖平面图集D、E、F分别单独通过编码部分进行特征提取，然后将特征提取后的结果送到BDC-LSTM中进行训练，挖掘解剖平面图集中连续切片的空间序列关系，最后通过解码部分对BDC-LSTM操作后的结果进行上采样，从而实现端到端的分割，每次将一组解剖平面图集送到网络中进行训练；所述的编码部分是对三组不同视图下的解剖平面图集D、E、F中的切片进行特征提取；编码部分包括四组卷积网络和一个最大池化层；第一组为通道数为16的3*3的卷积层；第二组采用三种不同的卷积来提取多个尺度的信息，第一种是通道数为16的1*1的卷积，第二种是通道数为16的3*3的卷积，第三种是通道数为16的5*5的卷积；第三组是通道数为16的3*3的卷...

【专利技术属性】
技术研发人员：肖志勇，刘辰，
申请(专利权)人：安徽海浪智能技术有限公司，
类型：发明
国别省市：安徽,34