一种基于Unet模型的脑白质高信号自动分割系统及其方法技术方案

本发明专利技术公开了一种基于Unet模型的脑白质高信号自动分割系统及其方法，该系统包括：MRI影像预处理模块，用于对输入的MRI影像数据进行归一化操作，去除噪声干扰；颅骨去除模块，用于利用颅骨去除算法实现图像中颅骨的去除，以去除非脑组织部分，进一步去除噪声干扰；WMH分割模块，用于读取经颅骨去除模块处理后的MRI影像数据，并将所述MRI影像数据转换为影像信息数据传送到神经网络模型中进行分割结果预测，以及输出精确的分割结果。采用本发明专利技术，在对图像进行自动化处理过程中应用深度学习算法，能够实现自动分割WMH区域，从而量化、高效的区分磁共振成像的脑白质高信号病灶，达到减少医生的工作量，方便后续的诊断和研究的目的。

An Automatic White Matter High Signal Segmentation System Based on Unet Model and Its Method

The invention discloses an automatic white matter high signal segmentation system based on Unet model and its method. The system includes: an MRI image preprocessing module for normalizing input MRI image data and removing noise interference; and a skull removal module for removing skull in an image using a skull removal algorithm to remove non-brain tissue parts and further remove noise. Sound interference; WMH segmentation module, used to read the MRI image data processed by skull removal module, and convert the MRI image data into image information data, which is transmitted to the neural network model for prediction of segmentation results and output accurate segmentation results. By adopting the present invention and applying the depth learning algorithm in the process of automatic image processing, the WMH region can be automatically segmented to quantify and efficiently distinguish white matter high signal lesions in magnetic resonance imaging, thus reducing the workload of doctors and facilitating subsequent diagnosis and research.

【技术实现步骤摘要】
一种基于Unet模型的脑白质高信号自动分割系统及其方法
本专利技术涉及医学影像和磁共振影像(MRI)图像处理技术，尤其涉及一种基于Unet模型的脑白质高信号(WhiteMatterHyperintensities,WMH)自动分割系统及其方法。
技术介绍
Unet，即统一网络(UnityNetworking)，是一种网络通信解决方案。所述Unet模型是运用Unet技术搭建的一种图像分割网络。大脑是由上百亿个神经元组成的，而神经元又是由细胞体和神经纤维组成的，细胞体中有细胞核(颜色深)，神经纤维中有细胞质(颜色浅)。在大脑中细胞体聚集在大脑表层，由于看起来颜色深，被称为脑灰质；而神经纤维聚集在大脑内部，看起来颜色浅，因而被称为脑白质。脑白质高信号(WMH)则是在磁共振T2加权像(T2-weighted)或者T2液体衰减反转恢复序列(Fluid-attenuatedInversionRecovery，FLAIR)上，双侧侧脑室周围或皮质下白质多发的点状、斑片状或融合性高信号。WMH常见于老年人群体和患有小血管疾病或者其他神经系统疾病的患者大脑中。因此，准确分割和量化WMH体积、位置和形状本文档来自技高网...

【技术保护点】
1.一种基于Unet模型的脑白质高信号自动分割系统，其特征在于，包括顺次连接的磁共振影像MRI影像预处理模块、颅骨去除模块和脑白质高信号WMH分割模块；其中，MRI影像预处理模块，用于对输入的MRI影像数据进行归一化操作，去除噪声干扰；颅骨去除模块，用于利用颅骨去除算法实现图像中颅骨的去除，以去除非脑组织部分，进一步去除噪声干扰；WMH分割模块，用于读取经颅骨去除模块处理后的MRI影像数据，并将所述MRI影像数据转换为影像信息数据传送到神经网络模型中进行分割结果预测，以及输出精确的分割结果。

【技术特征摘要】
1.一种基于Unet模型的脑白质高信号自动分割系统，其特征在于，包括顺次连接的磁共振影像MRI影像预处理模块、颅骨去除模块和脑白质高信号WMH分割模块；其中，MRI影像预处理模块，用于对输入的MRI影像数据进行归一化操作，去除噪声干扰；颅骨去除模块，用于利用颅骨去除算法实现图像中颅骨的去除，以去除非脑组织部分，进一步去除噪声干扰；WMH分割模块，用于读取经颅骨去除模块处理后的MRI影像数据，并将所述MRI影像数据转换为影像信息数据传送到神经网络模型中进行分割结果预测，以及输出精确的分割结果。2.根据权利要求1所述基于Unet模型的脑白质高信号自动分割系统，其特征在于，所述WMH分割模块之后还包括量表统计模块，用于根据WMH分割模块传送过来的分割结果和对应原始FLAIR和T1影像数据，通过所述量表统计模块使用分割结果找到FLAIR和T1影像的相应坐标位置，并计算WMH在每个脑分区的面积或/和体积，以此根据量表统计WMH的严重程度。3.根据权利要求2所述基于Unet模型的脑白质高信号自动分割系统，其特征在于，所述量表统计模块，还用于根据所述分割结果对其进行相应的评分，生成相应的视觉量表。4.根据权利要求2或3所述基于Unet模型的脑白质高信号自动分割系统，其特征在于，所述量表统计模块为Fazekas量表统计模块、Scheltens量表统计模块、Ylikoski量表统计模块、Manolio量表统计模块、ARWMC量表统计模块中的一种或多种。5.根据权利要求1所述基于Unet模型的脑白质高信号自动分割系统，其特征在于，所述WMH分割模块包括训练阶段TS子模块和推断阶段IS子模块；其中，TS子模块，用于支持将训练阶段的训练数据增加标注数据，通过数据增强处理得到完整的训练数据以用来训练WMH分割模型；IS子模块，用于直接将需要分割的MRI影像数据输入残差模块中进行处理。6.根据...

【专利技术属性】
技术研发人员：廖攀，李海，徐明泽，
申请(专利权)人：北京慧脑云计算有限公司，
类型：发明
国别省市：北京,11