【技术实现步骤摘要】
一种解剖结构先验引导的大脑感兴趣区域快速分割方法及系统
本专利技术涉及一种解剖结构先验引导的大脑感兴趣区域快速分割方法及系统，属于医学图像分析
技术介绍
近年来，深度学习方法在医学图像分割和计算机辅助诊断中取得巨大的成功。特别是一些基于端到端网络结构的方法，常被用于自动分割图像。端到端网络通常包含两部分：(1)编码部分和(2)解码部分。具体来说，编码部分用于提取输入图像的高级纹理特征，而解码部分通过上采样方法将图像的高级纹理特征转换成稠密的标签集合，用于预测待分割图像的标签。在早期的端到端网络结构中，全连接层用于将高维度特征转换为1维特征向量。由于全连接层的参数是由输入图像的大小决定的，因此这些网络只能处理固定大小的图像。全卷积网络(FullyConvolutionalNetworks，FCN)是目前比较常用的一种网络结构，由于FCN只有卷积层，因此FCN可以处理任意大小的图像。除此之外，去除全卷积层可以使FCN的参数数目减少，从而加快FCN训练和测试阶段的速度。虽然FCN中的池化操作可以提取输入图像的高级...
【技术保护点】
1.一种解剖结构先验引导的大脑感兴趣区域快速分割方法，其特征在于：包括以下步骤：/n步骤一，通过分割子网络学习大脑核磁共振图像特征；/n步骤二，通过解剖结构注意力子网络学习大脑解剖结构信息；/n步骤三，通过解剖结构门将分割子网络学习到的图像特征和解剖结构注意力子网络学习到的解剖结构信息融合；/n步骤四，通过步骤一中分割子网络的输出获得大脑核磁共振图像的分割结果。/n
【技术特征摘要】
1.一种解剖结构先验引导的大脑感兴趣区域快速分割方法，其特征在于：包括以下步骤：
步骤一，通过分割子网络学习大脑核磁共振图像特征；
步骤二，通过解剖结构注意力子网络学习大脑解剖结构信息；
步骤三，通过解剖结构门将分割子网络学习到的图像特征和解剖结构注意力子网络学习到的解剖结构信息融合；
步骤四，通过步骤一中分割子网络的输出获得大脑核磁共振图像的分割结果。
2.根据权利要求1所述的解剖结构先验引导的大脑感兴趣区域快速分割方法，其特征在于：所述步骤一中，分割子网络的输入为待分割的大脑核磁共振图像，分割子网络使用U-Net结构；在分割子网络中，编码部分包含六个卷积层和两个最大池化层；每个卷积操作后紧跟批归一化操作和一个ReLU单元；此外，每个最大池化层后紧跟一个解剖结构门用于融合分割子网络和解剖结构注意力子网络特征；在解码部分中，反卷积层用于上采样特征映射；然后反卷积层特征和对应的编码部分特征进行通道级联，在级联操作后紧跟一个解剖结构门，用于融合分割子网络和解剖结构注意力子网络学习到的特征；在解剖结构门后紧跟两个卷积层，然后紧跟一个解卷积层，并级联其对应的编码网络学习到的特征；在之后紧跟一个解剖结构门用于融合两个子网络特征；然后紧跟两个卷积层和一个卷积层；最终使用softmax非线性单元预测体素属于不同区域的概率。
3.根据权利要求1或2所述的解剖结构先验引导的大脑感兴趣区域快速分割方法，其特征在于：所述步骤二中，解剖结构注意力子网络的输入为多张配准到待分割图像空间的图谱图像标签图；解剖结构注意力子网络为一个没有输出的U-Net结构；解剖结构注意力子网络中每一个模块具有同分割子网络中相同的卷积层和最大池化层；在解码部分中，每一个模块同样具有同分割子网络中结构相同的反卷积层和卷积层，在解剖结构注意力子网络中，每一个最大池化层和反卷积层学习到的特征通过解剖结构门融合到分割子网络中。
4.根据权利要求1所述的解剖结构先验引导的大脑感兴趣区域快速分割方法，其特征在于：所述步骤三中，在解剖结构门中，分割子网络和解剖结构注意力子网络的输出特征首先被通道级联，然后级联的特征映射分别作为两个核大小为1×1×1卷积层输入，每个卷积层后紧跟一个sigmoid非线性映射单元学习每个输入特征映射的权重张量；每个权重张量进一步通过元素点乘与输入特征组合得到带权重特征映射；最终，分割子网络和解剖结构注意力子网络对应的带权重特征映射通过元素加法得到权重加和的特征映射。
5.根据权利要求1所述的解剖结构先验...
【专利技术属性】
技术研发人员：张道强，孙亮，张俊艺，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32
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。