基于3D卷积神经网络分割多模态MR脑部图像方法技术

本发明专利技术公开了一种基于3D卷积神经网络分割多模态MR脑部图像的方法，包括：获取多模态MR脑部图像数据；对获取的原始MR脑部图像数据进行预处理，得到预处理后的图像；将预处理后的图像训练3D卷积神经网络模型，提取脑部皮下组织的特征数据，3D卷积神经网络模型包括残差网络模块和空洞空间卷积池化金字塔模块；优化3D卷积神经网络模型的参数；使用训练好的3D卷积神经网络模型对测试集数据进行测试，得到MR脑部图像数据的分割结果；将分割结果进行分析和可视化，得到三维脑皮下组织图。该方法通过将残差模块和空洞空间卷积池化金字塔模块引入卷积神经网络，解决了训练费时费力，模型退化的问题，并且还提高了分割的准确性。

【技术实现步骤摘要】
基于3D卷积神经网络分割多模态MR脑部图像方法
本专利技术涉及图像分割
，具体涉及一种基于3D卷积神经网络分割多模态MR脑部图像方法、系统、终端及介质。
技术介绍
大脑是人体的神经中枢，控制着人的思维和情感，包含很多复杂的解剖结构，其中深层脑结构包括海马体、壳核、尾状核等等，他们的结构变化与很多脑部疾病密切相关，脑结构的体积萎缩是很多脑疾病诊断和治疗评估中常用的生物标志物之一。磁共振成像(MagneticResonanceImage,MRI)可以对脑和神经系统等软组织进行高分辨率成像，是大脑结构分析的有效临床方法。脑磁共振成像的精确分割和定量分析，可用于脑组织和脑结构的体积测量，辅助医生对疾病进行判断及治疗。其次，还可以辅助医生进行后续的医疗、手术规划及治疗效果追踪等。然而，手动分割MR脑部图像的方法耗时耗力，大量的影像数据在给医生提供准确详细的信息以供诊断的同时，也增加了医生的任务量和视觉疲劳。因此对MR脑部图像进行自动/半自动的处理与分析，进而进行计算机辅助诊断显得尤为重要。近年来，MR脑部图像的自动分割受到越来越多的研究者关本文档来自技高网...

【技术保护点】
1.一种基于3D卷积神经网络分割多模态MR脑部图像的方法，其特征在于，包括：/n获取多模态MR脑部图像数据；/n对获取的原始MR脑部图像数据进行预处理，得到预处理后的图像；/n将预处理后的图像训练3D卷积神经网络模型，提取脑部皮下组织的特征数据，所述3D卷积神经网络模型包括残差网络模块和空洞空间卷积池化金字塔模块；/n优化3D卷积神经网络模型的参数；/n使用训练好的3D卷积神经网络模型对测试集数据进行测试，得到MR脑部图像数据的分割结果；/n将所述分割结果进行分析和可视化，得到三维脑皮下组织图。/n

【技术特征摘要】
1.一种基于3D卷积神经网络分割多模态MR脑部图像的方法，其特征在于，包括：
获取多模态MR脑部图像数据；
对获取的原始MR脑部图像数据进行预处理，得到预处理后的图像；
将预处理后的图像训练3D卷积神经网络模型，提取脑部皮下组织的特征数据，所述3D卷积神经网络模型包括残差网络模块和空洞空间卷积池化金字塔模块；
优化3D卷积神经网络模型的参数；
使用训练好的3D卷积神经网络模型对测试集数据进行测试，得到MR脑部图像数据的分割结果；
将所述分割结果进行分析和可视化，得到三维脑皮下组织图。


2.如权利要求1所述的方法，其特征在于，所述对获取的原始MR脑部图像数据进行预处理的具体方法包括：对原始的MR脑部图像数据进行去除骨头处理和刚性配准。


3.如权利要求1所述的方法，其特征在于，所述将预处理后的图像训练3D卷积神经网络模型，提取脑部皮下组织的特征数据的具体方法包括：
采用残差网络模块对预处理后的图像进行原始特征提取，得到原始特征图；
将原始特征图输入到空洞空间卷积池化金字塔模块进行高层特征提取，得到高层特征图；
将原始特征图和高层特征图进行多尺度特征图的融合，得到融合特征图；
采用1×1×1的卷积核和3×3×3卷积核对融合特征图进行上采样，得到与输入图像尺寸相同的脑部皮下组织的特征数据。


4.一种基于3D卷积神经网络分割多模态MR脑部图像的系统，其特征在于，包括图像获取模块、图像预处理模块、图像分割模块和输出模块，其中，所述图像获取模块用于获取多模态MR脑部图像数据；
所述图像预处理模块用于对获取的原始MR脑部图像数据进行预处理，得到预处理后的图像；
所述图像分割模块用于...

【专利技术属性】
技术研发人员：刘应龙，王思伦，
申请(专利权)人：深圳市铱硙医疗科技有限公司，
类型：发明
国别省市：广东;44