一种基于图像裁剪及卷积神经网络的脑组织分割方法技术

本发明专利技术公开了一种基于图像裁剪及卷积神经网络的脑组织分割方法，包括如下步骤：S1:对脑部MR影像进行裁剪，获取脑组织感兴趣区域；S2:采用卷积神经网络模型提取裁剪后的图像；S3:增加裁剪后图像训练数据集的数量，得到扩展的数据集；S4:利用Segnet模型对扩展的数据集进行训练，待测影像输入到训练后的网络，网络的输出作为脑组织的初始分割结果，使用不同数量的数据测试得到多组脑组织的初始分割结果，对所述分割结果应用随机选择融合实现脑组织的精确分割。应用本发明专利技术提供的方法可以对脑结构组织进行精准分割。结构组织进行精准分割。结构组织进行精准分割。

【技术实现步骤摘要】
一种基于图像裁剪及卷积神经网络的脑组织分割方法


[0001]本专利技术属于图像分割
，涉及一种基于图像裁剪及卷积神经网络的脑组织分割方法。

技术介绍

[0002]脑部疾病具有发病率高、死亡率高、致残率高、复发率高且有较为复杂的并发症等特点；海马体、杏仁核、丘脑等脑结构的位置、体积与形态的变化与多种疾病息息相关，而要确定和分析这些变化首先需要准确地分割出这些脑结构，通过对其位置、体积与形态的研究可为多种疾病的临床研究提供支持。然而，这些脑结构组织的解剖结构复杂，大多位于大脑中部，且与周围组织的灰度值十分相近，再加上MR影像本身的偏移场效应、局部体效应和组织运动的影响等因素，即便是最有经验的影像科医生行手动分割也是个很大的挑战。
[0003]因此如何快速、准确、有效的分割脑组织是目前医学上急需解决的问题。

技术实现思路

[0004]本专利技术的目的在于提供一种基于图像裁剪及卷积神经网络的脑组织分割方法。
[0005]本专利技术的目的可以通过以下技术方案实现：
[0006]一种基于图像裁剪及卷积神经网络的脑组织分割方法，包括如下步骤：
[0007]S1:对脑部MR影像进行裁剪，获取脑组织感兴趣区域；
[0008]S2:采用卷积神经网络模型提取裁剪后的图像；
[0009]S3:增加裁剪后图像训练数据集的数量，得到扩展的数据集；
[0010]S4:利用Segnet模型对扩展的数据集进行训练，待测影像输入到训练后的网络，网络的输出可作为脑组织的初始分割结果，使用不同数量的数据测试得到多组脑组织的初始分割结果，对所述分割结果应用随机选择融合实现脑组织的精确分割。
[0011]进一步地，截取原始影像中心大小为128
×
128的子部分作为后续深度学习的输入影像，该子部分包含了全部的脑组织区域。
[0012]进一步地，数据裁剪方法如下：
[0013]S11、自上而下，自下而上，自左到右，自右到左分别搜索，当搜索的行或列中有大于0的像素点时则判定为该方向的脑边界线，四条边界线组成脑区域的包围盒并得到四个顶点坐标；
[0014]S12、根据两点确定直线方程得到包围盒两条对角线的直线方程，对角线方程相交的点即为脑部区域的中心点；
[0015]S13、以中心点为中心在原图像中截取大小为128
×
128区域为裁剪后图像区域。
[0016]进一步地，所述卷积神经网络模型由自上而下及自下而上两阶段组成；自上而下阶段卷积层大小为3x3，池化层大小为2x2，每个卷积层处理后会进入到矫正线性单元激活函数；自下而上阶段采用上采样、池化及矫正线性单元激活函数，最后一层是由一个1x1的卷积层构成，用来实现图像分割。
[0017]本专利技术的有益效果：
[0018]本专利技术使用深度学习及多图谱随机选择方法实现脑组织组织的自动提取，首先对脑部MR影像进行裁剪，获取脑组织感兴趣区域，对裁剪后的数据进行卷积可以更有效地学习图像特征，从而提高深度学习的分割精度。然后通过对裁剪后的图像进行旋转、平移等操作来增加训练数据集的数量，再利用Segnet模型对扩展的数据集进行训练，待测影像输入到训练后的网络，网络的输出可作为脑组织的初始分割结果，使用不同数量的数据测试可以得到多组脑组织的初始分割结果，对这些结果应用随机选择融合实现脑组织的精确分割。
附图说明
[0019]为了便于本领域技术人员理解，下面结合附图对本专利技术作进一步的说明。
[0020]图1为本专利技术一种基于图像裁剪及卷积神经网络的脑组织分割方法的流程图；
[0021]图2为本专利技术一种基于图像裁剪及卷积神经网络的脑组织分割方法的图像裁剪过程示意图；
[0022]图3为采用本专利技术所述方法精确分割后的脑组织结构示意图。
具体实施方式
[0023]结合图1、图2和图3通过如下实施例对本专利技术进行详细说明：
[0024]如图1所示，本专利技术提供一种基于图像裁剪及卷积神经网络的脑组织分割方法，包括如下步骤：
[0025]S1:对脑部MR影像进行裁剪，获取脑组织感兴趣区域；
[0026]S2:采用卷积神经网络模型提取裁剪后的图像；对裁剪后的数据进行卷积可以更有效地学习图像特征，从而提高深度学习的分割精度。
[0027]S3:增加裁剪后图像训练数据集的数量，得到扩展的数据集；具体可以通过对裁剪后的图像进行旋转、平移等操作来增加训练数据集的数量；
[0028]S4:利用Segnet模型对扩展的数据集进行训练，待测影像输入到训练后的网络，网络的输出可作为脑组织的初始分割结果，使用不同数量的数据测试得到多组脑组织的初始分割结果，对所述分割结果应用随机选择融合实现脑组织的精确分割。
[0029]进一步地，截取原始影像中心大小为128
×
128的子部分作为后续深度学习的输入影像，该子部分包含了全部的脑组织区域。
[0030]如图2所示，原始MR影像大小通常为256
×
256，脑组织(海马体、丘脑、杏仁核等)通常位于图像脑部的中心区域。直接将原始图像作为深度学习网络的输入来训练网络会导致在测试时出现分割效果欠佳甚至是失败的情况(如全黑影像)。为解决上述问题，本专利技术提出了一种全自动的图像裁剪方法，通过该方法截取原始影像中心128
×
128大小的子部分作为后续深度学习的输入影像，该子部分包含了全部的脑组织区域。
[0031]进一步地，数据裁剪方法如下：
[0032]S11、在图像中自上而下，自下而上，自左到右，自右到左分别搜索，当搜索的行或列中有大于0的像素点时则判定为该方向的脑边界线(图2(a)中的线1)，四条边界线组成脑区域的包围盒并得到四个顶点坐标；
[0033]S12、根据两点确定直线方程得到包围盒两条对角线的直线方程(图2(a)中的线2)，对角线方程相交的点即为脑部区域的中心点；
[0034]S13、以中心点为中心在原图像中截取大小为128
×
128区域(图2(b)中线3)为裁剪后图像区域。
[0035]本专利技术采用卷积神经网络实现脑组织提取。网络模型由自上而下及自下而上两阶段组成。自上而下阶段采用传统的池化、卷积操作，卷积层大小为3x3，池化层大小为2x2，每个卷积层处理后会进入到矫正线性单元激活函数；自下而上阶段采用上采样、池化及矫正线性单元激活函数，最后一层是由一个1x1的卷积层构成，用来实现图像分割。本专利技术使用的卷积神经网络结构如下：
[0036][0037]应用本实施例所述的方法，对脑组织结构进行了精确分割，如图3所示，图中包含了6个组织，4是苍白核，5是海马体，6是杏仁核，7是尾状核，8是豆状核，9是丘脑。
[0038]以上公开的本专利技术优选实施例只是用于帮助阐述本专利技术。优选实施例并没有详尽叙述所有的细节，也不限制该专利技术仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像裁剪及卷积神经网络的脑组织分割方法，其特征在于，包括如下步骤：S1:对脑部MR影像进行裁剪，获取脑组织感兴趣区域；S2:采用卷积神经网络模型提取裁剪后的图像；S3:增加裁剪后图像训练数据集的数量，得到扩展的数据集；S4:利用Segnet模型对扩展的数据集进行训练，待测影像输入到训练后的网络，网络的输出作为脑组织的初始分割结果，使用不同数量的数据测试得到多组脑组织的初始分割结果，对所述分割结果应用随机选择融合实现脑组织的精确分割。2.根据权利要求1所述的一种基于图像裁剪及卷积神经网络的脑组织分割方法，其特征在于，截取原始影像中心大小为128
×
128的子部分作为后续深度学习的输入影像，该子部分包含了全部的脑组织区域。3.根据权利要求2所述的一种基于图像裁剪及卷积神经网络的脑组织分割方法，其特征在...

【专利技术属性】
技术研发人员：宫照煊，张国栋，郭薇，周唯，刘智，孔令宇，国翠，柳昱，
申请(专利权)人：沈阳航空航天大学，
类型：发明
国别省市：