一种基于深度网络的视神经自动分割方法技术

一种基于深度网络的视神经自动分割方法，使用具有NVIDIA GeForce系列显卡的操作平台，通过对标注数据进行预处理及深度网络训练等一系列操作，得出网络模型，能够对视神经结构进行预测分割。相比较于常用的人工标注和基于可变模型的分割方法，本发明专利技术可以更为快速地获得视神经分割数据，分割精度通过深度网络学习得到提高，能够为视神经分割过程提供精确、高效的方法，还能够为其他颅神经提供可重复分析的方法。

【技术实现步骤摘要】
一种基于深度网络的视神经自动分割方法
本专利技术涉及人工智能领域和信息技术计算机图像学下的医学成像、医学图像分割领域，尤其是一种基于深度网络的视神经自动分割方法。
技术介绍
随着医学影像技术的发展和计算机设备的革新，医学图像分辨率以及成像精度不断提高，使得医学图像在临床以及医学研究中得到广泛应用。医学图像分割技术是诸多医学图像应用中不可或缺的重要技术，术前将医生关注的关键结构单独分割出来，便于疾病分析诊断、手术方案规划。大脑中有12对颅神经，分别支配着鼻子、眼睛、面部、耳蜗等重要区域的感觉与运动功能。任意一对颅神经受到损伤时，就会表现出该神经支配区域的感觉或运动功能障碍，如视力异常、面瘫、偏头痛等等。视神经是颅神经中其中一对特征较为明显的结构，但是，2019年TimothéeJacquesson等人总结了21篇参考文献的重构结果并测试了9个常用算法表明，现有算法难以完整重构较大颅神经如视神经、三叉神经，并无法重建其它小颅神经，而面临挑战。选取视神经作为分割对象有利于研究由浅入深顺利进行，便于将研究方法扩展到其余颅神经的分割成像中。视神经分割方法主要有人工标注法、基于图谱导航的最佳中轴线法、可行变模型的MR和CT图像分割法、基于深度网络的分割方法等。由于视神经结构部分边界难以区别，具有较高的复杂性且缺少简单的线性特征，人工标注法的分割结果主要决定于医生的水平，而且人工标注需要消耗大量人力物力，难以满足临床需求。随着计算机技术的发展，人们分割视神经的方法逐渐由手动发展为半自动和自动。但是由于医学图像存在噪声多、不同设备之间的图像质量差异大等特点，基于几何模型用于CT图像中的眼球、晶状体、视神经、视交叉的半自动分割，其视神经分割的准确率达到了77％，视交叉达到了65％。2011年，一种基图谱导航和可形变模型算法结合的视神经分割方法在10例以上的数据进行测试对比，平均Dice系数达到了0.8。X.Yang等人2014年提出了一种基于ASM(活动轮廓模型)的视神经分割方法，通过在传统的活动轮廓模型的基础上，引入一种加权分割的主动形状模型。最终分割的的平均Dice系数从传统活动轮廓模型的0.31提升到了0.73。如今，深度学习为图像分割提供了最先进的方法，自2012年以来，人们已经提出了多种卷积神经网络模型用于医学图像的分割。传统的基于卷积神经网络的分割方法是对将一个像素周围的块作为训练网络的输入进行预测。这一类方法的缺点是：计算机内存运算开销大、计算内容重复效率低下、像素块大小限制感知区域大小。为了解决上述问题，人们提出了全卷积网络结构，全卷积网络可以对图像进行像素级的分类。在全卷积网络结构的基础上，人们又提出了U-Net网络，进一步提高了图像分割准确率。U-Net是一种基于全卷积网络的语义分割网络，由于其训练效率高、所需数据集小就可以得到较好的分割效果而在分割领域广受应用。目前，视神经分割的研究逐渐成为当前关注点，但是相关文献少。
技术实现思路
为克服现有人工标记繁琐、分割精确度低的问题，本专利技术提供了一种基于深度网络的视神经自动分割方法，其中的深度网络是基于U-Net网络进行改进，能够大大减少分割时间，提高分割精度，从而提高视神经分割的时效性和实用性，使视神经分割能够更好地应用于医学临床诊断中。具体的说，本专利技术将改进的图像算法与深度网络相结合。使用卷积网络对T1和FA图像进行训练，通过网络强大的描述能力，帮助生成高质量的视神经和非视神经掩码和概率图。本专利技术解决其技术问题所采用的技术方案是：一种基于深度网络的视神经自动分割方法，包括如下步骤：步骤1、数据集准备：从HCP下载训练数据，经过数据筛选后。选择102例数据的MRI和DWI图像，选择MRI图像中的T1图像以及DWI图像生成的FA图像。结合T1和FA图像和医生交流修改进行视神经标注；步骤2、数据预处理：对步骤1中得到的数据进行切片成128×160×128大小，对图像数据进行直方图均衡化，灰度直方图归一化以及图像增广操作。完成训练数据和测试数据的准备工作；步骤3、网络设计及训练：构建U-Net网络模型，使用步骤2中生成的训练样本训练构建好的网络模型，分别生成T1、FA的概率映射图和分割掩码；步骤4、预测分割：使用训练得到的网络模型对没有标记的数据进行视神经区域的预测，将预测得到的结果和标记得到的结果进行对比，计算预测的准确率。本专利技术中，基于深度网络的视神经分割系统由数据集准备、数据预处理、网络设计及训练、预测分割四个部分组成，数据集准备是进行网络训练前的首要步骤，数据集的好坏直接关乎最后的预测分割效果；数据预处理包括在网络训练前对图像进行图像裁剪、图像归一化、Mask区域提取、训练数据提取等一系列操作；然后，结合当下医学分割使用较为广泛的U-Net分割网络和视神经的结构特点，进行网络的设计和训练，最后通过训练好的模型，对测试集数据进行预测分割，合成分割结果。本专利技术的有益效果表现在：能够大大减少分割时间，提高分割精度，从而提高视神经分割的时效性和实用性，使视神经分割能够更好地应用于医学临床诊断中；本专利技术将改进的图像算法与深度网络相结合，使用卷积网络对T1和FA图像进行训练，通过网络强大的描述能力，帮助生成高质量的视神经和非视神经掩码和概率图。附图说明图1是一种基于深度网络的视神经自动分割方法的流程图。图2是深度网络的编码解码过程示意图。具体实施方式为了使本专利技术的目的、技术方案和有点更加清楚明白，以下结合具体实施和附图，对本专利技术做进一步补充说明。参照图1和图2，一种基于深度网络的视神经自动分割方法，能够充分利用对模态图像之间的信息，实现视神经区域的自动、准确分割，包括如下步骤：步骤1、数据集准备：收集102例美国人脑连接计划核磁共振数据(HCP)进行标注，首先，在标注之前，两位学生先学习视神经的解剖知识，再与一名神经外科手术经验丰富的医生进行交流，区分识别视神经区域。其次，由于数据需要标注的层数多、样本数量大、边界识别难度大，在完成人工粗略标注之后，再与医生进行交流，通过医生的反馈，不断修正。标注完成后将各自标注的数据和对方交换，再次检查标注的准确性。经过以上步骤后，最后交由两名临床经验丰富的医生进行检查修正。将标注数据按照7:2:1的比例分成训练集、验证集、测试集。至此，完成数据集的准备。数据预处理：预处理操作包括：图像裁剪、直方图均衡化、图像归一化、Mask区域提取操作、训练数据提取，过程如下：(1)图像裁剪。原数据为145×174×145的三维MRI数据，三个维度分别设为x、y、z方向。经统计，视神经存在于z轴上的25-60层之间，且在y轴上截去多余背景，取其中心128×160×128的数据，保存成nii.gz格式。(2)直方图均衡化。为了增强图像的对比图，减小不同数据之间的差异性，对MRI图像进行直方图均衡化。将需处理的图像转化成灰度图像，灰度级为0-255，设为L，计算每个灰度在整个图像中体素个数的占比本文档来自技高网...

【技术保护点】
1.一种基于深度网络的视神经自动分割方法，其特征在于：该分割方法包括以下步骤：/n步骤1、图像预处理：获取人脑MRI数据，将图像灰度值归一化和均衡化，再进一步经过灰度值阈值化生成对应的脑组织/非脑组织区域掩码；再将经过配准的MRI数据对应的DWI数据进行头动矫正后提取b0图像确定图像的Mask区域，通过局部拟合计算出FA值；/n步骤2、生成训练样本：结合步骤1中生成的T1和FA图像，使用人工标记的方法结合两类图像得到视神经的标注信息；以脑组织/非脑组织区域掩码和视神经标注信息，以不同的方法对不同的层进行提取作为训练样本；/n步骤3、训练网络模型：构建U-Net网络模型，采用Dice系数作为网络的Loss函数来解决图像类别不均衡的问题；并且重新定义网络的输入，将原本的单模态输入的网络改为T1+FA的多模态网络输入结构；并使用步骤2中生成的训练样本训练搭建好的网络模型，并将最终训练得到的权重在测试数据上进行测试；/n步骤4、预测分割：使用训练得到的网络模型对没有标记的数据进行视神经区域的预测，将预测得到的结果和标记得到的结果进行对比，计算预测的准确率。/n

【技术特征摘要】
1.一种基于深度网络的视神经自动分割方法，其特征在于：该分割方法包括以下步骤：
步骤1、图像预处理：获取人脑MRI数据，将图像灰度值归一化和均衡化，再进一步经过灰度值阈值化生成对应的脑组织/非脑组织区域掩码；再将经过配准的MRI数据对应的DWI数据进行头动矫正后提取b0图像确定图像的Mask区域，通过局部拟合计算出FA值；
步骤2、生成训练样本：结合步骤1中生成的T1和FA图像，使用人工标记的方法结合两类图像得到视神经的标注信息；以脑组织/非脑组织区域掩码和视神经标注信息，以不同的方法对不同的层进行提取作为训练样本；
步骤3、训练网络模型：构建U-Net网络模型，采用Dice系数作为网络的Loss函数来解决图像类别不均衡的问题；并且重新定义网络的输入，将原本的单模态输入的网络改为T1+FA的多模态网络输入结构；并使用步骤2中生成的训练样本训练搭建好的网络模型，并将最终训练得到的权重在测试数据上进行测试；
步骤4、预测分割：使用训练得到的网络模型对没有标记的数据进行视神经区域的预测，将预测得到的结果和标记得到的结果进行对比，计算预测的准确率。


2.如权利要求1所述的基于深度网络的视神经自动分割方法，其特征在于，所述步骤1中，配准过程采用的算法为互信息的B样条配准方法，FA图像提取过程中的头动矫正和FA值计算使用FSL软件的FDT功能。


3.如权利要求1或2所述的基于深度网络的视神经自动分割方法，其特征在于，所述步骤2...

【专利技术属性】
技术研发人员：冯远静，郭文龙，谢飞，曾庆润，朱耀斌，袁少楠，谢雷，李思琦，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33