【技术实现步骤摘要】
基于神经网络的视神经自动分割和受压迫程度测算方法
[0001]本专利技术涉及图像数据处理
，更具体的是涉及视神经自动分割和受压迫程度测算
技术介绍
[0002]视神经是中枢神经系统的一部分，其源于视网膜，然后在蝶鞍区形成视交叉，再形成视束，最后到达视觉皮层，主要负责将视网膜得到的视觉信息传导到大脑的视觉皮层。而蝶鞍区是颅内肿瘤的多发区域，常见肿瘤有垂体瘤，颅咽管瘤等，这些肿瘤逐渐向上生长，会直接压迫视神经和视交叉。视神经受到压迫会阻碍视觉冲动的传递，从而导致视野缺失、视力下降等视功能障碍。若视神经长期被压迫会导致视神经发生萎缩，从而导致永久性失明；而早期的发现并及时的解除视神经的压迫能最大程度的帮助患者恢复视功能。因此术前尽早地对视神经受压程度进行准确判断至关重要，将有助于制定患者的手术方式及评估预后状况。
[0003]对于视交叉受蝶鞍区肿瘤压迫的诊断，目前最常用且有效的手段为医学影像检查中的磁共振（MRI）检查。具体做法为患者将在影像科的专业医师的指导下，接受磁共振机对其蝶鞍区按一定扫描序列在冠位面...
【技术保护点】
【技术特征摘要】
1.基于神经网络的视神经自动分割和受压迫程度测算方法，其特征在于，包括如下步骤：步骤1、获取蝶鞍区肿瘤患者的MRI图像，每例MRI图像标注有视交叉分割标签；步骤2、对每例MRI图像进行中心裁切；步骤3、建立视交叉分割模型，选择U
‑
Net分割网络，并加入空间和通道注意力机制，对每例裁切后的MRI图像进行视交叉区域的分割；步骤4、模型的训练与测试；步骤5、将患者脑部MRI扫描影像输入视交叉分割模型，得到分割结果，再将分割结果按照视交叉受压迫程度测算得出受压迫程度的指标。2.根据权利要求1所述的基于神经网络的视神经自动分割和受压迫程度测算方法，其特征在于，步骤3中视交叉分割模型的建立，包括如下步骤：步骤A、使用3
×
3大小的卷积核、批次归一化和修正线性层来提取特征，得到特征图，该操作在每次进行上采样或者下采样前重复使用两次；步骤B、下采样，使用2
×
2大小的最大池化层将特征图缩小为原来的一半，总共进行四次下采样操作；步骤C、上采样，采用双线性插值方式对特征图进行上采样，将特征图扩大一倍，通过四次上采样，逐步恢复到原始图像大小；步骤D、跨层连接，连接编码器和解码器，充分利用编码器中丰富的空间细节信息以及解码器中的语义信息将同一尺度的前后特征图拼接；步骤E、在每步下采样和上采样之前，对任一输入的大小为 ，C为通道数，H为图像的高度，W为图像的宽度，通过采用1
×
1大小卷积来压缩通道将特征图压缩，然后使用Sigmoid函数来将特征图中的数值放缩到0到1之间，生成空间注意力权重，接着将空间注意力权重与原始特征图相乘从而获得空间表达增强的特征图，同时，对任意输入大小为 大小的特征图采用全局池化操作来压缩空间信息将特征图压缩大小，生成通道注意力权重，接着将通道注意力权重与原始输入特征图相乘进而得到通道特征增强的特征图，之后空间表达增强的特征图和通道表达增强的特征图进行融合，得到空间、通道表达同时增强的特征图；步骤F、对步骤E得到的特征图，预测每个像素的类别概率，由于只需要分割出视交叉与背景，将概率值大于等于0.5的像素点置为1，认为其是视交叉区域，将概率值小于0.5的像素点置为0，认为其是背景区域。3.根据权利要求2所述的基于神经网络的视神经自动分割和受压迫程度测算方法，其特征在于，对分割完成的模型进行训练，将病人的脑部MRI图像输入上述建立的视交叉分割模型，由该模型输出分割结果，再计算输出的分割结果与标注的该病人的脑部MRI图像视交叉分割标签间的误差，然后采用最速梯度下降算法完成网络模型中参数的更新，最终当输出的分割结果...
【专利技术属性】
技术研发人员：张蕾，徐建国，章毅，王利团，陈超越，黄伟，舒鑫，王梓舟，花语，李佳怡，谭硕，余怡洁，王凌度，
申请(专利权)人：四川大学，
类型：发明
国别省市：
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。