基于超图数值神经膜系统的MRI海马体分割方法及系统技术方案

本发明专利技术提供了基于超图数值神经膜系统的MRI海马体分割方法及系统，包括：获取待分割的MR图像；将待分割的MR图像输入基于超图数值神经膜系统，得到海马体分割结果；其中，基于超图数值神经膜系统包括超神经元、以及由多个基本神经元组成编码器和解码器，所述编码器和解码器用于学习MR图像中海马体的上采样和下采样特征，所述超神经元用于在编码器和解码器之间进行跳跃和串联融合。将深度学习模型在语义分割中的高精度与膜系统良好的并行性和鲁棒性相结合，提高了海马体分割的性能。提高了海马体分割的性能。提高了海马体分割的性能。

【技术实现步骤摘要】
基于超图数值神经膜系统的MRI海马体分割方法及系统


[0001]本专利技术属于图像分割
，尤其涉及基于超图数值神经膜系统的MRI海马体分割方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]海马体是影响人类认知、记忆和情绪的重要大脑结构，准确的分割海马体可以帮助识别海马体的早期萎缩，这有助于医生预测和诊断各种神经疾病，如阿尔茨海默病(AD)、癫痫和精神分裂症，以及制定治疗计划。然而，由放射科医生进行的手动勾画会花费大量的时间，而且往往无法重复，因此，需要一种准确有效的海马自动分割方法，然而，以下问题使得自动分割变得困难：首先，海马体位于丘脑和内侧颞叶之间，其强度与其他大脑结构相似；其次，杏仁核和位于海马下方的白质使海马体的边界模糊；此外，海马体的形状和体积因患者而异。
[0004]目前，卷积神经网络(CNN)已广泛应用于医学图像分割，卷积神经网络在进行图像分割操作时，因其具有优良的特征提取能力和良好的特征表达能力，不需要人工提取图像特征或对图像进行过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于超图数值神经膜系统的MRI海马体分割方法，其特征在于，包括：获取待分割的MR图像；将待分割的MR图像输入基于超图数值神经膜系统，得到海马体分割结果；其中，基于超图数值神经膜系统包括超神经元、以及由多个基本神经元组成编码器和解码器，所述编码器和解码器用于学习MR图像中海马体的上采样和下采样特征，所述超神经元用于在编码器和解码器之间进行跳跃和串联融合。2.如权利要求1所述的基于超图数值神经膜系统的MRI海马体分割方法，其特征在于，所述编码器包括依次连接的第一基本神经元、第二基本神经元、第三基本神经元、第四基本神经元和第五基本神经元；所述解码器包括依次连接的第六基本神经元、第七基本神经元、第八基本神经元和第九基本神经元；所述第一基本神经元和第九基本神经元、第二基本神经元和第八基本神经元、第三基本神经元和第八基本神经元、以及第四基本神经元和第九基本神经元分别包含在第一超神经元、第二超神经元、第三超神经元和第四超神经元中；所有基本神经元的学习信息均传递给第五超神经元；所述第五超神经元也是输入神经元和输出神经元。3.如权利要求2所述的基于超图数值神经膜系统的MRI海马体分割方法，其特征在于，所述待分割的MR图像被转化为初始变量后，所述第五超神经元使用H规则将初始变量发送给第一基本神经元；所述第一基本神经元对初始变量通过V规则执行两个卷积运算，得到两个卷积后特征，将两个卷积后特征通过残差连接，得到第一基本神经元的输出特征。4.如权利要求2所述的基于超图数值神经膜系统的MRI海马体分割方法，其特征在于，所述第二基本神经元、第三基本神经元、第四基本神经元和第五基本神经元均通过V规则，对输入进行最大池化，得到池化后特征后，执行两个或三个卷积运算函数，得到卷积后特征，将池化后特征和卷积后特征通过残差连接，得到输出特征。5.如权利要求2所述的基于超图数值神经膜系统的MRI海马体分割方法，其特征在于，所述第六基本...

【专利技术属性】
技术研发人员：薛洁，代锦鹏，刘希玉，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：