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多预处理，近年来，CNN在医学影像分割领域以及辅助诊断方面取得了巨大成功。其中，神经膜系统是一种膜计算模型，它采用了脉冲神经网络在时间上编码信息和膜计算并行处理信息的特点。神经膜系统通常构造为二维图结构，其中顶点代表神经元，边代表神经元之间相应的突触。近年来，神经膜系统及其扩展在不同领域表现出了优异的收敛性、鲁棒性和并行性。此外，利用图形处理单元(GPU)对膜系统进行仿真，充分利用了模型中的并行性。
[0005]数值神经膜系统进一步拓展了神经膜系统的学习能力。然而，目前的神经膜系统是二维图结构，其中神经元只能与相连的神经元交换信息，不能使用层次结构进行计算并临时存储中间计算结果，这也限制了神经膜系统在海马体分割中的应用。

技术实现思路

[0006]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供基于超图数值神经膜系统的MRI海马体分割方法及系统，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。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]本专利技术的第一个方面提供基于超图数值神经膜系统的MRI海马体分割方法，其包括：
[0009]获取待分割的MR图像；
[0010]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；
[0011]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。
[0012]进一步的，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；
[0013]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；
[0014]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；
[0015]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。
[0016]进一步的，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；
[0017]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。
[0018]进一步的，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。
[0019]进一步的，所述第六基本神经元、第七基本神经元、第八基本神经元和第九基本神经元分别对其相邻基本神经元的输出特征和其所在超神经元输出的多级融合注意力特征通过多残差连接后，利用V规则，执行一个反卷积函数，得到反卷积特征，并对反卷积特征执行两个或三个卷积函数，得到卷积后特征，将反卷积特征和卷积后特征通过残差连接，得到输出特征。
[0020]进一步的，所述第一超神经元对第一基本神经元的输出特征，使用E规则和H规则，得到第一超神经元输出的多级融合注意力特征。
[0021]进一步的，所述第二超神经元、第三超神经元和第四超神经元分别对其所包含编码器的基本神经元的输出特征和其相邻超神经元输出的多级融合注意力特征，使用E规则和H规则，得到其输出的多级融合注意力特征。
[0022]本专利技术的第二个方面提供基于超图数值神经膜系统的MRI海马体分割系统，其包括：
[0023]图像获取模块，其被配置为：获取待分割的MR图像；
[0024]海马体分割模块，其被配置为：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；
[0025]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。
[0026]本专利技术的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于超图数值神经膜系统的MRI海马体分割方法中的步骤。
[0027]本专利技术的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于超图数值神经膜系统的MRI海马体分割方法中的步骤。
[0028]与现有技术相比，本专利技术的有益效果是：
[0029]本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，其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。
[0030]本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，其设计了三种新型规则，即顶点和超边之间的V规则、H规则和E规则，以实现基于超图数值神经膜系统的学习能力并提高基于超图数值神经膜系统在海马体分割中的潜力。
[0031]本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，其充分利用超图的高阶相关性，使膜系统能够在层次和平面级别上进行计算和通信。
附图说明
[0032]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0033]图1是本专利技术实施例一的方法流程图；
[0034]图2是本专利技术实施例一的本文档来自技高网...

【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：