一种深度融合学习的儿童脑部MRI脱髓鞘辅助分析方法技术

本发明专利技术公开了一种深度融合学习的儿童脑部MRI脱髓鞘辅助分析方法，首先进行儿童脱髓鞘疾病数据预处理及数据集构建；然后深度融合学习脱髓鞘疾病辅助模型设计；通过构建的儿童脱髓鞘疾病数据集对深度融合学习脱髓鞘疾病辅助模型进行训练；最后通过训练好的深度融合学习脱髓鞘疾病辅助模型完成高信号白质分割图的获取与特征分类，通过可视化结果模型展示高信号白质分割图与特征分类标签。本发明专利技术方法不仅可以辅助医生进行临床诊断，而且可以大大提高图像标注的速率，这将极大缩短患者的确诊时间与确诊成本，使患者获得及时的治疗，缓解患者预后过程遗留的神经功能缺损，获得更好的预后效果。预后效果。预后效果。

【技术实现步骤摘要】
一种深度融合学习的儿童脑部MRI脱髓鞘辅助分析方法


[0001]本专利技术属于深度学习、计算机视觉、医学图像分割及医学图像分类，具体涉及到一种深度融合学习的儿童脑部MRI脱髓鞘辅助分析方法。

技术介绍

[0002]中枢神经系统脱髓鞘疾病(Central Nervous System Demyelinating Diseases)是一组脑和脊髓髓鞘破坏或髓鞘脱失为主要特征的疾病，多发于儿童和青少年。中枢神经系统脱髓鞘疾病病理机制以白质损伤所致分布广泛的脱髓鞘病灶有关，大脑白质、脊髓和脑干、小脑及视神经病变是导致患者临床症状及神经体征的主要原因，重症患者并发症发生率高且后遗症多。多发性硬化(multiple sclerosis，MS)、急性播散性脑脊髓炎(acute disseminated encepha
‑
lomyelitis，ADEM)、和视神经脊髓炎谱系疾病(neuromyelitis optica spectrum disorders，NMOSD)是常见的中枢神经系统脱髓鞘疾病。ADEM、NMOSD均属原发性中枢神经系统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度融合学习的儿童脑部MRI脱髓鞘辅助分析方法，其特征在于，步骤如下：步骤1、儿童脱髓鞘疾病数据预处理及数据集构建；数据集中的脑部MRI图像从医院获取，均为真实患者数据；在获取数据之后，首先对数据进行清洗，再对数据信息进行分类与分割标注，完成儿童脱髓鞘疾病数据集构建；步骤2、深度融合学习脱髓鞘疾病辅助模型设计；模型包括三个模块：1)共享模块：采用卷积和池化的方式对输入的脑部MRI图像进行下采样来获取图像的特征并对特征进行压缩，最终深层特征图；2)分割模块：分割模块的输入为共享模块的输出；采用反卷积进行上采样，并且与共享模块对应的特征信息进行特征拼接，最后进行2次卷积操作输出高信号白质分割图；3)分类模块：分类模块的输入为共享模块的输出，采用卷积和池化的方式对特征图进行下采样操作，最后通过平均池化和全连接的操作，输出特征图分类标签；模型采用联合损失函数：将分割和分类两个任务的损失函数进行联合；步骤3、通过构建的儿童脱髓鞘疾病数据集对深度融合学习脱髓鞘疾病辅助模型进行训练；步骤4、通过训练好的深度融合学习脱髓鞘疾病辅助模型完成高信号白质分割图的获取与特征分类，通过可视化结果模型展示高信号白质分割图与特征分类标签。2.根据权利要求1所述的一种深度融合学习的儿童脑部MRI脱髓鞘辅助分析方法，其特征在于，所述步骤1，具体步骤如下：1
‑
1、数据清洗：首先将收集到的数据进行筛选，将无效、不清晰、含有伪影等有异常情况的数据清除；1
‑
2、数据标注：每一张图像含有2种标注信息：高信号白质分割图和特征分类标签；1)高信号白质分割图标注；在医生的指导下，通过专业的标注工具3Dslicer，对数据进行进行标注；获得高信号白质分割标准图；2)特征图分类标签标注；通过整理病例信息，对数据集中的图像进行分类，一共包括以下三种类别：1)脑部无异常的脑部MRI数据；2)患有急性播散性脑脊髓炎疾病的患者脑部MRI数据；3)患有视神经脊髓炎谱系疾病的患者脑部MRI数据；获得特征图分类标签；1
‑
3、数据增强：对每一张图像进行尺寸大小的改变，将所有数据统一为固定大小；对数据进行归一化操作，将每张图像的每个像素点映射到0～1范围之内，提高模型收敛速度。3.根据权利要求2所述的一种深度融合学习的儿童脑部MRI脱髓鞘辅助分析方法，其特征在于，所述步骤2，具体步骤如下：2
‑
1、共享模块是后续分割和分类的输入；共享模块中一共包括5个块，每个块中含有2个卷积层和1个池化层，在每个卷积层之后进行batch normalization和激活函数ReLU；通过卷积和池化的操作对输入的脑部MRI图像进行下采样来获取图像的特征并对特征进行压缩；在图像经过5个块的操作之后获得深层特征图，大小为32*32*512；其中的卷积操作是将图像输入模型之后进行卷积操作，使用3*3的卷积，卷积方式是“SAME”，所以经过卷积操作之后，图像的长宽和输入一样，但是通道数会根据卷积核的数量改变，在5个块中，每个块中的2个卷积层是一样的，5个块依次采用32，64，128，256，512的卷积核数量；对于在每个块之
后的输出特征图y上的每个像素p0，卷积表达式为：其中p
n
是R=(
‑
1,
‑
1),(0,
‑
1),
…
,(0,1),(1,1)中列出的位置的枚举，x(p0+p
n
)代表像素p0+p
n
上的值；代表像素p0的值；输入特征图的大小为W
i
×
W
i
，卷积核的大小为F
×
F，padding是P，并且步幅为S；输出特征图的大小计算公式为：其中W表示输出特征图的大小；在卷积层之后，使用batch normalization和激活函数ReLU，来提高网络的泛化能力；ReLU的公式如：在经过ReLU之后紧接着是池化操作：经过最大池化层之后，尺寸会缩小为原来的一半；2
‑
2、分割模块的输入为共享模块的输出；分割模块中一共包括5个块，前4个块中每个块含有2个卷积层和1个反卷积层操作，在每个卷积层之后进行batch normalization和激活函数ReLU；在每个对应的块中加入共享模块对应的特征信息，进行特征拼接，即将共享模块中的前4个块中输出的特征图与对应图像尺寸大小拼接到分割模块中；最后1个块中包含2个1*1的卷积层，在经过最后一个块之后输出高信号白质分割图。共享模块中64*64*256的图像特征信息融合到分割模块中的64*64*512的图像中，拼接到一起后为64*64*768的尺寸，然后继续进行特征提取；反卷积是从低分辨率映射到高分辨率的过程，在上采样的过程中用于扩大图像尺寸，起到还原图像尺寸的作用；2
‑
3、分类模块的输入为共享模块的输出；分类模块中一共包括4个块；前2个块的操作和共享模块中的块一致，包含2个卷积层和1个池化层，但是卷积核的数量不同，分别是1024和2048；第3个块是平均池化层，第4个块是全连接层；在经过4个块之后，输出特征图分类标签，其中输出1为脑部无异常的图像，输出2为急性播散性脑脊髓炎，输出3为视神经脊髓炎谱系疾病；2
‑
4、模型训练中损失函数采用通过如下公式计算：其中λ1,λ2是权重，它们的目的是...

【专利技术属性】
技术研发人员：曹九稳，周德阳，王天磊，徐璐，魏劭农，蒋铁甲，高峰，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：