一种用于FLAIR-MRI序列的全自动脑体积分割算法制造技术

本申请公开了一种用于FLAIR

【技术实现步骤摘要】
一种用于FLAIR
‑
MRI序列的全自动脑体积分割算法


[0001]本申请涉及人工智能算法辅助医学分析
，具体而言，涉及一种用于FLAIR
‑
MRI序列的全自动脑体积分割算法。

技术介绍

[0002]神经退行性疾病严重影响患者健康和生活质量，给医疗系统带来巨大的经济负担。头颅核磁共振成像(magnetic resonance images,MRI)帮助识别神经退行性疾病先兆和病变特征，从而在患者进展为不可逆脑损伤之前采取早期干预措施。脑白质病变(white matter lesions,WML)是在疾病早期通过MRI识别的与缺血性、血管性、痴呆和脱髓鞘疾病相关的病理特征之一。从MRI结果中定量提取WML体积以及其他生物标记物(如脑体积)以模拟疾病进展，进而探索疾病及预后相关的影响因素，有助于更好地理解神经退行性疾病和WML之间的相关性。然而，手动测量此类定量指标具有一定的主观性且难度较大，难以开展大规模研究。自动化人工智能算法则更加客观、准确、高效地计算数千名患者的脑部病变体积和其他定量指标，极大地提高效率和精确度。
[0003]液体衰减反转恢复(Fluid
‑
Attenuated Inversion Recovery,FLAIR)MRI序列扫描技术抑制脑脊液(cerebral spinal fluid,CSF)高信号，从而强化周围WML显像，使得对病变体积的定量分析更加容易，这对于神经退行性疾病的诊断和治疗十分重要。有研究通过综合T1和T2加权像MRI以及FLAIR序列进行多膜态分析，但由于三个序列对比度不同，这种方法增加了图像采集成本和误差。因此，有研究针对FLAIR序列开发了WML自动分割算法，其关键步骤是脑组织提取的预处理，即移除其他非脑组织(如颅骨和眼睛)或颅骨剥离，同时自动化测量脑体积。目前，已有针对T1和T2加权像磁共振序列的脑体积分割算法。ROBEX算法使用一种机器学习方法基于T1加权像序列进行训练，但由于不同序列的组织信号强度不同，这种方法不适用于FLAIR序列。另一种较常用的方法是脑提取工具(brain extraction tool,BET)，使用一个可变形模型在脑体积中心进行初始化，当模型扩展到WML部位时会达到一定的阈值，但其体积分割往往是不足的。以上算法在分析FLAIR
‑
MRI时都不能满足脑体积分割需求，有研究使用卷积神经网络，但其计算量巨大且存在较多变异。除此之外，这些算法的运行需要专业硬件系统支持，从而限制了其转化应用以及临床实用性。
[0004]现有的一些针对FLAIR
‑
MRI的脑体积分割算法大多是半自动化的，需要医生结合手动操作进行分割，既耗时耗力又增加了操作的复杂性，同时由于手工操作具有一定程度的主观性，导致这种半自动化的方法难以输出稳定客观的结果。还有一些需要结合多膜态序列(即T1、T2等)，但多序列分析很可能造成分割错误。此外，人工智能算法在处理变异度较高的多中心图像时，图像的标准化也是需要重点关注并解决的问题。由于多中心效应(multicentre effect,MCE)的存在，人工智能算法目前在应用于多中心数据时仍然有所限制。在分析大量高维度多中心图像数据时，不同的图像采集系统会产生不同的噪声、强度、对比度和分辨率，这些不同的参数、算法重建、伪影以及患者在检查过程中的体位变动均会导致图像的变异性较高。不同脑血管疾病的病变特征也有所区别，中风的脑组织损伤其病
变负荷较大，而痴呆则往往表现为脑萎缩。这些变异性来源都会影响自动分割算法的结果。由于算法是定量的，图像中的微小变化(例如，强度值)就可能对结果的可靠性产生很大的负面影响。此外，假阳性错误是基于机器学习的脑体积分割算法中的常见问题，往往需要更加复杂的模型来处理，例如生成模型或图形切割。
[0005]综上所述，现有技术存在以下技术问题：
[0006](1)现有的一些针对FLAIR
‑
MRI的脑体积分割算法大多是半自动化的，需要医生结合手动操作进行分割，医生手动分割图像存在一定的主观性且难度较大以及难以开展大规模研究的问题。
[0007](2)人工智能算法目前在应用于多中心数据时仍然有所限制，在分析大量高维度多中心图像数据时，不同的图像采集系统会存在产生不同的噪声、强度、对比度和分辨率的问题，这些不同的参数、算法重建、伪影以及患者在检查过程中的体位变动均会导致图像的变异性较高。
[0008](3)机器学习的脑体积分割算法中会存在假阳性错误的问题。

技术实现思路

[0009]本申请的主要目的在于提供一种用于FLAIR
‑
MRI序列的全自动脑体积分割算法，以解决现有技术中一些针对FLAIR
‑
MRI的脑体积分割算法大多是半自动化的，需要医生结合手动操作进行分割，医生手动分割图像存在一定的主观性且难度较大以及难以开展大规模研究的问题、人工智能算法目前在应用于多中心数据时仍然有所限制，在分析大量高维度多中心图像数据时，不同的图像采集系统会存在产生不同的噪声、强度、对比度和分辨率的问题，这些不同的参数、算法重建、伪影以及患者在检查过程中的体位变动均会导致图像的变异性较高以及机器学习的脑体积分割算法中会存在假阳性错误的问题。
[0010]一种用于FLAIR
‑
MRI序列的全自动脑体积分割算法，算法具体包括：
[0011]步骤一：采用标准化框架对多中心FLAIR
‑
MRI数据图像进行预处理，通过分析不同设备和不同疾病图像特征对分割精度的影响，采用伪影采集抑制、图像强度标度标准化、体素分辨率标准化和患者体位标准化的方式，以处理多中心FLAIR
‑
MRI数据图像的变异性，得到标准化FLAIR
‑
MRI数据图像；
[0012]步骤二：基于标准化FLAIR
‑
MRI数据图像，从标准化FLAIR
‑
MRI数据图像中提取特征集，特征集用于优化分类器参数和抽样策略；
[0013]步骤三：基于特征集，使用随机森林分类器训练并构建二进制脑掩膜分割模型，构建二进制脑掩膜分割模型以提取FLAIR
‑
MRI数据图像中的脑体积；
[0014]步骤四：采取形态学后处理方法进一步分割二进制脑掩膜，并对脑体积进行精确分割。
[0015]在上述技术方案的基础上，本专利技术还可以做如下改进：
[0016]进一步地，步骤一中采用标准化框架对多中心FLAIR
‑
MRI数据图像进行预处理，通过分析不同设备和不同疾病图像特征对分割精度的影响，采用伪影采集抑制、图像强度标度标准化、体素分辨率标准化和患者体位标准化的方式，以处理多中心FLAIR
‑
MRI数据图像的变异性，得到标准化FLAIR
‑
MRI数据图像；
[0017]采用伪影采集抑制是对FLAIR...

【技术保护点】

【技术特征摘要】
1.一种用于FLAIR
‑
MRI序列的全自动脑体积分割算法，其特征在于，所述算法包括：步骤一：采用标准化框架对多中心FLAIR
‑
MRI数据图像进行预处理，通过分析不同设备和不同疾病图像特征对分割精度的影响，采用伪影采集抑制、图像强度标度标准化、体素分辨率标准化和患者体位标准化的方式，以处理多中心FLAIR
‑
MRI数据图像的变异性，得到标准化FLAIR
‑
MRI数据图像；步骤二：基于标准化FLAIR
‑
MRI数据图像，从标准化FLAIR
‑
MRI数据图像中提取特征集，特征集用于优化分类器参数和抽样策略；步骤三：基于特征集，使用随机森林分类器训练并构建二进制脑掩膜分割模型，构建二进制脑掩膜分割模型以提取FLAIR
‑
MRI数据图像中的脑体积；步骤四：采取形态学后处理方法进一步分割二进制脑掩膜，并对脑体积进行精确分割。2.如权利要求1所述的一种用于FLAIR
‑
MRI序列的全自动脑体积分割算法，其特征在于，步骤一中采用标准化框架对多中心FLAIR
‑
MRI数据图像进行预处理，通过分析不同设备和不同疾病图像特征对分割精度的影响，采用伪影采集抑制、图像强度标度标准化、体素分辨率标准化和患者体位标准化的方式，以处理多中心FLAIR
‑
MRI数据图像的变异性，得到标准化FLAIR
‑
MRI数据图像；采用伪影采集抑制是对FLAIR
‑
MRI数据图像进行降噪和背景抑制，使用中值滤波器去除杂散像素，保留边缘信息，裁剪FLAIR
‑
MRI数据图像直方图的上下2％以去除异常值强度，并使用K均值分类器将FLAIR
‑
MRI数据图像分割为前景和背景，进行形态学处理和填充，以确保前景区域保留所有脑室结构，并使用背景掩膜消除所有非组织像素和背景噪声，对FLAIR
‑
MRI数据图像进行偏置场校正，每个FLAIR
‑
MRI数据图像切片被其自身的低通滤波版本分割，代表其低频偏置场伪影，以抑制来自同一组织类别内的强度调制。3.如权利要求1所述的一种用于FLAIR
‑
MRI序列的全自动脑体积分割算法，其特征在于，步骤一中采用标准化框架对多中心FLAIR
‑
MRI数据图像进行预处理，通过分析不同设备和不同疾病图像特征对分割精度的影响，采用伪影采集抑制、图像强度标度标准化、体素分辨率标准化和患者体位标准化的方式，以处理多中心FLAIR
‑
MRI数据图像的变异性，得到标准化FLAIR
‑
MRI数据图像；采用图像强度标度标准化是将数据库中所有FLAIR
‑
MRI数据图像的直方图与图谱对齐，从而为FLAIR
‑
MRI数据图像之间的相同组织产生一致的强度间隔，通过对齐不同体积直方图最大模式，即对应脑灰质和脑白质强度，从而在FLAIR
‑
MRI数据图像之间产生相似的直方图。4.如权利要求3所述的一种用于FLAIR
‑
MRI序列的全自动脑体积分割算法，其特征在于，在FL...

【专利技术属性】
技术研发人员：刘伟奇，马学升，陈金钢，徐鹏，赵友源，陈磊，陈韵如，
申请(专利权)人：同心医联科技北京有限公司，
类型：发明
国别省市：