基于图网络的大脑皮层表面全自动分割方法及系统技术方案

本发明专利技术提出了基于图网络的大脑皮层表面全自动分割方法及系统，属于医疗图像技术及设备领域，解决了现有技术中映射过程很容易引入空间映射噪声，映射到球表面空间完成分割后再映射回原始空间导致时间开销大的问题，包括：将大脑磁共振图像配准至标准模板空间；基于深度神经网络对配准后大脑磁共振图像进行大脑皮层表面重建；计算重建后大脑皮层顶点间的邻接矩阵；获取各个大脑皮层表面网格顶点对应的区分性特征作为该点对应的特征向量，获得大脑皮层表面分割结果；将大脑皮层表面分割结果从标准模板空间映射回原始坐标空间。本发明专利技术对重建后的大脑皮层表面进行图结构建模，基于图网络学习全局拓扑结构特征，实现大脑皮层表面的准确分割。准确分割。准确分割。

【技术实现步骤摘要】
基于图网络的大脑皮层表面全自动分割方法及系统


[0001]本专利技术属于医疗图像技术及设备领域，尤其涉及基于图网络的大脑皮层表面全自动分割方法及系统。

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]大脑皮层表面是中枢神经系统最高级的一部分，许多神经退化性疾病和心理疾病的研究，都依赖于对大脑皮层表面的分析研究。
[0004]临床医学中，医生主要通过成像设备所采集生成的医学图像MRI（Magnetic Resonance Imaging，磁共振成像）进行诊断分析，对于序列MRI，往往需要经验丰富的脑科医生逐层分析判断，定位病灶并给出相应治疗方案。为了实现辅助诊断，基于MRI的三维重建及皮质表面分割算法已成为近几年来的热门研究课题。
[0005]现有工作中，脑图像数据的重建工作主要基于freesurfer软件工具集，对输入MRI进行颅骨剥离，强度校正和组织分割，最后生成重建后的大脑皮层表面。三维重建后数据的大脑皮层表面分割方法可以划分为基于原始空间的分割方法和基于球表面映射空间的分割方法。
[0006]考虑到大脑皮层表面复杂的褶皱结构，其在拓扑结构学中同胚于球形，因此操作于原始空间的方法，如聚类、标准图谱配准以及基于学习的体素分割等方法很难较好的处理大脑皮层表面的褶皱结构。且基于聚类的方法受聚类参数影响较大，无监督聚类结果难以获得临床医生的认可；基于标准图谱配准的方法在个体差异大的情况下分割性能有所下降；基于学习的体素分割方法存在体素的部分体积效应，分割边界精确上限低。
[0007]基于球表面映射空间的方法是当前的主流方法，尽管理论上具有准确分割的优势，但是映射过程很容易引入空间映射噪声，映射到球表面空间完成分割后再映射回原始空间的时间开销大；且已有分析工作表明该方法难以有效处理含破损区域的大脑皮层表面分割任务。

技术实现思路

[0008]为克服上述现有技术的不足，本专利技术提供了基于图网络的大脑皮层表面全自动分割方法，该方法对重建后的大脑皮层表面进行图结构建模，基于图网络学习全局拓扑结构特征，实现直接在原始脑空间的大脑皮层表面准确分割。
[0009]为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：第一方面，公开了基于图网络的大脑皮层表面全自动分割方法，包括：将大脑磁共振图像配准至标准模板空间；基于深度神经网络对配准后大脑磁共振图像进行大脑皮层表面重建，获取大脑皮层表面的三角形面片网格表示；
根据大脑皮层表面图像分辨率，设置合适的采样率，并对大脑皮层表面网格数据进行下采样；计算图网络对应卷积过程的邻接矩阵；计算大脑皮层表明顶点的特征描述向量，并生成大脑皮层表面所有顶点对应的特征矩阵；输入邻接矩阵和特征矩阵至训练好的图网络模型，获得大脑皮层表面分割结果；对分割结果进行后处理及空间映射，完成大脑皮层表面分割。
[0010]作为进一步的技术方案，将大脑磁共振图像配准至标准模板空间，具体为：指定所要配准至的标准模板空间，并通过图像配准开源库进行仿射和非线性配准。
[0011]作为进一步的技术方案，基于深度神经网络对输入的配准后大脑磁共振图像进行大脑皮层表面重建，获取大脑皮层表面的三角形面片网格表示，包括：针对采用的网络结构，输入配准后的MRI大脑图像，预测大脑皮层内外表面的隐式曲面表示；进而通过拓扑校正为球形的方式消除奇异点引起的拓扑形变；最后由等值面网格提取算法获取重建后的大脑皮层表面的三角形面片网格结构数据。
[0012]上述根据大脑皮层表面图像分辨率，设置合适的采样率，并对大脑皮层表面网格数据进行下采样：主要根据大脑皮层表面数据的分辨率而定，合适的下采样率设置既能减少算法的时间开销，又能够保证上采样之后的图像分辨率在可接受范围内。
[0013]作为进一步的技术方案，计算图网络对应卷积过程的3个邻接矩阵，包括：根据下采样后的大脑皮层表面网格顶点之间的连接关系，以及顶点对应的欧式空间坐标，计算大脑皮层顶点之间的欧式距离和测地距离，根据权重计算公式，并借助由预训练参数所初始化的三个高斯核，获取图网络中三个卷积层所对应的邻接矩阵。
[0014]作为进一步的技术方案，计算大脑皮层表明顶点的特征描述向量，并生成大脑皮层表面所有顶点对应的特征矩阵，包括：计算大脑皮层表面的平均曲率，沟深度，形状指数，弯曲度，最大最小主曲率，并将上述描述皮层褶皱信息的几何量和欧式空间位置坐标信息融合在一起，作为顶点的描述特征向量，组合所有顶点对应的特征向量，形成大脑皮层表面特征矩阵。
[0015]作为进一步的技术方案，输入邻接矩阵和特征矩阵至训练好的图网络模型，获得大脑皮层表面分割结果，其中，图网络的邻域聚合方式和消息传播规则f如下：表示第i层的权重矩阵，非线性激活函数使用的是Relu函数，（i=1，2），该图卷积网络由三个卷积层和一个softmax层组成，其第一层输入为特征矩阵和邻接矩阵，其中表示添加自环和归一化操作的邻接矩阵，输出为顶点的类别矩阵，大小为
的矩阵，表示顶点预测的类别数。为图卷积的隐藏层可学习参数；根据输出类别矩阵，确定所有顶点在模板空间的类别，完成模板空间中大脑皮层表面的分割。
[0016]作为进一步的技术方案，对分割结果进行后处理及空间映射，完成大脑皮层表面分割，包括：基于图割算法对大脑皮层表面分割结果施加空间一致性，修正可能存在的单个奇异点的预测错误；对校正后的分割结果进行上采样，并将大脑皮层表面分割从标准模板空间映射回原始坐标空间，至此完成大脑皮层表面分割。
[0017]第二方面，公开了基于图网络的大脑皮层表面全自动分割系统，包括：配准模块，被配置为：将大脑磁共振图像配准至标准模板空间；大脑皮层表面重建模块，被配置为：基于深度神经网络对配准后大脑磁共振图像进行大脑皮层表面重建，获取大脑皮层表面的三角形面片网格表示；根据大脑皮层表面图像分辨率，设置合适的采样率，并对大脑皮层表面网格数据进行下采样；矩阵计算模块，被配置为：计算图网络对应卷积过程的邻接矩阵；计算大脑皮层表明顶点的特征描述向量，并生成大脑皮层表面所有顶点对应的特征矩阵；分割模块，被配置为：输入邻接矩阵和特征矩阵至训练好的图网络模型，获得大脑皮层表面分割结果；映射模块，被配置为：对分割结果进行后处理及空间映射，完成大脑皮层表面分割。
[0018]以上一个或多个技术方案存在以下有益效果：本专利技术该方法对重建后的大脑皮层表面进行图结构建模，并引入图节点间可学习的连接权重构建策略，通过处理图的方式实现大脑皮层表面的准确分割。
[0019]本专利技术提出一种基于图卷积网络的分割方法，采样顶点之间的连接权重由引入的可学习的高斯核控制生成，可实现直接在原始空间的大脑皮层表面准确分割。解决了现有方法中，大脑皮层表面的分割需要配准至标准球面空间，时间开销大的问题。
[0020]大脑皮层表面分割工作主要参考皮层表面的位置信息和皮层褶皱分布，图卷积网络具有强大的学习能力，能够捕获大脑皮层表面的拓扑结构特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于图网络的大脑皮层表面全自动分割方法，其特征是，包括：将大脑磁共振图像配准至标准模板空间；基于深度神经网络对配准后大脑磁共振图像进行大脑皮层表面重建，获取大脑皮层表面的三角形面片网格表示；根据大脑皮层表面图像分辨率，设置合适的采样率，并对大脑皮层表面网格数据进行下采样；计算图网络对应卷积过程的邻接矩阵；计算大脑皮层表明顶点的特征描述向量，并生成大脑皮层表面所有顶点对应的特征矩阵；输入邻接矩阵和特征矩阵至训练好的图网络模型，获得大脑皮层表面分割结果；对分割结果进行后处理及空间映射，完成大脑皮层表面分割。2.如权利要求1所述的基于图网络的大脑皮层表面全自动分割方法，其特征是，将大脑磁共振图像配准至标准模板空间，具体为：指定所要配准至的标准模板空间，并通过图像配准开源库进行仿射和非线性配准。3.如权利要求1所述的基于图网络的大脑皮层表面全自动分割方法，其特征是，基于深度神经网络对输入的配准后大脑磁共振图像进行大脑皮层表面重建，获取大脑皮层表面的三角形面片网格表示，包括：针对采用的网络结构，输入配准后的MRI大脑图像，预测大脑皮层内外表面的隐式曲面表示；进而通过拓扑校正为球形的方式消除奇异点引起的拓扑形变；最后由等值面网格提取算法获取重建后的大脑皮层表面的三角形面片网格结构数据。4.如权利要求1所述的基于图网络的大脑皮层表面全自动分割方法，其特征是，计算图网络对应卷积过程的邻接矩阵，包括：根据下采样后的大脑皮层表面网格顶点之间的连接关系，以及顶点对应的欧式空间坐标，计算大脑皮层顶点之间的欧式距离和测地距离，根据权重计算公式，并借助由预训练参数所初始化的三个高斯核，获取图网络中三个卷积层所对应的邻接矩阵。5.如权利要求1所述的基于图网络的大脑皮层表面全自动分割方法，其特征是，计算大脑皮层表明顶点的特征描述向量，并生成大脑皮层表面所有顶点对应的特征矩阵，包括：计算大脑皮层表面的平均曲率，沟深度，形状指数，弯曲度，最大最小主曲率，并将上述描述皮层褶皱信息的几何量和欧式空间位置坐标信息融合在一起，作为顶点的描述特征向量，组合所有顶点对应的特征向量，形成大脑皮层表面特征矩阵。6.如权利要求1所述的基于图网络的大脑皮层表面全自动分割方法...

【专利技术属性】
技术研发人员：刘治，安木军，陶可猛，
申请(专利权)人：山东大学，
类型：发明
国别省市：