一种结合UNet和主动轮廓模型的大脑提取方法技术

本发明专利技术涉及一种结合UNet和主动轮廓模型的大脑提取方法，属于医学图像分割技术领域，属于医学图像分割领域。该方法包括：获取脑部医学图像数据集，并做必要的预处理；将数据集划分为训练集和测试集；构造UNet卷积神经网络模型；使用训练集数据按照二分类交叉熵损失函数训练模型；再次使用训练集数据按照复合损失函数继续训练模型；将测试图像输入模型，依据模型输出建立分割掩码，得到分割结果。本发明专利技术能够在不改变原有训练数据的情况下，通过其特殊的损失函数设计以及模型训练策略，从脑部医学图像中剔除头皮、颅骨和脑脊液，得到更加精细的大脑分割结果。细的大脑分割结果。细的大脑分割结果。

【技术实现步骤摘要】
一种结合UNet和主动轮廓模型的大脑提取方法


[0001]本专利技术涉及一种从脑部医学图像中提取大脑区域的方法，特别涉及一种结合UNet和主动轮廓模型的大脑提取方法，属于医学图像分割


技术介绍

[0002]在医学图像分割领域，大脑提取(Brain Extraction)是常见的分割任务之一。脑损伤评估、大脑疾病诊断、脑组织体积量化以及脑结构可视化等都涉及到大脑提取工作。
[0003]大脑提取，在有的文献中也叫做颅骨去除(Skull Stripping)，其目标是将头皮、颅骨等非脑组织区域从脑部医学图像(如CT图像、MR图像)中剔除，为后续的脑组织分割、配准、体积量化等工作提供基础。
[0004]目前，已有很多大脑提取方法。这些方法大体可分为：基于深度学习的方法以及传统的非深度学习方法。
[0005]传统非深度学习的大脑提取方法一般使用像素点的灰度值、图像的纹理以及形状等较低层次的特征信息进行图像分割，以便将大脑区域从输入图像中分割出来，从而实现大脑提取。在这类方法中，比较经典的有Kass等人提出的基于主动轮廓模型(Active Contour Model，ACM)的方法(Kass M,Witkin A,Terzopoulos D.Snakes:Active contour models.IJCV,1988,1(4):321
‑
331.)。该方法以最小化能量泛函的方式，对初始轮廓曲线进行演化，从而得到待分割物体的边界。该方法及其后续的一些改进方法，在很多医学图像分割任务上取得了不错的分割结果。但是这类方法容易陷入局部最优解，虽然一些局部分割结果可以做到非常精细，但是整体分割结果往往不太好。为此，Chan和Vese提出了无边界主动轮廓模型(Active Contours without Edges，ACWE)算法(Chan T F,Vese L A.Active Contours without Edges[J].IEEE Transactions on Image Processing,2001,10(2):266
‑
277)。ACWE算法能够利用图像的全局灰度信息来指导轮廓曲线的演变，从而在很多图像分割任务上获得比ACM更好的分割结果。但是，ACWE算法仅对灰度变化不大的图像分割效果较好。当使用该算法对原始脑部医学图像进行大脑提取工作时，还是无法得到令人满意的整体分割结果，因为存在将头皮以及颅骨错误保留下来的现象。
[0006]基于深度学习的大脑提取方法一般都是依据人工标注好的数据集，训练出一个神经网络模型，然后利用所训练的模型对输入图像进行分割，其分割结果即模型的输出是与输入图像对应的分割掩码。若输入图像某像素点属于大脑区域则对应掩码取值为1，否则取值为0。目前，已有众多用于大脑提取工作的神经网络模型。最早由Ronneberger等人提出的UNet模型(Ronneberger O,Fischer P,Brox T.U
‑
Net:Convolutional Networks for Biomedical Image Segmentation.Springer International Publishing,2015.)是其中的经典，并在UNet的基础上衍生出了3DUNet、VNet、ResUNet、DenseUNet、AttentionUNet、TransformerUNet等各种网络。这些网络模型都是通过深度学习训练出来，通过深度学习聚集了图像的深层特征，因而在各类图像分割任务上都获得了比传统方法更好的分割结果。
[0007]就三维大脑提取任务而言，当采用3DUNet对输入脑部图像进行分割时，由于经过
了人工标注数据(人工分割结果)的训练，3DUNet可以准确剔除脑部图像中的头皮以及颅骨，将大脑区域提取出来。但是，当根据3DUNet的分割掩码创建三维大脑模型时，却只能得到一个粗略的大脑模型，大脑表面的沟回结构模糊不清。该问题的原因是：参与网络训练的人工标注数据只考虑了头皮和颅骨的去除，未将脑脊液和脑组织做进一步的区分。3DUNet的结果依赖于训练数据，因此也无法将脑脊液和脑组织做进一步的区分，从而导致三维大脑模型表面沟回结构模糊不清。解决这个问题的一个办法是重新人工标注训练数据集，将脑脊液与脑组织区分开来。然而，人工标注非常耗时耗力，想要通过重新标记训练数据集而得到能够精确分割脑脊液的网络模型是一件比较困难的事情。另外，即使是人工标注，也很难做到脑脊液与脑组织的准确区分。这意味着基于深度学习的大脑提取方法难以做到精细的大脑分割。
[0008]综上所述，在脑部医学图像的大脑提取任务中，基于主动轮廓模型的方法具有局部精细分割的优势，但是难以将头皮和颅骨剔除；基于UNet的深度学习方法能够准确剔除头皮以及颅骨，但难以做到精细的大脑分割。

技术实现思路

[0009]为解决上述问题，本专利技术提供一种结合UNet和主动轮廓模型的大脑提取方法。该方法以UNet作为基础架构构建网络模型，采用基于交叉熵和主动轮廓模型的损失函数对网络模型进行专门训练，使训练所得的网络模型不仅能从脑部医学图像中剔除头皮和颅骨，还能有效去除脑脊液，得到更加精细的大脑提取结果。这就是本专利技术的目的和主旨所在。
[0010]本专利技术的目的是通过以下技术方案实现的。
[0011]一种结合UNet和主动轮廓模型的大脑提取方法，包括以下步骤：
[0012]步骤1：获取脑部医学图像数据集，并对脑部医学图像数据集进行必要的预处理使其满足神经网络处理要求。
[0013]预处理可能包含数据格式转换、数据裁剪与合并、数据增强、数据扩充、数据归一化以及人工标注等操作。在实际应用中，具体的预处理操作依脑部医学图像的实际情况而定。如果脑部医学图像已经部分或全部满足神经网络的处理要求，则可省略部分或全部预处理操作。
[0014]步骤2：将脑部医学图像数据集划分为训练集S和测试集T。
[0015]步骤3：令B
S
为训练数据集S中的脑部医学图像，B
S
的大小为H
×
W
×
D，依据B
S
的大小构造包含n次下采样和n上采样的UNet卷积神经网络模型M，其中参数n根据图像大小和实际应用需求设定，模型M的网格结构和构造方法如下：
[0016]模型M首先通过下采样、上采样以及跳跃连接将2n+1个基本网络块组合在一起。每个基本网络块NetB
i
(i＝1,
…
,2n+1)都包含两个卷积层，卷积层中卷积核大小为3
×3×
3，滑动步长为1，填充参数为1，激活函数为ReLU函数，归一化操作为批量归一化。
[0017]NetB1的输入为脑部医学图像。NetB
i
(i＝1,
…
,n)的输出经过一个最大池化层处理后作为NetB
i+1
的输入，其中最大池化层的池本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合UNet和主动轮廓模型的大脑提取方法，其特征在于，包括以下步骤：步骤1：获取脑部医学图像数据集，并对脑部医学图像数据集进行必要的预处理使其满足神经网络处理要求；步骤2：将脑部医学图像数据集划分为训练集S和测试集T；步骤3：令B
S
为训练数据集S中的脑部医学图像，B
S
的大小为H
×
W
×
D，依据B
S
的大小构造包含n次下采样和n上采样的UNet卷积神经网络模型M，其中参数n根据图像大小和实际应用需求设定，模型M的网格结构和构造方法如下：模型M首先通过下采样、上采样以及跳跃连接将2n+1个基本网络块组合在一起；每个基本网络块NetB
i
(i＝1,
…
,2n+1)都包含两个卷积层，卷积层中卷积核大小为3
×3×
3，滑动步长为1，填充参数为1，激活函数为ReLU函数，归一化操作为批量归一化；NetB1的输入为脑部医学图像；NetB
i
(i＝1,
…
,n)的输出经过一个最大池化层处理后作为NetB
i+1
的输入，其中最大池化层的池化核大小为2
×2×
2，滑动步长为2；最大池化层将NetB
i
(i＝1,
…
,n)与NetB
i+1
连接起来实现一次空间分辨率的下采样；NetB
j
(j＝n+1,
…
,2n)的输出经过一个反卷积层处理后作为NetB
j+1
的输入，其中反卷积层的卷积核大小为2
×2×
2，滑动步长为2，填充参数为1；反卷积层将NetB
j
(j＝n+1,
…
,2n)与NetB
j+1
连接起来实现一次空间分辨率的上采样；此外，NetB
j+1
(j＝n+1,
…
,2n)还通过跳跃连接将NetB
2n
‑
j+1
的输出复制过来，与其原有输入合并在一起作为其输入；在模型M的网络结构中，网络块之间除了空间分辨率的变化外，还存在卷积核数的变化；在网络块内部，每个卷积层的卷积核数是一样；但在网络块之间，NetB
i
(i＝2,
…
,n+1)的卷积核数是NetB
i
‑1的两倍，NetB
j
(j＝n+2,
...

【专利技术属性】
技术研发人员：张文耀，李雪，康子健，王成，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：