一种模拟TBI脑图像的制备方法技术

本发明专利技术涉及一种模拟TBI脑图像的制备方法，该方法通过大量的训练样本完成对形变生成器，病灶生成器以及多尺度判别器的机器学习训练，在输入的正常脑图像上叠加形变场及该强度场，完成对TBI脑图像中的形变、血肿、占位等因素的模拟，实现将一张正常的脑图像转化为与真实的TBI脑图像相似度极高的模拟TBI脑图像。本发明专利技术的优点在于，用模拟的TBI脑图像代替真实的TBI脑图像，解决真实的TBI脑图像训练样本缺乏的问题，通过对训练样本脑区域的自动标注，降低了人工标注成本且模拟的TBI脑图像与真实的TBI脑图像相似度极高，质量过关。质量过关。质量过关。

【技术实现步骤摘要】
一种模拟TBI脑图像的制备方法


[0001]本专利技术属于机器学习
，具体涉及一种模拟TBI脑图像的制备方法。

技术介绍

[0002]颅脑创伤(traumatic brain injury,TBI)是一种突发性的由外力作用引起的头颅及其内容物的损伤，通常会引起脑功能的严重损伤，已成为当前儿童和中青年人群最主要的死亡原因之一，具有沉重的社会经济后果。磁共振成像(MRI)在临床上被广泛应用于检查TBI患者的意识和预后状况，这涉及到患者的大脑异常的评估和脑网络分析。具体来说，我们之前的研究已经确定了17个与TBI患者的意识状态明显相关的脑区。因此，这些脑区的识别和分割被认为是进行脑网络分析和随后基于MRI的意识水平估计的前提条件，与传统方式相比，它可以提供更客观的定量评估。然而，从MRI扫描中手动注释这些区域通常是不切实际的，因此非常需要设计一种针对TBI图像的自动分割方法。
[0003]尽管许多基于深度学习的算法已被证明在大脑分割中是有效的，目前的做法通常是以完全监督的方式进行训练，这需要大量的注释数据。由于颅脑创伤患者的大脑的解剖结构错综复杂，训练数据的准备成本，尤其是人工标注的成本相当大。这样一来，数据增强可以被认为是解决缺乏训练样本问题的有效途径。
[0004]传统的数据增强方法，例如仿射变换、非刚性变形、亮度与对比度变换等方法在图像分割中非常流行，但是这些技术在颅脑损伤脑区分割中受到一定的限制。这些增强方法用于模拟图像中存在的自然差异，例如空间与亮度的变化，但是传统的数据增强技术无法模拟颅脑损伤中的颅骨变形和脑内血肿，这限制了它们产生有效的合成数据和提高分割的效果。
[0005]基于图像翻译的数据增强方法虽然可以生成逼真的图像，但图像翻译方法用于数据增强的主要局限性是，它们需要提供大量的标签来生成对应的图像。
[0006]在颅脑创伤脑区分割任务中，数据量非常匮乏导致可用的标签很少，这会导致基于图像翻译的方法生成的图像质量不足。

技术实现思路

[0007]本专利技术公开了一种模拟TBI脑图像的制备方法，用以解决真实的TBI脑图像训练样本缺乏，生成的模拟TBI脑图像质量较差的技术问题。
[0008]为了解决上述技术问题，本专利技术的实施例公开了如下技术方案：
[0009]本专利技术提供了一种模拟TBI脑图像的制备方法，具体包括如下步骤：图像获取步骤，掩模图制备步骤，形变场获取步骤，强度场获取步骤以及模拟TBI脑图像生成步骤。所述图像获取步骤用以获取正常脑图像及TBI脑图像，所述正常脑图像为正常人大脑的MRI扫描图像，所述TBI脑图像为颅脑创伤患者大脑的MRI扫描图像；所述掩模图制备步骤用以制备病灶区域掩模图，每一病灶区域掩模图上形成至少一病灶区域；所述形变场获取步骤是将一病灶区域掩模图录入至一形变统计模型，从形变统计模型中进行随机采样，获得对应所
述病灶区域掩模图的病灶区域的形变场；所述强度场获取步骤是将一正常脑图像及一病灶区域掩模图录入至一病灶生成器；获取对应所述病灶区域掩模图的病灶区域的强度场；所述模拟TBI脑图像生成步骤是将该形变场及该强度场应用在所述正常脑图像上，生成病灶区域发生形变的模拟TBI脑图像。
[0010]进一步地，在所述形变场获取步骤之前，还包括形变生成器训练步骤；所述形变生成器训练步骤包括如下步骤：将一个正常脑图像与一个TBI脑图像作为一组训练样本；将多组训练样本录入至变形图像配准网络进行机器学习训练，学习从正常脑图像到形变脑图像的映射；获得一形变生成器。
[0011]进一步地，在所述形变场获取步骤之前，还包括形变统计模型生成步骤；所述形变统计模型生成步骤包括如下步骤：录入一正常脑图像至一形变生成器；所述形变生成器输出一形变的脑图像；对比所述形变的脑图像与所述正常脑图像的像素点，计算形变场；先后录入N个正常脑图像，重复上述步骤N次，N为在一预设阈值范围内的自然数；将所述形变生成器输出的形变场参数化处理，构建形变统计模型。
[0012]进一步地，在所述形变场获取步骤之前，还包括形变生成器测试步骤；
[0013]所述形变生成器测试步骤包括如下步骤：将正常脑图像录入至一形变统计模型，从形变统计模型中进行随机采样，获得形变场；将该形变场应用在所述正常脑图像上，生成形变的脑图像。
[0014]进一步地，在所述强度场获取步骤之前，还包括病灶生成器训练步骤，所述病灶生成器训练步骤是将多个形变的脑图像作为训练样本录入至一机器学习模型，进行机器学习训练，生成病灶生成器，用以输出对应于不同病灶区域的强度场。
[0015]进一步地，在所述形变场获取步骤之前，还包括图像标注步骤，所述图像标注步骤是在每一正常脑图像上标注两个以上的区域，形变带有标注的正常脑图像。
[0016]进一步地，在所述形变场获取步骤之前，还包括多尺度判别器训练步骤，所述多尺度判别器训练步骤是将多对所述模拟TBI脑图像与所述真实的TBI脑图像输入至一机器学习模型，进行机器学习训练，生成多尺度判别器，用以判断所述模拟TBI脑图像与真实的TBI脑图像的相似度。
[0017]进一步地，在所述模拟TBI脑图像生成步骤之后，还包括多尺度判别步骤，所述多尺度判别步骤是将所述模拟TBI脑图像截取不同尺度的特征图像，计算所述模拟TBI脑图像与真实的TBI脑图像的相似度，当所述相似度小于一预设阈值时，输出所述模拟TBI脑图像。
[0018]进一步地，所述多尺度判别步骤具体包括：降采样步骤，图像判别步骤以及相似度计算步骤。所述降采样步骤是对所述模拟TBI脑图像原图进行1/2的降采样处理和对所述模拟TBI脑图像原图进行1/4的降采样处理；所述图像判别步骤是将所述模拟TBI脑图像原图与所述真实的TBI脑图像进行判别，将所述模拟TBI脑图像原图1/2的降采样图片与所述真实的TBI脑图像进行判别，将所述模拟TBI脑图像原图1/4的降采样图片与所述真实的TBI脑图像进行判别；所述相似度计算步骤是计算第一相似度，第二相似度与第三相似度的平均值，若该平均值大于预设阈值，则输出所述模拟TBI脑图像。
[0019]本专利技术还提供了一种存储介质，用于存储可执行程序代码；在所述存储介质中一处理器读取所述可执行程序代码，以运行与所述可执行程序代码对应的计算机程序，以执行权利要求1
‑
9中任一项所述的模拟TBI脑图像的制备方法中的至少一步骤。
[0020]本专利技术的优点在于，提供一种模拟TBI脑图像的制备方法，通过形变生成器，病灶生成器以及多尺度判别器实现对模拟TBI脑图像的制备，用模拟的TBI脑图像代替真实的TBI脑图像，解决真实的TBI脑图像训练样本缺乏的问题，通过对训练样本脑区域的自动标注，降低了人工标注成本，且模拟的TBI脑图像与真实的TBI脑图像相似度极高，质量过关。
附图说明
[0021]下面结合附图和具体实施例，对本专利技术的技术方案进行详细的说明。
[0022]图1为本专利技术实施例1提供的模拟TBI脑图像的制备方法流程图；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模拟TBI脑图像的制备方法，其特征在于，具体包括如下步骤：图像获取步骤，获取正常脑图像及TBI脑图像，所述正常脑图像为正常人大脑的MRI扫描图像，所述TBI脑图像为颅脑创伤患者大脑的MRI扫描图像；掩模图制备步骤，制备病灶区域掩模图，每一病灶区域掩模图上形成至少一病灶区域；形变场获取步骤，将一病灶区域掩模图录入至一形变统计模型，从形变统计模型中进行随机采样，获得对应所述病灶区域掩模图的病灶区域的形变场；强度场获取步骤，将一正常脑图像及一病灶区域掩模图录入至一病灶生成器；获取对应所述病灶区域掩模图的病灶区域的强度场；以及模拟TBI脑图像生成步骤，将该形变场及该强度场应用在所述正常脑图像上，生成病灶区域发生形变的模拟TBI脑图像。2.如权利要求1所述的模拟TBI脑图像的制备方法，其特征在于，在所述形变场获取步骤之前，还包括形变生成器训练步骤；所述形变生成器训练步骤包括如下步骤：将一个正常脑图像与一个TBI脑图像作为一组训练样本；将多组训练样本录入至变形图像配准网络进行机器学习训练，学习从正常脑图像到形变脑图像的映射；以及获得一形变生成器。3.如权利要求1所述的模拟TBI脑图像的制备方法，其特征在于，在所述形变场获取步骤之前，还包括形变统计模型生成步骤；所述形变统计模型生成步骤包括如下步骤：录入一正常脑图像至一形变生成器；所述形变生成器输出一形变的脑图像；对比所述形变的脑图像与所述正常脑图像的像素点，计算形变场；先后录入N个正常脑图像，重复上述步骤N次，N为在一预设阈值范围内的自然数；将所述形变生成器输出的形变场参数化处理，构建形变统计模型。4.如权利要求1所述的模拟TBI脑图像的制备方法，其特征在于，在所述形变场获取步骤之前，还包括形变生成器测试步骤；所述形变生成器测试步骤包括如下步骤：将正常脑图像录入至一形变统计模型，从形变统计模型中进行随机采样，获得形变场；以及将该形变场应用在所述正常脑图像上，生成形变的脑图像。5.如权利要求1所述的模拟TBI脑图像的制备方法，其特征在于，在所述强度场获取步骤之前，还...

【专利技术属性】
技术研发人员：张立箎，赵翔宇，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：