【技术实现步骤摘要】
本专利技术涉及一种医学图像处理技术，尤其是涉及一种脑部mri(magneticresonance imaging，磁共振成像)图像脑微出血自动分割方法。
技术介绍
1、脑微出血(cerebral microbleeds，cmbs)是一种由脑微血管病变引起的病理现象，特征为含铁血黄素沉积。
2、在影像学上，脑微出血的检测通常依赖于磁共振成像(magnetic resonanceimaging，mri)技术，在磁敏感加权成像(susceptibility weighted imaging，swi)或t2*加权梯度回波成像(t2*weighted gradient echo imaging)中，表现为2～10毫米的低密度病灶。
3、研究显示，脑微出血的高发生率与认知功能障碍、糖尿病、高血压、中风和颅内出血风险的增加密切相关，被视为是许多脑淀粉样血管疾病和脑小血管疾病的重要诊断生物标志物之一。
4、脑微出血的分割是一项高度专业且具有挑战性的任务，其难度来源于多个因素。
5、首先，脑微出血病灶相比整个图像来说非常小，并且分布相对稀疏，因此在定位和准确分割病灶时会存在一定的困难。
6、其次，图像中存在一系列与脑微出血相似的模拟物，如血管、钙化沉积和海绵状血管瘤，它们的外观、灰度值和边缘特征可能与真正的脑微出血难以区分，从而增加了检测的复杂性。
7、目前，脑微出血的检测主要依赖于经验丰富的放射科医生通过mri来评估病灶。然而，这种人工检测方法受限于脑部组织的复杂性和mri
8、为了减轻放射科医生的工作压力并及时进行临床干预，计算机辅助检测(computer-aided detection，cad)系统的开发成为了必要。
9、mri技术已经发展成为检测脑微出血的强大工具，可以给模型提供更加细节的信息。然而，高分辨率mri数据的获取成本高昂且相对稀缺。与此同时，在许多发展中国家，低分辨率mri仍然是主要的数据来源。因此，在当前的研究中，拓展自动化方法以适应低分辨率mri是一项非常重要且具有挑战性的任务。
技术实现思路
1、本专利技术所要解决的技术问题是提供一种脑部mri图像脑微出血自动分割方法，其能够有效区分真实的脑微出血和其他类似的干扰物，如血管、钙化沉积和海绵状血管瘤，分割效果好，且能够提高低分辨率三维脑部mri图像中脑微出血检测的灵敏度，同时能够降低假阳性率。
2、本专利技术解决上述技术问题所采用的技术方案为：一种脑部mri图像脑微出血自动分割方法，其特征在于包括如下步骤：
3、步骤1：获取数张高分辨率三维脑部mri图像和相对应的低分辨率三维脑部mri图像，以及每张高分辨率三维脑部mri图像对应的高分辨率标签图像、每张低分辨率三维脑部mri图像对应的低分辨率标签图像；
4、步骤2：对所有高分辨率三维脑部mri图像和所有低分辨率三维脑部mri图像分别先后进行预处理和数据增强处理；其中，预处理包括强度值标准化、空间分辨率统一、非脑组织移除，数据增强处理包括随机翻转和噪声添加，在预处理后进行多次不同的数据增强处理，以使每张高分辨率三维脑部mri图像和每张低分辨率三维脑部mri图像各对应有多张噪声三维脑部mri图像；
5、步骤3：从每张高分辨率三维脑部mri图像及其对应的多张噪声三维脑部mri图像各自中截取数个高分辨率样本，并依据高分辨率标签图像中对应位置的高分辨率标签块区分为高分辨率正样本或高分辨率负样本；同样，从每张低分辨率三维脑部mri图像及其对应的多张噪声三维脑部mri图像各自中截取数个低分辨率样本，并依据低分辨率标签图像中对应位置的低分辨率标签块区分为低分辨率正样本或低分辨率负样本；
6、步骤4：针对从每张高分辨率三维脑部mri图像及其对应的多张噪声三维脑部mri图像各自中截取的所有高分辨率样本，以高分辨率正样本的数量为基准，按设定的第一正负样本比例选取高分辨率负样本；同样，针对从每张低分辨率三维脑部mri图像及其对应的多张噪声三维脑部mri图像各自中截取的所有低分辨率样本，以低分辨率正样本的数量为基准，按设定的第一正负样本比例选取低分辨率负样本；再将从所有高分辨率三维脑部mri图像及其对应的噪声三维脑部mri图像上截取的高分辨率正样本和选取的高分辨率负样本，以及从所有低分辨率三维脑部mri图像及其对应的噪声三维脑部mri图像上截取的低分辨率正样本和选取的低分辨率负样本构成混合训练数据集；
7、针对从每张高分辨率三维脑部mri图像及其对应的多张噪声三维脑部mri图像各自中截取的所有高分辨率样本，以高分辨率正样本的数量为基准，按设定的第二正负样本比例选取高分辨率负样本；再将从所有高分辨率三维脑部mri图像及其对应的噪声三维脑部mri图像上截取的高分辨率正样本和选取的高分辨率负样本构成高分辨率训练数据集；
8、对高分辨率训练数据集中的每个高分辨率样本按×2的降采样比例进行降采样，然后使用三次线性的插值算法将降采样后的样本重新上采样至原始尺寸，再将上采样后的样本构成第一低分辨率训练数据集；对高分辨率训练数据集中的每个高分辨率样本按×4的降采样比例进行降采样，然后使用三次线性的插值算法将降采样后的样本重新上采样至原始尺寸，再将上采样后的样本构成第二低分辨率训练数据集；对高分辨率训练数据集中的每个高分辨率样本按×8的降采样比例进行降采样，然后使用三次线性的插值算法将降采样后的样本重新上采样至原始尺寸，再将上采样后的样本构成第三低分辨率训练数据集；
9、针对从每张低分辨率三维脑部mri图像及其对应的多张噪声三维脑部mri图像各自中截取的所有低分辨率样本，以低分辨率正样本的数量为基准，按设定的第二正负样本比例选取低分辨率负样本；再将从所有低分辨率三维脑部mri图像及其对应的噪声三维脑部mri图像上截取的低分辨率正样本和选取的低分辨率负样本构成真实低分辨率训练数据集；
10、步骤5：构建全卷积神经网络；然后设定优化器为adam，学习率为0.0003；再使用混合训练数据集对全卷积神经网络进行训练，在训练过程中，使用一个批次的样本进行训练结束后更新网络参数，再使用下一个批次的样本进行训练，直至完成一轮训练后计算损失函数，根据损失函数计算结果更新网络权重；在训练至少100轮后，得到全卷积神经网络模型；其中，一个批次的样本为从混合训练数据集中随机抽取的样本，为高分辨率正样本或高分辨率负样本或低分辨率正样本或低分辨率负样本；
11、步骤6：构建第一u-net分割网络；然后设定优化器为adam，学习率为0.0003；再使用高分辨率训练数据集对第一u-net分割网络进行训练，在训练过程中，使用一个批次的样本进行训练结束后更新网络参数，再使用下一个批次的样本进行训练，直至完成一轮训练后计算损失函数，根据损失函数计算结果更新网络权重；在训练至少80轮后，得到第一u-net分割网络模型；其中，一个批次的本文档来自技高网...
【技术保护点】
1.一种脑部MRI图像脑微出血自动分割方法，其特征在于包括如下步骤：
2.根据权利要求1所述的一种脑部MRI图像脑微出血自动分割方法，其特征在于所述的步骤2中，将所有高分辨率三维脑部MRI图像和所有低分辨率三维脑部MRI图像均作为待处理图像，对待处理图像先后进行预处理和数据增强处理的具体过程为：
3.根据权利要求1所述的一种脑部MRI图像脑微出血自动分割方法，其特征在于所述的步骤3中，针对一张高分辨率三维脑部MRI图像及其对应的多张噪声三维脑部MRI图像，将这些图像作为待处理图像，高分辨率样本的获取及高分辨率正样本和高分辨率负样本的区分的具体过程为：
4.根据权利要求1所述的一种脑部MRI图像脑微出血自动分割方法，其特征在于所述的步骤4中，设定的第一正负样本比例为1:2，即正样本的数量与负样本的数量的比例为1:2；设定的第二正负样本比例为1:1，即正样本的数量与负样本的数量的比例为1:1。
5.根据权利要求1所述的一种脑部MRI图像脑微出血自动分割方法，其特征在于所述的步骤5中，全卷积神经网络包括8个卷积块和1个最大池化层，第1个卷
6.根据权利要求5所述的一种脑部MRI图像脑微出血自动分割方法，其特征在于所述的步骤5中，批次的大小为64，损失函数采用焦点损失函数Focal Loss。
7.根据权利要求1所述的一种脑部MRI图像脑微出血自动分割方法，其特征在于所述的第一U-Net分割网络和所述的第二U-Net分割网络的结构相同，其包括14个卷积块、3个最大池化层和3个反卷积层，第1个卷积块的输入端作为所在的U-Net分割网络的输入端，第2个卷积块的输入端接收第1个卷积块的输出端输出的特征图，第1个最大池化层的输入端接收第2个卷积块的输端输出的特征图，第3个卷积块的输入端接收第1个最大池化层的输出端输出的特征图，第4个卷积块的输入端接收第3个卷积块的输出端输出的特征图，第2个最大池化层的输入端接收第4个卷积块的输端输出的特征图，第5个卷积块的输入端接收第2个最大池化层的输出端输出的特征图，第6个卷积块的输入端接收第5个卷积块的输出端输出的特征图，第3个最大池化层的输入端接收第6个卷积块的输端输出的特征图，第7个卷积块的输入端接收第3个最大池化层的输出端输出的特征图，第8个卷积块的输入端接收第7个卷积块的输出端输出的特征图，第1个反卷积层的输入端接收第8个卷积块的输出端输出的特征图，第9个卷积块的输入端接收第6个卷积块的输出端输出的特征图与第1个反卷积层的输出端输出的特征图经通道拼接后得到的特征图，第10个卷积块的输入端接收第9个卷积块的输出端输出的特征图，第2个反卷积层的输入端接收第10个卷积块的输出端输出的特征图，第11个卷积块的输入端接收第4个卷积块的输出端输出的特征图与第2个反卷积层的输出端输出的特征图经通道拼接后得到的特征图，第12个卷积块的输入端接收第11个卷积块的输出端输出的特征图，第3个反卷积层的输入端接收第12个卷积块的输出端输出的特征图，第13个卷积块的输入端接收第2个卷积块的输出端输出的特征图与第3个反卷积层的输出端输出的特征图经通道拼接后得到的特征图，第14个卷积块的输入端接收第13个卷积块的输出端输出的特征图，第1...
【技术特征摘要】
1.一种脑部mri图像脑微出血自动分割方法，其特征在于包括如下步骤：
2.根据权利要求1所述的一种脑部mri图像脑微出血自动分割方法，其特征在于所述的步骤2中，将所有高分辨率三维脑部mri图像和所有低分辨率三维脑部mri图像均作为待处理图像，对待处理图像先后进行预处理和数据增强处理的具体过程为：
3.根据权利要求1所述的一种脑部mri图像脑微出血自动分割方法，其特征在于所述的步骤3中，针对一张高分辨率三维脑部mri图像及其对应的多张噪声三维脑部mri图像，将这些图像作为待处理图像，高分辨率样本的获取及高分辨率正样本和高分辨率负样本的区分的具体过程为：
4.根据权利要求1所述的一种脑部mri图像脑微出血自动分割方法，其特征在于所述的步骤4中，设定的第一正负样本比例为1:2，即正样本的数量与负样本的数量的比例为1:2；设定的第二正负样本比例为1:1，即正样本的数量与负样本的数量的比例为1:1。
5.根据权利要求1所述的一种脑部mri图像脑微出血自动分割方法，其特征在于所述的步骤5中，全卷积神经网络包括8个卷积块和1个最大池化层，第1个卷积块的输入端作为全卷积神经网络的输入端，第2个卷积块的输入端接收第1个卷积块的输出端输出的特征图，第3个卷积块的输入端接收第2个卷积块的输出端输出的特征图，第4个卷积块的输入端接收第3个卷积块的输出端输出的特征图，最大池化层的输入端接收第4个卷积块的输端输出的特征图，第5个卷积块的输入端接收最大池化层的输出端输出的特征图，第6个卷积块的输入端接收第5个卷积块的输出端输出的特征图，第7个卷积块的输入端接收第6个卷积块的输出端输出的特征图，第8个卷积块的输入端接收第7个卷积块的输出端输出的特征图，第8个卷积块的输出端作为全卷积神经网络的输出端；其中，每个卷积块由依次连接的卷积层、批量归一化层、leakly relu激活函数组成，第1个卷积块中的卷积层的输入通道数为16、输出通道数为16，第2个卷积块中的卷积层的输入通道数为16、输出通道数为32，第3个卷积块和第4个卷积块中各自的卷积层的输入通道数为32、输出通道数为32，最大池化层的输入通道数为32、输出通道数为64，第5个卷积块中的卷积层的输入通道数为64、输出通道数为64，第6个卷积块中的卷积层的输入通道数为64、输出通道数为128，第7个卷积块中的卷积层的输入通道数为128、输出通道数为128，第8个卷积块中的卷积层的输入通道数为128、输出通道数为1，第1个卷积块至第7个卷积块各自中的卷积层的卷积核大小为3×3×3，第8个卷积块中的卷积层的卷积核大小为2×2×2。
6.根据权利要求5所述的一种脑部mri图像脑微出血自动分割方法，其特征在于所述的步骤5中，批次的大小为64，损失函数采用焦点损失函数focal loss。
7.根据权利要求1所述的一种脑部mri图像脑微出血自动分割方法，其特征在于所述的第一u-net分割网络和所述的第二u-net分割网络的结构相同，其包括14个卷积块、3个最大池化层和3个反卷积层，第1个卷积块的输入端作为...
【专利技术属性】
技术研发人员：张荣，夏天翔，郭立君，谢国民，吴喜萍，
申请(专利权)人：宁波大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。