一种基于深度学习的白质纤维束重建方法技术

本发明专利技术公开了一种基于深度学习的白质纤维束重建方法，主要针对白质纤维束重建，首先提取训练样本集中数字图像的信号稀疏性特征；然后导入卷积神经网络中进行训练，分类结果采用前向传播，分类误差采用反向传播算法，获得最佳的网络模型；其次，提取的测试样本集中图像信号稀疏性的特征，输入到训练好的网络模型中，得到最终的预测结果；最后，采用连续曲线拟合把获得的结果描述成白质纤维的走向和分布，重建三维白质纤维束。本发明专利技术能够准确的构建交叉、分叉的白质纤维束，为白质纤维束的临床研究和生理病理机制提供帮助。

【技术实现步骤摘要】
一种基于深度学习的白质纤维束重建方法
本专利技术涉及数字图像分析与处理的
，尤其是指一种基于深度学习的白质纤维束重建方法。
技术介绍
数字图像，尤其是生物医学大脑白质纤维显微图像中，大脑白质结构是由无数个神经纤维聚集在大脑内部组成的，颜色较浅，也叫做脑白质。白质纤维由数百万条“沟通管线”组成，管线里包覆著一根长长的轴突(又称突起)，管线外包覆著称为髓磷脂的白色脂质，而这些“白色缆线”的功能是负责沟通不同脑区的灰质(神经元)、在神经元间传递动作电位。脑白质结构异常主要变现为中枢神经细胞的髓鞘损害，导致大脑某些高级功能缺失。在医学影像学研究中，常常需要对白质纤维的解剖结构和功能特性进行分析和处理，如白质纤维束重建、特征提取与识别、病灶定位等。白质纤维束重建，是进行上述分析的基础与重要环节，然而，大脑白质纤维存在大量的交叉、汇聚和分支，如何选择纤维束重建方法，是我们要解决的至关重要的问题。目前，比较常用的纤维束追踪的算法有确定性纤维束追踪算法(SmithSM,Johansen-BergH,JenkinsonM,etal.Acquisitionandvoxelwiseanalysisofmulti-subjectdiffusiondatawithtract-basedspatialstatistics.NatProtoc.2(3):499-503,(2007))和概率性纤维束追踪算法(WangR,BennerT,SorensenAG,etal.Diffusiontoolkit:Asoftwarepackagefordiffusionimagingdataprocessingandtractography.ProIntlSocMagResonMed.15:3720,(2007))。确定性纤维束追踪算法的实现过程主要包括种子点的选取、确定纤维追踪终止条件和纤维选择策略。根据采用的数学模型不同，又可分为单张量模型算法(MishraA,AndersonAW,WuX,etal.AnimprovedBayesiantensorregularizationandsamplingalgorithmtotractneuronalfiberpathwaysinthelanguagecircuit.MedPhys.37(8):4274-4287,(2010))和多张量模型算法(PeledS,FrimanO,JoleszF,etal.Geometricallyconstrainedtwo-tensormodelforcrossingtractsinDWI.MagnResonImaging.24(9):1263-1270,(2006))，前者认为每个体素只能穿过一条纤维，利用张量场主特征向量的特征值来重建白质纤维。常见的算法有STT算法(MoriS,VanZijlPAM.Fibertracking:principlesandstrategies-atechnicalreview.NMRBiomed.15(7-8):468-480,(2002))、TEND算法(LazarM,WeinsteinDM,TsurudaJS,etal.Whitemattertractographyusingdiffusiontensordeflection.HumBrainMap.18(4):306-321,(2003))、FACT算法(MishraA,AndersonAW,WuX,etal.AnimprovedBayesiantensorregularizationandsamplingalgorithmtotractneuronalfiberpathwaysinthelanguagecircuit.MedPhys.37(8):4274-4287,(2010))及GTRACT算法(ChengP.EvaluationoftheGTRACTdiffusiontensortractographyalgorithm:avalidationandreliabilitystudy.Neuroimage.31(3):1075-1085,(2006))，这些算法辨别单体素上通过的各条纤维的走行方向，追踪效果受到追踪方向、ROI选择、终止条件等因素的影响。多张量模型以体素的单张量信息为基本点，将这个基本点分解成多个特征向量来追踪单体素内的多条脑白质纤维束的走行方向。这种算法能够获得稳定、精确的纤维特征方向，初步解决了现有方法搜索不收敛带来的误差。与确定性纤维束追踪算法不同，概率性纤维束追踪算法以两个或者多个特定区域之间相互连接的可能性概率分布为着眼点，用概率分布函数确定纤维束追踪的主方向，并对体素之间的相关性进行量化，使用张量模型来估计每个体素最大可能的纤维束走行方向。概率性纤维束追踪算法提高了追踪的精度，既能显示较小的纤维束，可以进行纤维束分叉计算，但是这种算法计算量较大、耗时长，达不到临床应用的要求。
技术实现思路
本专利技术的目的在于克服现有技术的缺点和不足，提供了一种基于深度学习的白质纤维束重建方法，该方法能够准确的构建交叉、分叉的白质纤维束，为白质纤维束的临床研究和生理病理机制提供帮助。为实现上述目的，本专利技术所提供的技术方案为：一种基于深度学习的白质纤维束重建方法，包括以下步骤：1)提取训练样本集图像中信号稀疏性特征；2)输入图像信号稀疏性特征到卷积神经网络的训练分类器中，分类结果向前预测输出；3)将步骤2)中获得的预测输出结果与相应的理想输出结果进行对比，获得分类误差；4)将步骤3)中获得的分类误差反向传播，以减小预测输出与理想输出间的误差，训练出最佳的网络模型，然后再根据所述分类误差重新调整卷积神经网络的训练分类器；5)反复迭代步骤2)至步骤4)，对多个训练样本图像进行多次训练，直到所述分类误差小于预定值，此时的模型就是训练好的白质纤维束重建的网络模型；6)把测试样本集图像中的信号稀疏性特征输入到步骤5)中获得的训练好的网络模型中，得到最终的预测结果；7)采用连续曲线拟合将步骤6)中获得的结果描述成白质纤维的走向和分布，构建三维白质纤维束。在步骤1)中，采用压缩感知理论提取图像中信号稀疏性特征，该压缩感知理论的三个要素是信号的稀疏变换、系数信号的非相关测量及稀疏信号的重建算法，此算法用低速率对信号随机稀疏采样，通过在变换空间建立新的信号描述和处理理论框架，根据先验知识直接重构出图像。在步骤1)中，压缩感知理论的采样步骤：1.1)找到某个正交基ψ，信号X在该基上稀疏；1.2)找到一个与ψ不相关，并且满足一定条件的观测基φ；1.3)利用观测基观测信号X，得到观测值Y；1.4)采用最优化方法从观测值Y中高概率恢复X，ψ和φ是约束条件；压缩感知理论能够在不破坏原始信号信息的情况下，拾取信号的一部分信息(这部分信息足以代表原信号)，能够精确的恢复原信号，有效的去除图像中冗余的特征。在步骤2)中，定义一个卷积神经网络的分类器由多层感知器(MultilayerPerceptron,MLP)和SOFTMAX构成，其特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性；所述的卷积神经网络是一种有监督的深度学习方法，它是一个多层本文档来自技高网...

【技术保护点】
一种基于深度学习的白质纤维束重建方法，其特征在于，包括以下步骤：1)提取训练样本集图像中信号稀疏性特征；2)输入图像信号稀疏性特征到卷积神经网络的训练分类器中，分类结果向前预测输出；3)将步骤2)中获得的预测输出结果与相应的理想输出结果进行对比，获得分类误差；4)将步骤3)中获得的分类误差反向传播，以减小预测输出与理想输出间的误差，训练出最佳的网络模型，然后再根据所述分类误差重新调整卷积神经网络的训练分类器；5)反复迭代步骤2)至步骤4)，对多个训练样本图像进行多次训练，直到所述分类误差小于预定值，此时的模型就是训练好的白质纤维束重建的网络模型；6)把测试样本集图像中的信号稀疏性特征输入到步骤5)中获得的训练好的网络模型中，得到最终的预测结果；7)采用连续曲线拟合将步骤6)中获得的结果描述成白质纤维的走向和分布，构建三维白质纤维束。

【技术特征摘要】
1.一种基于深度学习的白质纤维束重建方法，其特征在于，包括以下步骤：1)提取训练样本集图像中信号稀疏性特征；2)输入图像信号稀疏性特征到卷积神经网络的训练分类器中，分类结果向前预测输出；3)将步骤2)中获得的预测输出结果与相应的理想输出结果进行对比，获得分类误差；4)将步骤3)中获得的分类误差反向传播，以减小预测输出与理想输出间的误差，训练出最佳的网络模型，然后再根据所述分类误差重新调整卷积神经网络的训练分类器；5)反复迭代步骤2)至步骤4)，对多个训练样本图像进行多次训练，直到所述分类误差小于预定值，此时的模型就是训练好的白质纤维束重建的网络模型；6)把测试样本集图像中的信号稀疏性特征输入到步骤5)中获得的训练好的网络模型中，得到最终的预测结果；7)采用连续曲线拟合将步骤6)中获得的结果描述成白质纤维的走向和分布，构建三维白质纤维束。2.根据权利要求1所述的一种基于深度学习的白质纤维束重建方法，其特征在于：在步骤1)中，采用压缩感知理论提取图像中信号稀疏性的特征，其中所述压缩感知理论的采样步骤如下：1.1)找到某个正交基ψ，信号X在该基上稀疏；1.2)找到一个与ψ不相关，并且满足一定条件的观测基φ；1.3)利用观测基观测信号X，得到观测值Y；1.4)采用最优化方法从观测值Y中高概率恢复X，...

【专利技术属性】
技术研发人员：赵地，郭圣文，赖春任，吴聪玲，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44