一种深度半监督分割的儿童脑部MRI脱髓鞘病灶定位方法技术

本发明专利技术公开了一种深度半监督分割的儿童脑部MRI脱髓鞘病灶定位方法，首先进行数据集构建，然后构建分割模型，分割模型包括Student网络和Teacher网络两个部分；利用构建的数据集进行Student网络训练，并根据反向传播后的Student网络参数进行参数漂移得到Teacher网络参数；本发明专利技术方法针对性设计预处理方式，使得本发明专利技术对成像过程中可能出现的问题具有良好的补偿。利用图像增强、图像加噪声和半监督的方式，使得模型只需要少量的标注图像就能获得很好的分割性能，并对噪声和伪影获得良好的鲁棒性能，解决了标注过程存在的难度大、不准确、费时费力的问题。费时费力的问题。费时费力的问题。

【技术实现步骤摘要】
一种深度半监督分割的儿童脑部MRI脱髓鞘病灶定位方法


[0001]本专利技术涉及图像处理、深度学习领域，特别涉及一种基于患急性播散性脑脊髓炎的儿童脑部核磁图像的病灶分割定位方法。

技术介绍

[0002]急性播散性脑脊髓炎(acute disseminated encephalomyelitis，ADEM)是一种中枢神经系统(CNS)炎性脱髓鞘疾病，常累及大脑和脊髓灰、白顶的多个部位，好发于儿童和青壮年，也可引起患者严重的神经功能障碍，常继发于感染或疫苗接种后，少部分病例无明显诱因。ADEM具有发病急、进展较快、单时相病程等特点。近年来对ADEM理解在发生转变，认为ADEM是多种病因导致的临床综合征，而并非是一特定的疾病，国际儿童多发性硬化研究组(International Pediatric Multiple Sclerosis Study Group，IPMSSG)还于2013年提出了新的儿童ADEM诊断标准。ADEM缺乏特异的生物学指标，诊断主要依靠临床表现和神经系统辅助检查，尤其神经影像学检查。
[0003]神经辅助检查在本病的诊断、鉴别诊断、评估预后及复发中意义重大，尤其是头颅磁共振(MRI)检查，它们是ADEM最重要的临床诊断工具，对本病的诊断价值远远超过CT检查。颅脑MRI的T1WI序列病灶通常不明显，但病灶较大时，T1WI可以显示低信号；FLAIR像显示为多病灶、不对称、边界不清楚的高信号。典型ADEM病灶分布于颅内白质和深部灰质(如丘脑和基底核)。一般来说，ADEM颅脑MRI显示颅内病变随临床症状出现而出现，随临床好转而好转，乃至消失，但少数ADEM患者头颅MRI影像学改变较临床病程变化具有一定的“滞后性”，即影像学改变可以较临床表现延迟。
[0004]精确地分割定位患儿MRI病灶，可以有效评估患儿的病情。但由于MR成像的灰度范围较广，并且ADEM病灶模糊(边界灰度梯度低)。临床上在进行病灶标注时需要首先调整灰度范围，提高病灶处对比度，使病灶边界更清晰。这种方式使得病灶边界的界定受所选择的灰度范围影响甚大，而灰度范围的选取取决于医生的视觉感受和临床经验，即受主观影响较大，可靠性较差。同时，精准的标注耗时较长，效率较低。
[0005]为了解决这个问题，本专利技术提出了一种基于深度学习的自动分割方法，通过医师对已有数据进行粗略的标注，再采用半监督的方式，建立深度网络进行训练学习，达到对儿童脱髓鞘病灶有效分割和定位，有效辅助医生对ADEM患儿脑部病灶进行定位，实现更准确地评估患儿地病情和康复程度。本专利技术创造性的引入版监督模型主要是为了解决目前ADEM病灶定位分析中存在的以下两个难点问题1)正如上面所述，ADEM病灶模糊使得医师无法准确对病灶位置边界进行有效鉴定，这也就导致无法准确对数据进行有效标注，从而采用全监督的方式会使得最终模型的无效化。而引入半监督的方式，可以减弱准确标注的影响，让网络既能学习到准确标注，又能学习到数据的分布，从而使决策边界远离聚类边界；2)对于ADEM的MR图像，病灶数量和大小对于不同病例差别巨大，对所有数据进行标注是一个非常费时且工作量巨大的过程，加入一部分无标注数据，在增大数据量的基础上更省时省力。因此，我们采用基于半监督算法的ADEM病灶分割方法，通过将数据分为有标注和无标注两部
分，有标注的部分执行全监督训练方法，无标注的部分则通过加入噪声学习其数据分布特征，其具有比全监督算法更好的泛化能力和病灶边界学习能力。

技术实现思路

[0006]针对现有技术中存在的不足，本专利技术提供了一种深度半监督分割的儿童脑部MRI脱髓鞘病灶定位方法。
[0007]一种深度半监督分割的儿童脑部MRI脱髓鞘病灶定位方法，包括如下步骤：
[0008]步骤1、数据集构建，数据增强与标注。通过回溯医院病例构建原始数据集，使用3D slicer标注软件进行数据标注。并基于数据特性对图像数据进行裁剪、切割、清洗、数据增强。
[0009]步骤2、分割模型构建。分割模型包括Student网络和Teacher网络两个结构相同但参数更新方式不同的两个部分。
[0010]步骤3、基于所构建的分割模型，利用构建的数据集进行Student网络训练，并根据反向传播后的Student网络参数进行参数漂移得到Teacher网络参数。
[0011]步骤4、模型测试与量化输出。通过训练好的分割模型对急性播散性脑脊髓炎患儿脑部MRI进行病灶检测，输出其病灶的像素区域二值图mask。
[0012]所述步骤1，具体步骤如下：
[0013]1‑
1、收集急性播散性脑脊髓炎患者的脑部核磁共振图像数据。
[0014]1‑
2、使用3D slicer标注软件对原始数据中的病灶进行逐像素标注。对于原始的dicom格式的脑部核磁共振图像数据，提取图像保存为nrrd格式，图像为单通道16bit灰度图，标注结果采用二值图形式也保存为nrrd格式，并在标注过程中对图像进行进一步筛选，筛选出其中不符合急性播散性脑脊髓炎病变的图像。
[0015]1‑
3、中心裁剪：
[0016]根据图像特性，中心裁剪掉图像中大脑周围黑色边界，并补0使图像长宽一致；对标注图也做对应操作。
[0017]1‑
4、对过曝的图像进行清洗：
[0018]将1
‑
3处理后的图像计算每幅图像的直方图均值和方差，并将计算结果作为特征训练一个简单的线性分类器对图像的过曝情况进行识别。迭代地将这部分图像的最大灰度部分降低，直到线性分类器识别结果为不过曝图像。
[0019]1‑
5、对图像进行增强：所述图像增强处理包括随机反转、随机剪裁、随机旋转和随机平移，增加训练数据量；对标注图做对应操作。
[0020]1‑
6、图像切割与数据集构建：将1
‑
5处理后的图像与标注图切割为相同大小的图像块，所得图像与标注图的集合即为构建的ADEM数据集。
[0021]所述步骤2，具体步骤如下：
[0022]2‑
1、构建基本网络：
[0023]分割模型包括Student网络与Teacher网络两部分，两网络使用相同的网络结构(上述基本网络)与不同的参数更新规则。基本网络采用Encode
‑
Decode结构，分为编码路径、解码路径两部分，设置输入为单通道16bit灰度图。
[0024]2‑
2、编码路径包括若干个(保证编码路径输出的特征图边长大于7)特征提取模
块，每个特征提取模块包括卷积层、池化层和批量归一化层，池化方法为最大值池化。
[0025]卷积层：
[0026]O
T
＝I
T
*C
[0027]其中O为向量化的输出特征图，I为向量化的输入图像，C为向量化的卷积矩阵，T表示转置。
[0028]批量归一化层：
[0029][0030][0031][0032][003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度半监督分割的儿童脑部MRI脱髓鞘病灶定位方法，其特征在于，包括如下步骤：步骤1、数据集构建，数据增强与标注；通过回溯医院病例构建原始数据集，使用3D slicer标注软件进行数据标注；并基于数据特性对图像数据进行裁剪、切割、清洗、数据增强；步骤2、分割模型构建；分割模型包括Student网络和Teacher网络两个结构相同但参数更新方式不同的两个部分；步骤3、基于所构建的分割模型，利用构建的数据集进行Student网络训练，并根据反向传播后的Student网络参数进行参数漂移得到Teacher网络参数；步骤4、模型测试与量化输出；通过训练好的分割模型对急性播散性脑脊髓炎患儿脑部MRI进行病灶检测，输出其病灶的像素区域二值图mask。2.根据权利要求1所述的一种深度半监督分割的儿童脑部MRI脱髓鞘病灶定位方法，其特征在于，所述步骤1，具体步骤如下：1
‑
1、收集急性播散性脑脊髓炎患者的脑部核磁共振图像数据；1
‑
2、使用3D slicer标注软件对原始数据中的病灶进行逐像素标注；对于原始的dicom格式的脑部核磁共振图像数据，提取图像保存为nrrd格式，图像为单通道16bit灰度图，标注结果采用二值图形式也保存为nrrd格式，并在标注过程中对图像进行进一步筛选，筛选出其中不符合急性播散性脑脊髓炎病变的图像；1
‑
3、中心裁剪：根据图像特性，中心裁剪掉图像中大脑周围黑色边界，并补0使图像长宽一致；对标注图也做对应操作；1
‑
4、对过曝的图像进行清洗：将1
‑
3处理后的图像计算每幅图像的直方图均值和方差，并将计算结果作为特征训练一个简单的线性分类器对图像的过曝情况进行识别；迭代地将这部分图像的最大灰度部分降低，直到线性分类器识别结果为不过曝图像；1
‑
5、对图像进行增强：所述图像增强处理包括随机反转、随机剪裁、随机旋转和随机平移，增加训练数据量；对标注图做对应操作；1
‑
6、图像切割与数据集构建：将1
‑
5处理后的图像与标注图切割为相同大小的图像块，所得图像与标注图的集合即为构建的ADEM数据集。所述步骤2，具体步骤如下：2
‑
1、构建基本网络：分割模型包括Student网络与Teacher网络两部分，两网络使用相同的网络结构与不同的参数更新规则；基本网络采用Encode
‑
Decode结构，分为编码路径、解码路径两部分，设置输入为单通道16bit灰度图；2
‑
2、编码路径包括若干个特征提取模块，每个特征提取模块包括卷积层、池化层和批量归一化层，池化方法为最大值池化；卷积层：O
T
＝I
T
*C其中O为向量化的输出特征图，I为向量化的输入图像，C为向量化的卷积矩阵，T表示转
置；批量归一化层：批量归一化层：批量归一化层：批量归一化层：其中y
i
为第i维度批量归一化层输出，γ,β为可训练参数，为第i维度特征x
i
的归一化结果，B为输入数据集合，∈为一个极小的正数，μ
B
为输入数据的样本均值，为输入数据的样本方差，m为输入数据的量；2
‑
3、编码路径与解码路径通过一个过渡桥结构连接，所述的过渡桥结构包括卷积层和批量归一化层；2
‑
4、解码路径与编码路径对称，包括若干个特征提取块，每个特征提取块包括上采样层...

【专利技术属性】
技术研发人员：高峰，徐璐，魏劭农，王天磊，蒋铁甲，张洪锡，刘珂舟，曹九稳，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：