一种基于深度学习的胎儿MRI脑组织分割方法及装置制造方法及图纸

本发明专利技术涉及医学MRI成像领域，具体涉及一种基于深度学习的胎儿MRI脑组织分割方法及装置。该方法及装置首先对胎儿大脑MRI进行数据增强操作，再构建基于Contextual Transformer block的特征金字塔模型：特征金字塔模型在编码器和解码器部分引入注意力结构CoT

【技术实现步骤摘要】
一种基于深度学习的胎儿MRI脑组织分割方法及装置


[0001]本专利技术涉及医学MRI成像领域，具体而言，涉及一种基于深度学习的胎儿MRI脑组织分割方法及装置。

技术介绍

[0002]先天性疾病是全球新生儿死亡的主要原因之一。为了全面了解正常胎儿和有先天性疾病胎儿的神经发育，尽早发现和治疗先天性疾病，产前母婴健康检查和对发育中的人类胎儿大脑进行定量分析是至关重要的。超声检查是产前进行胎儿畸形辨别和筛选的重要手段，但由于胎位以及颅声衰减对超声检查的影响，超声检查中对于某些组织比如小脑蚓部发育异常的检出常存在一定的局限性。近年来，胎儿核磁共振成像(MRI)开始成为重要的辅助工具，可以在超声图像不清晰时提供更多的胎儿发育信息，或更准确地诊断先天性疾病。胎儿MRI体积和形态学分析的基础是将胎儿大脑分割成不同的组织类别。因为许多先天性疾病会引起这些组织的细微变化，比如Dandy
‑
Walker畸形，它对应的大脑组织变化是小脑蚓体缺失和第四脑室扩大。然而，手工分割十分繁琐且耗时，并且容易出错，必须由高度专业化的临床医生来完成。由于分割任务的难度，人们尝试用许多自动化和半自动化的方法来检测和分割脑组织，从而帮助诊断。
[0003]基于图谱的分割技术依赖于图像校正过程，即寻找两幅图像的体素到体素对齐。对于在重建的MR体积中自动分割胎儿脑组织，Habas等人在期刊Human Brain Mapping上发表文章“Atlas
‑
based segmentation of developing tissues in the human brain with quantitative validation in young fetuses”，提出利用基于图谱的期望最大化(EM)模型的方法来分割白质(WM)、灰质(GM)、胚胎基质(germinal matrix)和右脑脑脊液(eCSF)。在进行分割之前，使用另一个EM模型进行偏置场校正。
[0004]同时近年来，深度学习方法，特别是卷积神经网络(CNN)在一些目标识别和生物图像分割挑战中备受欢迎。与传统的分类方法不同，CNN会直接从数据本身自动学习复杂且具有代表性的特征，不再需要首先从图像中提取一组手工制作的特征作为分类器或模型的输入。由于这种特性，基于CNN的胎儿脑组织分割研究主要集中在网络架构的设计上，而不是在图像处理中提取特征。因此，深度学习方法往往比传统的机器学习方法取得更好的性能。Khalili等人在期刊Magnetic Resonance Imaging上发表文章“Automatic brain tissue segmentation in fetal MRI using convolutional neural networks”，首先使用一个CNN去提取颅内体积，将图像自动裁剪到感兴趣的区域，之后，再用一个具有相同结构的CNN将提取的体积分割成7种脑组织类别。
[0005]综上，但上述现有技术存在如下技术缺陷：
[0006]1.胎儿大脑体积小，各个组织形状不规则且相互连接，结构复杂；
[0007]2.胎儿和母体的自发运动会造成一些伪影，导致难以区分组织类型，医学MRI图像分割精度差。

技术实现思路

[0008]本专利技术实施例提供了一种基于深度学习的胎儿MRI脑组织分割方法及装置，以至少解决现有医学MRI图像分割精度差的技术问题。
[0009]根据本专利技术的一实施例，提供了一种基于深度学习的胎儿MRI脑组织分割方法，包括以下步骤：
[0010]对胎儿大脑MRI进行数据增强操作；
[0011]构建基于Contextual Transformer block的特征金字塔模型：特征金字塔模型在编码器和解码器部分引入注意力结构CoT
‑
Block，注意力结构CoT
‑
Block利用key上下文信息，指导动态注意力矩阵的学习，增强提取数据增强后的胎儿大脑MRI图像中的特征；特征金字塔模型在解码器部分引入混合膨胀卷积模块，混合膨胀卷积模块扩大感受野并且保留详细的空间信息，并有效提取医学图像中的全局上下文信息；
[0012]使用特征金字塔模型对数据增强后的胎儿大脑MRI图像进行组织分割。
[0013]进一步地，对胎儿大脑MRI进行数据增强操作包括：
[0014]采用对抗数据增强技术，通过模拟MRI中常见的伪影造成的强度不均匀性对神经网络进行训练，使用训练后的神经网络对胎儿大脑MRI进行数据增强操作。
[0015]进一步地，采用对抗数据增强技术，通过模拟MRI中常见的伪影造成的强度不均匀性对神经网络进行训练包括：
[0016]给定一个分割网络f
seg
(.；θ)和输入图像I，首先在搜索空间中找到控制点c的最优值，对输入图像构建一个对抗偏差场I
bias
＝G
bias
(I；c)，然后通过神经网络输出原始预测p＝f
seg
(I；θ)和扰动后的预测p*＝f
seg
(G
bias
(I；c)；θ)，通过下式(2)计算D
comp
；其中D
comp
表示复合距离函数，用于增强分割中两种预测之间的辨别能力；
[0017]先找到构建偏差场中的控制点c的最优值，然后再优化神经网络中的参数θ，使得原始预测和生成对抗偏差之后的预测f
seg
(G
bias
(I；c
adv
)；θ)之间的距离最小化；
[0018][0019]D
comp
(p,p
*
)＝D
KL
[p||p
*
]+wD
contour
(p,p
*
)
ꢀꢀ
(2)
[0020][0021]其中，I表示输入图像，θ表示用于训练的网络参数，c是用于构建一个最优偏差场的控制点，fseg(.；θ)表示分割网络，Gbias(I；c)是一个对抗偏差场，Dcomp表示复合距离函数，p表示通过神经网络输出的原始预测，p*表示加入了偏差场之后输出的扰动后的预测，DKL表示KL散度，Dcontour表示一个基于轮廓的损失函数，w控制两个式子之间的相对重要性，M表示前景的通道，Sx,y表示两个sobel滤波器在x和y方向上的边缘提取。
[0022]进一步地，特征金字塔模型由一个主干网络组成，主干网络由编码器、解码器、跳跃连接和特征组合四部分组成；解码器中的每个特征映射与来自编码器的对应特征映射相连所形成的结构为跳跃连接；跳跃连接将编码器的低级特征与高级特征进行相连。
[0023]进一步地，编码器和解码器被配置为：引入用于实现特征提取与利用的注意力结构CoT
‑
Block；注意力结构CoT
‑
Block用于利用验证码key上下文信息，指导动态注本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的胎儿MRI脑组织分割方法，其特征在于，包括以下步骤：对胎儿大脑MRI进行数据增强操作；构建基于Contextual Transformer block的特征金字塔模型：所述特征金字塔模型在编码器和解码器部分引入注意力结构CoT
‑
Block，所述注意力结构CoT
‑
Block利用key上下文信息，指导动态注意力矩阵的学习，增强提取数据增强后的胎儿大脑MRI图像中的特征；所述特征金字塔模型在解码器部分引入混合膨胀卷积模块，所述混合膨胀卷积模块扩大感受野并且保留详细的空间信息，并有效提取医学图像中的全局上下文信息；使用所述特征金字塔模型对数据增强后的胎儿大脑MRI图像进行组织分割。2.根据权利要求1所述的基于深度学习的胎儿MRI脑组织分割方法，其特征在于，所述对胎儿大脑MRI进行数据增强操作包括：采用对抗数据增强技术，通过模拟MRI中常见的伪影造成的强度不均匀性对神经网络进行训练，使用训练后的神经网络对胎儿大脑MRI进行数据增强操作。3.根据权利要求2所述的基于深度学习的胎儿MRI脑组织分割方法，其特征在于，所述采用对抗数据增强技术，通过模拟MRI中常见的伪影造成的强度不均匀性对神经网络进行训练包括：给定一个分割网络f
seg
(.；θ)和输入图像I，首先在搜索空间中找到控制点c的最优值，对输入图像构建一个对抗偏差场I
bias
＝G
bias
(I；c)，然后通过神经网络输出原始预测p＝f
seg
(I；θ)和扰动后的预测p*＝f
seg
(G
bias
(I；c)；θ)，通过下式(2)计算D
comp
；其中D
comp
表示复合距离函数，用于增强分割中两种预测之间的辨别能力；先找到构建偏差场中的控制点c的最优值，然后再优化神经网络中的参数θ，使得原始预测和生成对抗偏差之后的预测f
seg
(G
bias
(I；c
adv
)；θ)之间的距离最小化；其中，I表示输入图像，θ表示用于训练的网络参数，c是用于构建一个最优偏差场的控制点，fseg(.；θ)表示分割网络，Gbias(I；c)是一个对抗偏差场，Dcomp表示复合距离函数，p表示通过神经网络输出的原始预测，p*表示加入了偏差场之后输出的扰动后的预测，DKL表示KL散度，Dcontour表示一个基于轮廓的损失函数，w控制两个式子之间的相对重要性，M表示前景的通道，Sx,y表示两个sobel滤波器在x和y方向上的边缘提取...

【专利技术属性】
技术研发人员：隆晓菁，黄晓娜，高昂，征博文，李宇涵，梁栋，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：