一种结合UNet和体绘制先验知识的脑组织分割方法技术

本发明专利技术涉及一种结合UNet和体绘制先验知识的脑组织分割方法，属于医学图像分割技术领域。该方法包括：获取脑部医学图像数据集，并做必要的预处理；将数据集划分为训练集和测试集；设置体绘制不透明度传输函数，计算脑部医学图像的不透明度先验知识；构造UNet型卷积神经网络模型；使用训练集数据按照交叉熵损失函数训练模型；将脑部医学图像及其先验知识输入模型，得到模型输出的分割结果。本发明专利技术方法能够借助脑部医学图像的体绘制不透明度先验知识，提升脑组织的分割精度和准确度，获得更接近真值的脑组织分割结果。近真值的脑组织分割结果。近真值的脑组织分割结果。

【技术实现步骤摘要】
一种结合UNet和体绘制先验知识的脑组织分割方法


[0001]本专利技术涉及一种从脑部医学图像中分割脑组织的方法，特别涉及一种结合UNet和体绘制先验知识的脑组织分割方法，属于医学图像分割


技术介绍

[0002]脑组织分割(Brain Tissue Segmentation)是脑部医学图像分析领域的基本任务之一，主要目标是将灰质(Gray Matter，GM)、白质(White Matter，WM)以及脑脊液(Cerebrospinal Fluid，CSF)等组织从脑部MR图像中分离开来，从而为后续的脑组织体积量化和大脑解剖结构分析等工作提供基础。
[0003]目前已有不少脑组织分割方法。这些方法可大致分为传统的非深度学习方法以及基于深度学习的方法。
[0004]传统的非深度学习方法受限于人工特征提取与分析，分割精度有限。基于深度学习的方法，通过深度神经网络从大量训练数据中自动学习数据特征，避免了人工特征分析的局限性，因而取得了比传统方法更高的分割精度。其中备受关注的是Ronneberger等人提出的UNet模型(Ronneberger O,Fischer P,Brox T.U
‑
Net:Convolutional Networks for Biomedical Image Segmentation.Springer International Publishing,2015.)
[0005]为了进一步提高分割精度，大部分基于深度学习的方法都引入了注意力机制。注意力机制的基本思想是：通过网络的学习和训练，为输入数据的各个部分赋予不同的权重，以此帮助网络抑制非重要的特征，强调重要的特征，从而提升分割精度。基于这一思想，Ozan Oktay等人提出了一种基于空间注意力机制的AttentionUNet模型(Oktay O,Schlemper J,Folgoc L L,et al.Attention u
‑
net:Learning where to look for the pancreas.ArXiv,2018.)。该模型在UNet的基础上添加了注意力门(Attention Gate)，注意力门能控制各空间位置特征图的重要性，从而提升网络的分割精度。
[0006]然而，在实际的脑组织分割任务中，AttentionUNet通过学习得到的注意力权重，并没有按照预期的那样对每个类别做单独的特征强化。这意味着，在脑组织分割任务中，AttentionUNet通过学习得到的注意力权重并没有很好地关注到分割目标的信息。其结果是AttentionUNet虽然能够在一定程度上提升分割效果，但是提升的空间非常有限。

技术实现思路

[0007]为解决上述问题，本专利技术提供一种结合UNet和体绘制先验知识的脑组织分割方法。该方法将对脑部医学图像进行体绘制可视化时的不透明度先验知识，融入UNet型脑组织分割神经网络模型，直接将先验知识作为注意力权重，以此帮助网络在学习的过程中抑制非重要特征而强调重要特征，从而提高脑组织的分割精度和准确度。
[0008]本专利技术的目的是通过以下技术方案实现的。
[0009]一种结合UNet和体绘制先验知识的脑组织分割方法，包括以下步骤：
[0010]步骤1：获取脑部医学图像数据集，并对脑部医学图像数据集进行必要的预处理使
其满足神经网络处理要求。
[0011]预处理可能包含数据格式转换、数据裁剪与合并、数据增强、数据扩充、数据归一化、颅骨去除以及人工标注等操作。在实际应用中，具体的预处理操作依脑部医学图像的实际情况而定。如果脑部医学图像已经部分或全部满足神经网络处理要求，则可省略部分或全部预处理操作。
[0012]步骤2：将脑部医学图像数据集划分为训练集S和测试集T。
[0013]步骤3：分别针对脑脊液、灰质和白质设置体绘制不透明度传输函数，并依据不透明度传输函数，计算脑部医学图像的不透明度先验知识OTF
CSF
、OTF
GM
和OTF
WM
。
[0014]步骤4：令B
S
为从训练数据集S中采样的脑部医学图像块，B
S
的大小为H
×
W
×
D，依据B
S
的大小构造UNet型的卷积神经网络模型M，并对M进行随机初始化；其中模型M的网格结构和构造方法如下：
[0015]模型M包括一个初始化模块、四个编码器模块、四个解码器模块、四个先验知识模块以及一个分类预测模块。各模块的连接关系如下：
[0016]初始化模块InitB的输入是大小为H
×
W
×
D的三维脑部医学图像块，输出为32
×
H
×
W
×
D的聚合特征图。
[0017]初始化模块InitB的输出经最大池化层处理后作为编码器模块EncB1的输入；EncB1的输出经最大池化层处理后作为编码器模块EncB2的输入；EncB2的输出经最大池化层处理后作为编码器模块EncB3的输入；EncB3的输出经最大池化层处理后作为编码器模块EncB4的输入；其中最大池化层的作用是实现空间分辨率的下采样，因此每个最大池化层的池化核大小都设置为2
×2×
2，滑动步长也都为2。
[0018]同时，初始化模块InitB的输出作为先验知识模块OtfB1的输入；编码器模块EncB1的输出作为先验知识模块OtfB2的输入；编码器模块EncB2的输出作为先验知识模块OtfB3的输入；编码器模块EncB3的输出作为先验知识模块OtfB4的输入。
[0019]编码器模块EncB4的输出经一个反卷积层处理后作为解码器模块DecB4的输入；DecB4的输出与OtfB4的输出逐元素相加后，经一个反卷积层处理后作为解码器模块DecB3的输入；DecB3的输出与OtfB3的输出逐元素相加后，经一个反卷积层处理后作为解码器模块DecB2的输入；DecB2的输出与OtfB2的输出逐元素相加后，经一个反卷积层处理后作为解码器模块DecB1的输入；DecB1的输出与OtfB1的输出逐元素相加后，作为分类预测模块CnpB的输入；其中反卷积层的作用是实现空间分辨率的上采样，因此每个反卷积层的卷积核大小设置为4
×4×
4，滑动步长为2，填充参数为1，激活函数为ReLU函数，归一化操作为批量归一化，各个反卷积层的输出通道数与其所接收的输入的通道数相同。
[0020]初始化模块包含三个连续的卷积层。每个卷积层的通道数为32，卷积核大小为3
×3×
3，滑动步长为1，填充参数为1，激活函数为ReLU函数，归一化操作为批量归一化。
[0021]所有编码器模块(包括EncB1～EncB4)的内部结构都是一致的。每个编码器模块都是由四个依次连接的子模块和一个过渡块组成。每个子模块都包含两个卷积层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合UNet和体绘制先验知识的脑组织分割方法，其特征在于，包括以下步骤：步骤1：获取脑部医学图像数据集，并对脑部医学图像数据集进行必要的预处理使其满足神经网络处理要求；预处理可能包含数据格式转换、数据裁剪与合并、数据增强、数据扩充、数据归一化、颅骨去除以及人工标注等操作；在实际应用中，具体的预处理操作依脑部医学图像的实际情况而定；如果脑部医学图像已经部分或全部满足神经网络处理要求，则可省略部分或全部预处理操作；步骤2：将脑部医学图像数据集划分为训练集S和测试集T；步骤3：分别针对脑脊液、灰质和白质设置体绘制不透明度传输函数，并依据不透明度传输函数，计算脑部医学图像的不透明度先验知识OTF
CSF
、OTF
GM
和OTF
WM
；步骤4：令B
S
为从训练数据集S中采样的脑部医学图像块，B
S
的大小为H
×
W
×
D，依据B
S
的大小构造UNet型的卷积神经网络模型M，并对M进行随机初始化；其中模型M的网格结构和构造方法如下：模型M包括一个初始化模块、四个编码器模块、四个解码器模块、四个先验知识模块以及一个分类预测模块；各模块的连接关系如下：初始化模块InitB的输入是大小为H
×
W
×
D的三维脑部医学图像块，输出为32
×
H
×
W
×
D的聚合特征图；初始化模块InitB的输出经最大池化层处理后作为编码器模块EncB1的输入；EncB1的输出经最大池化层处理后作为编码器模块EncB2的输入；EncB2的输出经最大池化层处理后作为编码器模块EncB3的输入；EncB3的输出经最大池化层处理后作为编码器模块EncB4的输入；其中最大池化层的作用是实现空间分辨率的下采样，因此每个最大池化层的池化核大小都设置为2
×2×
2，滑动步长也都为2；同时，初始化模块InitB的输出作为先验知识模块OtfB1的输入；编码器模块EncB1的输出作为先验知识模块OtfB2的输入；编码器模块EncB2的输出作为先验知识模块OtfB3的输入；编码器模块EncB3的输出作为先验知识模块OtfB4的输入；编码器模块EncB4的输出经一个反卷积层处理后作为解码器模块DecB4的输入；DecB4的输出与OtfB4的输出逐元素相加后，经一个反卷积层处理后作为解码器模块DecB3的输入；DecB3的输出与OtfB3的输出逐元素相加后，经一个反卷积层处理后作为解码器模块DecB2的输入；DecB2的输出与OtfB2的输出逐元素相加后，经一个反卷积层处理后作为解码器模块DecB1的输入；DecB1的输出与OtfB1的输出逐元素相加后，作为分类预测模块CnpB的输入；其中反卷积层的作用是实现空间分辨率的上采样，因此每个反卷积层的卷积核大小设置为4
×4×
4，滑动步长为2，填充参数为1，激活函数为ReLU函数，归一化操作为批量归一化，各个反卷积层的输出通道数与其所接收的输入的通道数相同；初始化模块包含三个连续的卷积层；每个卷积层的通道数为32，卷积核大小为3
×3×
3，滑动步长为1，填充参数为1，激活函数为ReLU函数，归一化操作为批量归一化；所有编码器模块(包括EncB1～EncB4)的内部结构都是一致的；每个编码器模块都是由四个依次连接的子模块和一个过渡块组成；每个子模块都包含两个卷积层和一个Dropout层，其中：卷积层1的通道数为64，卷积核大小为1
...

【专利技术属性】
技术研发人员：张文耀，李雪，康子健，王成，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：