基于磁共振数据的胎盘植入图像分割方法及成像方法技术

本发明专利技术公开了一种基于磁共振数据的胎盘植入图像分割方法，包括获取盆腔磁共振图像数据；构建原始模型，作为初始的当前轮次的待训练模型；选择获取数据中的一个数据，输入到当前轮次的待训练模型中，完成训练，输出胎盘植入预测框，将得到的模型作为下一轮次的待训练模型；针对预测框进行筛选处理，用于修正边界框标签；采用修正后的标签，参与模型的下一轮次训练；重复上述步骤，直至所有数据均输入到模型中，获取最终的胎盘植入图像分割模型；基于实际的磁共振图像数据，完成胎盘植入图像分割；本发明专利技术还公开了一种包括了所述基于磁共振数据的胎盘植入图像分割方法及成像方法；本发明专利技术方法的准确率提升

【技术实现步骤摘要】
基于磁共振数据的胎盘植入图像分割方法及成像方法


[0001]本专利技术属于图像处理
，具体涉及一种基于磁共振数据的胎盘植入图像分割方法及成像方法
。

技术介绍

[0002]胎盘植入在临床上表现为一种常见的孕妇疾病，可能导致严重的临床危害
。
磁共振成像
(Magnetic Resonance Imaging
，
MRI)
具有软组织分辨率高
、
多层面成像
、
不受胎盘位置和孕妇体型限制的优点，能够为临床应用和科学研究提供较好的胎盘植入的辅助检查图像数据
。
[0003]目前，基于
MRI
数据的胎盘植入图像分割方法主要用于完成分类任务，判断孕产妇是否患有胎盘植入以及胎盘植入的类型；在
MRI
图像中，胎盘植入的征象不明显
、
与周围组织的对比度低；胎盘呈中间厚
、
两边薄的圆盘状，导致胎盘植入矩形检测框的高宽比较大，影响分割性能；在临床上，胎盘植入技术的实现主要依赖医生的经验，提高了标注准确的难度
。
[0004]综上所述，当前的图像分割方法大多准确率不高，同时依赖医生的经验，且鲁棒性较低，分割效果较差
。

技术实现思路

[0005]本专利技术的目的之一在于提供一种准确率提高
、
鲁棒性增强
、
分割效果提升的基于磁共振数据的胎盘植入图像分割方法
。
[0006]本专利技术的目的之二在于提供一种包括了所述的基于磁共振数据的胎盘植入图像分割方法的成像方法
。
[0007]本专利技术提供的这种基于磁共振数据的胎盘植入图像分割方法，包括如下步骤：
[0008]S1.
获取盆腔磁共振图像数据；
[0009]S2.
构建胎盘植入图像分割原始模型，并作为初始的当前轮次的待训练模型；
[0010]S3.
选择步骤
S1
获取数据中的一个数据，输入到当前轮次的待训练模型中，完成当前轮次的训练，输出胎盘植入预测框，并将当前轮次训练得到的模型作为下一轮次的待训练模型；
[0011]S4.
针对步骤
S3
中输出的胎盘植入预测框进行筛选处理，并用于修正边界框标签；
[0012]S5.
采用步骤
S4
修正后的标签，参与模型的下一轮次的训练；
[0013]S6.
重复步骤
S3
～
S5
，直至步骤
S1
中的所有数据均输入到模型中，并获取最终的胎盘植入图像分割模型；
[0014]S7.
采用步骤
S6
获取的胎盘植入图像分割模型，基于实际的磁共振图像数据，完成胎盘植入图像分割；
[0015]步骤
S2
所述的构建胎盘植入图像分割原始模型，并作为初始的当前轮次的待训练模型，具体包括：
[0016]胎盘植入图像分割原始模型包括特征提取网络
、
候选框生成网络
、
感兴趣区域对齐
、
目标分类和回归网络；
[0017](2
‑
1)
构建特征提取网络：
[0018]特征提取网络用于提取特征；
[0019]特征提取网络包括
ResNet50
网络部分
、
特征金字塔网络
(FPN)
部分；
ResNet50
网络部分包括五个阶段，每个阶段均包括卷积
、
下采样
、
批归一化；
ResNet50
网络部分通过模型处理获取的特征图，经由
FPN
部分处理，通过卷积大小为1×1的卷积核统一通道数；依次将上层特征图通过下采样调整大小，与下层特征图融合，共计获取四个融合后的特征图，其中最上层通过最大池化得到第五个特征图；五个特征图分别经过一个卷积，得到最终的五层特征图；
[0020](2
‑
2)
构建候选框生成网络：
[0021]候选框生成网络包括候选框生成器
(Anchor Generator)
部分和区域建议网络
(RPN Head)
部分，其中，
Anchor Generator
通过超参数在每一层特征图的每一个点上生成候选框，
RPN Head
包括三个卷积层；
Anchor Generator
采用的超参数包括
scales
，
ratios
，
strides
；
scales
表示单个尺度中候选框的缩放比率；
ratios
表示单个尺度中的候选框的高宽比；
strides
表示各尺度特征图的下采样率，代表每一层特征图上生成的候选框对应于原图中的基础大小；
RPN Head
包括的第一个卷积层用于调整通道数量，第二个卷积层表示分类分支，用于区分前景和背景，第三个卷积层表示回归分支，用于表示候选框的坐标；
[0022]候选框生成网络通过区域真实框的高宽比动态调整阈值，过滤候选框；具体包括：
[0023]根据步骤
(2
‑
1)
提取的特征图，通过候选框生成网络生成胎盘植入区域候选框，具体包括：
[0024](1)
候选框生成网络根据特征图生成一系列候选框；
[0025](2)
计算每个边框真实标签与候选框的交并比，计算公式如下所示：
[0026][0027]其中，
A
表示真实标签的面积；
B
表示候选框的面积；
∩
表示交集；
∪
表示并集；
[0028](3)
对于每一个真实边界框
g
i
，选择与其交并比大于或等于
IOU
阈值的候选框作为正样本；选择与其交并比小于
IOU
阈值的候选框为负样本；
[0029]根据真实边界框高宽比动态调整
IOU
阈值，计算公式如下所示：
[0030][0031]其中，
τ
i
表示对应
g
i
的阈值；
α
表示超参数；
r
i
表示
g
i
的高宽比；
τ
表示预定义的阈值；
[0032](2
‑
3)
构建感兴趣区域对齐：
[0033]感兴趣区域对齐首先根据
ROI
的大小，选择特征层进行剪裁，通过池化处理获取固定大小的特征图；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于磁共振数据的胎盘植入图像分割方法，包括如下步骤：
S1.
获取盆腔磁共振图像数据；
S2.
构建胎盘植入图像分割原始模型，并作为初始的当前轮次的待训练模型；
S3.
选择步骤
S1
获取数据中的一个数据，输入到当前轮次的待训练模型中，完成当前轮次的训练，输出胎盘植入预测框，并将当前轮次训练得到的模型作为下一轮次的待训练模型；
S4.
针对步骤
S3
中输出的胎盘植入预测框进行筛选处理，并用于修正边界框标签；
S5.
采用步骤
S4
修正后的标签，参与模型的下一轮次的训练；
S6.
重复步骤
S3
～
S5
，直至步骤
S1
中的所有数据均输入到模型中，并获取最终的胎盘植入图像分割模型；
S7.
采用步骤
S6
获取的胎盘植入图像分割模型，基于实际的磁共振图像数据，完成胎盘植入图像分割
。2.
根据权利要求1所述的基于磁共振数据的胎盘植入图像分割方法，其特征在于步骤
S2
所述的构建胎盘植入图像分割原始模型，并作为初始的当前轮次的待训练模型，具体包括：胎盘植入检测原始模型包括特征提取网络
、
候选框生成网络
、
感兴趣区域对齐
、
目标分类和回归网络；特征提取网络用于提取特征；根据提取的特征图，通过候选框生成网络生成胎盘植入区域候选框；根据生成的候选框，通过感兴趣区域对齐进行映射处理，映射到获取的特征图中，加权融合多尺度特征，生成固定大小的候选框特征图；目标分类和回归网络用于做分类和回归
。3.
根据权利要求2所述的基于磁共振数据的胎盘植入图像分割方法，其特征在于特征提取网络，具体包括：特征提取网络包括
ResNet50
网络部分
、
特征金字塔网络部分；
ResNet50
网络部分包括五个阶段，每个阶段均包括卷积
、
下采样
、
批归一化；
ResNet50
网络部分通过模型处理获取的特征图，经由特征金字塔网络部分处理，通过卷积大小为1×1的卷积核统一通道数；依次将上层特征图通过下采样调整大小，与下层特征图融合，共计获取四个融合后的特征图，其中最上层通过最大池化得到第五个特征图；五个特征图分别经过一个卷积，得到最终的五层特征图
。4.
根据权利要求3所述的基于磁共振数据的胎盘植入图像分割方法，其特征在于候选框生成网络，具体包括：候选框生成网络包括候选框生成器部分和区域建议网络部分，其中，候选框生成器部分通过超参数在每一层特征图的每一个点上生成候选框，区域建议网络部分包括三个卷积层；候选框生成器部分采用的超参数包括
scales
，
ratios
，
strides
；
scales
表示单个尺度中候选框的缩放比率；
ratios
表示单个尺度中的候选框的高宽比；
strides
表示各尺度特征图的下采样率，代表每一层特征图上生成的候选框对应于原图中的基础大小；区域建议网络部分包括的第一个卷积层用于调整通道数量，第二个卷积层表示分类分支，用于区分前景和背景，第三个卷积层表示回归分支，用于表示候选框的坐标；
候选框生成网络通过区域真实框的高宽比动态调整阈值，过滤候选框；具体包括：根据提取得到的特征图，通过候选框生成胎盘植入区域候选框，具体包括：
(1)
候选框生成网络根据特征图生成一系列候选框；
(2)
计算每个边框真实标签与候选框的交并比，计算公式如下所示：其中，
A
表示真实标签的面积；
B
表示候选框的面积；
∩
表示交集；
∪
表示并集；
(3)
对于每一个真实边界框
g
i
，选择与其交并比大于或等于
IOU
阈值的候选框作为正样本；选择与其交并比小于
IOU
阈值的候选框为负样本；根据真实边界框高宽比动态调整
IOU
阈值，计算公式如下所示：其中，
τ
i
表示对应
g
i
的阈值；
α
表示超参数；
r
i
表示
g
i
的高宽比；
τ
表示预定义的阈值
。5.
根据权利要求4所述的基于磁共振数据的胎盘植入图像分割方法，其特征在于感兴趣区域对齐，具体包括：感兴趣区域对齐首先根据
ROI
的大小，选择特征层进行剪裁，通过池化处理获取固定大小的特征图；池化处理包括：遍历每一个候选区域，保持浮点数边界不做量化；将候选区域分割成
k
×
k
个单元，同时每个单元的边界也不做量化；把每个单元分成四个方块，通过双线性内插的方法计算每个方块中心的坐标位置；进而完成最大池化操作处理；感兴趣区域对齐的计算过程如下所示：根据生成的候选框，通过感兴趣区域对齐进行映射处理，映射到获取的特征图中，加权融合多尺度特征，生成固定大小的候选框特征图，具体包括：
1)
按照下述计算公式，将候选框映射到特征层：其中，
k
i
表示映射到的特征层；
L
表示特征层的数量；
w
i
表示第
i
个候选框的宽度；
h
i
表示第
i
个候选框的高度；
W
表示原始图像的宽；
H
表示原始图像的高；表示向下取整函数；
2)
统计每个特征层中高宽比大于
r0的候选框的数量其中，
r0表示自定义参数；
3)
采用下述公式计算每个特征层的融合权重：
ω
＝
sigmoid(N1,N2,
…
,N
L
)
其中，
ω
表示融合权重；
sigmoid(
·
)
表示激活函数；
N
i
表示第
i
层特征层中高宽比大于
r0的候选框的数量，
i
＝
1,2,
…
,L
；
4)
加权融合多尺度特征，得到最终的候选框特征图，如下式所示：
其中，
f
i
表示最终候选框的特征图；
ω
l
表示第
l
层的权重；
f
il
表示第
l
层特征图
。6.
根据权利要求5所述的基于磁共振数据的胎盘植入图像分割方法，其特征在于目标分类和回归网络，具体包括：目标分类和回归网络包括一个
MLP、
一个分类分支
、
一个回归分支；
MLP
包括一个
Flatten
层，两个全连接层和两个
ReLU
激活层；分类分支包括一个全连接层
、
一个
Softmax
层；回归分支包括一个全连接层；分类分支和回归分支输出模型预测的类别和坐标，对应表示为胎盘植入预测框
...

【专利技术属性】
技术研发人员：陈再良，朱奖，沈海澜，张健，赵荣昌，
申请(专利权)人：中南大学，
类型：发明
国别省市：