The embodiment of the present invention provides a hippocampal body segmentation method, device and electronic device applied to MRI. The method includes: acquiring three-dimensional images of MRI; constructing target images with preset size and containing sensitive areas of the three-dimensional images of MRI; inputting the target images into at least two pre-trained interactive neural networks to obtain the pre-segmentation results of the output of each interactive neural network; and according to the pre-determined weights of each interactive neural network, The pre-segmentation result of the output of the interactive neural network is used to determine the segmentation result of the three-dimensional image of the MRI. The embodiment of the present invention can improve the efficiency of hippocampal body segmentation.
【技術實現步驟摘要】
一種應用于MRI的海馬體分割方法、裝置及電子設備
本專利技術涉及醫學影像處理領域，特別是涉及一種應用于MRI的海馬體分割方法、裝置及電子設備。
技術介紹
海馬體是人類大腦神經系統的重要組成部分，主要負責記憶和學習，日常生活中的短期記憶都存儲在海馬體中，因而海馬體在人類的記憶和方向感上起著至關重要的作用。海馬體體積和形態的變化與許多神經系統疾病有關，目前，海馬體的體積萎縮或形態變化已被證明是輕度認知障礙和阿爾茲海默癥的顯著特征，因此，對海馬體進行形態學分析在臨床上具有重要的意義。磁共振成像(MagneticResonanceImaging，MRI)由于其具有非侵入性、高分辨率及明顯的軟組織對比等特性，在醫學成像技術中占據著重要的地位。基于腦部MRI對海馬體進行形態學分析時，通常需要將腦部MRI中的海馬體分割出來。然而，由于海馬體形狀不規則，邊緣模糊，難以與周圍的組織區分開，所以在腦部MRI中對海馬體進行分割是圖像分割研究領域的難點。現有的海馬體分割方法主要有：手動分割法和圖譜配準分割法。其中，手動分割法是由醫生基于經驗對腦部MRI中的海馬體進行分割，然而手動分割法耗時長、效率低且主觀性強，難以在準確率和耗時之間取得較好的平衡。圖譜配準分割法基于單一或多個圖譜與目標圖像進行匹配，得到針對目標圖像的分割結果，然而圖譜配準方法需要大量的先驗知識，同樣難以在準確率和耗時之間取得較好的平衡。
技術實現思路
本專利技術實施例的目的在于提供一種應用于MRI的海馬體分割方法、裝置及電子設備，以提高對海馬體分割的效率。為達到上述目的，第一方面，本專利技術實施提供了一種應用于MRI...
【技術保護點】
1.一種應用于磁共振影像MRI的海馬體分割方法，其特征在于，包括：獲取MRI三維影像；構建大小為預設尺寸，且包含所述MRI三維影像的敏感區域的目標圖像；其中，所述敏感區域為海馬體所在區域；將所述目標圖像分別輸入預先訓練得到的至少兩個交互神經網絡中，得到各所述交互神經網絡輸出的預分割結果；其中，各所述交互神經網絡是根據各樣本MRI三維影像，以及所述各樣本MRI三維影像對應的標準分割影像，并分別基于預設的各所述交互神經網絡對應的目標函數訓練得到的；根據預先確定的各所述交互神經網絡的權重，以及各所述交互神經網絡輸出的預分割結果，確定所述MRI三維影像的分割結果；其中，各所述交互神經網絡的權重之和等于1。
【技術特征摘要】
1.一種應用于磁共振影像MRI的海馬體分割方法，其特征在于，包括：獲取MRI三維影像；構建大小為預設尺寸，且包含所述MRI三維影像的敏感區域的目標圖像；其中，所述敏感區域為海馬體所在區域；將所述目標圖像分別輸入預先訓練得到的至少兩個交互神經網絡中，得到各所述交互神經網絡輸出的預分割結果；其中，各所述交互神經網絡是根據各樣本MRI三維影像，以及所述各樣本MRI三維影像對應的標準分割影像，并分別基于預設的各所述交互神經網絡對應的目標函數訓練得到的；根據預先確定的各所述交互神經網絡的權重，以及各所述交互神經網絡輸出的預分割結果，確定所述MRI三維影像的分割結果；其中，各所述交互神經網絡的權重之和等于1。2.根據權利要求1所述的方法，其特征在于，各所述交互神經網絡的訓練過程包括：構建初始交互神經網絡；其中，所述初始交互神經網絡對應的網絡架構包括上通路、下通路和全卷積層，所述上通路由相互交替的采樣模塊和交互模塊構成，所述下通路由相互交替的上采樣模塊和交互模塊構成；獲取各樣本MRI三維影像，以及所述各樣本MRI三維影像對應的標準分割影像；分別從所述各樣本MRI三維影像和所述標準分割影像中裁剪出大小為所述預設尺寸的、包含海馬體所在區域的樣本圖像和標準圖像；將所述樣本圖像作為所述初始交互神經網絡的輸入，以所述標準圖像為標簽，分別基于各所述交互神經網絡對應的目標函數，訓練得到各交互神經網絡。3.根據權利要求2所述的方法，其特征在于，所述將所述樣本圖像作為所述初始交互神經網絡的輸入，以所述標準圖像為標簽，分別基于各所述交互神經網絡對應的目標函數，訓練得到各交互神經網絡，包括：將所述樣本圖像作為所述初始交互神經網絡中上通路的第一層的輸入；從所述上通路的第一層到最后一層，由所述采樣模塊對每層的輸入進行采樣處理，得到每層的采樣輸出結果；由所述交互模塊對每層的采樣輸出結果進行交互處理，得到每層的交互輸出結果；將所述上通路的最后一層的交互輸出結果，作為所述初始交互神經網絡中下通路的第一層的輸入；從所述下通路的第一層到最后一層，由所述上采樣模塊對每層的輸入進行上采樣處理，得到每層的上采樣輸出結果；由所述交互模塊對每層的上采樣輸出結果進行交互處理，得到每層的交互輸出結果；由所述全卷積層對所述下通路的最后一層的交互輸出結果進行全卷積處理，得到所述初始交互網絡的全卷積處理結果：將所述全卷積處理結果作為針對所述各樣本MRI三維影像的當前分割結果；其中，所述當前分割結果表示：所述樣本圖像中每個體素是海馬體的概率；根據所述當前分割結果和所述標準圖像對應的標準分割結果，計算各所述交互神經網絡對應的目標函數的值；其中，所述標準分割結果表示：所述標準圖像中每個體素是海馬體的概率；當各所述交互神經網絡對應的目標函數的值優化到接近各自的最小值時，將當前各交互神經網絡確定為訓練好的各交互神經網絡；其中，所述交互模塊通過以下公式對每層的采樣/上采樣輸出結果進行交互處理：其中，l表示所述初始交互神經網絡的當前層，表示第l層第j個信道的特征，max(·)表示所述交互模塊所采用的激活函數，表示連接第l-1層第i個信道和第l層第j個信道的卷積核，表示第l-1層第i個信道的特征，表示表示所述交互模塊中連接第l-1層和第l層的偏置，表示所述交互模塊中連接第l-1層和第l層的偏置，表示第l-2層第i個信道的特征。4.根據權利要求3所述的方法，其特征在于，所述至少兩個交互神經網絡包括三個交互神經網絡，其中，第一交互神經網絡對應的目標函數為概率相似目標函數PSF，其表達式為：其中，EPSF為概率相似目標函數，p為所述當前分割結果，g為所述標準分割結果，x表示所述樣本圖像中的全部體素；第二交互神經網絡對應的目標函數為交叉熵目標函數CEF，其表達式為：其中，ECEF為交叉熵目標函數，n表示所述樣本MRI三維影像的個數；第三交互神經網絡對應的目標函數為泊松分布目標函數PDF，其表達式為：其中，EPDF為泊松分布目標函數。5.根據權利要求1所述的方法，其特征在于，各所述交互神經網絡的權重的確定過程，包括：基于網格搜索法，構建搜索網絡；其中，所述搜索網格包含多組權重組合，每組權重組合對應不同的各所述交互神經網絡的候選權重；遍歷所述搜索網格中的所有組權重組合，計算所述每組權重組合對應的概率化融合分割結果，將概率化融合分割結果最大的權重組合對應的各所述交互神經網絡的候選權重作為各所述交互神經網絡的權重；其中，第k組權重組合對應的概率化融合分割結果通過以下公式計算：其中，I表示所述各樣本MRI三維影像，表示根據第k組權重組合以及訓練好的各交互神經網絡確定的針對所述I的融合分割結果，表示第k組權重組合對應的第m交互神經網絡的候選權重，表示根據訓練好的第m交互神經網絡確定的針對所述I的概率化分割結果，表示根據訓練好的第m交互神經網...
【專利技術屬性】
技術研發人員：侯蓓蓓，劉奎，康桂霞，張寧波，
申請(專利權)人：北京郵電大學，
類型：發明
國別省市：北京,11
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。