欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024100544790
申请人: 宁波大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种脑部MRI图像脑微出血自动分割方法,其特征在于包括如下步骤:

步骤1:获取数张高分辨率三维脑部MRI图像和相对应的低分辨率三维脑部MRI图像,以及每张高分辨率三维脑部MRI图像对应的高分辨率标签图像、每张低分辨率三维脑部MRI图像对应的低分辨率标签图像;

步骤2:对所有高分辨率三维脑部MRI图像和所有低分辨率三维脑部MRI图像分别先后进行预处理和数据增强处理;其中,预处理包括强度值标准化、空间分辨率统一、非脑组织移除,数据增强处理包括随机翻转和噪声添加,在预处理后进行多次不同的数据增强处理,以使每张高分辨率三维脑部MRI图像和每张低分辨率三维脑部MRI图像各对应有多张噪声三维脑部MRI图像;

步骤3:从每张高分辨率三维脑部MRI图像及其对应的多张噪声三维脑部MRI图像各自中截取数个高分辨率样本,并依据高分辨率标签图像中对应位置的高分辨率标签块区分为高分辨率正样本或高分辨率负样本;同样,从每张低分辨率三维脑部MRI图像及其对应的多张噪声三维脑部MRI图像各自中截取数个低分辨率样本,并依据低分辨率标签图像中对应位置的低分辨率标签块区分为低分辨率正样本或低分辨率负样本;

步骤4:针对从每张高分辨率三维脑部MRI图像及其对应的多张噪声三维脑部MRI图像各自中截取的所有高分辨率样本,以高分辨率正样本的数量为基准,按设定的第一正负样本比例选取高分辨率负样本;同样,针对从每张低分辨率三维脑部MRI图像及其对应的多张噪声三维脑部MRI图像各自中截取的所有低分辨率样本,以低分辨率正样本的数量为基准,按设定的第一正负样本比例选取低分辨率负样本;再将从所有高分辨率三维脑部MRI图像及其对应的噪声三维脑部MRI图像上截取的高分辨率正样本和选取的高分辨率负样本,以及从所有低分辨率三维脑部MRI图像及其对应的噪声三维脑部MRI图像上截取的低分辨率正样本和选取的低分辨率负样本构成混合训练数据集;

针对从每张高分辨率三维脑部MRI图像及其对应的多张噪声三维脑部MRI图像各自中截取的所有高分辨率样本,以高分辨率正样本的数量为基准,按设定的第二正负样本比例选取高分辨率负样本;再将从所有高分辨率三维脑部MRI图像及其对应的噪声三维脑部MRI图像上截取的高分辨率正样本和选取的高分辨率负样本构成高分辨率训练数据集;

对高分辨率训练数据集中的每个高分辨率样本按×2的降采样比例进行降采样,然后使用三次线性的插值算法将降采样后的样本重新上采样至原始尺寸,再将上采样后的样本构成第一低分辨率训练数据集;对高分辨率训练数据集中的每个高分辨率样本按×4的降采样比例进行降采样,然后使用三次线性的插值算法将降采样后的样本重新上采样至原始尺寸,再将上采样后的样本构成第二低分辨率训练数据集;对高分辨率训练数据集中的每个高分辨率样本按×8的降采样比例进行降采样,然后使用三次线性的插值算法将降采样后的样本重新上采样至原始尺寸,再将上采样后的样本构成第三低分辨率训练数据集;

针对从每张低分辨率三维脑部MRI图像及其对应的多张噪声三维脑部MRI图像各自中截取的所有低分辨率样本,以低分辨率正样本的数量为基准,按设定的第二正负样本比例选取低分辨率负样本;再将从所有低分辨率三维脑部MRI图像及其对应的噪声三维脑部MRI图像上截取的低分辨率正样本和选取的低分辨率负样本构成真实低分辨率训练数据集;

步骤5:构建全卷积神经网络;然后设定优化器为Adam,学习率为0.0003;再使用混合训练数据集对全卷积神经网络进行训练,在训练过程中,使用一个批次的样本进行训练结束后更新网络参数,再使用下一个批次的样本进行训练,直至完成一轮训练后计算损失函数,根据损失函数计算结果更新网络权重;在训练至少100轮后,得到全卷积神经网络模型;其中,一个批次的样本为从混合训练数据集中随机抽取的样本,为高分辨率正样本或高分辨率负样本或低分辨率正样本或低分辨率负样本;

步骤6:构建第一U-Net分割网络;然后设定优化器为Adam,学习率为0.0003;再使用高分辨率训练数据集对第一U-Net分割网络进行训练,在训练过程中,使用一个批次的样本进行训练结束后更新网络参数,再使用下一个批次的样本进行训练,直至完成一轮训练后计算损失函数,根据损失函数计算结果更新网络权重;在训练至少80轮后,得到第一U-Net分割网络模型;其中,一个批次的样本为从高分辨率训练数据集中随机抽取的样本,为高分辨率正样本或高分辨率负样本;

步骤7:构建第二U-Net分割网络;然后设定优化器为Adam,学习率为0.0003;接着使用第一低分辨率训练数据集对第二U-Net分割网络进行训练,在训练过程中,利用知识蒸馏技术使用第一U-Net分割网络模型辅助第二U-Net分割网络的训练,同时使用一个批次的样本进行训练结束后更新网络参数,再使用下一个批次的样本进行训练,直至完成一轮训练后计算损失函数,根据损失函数计算结果更新网络权重;在训练至少20轮后,再使用第二低分辨率训练数据集对第二U-Net分割网络继续进行训练,在训练过程中,利用知识蒸馏技术使用第一U-Net分割网络模型辅助第二U-Net分割网络的训练,同时使用一个批次的样本进行训练结束后更新网络参数,再使用下一个批次的样本进行训练,直至完成一轮训练后计算损失函数,根据损失函数计算结果更新网络权重;在训练至少20轮后,再使用第三低分辨率训练数据集对第二U-Net分割网络继续进行训练,在训练过程中,利用知识蒸馏技术使用第一U-Net分割网络模型辅助第二U-Net分割网络的训练,同时使用一个批次的样本进行训练结束后更新网络参数,再使用下一个批次的样本进行训练,直至完成一轮训练后计算损失函数,根据损失函数计算结果更新网络权重;在训练至少20轮后,再使用真实低分辨率训练数据集对第二U-Net分割网络继续进行训练,在训练过程中,使用一个批次的样本进行训练结束后更新网络参数,再使用下一个批次的样本进行训练,直至完成一轮训练后计算损失函数,根据损失函数计算结果更新网络权重;在训练至少20轮后,得到第二U-Net分割网络模型;

步骤8:对于任意一张测试三维脑部MRI图像,按步骤2的方式对测试三维脑部MRI图像先后进行预处理和数据增强处理;然后按步骤3的方式从测试三维脑部MRI图像及其对应的多张噪声三维脑部MRI图像各自中截取数个样本;接着将所有样本构成测试数据集;再将测试数据集输入到全卷积神经网络模型中,全卷积神经网络模型输出测试数据集中的每个样本的正负样本预测概率;之后从测试数据集中提取出正负样本预测概率指示为正样本的所有样本,将提取出的所有样本构成粗预测数据集;再根据测试三维脑部MRI图像的分辨率,选择第一U-Net分割网络模型或第二U-Net分割网络模型进行正样本和负样本的分割,若测试三维脑部MRI图像为高分辨率图像,则将粗预测数据集输入到第一U-Net分割网络模型中,第一U-Net分割网络模型输出粗预测数据集中的每个样本的分割结果;若测试三维脑部MRI图像为低分辨率图像,则将粗预测数据集输入到第二U-Net分割网络模型中,第二U-Net分割网络模型输出粗预测数据集中的每个样本的分割结果。

2.根据权利要求1所述的一种脑部MRI图像脑微出血自动分割方法,其特征在于所述的步骤2中,将所有高分辨率三维脑部MRI图像和所有低分辨率三维脑部MRI图像均作为待处理图像,对待处理图像先后进行预处理和数据增强处理的具体过程为:

步骤2.1:强度值标准化:对各张待处理图像中的每个体素点的强度值进行标准化处理,得到对应的标准化三维脑部MRI图像,其中,一张标准化三维脑部MRI图像中的所有体素点的强度值的均值为0且方差为1;

步骤2.2:空间分辨率统一:若待处理图像为高分辨率三维脑部MRI图像,则对其对应的标准化三维脑部MRI图像不进行处理;若待处理图像为低分辨率三维脑部MRI图像,则使用三次线性的插值算法对待处理图像对应的标准化三维脑部MRI图像进行重采样,使得到的重采样三维脑部MRI图像的空间分辨率与待处理图像相对应的高分辨率三维脑部MRI图像的分辨率一致;

步骤2.3:非脑组织移除:若待处理图像为高分辨率三维脑部MRI图像,则使用灰度阈值处理算法对其对应的标准化三维脑部MRI图像进行背景移除,若待处理图像为低分辨率三维脑部MRI图像,则使用灰度阈值处理算法对其对应的重采样三维脑部MRI图像进行背景移除,背景移除后得到对应的干净三维脑部MRI图像;

步骤2.4:随机翻转:通过伪随机数生成器确定每张干净三维脑部MRI图像是否应翻转以及翻转的类型,若应翻转,则对该张干净三维脑部MRI图像按翻转的类型进行一次翻转操作,得到对应的翻转三维脑部MRI图像;其中,翻转的类型为水平翻转、垂直翻转;

步骤2.5:噪声添加:对于未翻转的干净三维脑部MRI图像,在干净三维脑部MRI图像中添加随机高斯噪声,对于翻转得到的翻转三维脑部MRI图像,在翻转三维脑部MRI图像中添加随机高斯噪声,得到对应的噪声三维脑部MRI图像;

步骤2.6:重复步骤2.4和步骤2.5,以使待处理图像对应有多张不同的噪声三维脑部MRI图像。

3.根据权利要求1所述的一种脑部MRI图像脑微出血自动分割方法,其特征在于所述的步骤3中,针对一张高分辨率三维脑部MRI图像及其对应的多张噪声三维脑部MRI图像,将这些图像作为待处理图像,高分辨率样本的获取及高分辨率正样本和高分辨率负样本的区分的具体过程为:步骤3.1:采用滑动窗口在待处理图像的三个维度上按照设定步长滑动,并在每个滑动窗口位置处截取一个三维图像块作为高分辨率样本;其中,滑动窗口的三个维度大小均为16~64之间2的倍数,设定步长为滑动窗口的对应维度大小的一半;

步骤3.2:对高分辨率三维脑部MRI图像对应的高分辨率标签图像,按照步骤3.1的过程,以相同的方式截取与高分辨率样本数量相同的高分辨率标签块;

步骤3.3:依据高分辨率标签图像中的高分辨率标签块将待处理图像中对应位置的高分辨率样本判定为高分辨率正样本或高分辨率负样本,若一个高分辨率标签块上有脑微出血点,则将与该高分辨率标签块位置相对应的高分辨率样本判定为高分辨率正样本;若一个高分辨率标签块上没有脑微出血点,则将与该高分辨率标签块位置相对应的高分辨率样本判定为高分辨率负样本;

针对一张低分辨率三维脑部MRI图像及其对应的多张噪声三维脑部MRI图像,将这些图像作为待处理图像,按照步骤3.1至步骤3.3的过程,以相同的方式获取低分辨率样本及区分低分辨率正样本和低分辨率负样本。

4.根据权利要求1所述的一种脑部MRI图像脑微出血自动分割方法,其特征在于所述的步骤4中,设定的第一正负样本比例为1:2,即正样本的数量与负样本的数量的比例为1:2;设定的第二正负样本比例为1:1,即正样本的数量与负样本的数量的比例为1:1。

5.根据权利要求1所述的一种脑部MRI图像脑微出血自动分割方法,其特征在于所述的步骤5中,全卷积神经网络包括8个卷积块和1个最大池化层,第1个卷积块的输入端作为全卷积神经网络的输入端,第2个卷积块的输入端接收第1个卷积块的输出端输出的特征图,第3个卷积块的输入端接收第2个卷积块的输出端输出的特征图,第4个卷积块的输入端接收第3个卷积块的输出端输出的特征图,最大池化层的输入端接收第4个卷积块的输端输出的特征图,第5个卷积块的输入端接收最大池化层的输出端输出的特征图,第6个卷积块的输入端接收第5个卷积块的输出端输出的特征图,第7个卷积块的输入端接收第6个卷积块的输出端输出的特征图,第8个卷积块的输入端接收第7个卷积块的输出端输出的特征图,第8个卷积块的输出端作为全卷积神经网络的输出端;其中,每个卷积块由依次连接的卷积层、批量归一化层、Leakly Relu激活函数组成,第1个卷积块中的卷积层的输入通道数为16、输出通道数为16,第2个卷积块中的卷积层的输入通道数为16、输出通道数为32,第3个卷积块和第4个卷积块中各自的卷积层的输入通道数为32、输出通道数为32,最大池化层的输入通道数为32、输出通道数为64,第5个卷积块中的卷积层的输入通道数为64、输出通道数为64,第6个卷积块中的卷积层的输入通道数为64、输出通道数为128,第7个卷积块中的卷积层的输入通道数为128、输出通道数为128,第8个卷积块中的卷积层的输入通道数为128、输出通道数为1,第1个卷积块至第7个卷积块各自中的卷积层的卷积核大小为3×3×3,第8个卷积块中的卷积层的卷积核大小为2×2×2。

6.根据权利要求5所述的一种脑部MRI图像脑微出血自动分割方法,其特征在于所述的步骤5中,批次的大小为64,损失函数采用焦点损失函数Focal Loss。

7.根据权利要求1所述的一种脑部MRI图像脑微出血自动分割方法,其特征在于所述的第一U-Net分割网络和所述的第二U-Net分割网络的结构相同,其包括14个卷积块、3个最大池化层和3个反卷积层,第1个卷积块的输入端作为所在的U-Net分割网络的输入端,第2个卷积块的输入端接收第1个卷积块的输出端输出的特征图,第1个最大池化层的输入端接收第2个卷积块的输端输出的特征图,第3个卷积块的输入端接收第1个最大池化层的输出端输出的特征图,第4个卷积块的输入端接收第3个卷积块的输出端输出的特征图,第2个最大池化层的输入端接收第4个卷积块的输端输出的特征图,第5个卷积块的输入端接收第2个最大池化层的输出端输出的特征图,第6个卷积块的输入端接收第5个卷积块的输出端输出的特征图,第3个最大池化层的输入端接收第6个卷积块的输端输出的特征图,第7个卷积块的输入端接收第3个最大池化层的输出端输出的特征图,第8个卷积块的输入端接收第7个卷积块的输出端输出的特征图,第1个反卷积层的输入端接收第8个卷积块的输出端输出的特征图,第9个卷积块的输入端接收第6个卷积块的输出端输出的特征图与第1个反卷积层的输出端输出的特征图经通道拼接后得到的特征图,第10个卷积块的输入端接收第9个卷积块的输出端输出的特征图,第2个反卷积层的输入端接收第10个卷积块的输出端输出的特征图,第11个卷积块的输入端接收第4个卷积块的输出端输出的特征图与第2个反卷积层的输出端输出的特征图经通道拼接后得到的特征图,第12个卷积块的输入端接收第11个卷积块的输出端输出的特征图,第3个反卷积层的输入端接收第12个卷积块的输出端输出的特征图,第13个卷积块的输入端接收第2个卷积块的输出端输出的特征图与第3个反卷积层的输出端输出的特征图经通道拼接后得到的特征图,第14个卷积块的输入端接收第13个卷积块的输出端输出的特征图,第14个卷积块的输出端作为所在的U-Net分割网络的输出端;其中,第1个卷积块至第8个卷积块以及3个最大池化层构成编码器,第9个卷积块至第14个卷积块以及3个反卷积层构成解码器,每个卷积块由依次连接的卷积层、批量归一化层、Leakly Relu激活函数组成,第1个卷积块和第2个卷积块以及第13个卷积块和第14个卷积块各自中的卷积层的输入通道数为16、输出通道数为16,第1个最大池化层的输入通道数为16、输出通道数为32,第3个卷积块和第4个卷积块以及第11个卷积块和第12个卷积块各自中的卷积层的输入通道数为32、输出通道数为32,第2个最大池化层的输入通道数为32、输出通道数为64,第5个卷积块和第6个卷积块以及第9个卷积块和第10个卷积块各自中的卷积层的输入通道数为64、输出通道数为64,第3个最大池化层的输入通道数为64、输出通道数为128,第7个卷积块和第8个卷积块各自中的卷积层的输入通道数为128、输出通道数为128,第1个反卷积层的输入通道数为128、输出通道数为64,第2个反卷积层的输入通道数为64、输出通道数为32,第3个反卷积层的输入通道数为32、输出通道数为16,所有卷积层的卷积核大小为3×3×3。

8.根据权利要求7所述的一种脑部MRI图像脑微出血自动分割方法,其特征在于所述的步骤6和所述的步骤7中,批次的大小为32,损失函数为焦点损失函数Focal Loss和骰子损失函数Dice Loss的加权和,两者的权值均为0.5。