[发明专利]基于三维全卷积神经网络的MRI皮质下分区系统

说明书

技术领域

本发明涉及医疗技术领域，特别是指一种基于三维全卷积神经网络的MRI 皮质下分区系统。

背景技术

对大脑皮质下结构的准确分区，对于许多神经系统疾病的研究有重要意义。比如帕金森病的病变部位可能发生在皮质下的黑质，而尾状核、伏核和豆状核的病变可能与自闭症的发生有关。纹状体等皮质下结构，可以通过MRI检查获取三维结构，而这些皮质下结构的准确分区仍然不容易准确做到。目前对皮质下结构的分区主要依赖于临床医生人工区分，而人工进行区分存在不少局限性，比如费时费力、准确性有限、容易受到主观经验的影响。

此前卷积神经网络(CNN)已有先例应用于医学影像的识别，然而此前CNN 主要应用于对二维图像的识别，所使用的滤波器(卷积核)都是二维的。二维 CNN相较于三维CNN，其最大的优势在于运算量较小，对运算能力和存储能力的要求不高，但是目前医学检验技术领域中存在大量三维医学影像(如CT、 MRI)，而单纯使用二维CNN则抛弃了垂直方向上的重要信息，对识别精度造成一定影响。使用三维CNN虽然运算量大，但是能够很好地保存垂直方向上的信息。

因此，有必要设计一种新的基于三维全卷积神经网络的MRI皮质下分区系统，以解决上述技术问题。

发明内容

针对背景技术中存在的问题，本发明的目的是提供一种基于三维全卷积神经网络的MRI皮质下分区系统，使用三维全卷积神经网络，通过对大量经过标记的头部MRI影像进行训练，并且对新导入的MRI影像完成分区，从而提高皮质下分区的准确性与效率。

本发明的技术方案是这样实现的：一种基于三维全卷积神经网络的MRI皮质下分区系统，包括训练模块、卷积前处理模块、FCNN模块以及卷积后处理模块，所述训练模块和卷积前处理模块均与FCNN模块连接，FCNN模块与卷积后处理模块连接，其中，所述训练模块使用反向传播算法计算，对输入的训练集进行训练，训练的图像首先经过正向传播途径，经过激活函数运算得到一个值，再由这个值进行链式求导求得上一层的权重，经过多层的迭代，链式求导得到各层的权重，使用训练集完成训练之后，得到一系列适用于大脑皮质下分区的权重至FCNN模块；所述卷积前处理模块：包含灰度均一化模块、非均匀场校正模块以及颅骨去除模块，用于对图像进行对应的灰度均一化、非均匀场校正以及颅骨剥离预处理；所述FCNN模块：用于对预处理后的图像行识别，经过9 层卷积层、3层全连接层以及最后的分类层后，得到九张密度分布图；所述卷积后处理模块：用于对九张密度图中隔离小分区的处理并对九张密度图进行融合，得到的一张效果图。

在上述技术方案中，所述在训练模块进行训练之前，需要预设定各层的权重，对预设定的权重进行计算，方法是对于每一层的权重，n_l代表该层对于各个单位的连接数，而在该层的权重则设定为符合方差为的高斯分布的一系列值。

在上述技术方案中，所述训练模块在训练之前，需要设定多个参数，包括每次训练的图像数量、迭代次数、整个训练集进行训练的次数、学习动量、初始学习率，根据设定的参数，训练模块对输入的训练集进行训练。

在上述技术方案中，所述灰度均一化模块用于对图像像素亮度分布不平衡的处理，使像素的灰度值分布在0-255之间。

在上述技术方案中，所述非均匀场校正模块使用曲面拟合方法，对图片的像素点进行分类，然后提取图像中所有像素点中反映非均匀场变化趋势的像素点，求得非均匀场曲面拟合的参数，然后利用这些像素点对整个曲面进行拟合，从而完成校正。

在上述技术方案中，所述颅骨去除模块利用边缘检测算子检测颅骨边缘，并利用边缘连接算子连接边缘实现自动分割，去除图像中的颅骨，降低图像大小和计算量。

本发明基于三维全卷积神经网络的MRI皮质下分区系统，包括训练模块、卷积前处理模块、FCNN模块以及卷积后处理模块，所述训练模块和卷积前处理模块均与FCNN模块连接，FCNN模块与卷积后处理模块连接，训练模块用于对输入的训练集进行训练，卷积前处理模块用于对图像进行灰度均一化、非均匀场校正以及颅骨剥离的预处理，完成卷积前处理后送入FCNN模块中进行识别，经过9层卷积层、3层全连接层以及最后的分类层后，得到九张密度分布图，经过卷积后处理模块的卷积后处理，完成对九张密度分布图隔离小分区的处理，并对九张密度分布图进行融合，得到的一张效果图，从而提高皮质下分区的准确性与效率。

附图说明

图1为本发明结构框图；

图2为本发明FCNN结构图；

图3为本发明具体实例效果图。