[发明专利]一种基于序列学习的海马体分割方法

权利要求书

1.一种基于序列学习的海马体分割方法，其特征在于，步骤如下：

步骤1，对原始图像集A进行了预处理；

所述的原始图像集A包含N组NIfTI格式的脑MRI海马体影像文件；

1.1裁剪图像

对N组图像中海马体的位置及区域进行统计，将原始图像集A中的影像文件裁剪成符合尺寸要求的影像文件，得到图像集B；

具体要求如下：图片尺寸为192*192*160的图像，裁剪成X[60:140]；y[68:148]；Z₁[38:78]；Z₂[80:120]；图片尺寸为256*256*166的图像，裁剪成X[690:170]；y[100:180]；Z₁[40:80]；Z₂[85:125]；图片尺寸为256*256*180的图像，裁剪成X[100:180]；y[105:185]；Z₁[48:88]；Z₂[90:130]；

1.2数据规范化

对图像集B进行数据规范化处理，使图像集B中的体素值的范围为[0，1]，得到规范化的图像集C；

1.3数据序列化

把图像集C按冠状面、矢状面和横断面三个方向分别进行序列化，生成三组不同视图下的解剖平面图集D、E、F，每组解剖平面图集中包含切片序列；

步骤2，搭建海马体分割网络模型；

海马体分割网络模型包括编码部分、BDC-LSTM和解码部分；

首先将解剖平面图集D、E、F分别单独通过编码部分进行特征提取，然后将特征提取后的结果送到BDC-LSTM中进行训练，挖掘解剖平面图集中连续切片的空间序列关系，最后通过解码部分对BDC-LSTM操作后的结果进行上采样，从而实现端到端的分割，每次将一组解剖平面图集送到网络中进行训练；

所述的编码部分是对三组不同视图下的解剖平面图集D、E、F中的切片进行特征提取；编码部分包括四组卷积网络和一个最大池化层；第一组为通道数为16的3*3的卷积层；第二组采用三种不同的卷积来提取多个尺度的信息，第一种是通道数为16的1*1的卷积，第二种是通道数为16的3*3的卷积，第三种是通道数为16的5*5的卷积；第三组是通道数为16的3*3的卷积层；第四组是通道数为16的3*3的卷积层；经过四组卷积后，连接一个最大池化层；

所述的BDC-LSTM为两层CLSTM结构,一层CLSTM随时序正向，一层CLSTM逆着时序的反向；

所述的解码部分是对BDC-LSTM的输出进行上采样，获得和输入图像一样的分辨率；

解码部分包含一个通道数为16的3*3的反卷积层和一个通道数为16的3*3的卷积层，最后连接一个通道数为1的3*3的卷积层；

步骤3，训练模型；

对解剖平面图集D、E、F进行正向传播获得单次迭代结果，并计算损失函数通过反向传播得到的权重模型J、K、L；

对三种视图下的解剖平面图分别进行训练得到三组用于海马体分割的权重模型J、K、L，对权重模型J、K、L求平均得到最终的训练模型M。

2.如权利要求1所述的基于序列学习的海马体分割方法，其特征在于，步骤2中，所述的编码部分的第一组、第三组、第四组卷积层后添加Batch-normalization，激活函数采用了Relu。

3.如权利要求1或2所述的基于序列学习的海马体分割方法，其特征在于，步骤2中，所述的解码部分的反卷积层和通道数为16的3*3卷积层后添加Batch-normalization，激活函数采用了Relu。

4.如权利要求1或2所述的基于序列学习的海马体分割方法，其特征在于，步骤1.1原始图像集A中的影像文件裁剪成尺寸为80*80*40。

5.如权利要求3所述的基于序列学习的海马体分割方法，其特征在于，步骤1.1骤1.1原始图像集A中的影像文件裁剪成尺寸为80*80*40。