[发明专利]一种基于序列学习的海马体分割方法

说明书

本发明涉及计算机视觉、深度学习领域，具体涉及一种基于序列学习的海马体分割方法。本发明步骤如下：步骤1，对原始图像集A进行了预处理；步骤2，搭建网络模型，本发明的海马体分割网络模型包括编码部分、双向卷积长短记忆网络和解码部分；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的得到权重模型J、K、L。本发明利用基于深度学习网络的方法，实现对人脑核磁共振影像中海马体结构的高效自动化精准分割，在保证高分割精度的同时，运算速度也比较快。并且可扩展性强：除了用于海马体的检测，能将本发明中的网络进行重新训练，使其应用于其他器官或者组织的检测和分割。

技术领域

本发明涉及计算机视觉、深度学习领域，具体涉及一种基于序列学习的海马体分割方法。

背景技术

海马体是大脑神经系统的重要组成部分，海马的体积和功能的异常与很多精神疾病有紧密关系，例如：颞叶癫痫(Temporal Lobe Epilepsy，TLE)、阿尔兹海默综合症(Alzheimer’s Disease，AD)、精神分裂(Schizophrenia)等。因此准确的分割海马体，可以辅之医师对相关精神疾病进行诊治，具有极大的医用价值。核磁共振图像能提供对比度丰富、分辨率高的三维脑组织信息，是研究海马体形态的重要数据。因此，在脑MRI图像中研究海马体的体积形态，实现三维海马体的精确分割也日渐成为了医学图像研究中的一个重要任务。

传统的分割海马体的方法包括手动分割方法、半自动分割方法、传统自动分割方法，但是这些方法枯燥费时，在分割精确性和效率上都不是很理想。

近年来，深度学习在人工智能特别是图像处理领域发展迅速。在图像的分类、检测、分割方面都有不错的研究成果，深度学习中的序列学习也得到了广泛的应用。

发明内容

本发明提供了一种基于序列学习的海马体分割方法，目的在于解决对脑MRI图像中的海马体进行分割时分割准确率低，分割的时间长的问题。

一种基于序列学习的海马体分割方法，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。

本发明N为120，则影像文件包括尺寸为192*192*160的图像62组、尺寸为256*256*166的35组，尺寸为256*256*180的图像23组。

1.1裁剪图像

对120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尺寸为表A的影像文件，得到图像集B。

表A三种不同大小图像的裁剪区域

其中，(x,y,z₁)为左海马体，(x,y,z₂)为右海马体；

进一步的，本发明影像文件裁剪成尺寸为80*80*40，80*80*40的影像文件能够得到包含海马体的有效区域，使得分割的精度更高，并且能加快训练速度。

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。

解剖平面图集D中包括80个切片序列、解剖平面图集E中包括80个切片序列、解剖平面图集F中包括40个切片序列。

步骤2，搭建海马体分割网络模型；