[发明专利]基于统计约束损失函数的脑梗塞病灶自动分割方法

权利要求书

1.基于统计约束损失函数的脑梗塞病灶自动分割方法，其特征在于，该方法具体为：

获取脑部弥散加权磁共振图像进行预处理，预处理后以磁敏感参数b＝0时的脑部弥散加权磁共振图像为b0图像，以磁敏感参数b≠0时的脑部弥散加权磁共振图像为DWI图像，根据b0图像和DWI图像计算出表观扩散系数ADC真值图像；

构建卷积神经网络，取手工标注的病灶标注图像、所述DWI图像以及ADC真值图像输入到所述卷积神经网络中进行迭代训练，所述卷积神经网络中预先定义四项损失函数，包括Dice系数损失函数、交叉熵损失函数、体积误差损失函数以及ADC值误差损失函数；在每一次迭代过程中，根据所述卷积神经网络的分割结果和所述病灶标注图像对四项损失函数进行优化；迭代训练结束后获得训练好的卷积神经网络；

采用训练好的卷积神经网络对脑部弥散加权磁共振图像进行脑梗塞病灶的自动分割。

2.如权利要求1所述的方法，其特征在于，所述获取脑部弥散加权磁共振图像进行预处理，具体为：

针对所述脑补弥散加权磁共振图像进行去骨和灰度归一化操作。

3.如权利要求1所述的方法，其特征在于，所述根据b0图像和DWI图像计算出表观扩散系数ADC真值图像，具体为：

其中b0图像和DWI图像均为三维图像，其中每个体素对应一个ADC值；

即体素i的ADC值为：

其中，S_0i表示b0图像体素i的灰度值，S_bi表示DWI图像的灰度值，b表示DWI图像对应的磁敏感参数b值，i为体素序号；

针对每个体素均计算其ADC值，获得三维的ADC真值图像。

4.如权利要求1所述的方法，其特征在于，所述卷积神经网络的网络结构采用三维U-Net网络。

5.如权利要求1所述的方法，其特征在于，所述所述卷积神经网络中的每一次迭代过程中，针对输入图像进行卷积操作和最终的sigmoid激活，得到分割概率图。

6.如权利要求5所述的方法，其特征在于，所述体积误差损失函数为：

其中，loss_vol表示体积误差损失函数，vol_gt表示所述病灶标注图像中的病灶体积，S_i表示所述卷积神经网络的分割概率图中体素i的概率值；

所述ADC值误差损失函数为：

其中，loss_ADC表示ADC值误差损失函数，表示所述病灶标注图像中病灶内的ADC均值，ADC_i表示所述ADC真值图像中体素i的ADC值。

7.如权利要求6所述的方法，其特征在于，所述根据所述卷积神经网络的分割结果和所述病灶标注图像对四项损失函数进行优化具体为：

对四项损失函数进行求和，并使用Adam优化器进行优化，更新所述卷积神经网络中卷积核的权重和偏置。