[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

说明书

本发明公开了基于统计约束损失函数的脑梗塞病灶自动分割方法，能够提升病灶分割结果的准确性。其主要的思路为：获取脑部弥散加权磁共振图像进行预处理，获得b0图像和DWI图像并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、DWI图像以及ADC真值图像输入到卷积神经网络中进行迭代训练，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，根据卷积神经网络的分割结果和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。

技术领域

本发明涉及医学图像分割技术领域，具体涉及基于统计约束损失函数的脑梗塞病灶自动分割方法。

背景技术

脑梗塞是一种急性脑血管疾病，其发病可能引起长期残疾甚至死亡。自动化的脑梗塞病灶分割方法对于临床中脑梗塞的干预起到重要的推动作用。现有的方法采用脑部弥散加权磁共振成像(Diffusion Weighted Imaging，DWI)进行自动化的脑梗塞病灶分割。这些方法基于深度学习理论，设计卷积神经网络模型。但是，现有方法通常采用交叉熵、Dice系数等作为训练指标，不能保证基于自动分割结果的后续统计分析的一致性。例如对病灶体积、表观扩散系数(Apparent Diffusion Coefficient，ADC)等指标的分析可能存在偏差。这些统计指标的准确获取对于后续的脑梗塞干预方案设计具有重要的意义。

发明内容

有鉴于此，本发明提供了基于统计约束损失函数的脑梗塞病灶自动分割方法，能够提升病灶分割结果的准确性。

为达到上述目的，本发明的技术方案为：

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、DWI图像以及ADC真值图像输入到卷积神经网络中进行迭代训练，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，根据卷积神经网络的分割结果和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。

进一步地，获取脑部弥散加权磁共振图像进行预处理，具体为：

针对脑补弥散加权磁共振图像进行去骨和灰度归一化操作。

进一步地，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。

进一步地，卷积神经网络的网络结构采用三维U-Net网络。

进一步地，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。

进一步地，体积误差损失函数为：