[发明专利]基于FCN的腹部多器官核磁共振图像分割方法、系统及介质

说明书

本发明公开了一种基于FCN的腹部多器官核磁共振图像分割方法、系统及介质，本发明方法实施步骤包括获取输入图像并进行数据预处理、图像归一化操作，然后将其输入完成训练的高分辨率全卷积神经网络模型得到最终预测图，所述高分辨率全卷积神经网络模型被预先训练建立了归一化后的腹部多器官核磁共振图像及其对应的最终预测图的映射关系；将最终预测图使用激活函数激活得到预测得分图，且在每个像素位置取预测得分最高的类别作为该像素位置的预测标签类别，得到最终的分割预测图。本发明能够实现腹部多器官核磁共振图像的自动分割，例如按照无器官区、肝脏区、右肾区、左肾区和脾脏区五种不同区域类别对腹部多器官MR图像进行分割。

技术领域

本发明涉及数字医学影像处理与分析和计算机辅助诊断领域，具体涉及一种基于FCN的腹部多器官核磁共振图像分割方法、系统及介质。

背景技术

了解复杂医疗程序的先决条件对于手术的成功起着重要作用。为了丰富理解水平，医生使用三维可视化和打印等高级工具，这些工具需要从DICOM图像中提取感兴趣的对象。腹部多器官(即肝脏，肾脏和脾脏)的精确分割对于几种临床程序至关重要，包括但不限于基于活体供体的移植手术的肝脏预评估或腹部多器官的详细分析以确定在腹主动脉手术之前，为了正确定位移植物的血管并进入它们。这促使正在进行的研究需要克服由于腹部的高度灵活的解剖学特性和反映图像特征的模态的限制带来的无数挑战，以获得更好的分割结果。

腹部多器官核磁共振(MR)图像的精确分割对于诊断、手术规划、术后分析以及化疗、放疗计划至关重要，目前国内外有很多研究人员提出了各种各样的腹部多器官MR图像的分割算法，主要包括基于图形分割的算法以及基于像素的分割算法等。基于图形的分割算法在网络图中使用顶点来表示图像的像素，使用图中的边来表示像素之间的相似度，通过以能量最小化问题为优化目标将网络图逐渐分割成子网络图，使得子网络图内部的相似度以及子网络图之间的差异度达到最大。此类算法一般需要解决一个求解广义特征向量问题，在图像分辨率大小较大的情况下，此类算法会产生较大的计算量，复杂度较高。基于像素的分割算法的基本思想是根据每个像素在MR图像上亮度信息、纹理信息等把该像素点分类到正确的类别中。分类的算法包括无监督的聚类和有监督的学习。例如，基于模糊C均值聚类算法(Fuzzy C-Means,FCM)的模糊均值聚类的算法，以核磁共振图像的像素强度作为特征向量，利用该算法对所有像素点进行聚类得到初始的分类，根据对称性，像素强度值分布等先验知识对初始分类进行优化，得到最终的分割结果。由于FCM聚类时，没有考虑空间邻域信息，并且器官组织的像素强度值分布会产生重叠，因此容易发生误分割的情况。

近年来，深度学习理论引起了很大关注，在自然语言处理、计算机视觉等领域已经取得了广泛的应用，尤其是深度卷积神经网络(Convolution Neural Network，简称CNN)具有非常强的自主学习能力和高度的非线性映射，在计算机视觉的各个方向表现出优异的性能，如，图像分类、目标检测、语义分割等。

2014年提出的用于语义分割的全卷积神经网络(Fully ConvolutionalNetworks，简称FCN)，将传统用于图像分类的CNN末尾的全连接层替换为卷积层，使得网络可以接受不同尺寸的图片输入实现像素级别的分类，并且解决了网络输入在原图向上滑动而带来的重复存储和计算的问题，这为设计对鲁棒性和精度要求高的分割模型提供了可能。随后，2015年专门为医学图像分割所设计的全卷积神经网络U-Net被提出，U-Net继承了FCN使用全卷积神经网络进行图像分割的思路，网络架构包括两部分，即编码网络和解码网络，两个子网络串行连接，编码网络通过堆叠卷积、池化操作，对原图像下采样减小图像的分辨率提取整个图像中上下文语义信息，解码网络通过堆叠卷积、反卷积，对特征图上采样逐渐将分辨率恢复到原图像大小，并且在编码网络和解码网络之间使用跳跃连接融合低级别特征和高级别特征，由于编码网络和解码网络的对称性，这种网络结构呈现出字母“U”的形状，因此被命名为U-Net。因为医学图像存在边界不清晰、灰度范围大等特点，需要结合更多的低级别特征来实现精细的分割，所以U-Net这种结构被广泛地应用于各种医学图像的分割，并在各种医学分割竞赛中取得良好的效果。