[发明专利]一种基于残差密集U形网络模型的丘脑分割方法

说明书

本发明公开了一种基于残差密集U形网络模型的丘脑分割方法，包括如下步骤：S1：对训练样本图像数据进行预处理；S2：构建待训练的语义分割网络模型；S3：将预处理后的训练样本图像，作为待训练的语义分割网络模型的输入，对待训练的语义分割网络模型进行训练，获取训练好的丘脑分割模型；S4：将待分割原始图像进行轴向面切片，并作为训练好的丘脑分割模型的输入，获取待分割原始图像的初步分割图像；S5：将待分割原始图像的初步分割图像进行拼接，获得三维丘脑分割结果图像。本发明的丘脑分割方法通过运用残差学习，增加了网络深度使得网络整体特征提取能力，解决了增加深度带来的副作用，即梯度弥散问题，从而使得丘脑组织更易提取。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于残差密集U形网络模型的丘脑分割方法。

背景技术

丘脑是人脑的中转站，接收除嗅觉外的所有感觉信号，并传递至大脑皮层区域。丘脑可以划分为多个核团，并且每个核团均有其特定的功能。核团与特定皮层区域存在连接或者成为皮层连接之间的中继。众多神经系统疾病与丘脑核团的损坏有着密切的联系，如阿兹海默症、帕金森症、精神分裂症、癫痫等多种疾病。深部脑刺激手术通过对丘脑特定核团植入起搏器，可以有效治疗上述疾病。因此，精准的丘脑分割对于大脑认知研究、神经疾病的机制研究与诊断治疗等领域具有重要价值与意义。

随着深部脑刺激手术的广泛使用，对于丘脑的准确定位成为提高电极放置准确性的关键环节。术前影像作为确定靶点丘脑的核心手段不可或缺。但从术前影像中确定丘脑的位置通常需要花费手术者大量的人工操作，需要对扫描切片每一帧进行标注，并且丘脑组织分割的准确性会直接影响后续步骤的表现，因此手动提取脑组织的方法不适用于临床诊断，更不适合大规模的研究。

卷积神经网络是深度学习的一个重要分支方向，在近几年迅猛发展，目前已在语音识别、图像处理和模式识别等领域取得了关键性突破。卷积神经网络更是图像分割领域的一个新的重要方向。在自然图像的分割中，已经发明了许多端到端的卷积神经网络的分割方法。单纯地用已有的卷积神经网络模型对大脑核磁共振图像超进行丘脑分割是不合适的，这是因为现有针对卷积神经网络方法未能充分考虑核磁共振图像成像噪声以及丘脑与周边组织对比度较低等因素。

发明内容

发明目的：针对现有丘脑分割过程中，未能充分考虑核磁共振图像成像噪声以及丘脑与周边组织对比度较低等因素的问题，本发明提出了一种基于残差密集U形网络模型的丘脑分割方法。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：

一种基于残差密集U形网络模型的丘脑分割方法，所述丘脑分割方法具体包括如下步骤：

S1：对训练样本图像数据进行预处理；

S2：构建待训练的语义分割网络模型；

S3：将所述预处理后的训练样本图像，作为所述待训练的语义分割网络模型的输入，对所述待训练的语义分割网络模型进行训练，获取训练好的丘脑分割模型；

S4：将待分割原始图像进行轴向面切片，并作为所述训练好的丘脑分割模型的输入，获取所述待分割原始图像的初步分割图像；

S5：将所述待分割原始图像的初步分割图像进行拼接，获得三维丘脑分割结果图像。

进一步地讲，在所述步骤S1中，对所述训练样本图像数据进行预处理，具体如下：

S1.1：将所述训练样本图像按小组为单位进行划分，且每个所述小组中均包括有初始图像和标签图像；

S1.2：将所述每小组的初始图像和标签图像均进行轴向面方向上的二维切片，获取所述初始图像和标签图像各自对应的二维图像，同时对所述二维图像的数据进行归一化处理；

S1.3：将所述归一化处理后的标签图像数据中的像素种类进行ONE-HOT编码。