[发明专利]一种脑白质高信号分割方法、装置、设备及存储介质

说明书

本申请公开了一种脑白质高信号分割方法、装置、设备及存储介质，所述方法包括：获取待分割图像；基于第一分割网络对所述待分割图像进行脑白质高信号分割，得到所述待分割图像的脑白质高信号标签预测结果；将所述待分割图像和所述待分割图像的脑白质高信号标签预测结果作为第二分割网络的输入，基于所述第二分割网络对所述待分割图像的脑白质高信号标签预测结果进行修正，得到所述待分割图像的脑白质高信号标签修正结果。利用本申请提供的技术方案可以得到分辨率更高、边界更精确、空间连续性更好的脑白质高信号分割结果，弥补第一分割网络分割脑白质高信号时边界模糊的问题。

技术领域

本发明涉及图像处理技术领域，具体涉及一种脑白质高信号分割方法、装置、设备及存储介质。

背景技术

血管源性的脑白质高信号(white matter hyper intensities of presumedvascular origin,WMH)，也称为脑白质疏松症，白质病变或白质病，是指在磁共振T2流体衰减反转恢复序列(Fluid-attenuated Inversion Recovery,FLAIR)上，双侧侧脑室周围或皮质下白质存在多发的点状、斑片状或融合性高信号现象。脑白质高信号常见于老年人群体和患有小血管疾病或其它神经系统疾病的患者大脑中，并且与功能衰退，痴呆和死亡的风险增加相关。

临床上，一般通过视觉评定量表的方法评估脑白质高信号，然而，由于MRI图像常包含十层至上百层，每一层都需要专业医师视觉评估，因此对脑白质高信号进行视觉评级是极其耗时的。同时由于脑白质高信号结构的多样性，即使是经验丰富的医生也很难准确评价，因此视觉评估脑白质高信号还容易受评价者自身及评价者之间可变性的影响，一致性较低。因此迫切需要能够自动的、客观的、提供定量测量信息及空间位置信息的脑白质高信号分割方法。

近年来深度学习技术成为基于手工设计特征的监督学习方法的有力替代方案，深度学习技术具有强大的模型容量并可自动学习提取具有高度辨别的特征，达到的性能可显著优于手工设计的特征，但现有技术中基于深度学习的脑白质高信号分割技术产生的分割图往往是平滑的，无法保证分割结果在外观及空间上的连续性，在目标边界区域处的效果较差，因此需要提供更有效的方案。

发明内容

为了解决现有技术的问题，本发明提供了一种脑白质高信号分割方法、装置、计算机设备及存储介质。所述技术方案如下：

本申请一方面提供了一种脑白质高信号分割方法，所述方法包括：

获取待分割图像；

基于第一分割网络对所述待分割图像进行脑白质高信号分割，得到所述待分割图像的脑白质高信号标签预测结果；

将所述待分割图像和所述待分割图像的脑白质高信号标签预测结果作为第二分割网络的输入，基于所述第二分割网络对所述待分割图像的脑白质高信号标签预测结果进行修正，得到所述待分割图像的脑白质高信号标签修正结果。

本申请另一方面提供了一种脑白质高信号分割装置，所述装置包括：

图像获取模块，用于获取待分割图像；

脑白质高信号分割模块，用于基于第一分割网络对所述待分割图像进行脑白质高信号分割，得到所述待分割图像的脑白质高信号标签预测结果；

图像修正模块，用于将所述待分割图像和所述待分割图像的脑白质高信号标签预测结果作为第二分割网络的输入，基于所述第二分割网络对所述待分割图像的脑白质高信号标签预测结果进行修正，得到所述待分割图像的脑白质高信号标签修正结果。

本申请另一方面提供了一种设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现所述的脑白质高信号分割方法。