[发明专利]一种基于多模态影像的颞叶勾画方法、勾画系统、计算设备和存储介质

说明书

本发明公开了一种基于多模态影像的颞叶勾画方法、勾画系统、计算设备和存储介质，包括：采集预设数量的CT脑影像和T1 MRI脑影像，并制作每例T1 MRI脑影像的颞叶分割标签；对CT脑影像、T1 MRI脑影像和颞叶分割标签进行预处理、配准变换和图像裁剪；将裁剪后的CT脑影像和T1 MRI脑影像作为网络输入、裁剪后的颞叶分割标签作为网络目标输出，在语义分割卷积神经网络中进行训练，直到模型稳定收敛，停止训练，得到最佳的颞叶分割神经网络模型；将待分割图像输入到训练后的颞叶分割神经网络模型中，得到对应的CT影像的颞叶自动分割结果，并对颞叶自动分割结果进行后处理和边缘检测，得到颞叶勾画结果。

技术领域

本发明涉及图像识别技术领域，具体涉及一种基于多模态影像的颞叶勾画方法、勾画系统、计算设备和存储介质。

背景技术

颞叶的功能主要是负责处理听觉信息，同时颞叶也和记忆、情感有一定的关系。因此，在放疗等科室的临床诊断中，精确分割颞叶显得极其重要。但基于CT脑影像的临床实践中，CT脑影像上的颞叶与其他大脑区域没有明确的边界，不容易直接在CT脑影像上进行手工颞叶区域的勾画或者基于边缘检测算法的颞叶区域的自动勾画。相对地，由于MRI成像对软组织成像分辨率高，可进行多参数、任意方位成像，对大脑颞叶等脑结构可以进行边界清晰的医学成像。因此，更适合基于MRI成像来进行大脑颞叶勾画，进而指导基于CT脑影像的颞叶勾画。

此外，传统的图像分割算法包含基于阈值分割、自适应边缘检测、活动轮廓模型等分割方法等，这些方法对于脑器官的分割存在抗噪性较差、数据适应性较差等问题，在实际应用中的性能和鲁棒性不高。深度学习是用神经网络尝试对数据做高层次的抽象,其专注于学习数据的表征,对数据做不同层次的抽象，已被大量应用到图像和模式识别领域。若将卷积神经网络运用到包括颞叶在内的各种身体分割中去，必将能进一步提高身体组织勾画的鲁棒性和自动分割的准确率，这正是本发明要解决的问题。

发明内容

针对现有技术中存在的上述问题，本发明提供一种基于多模态影像(T1MRI脑影像与CT脑影像)的颞叶勾画方法、勾画系统、计算设备和存储介质。

本发明第一目的在于提供一种基于多模态影像的颞叶勾画方法，包括：

采集预设数量的CT脑影像和T1 MRI脑影像，并制作每例T1 MRI脑影像的颞叶分割标签；

对所述CT脑影像、T1 MRI脑影像和颞叶分割标签进行预处理；

以预处理后的CT脑影像作为参考影像，将预处理后的T1 MRI脑影像和颞叶分割标签向预处理后的CT脑影像进行配准变换，得到配准变换后的T1MRI脑影像和颞叶分割标签；

对预处理后的CT脑影像和配准变换后的T1 MRI脑影像和颞叶分割标签进行相同大小的图像裁剪；

搭建有效的语义分割卷积神经网络；其中，所述语义分割卷积神经网络具有两个输入、一个输出；

将裁剪后的CT脑影像和T1 MRI脑影像作为网络输入、裁剪后的颞叶分割标签作为网络目标输出，在语义分割卷积神经网络中进行训练，直到模型稳定收敛，停止训练，得到最佳的颞叶分割神经网络模型；

将对待分割的CT脑影像和T1 MRI脑影像进行相同的预处理、配准变换和图像裁剪，得到待分割图像；

将所述待分割图像输入到训练后的颞叶分割神经网络模型中，得到对应的CT影像的颞叶自动分割结果；

对所述颞叶自动分割结果进行后处理和边缘检测，得到颞叶勾画结果。

作为本发明的进一步改进，同步采集至少50例包含完整大脑的所述CT脑影像和T1MRI脑影像；

基于T1 MRI脑影像的个体脑功能区制作每例MRI脑影像的颞叶分割标签。