[发明专利]MRI髋关节炎症分割与分类自动定量分级序贯方法

权利要求书

1.一种MRI髋关节炎症分割与分类自动定量分级序贯方法，其特征在于，包括如下步骤：

(1)划分训练、验证和测试样本集：获取带有人工标注的脊柱关节炎患者的核磁共振影像MRI数据，将核磁共振影像MRI图像数据变换到同一空间分辨率；选择一个直方图分布均匀的MRI数据作为模板数据，对剩余MRI图像数据进行直方图匹配，增强数据的连续性；将完成直方图匹配的MRI图像数据以5：1：4的比例随机划分为MRI训练样本集、验证样本集和测试样本集；

(2)修改MRI髋关节炎症区域标签值：用获取的MRI数据的体素值大小修改MRI髋关节炎症区域标签值，根据体素值大小按照反指数比例对MRI髋关节炎症区域标签值进行修改，得到修改后的MRI髋关节炎症区域标签值；

(3)搭建能够自动定量分级的基于分割与分类的MRI髋关节炎症区域定量分级序贯模型：利用3DResUnet、ResNet-50和支撑矢量机构建定量分级模型，用不同空洞率和不同大小卷积核构成多尺度卷积模块GMS，用GMS取代3DResUnet中用单个卷积核或单个类型卷积核组合构成的高层卷积层，即将3DResUnet的最后两层卷积层替换为GMS模块进行髋关节炎症区域分割；设计一个ResNet-50网络与支撑矢量机集成分类器，用3DResUnet的解码层提取得到的深度特征作为集成分类器的输入，搭建一种基于分割与分类的MRI髋关节炎症区域定量分级序贯模型，实现髋关节MRI数据一体化炎症自动分割与分类，简称定量分级序贯模型；

(4)网络训练：用MRI训练样本集和修改后的MRI髋关节炎症区域标签值训练定量分级序贯模型，将训练后的网络参数保存在定量分级序贯模型中，得到训练后的定量分级序贯模型；

(5)得到定量分级结果：用MRI测试样本集输入到训练后的定量分级序贯模型中，得到所获取的MRI测试样本集髋关节炎症区域的定量结果和分级结果。

2.根据权利要求1所述的MRI髋关节炎症分割与分类自动定量分级序贯方法，其特征在于，步骤(3)中所述的构建基于分割与分类的MRI髋关节炎症区域定量分级序贯模型，包括有如下步骤：

(3.1)构建基于深度学习的分割分类模型和多尺度卷积模块：构建深度学习主流分割网络3DResUNet和分类网络ResNet-50、支撑矢量机，作为MRI髋关节炎症区域分割分类模型的基础模型，用不同空洞率和不同尺寸卷积核处理形状尺寸差异大的MRI髋关节炎症区域的分割，将常用卷积核尺寸为1、3、5，空洞率为2、4、6的不同卷积核进行组合，构成多尺度卷积模块GMS；使用多空洞率卷积核模块和多尺寸卷积核模块进行组合，首先选取卷积核大小为3*3*3、5*5*5，空洞率d＝2、4、6的6种卷积核作为多空洞率卷积核模块，再选取卷积核大小为1*1*1、3*3*3、5*5*5，空洞率固定为1的3种卷积核作为多尺寸卷积核模块，将多空洞率卷积核模块和多尺寸卷积核模块进行并行组合，选择空洞率为1卷积核大小为1*1*1的卷积核与并行组合的多空洞率卷积核模块和多尺寸卷积核模块串行连接，构成可处理形状尺寸差异大MRI髋关节炎症的多尺度卷积核GMS；

(3.2)构建基于分割与分类的基于分割与分类的MRI髋关节炎症区域定量分级序贯模型：将构建完成的多尺度卷积核GMS融入到构建完成的基础模型3DResUNet，将基础模型3DResUNet最后两层编码层移除，将多尺度卷积模块GMS添加到基础模型3DResUNet最后两层编码层；设计由深度学习骨干网络ResNet-50网络和支撑矢量机构成的集成分类器，改造集成分类器的输入为原始MRI数据和3DResUNet解码层最后一层提取得到的网络深度特征沿轴向拼接的数据，完成分级；输入原始MRI数据，输出MRI髋关节炎症区域定量分级结果，完成能够自动分级MRI髋关节炎症区域的基于分割与分类的MRI髋关节炎症区域定量分级序贯模型的构建。

(3.3)设置基于分割与分类的MRI髋关节炎症区域定量分级序贯模型的损失函数L：基于分割与分类的MRI髋关节炎症区域定量分级序贯模型的损失函数为L＝L_seg+αL_class，L_seg为3DResUNet部分的损失函数，L_class为ResNet-50和支撑矢量机集成分类器部分的损失函数，α为加权系数。

3.根据权利要求3所述的基于分割与分类的MRI髋关节炎症区域定量分级序贯模型，其特征在于，步骤(3.3)中所述的损失函数L：

L＝L_seg+αL_class

其中，3DResUNet部分的损失函数L_seg表示如下：

L_seg＝L_dice+λ*L_wce

用医学数据分割网络的dice损失函数L_dice和加权交叉熵损失函数L_wce共同构成分割模型3DResUNet的损失函数L_seg，其中，C表示最大标签类别数目，log为对数函数，N表示像素点总个数，c表示类别序号，n表示像素点序号，p_cn表示第n个像素点属于第c类的概率值，g_cn表示第n个像素点的真实标签，若第n个像素点属于第c类，则g_cn＝1，否则g_cn＝0，ε是常数，防止dice损失函数L_dice分母为0，一般取ε＝10^-5，λ为比例系数，权衡两个损失函数的比例关系，这里取λ＝10。

ResNet-50和支撑矢量机集成分类器部分的损失函数L_class表示如下：

选用ResNet-50分类模型常用的多类交叉熵损失函数作为集成分类器的损失函数L_class，其中，C表示MRI髋关节炎症分级标签类别数目，c表示类别序号，log为对数函数，p_c表示当前输入MRI数据属于第c类的集成分类器概率值，g_c表示当前输入MRI数据的真实标签，若当前输入MRI数据属于第c类，则g_c＝1，否则g_c＝0。