[发明专利]用于核磁图像分割的双层深度网络模型、方法、装置

说明书

本发明涉及核磁图像处理领域，特别是一种用于核磁图像分割的双层深度网络模型、方法、装置，包括第一、二层生成对抗网络，第一层生成对抗网络以核磁图像的组织转移概率图为分割标准，对核磁图像进行粗略分割，获得核磁图像的粗略分割结果，第二层生成对抗网络以人工勾画的核磁图像为分割标准，对第一层生成对抗网络获得的核磁图像的粗略分割结果进行细化，获得核磁图像的精细分割结果。有益效果是：考虑人体组织的形变，通过马尔科夫矩阵可以对形状区域进行弱约束，给出一定的搜索空间进行边界点的查找，从而可以应变组织的不同形变状态，同时利用粗分割、细分割两步方式，不仅可以更加精准的获取到组织的边缘信息，而且可以实现多组织的精准分割。

技术领域

本发明涉及核磁图像处理领域，特别是一种用于核磁图像分割的双层深度网络模型、方法、装置。

背景技术

子宫肌瘤作为一种常见的妇科疾病，其发作率和复发率都比较高，严重影响着育龄期妇女的身体和心理健康。核磁共振检查作为一种影像学检查方式，利用核磁共振信号形成图像对人体内的组织进行清晰的呈现，可以帮助医生更好地进行诊疗。

医生为了更好的进行诊疗，不仅需要精准确定病灶区域，而且需要考虑病灶周围的正常组织。核磁共振图像可以很好的反应体内组织的形态信息，诸如大小、形状等。同时这个过程需要医生根据经验进行组织的区分和手动完成不同组织的标注，这一过程比较耗时、耗力，增加了医生的工作负担。

利用计算机完成进行组织的区分和勾画应运而生。人体组织的形状比较复杂，很难进行数学建模。随着深度学习的发展，越来越多的人尝试用深度网络的发展解决该问题。然而，由于不同人体的组织形状差距很大，导致一直无法获得较高的区分精度。

发明内容

本发明所要解决的技术问题是：如何利用深度学习技术对核磁图像进行精确分割。

本发明解决其技术问题所采用的技术方案是：一种用于核磁图像分割的双层深度网络模型，包括第一层生成对抗网络和第二层生成对抗网络，第一层生成对抗网络以核磁图像的组织转移概率图为分割标准，对核磁图像进行粗略分割，获得核磁图像的粗略分割结果，第二层生成对抗网络以人工勾画的核磁图像为分割标准，对第一层生成对抗网络获得的核磁图像的粗略分割结果进行细化，获得核磁图像的精细分割结果。

进一步限定，组织转移概率图由描述核磁图像中的组织分布的马尔科夫状态转移矩阵生成。

进一步限定，第一层生成对抗网络包括第一生成网络和第一辨别网络，第二层生成对抗网络包括第二生成网络和第二辨别网络，第一生成网络用于对输入的核磁图像进行粗略分割，获得核磁图像的粗略分割结果，第一辨别网络用于对第一生成网络获得的核磁图像的粗略分割结果和作为标准的核磁图像的组织转移概率图进行辨别，第二生成网络用于对第二生成网络获得核磁图像的粗略分割结果进行细化，获得核磁图像的精细分割结果，第二辨别网络用于对第二生成网络获得的核磁图像的精细分割结果和作为标准的人工勾画的核磁图像进行辨别。

进一步限定，核磁图像的组织转移概率图具体为：描述组织转移概率的组织转移概率热度图，核磁图像的粗略分割结果具体为：核磁图像的粗略分割热度图，核磁图像的精细分割结果具体为：核磁图像的精细分割图。

一种用于核磁图像分割的方法，具有如下步骤：

(1)构建上述的用于核磁图像分割的双层深度网络模型；

(2)通过训练样本对该双层深度网络模型进行训练；

(3)通过完成训练的该双层深度网络模型对核磁图像进行分割，获得核磁图像的精细分割结果。

进一步限定，训练样本为核磁图像、核磁图像的组织转移概率图以及人工勾画的核磁图像，核磁图像、核磁图像的组织转移概率图以及人工勾画的核磁图像一一对应。

进一步限定，生成核磁图像的组织转移概率图的方法为：具有如下步骤：