[发明专利]基于联合嵌入空间的白质神经束自动分割方法

权利要求书

1.一种基于联合嵌入空间的白质神经束自动分割方法，其特征在于，包括如下步骤：

步骤1，基于样本集中的弥散磁共振成像数据生成纤维取向分布函数峰值数据以及峰值数据对应的标签；

对所述峰值数据和标签进行预处理，获得去除非脑区域的峰值和标签；

步骤2，构建网络，所述网络包括一个多标签分割子网络；其中多标签分割子网络包括重构支路和分割支路：重构支路以去除非脑区域的标签作为输入，利用编码卷积层将标签映射至嵌入空间；分割支路以去除非脑区域的峰值作为输入，利用2D U-net将峰值映射至嵌入空间；其中，嵌入空间的维度、U-net最后一层卷积的卷积核数目与编码卷积层的卷积核数目相等；嵌入空间中的标签和峰值经解码卷积层进行分割预测；解码卷积层为重构支路和分割支路共享；

步骤3，对多标签分割子网络进行训练，得到训练好的多标签分割子网络模型；其中，多标签分割子网络的网络损失L为：

L＝α·L_rec+L_seg

其中，L_rec和L_seg分别为重构支路损失和分割支路损失，α为重构支路损失的权重；每一个支路的损失定义为该支路的输出与标签的二值交叉熵；更新重构支路损失的权重时，首先计算当前分割支路损失和重构支路损失的比值ratio＝L_seg/L_rec，将该比值用科学计数法表示为ratio＝p·10^q，则将权重α更新为α＝q+1，α的初始值为1；

步骤4，利用训练好的多标签分割子网络模型的分割支路对测试集中的峰值数据进行分割预测。

2.如权利要求1所述的基于联合嵌入空间的白质神经束自动分割方法，其特征在于，所述网络还包括单标签分割子网络；单标签分割子网络以去除非脑区域的峰值作为输入，利用2D U-net进行单标签分割预测；其中，单标签分割子网络中的2D U-net除了最后一层卷积的卷积核数目为1外，与多标签分割子网络的2D U-net结构相同；

在所述步骤1中还对标签的每个体素处的二值向量进行判断，当向量元素不全为零时，将二值向量替换为1，否则替换为0，生成单标签；

对单标签分割子网络进行单独训练，得到训练好的单标签分割子网络模型；其中，单标签分割子网络的损失函数L_single为分割预测与单标签的二值交叉熵；

利用训练好的单标签分割子网络模型和多标签分割子网络模型分别对测试集中的峰值数据进行分割预测，并对分割预测结果采用sigmoid激活进行归一化处理；然后将归一化后的多标签分割预测结果与单标签分割预测分别进行二值化，然后再将二者进行点乘，获得最终的白质神经束分割结果。

3.如权利要求1或2所述的基于联合嵌入空间的白质神经束自动分割方法，其特征在于，选用不同的嵌入空间的维度分别进行网络训练，选取分割结果最优的网络模型执行步骤4。

4.如权利要求1或2所述的基于联合嵌入空间的白质神经束自动分割方法，其特征在于，所述步骤3中，经训练的迭代次数进行阶段划分，仅跨阶段时更新权重α，同一阶段内权重α保持不变。

5.如权利要求1或2所述的基于联合嵌入空间的白质神经束自动分割方法，其特征在于，编码卷积层和解码卷积层的卷积核大小为1×1。

6.如权利要求2所述的基于联合嵌入空间的白质神经束自动分割方法，其特征在于，多标签分割子网络和单标签分割子网络的训练均采用Adam优化算法。