[发明专利]一种针对大脑病变融入注意力机制的MRI分割方法

说明书

本发明提出一种针对大脑病变融入注意力机制的MRI分割方法，包括以下步骤；步骤S1、收集有分割图结果的大脑MRI图像，建立训练集；步骤S2、对训练集中待分割的原始大脑MRI图像进行预处理；步骤S3、建立带有注意力机制的卷积神经网络，并以训练集对其模型进行训练；步骤S4、当模型训练完成后，使用训练好的模型参数对验证集图像进行预测，并且生成大脑MRI组织与病变分割图；步骤S5、建立评估文件，评估分割结果；本发明能抽取出更加关键及重要的信息，同时借助迁移学习来提高在小数据集上进行训练的训练效果。

技术领域

本发明涉及图像识别技术领域，尤其是一种针对大脑病变融入注意力机制的MRI分割方法。

背景技术

图像分割一直是计算机视觉领域的研究热门。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤

磁共振成像(MRI)是一种广泛应用于临床诊断和脑研究的无创医学成像技术。它具有空间分辨率高、采集时间快的特点。不同的MRI模式，如T1加权(T1)、T2加权(T2)、T1加权对比增强(T1C)和T2加权液体衰减反转恢复(FLAIR)，提供不同的对比信息，有助于区分不同类型的组织。本发明所聚焦的脑组织与病变分割就是基于MRI上进行的，大脑组织与病变的精确分割对于许多神经系统疾病和状况的定量评估具有重要意义，在脑发育、成熟和衰老的机制等下游分析中发挥重要作用。

大脑MRI组织与病变的分割属于医学图像分割的范畴，与普通的图像分割不同，大脑MRI分割的模态更加多样化，像素值有着巨大差别，因此相比自然图像，大脑MRI分割的难度更高。根据图像分割目标的不同，大脑MRI分割的研究主要是基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法，但如今随着深度学习的火爆，基于深度学习的大脑MRI分割已经成为了当前的主流，比如FCN，U-net，DeeplabV3+等网络结构。

目前常用的方法，面对微小，空间距离远且不规则的白质病变，会出现分割错误的情况；目前常用的大脑MRI组织与病变的分割方法通常都是采用神经网络的架构，但是大脑MRI中的病变即使在同一个数据集不同例的分布也不相同，只使用这些卷积网络会由于卷积核的感受野有限，很难建立明确的长距离依赖关系，因此不能够很好的提取病变区域的上下文信息，导致最后大脑病变分割区域同时医学图像通常对标注的要求较高，数据集较小，直接训练的效果往往不太好。

发明内容

本发明提出一种针对大脑病变融入注意力机制的MRI分割方法，能抽取出更加关键及重要的信息，同时借助迁移学习来提高在小数据集上进行训练的训练效果。

本发明采用以下技术方案。

一种针对大脑病变融入注意力机制的MRI分割方法，包括以下步骤；

步骤S1、收集有分割图结果的大脑MRI图像，建立训练集；

步骤S2、对训练集中待分割的原始大脑MRI图像进行预处理；

步骤S3、建立带有注意力机制的卷积神经网络，并以训练集对其模型进行训练；

步骤S4、当模型训练完成后，使用训练好的模型参数对验证集图像进行预测，并且生成大脑MRI组织与病变分割图；

步骤S5、建立评估文件，评估分割结果。

在步骤S1中，使用包含大脑正常组织和病变组织的MRBRains18数据集，所述MRBRains18数据集的MRI图像包含T1、T2和Flair三种模态；在步骤S1中，对大脑MRI图像进行颅骨剥离处理。

在步骤S2中以预处理来优化组织与病变分割结果，包括以下步骤；

步骤A1、针对T1图像，通过直方图均衡化处理，来增加图像中大脑组织尤其是灰质白质的对比度；