[发明专利]基于PET/MR成像系统的自动脑区分割方法及装置

权利要求书

1.一种基于PET/MR成像系统的自动脑区分割方法，其特征在于，所述方法包括下述步骤：

S100、将同一人的MRI图像和PET图像作为一个样本；在将每个样本中的MRI图像进行去颅骨、绘制标签处理后，将其作为模板对PET图像进行配准处理，使得PET图像与MRI图像共用标签；

S200、对配准后的图像，按照横断面进行切片处理，并对切片图像进行数据归一化处理以及对标签进行独热编码；

S300、建立一个具有两个输入通道的Unet模型；

S400、将MRI图像与PET图像的切片作为Unet模型的输入，得到特征融合后的脑区分割结果。

2.根据权利要求1所述的方法，其特征在于，所述Unet模型为7层Unet模型；

所述7层Unet模型包括14个卷积模块；前6个卷积模块中，每个卷积模块后面设置一个下采样模块；从第8个卷积模块到第13个卷积模块，每个卷积模块前面设置一个上采样模块；

所述下采样模块采用最大池化对输入图像进行缩小处理；

所述上采样模块采用逆卷积对输入图像进行放大处理；

前13个卷积模块中，每个卷积模块有两个卷积层用于特征提取，在每个卷积层依次增加归一化层和激活层；

第14个卷积模块只有一个卷积层，用于输出脑区分割标签；

所述归一化层采用的归一化方法为实例归一化，所述激活层的函数选择Leaky ReLU激活函数。

3.根据权利要求2所述的方法，其特征在于，所述脑区标签为43个，包括42个脑区分割标签和1个背景。

4.根据权利要求2所述的方法，其特征在于，所述7层Unet模型采用下述损失函数来衡量每次模型训练的效果，损失函数越小，表明当前模型对PET图像的脑区分割结果越接近MRI图像标签对应的值；

Loss＝αL_de+βL_ce

上式中：

α，β分别是交叉熵损失函数和Dice损失函数的权重，都设置为1；M是脑区分割类别的数量；N为每张切片上的像素点总数；

p_i，j是输出图像的第i个像素在第j个脑区分割类别上的预测值；

g_i，j是MRI的切片图像的第i个像素在第j个脑区分割类别上的真实值。

5.根据权利要求6所述的方法，其特征在于，所述损失函数使用Adam优化器来优化。

6.一种基于PET/MR成像系统的自动脑区分割装置，其特征在于，所述装置包括预处理模块、Unet模块；

所述预处理模块包括配准单元、切片单元、数据归一化单元以及独热编码单元；

所述配准单元：将同一人的MRI图像和PET图像作为一个样本；在将每个样本中的MRI图像进行去颅骨、绘制标签处理后，将其作为模板对PET图像进行配准处理，使得PET图像与MRI图像共用标签；

所述切片单元：将配准后的图像，按照横断面进行切片处理；

所述数据归一化单元：将MRI切片图像、PET切片图像进行归一化处理；

所述独热编码单元：将标签类别对应通道数所在的位置设置为1，其它位置设置为0；

所述Unet模块：将MRI图像与PET图像的切片作为Unet模型的输入，得到特征融合后的脑区分割结果。