[发明专利]一种深度半监督分割的儿童脑部MRI脱髓鞘病灶定位方法

权利要求书

1.一种深度半监督分割的儿童脑部MRI脱髓鞘病灶定位方法，其特征在于，包括如下步骤：

步骤1、数据集构建，数据增强与标注；通过回溯医院病例构建原始数据集，使用3Dslicer标注软件进行数据标注；并基于数据特性对图像数据进行裁剪、切割、清洗、数据增强；

步骤2、分割模型构建；分割模型包括Student网络和Teacher网络两个结构相同但参数更新方式不同的两个部分；

步骤3、基于所构建的分割模型，利用构建的数据集进行Student网络训练，并根据反向传播后的Student网络参数进行参数漂移得到Teacher网络参数；

步骤4、模型测试与量化输出；通过训练好的分割模型对急性播散性脑脊髓炎患儿脑部MRI进行病灶检测，输出其病灶的像素区域二值图mask。

2.根据权利要求1所述的一种深度半监督分割的儿童脑部MRI脱髓鞘病灶定位方法，其特征在于，所述步骤1，具体步骤如下：

1-1、收集急性播散性脑脊髓炎患者的脑部核磁共振图像数据；

1-2、使用3D slicer标注软件对原始数据中的病灶进行逐像素标注；对于原始的dicom格式的脑部核磁共振图像数据，提取图像保存为nrrd格式，图像为单通道16bit灰度图，标注结果采用二值图形式也保存为nrrd格式，并在标注过程中对图像进行进一步筛选，筛选出其中不符合急性播散性脑脊髓炎病变的图像；

1-3、中心裁剪：

根据图像特性，中心裁剪掉图像中大脑周围黑色边界，并补0使图像长宽一致；对标注图也做对应操作；

1-4、对过曝的图像进行清洗：

将1-3处理后的图像计算每幅图像的直方图均值和方差，并将计算结果作为特征训练一个简单的线性分类器对图像的过曝情况进行识别；迭代地将这部分图像的最大灰度部分降低，直到线性分类器识别结果为不过曝图像；

1-5、对图像进行增强：所述图像增强处理包括随机反转、随机剪裁、随机旋转和随机平移，增加训练数据量；对标注图做对应操作；

1-6、图像切割与数据集构建：将1-5处理后的图像与标注图切割为相同大小的图像块，所得图像与标注图的集合即为构建的ADEM数据集。

所述步骤2，具体步骤如下：

2-1、构建基本网络：

分割模型包括Student网络与Teacher网络两部分，两网络使用相同的网络结构与不同的参数更新规则；基本网络采用Encode-Decode结构，分为编码路径、解码路径两部分，设置输入为单通道16bit灰度图；

2-2、编码路径包括若干个特征提取模块，每个特征提取模块包括卷积层、池化层和批量归一化层，池化方法为最大值池化；

卷积层：

O^T＝I^T*C

其中O为向量化的输出特征图，I为向量化的输入图像，C为向量化的卷积矩阵，T表示转置；

批量归一化层：

其中y_i为第i维度批量归一化层输出，γ,β为可训练参数，为第i维度特征x_i的归一化结果，B为输入数据集合，∈为一个极小的正数，μ_B为输入数据的样本均值，为输入数据的样本方差，m为输入数据的量；

2-3、编码路径与解码路径通过一个过渡桥结构连接，所述的过渡桥结构包括卷积层和批量归一化层；

2-4、解码路径与编码路径对称，包括若干个特征提取块，每个特征提取块包括上采样层、卷积层和批量归一化层；上采样方法为转置卷积，转置卷积定义为：

I^T＝O^T*C^T

转置卷积是一个具有可学习参数的上采样算法，每次转置卷积使特征图通道数收缩为原来的二分之一，边长放大为原来的二倍；转置卷积的输出特征图与编码路径对称位置的输出特征图以跳跃连接方式连接，方式为通过插值将编码路径输出特征图和解码路径输出特征图统一大小后进行通道堆叠，通道总维数变为原来二倍；

2-5、Teacher网络与Student网络具有相同的网络结构。

3.根据权利要求2所述的一种深度半监督分割的儿童脑部MRI脱髓鞘病灶定位方法，其特征在于，所述步骤3，具体步骤如下：

3-1、分割模型包括Student网络和Teacher网络两个结构相同但参数更新方式不同的两个部分，Student网络接受输入图像I加噪声η，输出softmax结果f(I,θ,η)；Teacher网络接受输入图像I加噪声η′输出softmax结果f(I,θ′,η′)；其中θ为网络参数；

3-2、数据加噪与Student网络正向传播：

为输入图像增加噪声，噪声η与η′均采用随机反转、随机剪裁、随机旋转和随机平移方式进行，两噪声所进行的操作方式与操作参数均随机确定；结合Student网络的输出和标注mask构建损失函数focal loss L1，focal loss定义为：

其中为Student网络的输出，即f(x,θ,η)，y为标注值,超参数γ0为可调节因子，同时与Teacher网络构建一致性损失L2；

一致性损失定义为：

L2＝E_x,η′,η[||f(I,θ′,η′)-f(I,θ,η)||²]

一致性损失用来评价同一幅图像加不同噪声在Student网络和Teacher网络下的熵；总损失定义为L＝L1+L2；

3-3、使用ADEM数据集训练时，将ADEM数据集中的图像随机分为训练样本和测试样本两个部分；再将训练样本分为有标注和无标注两部分，对于训练数据中有标注的数据输入Student网络并计算focal loss L1，无标注的数据分别输入Student网络和Teacher网络对输出计算一致性损失；

3-4、Student网络反向传播：计算整体损失函数后，所得梯度用Adam优化器对Student网络进行参数更新；

3-5、Teacher网络的参数更新由Student网络通过指数滑动平均EMA得到；更新规则如下：

θ′_t＝αθ′_t-1+(1-α)θ_t

其中θ′_t为本轮待更新的Teacher网络参数，θ′_t-1为上轮更新得到的Teacher网络参数，θ_t为本轮通过Adam更新的Student网络参数，α为指数平滑率，为一个0到1之间的小数；

3-6、重复上述3-2—3-5步骤，直到满足预先设置的停止条件。