[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

说明书

本发明公开了一种深度半监督分割的儿童脑部MRI脱髓鞘病灶定位方法，首先进行数据集构建，然后构建分割模型，分割模型包括Student网络和Teacher网络两个部分；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；本发明方法针对性设计预处理方式，使得本发明对成像过程中可能出现的问题具有良好的补偿。利用图像增强、图像加噪声和半监督的方式，使得模型只需要少量的标注图像就能获得很好的分割性能，并对噪声和伪影获得良好的鲁棒性能，解决了标注过程存在的难度大、不准确、费时费力的问题。

技术领域

本发明涉及图像处理、深度学习领域，特别涉及一种基于患急性播散性脑脊髓炎的儿童脑部核磁图像的病灶分割定位方法。

背景技术

急性播散性脑脊髓炎(acute disseminated encephalomyelitis，ADEM)是一种中枢神经系统(CNS)炎性脱髓鞘疾病，常累及大脑和脊髓灰、白顶的多个部位，好发于儿童和青壮年，也可引起患者严重的神经功能障碍，常继发于感染或疫苗接种后，少部分病例无明显诱因。ADEM具有发病急、进展较快、单时相病程等特点。近年来对ADEM理解在发生转变，认为ADEM是多种病因导致的临床综合征，而并非是一特定的疾病，国际儿童多发性硬化研究组(International Pediatric Multiple Sclerosis Study Group，IPMSSG)还于2013年提出了新的儿童ADEM诊断标准。ADEM缺乏特异的生物学指标，诊断主要依靠临床表现和神经系统辅助检查，尤其神经影像学检查。

神经辅助检查在本病的诊断、鉴别诊断、评估预后及复发中意义重大，尤其是头颅磁共振(MRI)检查，它们是ADEM最重要的临床诊断工具，对本病的诊断价值远远超过CT检查。颅脑MRI的T1WI序列病灶通常不明显，但病灶较大时，T1WI可以显示低信号；FLAIR像显示为多病灶、不对称、边界不清楚的高信号。典型ADEM病灶分布于颅内白质和深部灰质(如丘脑和基底核)。一般来说，ADEM颅脑MRI显示颅内病变随临床症状出现而出现，随临床好转而好转，乃至消失，但少数ADEM患者头颅MRI影像学改变较临床病程变化具有一定的“滞后性”，即影像学改变可以较临床表现延迟。

精确地分割定位患儿MRI病灶，可以有效评估患儿的病情。但由于MR成像的灰度范围较广，并且ADEM病灶模糊(边界灰度梯度低)。临床上在进行病灶标注时需要首先调整灰度范围，提高病灶处对比度，使病灶边界更清晰。这种方式使得病灶边界的界定受所选择的灰度范围影响甚大，而灰度范围的选取取决于医生的视觉感受和临床经验，即受主观影响较大，可靠性较差。同时，精准的标注耗时较长，效率较低。

为了解决这个问题，本发明提出了一种基于深度学习的自动分割方法，通过医师对已有数据进行粗略的标注，再采用半监督的方式，建立深度网络进行训练学习，达到对儿童脱髓鞘病灶有效分割和定位，有效辅助医生对ADEM患儿脑部病灶进行定位，实现更准确地评估患儿地病情和康复程度。本发明创造性的引入版监督模型主要是为了解决目前ADEM病灶定位分析中存在的以下两个难点问题1)正如上面所述，ADEM病灶模糊使得医师无法准确对病灶位置边界进行有效鉴定，这也就导致无法准确对数据进行有效标注，从而采用全监督的方式会使得最终模型的无效化。而引入半监督的方式，可以减弱准确标注的影响，让网络既能学习到准确标注，又能学习到数据的分布，从而使决策边界远离聚类边界；2)对于ADEM的MR图像，病灶数量和大小对于不同病例差别巨大，对所有数据进行标注是一个非常费时且工作量巨大的过程，加入一部分无标注数据，在增大数据量的基础上更省时省力。因此，我们采用基于半监督算法的ADEM病灶分割方法，通过将数据分为有标注和无标注两部分，有标注的部分执行全监督训练方法，无标注的部分则通过加入噪声学习其数据分布特征，其具有比全监督算法更好的泛化能力和病灶边界学习能力。

发明内容

针对现有技术中存在的不足，本发明提供了一种深度半监督分割的儿童脑部MRI脱髓鞘病灶定位方法。

一种深度半监督分割的儿童脑部MRI脱髓鞘病灶定位方法，包括如下步骤：