[发明专利]一种基于深度学习的致痫灶三维自动定位系统

摘要

本发明公开了一种基于深度学习的致痫灶三维自动定位系统，该系统包括：PET图像采集和标记模块；PET图像与标准对称脑模版的配准模块；PET图像数据预处理模块，生成左右脑图像块的镜像对；孪生网络SiameseNet训练模块，包含两个共享权重参数的深度残差卷积神经网络，输出层连接多层感知机和softmax层，利用携带致痫灶的图像和正常图像的训练集对所述网络进行训练获得网络模型；分类模块和致痫灶定位模块，利用训练好的网络模型对新输入的PET图像生成概率热图，先通过分类器判断图像为正常或者携带致痫灶样本，再预测致痫灶区域的位置。该系统通过引入图像块的镜像对和孪生网络SiameseNet，来自动定位PET图像的致痫灶，能有效地提高致痫灶定位的准确度和效率，并具有较高的鲁棒性。

主权项

1.一种基于深度学习的致痫灶三维自动定位系统，其特征在于，该系统包括以下模块：(1)PET图像采集和标记模块，用于图像采集和致痫灶区域标记：1.1)采集图像：受试者在PET扫描仪上使用3D脑部图像采集，在相同体位状态下获取PET脑图像。1.2)标记样本：将PET图像分为正常样本集和携带致痫灶的样本集，并对携带致痫灶的样本集手动标记致痫灶区域，其中，致痫灶区域标记为1，其余区域标记为0。(2)PET图像配准模块：以互相关作为原始图像与配准图像的相似性度量，运用对称微分同胚(SyN)算法将所有PET图像及其标记图像配准到同一对称标准空间，实现PET采集图像、标记图像与标准对称脑模版的配准。(3)采用基于对称性的深度学习系统，包含以下模块：3.1)数据预处理模块：3.1.1)数据增强：对配准后的图像和标签进径向畸变和图像强度增强，得到新生成的图像和标签。3.1.2)图像块划分：对增强后的图像数据进行图像块划分，用三维滑动窗口将PET图像的左右半脑L和R划分为图像块的镜像对，将图像块的镜像对数据按比例分为训练集和测试集；所述训练集和测试集中均包含有携带致痫灶和正常两种类型的PET图像块数据。3.2)网络构建模块：构建深度孪生网络SiameseNet，该网络包含两个相同的卷积神经网络、一个全连接层以及一个输出层。SiameseNet将一对图像块的镜像对输入每层共享权重参数θ的两个卷积神经网络，以获取两个高维图像的特征L_feature和特征R_feature，计算两个高维图像特征的绝对差值d＝|L_feature‑R_feature|，并将其传入到全连接层的多层感知机中进行概率回归，输出层采用softmax回归函数的分类概率，即图像块携带致痫灶或正常的概率。3.3)测试图像检测模块：图像分类：利用训练好的网络计算测试集PET图像的概率热图，采用逻辑回归算法对每一张PET图像对应的概率热图进行分类，获得分类结果，即为正常PET图像或携带致痫灶PET图像。致痫灶定位：对识别为携带致痫灶PET图像的概率热图进行双线性插值，将概率热图改变为原始图像尺寸，将大于概率阈值的区域预测为致痫灶区域。