买专利,只认龙图腾
首页 专利交易 科技果 科技人才 科技服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

【发明授权】磁共振图像中视神经分割方法及装置_北京理工大学_201910509876.1 

申请/专利权人:北京理工大学

申请日:2019-06-13

公开(公告)日:2021-10-12

公开(公告)号:CN110211166B

主分类号:G06T7/33(20170101)

分类号:G06T7/33(20170101);G06T7/10(20170101);G06T7/70(20170101)

优先权:

专利状态码:有效-授权

法律状态:2021.10.12#授权;2019.10.08#实质审查的生效;2019.09.06#公开

摘要:本发明实施例提供一种磁共振图像中视神经分割方法及装置,包括:对目标磁共振图像进行图像配准,得到所述目标磁共振图像的空间概率分布信息,所述空间概率分布信息包括视觉通路的形状信息和位置信息;基于训练好的视觉通路分割模型,对所述目标磁共振图像和所述空间概率分布信息进行预测,获取到所述目标磁共振图像的视觉通路分割图像;所述训练好的视觉通路分割模型是由样本磁共振图像和样本空间概率分布信息训练得到的。本发明实施例通过获取磁共振图像中视觉通路的空间概率分布信息,根据空间概率分布信息的形状信息和位置信息,对磁共振图像中的视觉通路进行分割,有效地克服了视觉通路边界模糊的问题,实现了视觉通路的精确分割。

主权项:1.一种磁共振图像中视神经分割方法,其特征在于,包括:对目标磁共振图像进行图像配准,得到所述目标磁共振图像的空间概率分布信息,所述空间概率分布信息包括视觉通路的形状信息和位置信息;基于训练好的视觉通路分割模型,对所述目标磁共振图像和所述空间概率分布信息进行预测,获取到所述目标磁共振图像的视觉通路分割图像;所述训练好的视觉通路分割模型是由样本磁共振图像和样本空间概率分布信息训练得到的。

全文数据:磁共振图像中视神经分割方法及装置技术领域本发明涉及图像处理技术领域,尤其涉及一种磁共振图像中视神经分割方法及装置。背景技术磁共振MagneticResonance,简称MR成像是利用原子核在强磁场内发生共振产生的信号经图像重建的一种成像技术,如今,基于磁共振图像的图像引导手术导航已经成为鼻窦和颅底外科手术重要的辅助方式。由于鼻窦、颅底以及临近的眼眶区域的解剖结构错综复杂,包含了重要的神经和血管结构,例如,视觉通路,其细长的解剖结构,在磁共振图像中呈现的低对比度和模糊的边界,基于阈值或边缘检测的目标分割方法根本无法取得效果,又由于视觉通路占整个头部体数据的比例很小,导致现有的视觉通路的分割方法精确度较低。因此,现在亟需一种磁共振图像中视神经分割方法及装置来解决上述问题。发明内容针对现有技术存在的问题,本发明实施例提供一种磁共振图像中视神经分割方法及装置。第一方面,本发明实施例提供了一种磁共振图像中视神经分割方法,包括:对目标磁共振图像进行图像配准,得到所述目标磁共振图像的空间概率分布信息,所述空间概率分布信息包括视觉通路的形状信息和位置信息;基于训练好的视觉通路分割模型,对所述目标磁共振图像和所述空间概率分布信息进行预测,获取到所述目标磁共振图像的视觉通路分割图像;所述训练好的视觉通路分割模型是由样本磁共振图像和样本空间概率分布信息训练得到的。第二方面,本发明实施例提供了一种磁共振图像中视神经分割装置,包括:图像配准模块,用于对目标磁共振图像进行图像配准,得到所述目标磁共振图像的空间概率分布信息,所述空间概率分布信息包括视觉通路的形状信息和位置信息;视觉通路获取模块,用于基于训练好的视觉通路分割模型,对所述目标磁共振图像和所述空间概率分布信息进行预测,获取到所述目标磁共振图像的视觉通路分割图像;所述训练好的视觉通路分割模型是由样本磁共振图像和样本空间概率分布信息训练得到的。第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。本发明实施例提供的一种磁共振图像中视神经分割方法及装置,通过获取磁共振图像中视觉通路的空间概率分布信息,并根据空间概率分布信息的形状信息和位置信息,对磁共振图像中的视觉通路进行分割,有效地克服了视觉通路边界模糊的问题,实现了视觉通路的精确分割。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。图1为本发明实施例提供的磁共振图像中视神经分割方法的流程示意图;图2为本发明实施例提供的3D全卷积神经网络的结构示意图;图3为本发明实施例提供的磁共振图像中视神经分割装置的结构示意图;图4为本发明实施例提供的电子设备结构示意图。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。目前的视觉通路分割方法主要分为基于图谱的分割方法、基于统计模型的分割方法和基于学习的分割方法。基于图谱的方法通常是通过图像配准计算参考图谱与待分割图像之间的形变场,然后通过形变场将图谱中的标签传递到待分割图像上,完成对目标图像的分割。基于多图谱的分割就是利用图谱集得到多个投影之后的标签,然后通过标签融合策略得到最后的分割结果。但是实验结果表明基于图谱的方法不鲁棒。基于统计模型的分割方法通过并入形状或外观模型先验信息,依据图像信息和形状信息迭代优化,产生最终的分割表面网格,其中有可能需要人工选取初始轮廓。基于学习的分割方法通过提取体素的特征向量训练分类器,从而实现体素级的分类,具有辨别度的特征和分类器的性能是影响基于学习的分割方法结果的关键因素,但是由于视觉通路与周围组织的低对比度,得到的分割结果的精确度较低。图1为本发明实施例提供的磁共振图像中视神经分割方法的流程示意图,如图1所示,本发明实施例提供了一种磁共振图像中视神经分割方法,包括:步骤101,对目标磁共振图像进行图像配准,得到所述目标磁共振图像的空间概率分布信息,所述空间概率分布信息包括视觉通路的形状信息和位置信息。在本发明实施例中,在对目标磁共振图像上的视觉通路进行分割之前,首先对目标磁共振图像进行图像配准,从而得到在目标磁共振图像中关于视觉通路的空间概率分布图,根据空间概率分布图,得到视觉通路的形状信息和位置信息,即空间概率分布信息,实现视觉通路感兴趣区域RegionOfInterest,简称ROI的定位。在本发明实施例中,通过计算空间概率分布图像在横断面、冠状面和矢状面上的起始和终止切片位置,并向外扩张形成90×54×90大小的包围盒,从而实现视觉通路ROI的定位。步骤102,基于训练好的视觉通路分割模型,对所述目标磁共振图像和所述空间概率分布信息进行预测,获取到所述目标磁共振图像的视觉通路分割图像;所述训练好的视觉通路分割模型是由样本磁共振图像和样本空间概率分布信息训练得到的。在本发明实施例中,将目标磁共振图像以及目标磁共振图像对应的空间概率分布信息输入到训练好的视觉通路分割模型中,视觉通路分割模型根据空间概率分布信息中的视觉通路的形状信息和位置信息,对目标磁共振图像上的视觉通路进行预测识别,并将识别得到的视觉通路区域添加标签,从而在目标磁共振图像上分割出视觉通路图像。本发明实施例提供的磁共振图像中视神经分割方法,通过获取磁共振图像中视觉通路的空间概率分布信息,并根据空间概率分布信息的形状信息和位置信息,对磁共振图像中的视觉通路进行分割,有效地克服了视觉通路边界模糊的问题,实现了视觉通路的精确分割。在上述实施例的基础上,所述训练好的视觉通路分割模型通过以下步骤训练得到:将样本磁共振图像上的视觉通路添加标签,得到第一样本训练集;将所述第一样本训练集进行图像配准,得到样本空间概率分布信息;根据所述第一样本训练集和所述样本空间概率分布信息,对视觉通路分割模型进行训练,得到训练好的视觉通路分割模型。在本发明实施例中,首先将样本磁共振图像上的视觉通路区域进行标注,将添加标签后的样本磁共振图像作为第一磁共振样本图像,以用于构建第一样本训练集,然后,根据第一样本训练集中的第一磁共振图像构建空间概率分布图,以得到第一磁共振图像对应的空间概率分布信息,最后,将第一样本训练集以及对应的空间概率分布信息输入到待训练的视觉通路分割模型中,最终得到训练好的视觉通路分割模型。需要说明的是,在本发明实施例中,通过Xavier初始化对视觉通路分割模型的网络权重进行初始化处理,并通过自适应矩估计adaptivemomentestimation,简称Adam算法进行优化,另外,在对模型进行训练时,采用学习率衰减策略进行训练,在训练前期使用较大的学习率加速收敛,后期用较小的学习率保证稳定。进一步地,在本发明实施例中,在得到训练完成的视觉通路分割模型之后,在测试阶段,首先将空间概率分布图配准到待分割的磁共振图像上,得到与待分割的磁共振图像对应的空间概率分布图,完成视觉通路ROI的定位。然后,将待分割的磁共振图像与对应的空间概率分布信息裁成子块送入视觉通路分割模型中进行预测,将得到的预测结果子块按顺序拼接起来,得到最终的分割结果。在上述实施例的基础上,所述将所述第一样本训练集进行图像配准,得到样本空间概率分布信息,包括:将所述第一样本训练集的第一磁共振图像对齐到预设参考图像上,得到第二磁共振图像和对应的形变场;根据所述形变场将所述第一磁共振图像上的标签转换到参考空间,得到所述第二磁共振图像对应的标签;将所述第二磁共振图像的标签进行求和平均处理,得到样本空间概率分布信息。在本发明实施例中,通过空间概率分布图反映磁共振图像中某个位置的体素属于视觉通路的概率。在训练阶段时,首先对第一样本训练集中的图像进行配准,将第一样本训练集的图像对齐到预设参考图像上,并根据得到的形变场将第一样本训练集中图像对应的标签转换到参考空间,在完成图像配准之后,将完成转换后的所有标签通过求和平均,得到空间概率分布图,在本发明实施例中,空间概率分布图提供了视觉通路的形状信息和位置信息,利用空间概率分布图,实现视觉通路感兴趣区域的定位。在上述实施例的基础上,所述视觉通路分割模型通过3D全卷积神经网络构建得到。进一步地,在上述实施例的基础上,所述3D全卷积神经网络是由三层卷积核大小为7×7×7的卷积层和四层卷积核大小为1×1×1的卷积层构成。在本发明实施例中,图2为本发明实施例提供的3D全卷积神经网络的结构示意图,可参考图2所示,3D全卷积神经网络由三层卷积核大小为7×7×7的卷积层和四层卷积核大小为1×1×1的卷积层组成。优选地,在本发明实施例中,为了获得更深的网络以提取更有辨别度的特征,本发明实施例采用三层连续的3×3×3大小的卷积核代替7×7×7大小的卷积核,这两者具有相同大小的感受野,并且在每个卷积层后面连接PRelu非线性激活层,其中,最后一个卷积层采用的是Softmax损失函数,具体地,在本发明实施例中损失函数采用的是交叉熵。另外,为了利用不同级别的信息,本发明实施例将不同阶段得到的特征图连结起来,用于最终的分类。在上述实施例的基础上,所述根据所述第一样本训练集和所述样本空间概率分布信息,对视觉通路分割模型进行训练,得到训练好的视觉通路分割模型,包括:将所述第一样本训练集和所述样本空间概率分布信息裁成子块,对视觉通路分割模型进行训练,得到样本预测结果子块;根据所述样本预测结果子块的顺序进行拼接,获取样本视觉通路分割图像,以得到训练好的视觉通路分割模型。在本发明实施例中,将第一样本训练集中的各个图像和对应的空间概率分布信息作为3D全卷积神经网络输入的两个通道,输入到3D全卷积神经网络进行训练学习。具体地,在本发明实施例中,将第一样本训练集中的各个图像和对应的空间概率分布信息裁成三维子块,输入为27×27×27大小的三维子块,输出为子块中心9×9×9大小的标签值,再将输出的子块按顺序进行拼接,从而得到样本视觉通路分割图像。另外,为了克服类别不平衡的问题,本发明实施例在选取包含了视觉通路的三维子块的同时,也添加了相同数目的只含有背景的三维子块进行训练。在上述实施例的基础上,所述根据所述第一样本训练集和所述样本空间概率分布信息,对视觉通路分割模型进行训练,得到训练好的视觉通路分割模型,还包括:基于早停止策略,根据所述第一样本训练集和所述样本空间概率分布信息,对视觉通路分割模型进行训练,得到训练好的视觉通路分割模型。在本发明实施例中,为了防止过拟合,采用了早停止EarlyStopping策略对3D全卷积神经网络进行训练,计算3D全卷积神经网络模型在验证集上的表现,当模型在验证集上的表现不再下降的时候,停止训练,这样就能避免继续训练导致过拟合的问题。具体地,在本发明实施例中,即当验证集的损失函数在10个epoch之后不再下降时,终止训练,从而得到训练好的视觉通路分割模型。图3为本发明实施例提供的磁共振图像中视神经分割装置的结构示意图,如图3所示,本发明实施例提供了一种磁共振图像中视神经分割装置,包括图像配准模块301和视觉通路获取模块302,其中,图像配准模块301用于对目标磁共振图像进行图像配准,得到所述目标磁共振图像的空间概率分布信息,所述空间概率分布信息包括视觉通路的形状信息和位置信息;视觉通路获取模块302用于基于训练好的视觉通路分割模型,对所述目标磁共振图像和所述空间概率分布信息进行预测,获取到所述目标磁共振图像的视觉通路分割图像;所述训练好的视觉通路分割模型是由样本磁共振图像和样本空间概率分布信息训练得到的。在本发明实施例中,在对目标磁共振图像上的视觉通路进行分割之前,图像配准模块301首先对目标磁共振图像进行图像配准,从而得到在目标磁共振图像中关于视觉通路的空间概率分布图,并根据空间概率分布图,得到视觉通路的形状信息和位置信息,即空间概率分布信息,实现视觉通路感兴趣区域RegionOfInterest,简称ROI的定位。然后,视觉通路获取模块302根据空间概率分布信息中的视觉通路的形状信息和位置信息,对目标磁共振图像上的视觉通路进行预测识别,并将识别得到的视觉通路区域添加标签,从而在目标磁共振图像上分割出视觉通路图像。本发明实施例提供的一种磁共振图像中视神经分割装置,通过获取磁共振图像中视觉通路的空间概率分布信息,并根据空间概率分布信息的形状信息和位置信息,对磁共振图像中的视觉通路进行分割,有效地克服了视觉通路边界模糊的问题,实现了视觉通路的精确分割。本发明实施例提供的装置是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。图4为本发明实施例提供的电子设备结构示意图,如图4所示,该电子设备可以包括:处理器Processor401、通信接口CommunicationsInterface402、存储器Memory403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令,以执行如下方法:对目标磁共振图像进行图像配准,得到所述目标磁共振图像的空间概率分布信息,所述空间概率分布信息包括视觉通路的形状信息和位置信息;基于训练好的视觉通路分割模型,对所述目标磁共振图像和所述空间概率分布信息进行预测,获取到所述目标磁共振图像的视觉通路分割图像;所述训练好的视觉通路分割模型是由样本磁共振图像和样本空间概率分布信息训练得到的。此外,上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备可以是个人计算机,服务器,或者网络设备等执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器ROM,Read-OnlyMemory、随机存取存储器RAM,RandomAccessMemory、磁碟或者光盘等各种可以存储程序代码的介质。本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:对目标磁共振图像进行图像配准,得到所述目标磁共振图像的空间概率分布信息,所述空间概率分布信息包括视觉通路的形状信息和位置信息;基于训练好的视觉通路分割模型,对所述目标磁共振图像和所述空间概率分布信息进行预测,获取到所述目标磁共振图像的视觉通路分割图像;所述训练好的视觉通路分割模型是由样本磁共振图像和样本空间概率分布信息训练得到的。本发明实施例提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储服务器指令,该计算机指令使计算机执行上述实施例所提供的磁共振图像中视神经分割方法,例如包括:对目标磁共振图像进行图像配准,得到所述目标磁共振图像的空间概率分布信息,所述空间概率分布信息包括视觉通路的形状信息和位置信息;基于训练好的视觉通路分割模型,对所述目标磁共振图像和所述空间概率分布信息进行预测,获取到所述目标磁共振图像的视觉通路分割图像;所述训练好的视觉通路分割模型是由样本磁共振图像和样本空间概率分布信息训练得到的。最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

权利要求:1.一种磁共振图像中视神经分割方法,其特征在于,包括:对目标磁共振图像进行图像配准,得到所述目标磁共振图像的空间概率分布信息,所述空间概率分布信息包括视觉通路的形状信息和位置信息;基于训练好的视觉通路分割模型,对所述目标磁共振图像和所述空间概率分布信息进行预测,获取到所述目标磁共振图像的视觉通路分割图像;所述训练好的视觉通路分割模型是由样本磁共振图像和样本空间概率分布信息训练得到的。2.根据权利要求1所述的磁共振图像中视神经分割方法,其特征在于,所述训练好的视觉通路分割模型通过以下步骤训练得到:将样本磁共振图像上的视觉通路添加标签,得到第一样本训练集;将所述第一样本训练集进行图像配准,得到样本空间概率分布信息;根据所述第一样本训练集和所述样本空间概率分布信息,对视觉通路分割模型进行训练,得到训练好的视觉通路分割模型。3.根据权利要求2所述的磁共振图像中视神经分割方法,其特征在于,所述将所述第一样本训练集进行图像配准,得到样本空间概率分布信息,包括:将所述第一样本训练集的第一磁共振图像对齐到预设参考图像上,得到第二磁共振图像和对应的形变场;根据所述形变场将所述第一磁共振图像上的标签转换到参考空间,得到所述第二磁共振图像对应的标签;将所述第二磁共振图像的标签进行求和平均处理,得到样本空间概率分布信息。4.根据权利要求2所述的磁共振图像中视神经分割方法,其特征在于,所述视觉通路分割模型通过3D全卷积神经网络构建得到。5.根据权利要求4所述的磁共振图像中视神经分割方法,其特征在于,所述3D全卷积神经网络是由三层卷积核大小为7×7×7的卷积层和四层卷积核大小为1×1×1的卷积层构成。6.根据权利要求2所述的磁共振图像中视神经分割方法,其特征在于,所述根据所述第一样本训练集和所述样本空间概率分布信息,对视觉通路分割模型进行训练,得到训练好的视觉通路分割模型,包括:将所述第一样本训练集和所述样本空间概率分布信息裁成多个子块,对视觉通路分割模型进行训练,得到样本预测结果子块;根据所述样本预测结果子块的顺序进行拼接,获取样本视觉通路分割图像,以得到训练好的视觉通路分割模型。7.根据权利要求2所述的磁共振图像中视神经分割方法,其特征在于,所述根据所述第一样本训练集和所述样本空间概率分布信息,对视觉通路分割模型进行训练,得到训练好的视觉通路分割模型,还包括:基于早停止策略,根据所述第一样本训练集和所述样本空间概率分布信息,对视觉通路分割模型进行训练,得到训练好的视觉通路分割模型。8.一种磁共振图像中视神经分割装置,其特征在于,包括:图像配准模块,用于对目标磁共振图像进行图像配准,得到所述目标磁共振图像的空间概率分布信息,所述空间概率分布信息包括视觉通路的形状信息和位置信息;视觉通路获取模块,用于基于训练好的视觉通路分割模型,对所述目标磁共振图像和所述空间概率分布信息进行预测,获取到所述目标磁共振图像的视觉通路分割图像;所述训练好的视觉通路分割模型是由样本磁共振图像和样本空间概率分布信息训练得到的。9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述方法的步骤。10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

百度查询: 北京理工大学 磁共振图像中视神经分割方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。