买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：宁波大学

摘要：本发明公开了一种脑部MRI图像脑微出血自动分割方法，其获得三维脑部MRI图像及对应标签图像，对其进行预处理与数据增强；通过滑动窗口法从三维脑部MRI图像及其数据增强处理后的图像中提取样本，约束正负样本比重，以生成训练样本；构建全卷积神经网络，用于初步筛选脑微出血；构建第一U‑Net分割网络、第二U‑Net分割网络，分别用于进一步区分高分辨率、低分辨率MRI的脑微出血；对于测试三维脑部MRI图像，提取样本，将其输入上述训练好的模型中得到分割结果；优点是其能有效区分真实的脑微出血和其他类似的干扰物，如血管、钙化沉积和海绵状血管瘤，分割效果好，且能提高低分辨率三维脑部MRI图像中脑微出血检测的灵敏度，同时能降低假阳性率。

主权项：1.一种脑部MRI图像脑微出血自动分割方法，其特征在于包括如下步骤：步骤1：获取数张高分辨率三维脑部MRI图像和相对应的低分辨率三维脑部MRI图像，以及每张高分辨率三维脑部MRI图像对应的高分辨率标签图像、每张低分辨率三维脑部MRI图像对应的低分辨率标签图像；步骤2：对所有高分辨率三维脑部MRI图像和所有低分辨率三维脑部MRI图像分别先后进行预处理和数据增强处理；其中，预处理包括强度值标准化、空间分辨率统一、非脑组织移除，数据增强处理包括随机翻转和噪声添加，在预处理后进行多次不同的数据增强处理，以使每张高分辨率三维脑部MRI图像和每张低分辨率三维脑部MRI图像各对应有多张噪声三维脑部MRI图像；步骤3：从每张高分辨率三维脑部MRI图像及其对应的多张噪声三维脑部MRI图像各自中截取数个高分辨率样本，并依据高分辨率标签图像中对应位置的高分辨率标签块区分为高分辨率正样本或高分辨率负样本；同样，从每张低分辨率三维脑部MRI图像及其对应的多张噪声三维脑部MRI图像各自中截取数个低分辨率样本，并依据低分辨率标签图像中对应位置的低分辨率标签块区分为低分辨率正样本或低分辨率负样本；步骤4：针对从每张高分辨率三维脑部MRI图像及其对应的多张噪声三维脑部MRI图像各自中截取的所有高分辨率样本，以高分辨率正样本的数量为基准，按设定的第一正负样本比例选取高分辨率负样本；同样，针对从每张低分辨率三维脑部MRI图像及其对应的多张噪声三维脑部MRI图像各自中截取的所有低分辨率样本，以低分辨率正样本的数量为基准，按设定的第一正负样本比例选取低分辨率负样本；再将从所有高分辨率三维脑部MRI图像及其对应的噪声三维脑部MRI图像上截取的高分辨率正样本和选取的高分辨率负样本，以及从所有低分辨率三维脑部MRI图像及其对应的噪声三维脑部MRI图像上截取的低分辨率正样本和选取的低分辨率负样本构成混合训练数据集；针对从每张高分辨率三维脑部MRI图像及其对应的多张噪声三维脑部MRI图像各自中截取的所有高分辨率样本，以高分辨率正样本的数量为基准，按设定的第二正负样本比例选取高分辨率负样本；再将从所有高分辨率三维脑部MRI图像及其对应的噪声三维脑部MRI图像上截取的高分辨率正样本和选取的高分辨率负样本构成高分辨率训练数据集；对高分辨率训练数据集中的每个高分辨率样本按×2的降采样比例进行降采样，然后使用三次线性的插值算法将降采样后的样本重新上采样至原始尺寸，再将上采样后的样本构成第一低分辨率训练数据集；对高分辨率训练数据集中的每个高分辨率样本按×4的降采样比例进行降采样，然后使用三次线性的插值算法将降采样后的样本重新上采样至原始尺寸，再将上采样后的样本构成第二低分辨率训练数据集；对高分辨率训练数据集中的每个高分辨率样本按×8的降采样比例进行降采样，然后使用三次线性的插值算法将降采样后的样本重新上采样至原始尺寸，再将上采样后的样本构成第三低分辨率训练数据集；针对从每张低分辨率三维脑部MRI图像及其对应的多张噪声三维脑部MRI图像各自中截取的所有低分辨率样本，以低分辨率正样本的数量为基准，按设定的第二正负样本比例选取低分辨率负样本；再将从所有低分辨率三维脑部MRI图像及其对应的噪声三维脑部MRI图像上截取的低分辨率正样本和选取的低分辨率负样本构成真实低分辨率训练数据集；步骤5：构建全卷积神经网络；然后设定优化器为Adam，学习率为0.0003；再使用混合训练数据集对全卷积神经网络进行训练，在训练过程中，使用一个批次的样本进行训练结束后更新网络参数，再使用下一个批次的样本进行训练，直至完成一轮训练后计算损失函数，根据损失函数计算结果更新网络权重；在训练至少100轮后，得到全卷积神经网络模型；其中，一个批次的样本为从混合训练数据集中随机抽取的样本，为高分辨率正样本或高分辨率负样本或低分辨率正样本或低分辨率负样本；步骤6：构建第一U-Net分割网络；然后设定优化器为Adam，学习率为0.0003；再使用高分辨率训练数据集对第一U-Net分割网络进行训练，在训练过程中，使用一个批次的样本进行训练结束后更新网络参数，再使用下一个批次的样本进行训练，直至完成一轮训练后计算损失函数，根据损失函数计算结果更新网络权重；在训练至少80轮后，得到第一U-Net分割网络模型；其中，一个批次的样本为从高分辨率训练数据集中随机抽取的样本，为高分辨率正样本或高分辨率负样本；步骤7：构建第二U-Net分割网络；然后设定优化器为Adam，学习率为0.0003；接着使用第一低分辨率训练数据集对第二U-Net分割网络进行训练，在训练过程中，利用知识蒸馏技术使用第一U-Net分割网络模型辅助第二U-Net分割网络的训练，同时使用一个批次的样本进行训练结束后更新网络参数，再使用下一个批次的样本进行训练，直至完成一轮训练后计算损失函数，根据损失函数计算结果更新网络权重；在训练至少20轮后，再使用第二低分辨率训练数据集对第二U-Net分割网络继续进行训练，在训练过程中，利用知识蒸馏技术使用第一U-Net分割网络模型辅助第二U-Net分割网络的训练，同时使用一个批次的样本进行训练结束后更新网络参数，再使用下一个批次的样本进行训练，直至完成一轮训练后计算损失函数，根据损失函数计算结果更新网络权重；在训练至少20轮后，再使用第三低分辨率训练数据集对第二U-Net分割网络继续进行训练，在训练过程中，利用知识蒸馏技术使用第一U-Net分割网络模型辅助第二U-Net分割网络的训练，同时使用一个批次的样本进行训练结束后更新网络参数，再使用下一个批次的样本进行训练，直至完成一轮训练后计算损失函数，根据损失函数计算结果更新网络权重；在训练至少20轮后，再使用真实低分辨率训练数据集对第二U-Net分割网络继续进行训练，在训练过程中，使用一个批次的样本进行训练结束后更新网络参数，再使用下一个批次的样本进行训练，直至完成一轮训练后计算损失函数，根据损失函数计算结果更新网络权重；在训练至少20轮后，得到第二U-Net分割网络模型；步骤8：对于任意一张测试三维脑部MRI图像，按步骤2的方式对测试三维脑部MRI图像先后进行预处理和数据增强处理；然后按步骤3的方式从测试三维脑部MRI图像及其对应的多张噪声三维脑部MRI图像各自中截取数个样本；接着将所有样本构成测试数据集；再将测试数据集输入到全卷积神经网络模型中，全卷积神经网络模型输出测试数据集中的每个样本的正负样本预测概率；之后从测试数据集中提取出正负样本预测概率指示为正样本的所有样本，将提取出的所有样本构成粗预测数据集；再根据测试三维脑部MRI图像的分辨率，选择第一U-Net分割网络模型或第二U-Net分割网络模型进行正样本和负样本的分割，若测试三维脑部MRI图像为高分辨率图像，则将粗预测数据集输入到第一U-Net分割网络模型中，第一U-Net分割网络模型输出粗预测数据集中的每个样本的分割结果；若测试三维脑部MRI图像为低分辨率图像，则将粗预测数据集输入到第二U-Net分割网络模型中，第二U-Net分割网络模型输出粗预测数据集中的每个样本的分割结果。

全文数据：

权利要求：

百度查询： 宁波大学 一种脑部MRI图像脑微出血自动分割方法