CN109146891A - 一种应用于mri的海马体分割方法、装置及电子设备 - Google Patents
一种应用于mri的海马体分割方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109146891A CN109146891A CN201810811699.8A CN201810811699A CN109146891A CN 109146891 A CN109146891 A CN 109146891A CN 201810811699 A CN201810811699 A CN 201810811699A CN 109146891 A CN109146891 A CN 109146891A
- Authority
- CN
- China
- Prior art keywords
- interactive
- neural network
- layer
- mri
- interactive neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 210000001320 hippocampus Anatomy 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000002452 interceptive effect Effects 0.000 claims abstract description 368
- 238000013528 artificial neural network Methods 0.000 claims abstract description 304
- 230000011218 segmentation Effects 0.000 claims abstract description 205
- 230000003993 interaction Effects 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 166
- 230000006870 function Effects 0.000 claims description 94
- 238000005070 sampling Methods 0.000 claims description 77
- 238000012545 processing Methods 0.000 claims description 69
- 230000004927 fusion Effects 0.000 claims description 27
- 230000015654 memory Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000037361 pathway Effects 0.000 claims description 2
- 230000001235 sensitizing effect Effects 0.000 abstract 1
- 210000004556 brain Anatomy 0.000 description 14
- 238000003860 storage Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000971 hippocampal effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 206010003694 Atrophy Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000000133 brain stem Anatomy 0.000 description 1
- 210000001638 cerebellum Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 208000027061 mild cognitive impairment Diseases 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明实施例提供了一种应用于MRI的海马体分割方法、装置及电子设备。所述方法包括：获取MRI三维影像；构建大小为预设尺寸，且包含所述MRI三维影像的敏感区域的目标图像；将所述目标图像分别输入预先训练得到的至少两个交互神经网络中，得到各所述交互神经网络输出的预分割结果；根据预先确定的各所述交互神经网络的权重，以及各所述交互神经网络输出的预分割结果，确定所述MRI三维影像的分割结果。本发明实施例可以提高对海马体分割的效率。
Description
技术领域
本发明涉及医学影像处理领域，特别是涉及一种应用于MRI的海马体分割方法、装置及电子设备。
背景技术
海马体是人类大脑神经系统的重要组成部分，主要负责记忆和学习，日常生活中的短期记忆都存储在海马体中，因而海马体在人类的记忆和方向感上起着至关重要的作用。海马体体积和形态的变化与许多神经系统疾病有关，目前，海马体的体积萎缩或形态变化已被证明是轻度认知障碍和阿尔兹海默症的显著特征，因此，对海马体进行形态学分析在临床上具有重要的意义。
磁共振成像(Magnetic Resonance Imaging，MRI)由于其具有非侵入性、高分辨率及明显的软组织对比等特性，在医学成像技术中占据着重要的地位。基于脑部MRI对海马体进行形态学分析时，通常需要将脑部MRI中的海马体分割出来。然而，由于海马体形状不规则，边缘模糊，难以与周围的组织区分开，所以在脑部MRI中对海马体进行分割是图像分割研究领域的难点。
现有的海马体分割方法主要有：手动分割法和图谱配准分割法。其中，手动分割法是由医生基于经验对脑部MRI中的海马体进行分割，然而手动分割法耗时长、效率低且主观性强，难以在准确率和耗时之间取得较好的平衡。图谱配准分割法基于单一或多个图谱与目标图像进行匹配，得到针对目标图像的分割结果，然而图谱配准方法需要大量的先验知识，同样难以在准确率和耗时之间取得较好的平衡。
发明内容
本发明实施例的目的在于提供一种应用于MRI的海马体分割方法、装置及电子设备，以提高对海马体分割的效率。
为达到上述目的，第一方面，本发明实施提供了一种应用于MRI的海马体分割方法，包括：
获取MRI三维影像；
构建大小为预设尺寸，且包含所述MRI三维影像的敏感区域的目标图像；其中，所述敏感区域为海马体所在区域；
将所述目标图像分别输入预先训练得到的至少两个交互神经网络中，得到各所述交互神经网络输出的预分割结果；其中，各所述交互神经网络是根据各样本MRI三维影像，以及所述各样本MRI三维影像对应的标准分割影像，并分别基于预设的各所述交互神经网络对应的目标函数训练得到的；
根据预先确定的各所述交互神经网络的权重，以及各所述交互神经网络输出的预分割结果，确定所述MRI三维影像的分割结果；其中，各所述交互神经网络的权重之和等于1。
可选地，各所述交互神经网络的训练过程包括：
构建初始交互神经网络；其中，所述初始交互神经网络对应的网络架构包括上通路、下通路和全卷积层，所述上通路由相互交替的采样模块和交互模块构成，所述下通路由相互交替的上采样模块和交互模块构成；
获取各样本MRI三维影像，以及所述各样本MRI三维影像对应的标准分割影像；
分别从所述各样本MRI三维影像和所述标准分割影像中裁剪出大小为所述预设尺寸的、包含海马体所在区域的样本图像和标准图像；
将所述样本图像作为所述初始交互神经网络的输入，以所述标准图像为标签，分别基于各所述交互神经网络对应的目标函数，训练得到各交互神经网络。
可选地，所述将所述样本图像作为所述初始交互神经网络的输入，以所述标准图像为标签，分别基于各所述交互神经网络对应的目标函数，训练得到各交互神经网络，包括：
将所述样本图像作为所述初始交互神经网络中上通路的第一层的输入；
从所述上通路的第一层到最后一层，由所述采样模块对每层的输入进行采样处理，得到每层的采样输出结果；由所述交互模块对每层的采样输出结果进行交互处理，得到每层的交互输出结果；
将所述上通路的最后一层的交互输出结果，作为所述初始交互神经网络中下通路的第一层的输入；
从所述下通路的第一层到最后一层，由所述上采样模块对每层的输入进行上采样处理，得到每层的上采样输出结果；由所述交互模块对每层的上采样输出结果进行交互处理，得到每层的交互输出结果；
由所述全卷积层对所述下通路的最后一层的交互输出结果进行全卷积处理，得到所述初始交互网络的全卷积处理结果：将所述全卷积处理结果作为针对所述各样本MRI三维影像的当前分割结果；其中，所述当前分割结果表示：所述样本图像中每个体素是海马体的概率；
根据所述当前分割结果和所述标准图像对应的标准分割结果，计算各所述交互神经网络对应的目标函数的值；其中，所述标准分割结果表示：所述标准图像中每个体素是海马体的概率；
当各所述交互神经网络对应的目标函数的值优化到接近各自的最小值时，将当前各交互神经网络确定为训练好的各交互神经网络；
其中，所述交互模块通过以下公式对每层的采样/上采样输出结果进行交互处理：
其中，l表示所述初始交互神经网络的当前层，表示第l层第j个信道的特征，max(·)表示所述交互模块所采用的激活函数，表示连接第l-1层第i个信道和第l层第j个信道的卷积核，表示第l-1层第i个信道的特征，表示表示所述交互模块中连接第l-1层和第l层的偏置，表示所述交互模块中连接第l-1层和第l层的偏置，表示第l-2层第i个信道的特征。
可选地，所述至少两个交互神经网络包括三个交互神经网络，其中，
第一交互神经网络对应的目标函数为概率相似目标函数PSF，其表达式为：
其中，EPSF为概率相似目标函数，p为所述当前分割结果，g为所述标准分割结果，x表示所述样本图像中的全部体素；
第二交互神经网络对应的目标函数为交叉熵目标函数CEF，其表达式为：
其中，ECEF为交叉熵目标函数，n表示所述样本MRI三维影像的个数；
第三交互神经网络对应的目标函数为泊松分布目标函数PDF，其表达式为：
其中，EPDF为泊松分布目标函数。
可选地，各所述交互神经网络的权重的确定过程，包括：
基于网格搜索法，构建搜索网络；其中，所述搜索网格包含多组权重组合，每组权重组合对应不同的各所述交互神经网络的候选权重；
遍历所述搜索网格中的所有组权重组合，计算所述每组权重组合对应的概率化融合分割结果，将概率化融合分割结果最大的权重组合对应的各所述交互神经网络的候选权重作为各所述交互神经网络的权重；
其中，第k组权重组合对应的概率化融合分割结果通过以下公式计算：
其中，I表示所述各样本MRI三维影像，表示根据第k组权重组合以及训练好的各交互神经网络确定的针对所述I的融合分割结果，表示第k组权重组合对应的第m交互神经网络的候选权重，表示根据训练好的第m交互神经网络确定的针对所述I的概率化分割结果，表示根据训练好的第m交互神经网络确定的针对所述I的分割结果，Wm表示训练好的第m交互神经网络对应的网络参数。
第二方面，本发明实施例提供了一种应用于MRI的海马体分割装置，包括：
第一获取模块，用于获取MRI三维影像；
第一构建模块，用于构建大小为预设尺寸，且包含所述MRI三维影像的敏感区域的目标图像；其中，所述敏感区域为海马体所在区域；
第一处理模块，用于将所述目标图像分别输入预先训练得到的至少两个交互神经网络中，得到各所述交互神经网络输出的预分割结果；其中，各所述交互神经网络是根据各样本MRI三维影像，以及所述各样本MRI三维影像对应的标准分割影像，并分别基于预设的各所述交互神经网络对应的目标函数训练得到的；
确定模块，用于根据预先确定的各所述交互神经网络的权重，以及各所述交互神经网络输出的预分割结果，确定所述MRI三维影像的分割结果；其中，各所述交互神经网络的权重之和等于1。
可选地，所述装置还包括：
第二构建模块，用于构建初始交互神经网络；其中，所述初始交互神经网络对应的网络架构包括上通路、下通路和全卷积层，所述上通路由相互交替的采样模块和交互模块构成，所述下通路由相互交替的上采样模块和交互模块构成；
第二获取模块，用于获取各样本MRI三维影像，以及所述各样本MRI三维影像对应的标准分割影像；
裁剪模块，用于分别从所述各样本MRI三维影像和所述标准分割影像中裁剪出大小为所述预设尺寸的、包含海马体所在区域的样本图像和标准图像；
第二处理模块，用于将所述样本图像作为所述初始交互神经网络的输入，以所述标准图像为标签，分别基于各所述交互神经网络对应的目标函数，训练得到各交互神经网络。
可选地，所述第二处理模块包括：
第一输入单元，用于将所述样本图像作为所述初始交互神经网络中上通路的第一层的输入；
第一处理单元，用于从所述上通路的第一层到最后一层，由所述采样模块对每层的输入进行采样处理，得到每层的采样输出结果；由所述交互模块对每层的采样输出结果进行交互处理，得到每层的交互输出结果；
第二输入单元，用于将所述上通路的最后一层的交互输出结果，作为所述初始交互神经网络中下通路的第一层的输入；
第二处理单元，用于从所述下通路的第一层到最后一层，由所述上采样模块对每层的输入进行上采样处理，得到每层的上采样输出结果；由所述交互模块对每层的上采样输出结果进行交互处理，得到每层的交互输出结果；
第三处理单元，用于由所述全卷积层对所述下通路的最后一层的交互输出结果进行全卷积处理，得到所述初始交互网络的全卷积处理结果：将所述全卷积处理结果作为针对所述各样本MRI三维影像的当前分割结果；其中，所述当前分割结果表示：所述样本图像中每个体素是海马体的概率；
计算单元，用于根据所述当前分割结果和所述标准图像对应的标准分割结果，计算各所述交互神经网络对应的目标函数的值；其中，所述标准分割结果表示：所述标准图像中每个体素是海马体的概率；
确定单元，用于当各所述交互神经网络对应的目标函数的值优化到接近各自的最小值时，将当前各交互神经网络确定为训练好的各交互神经网络；
其中，所述交互模块通过以下公式对每层的采样/上采样输出结果进行交互处理：
其中，l表示所述初始交互神经网络的当前层，表示第l层第j个信道的特征，max(·)表示所述交互模块所采用的激活函数，表示连接第l-l层第i个信道和第l层第j个信道的卷积核，表示第l-1层第i个信道的特征，表示表示所述交互模块中连接第l-1层和第l层的偏置，表示所述交互模块中连接第l-1层和第l层的偏置，表示第l-2层第i个信道的特征。
可选地，所述装置还包括：
第三构建模块，用于基于网格搜索法，构建搜索网络；其中，所述搜索网格包含多组权重组合，每组权重组合对应不同的各所述交互神经网络的候选权重；
第三处理模块，用于遍历所述搜索网格中的所有组权重组合，计算所述每组权重组合对应的概率化融合分割结果，将概率化融合分割结果最大的权重组合对应的各所述交互神经网络的候选权重作为各所述交互神经网络的权重；
其中，第k组权重组合对应的概率化融合分割结果通过以下公式计算：
其中，I表示所述各样本MRI三维影像，表示根据第k组权重组合以及训练好的各交互神经网络确定的针对所述I的融合分割结果，表示第k组权重组合对应的第m交互神经网络的候选权重，表示根据训练好的第m交互神经网络确定的针对所述I的概率化分割结果，表示根据训练好的第m交互神经网络确定的针对所述I的分割结果，Wm表示训练好的第m交互神经网络对应的网络参数。
第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现如上第一方面所述的应用于MRI的海马体分割的方法步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行如上第一方面所述的应用于MRI的海马体分割的方法步骤。
第五方面，本发明实施例提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行如上第一方面所述的应用于MRI的海马体分割的方法步骤。
本发明实施例提供的应用于MRI的海马体分割方法、装置及电子设备，通过获取MRI三维影像；构建大小为预设尺寸，且包含所述MRI三维影像的敏感区域的目标图像；将所述目标图像分别输入预先训练得到的至少两个交互神经网络中，得到各所述交互神经网络输出的预分割结果；根据预先确定的各所述交互神经网络的权重，以及各所述交互神经网络输出的预分割结果，确定所述MRI三维影像的分割结果。本发明实施例将脑部MRI中海马体的分割问题转化为目标优化问题，通过设计至少两个目标函数，并根据样本MRI三维影像和对应的标准分割影像训练至少两个交互神经网络，然后基于训练好的交互神经网络和对应的优化后的权重，得到海马体的分割结果，提高了对海马体分割的效率。
当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
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简单地介绍。
图1为本发明实施例提供的一种应用于MRI的海马体分割方法的流程图；
图2为本发明实施例提供的训练各交互神经网络的流程图；
图3为图2所示实施例中初始交互神经网络的架构示意图；
图4为图2所示实施例中步骤S204的一种具体流程图；
图5为本发明实施例提供的一种应用于MRI的海马体分割装置的结构示意图；
图6为本发明实施例提供的一种应用于MRI的海马体分割装置的另一结构示意图；
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
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，所描述的实施例仅仅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做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。
为了提高对MRI中的海马体进行分割的效率，本发明实施例提供了一种应用于MRI的海马体分割方法、装置及电子设备。
下面首先对本发明实施例所提供的一种应用于MRI的海马体分割方法进行介绍。
如图1所示，本发明实施例提供的一种应用于MRI的海马体分割方法，可以包括如下步骤：
S101，获取MRI三维影像。
本发明实施例提供的方法可以应用于电子设备。具体地，该电子设备可以为可以是智能手机、平板电脑、笔记本电脑、台式电脑等。
本实施例中，可以通过影像采集设备采集MRI三维影像。其中，该影像采集设备可以为核磁共振仪。具体的，由于海马体属于人脑部组织中的一立体组织，并且为了便于更直观地观察海马体的三维形态，上述MRI三维影像可以是人脑部的MRI三维影像。
图像采集设备采集到MRI三维影像后，可将该MRI三维影像发送至电子设备，由电子设备对该MRI三维影像进行海马体分割。
S102，构建大小为预设尺寸，且包含MRI三维影像的敏感区域的目标图像；其中，敏感区域为海马体所在区域。
在人脑部组织中，不仅包含了海马体，还包含脑干、小脑等许多其他组织，而且海马体的体积占整个人脑的体积的比例较小，因而可以对MRI三维影像进行裁剪，构建出包含海马体所在区域的目标图像，继而可以只针对该目标图像进行分割处理，以节省计算资源和存储资源。由于大脑中的海马体包括左海马区和右海马区，因而上述海马体所在区域具体可以为：包括了左海马区和右海马区的区域。
具体的，可以根据医学先验知识，或经验确定上述预设尺寸以及上述敏感区域在MRI三维影像中的具体位置。例如，MRI三维影像的尺寸为256×256×256，目标图像的尺寸为64×64×64，敏感区域在MRI三维影像中的位置为x方向：第150～213体素点，y方向：第140～203体素点，z方向：第80-143体素点。其中，体素为三维空间中的最小单位。
S103，将目标图像分别输入预先训练得到的至少两个交互神经网络中，得到各交互神经网络输出的预分割结果；其中，各交互神经网络是根据各样本MRI三维影像，以及各样本MRI三维影像对应的标准分割影像，并分别基于预设的各交互神经网络对应的目标函数训练得到的。
为了提高对海马体分割的效率，可以根据预先获得的各样本MRI三维影像，以及各样本MRI三维影像对应的标准分割影像，分别基于至少两个不同的目标函数进行训练，得到至少两个训练好的交互神经网络。其中，各样本MRI三维影像是指：未进行海马体分割的原始的样本MRI三维影像；各样本MRI三维影像对应的标准分割影像是指：对各样本MRI三维影像进行了海马体分割后的标准分割影像。具体的，可以由专家基于经验对各样本MRI三维影像进行海马体分割，得到标准分割影像。该标准分割影像可以为二值化的三维影像，以便于通过黑白两色区分出海马体，其中，可以将是海马体的体素的体素值设置为1，即该体素为白色；可以将不是海马体的体素的体素值设置为0，即该体素为黑色。而且，上述各样本MRI三维影像的分辨率与各样本MRI三维影像对应的标准分割影像的分辨率相同。
通常，目标函数是系统的性能指标。具体在本实施例中，目标函数可以用来表征分割结果的性能指标。由于海马体的形状不规则，边缘模糊，使得单一的性能指标无法完整地表征对海马体的分割结果的好坏。因而本实施例中，可以设计不同的目标函数，训练不同的交互神经网络。
通过训练好的各交互神经网络，可以输出目标图像的预分割结果。其中，目标图像的预分割结果表示：基于每个交互神经网络得到的目标图像中每个体素是海马体的概率。即通过各交互神经网络，可以输出每个交互神经网络分别对应的目标图像的预分割结果。
例如，将目标图像1输入训练好的交互神经网络a中，可以得到交互神经网络a对应的目标图像1中每个体素是海马体的概率，如：对于目标图像1中的体素1，通过交互神经网络a得到该体素1为海马体的概率为0.75；将目标图像1输入训练好的交互神经网络b中，可以得到交互神经网络b对应的目标图像1中每个体素是海马体的概率，如：对于目标图像1中的体素1，通过交互神经网络b得到该体素1为海马体的概率为0.85。
下文中将详细介绍训练各交互神经网络的过程。
S104，根据预先确定的各交互神经网络的权重，以及各交互神经网络输出的预分割结果，确定MRI三维影像的分割结果；其中，各交互神经网络的权重之和等于1。
获得各交互神经网络输出的预分割结果后，可以根据预先确定的各交互神经网络的权重，确定MRI三维影像的分割结果，该MRI三维影像的分割结果可以为二值化三维图像，其中，是海马体的体素的体素值设置为1，即是海马体的体素为白色，不是海马体的体素的体素值设置为0，即不是海马体的体素为黑色。而且上述二值化三维图像的尺寸与输入各交互神经网络的MRI三维影像的尺寸相同。
本实施例中，根据预先确定的各交互神经网络的权重，以及各交互神经网络输出的预分割结果，确定MRI三维影像的分割结果，可以包括：
根据预先确定的各交互神经网络的权重，以及各交互神经网络输出的预分割结果，确定出目标图像中每个体素是海马体的概率(简称每个体素的概率)；设定一预设值，将概率大于该预设值的体素的体素值设置为1，将概率不大于该预设值的体素的体素值设置为0；将MRI三维影像中除目标图像包含的体素之外的其他体素的体素值设置为0。
具体的，可以通过以下公式确定目标图像中每个体素是海马体的概率：
其中，pt为目标图像中第t个体素是海马体的概率，λs为第s交互神经网络的权重，ps，t为第s交互神经网络对应的目标图像中第t个体素是海马体的概率。
下文中将详细介绍各交互神经网络的权重的确定过程。
本发明实施例提供的方案，通过获取MRI三维影像；构建大小为预设尺寸，且包含所述MRI三维影像的敏感区域的目标图像；将所述目标图像分别输入预先训练得到的至少两个交互神经网络中，得到各所述交互神经网络输出的预分割结果；根据预先确定的各所述交互神经网络的权重，以及各所述交互神经网络输出的预分割结果，确定所述MRI三维影像的分割结果。本发明实施例将脑部MRI中海马体的分割问题转化为目标优化问题，通过设计至少两个目标函数，并根据样本MRI三维影像和对应的标准分割影像训练至少两个交互神经网络，然后基于训练好的交互神经网络和对应的优化后的权重，得到海马体的分割结果，提高了对海马体分割的效率。
以下对本发明实施例中训练各交互神经网络的过程进行介绍。如图2所示，训练各交互神经网络的过程，可以包括以下步骤：
S201，构建初始交互神经网络；其中，初始交互神经网络对应的网络架构包括上通路、下通路和全卷积层，上通路由相互交替的采样模块和交互模块构成，下通路由相互交替的上采样模块和交互模块构成。
本实施例中，为了训练各交互神经网络，可以构建初始交互神经网络。如图3中(a)所示，该初始化交互神经网络可以包括：上通路、下通路和全卷积层。其中，上通路由相互交替的采样模块和交互模块构成，下通路由相互交替的上采样模块和交互模块构成。其中，
采样模块，如图3中(b)所示，可以采用卷积操作和全卷积操作并行的操作方式，以及设置合适的步长，实现对上通道中交互模块输出的数据进行降维。示例性地，卷积操作中的卷积核的大小可以为：3×3×3，全卷积操作中的卷积核的大小可以为：1×1×1，步长可以为：1。
交互模块，如图3中(c)所示，可以实现初始交互神经网络中的当前层与前两层之间的连接，从而实现了两种交互，一种是上下通道间的交互，另一种是上/下通道内部的交互。这样一方面加深了初始交互神经网络的深度，即基于交互模块，初始交互神经网络中的层数可以比较多；另一方面，通过上下通道之间的交互，可以避免由于初始交互神经网络中的层数较多而出现的梯度弥散问题。
上采样模块，可以增加下通道中交互模块输出的数据的维度，使得初始交互神经网络输出的分割后的图像的尺寸与输入初始交互神经网络的未分割的图像的尺寸相同。
全卷积层可以采用Softmax函数作为激活函数，输出目标图像中每个体素为海马体的概率，进而得到MRI三维影像的分割结果。
S202，获取各样本MRI三维影像，以及各样本MRI三维影像对应的标准分割影像。
其中，各样本MRI三维影像是指：未进行海马体分割的原始的样本MRI三维影像；各样本MRI三维影像对应的标准分割影像是指：对各样本MRI三维影像进行了海马体分割后的标准分割影像。各样本MRI三维影像的分辨率与各样本MRI三维影像对应的标准分割影像的分辨率相同。且样本MRI三维影像的数量可根据需要进行设定。
S203，分别从各样本MRI三维影像和标准分割影像中裁剪出大小为预设尺寸的、包含海马体所在区域的样本图像和标准图像。
为节省计算资源和存储资源，可以对各样本MRI三维影像进行裁剪，构建出大小为预设尺寸的、包含海马体所在区域的样本图像。在后续步骤中，为了训练交互神经网络，可以将各样本MRI三维影像输入初始交互神经网络，得到针对各样本MRI三维影像的当前分割结果，并将当前分割结果与标准分割影像对应的标准分割结果进行比较，以训练交互神经网络。为了便于该比较，可以对标准分割影像进行裁剪，构建出大小为预设尺寸的、包含海马体所在区域的标准图像。即样本图像和标准图像的尺寸相同。
具体的，可以根据医学先验知识，或经验确定预设尺寸以及样本图像在各样本MRI三维影像中的具体位置、标准图像在标准分割影像中的具体位置。
S204，将样本图像作为初始交互神经网络的输入，以标准图像为标签，分别基于各交互神经网络对应的目标函数，训练得到各交互神经网络。
将样本图像输入初始交互神经网络后，可以以标准图像为标签，分别基于各交互神经网络对应的目标函数，对初始交互神经网络中各模块的当前参数进行优化，训练得到各交互神经网络。具体的，可以利用反向传播算法优化初始交互神经网络中各模块的当前参数。
下文中将详细介绍步骤S204的实现过程。
通过图2所示实施例，可以根据各样本MRI三维影像，以及各样本MRI三维影像对应的标准分割影像，并分别基于预设的各交互神经网络对应的目标函数训练得到各交互神经网络。利用训练好的各交互神经网络，可以得到目标图像的预分割结果。
下面对图2所示实施例中步骤S204的过程进行介绍。如图4所示，步骤S204中的将样本图像作为初始交互神经网络的输入，以标准图像为标签，分别基于各交互神经网络对应的目标函数，训练得到各交互神经网络，可以包括以下步骤：
S401，将样本图像作为初始交互神经网络中上通路的第一层的输入。
本实施例中，初始交互神经网络中的任一层是指初始神经网络中的隐藏层。而且，上通路与下通路属于对称结构，即若将全卷积层作为下通路中的一层，则上通路和下通路包含的层数相同。
S402，从上通路的第一层到最后一层，由采样模块对每层的输入进行采样处理，得到每层的采样输出结果；由交互模块对每层的采样输出结果进行交互处理，得到每层的交互输出结果。
上通路中，除最后一层，将每层的交互输出结果作为下一层的输入。
其中，采样模块通过以下公式对每层的输入进行采样处理：
其中，l表示上通道的当前层，表示第l+1层第j个信道的特征，max(·)表示采样模块所采用的激活函数，表示第l层第i个信道和第l+1层第j个信道的卷积核，表示第l层第i个信道的特征，λ(l+1)表示第l+1层中全卷积操作的卷积核的权重，表示采样模块中连接第l层和第l+1层的偏置。
S403，将上通路的最后一层的交互输出结果，作为初始交互神经网络中下通路的第一层的输入。
S404，从下通路的第一层到最后一层，由上采样模块对每层的输入进行上采样处理，得到每层的上采样输出结果；由交互模块对每层的上采样输出结果进行交互处理，得到每层的交互输出结果。
下通路中，除最后一层，将每层的交互输出结果作为下一层的输入。
上采样处理可以增加下通道中交互模块输出的数据的维度。本实施例中，上采样处理可以通过现有技术实现。
其中，交互模块通过以下公式对每层的采样/上采样输出结果进行交互处理：
其中，l表示所述初始交互神经网络的当前层，表示第l层第j个信道的特征，max(·)表示所述交互模块所采用的激活函数，表示连接第l-1层第i个信道和第l层第j个信道的卷积核，表示第l-1层第i个信道的特征，表示表示所述交互模块中连接第l-1层和第l层的偏置，表示所述交互模块中连接第l-1层和第l层的偏置，表示第l-2层第i个信道的特征。
S405，由全卷积层对下通路的最后一层的交互输出结果进行全卷积处理，得到初始交互网络的全卷积处理结果：将全卷积处理结果作为针对各样本MRI三维影像的当前分割结果；其中，当前分割结果表示：样本图像中每个体素是海马体的概率。
本实施例中，全卷积层可以采用Softmax函数作为激活函数，输出样本图像中每个体素为海马体的概率，即为上述初始交互网络的全卷积处理结果。进一步，可以将该全卷积处理结果作为针对各样本MRI三维影像的当前分割结果，以进一步对初始交互神经网络进行训练。这里，当前分割结果实质上是将样本图像输入初始交互神经网络后，基于初始交互神经网络中各模块的当前参数所确定的分割结果。
其中，全卷积层通过以下公式对下通路的最后一层的交互输出结果进行全卷积处理：
其中，O1表示初始交互网络的全卷积处理结果，表示下通路的最后一层第i个信道对应的特征权重的转置，表示全卷积层L第j个信道对应的特征权重的转置，x(L-1)表示下通路的最后一层的特征值。
S406，根据当前分割结果和标准图像对应的标准分割结果，计算各交互神经网络对应的目标函数的值；其中，标准分割结果表示：标准图像中每个体素是海马体的概率。
本实施例中，由于标准图像是对样本图像分割后的图像，即在标准图像中，已经确定出了其中的任一体素是否为海马体，因而标准图像中每个体素是海马体的概率为0或1，其中，是海马体的体素的概率为1，不是海马体的体素的概率为0。
可以理解，由于各交互神经网络对应的目标函数不同，计算出的目标函数的值也可以不同。所以，当进一步根据不同的目标函数的值，利用反向传播算法优化初始交互神经网络中各模块的当前参数时，所得到的优化后的参数也可以不同，最终使得基于不同目标函数训练好的各交互神经网络中各模块的参数也不同。
在图3所示实施例的一种实现方式中，至少两个交互神经网络可以包括三个交互神经网络，其中，
第一交互神经网络对应的目标函数为概率相似目标函数PSF，其表达式为：
其中，EPSF为概率相似目标函数，p为当前分割结果，g为标准分割结果，x表示样本图像中的全部体素；
第二交互神经网络对应的目标函数为交叉熵目标函数CEF，其表达式为：
其中，ECEF为交叉熵目标函数，n表示样本MRI三维影像中体素的个数；
第三交互神经网络对应的目标函数为泊松分布目标函数PDF，其表达式为：
其中，EPDF为泊松分布目标函数。
S407，当各交互神经网络对应的目标函数的值优化到接近各自的最小值时，将当前各交互神经网络确定为训练好的各交互神经网络。
具体的，在训练各交互神经网络的过程中，当上述概率相似目标函数PSF的值优化到接近PSF的最小值时，可以将当前参数值对应的第一交互神经网络作为训练好的第一交互神经网络；当上述交叉熵目标函数CEF的值优化到接近CEF的最小值时，可以将当前参数值对应的第二交互神经网络作为训练好的第二交互神经网络；当上述泊松分布目标函数PDF的值优化到接近PDF的最小值时，可以将当前参数值对应的第三交互神经网络作为训练好的第三交互神经网络。
以下对各交互神经网络的权重的确定过程进行介绍，该过程可以包括以下步骤：
S1，基于网格搜索法，构建搜索网络；其中，搜索网格包含多组权重组合，每组权重组合对应不同的各交互神经网络的候选权重。
构建搜索网格的精度可以根据需要进行设定，例如设定为0.1。例如在本实施例中，候选权重的精度可以为0.1，如：候选权重可以为0.5、0.6等。
S2，遍历搜索网格中的所有组权重组合，计算每组权重组合对应的概率化融合分割结果，将概率化融合分割结果最大的权重组合对应的各交互神经网络的候选权重作为各交互神经网络的权重。
其中，第k组权重组合对应的概率化融合分割结果通过以下公式计算：
其中，I表示各样本MRI三维影像，表示根据第k组权重组合以及训练好的各交互神经网络确定的针对I的融合分割结果，表示第k组权重组合对应的第m交互神经网络的候选权重，表示根据训练好的第m交互神经网络确定的针对I的概率化分割结果，表示根据训练好的第m交互神经网络确定的针对I的分割结果，Wm表示训练好的第m交互神经网络对应的网络参数。
所述是指：将样本图像输入训练好的第m交互神经网络，得到的样本图像的二值化三维图像该二值化三维图像中包含了未被确定为海马体的黑色体素和被确定为海马体的白色体素(简称为海马体体素)，其中，得到样本图像的二值化三维图像的方式可以参考步骤S104。
所述是指：所述的全部海马体体素中，是标准图像中海马体体素的数量Q1，与所述的全部海马体体素的数量Q2的比值。
所述是指：将样本图像分别输入训练好的各交互神经网络，得到各交互神经网络对应的样本图像中每个体素是海马体的概率，再根据所述得到样本图像中每个体素是海马体的融合概率(参考步骤S104)，进一步得到样本图像的二值化融合三维图像(参考步骤S104)。
所述是指：所述的全部海马体体素中，是标准图像中海马体体素的数量Q3，与所述的全部海马体体素的数量Q4的比值。
所述Wm：即为训练好的第m交互神经网络中各模块的参数。
相应于图1所示方法实施例，本发明提供了一种应用于MRI的海马体分割装置，如图5所示，所述装置包括：
第一获取模块501，用于获取MRI三维影像；
第一构建模块502，用于构建大小为预设尺寸，且包含所述MRI三维影像的敏感区域的目标图像；其中，所述敏感区域为海马体所在区域；
第一处理模块503，用于将所述目标图像分别输入预先训练得到的至少两个交互神经网络中，得到各所述交互神经网络输出的预分割结果；其中，各所述交互神经网络是根据各样本MRI三维影像，以及所述各样本MRI三维影像对应的标准分割影像，并分别基于预设的各所述交互神经网络对应的目标函数训练得到的；
确定模块504，用于根据预先确定的各所述交互神经网络的权重，以及各所述交互神经网络输出的预分割结果，确定所述MRI三维影像的分割结果；其中，各所述交互神经网络的权重之和等于1。
本发明实施例提供的方案，通过获取MRI三维影像；构建大小为预设尺寸，且包含所述MRI三维影像的敏感区域的目标图像；将所述目标图像分别输入预先训练得到的至少两个交互神经网络中，得到各所述交互神经网络输出的预分割结果；根据预先确定的各所述交互神经网络的权重，以及各所述交互神经网络输出的预分割结果，确定所述MRI三维影像的分割结果。本发明实施例将脑部MRI中海马体的分割问题转化为目标优化问题，通过设计至少两个目标函数，并根据样本MRI三维影像和对应的标准分割影像训练至少两个交互神经网络，然后基于训练好的交互神经网络和对应的优化后的权重，得到海马体的分割结果，提高了对海马体分割的效率。
可选地，在图5所示实施例的基础上，如图6所示，本发明实施例所提供的一种应用于MRI的海马体分割装置，还可以包括：
第二构建模块601，用于构建初始交互神经网络；其中，所述初始交互神经网络对应的网络架构包括上通路、下通路和全卷积层，所述上通路由相互交替的采样模块和交互模块构成，所述下通路由相互交替的上采样模块和交互模块构成；
第二获取模块602，用于获取各样本MRI三维影像，以及所述各样本MRI三维影像对应的标准分割影像；
裁剪模块603，用于分别从所述各样本MRI三维影像和所述标准分割影像中裁剪出大小为所述预设尺寸的、包含海马体所在区域的样本图像和标准图像；
第二处理模块604，用于将所述样本图像作为所述初始交互神经网络的输入，以所述标准图像为标签，分别基于各所述交互神经网络对应的目标函数，训练得到各交互神经网络。
可选地，所述第二处理模块604包括：
第一输入单元，用于将所述样本图像作为所述初始交互神经网络中上通路的第一层的输入；
第一处理单元，用于从所述上通路的第一层到最后一层，由所述采样模块对每层的输入进行采样处理，得到每层的采样输出结果；由所述交互模块对每层的采样输出结果进行交互处理，得到每层的交互输出结果；
第二输入单元，用于将所述上通路的最后一层的交互输出结果，作为所述初始交互神经网络中下通路的第一层的输入；
第二处理单元，用于从所述下通路的第一层到最后一层，由所述上采样模块对每层的输入进行上采样处理，得到每层的上采样输出结果；由所述交互模块对每层的上采样输出结果进行交互处理，得到每层的交互输出结果；
第三处理单元，用于由所述全卷积层对所述下通路的最后一层的交互输出结果进行全卷积处理，得到所述初始交互网络的全卷积处理结果：将所述全卷积处理结果作为针对所述各样本MRI三维影像的当前分割结果；其中，所述当前分割结果表示：所述样本图像中每个体素是海马体的概率；
计算单元，用于根据所述当前分割结果和所述标准图像对应的标准分割结果，计算各所述交互神经网络对应的目标函数的值；其中，所述标准分割结果表示：所述标准图像中每个体素是海马体的概率；
确定单元，用于当各所述交互神经网络对应的目标函数的值优化到接近各自的最小值时，将当前各交互神经网络确定为训练好的各交互神经网络；
其中，所述交互模块通过以下公式对每层的采样/上采样输出结果进行交互处理：
其中，l表示所述初始交互神经网络的当前层，表示第l层第j个信道的特征，max(·)表示所述交互模块所采用的激活函数，表示连接第l-1层第i个信道和第l层第j个信道的卷积核，表示第l-1层第i个信道的特征，表示表示所述交互模块中连接第l-1层和第l层的偏置，表示所述交互模块中连接第l-1层和第l层的偏置，表示第l-2层第i个信道的特征。
可选地，所述至少两个交互神经网络包括三个交互神经网络，其中，
第一交互神经网络对应的目标函数为概率相似目标函数PSF，其表达式为：
其中，EPSF为概率相似目标函数，p为所述当前分割结果，g为所述标准分割结果，x表示所述样本图像中的全部体素；
第二交互神经网络对应的目标函数为交叉熵目标函数CEF，其表达式为：
其中，ECEF为交叉熵目标函数，n表示所述样本MRI三维影像的个数；
第三交互神经网络对应的目标函数为泊松分布目标函数PDF，其表达式为：
其中，EPDF为泊松分布目标函数。
可选地，在图5所示实施例的基础上，本发明实施例所提供的一种应用于MRI的海马体分割装置，还可以包括：
第三构建模块(图中未示出)，用于基于网格搜索法，构建搜索网络；其中，所述搜索网格包含多组权重组合，每组权重组合对应不同的各所述交互神经网络的候选权重；
第三处理模块(图中未示出)，用于遍历所述搜索网格中的所有组权重组合，计算所述每组权重组合对应的概率化融合分割结果，将概率化融合分割结果最大的权重组合对应的各所述交互神经网络的候选权重作为各所述交互神经网络的权重；
其中，第k组权重组合对应的概率化融合分割结果通过以下公式计算：
其中，I表示所述各样本MRI三维影像，表示根据第k组权重组合以及训练好的各交互神经网络确定的针对所述I的融合分割结果，表示第k组权重组合对应的第m交互神经网络的候选权重，表示根据训练好的第m交互神经网络确定的针对所述I的概率化分割结果，表示根据训练好的第m交互神经网络确定的针对所述I的分割结果，Wm表示训练好的第m交互神经网络对应的网络参数。
本发明实施例还提供了一种电子设备，如图7所示，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信，
存储器703，用于存放计算机程序；
处理器701，用于执行存储器703上所存放的程序时，实现如下步骤：
获取MRI三维影像；
构建大小为预设尺寸，且包含所述MRI三维影像的敏感区域的目标图像；其中，所述敏感区域为海马体所在区域；
将所述目标图像分别输入预先训练得到的至少两个交互神经网络中，得到各所述交互神经网络输出的预分割结果；其中，各所述交互神经网络是根据各样本MRI三维影像，以及所述各样本MRI三维影像对应的标准分割影像，并分别基于预设的各所述交互神经网络对应的目标函数训练得到的；
根据预先确定的各所述交互神经网络的权重，以及各所述交互神经网络输出的预分割结果，确定所述MRI三维影像的分割结果；其中，各所述交互神经网络的权重之和等于1。
本发明实施例提供的电子设备，处理器通过执行存储器上所存放的程序时，获取MRI三维影像；构建大小为预设尺寸，且包含所述MRI三维影像的敏感区域的目标图像；将所述目标图像分别输入预先训练得到的至少两个交互神经网络中，得到各所述交互神经网络输出的预分割结果；根据预先确定的各所述交互神经网络的权重，以及各所述交互神经网络输出的预分割结果，确定所述MRI三维影像的分割结果。本发明实施例将脑部MRI中海马体的分割问题转化为目标优化问题，通过设计至少两个目标函数，并根据样本MRI三维影像和对应的标准分割影像训练至少两个交互神经网络，然后基于训练好的交互神经网络和对应的优化后的权重，得到海马体的分割结果，提高了对海马体分割的效率。
需要说明的是，该处理器执行存储器上所存放的程序时所实现如下步骤的具体实现方式及相关解释内容可以参见上述方法实施例的介绍内容，在此不做赘述。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一的应用于MRI的海马体分割方法。
本发明实施例提供的计算机可读存储介质内存储的指令，当其在计算机上运行时，获取MRI三维影像；构建大小为预设尺寸，且包含所述MRI三维影像的敏感区域的目标图像；将所述目标图像分别输入预先训练得到的至少两个交互神经网络中，得到各所述交互神经网络输出的预分割结果；根据预先确定的各所述交互神经网络的权重，以及各所述交互神经网络输出的预分割结果，确定所述MRI三维影像的分割结果。本发明实施例将脑部MRI中海马体的分割问题转化为目标优化问题，通过设计至少两个目标函数，并根据样本MRI三维影像和对应的标准分割影像训练至少两个交互神经网络，然后基于训练好的交互神经网络和对应的优化后的权重，得到海马体的分割结果，提高了对海马体分割的效率。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一的应用于MRI的海马体分割方法。
本发明实施例提供的包含指令的计算程序产品，当其在计算机上运行时，获取MRI三维影像；构建大小为预设尺寸，且包含所述MRI三维影像的敏感区域的目标图像；将所述目标图像分别输入预先训练得到的至少两个交互神经网络中，得到各所述交互神经网络输出的预分割结果；根据预先确定的各所述交互神经网络的权重，以及各所述交互神经网络输出的预分割结果，确定所述MRI三维影像的分割结果。本发明实施例将脑部MRI中海马体的分割问题转化为目标优化问题，通过设计至少两个目标函数，并根据样本MRI三维影像和对应的标准分割影像训练至少两个交互神经网络，然后基于训练好的交互神经网络和对应的优化后的权重，得到海马体的分割结果，提高了对海马体分割的效率。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置/电子设备/存储介质/计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (10)
1.一种应用于磁共振影像MRI的海马体分割方法，其特征在于，包括：
获取MRI三维影像；
构建大小为预设尺寸，且包含所述MRI三维影像的敏感区域的目标图像；其中，所述敏感区域为海马体所在区域；
将所述目标图像分别输入预先训练得到的至少两个交互神经网络中，得到各所述交互神经网络输出的预分割结果；其中，各所述交互神经网络是根据各样本MRI三维影像，以及所述各样本MRI三维影像对应的标准分割影像，并分别基于预设的各所述交互神经网络对应的目标函数训练得到的；
根据预先确定的各所述交互神经网络的权重，以及各所述交互神经网络输出的预分割结果，确定所述MRI三维影像的分割结果；其中，各所述交互神经网络的权重之和等于1。
2.根据权利要求1所述的方法，其特征在于，各所述交互神经网络的训练过程包括：
构建初始交互神经网络；其中，所述初始交互神经网络对应的网络架构包括上通路、下通路和全卷积层，所述上通路由相互交替的采样模块和交互模块构成，所述下通路由相互交替的上采样模块和交互模块构成；
获取各样本MRI三维影像，以及所述各样本MRI三维影像对应的标准分割影像；
分别从所述各样本MRI三维影像和所述标准分割影像中裁剪出大小为所述预设尺寸的、包含海马体所在区域的样本图像和标准图像；
将所述样本图像作为所述初始交互神经网络的输入，以所述标准图像为标签，分别基于各所述交互神经网络对应的目标函数，训练得到各交互神经网络。
3.根据权利要求2所述的方法，其特征在于，所述将所述样本图像作为所述初始交互神经网络的输入，以所述标准图像为标签，分别基于各所述交互神经网络对应的目标函数，训练得到各交互神经网络，包括：
将所述样本图像作为所述初始交互神经网络中上通路的第一层的输入；
从所述上通路的第一层到最后一层，由所述采样模块对每层的输入进行采样处理，得到每层的采样输出结果；由所述交互模块对每层的采样输出结果进行交互处理，得到每层的交互输出结果；
将所述上通路的最后一层的交互输出结果，作为所述初始交互神经网络中下通路的第一层的输入；
从所述下通路的第一层到最后一层，由所述上采样模块对每层的输入进行上采样处理，得到每层的上采样输出结果；由所述交互模块对每层的上采样输出结果进行交互处理，得到每层的交互输出结果；
由所述全卷积层对所述下通路的最后一层的交互输出结果进行全卷积处理，得到所述初始交互网络的全卷积处理结果：将所述全卷积处理结果作为针对所述各样本MRI三维影像的当前分割结果；其中，所述当前分割结果表示：所述样本图像中每个体素是海马体的概率；
根据所述当前分割结果和所述标准图像对应的标准分割结果，计算各所述交互神经网络对应的目标函数的值；其中，所述标准分割结果表示：所述标准图像中每个体素是海马体的概率；
当各所述交互神经网络对应的目标函数的值优化到接近各自的最小值时，将当前各交互神经网络确定为训练好的各交互神经网络；
其中，所述交互模块通过以下公式对每层的采样/上采样输出结果进行交互处理：
其中，l表示所述初始交互神经网络的当前层，表示第l层第j个信道的特征，max(·)表示所述交互模块所采用的激活函数，表示连接第l-1层第i个信道和第l层第j个信道的卷积核，表示第l-1层第i个信道的特征，表示表示所述交互模块中连接第l-1层和第l层的偏置，表示所述交互模块中连接第l-1层和第l层的偏置，表示第l-2层第i个信道的特征。
4.根据权利要求3所述的方法，其特征在于，所述至少两个交互神经网络包括三个交互神经网络，其中，
第一交互神经网络对应的目标函数为概率相似目标函数PSF，其表达式为：
其中，EPSF为概率相似目标函数，p为所述当前分割结果，g为所述标准分割结果，x表示所述样本图像中的全部体素；
第二交互神经网络对应的目标函数为交叉熵目标函数CEF，其表达式为：
其中，ECEF为交叉熵目标函数，n表示所述样本MRI三维影像的个数；
第三交互神经网络对应的目标函数为泊松分布目标函数PDF，其表达式为：
其中，EPDF为泊松分布目标函数。
5.根据权利要求1所述的方法，其特征在于，各所述交互神经网络的权重的确定过程，包括：
基于网格搜索法，构建搜索网络；其中，所述搜索网格包含多组权重组合，每组权重组合对应不同的各所述交互神经网络的候选权重；
遍历所述搜索网格中的所有组权重组合，计算所述每组权重组合对应的概率化融合分割结果，将概率化融合分割结果最大的权重组合对应的各所述交互神经网络的候选权重作为各所述交互神经网络的权重；
其中，第k组权重组合对应的概率化融合分割结果通过以下公式计算：
其中，I表示所述各样本MRI三维影像，表示根据第k组权重组合以及训练好的各交互神经网络确定的针对所述I的融合分割结果，表示第k组权重组合对应的第m交互神经网络的候选权重，表示根据训练好的第m交互神经网络确定的针对所述I的概率化分割结果，表示根据训练好的第m交互神经网络确定的针对所述I的分割结果，Wm表示训练好的第m交互神经网络对应的网络参数。
6.一种应用于MRI的海马体分割装置，其特征在于，包括：
第一获取模块，用于获取MRI三维影像；
第一构建模块，用于构建大小为预设尺寸，且包含所述MRI三维影像的敏感区域的目标图像；其中，所述敏感区域为海马体所在区域；
第一处理模块，用于将所述目标图像分别输入预先训练得到的至少两个交互神经网络中，得到各所述交互神经网络输出的预分割结果；其中，各所述交互神经网络是根据各样本MRI三维影像，以及所述各样本MRI三维影像对应的标准分割影像，并分别基于预设的各所述交互神经网络对应的目标函数训练得到的；
确定模块，用于根据预先确定的各所述交互神经网络的权重，以及各所述交互神经网络输出的预分割结果，确定所述MRI三维影像的分割结果；其中，各所述交互神经网络的权重之和等于1。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第二构建模块，用于构建初始交互神经网络；其中，所述初始交互神经网络对应的网络架构包括上通路、下通路和全卷积层，所述上通路由相互交替的采样模块和交互模块构成，所述下通路由相互交替的上采样模块和交互模块构成；
第二获取模块，用于获取各样本MRI三维影像，以及所述各样本MRI三维影像对应的标准分割影像；
裁剪模块，用于分别从所述各样本MRI三维影像和所述标准分割影像中裁剪出大小为所述预设尺寸的、包含海马体所在区域的样本图像和标准图像；
第二处理模块，用于将所述样本图像作为所述初始交互神经网络的输入，以所述标准图像为标签，分别基于各所述交互神经网络对应的目标函数，训练得到各交互神经网络。
8.根据权利要求7所述的装置，其特征在于，所述第二处理模块包括：
第一输入单元，用于将所述样本图像作为所述初始交互神经网络中上通路的第一层的输入；
第一处理单元，用于从所述上通路的第一层到最后一层，由所述采样模块对每层的输入进行采样处理，得到每层的采样输出结果；由所述交互模块对每层的采样输出结果进行交互处理，得到每层的交互输出结果；
第二输入单元，用于将所述上通路的最后一层的交互输出结果，作为所述初始交互神经网络中下通路的第一层的输入；
第二处理单元，用于从所述下通路的第一层到最后一层，由所述上采样模块对每层的输入进行上采样处理，得到每层的上采样输出结果；由所述交互模块对每层的上采样输出结果进行交互处理，得到每层的交互输出结果；
第三处理单元，用于由所述全卷积层对所述下通路的最后一层的交互输出结果进行全卷积处理，得到所述初始交互网络的全卷积处理结果：将所述全卷积处理结果作为针对所述各样本MRI三维影像的当前分割结果；其中，所述当前分割结果表示：所述样本图像中每个体素是海马体的概率；
计算单元，用于根据所述当前分割结果和所述标准图像对应的标准分割结果，计算各所述交互神经网络对应的目标函数的值；其中，所述标准分割结果表示：所述标准图像中每个体素是海马体的概率；
确定单元，用于当各所述交互神经网络对应的目标函数的值优化到接近各自的最小值时，将当前各交互神经网络确定为训练好的各交互神经网络；
其中，所述交互模块通过以下公式对每层的采样/上采样输出结果进行交互处理：
其中，l表示所述初始交互神经网络的当前层，表示第l层第j个信道的特征，max(·)表示所述交互模块所采用的激活函数，表示连接第l-1层第i个信道和第l层第j个信道的卷积核，表示第l-1层第i个信道的特征，表示表示所述交互模块中连接第l-1层和第l层的偏置，表示所述交互模块中连接第l-1层和第l层的偏置，表示第l-2层第i个信道的特征。
9.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第三构建模块，用于基于网格搜索法，构建搜索网络；其中，所述搜索网格包含多组权重组合，每组权重组合对应不同的各所述交互神经网络的候选权重；
第三处理模块，用于遍历所述搜索网格中的所有组权重组合，计算所述每组权重组合对应的概率化融合分割结果，将概率化融合分割结果最大的权重组合对应的各所述交互神经网络的候选权重作为各所述交互神经网络的权重；
其中，第k组权重组合对应的概率化融合分割结果通过以下公式计算：
其中，I表示所述各样本MRI三维影像，表示根据第k组权重组合以及训练好的各交互神经网络确定的针对所述I的融合分割结果，表示第k组权重组合对应的第m交互神经网络的候选权重，表示根据训练好的第m交互神经网络确定的针对所述I的概率化分割结果，表示根据训练好的第m交互神经网络确定的针对所述I的分割结果，Wm表示训练好的第m交互神经网络对应的网络参数。
10.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-5任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810811699.8A CN109146891B (zh) | 2018-07-23 | 2018-07-23 | 一种应用于mri的海马体分割方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810811699.8A CN109146891B (zh) | 2018-07-23 | 2018-07-23 | 一种应用于mri的海马体分割方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109146891A true CN109146891A (zh) | 2019-01-04 |
| CN109146891B CN109146891B (zh) | 2020-11-13 |
Family
ID=64801417
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810811699.8A Active CN109146891B (zh) | 2018-07-23 | 2018-07-23 | 一种应用于mri的海马体分割方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109146891B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110866925A (zh) * | 2019-10-18 | 2020-03-06 | 北京量健智能科技有限公司 | 一种用于图像分割的方法和装置 |
| CN111640119A (zh) * | 2020-04-09 | 2020-09-08 | 北京邮电大学 | 一种图像处理方法、处理装置、电子设备及存储介质 |
| CN112183166A (zh) * | 2019-07-04 | 2021-01-05 | 北京地平线机器人技术研发有限公司 | 确定训练样本的方法、装置和电子设备 |
| TWI727741B (zh) * | 2020-04-16 | 2021-05-11 | 長庚醫療財團法人林口長庚紀念醫院 | 磁共振影像的分割方法 |
| CN116703955A (zh) * | 2023-08-04 | 2023-09-05 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 磁共振图像的海马体时间纵向分割方法及计算机设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106296699A (zh) * | 2016-08-16 | 2017-01-04 | 电子科技大学 | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 |
| CN107194933A (zh) * | 2017-04-24 | 2017-09-22 | 天津大学 | 结合卷积神经网络和模糊推理的脑肿瘤分割方法和装置 |
| CN107424145A (zh) * | 2017-06-08 | 2017-12-01 | 广州中国科学院软件应用技术研究所 | 基于三维全卷积神经网络的核磁共振图像的分割方法 |
| US20170358075A1 (en) * | 2016-06-09 | 2017-12-14 | International Business Machines Corporation | Sequential learning technique for medical image segmentation |
| CN108288271A (zh) * | 2018-02-06 | 2018-07-17 | 上海交通大学 | 基于三维残差网络的图像检测系统及方法 |
-
2018
- 2018-07-23 CN CN201810811699.8A patent/CN109146891B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170358075A1 (en) * | 2016-06-09 | 2017-12-14 | International Business Machines Corporation | Sequential learning technique for medical image segmentation |
| CN106296699A (zh) * | 2016-08-16 | 2017-01-04 | 电子科技大学 | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 |
| CN107194933A (zh) * | 2017-04-24 | 2017-09-22 | 天津大学 | 结合卷积神经网络和模糊推理的脑肿瘤分割方法和装置 |
| CN107424145A (zh) * | 2017-06-08 | 2017-12-01 | 广州中国科学院软件应用技术研究所 | 基于三维全卷积神经网络的核磁共振图像的分割方法 |
| CN108288271A (zh) * | 2018-02-06 | 2018-07-17 | 上海交通大学 | 基于三维残差网络的图像检测系统及方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183166A (zh) * | 2019-07-04 | 2021-01-05 | 北京地平线机器人技术研发有限公司 | 确定训练样本的方法、装置和电子设备 |
| CN112183166B (zh) * | 2019-07-04 | 2024-07-02 | 北京地平线机器人技术研发有限公司 | 确定训练样本的方法、装置和电子设备 |
| CN110866925A (zh) * | 2019-10-18 | 2020-03-06 | 北京量健智能科技有限公司 | 一种用于图像分割的方法和装置 |
| CN111640119A (zh) * | 2020-04-09 | 2020-09-08 | 北京邮电大学 | 一种图像处理方法、处理装置、电子设备及存储介质 |
| CN111640119B (zh) * | 2020-04-09 | 2023-11-17 | 北京邮电大学 | 一种图像处理方法、处理装置、电子设备及存储介质 |
| TWI727741B (zh) * | 2020-04-16 | 2021-05-11 | 長庚醫療財團法人林口長庚紀念醫院 | 磁共振影像的分割方法 |
| CN116703955A (zh) * | 2023-08-04 | 2023-09-05 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 磁共振图像的海马体时间纵向分割方法及计算机设备 |
| CN116703955B (zh) * | 2023-08-04 | 2024-03-26 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 磁共振图像的海马体时间纵向分割方法及计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109146891B (zh) | 2020-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109146891B (zh) | 一种应用于mri的海马体分割方法、装置及电子设备 | |
| Hou et al. | Sparse autoencoder for unsupervised nucleus detection and representation in histopathology images | |
| CN111291825B (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
| CN109584209B (zh) | 血管壁斑块识别设备、系统、方法及存储介质 | |
| CN109480780B (zh) | 一种脑卒中预警系统的评估方法及系统 | |
| Liu et al. | A framework of wound segmentation based on deep convolutional networks | |
| CN110738235B (zh) | 肺结核判定方法、装置、计算机设备及存储介质 | |
| CN103514597A (zh) | 图像处理装置 | |
| CN112819821B (zh) | 一种细胞核图像检测方法 | |
| CN112614133B (zh) | 一种无锚点框的三维肺结节检测模型训练方法及装置 | |
| CN108629772A (zh) | 图像处理方法及装置、计算机设备和计算机存储介质 | |
| CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
| CN115131630A (zh) | 模型训练、微卫星状态预测方法、电子设备及存储介质 | |
| CN113705595A (zh) | 异常细胞转移程度的预测方法、装置和存储介质 | |
| CN115330748A (zh) | 脑图像处理方法、计算机设备和存储介质 | |
| CN113554668B (zh) | 一种皮肤镜图像黑色素瘤分割方法、装置及相关组件 | |
| Otálora et al. | Image magnification regression using densenet for exploiting histopathology open access content | |
| Mansour et al. | Kidney segmentations using cnn models | |
| CN111160441B (zh) | 分类方法、计算机设备和存储介质 | |
| CN115881304B (zh) | 基于智能检测的风险评估方法、装置、设备及介质 | |
| CN114419068A (zh) | 一种医学图像的分割方法、装置、设备及存储介质 | |
| CN113327221A (zh) | 融合roi区域的图像合成方法、装置、电子设备及介质 | |
| CN111862003B (zh) | 医疗影像目标信息获取方法、装置、设备和存储介质 | |
| CN116228916B (zh) | 一种图像去金属伪影方法、系统及设备 | |
| Sridevi et al. | A modified UNet-based semantic segmentation architecture for pancreas tumour detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |