CN109886992A - 用于分割mri图像中异常信号区的全卷积网络模型训练方法 - Google Patents

用于分割mri图像中异常信号区的全卷积网络模型训练方法 Download PDF

Info

Publication number
CN109886992A
CN109886992A CN201711275383.3A CN201711275383A CN109886992A CN 109886992 A CN109886992 A CN 109886992A CN 201711275383 A CN201711275383 A CN 201711275383A CN 109886992 A CN109886992 A CN 109886992A
Authority
CN
China
Prior art keywords
image
mri
abnormal signal
network model
convolutional network
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.)
Pending
Application number
CN201711275383.3A
Other languages
English (en)
Inventor
马迪亚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Bo Brain Medical Technology Co Ltd
Original Assignee
Shenzhen Bo Brain Medical Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Bo Brain Medical Technology Co Ltd filed Critical Shenzhen Bo Brain Medical Technology Co Ltd
Priority to CN201711275383.3A priority Critical patent/CN109886992A/zh
Priority to PCT/CN2017/118298 priority patent/WO2019109410A1/zh
Publication of CN109886992A publication Critical patent/CN109886992A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling

Abstract

本发明适用于图像处理技术领域，提供了用于分割MRI图像中异常信号区的全卷积网络模型训练方法。包括：获取MRI样本图像，和对所述MRI样本图像进行异常信号区分割后得到的异常信号区分割样本图像；初始化所述全卷积网络模型的权重参数；将所述MRI样本图像和分割样本图像作为训练样本训练所述全卷积网络模型，得到用于分割MRI图像中异常信号区的全卷积网络模型。本发明可以解决现有技术中人工分割标记十分繁琐且耗时，容易受到主观因素的影响而产生误分割的问题，无需任何的图像预处理和后处理步骤就可以高效地产生精准的分割结果。

Description

用于分割MRI图像中异常信号区的全卷积网络模型训练方法
技术领域
本发明属于图像处理技术领域，尤其涉及用于分割MRI图像中异常信号区的全卷积网络模型训练方法及装置。
背景技术
脑部损伤严重危及患者生命，例如脑肿瘤、脑出血、脑白质损伤等。核磁共振成像(Magnetic Resonance Imaging，MRI)可以以图像方式显示大脑内部信息，是医学工作者分析颅内情况的有力工具，异常信号区表示脑部损伤的MRI图像与正常的大脑MRI图像相比像素值不同的区域，基于MRI异常信号区图像分割对于脑部损伤的评估十分重要。早期，使用的是手工分割标记方法，人工分割标记十分繁琐且耗时，容易受到主观因素的影响而产生误分割。因此，设计一种自动的精准的分割算法来解决手工分割标记的不足是必需的。因此本发明提供了一种更高效、更准确的用于分割MRI图像中异常信号区的全卷积网络模型训练方法。
发明内容
有鉴于此，本发明实施例提供了用于分割MRI图像中异常信号区的全卷积网络模型训练方法，以解决现有技术中人工分割标记十分繁琐且耗时，容易受到主观因素的影响而产生误分割的问题。
本发明实施例的第一方面提供了一种用于分割MRI图像中异常信号区的全卷积网络模型训练方法，其特征在于，包括：
获取MRI样本图像，和对所述MRI样本图像进行异常信号区分割后得到的异常信号区分割样本图像；
初始化所述全卷积网络模型的权重参数；
将所述MRI样本图像和异常信号区分割样本图像作为训练样本训练所述全卷积网络模型，得到用于分割MRI图像中异常信号区的全卷积网络模型。
进一步的，所述全卷积网络模型的结构包括：降采样通道及升采样通道。
进一步的，所述降采样通道的结构包括：2个三维卷积层、1个三维池化层、2个三维卷积层、1个三维池化层和2个三维卷积层；所述升采样通道的结构包括：2个三维卷积层、1个反卷积层、2个三维卷积层、1个反卷积层和2个三维卷积层。
进一步的，还包括：在训练过程中使用批量随机梯度下降法更新所述全卷积网络模型的权重。
进一步的，所述初始化所述全卷积网络模型的权重参数，包括：使用服从高斯分布的随机初始化方法来初始化所述全卷积网络模型的权重参数。
本发明实施例的第二方面提供了一种对MRI图像进行异常信号区分割的方法，其特征在于，包括：
离线训练：服务器获取MRI样本图像，和对所述MRI样本图像进行异常信号区分割后得到的异常信号区分割样本图像；初始化所述全卷积网络模型的权重参数；将所述MRI样本图像和异常信号区分割样本图像作为训练样本训练所述全卷积网络模型，得到用于分割MRI图像中异常信号区的全卷积网络模型；
图像分割：用户终端获取MRI图像；利用训练好的所述全卷积网络模型进行异常信号区分割，得到MRI图像中异常信号区的分割图像。
本发明实施例的第三方面提供了一种用于MRI图像分割异常信号区的全卷积网络模型训练装置，其特征在于，包括：
样本获取单元，用于获取MRI样本图像，和对所述MRI样本图像进行异常信号分割后得到的异常信号区分割样本图像；
模型初始化单元，用于初始化所述全卷积网络模型的权重参数；
模型训练单元，将所述MRI样本图像和异常信号区分割样本图像作为训练样本训练所述全卷积网络模型，得到用于分割MRI图像中异常信号区的全卷积网络模型。
本发明实施例的第四方面提供了一种对MRI图像进行异常信号区分割的系统，其特征在于，包括：服务器和用户终端，其中，所述服务器包括：
样本获取单元，用于获取MRI样本图像，和对所述MRI样本图像进行异常信号区分割后得到的异常信号区分割样本图像；
模型初始化单元，用于初始化所述全卷积网络模型的权重参数；
模型训练单元，将所述MRI样本图像和异常信号区分割样本图像作为训练样本训练所述全卷积网络模型，得到用于分割MRI图像中异常信号区的全卷积网络模型；
所述用户终端包括：
图像获取单元，用于获取MRI图像；
图像分割单元，用于利用训练好的所述全卷积网络模型进行异常信号区分割，得到MRI图像中异常信号区的分割图像。
本发明实施例的第五方面提供了一种终端设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现如第一方面和第二方面所述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，包括：所述计算机可读存储介质存储有计算机程序。所述计算机程序被处理器执行时实现如第一方面和第二方面所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
本发明训练好的全卷积网络模型，以脑部MRI作为输入图像，直接输出完整的分割概率图，无需任何的图像预处理和后处理步骤就可以高效地产生精准的分割结果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种用于分割MRI图像中异常信号区的全卷积网络模型训练方法的实现流程示意图；
图2是本发明实施例提供的大脑MRI微小卵型低信号分割样本图像；
图3是本发明实施例提供的大脑MRI脑白质高信号分割样本图像；
图4是本发明实施例提供的一种对MRI图像进行异常信号区分割的方法的实现流程示意图；
图5是本发明实施例提供的一种用于分割MRI图像中异常信号区的全卷积网络模型训练装置500的示意图；
图6是本发明实施例提供的一种对MRI图像进行异常信号区分割的系统60的示意图；
图7是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
请参考图1所示，是本发明提供一种用于分割MRI图像中异常信号区的全卷积网络模型训练方法的实现流程示意图，包括以下步骤：
步骤S101，获取MRI样本图像，和对所述MRI样本图像进行异常信号区分割后得到的异常信号区分割样本图像。
在本发明实施例中，异常信号区表示MRI样本图像中与正常MRI图像相比像素值不同的区域。例如磁敏感加权成像(Susceptibility Weighted Imaging，SWI)MRI中的微小卵型低信号和液体衰减反转恢复(Fluid Attenuated Inversion Recovery,FLAIR)MRI中的白质高信号就是异常信号区。
在训练开始之前，训练装置获取训练样本，训练样本为MRI样本图像和对所述MRI样本图像进行异常信号区分割后得到的异常信号区分割样本图像。例如，在大脑微出血的检测中，训练样本为由手工标记好的大脑微小卵型低信号分割图像和对应的MRI样本图像，如图2所示，图2是本发明实施例提供的大脑MRI微小卵型低信号分割样本图像，图2左图为大脑MRI样本图像，右图为对所述MRI样本图像进行手工标记好的大脑微小卵型低信号分割图像；在脑白质损伤的分割中，训练样本为手工标记的脑白质高信号分割图和对应的MRI样本图像，如图3所示，图3是本发明实施例提供的大脑MRI脑白质高信号分割样本图像，图3左图为大脑MRI样本图像，右图为对所述MRI样本图像进行手工标记的脑白质高信号分割图像。此处为了让分割图像更清楚，比例进行了放大。
步骤S102，初始化所述全卷积网络模型的权重参数。
本发明所述的全卷积网络模型的结构包括：降采样通道及升采样通道。所述降采样通道的结构包括：2个三维卷积层、1个三维池化层、2个三维卷积层、1个三维池化层和2个三维卷积层；所述升采样通道的结构包括：2个三维卷积层、1个反卷积层、2个三维卷积层、1个反卷积层和2个三维卷积层。
由于卷积层只能对特征图进行线性变换，在每个卷积层后都添加了一个激活函数，用于对特征图做非线性变化，这样可以增加神经网络网络的表达能力。降采样通道主要负责渐进地提取高层级的、抽象的、不变的图像和语义特征，它的输入是原始的三维医学图像，可以是单通道的，也可以是由多模态构成的多通道的三维图像。在本发明的全卷积网络结构中，所有的卷积层都是三维的，步长是1×1×1，最后一个卷积层的卷积核大小是1×1×1，其余所有卷积层的卷积核的大小都是3×3×3。3×3×3大小的卷积核用于提取三维图像特征，1×1×1大小的卷积核用于改变特征图的通道数。
相比于用于自然图像的二维卷积层，本发明的三维卷积层可以更好的提取三维医学图像的空间信息，构建更高层次的语义抽象。然后，使用三维的池化层来降低三维图像特征的大小，这样不仅可以降低计算的复杂度，提高算法的运行效率，也可以赋予网络对于图像局部特征的不变性。本发明的三维池化层的池化核大小是2×2×2，步长是2×2×2，图像填充为0。因此每经过一次池化操作，特征图的大小缩小为池化前的1/2×1/2×1/2。虽然降采样通道对于医学图像有比较好的抽象作用，但是经过多次卷积和核池化操作后，图像的细节信息损失比较大，因而本发明采用了和降采样通道完全对称的升采样通道来恢复图像的细节信息。升采样通道由多个连续交替的卷积层和反卷积层组成，卷积层负责提取图像特征，反卷积层负责恢复特征图的细节信息。在每次反卷积后，升采样通道通过跨连接层将来自降采样层和升采样中得到的相同大小的图像特征合并起来，作为接下来卷积层的输入，这样可以更好的融合多层级的信息，对于高级语义信息和低级图像特征有互补的作用。在升采样通道中的反卷积参数如下，卷积核大小是2×2×2，步长是0.5×0.5×0.5，图像填充是0。本发明的全卷积神经网络的最后一层是一个卷积核为1×1×1的三维卷积层，它用于把三维的特征图转换成最终的分割概率图。
本实施例使用服从高斯分布的随机初始化方法来初始化所述全卷积网络模型的权重参数，具体的，使用服从高斯分布的随机初始化方法来初始述全卷积网络模型的可训练参数的权值，这些参数主要集中在卷积层，假设全卷积网络模型的初始参数服从均值为0，方差为0.01的高斯分布，并据此为全卷积网络模型的参数赋初始值。
步骤S103,将所述MRI样本图像和异常信号区分割样本图像作为训练样本训练所述全卷积网络模型，得到用于分割MRI图像中异常信号区的全卷积网络模型。
将步骤S101获取的训练样本训练所述全卷积网络模型。例如，在大脑微出血的检测中，训练样本为手工标记好的大脑微小卵型低信号分割图和对应的大脑MRI图像；在脑白质损伤的分割中训练样本为手工标记的脑白质高信号分割图和对应的大脑MRI图像。
在训练全卷积网络模型时，使用批量随机梯度下降法来更新全卷积网络模型的参数，具体地，全卷积网络模型在每次训练过程中会随机选取几个训练样本进行前向传播，并使用交叉熵作为损失函数来衡量当前全卷积网络模型在训练集上的准确度，然后计算损失函数对于每个全卷积网络模型参数的偏导数，再根据梯度下降法来更新这些参数的值。
经过训练后得到用于分割MRI图像中异常信号区的全卷积网络模型，经过训练后的全卷积网络模型可以直接用于大脑异常信号区的检测任务。
图4所示为一种对MRI图像进行异常信号区分割的方法的实现流程示意图，包括以下步骤：
步骤S401，离线训练：服务器获取MRI样本图像，和对所述MRI样本图像进行异常信号区分割后得到的异常信号区分割样本图像；初始化所述全卷积网络模型的权重参数；将所述MRI样本图像和异常信号区分割样本图像作为训练样本训练所述全卷积网络模型，得到用于分割MRI图像中异常信号区的全卷积网络模型。
本发明实施例中，模型训练的过程在服务器中进行，将训练后的模型推送到用户终端，如核磁共振检测仪等用户终端，在用户终端对MRI图像进行分割。此外，模型也可以直接由技术人员拷贝至用户终端。
此外，服务器可以与用户终端进行通信，用户终端获取的MRI图像及其分割结果会上传至服务器，服务器通过获取的MRI图像及其对应的分割结果按照预设周期对模型进行优化，并将优化后的模型实时推送至用户终端进行模型更新。通过这种设置，能够进一步提高模型的分割精度，从而获得更准确的分割结果。
步骤S402，图像分割：用户终端获取MRI图像；利用训练好的所述全卷积网络模型进行异常信号区分割，得到MRI图像中异常信号区的分割图像。
经过训练后的全卷积网络可以直接用于大脑异常信号区的检测任务，在大脑微出血的检测任务中，训练样本为由手工标记好的大脑微小卵型低信号分割图和对应的原始的MRI，经过训练后得到一个用于检测大脑微小卵型低信号的全卷积神经网络，以原始的脑部MRI作为输入图像，无需经过任何预处理和后处理，全卷积神经网络就可以直接输出大脑微小卵型低信号的分割概率图，进而通过对概率图的处理来定位每个大脑微小卵型低信号的位置，在定位准确度上达到了目前最好的结果。在脑白质异常的分割中，使用了完全相同的训练方法和网络结构，仅仅将训练样本改变为手工标记的脑白质高信号分割图和对应的MRI图像就可以训练出一个用于分割脑白质高信号的全卷积神经网络。以脑部MRI作为输入图像，全卷积神经网络可以直接输出分割概率图，进而得到最终的分割结果和脑白质高信号区域的体积测量结果。
本发明的全卷积神经网络是一种端到端(图像到图像)的可训练网络模型，整个网络以原始的核磁共振图像(MRI)作为输入，经过多重的卷积和池化处理，直接输出完整的分割概率图，无需任何的图像预处理和后处理步骤就可以高效地产生精准的分割结果。
图5为一种用于分割MRI图像中异常信号区的全卷积网络模型训练装置500的示意图，此实施例中未详细描述之处，请参见前面方法的实施例。如图3所示，所述用于分割MRI图像中异常信号区的全卷积网络模型训练装置包括：样本获取单元501，模型初始化单元502，模型训练单元503。
样本获取单元501，用于获取MRI样本图像，和对所述MRI样本图像进行异常信号分割后得到的异常信号区分割样本图像；
模型初始化单元502，用于初始化所述全卷积网络模型的权重参数；
模型训练单元503，将所述MRI样本图像和异常信号区分割样本图像作为训练样本训练所述全卷积网络模型，得到用于分割MRI图像中异常信号区的全卷积网络模型。
图6为一种对MRI图像进行异常信号区分割的系统60的示意图，如图6所示，所述一种对MRI图像进行异常信号区分割的系统包括：服务器61和用户终端62，其中，所述服务器61包括：
样本获取单元611，用于获取MRI样本图像，和对所述MRI样本图像进行异常信号区分割后得到的异常信号区分割样本图像；
模型初始化单元612，用于初始化所述全卷积网络模型的权重参数；
模型训练单元613，将所述MRI样本图像和异常信号区分割样本图像作为训练样本训练所述全卷积网络模型，得到用于分割MRI图像中异常信号区的全卷积网络模型。
所述用户终端62包括：
图像获取单元621，用于获取MRI图像；
图像分割单元622，用于利用训练好的所述全卷积网络模型进行异常信号区分割，得到MRI图像中异常信号区的分割图像。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
图7是本发明一实施例提供的一种终端设备的示意图。如图5所示，该实施例的终端设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序52时实现上述各个方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块501至503的功能。
示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端设备7的示例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备5的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述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，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用于分割MRI图像中异常信号区的全卷积网络模型训练方法，其特征在于，包括：
获取MRI样本图像，和对所述MRI样本图像进行异常信号区分割后得到的异常信号区分割样本图像；
初始化所述全卷积网络模型的权重参数；
将所述MRI样本图像和异常信号区分割样本图像作为训练样本训练所述全卷积网络模型，得到用于分割MRI图像中异常信号区的全卷积网络模型。
2.如权利要求1所述的方法，其特征在于，所述全卷积网络模型的结构包括：降采样通道及升采样通道。
3.如权利要求2所述的方法，其特征在于，所述降采样通道的结构包括：2个三维卷积层、1个三维池化层、2个三维卷积层、1个三维池化层和2个三维卷积层；所述升采样通道的结构包括：2个三维卷积层、1个反卷积层、2个三维卷积层、1个反卷积层和2个三维卷积层。
4.如权利要求1-3任一项所述的方法，其特征在于，还包括：在训练过程中使用批量随机梯度下降法更新所述全卷积网络模型的权重。
5.如权利要求1-3任一项所述的方法，其特征在于，所述初始化所述全卷积网络模型的权重参数，包括：使用服从高斯分布的随机初始化方法来初始化所述全卷积网络模型的权重参数。
6.一种对MRI图像进行异常信号区分割的方法，其特征在于，包括：
离线训练：服务器获取MRI样本图像，和对所述MRI样本图像进行异常信号区分割后得到的异常信号区分割样本图像；初始化所述全卷积网络模型的权重参数；将所述MRI样本图像和异常信号区分割样本图像作为训练样本训练所述全卷积网络模型，得到用于分割MRI图像中异常信号区的全卷积网络模型；
图像分割：用户终端获取MRI图像；利用训练好的所述全卷积网络模型进行异常信号区分割，得到MRI图像中异常信号区的分割图像。
7.一种用于分割MRI图像中异常信号区的全卷积网络模型训练装置，其特征在于，包括：
样本获取单元，用于获取MRI样本图像，和对所述MRI样本图像进行异常信号区分割后得到的异常信号区分割样本图像；
模型初始化单元，用于初始化所述全卷积网络模型的权重参数；
模型训练单元，将所述MRI样本图像和异常信号区分割样本图像作为训练样本训练所述全卷积网络模型，得到用于分割MRI图像中异常信号区的全卷积网络模型。
8.一种对MRI图像进行异常信号区分割的系统，其特征在于，包括：服务器和用户终端，其中，所述服务器包括：
样本获取单元，用于获取MRI样本图像，和对所述MRI样本图像进行异常信号区分割后得到的异常信号区分割样本图像；
模型初始化单元，用于初始化所述全卷积网络模型的权重参数；
模型训练单元，将所述MRI样本图像和异常信号区分割样本图像作为训练样本训练所述全卷积网络模型，得到用于分割MRI图像中异常信号区的全卷积网络模型；
所述用户终端包括：
图像获取单元，用于获取MRI图像；
图像分割单元，用于利用训练好的所述全卷积网络模型进行异常信号区分割，得到MRI图像中异常信号区的分割图像。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
CN201711275383.3A 2017-12-06 2017-12-06 用于分割mri图像中异常信号区的全卷积网络模型训练方法 Pending CN109886992A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201711275383.3A CN109886992A (zh) 2017-12-06 2017-12-06 用于分割mri图像中异常信号区的全卷积网络模型训练方法
PCT/CN2017/118298 WO2019109410A1 (zh) 2017-12-06 2017-12-25 用于分割 mri 图像中异常信号区的全卷积网络模型训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711275383.3A CN109886992A (zh) 2017-12-06 2017-12-06 用于分割mri图像中异常信号区的全卷积网络模型训练方法

Publications (1)

Publication Number Publication Date
CN109886992A true CN109886992A (zh) 2019-06-14

Family

ID=66750715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711275383.3A Pending CN109886992A (zh) 2017-12-06 2017-12-06 用于分割mri图像中异常信号区的全卷积网络模型训练方法

Country Status (2)

Country Link
CN (1) CN109886992A (zh)
WO (1) WO2019109410A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127395A (zh) * 2019-11-19 2020-05-08 中国人民解放军陆军军医大学第一附属医院 一种基于swi图像和循环神经网络的血管识别方法
WO2021147218A1 (zh) * 2020-01-20 2021-07-29 平安科技（深圳）有限公司 医学影像识别检测方法、装置、设备及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2813777B2 (es) * 2019-09-23 2023-10-27 Quibim S L Metodo y sistema para la segmentacion automatica de hiperintensidades de sustancia blanca en imagenes de resonancia magnetica cerebral

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080153900A1 (en) * 1996-12-02 2008-06-26 Angiotech International Ag Compositions and methods for treating or preventing imflammatory diseases
CN101933045A (zh) * 2008-01-31 2010-12-29 皇家飞利浦电子股份有限公司 短轴后期增强心脏mri的自动3d分割
CN105447458A (zh) * 2015-11-17 2016-03-30 深圳市商汤科技有限公司 一种大规模人群视频分析系统和方法
WO2016077646A1 (en) * 2014-11-12 2016-05-19 Materialise N.V. System and method of improving surgical devices using captured images for efficient surgical plan development
CN106127794A (zh) * 2016-07-29 2016-11-16 天津大学 基于可能性fcm算法mri肿瘤图像分割方法和系统
WO2017091833A1 (en) * 2015-11-29 2017-06-01 Arterys Inc. Automated cardiac volume segmentation
CN106920243A (zh) * 2017-03-09 2017-07-04 桂林电子科技大学 改进的全卷积神经网络的陶瓷材质件序列图像分割方法
CN107016681A (zh) * 2017-03-29 2017-08-04 浙江师范大学 基于全卷积网络的脑部mri肿瘤分割方法
CN107169421A (zh) * 2017-04-20 2017-09-15 华南理工大学 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法
CN107203989A (zh) * 2017-04-01 2017-09-26 南京邮电大学 基于全卷积神经网络的端对端胸部ct图像分割方法
CN107220980A (zh) * 2017-05-25 2017-09-29 重庆理工大学 一种基于全卷积网络的mri图像脑肿瘤自动分割方法
CN107229918A (zh) * 2017-05-26 2017-10-03 西安电子科技大学 一种基于全卷积神经网络的sar图像目标检测方法
CN107239797A (zh) * 2017-05-23 2017-10-10 西安电子科技大学 基于全卷积神经网络的极化sar地物分类方法
CN107239751A (zh) * 2017-05-22 2017-10-10 西安电子科技大学 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103714536B (zh) * 2013-12-17 2017-06-16 深圳先进技术研究院 基于稀疏表示的多模态磁共振图像的分割方法及装置
CN105809175B (zh) * 2014-12-30 2020-08-21 深圳先进技术研究院 一种基于支持向量机算法的脑水肿分割方法及系统
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
CN107274402A (zh) * 2017-06-27 2017-10-20 北京深睿博联科技有限责任公司 一种基于胸部ct影像的肺结节自动检测方法及系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080153900A1 (en) * 1996-12-02 2008-06-26 Angiotech International Ag Compositions and methods for treating or preventing imflammatory diseases
CN101933045A (zh) * 2008-01-31 2010-12-29 皇家飞利浦电子股份有限公司 短轴后期增强心脏mri的自动3d分割
WO2016077646A1 (en) * 2014-11-12 2016-05-19 Materialise N.V. System and method of improving surgical devices using captured images for efficient surgical plan development
CN105447458A (zh) * 2015-11-17 2016-03-30 深圳市商汤科技有限公司 一种大规模人群视频分析系统和方法
WO2017091833A1 (en) * 2015-11-29 2017-06-01 Arterys Inc. Automated cardiac volume segmentation
CN106127794A (zh) * 2016-07-29 2016-11-16 天津大学 基于可能性fcm算法mri肿瘤图像分割方法和系统
CN106920243A (zh) * 2017-03-09 2017-07-04 桂林电子科技大学 改进的全卷积神经网络的陶瓷材质件序列图像分割方法
CN107016681A (zh) * 2017-03-29 2017-08-04 浙江师范大学 基于全卷积网络的脑部mri肿瘤分割方法
CN107203989A (zh) * 2017-04-01 2017-09-26 南京邮电大学 基于全卷积神经网络的端对端胸部ct图像分割方法
CN107169421A (zh) * 2017-04-20 2017-09-15 华南理工大学 一种基于深度卷积神经网络的汽车驾驶场景目标检测方法
CN107239751A (zh) * 2017-05-22 2017-10-10 西安电子科技大学 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法
CN107239797A (zh) * 2017-05-23 2017-10-10 西安电子科技大学 基于全卷积神经网络的极化sar地物分类方法
CN107220980A (zh) * 2017-05-25 2017-09-29 重庆理工大学 一种基于全卷积网络的mri图像脑肿瘤自动分割方法
CN107229918A (zh) * 2017-05-26 2017-10-03 西安电子科技大学 一种基于全卷积神经网络的sar图像目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIANGRONG ZHOU等: "eep learning of the sectional appearances of 3D CT images for anatomical structure segmentation based on an FCN voting method", 《CT IMAGE SEGMENTATION BASED ON DEEP LEARNING》 *
郭树旭等: "基于全卷积神经网络的肝脏CT影像分割研究", 《计算机工程与应用》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127395A (zh) * 2019-11-19 2020-05-08 中国人民解放军陆军军医大学第一附属医院 一种基于swi图像和循环神经网络的血管识别方法
CN111127395B (zh) * 2019-11-19 2023-04-07 中国人民解放军陆军军医大学第一附属医院 一种基于swi图像和循环神经网络的血管识别方法
WO2021147218A1 (zh) * 2020-01-20 2021-07-29 平安科技（深圳）有限公司 医学影像识别检测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
WO2019109410A1 (zh) 2019-06-13

Similar Documents

Publication Publication Date Title
KR102645533B1 (ko) 이미지 식별 방법 및 기기, 식별 모델 훈련 방법 및 기기, 그리고 저장 매체
Zhou et al. Efficient skeletonization of volumetric objects
WO2022001623A1 (zh) 基于人工智能的图像处理方法、装置、设备及存储介质
JP2019193776A (ja) ディープラーニングに基づいたコンピュータ断層撮影肺結節検出法
CN109635711A (zh) 一种基于深度学习网络的病理图像分割方法
CN109785334A (zh) 心脏磁共振图像分割方法、装置、终端设备及存储介质
CN109300107A (zh) 磁共振血管壁成像的斑块处理方法、装置和计算设备
CN110047068A (zh) 基于金字塔场景分析网络的mri脑肿瘤分割方法及系统
CN109117773A (zh) 一种图像特征点检测方法、终端设备及存储介质
CN109886992A (zh) 用于分割mri图像中异常信号区的全卷积网络模型训练方法
CN104143193B (zh) 一种超声图像中目标对象分割方法、装置及系统
CN105210115A (zh) 使用2d图像数据来执行手势识别
CN107958230A (zh) 人脸表情识别方法及装置
CN110859642B (zh) 一种基于AlexNet网络模型实现医学影像辅助诊断的方法、装置、设备及存储介质
CN108830830A (zh) 一种脑萎缩程度的定量检测方法、检测装置及终端设备
Schneider et al. MedmeshCNN-Enabling meshcnn for medical surface models
CN110276741A (zh) 结节检测及其模型训练的方法和装置以及电子设备
CN109961446A (zh) Ct/mr三维图像分割处理方法、装置、设备及介质
CN112598656A (zh) 一种基于UNet++优化和权值预算的脑肿瘤分割算法
Shahedi et al. Segmentation of uterus and placenta in MR images using a fully convolutional neural network
CN110782427A (zh) 基于可分离空洞卷积的磁共振脑肿瘤自动分割方法
CN112183541A (zh) 一种轮廓提取方法及装置、电子设备、存储介质
CN114926603A (zh) 电厂数字孪生系统
Xiang et al. A novel weight pruning strategy for light weight neural networks with application to the diagnosis of skin disease
Toussaint et al. An Integrated Platform for Dynamic Cardiac Simulation and Image Processing: Application to Personalised Tetralogy of Fallot Simulation.

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190614

RJ01 Rejection of invention patent application after publication