CN111696119A - 核磁共振影像海马体分割方法及装置 - Google Patents
核磁共振影像海马体分割方法及装置 Download PDFInfo
- Publication number
- CN111696119A CN111696119A CN202010490664.6A CN202010490664A CN111696119A CN 111696119 A CN111696119 A CN 111696119A CN 202010490664 A CN202010490664 A CN 202010490664A CN 111696119 A CN111696119 A CN 111696119A
- Authority
- CN
- China
- Prior art keywords
- hippocampus
- mri
- task
- segmentation
- learning model
- 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
Links
- 210000001320 hippocampus Anatomy 0.000 title claims abstract description 114
- 230000011218 segmentation Effects 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005481 NMR spectroscopy Methods 0.000 title description 4
- 238000012549 training Methods 0.000 claims abstract description 20
- 210000004556 brain Anatomy 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 71
- 230000006870 function Effects 0.000 claims description 33
- 238000005070 sampling Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000013434 data augmentation Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 208000024827 Alzheimer disease Diseases 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 230000000971 hippocampal effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006999 cognitive decline Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 210000003715 limbic system Anatomy 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
- 210000001103 thalamus Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06T7/13—Edge detection
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明实施例提供一种MRI海马体分割方法及装置,所述方法包括:获取目标MRI;目标MRI中包含待分割的海马体;将目标MRI输入至预设的多任务学习模型,输出海马体分割概率图;多任务学习模型是基于人脑MRI海马体影像样本以及其对应的标签信息进行训练后得到的;多任务学习模型包括分割任务模块、边缘预测任务模块和距离回归任务模块;对海马体分割概率图进行二值化处理,得到海马体分割结果。本发明实施例提供的MRI海马体分割方法及装置,通过增加额外的边缘预测任务和距离回归任务对优化过程进行约束,使得模型对海马体边缘更为敏感,从而提高模型的泛化能力,提高了海马体分割的准确性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种核磁共振影像海马体分割方法及装置。
背景技术
海马体位于大脑丘脑和内侧颞叶之间,属于边缘系统的一部分,主要负责长时记忆的存储转换和定向等功能。海马体形状和体积的改变和阿尔茨海默病(Alzheimer’sDisease,AD)有着重要联系。AD是一种渐进性的,不可逆的脑部疾病,主要表现为认知下降和记忆丢失。对于AD的治疗,目前仍然没有比较有效的方法,及时通过核磁共振影像(Magnetic Resonance Imaging,MRI)发现海马体形状和体积的改变可以有效地减缓病情的发现。
目前,对海马体形状和体积的测量主要通过手动分割MRI海马体来实现。由于海马体在MRI中占比很小,形状不规则,对比度低与边缘模糊等因素,导致手动分割耗时耗力,可重复性差。因此,使用自动分割技术来减轻医生的工作量,提高分割的准确性不仅具有重要的学术价值,更具有重要的社会意义和广泛的应用前景。
发明内容
本发明实施例提供一种核磁共振影像海马体分割方法及装置,用于解决现有技术中的上述技术问题。
为了解决上述技术问题,第一方面,本发明实施例提供一种MRI海马体分割方法,包括:
获取目标MRI;所述目标MRI中包含待分割的海马体;
将所述目标MRI输入至预设的多任务学习模型,输出海马体分割概率图;所述多任务学习模型是基于人脑MRI海马体影像样本以及其对应的标签信息进行训练后得到的;所述多任务学习模型包括分割任务模块、边缘预测任务模块和距离回归任务模块;
对所述海马体分割概率图进行二值化处理,得到海马体分割结果。
进一步地,所述多任务学习模型共享一部分神经网络参数,共享模式包含参数硬共享和软共享,共享的网络结构部分为全卷积网络。
进一步地,所述全卷积网络由下采样通道、上采样通道、批归一化层和非线性激活函数层;
所述下采样通道由五个卷积模块组成,每个卷积模块包含两次步长为1的3x3x3卷积操作;两个卷积模块之间通过插入一次步长为2的3x3x3的卷积操作对特征图进行降采样;
所述上采样通道由五个卷积模块,通过步长为2的2x2x2的转置卷积对特征图进行升采样;
所述下采样通道和所述上采样通道中所有的卷积操作后依次连接批归一化层和非线性激活函数层。
进一步地,所述多任务学习模型的训练步骤如下:
初始化所述多任务学习模型的参数;
获取所述人脑MRI海马体影像样本以及其对应的标签信息;
将所述人脑MRI海马体影像样本输入所述多任务学习模型,根据输出结果和所述标签信息确定总损失函数;
根据所述损失函数确定所述多任务学习模型的参数的梯度,并利用预设的梯度下降优化算法更新所述多任务学习模型的参数。
进一步地,所述标签信息包含海马体掩膜图像、海马体边缘图像和海马体距离图像。
进一步地,所述总损失函数包括分割任务损失函数、边缘预测损失函数和距离回归损失函数。
进一步地,所述将所述人脑MRI海马体影像样本输入所述多任务学习模型之前,还包括:
对所述人脑MRI海马体影像样本进行数据增广。
第二方面,本发明实施例提供一种MRI海马体分割装置,包括:
获取模块,用于获取目标MRI;所述目标MRI中包含待分割的海马体;
输出模块,用于将所述目标MRI输入至预设的多任务学习模型,输出海马体分割概率图;所述多任务学习模型是基于人脑MRI海马体影像样本以及其对应的标签信息进行训练后得到的;所述多任务学习模型包括分割任务模块、边缘预测任务模块和距离回归任务模块;
处理模块,用于对所述海马体分割概率图进行二值化处理,得到海马体分割结果。
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,以及存储在所述存储器上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,实现上述第一方面提供的方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被处理器执行时,实现上述第一方面提供的方法的步骤。
本发明实施例提供的MRI海马体分割方法及装置,通过增加额外的边缘预测任务和距离回归任务对优化过程进行约束,使得模型对海马体边缘更为敏感,从而提高模型的泛化能力,提高了海马体分割的准确性。
附图说明
图1为本发明实施例提供的MRI海马体分割方法示意图;
图2为本发明实施例提供的多任务学习模型的架构示意图;
图3为本发明实施例提供的MRI海马体分割装置示意图;
图4为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了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。
图1为本发明实施例提供的MRI海马体分割方法示意图,如图1所示,本发明实施例提供一种MRI海马体分割方法,其执行主体为MRI海马体分割装置。该方法包括:
步骤S101、获取目标MRI;所述目标MRI中包含待分割的海马体;
步骤S102、将所述目标MRI输入至预设的多任务学习模型,输出海马体分割概率图;所述多任务学习模型是基于人脑MRI海马体影像样本以及其对应的标签信息进行训练后得到的;所述多任务学习模型包括分割任务模块、边缘预测任务模块和距离回归任务模块;
步骤S103、对所述海马体分割概率图进行二值化处理,得到海马体分割结果。
具体来说,主要包括以下步骤:
A1:获取人脑MRI海马体影像样本以及其对应的标签,分别对样本数据及其标签进行预处理,使用预处理后的样本数据及其标签作为训练集;在本实施例中,获取的原始图像数据集包含247组NRRD格式的人脑MRI海马体影像样本数据。其中,116组为增强型影像,131组影像为普通影像。海马体掩膜图像由一位具有超过五年经验的放射科医生勾画得到。对海马体掩膜图像使用3x3的Sobel算子以及σ=0.2的3x3的高斯核进行卷积运算后得到图像G,设定阈值α,将G>α判定为边界,从而得到海马体边缘图像。对海马体掩膜图进行距离变换得到海马体距离图像。对MRI海马体影像及标签进行裁剪得到大小为176x176x40的体数据及标签,同时保证裁剪完的数据能够覆盖到整个海马体。最后对裁剪完的MRI海马体影像进行min-max归一化。
A2:构建包含分割任务的多任务学习模型。图2为本发明实施例提供的多任务学习模型的架构示意图,如图2所示。三个任务采用参数硬共享的方式共享同一个编码器和解码器。共享网络部分包含下采样通道和上采样通道。下采样通道由五个卷积模块组成,每个卷积模块包含两次步长为1的3x3x3卷积操作。两个卷积模块之间通过插入一次步长为2的3x3x3的卷积操作对特征图进行降采样。上采样通道同样包含五个卷积模块,对特征图的升采样是通过步长为2的2x2x2的转置卷积实现的。下采样通道和上采样通道中所有的卷积操作后面接批归一化(Batch Normalization)以及ReLU非线性激活函数。此外,每个卷积模块使用残差连接对运算前和运算后的特征图进行相加操作。网络从最后一个共享的卷积模块开始分成三个分支,分别对应三个不同的任务。第一个任务为海马体分割任务,通过最后一个1x1x1的卷积操作使得输出的特征图的大小与输入影像一致,然后使用Sigmoid激活函数将输出转换成概率图。第二个任务为海马体边缘预测任务,执行的操作与第一个任务一致。第三个任务为海马体距离回归任务,不同于第一个任务使用Sigmoid激活函数,该任务使用Hardtanh激活函数将输出值映射到[0,1]。
A3:根据任务类型分别构建适用于该类任务的损失函数,基于分别构造的各个任务的损失函数计算总的损失函数;本实施例中采用的损失函数如下:
L=w1Lseg+w2Ledge+w3Ldist
其中,L为总的损失函数,Lseg为分割任务损失函数,Ledge为边缘预测损失函数,Ldist为距离回归损失函数,w1,w2,w3分别为Lseg,Ledge和Ldist对应的权重,p为标签,q为模型输出的预测值。权重w1,w2和w3采用GradientNormalization算法进行动态调整。首先计算各个任务的损失函数关于最后一个共享卷积层参数的梯度▽Wwi(t)Li(t),其中,W为最后一个共享卷积层的参数,Li(t)为第i个任务在t时刻的损失函数值,wi(t)为Li(t)对应的权重。然后计算和其中,‖·‖2为L2范数,Etask[·]表示求均值。此外,定义参数其中,ri(t)可以用来表示各个任务的训练速度,ri(t)越大,对应的任务训练速度越慢。优化的目标是希望各个任务的计算得到的梯度强度相似,并且给予训练速度慢的任务更大的权重,即其中,α是一个额外的超参数。最后,权重wi(t)的更新可以通过最小化如下的损失函数来实现:
其中,|·|为1范数。
A4:使用步骤A1中预处理完的数据及标签对模型进行训练;训练过程具体为:
B1:初始化模型参数;本实施例中对所有的卷积层参数的权重使用KaimingUniform初始化,将Batch Normalization层的权重初始化成1,偏置初始化成0。
B2:将步骤A1中预处理后的数据以及标签划分成训练集和测试集;其中训练集用于训练模型,测试集用于评估模型;本实施例中,使用5折交叉验证的方法对模型进行训练评估。
B3:将训练集中的MRI海马体影像组织成mini-batch并对数据进行增广,然后输入模型,利用模型输出以及标签信息计算损失函数;在本实施例中,batch size大小设置为1,数据增广方法采用随机翻转和随机旋转。
B4:利用反向传播算法计算模型参数的梯度,使用梯度下降优化算法更新模型参数;在本实施例中,使用的梯度下降优化算法为RAdam和Lookahead。
B5:重复步骤B3-B4直到模型收敛;
A5:使用训练完的得到海马体分割概率图,并设定阈值对概率图进行二值化处理,得到海马体分割结果;在本实施例中使用的阈值为0.5。
本发明实施例提供的MRI海马体分割方法,与手动分割方法相比,本发明可以减轻医生的工作量,提高分割的准确性。与现有的基于深度学习的自动分割方法相比,本方法通过增加额外的边缘预测任务和距离回归任务对优化过程进行约束,使得模型对海马体边缘更为敏感,从而使分割结果更加准确。
基于上述任一实施例,图3为本发明实施例提供的MRI海马体分割装置示意图,如图3所示,本发明实施例提供一种MRI海马体分割装置,包括:获取模块301、输出模块302和处理模块303,其中:
获取模块301用于获取目标MRI;所述目标MRI中包含待分割的海马体;输出模块302用于将所述目标MRI输入至预设的多任务学习模型,输出海马体分割概率图;所述多任务学习模型是基于人脑MRI海马体影像样本以及其对应的标签信息进行训练后得到的;所述多任务学习模型包括分割任务模块、边缘预测任务模块和距离回归任务模块;处理模块303用于对所述海马体分割概率图进行二值化处理,得到海马体分割结果。
具体来说,本发明实施例提供一种MRI海马体分割装置,用于执行上述相应实施例中的方法,通过本实施例提供的装置执行上述相应实施例中所述方法的具体步骤与上述相应实施例相同,此处不再赘述。
本发明实施例提供的MRI海马体分割装置,与手动分割方法相比,本发明可以减轻医生的工作量,提高分割的准确性。与现有的基于深度学习的自动分割方法相比,本方法通过增加额外的边缘预测任务和距离回归任务对优化过程进行约束,使得模型对海马体边缘更为敏感,从而使分割结果更加准确。
图4为本发明实施例提供的电子设备的结构示意图,如图4所示,该电子设备包括:处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403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可以调用存储在存储器403上并可在处理器401上运行的计算机程序,以执行下述步骤:
获取目标MRI;所述目标MRI中包含待分割的海马体;
将所述目标MRI输入至预设的多任务学习模型,输出海马体分割概率图;所述多任务学习模型是基于人脑MRI海马体影像样本以及其对应的标签信息进行训练后得到的;所述多任务学习模型包括分割任务模块、边缘预测任务模块和距离回归任务模块;
对所述海马体分割概率图进行二值化处理,得到海马体分割结果。
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-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被处理器执行时,实现上述各方法实施例中的步骤,例如包括:
获取目标MRI;所述目标MRI中包含待分割的海马体;
将所述目标MRI输入至预设的多任务学习模型,输出海马体分割概率图;所述多任务学习模型是基于人脑MRI海马体影像样本以及其对应的标签信息进行训练后得到的;所述多任务学习模型包括分割任务模块、边缘预测任务模块和距离回归任务模块;
对所述海马体分割概率图进行二值化处理,得到海马体分割结果。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
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。
Claims (10)
1.一种核磁共振影像MRI海马体分割方法,其特征在于,包括:
获取目标MRI;所述目标MRI中包含待分割的海马体;
将所述目标MRI输入至预设的多任务学习模型,输出海马体分割概率图;所述多任务学习模型是基于人脑MRI海马体影像样本以及其对应的标签信息进行训练后得到的;所述多任务学习模型包括分割任务模块、边缘预测任务模块和距离回归任务模块;
对所述海马体分割概率图进行二值化处理,得到海马体分割结果。
2.根据权利要求1所述的MRI海马体分割方法,其特征在于,所述多任务学习模型共享一部分神经网络参数,共享模式包含参数硬共享和软共享,共享的网络结构部分为全卷积网络。
3.根据权利要求2所述的MRI海马体分割方法,其特征在于,所述全卷积网络由下采样通道、上采样通道、批归一化层和非线性激活函数层;
所述下采样通道由五个卷积模块组成,每个卷积模块包含两次步长为1的3x3x3卷积操作;两个卷积模块之间通过插入一次步长为2的3x3x3的卷积操作对特征图进行降采样;
所述上采样通道由五个卷积模块,通过步长为2的2x2x2的转置卷积对特征图进行升采样;
所述下采样通道和所述上采样通道中所有的卷积操作后依次连接批归一化层和非线性激活函数层。
4.根据权利要求1所述的MRI海马体分割方法,其特征在于,所述多任务学习模型的训练步骤如下:
初始化所述多任务学习模型的参数;
获取所述人脑MRI海马体影像样本以及其对应的标签信息;
将所述人脑MRI海马体影像样本输入所述多任务学习模型,根据输出结果和所述标签信息确定总损失函数;
根据所述损失函数确定所述多任务学习模型的参数的梯度,并利用预设的梯度下降优化算法更新所述多任务学习模型的参数。
5.根据权利要求4所述的MRI海马体分割方法,其特征在于,所述标签信息包含海马体掩膜图像、海马体边缘图像和海马体距离图像。
6.根据权利要求4所述的MRI海马体分割方法,其特征在于,所述总损失函数包括分割任务损失函数、边缘预测损失函数和距离回归损失函数。
7.根据权利要求4所述的MRI海马体分割方法,其特征在于,所述将所述人脑MRI海马体影像样本输入所述多任务学习模型之前,还包括:
对所述人脑MRI海马体影像样本进行数据增广。
8.一种MRI海马体分割装置,其特征在于,包括:
获取模块,用于获取目标MRI;所述目标MRI中包含待分割的海马体;
输出模块,用于将所述目标MRI输入至预设的多任务学习模型,输出海马体分割概率图;所述多任务学习模型是基于人脑MRI海马体影像样本以及其对应的标签信息进行训练后得到的;所述多任务学习模型包括分割任务模块、边缘预测任务模块和距离回归任务模块;
处理模块,用于对所述海马体分割概率图进行二值化处理,得到海马体分割结果。
9.一种电子设备,包括存储器、处理器,以及存储在所述存储器上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7任一项所述MRI海马体分割方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,当所述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MRI海马体分割方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010490664.6A CN111696119A (zh) | 2020-06-02 | 2020-06-02 | 核磁共振影像海马体分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010490664.6A CN111696119A (zh) | 2020-06-02 | 2020-06-02 | 核磁共振影像海马体分割方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111696119A true CN111696119A (zh) | 2020-09-22 |
Family
ID=72479275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010490664.6A Pending CN111696119A (zh) | 2020-06-02 | 2020-06-02 | 核磁共振影像海马体分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111696119A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183547A (zh) * | 2020-10-19 | 2021-01-05 | 中国科学院计算技术研究所 | 基于多模态数据的多任务学习方法及系统 |
CN112950600A (zh) * | 2021-03-10 | 2021-06-11 | 武汉联影智融医疗科技有限公司 | 脑标识提取方法、装置、计算机设备和存储介质 |
CN114663474A (zh) * | 2022-03-10 | 2022-06-24 | 济南国科医工科技发展有限公司 | 一种用于持镜机器人的腹腔镜视野中多器械视觉追踪方法 |
CN115546239A (zh) * | 2022-11-30 | 2022-12-30 | 珠海横琴圣澳云智科技有限公司 | 基于边界注意力与距离变换的目标分割方法和装置 |
CN115797632A (zh) * | 2022-12-01 | 2023-03-14 | 北京科技大学 | 一种基于多任务学习的图像分割方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969626A (zh) * | 2019-11-27 | 2020-04-07 | 西南交通大学 | 基于3d神经网络的人脑核磁共振影像的海马体提取方法 |
-
2020
- 2020-06-02 CN CN202010490664.6A patent/CN111696119A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969626A (zh) * | 2019-11-27 | 2020-04-07 | 西南交通大学 | 基于3d神经网络的人脑核磁共振影像的海马体提取方法 |
Non-Patent Citations (1)
Title |
---|
刘东: "视网膜病变相干光断层成像中的分割算法研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183547A (zh) * | 2020-10-19 | 2021-01-05 | 中国科学院计算技术研究所 | 基于多模态数据的多任务学习方法及系统 |
CN112950600A (zh) * | 2021-03-10 | 2021-06-11 | 武汉联影智融医疗科技有限公司 | 脑标识提取方法、装置、计算机设备和存储介质 |
CN114663474A (zh) * | 2022-03-10 | 2022-06-24 | 济南国科医工科技发展有限公司 | 一种用于持镜机器人的腹腔镜视野中多器械视觉追踪方法 |
CN115546239A (zh) * | 2022-11-30 | 2022-12-30 | 珠海横琴圣澳云智科技有限公司 | 基于边界注意力与距离变换的目标分割方法和装置 |
CN115797632A (zh) * | 2022-12-01 | 2023-03-14 | 北京科技大学 | 一种基于多任务学习的图像分割方法 |
CN115797632B (zh) * | 2022-12-01 | 2024-02-09 | 北京科技大学 | 一种基于多任务学习的图像分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111696119A (zh) | 核磁共振影像海马体分割方法及装置 | |
CN111476719B (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
US20190050981A1 (en) | System and method for automatically detecting a target object from a 3d image | |
CN109410216B (zh) | 一种缺血性脑卒中图像区域分割方法及装置 | |
CN110298844B (zh) | X光造影图像血管分割与识别方法及装置 | |
CN112308866B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113269737B (zh) | 一种眼底视网膜动静脉血管直径计算方法及系统 | |
CN113256592B (zh) | 图像特征提取模型的训练方法、系统及装置 | |
US20220351863A1 (en) | Method and System for Disease Quantification of Anatomical Structures | |
Dwyer et al. | DeepGRAI (deep gray rating via artificial intelligence): fast, feasible, and clinically relevant thalamic atrophy measurement on clinical quality T2-FLAIR MRI in multiple sclerosis | |
CN113763371A (zh) | 病理图像的细胞核分割方法及装置 | |
US11200669B2 (en) | Systems and methods for determining plasma input function used in positron emission tomography imaging | |
US11756208B2 (en) | Digital image boundary detection | |
CN115239655A (zh) | 一种甲状腺超声影像肿瘤分割分类方法及装置 | |
CN118115991A (zh) | 一种无标记成纤维型细胞数量与铺满率计算方法及系统 | |
CN111358430B (zh) | 一种磁共振成像模型的训练方法及装置 | |
CN116385467B (zh) | 基于自监督学习的脑血管分割方法及相关设备 | |
Li et al. | Sparse convolutional neural network for high-resolution skull shape completion and shape super-resolution | |
WO2019109410A1 (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 | |
CN110634119B (zh) | 分割磁敏感加权图像中静脉血管的方法、装置和计算设备 | |
Lim et al. | Automatic artifact detection algorithm in fetal MRI | |
CN116758093A (zh) | 一种图像分割方法、模型训练方法、装置、设备及介质 | |
CN114049315B (zh) | 关节识别方法、电子设备、存储介质及计算机程序产品 | |
US20220130065A1 (en) | Method for analyzing thickness of cortical region | |
CN112734726B (zh) | 一种血管造影的分型方法、装置以及设备 |
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: 20200922 |
|
RJ01 | Rejection of invention patent application after publication |