CN113763406B - 基于半监督学习的婴儿脑mri分割方法 - Google Patents
基于半监督学习的婴儿脑mri分割方法 Download PDFInfo
- Publication number
- CN113763406B CN113763406B CN202110859051.XA CN202110859051A CN113763406B CN 113763406 B CN113763406 B CN 113763406B CN 202110859051 A CN202110859051 A CN 202110859051A CN 113763406 B CN113763406 B CN 113763406B
- Authority
- CN
- China
- Prior art keywords
- mri
- resolution
- segmentation
- loss
- 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.)
- Active
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 64
- 210000004556 brain Anatomy 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000002595 magnetic resonance imaging Methods 0.000 title description 80
- 230000000694 effects Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 210000004884 grey matter Anatomy 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 210000004885 white matter Anatomy 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 3
- 210000005013 brain tissue Anatomy 0.000 abstract description 4
- 230000011157 brain segmentation Effects 0.000 abstract description 2
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 238000002372 labelling Methods 0.000 abstract description 2
- 206010003805 Autism Diseases 0.000 description 3
- 208000020706 Autistic disease Diseases 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 206010015037 epilepsy Diseases 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004641 brain development Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 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
- G06T7/13—Edge detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- 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)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Heart & Thoracic Surgery (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- High Energy & Nuclear Physics (AREA)
- Fuzzy Systems (AREA)
- Radiology & Medical Imaging (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明属于医学图像分割领域,提供一种基于半监督学习的婴儿脑MRI分割方法,该方法利用三维SRGAN模型将正常分辨率的MRI生成为高分辨率的MRI,然后将正常分辨率的MRI和提高分辨率的MRI共同输入到HLUNet模型中进行分割,三维SRGAN模型生成高分辨率的MRI扩充了数据量,提高了婴儿脑组织边界图像分辨率,提高了分割效果。本发明基于半监督学习的脑分割方法,节省了大量的打标签的资源消耗,适用于医学临床场景。
Description
技术领域
本发明属于医学图像分割领域,具体涉及一种基于半监督学习的婴儿脑磁共振成像(Magnetic Resonance Image,MRI)分割方法。
背景技术
婴儿脑MRI分割是指将婴儿脑组织根据体积、纹理、结构、功能等分割成几个甚至几十个脑区。儿童脑部相关疾病患者数量逐年增多,分析和评测儿童脑发育已经成为一个热门的研究课题。其中,将婴儿脑MRI分割为灰质、白质、脑脊液三类对研究人类大脑早期发育以及在临床上识别和治疗癫痫、自闭症等脑部疾病有着重要的作用。由于6个月大的婴儿脑组织边缘对比度低、脑体积小、MRI成像不清晰等原因,自动分割方法还存在很大的挑战性。手工分割一个婴儿的脑MRI需要一个专业医生花费一周左右的时间,所以开发一种有效的自动分割脑MRI的方法是很有必要的。
综上,目前婴儿脑MRI分割的难点有以下2个:
1.婴儿脑MRI组织边界不清晰;
2.带标签的婴儿脑MRI影像数据量少。
目前针对婴儿脑MRI的分割方法主要有三种:第一种,基于图集的方法,该方法利用专家标记好的图谱进行配准,再映射到需要分割的影像中,这对于配准步骤的要求很高,由于人脑之间的差异性导致这种分割方法的泛化性并不高。第二种,基于机器学习的方法对MRI的每一个像素点进行分类,该分割效果取决于人为预先选定的特征,由于多模态三维MRI的复杂性,这种方法的效果不能满足实际需要。第三种,随着深度学习技术的长足发展,越来越多的科研工作者开始在此研究中取得可喜的成果,基本模型包括卷积神经网络(Convolutional Neural Networks,CNN),全连接神经网络(Fully ConvolutionalNetworks,FCN),UNet(U型网络),VNet(V型网络)等,目前效果最先进的架构主要是基于3DUNet(三维U型网络)并且应用多模态的MRI图像的方法,例如基于三维全卷积的密集网络,在3D UNet网络上应用空洞卷积金字塔下采样和自我注意机制等方法。
综上,现有的基于UNet的婴儿脑MRI分割方法的局限性在于:
1.样本数量不足,复杂模型无法充分学习婴儿脑MRI特征;
2.在复杂组织结构中,分割效果较差。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于半监督学习的婴儿脑MRI分割方法,该方法能有效的分割婴儿脑MRI图像,从而为临床上治疗和诊断癫痫、自闭症等疾病提供一种有效的工具。
本发明的目的是通过以下技术措施实现的。
本发明提供一种基于半监督学习的婴儿脑MRI分割方法,包括以下步骤:
(1)利用无标签的MRI数据训练三维SRGAN模型,生成高分辨率的MRI,提高分辨率的MRI有利于解决边界模糊的问题;
(2)将三维SRGAN模型生成的高分辨率的MRI和正常分辨率的MRI一起作为分割模型的数据输入;其中分割模型为HLUNet(高低分辨率的U型网络,H代表高分辨率,L代表低分辨率)模型;
(3)使用基于半监督学习的均衡教师框架搭建半监督婴儿脑MRI的分割网络,均衡教师框架内教师网络和学生网络使用的分割模型为步骤(2)中的HLUNet模型;
(4)对HLUNet模型进行基于均衡教师框架的训练,损失包括分割损失与一致性正则约束损失;
(5)使用经步骤(4)训练后的HLUNet模型对婴儿脑MRI进行分割,得到分割结果;
(6)对HLUNet模型分割结果和真实标签之间计算相应的指标分数,用以评价模型分割效果。指标分数包括Dice系数(Dice Coefficient)和平均表面距离(Average SurfaceDistance,ASD)。
在上述技术方案中,步骤(1)中的三维SRGAN模型是用以提高图像分辨率的生成对抗网络,将正常分辨率的脑MRI输入三维SRGAN模型,在三维SRGAN模型内先经历特征学习,然后使用插值法放大尺寸生成高分辨率的脑MRI。步骤(1)放大了正常MRI的尺寸,所产生的这些间隙体素使用三维SRGAN模型经过特征学习后再来填充,有效的改善了婴儿脑MRI边界模糊的问题。
在上述技术方案中,步骤(2)中将正常分辨率的MRI定义为XL,高分辨率的MRI定义为XH,其中
即高分辨MRI的长L、宽W、高H是正常分辨率MRI的2倍。
在上述技术方案中,步骤(2)中HLUNet模型是基于传统UNet模型的修改,用以满足正常图像和其放大2倍长、宽、高的图像的共同输入;具体的,在传统的UNet编码和解码结构基础上,新增了一条专门处理高分辨率图像的编码流程。该流程所产生的特征集和正常分辨率图像编码流程产生的特征集一起作为解码流程输入。正常分辨率图像的编码解码流程都是4层结构,而高分辨率图像的编码流程有5层结构。高分辨图像尺寸是正常分辨率图像的2倍,要多加一步下采样过程,使之在尺寸上能与正常分辨率的图像在同一层能够对齐。
在每一层上,每个输入特征集都经过2次卷积操作。最底层将高分辨率图像特征和正常分辨率图像特征经过拼接后再做卷积操作,得到了上采样处理的输入。在解码阶段,将来自高分辨率的特征和正常分辨率的特征以及从下一层上采样而来的特征级联到一起,然后再做卷积操作。经过上述编码解码处理,最后输出分割为灰质、白质、脑脊液和背景4个类别的图像。
在上述技术方案中,步骤(3)中半监督婴儿脑MRI分割网络结构基于均衡教师框架,均衡教师框架内的学生网络和教师网络都由HLUNet模型构成,学生网络和教师网络共享权重参数,教师网络指导学生网络通过指数移动平均策略(Exponential MovingAverage,EMA)来更新权重参数的值。
在上述技术方案中,步骤(4)正常分辨率的MRI图像和经过三维SRGAN模型提高了分辨率的MRI图像作为整个网络的输入,标签为正常分辨率MRI对应的标签,计算学生网络的输出和标签之间的分割损失,计算教师网络输出和学生网络输出的一致性正则约束损失;教师网络执行两次,然后两次输出分别与学生网络的输出计算一致性损失,将这两个结果的平均值作为一致性正则约束的损失,将一致性正则约束损失和分割损失一起传回网络,调整分割网络的权重参数;
分割损失由交叉熵损失LCE和Dice损失LDice构成;
交叉熵损失LCE表示为:
其中,N表示样本总数量,Yi表示真实的标签,表示预测的输出;
Dice损失LDice表示为:
其中,和|Yi|分别表示预测结果和真实标签,/>表示/>和|Y|的交集;
分割损失表示为:
LSEG=LCE+LDice
使用均方误差LMSE来表示一致性正则约束LC;
均方误差LMSE表示如下:
方法总的损失函数loss表示为:
loss=LC+LSEG。
在上述技术方案中,步骤(6)中Dice系数用以评价两个图像之间的相似程度,平均表面距离ASD计算图像内所有点的距离的平均数。
本发明利用深度学习的技术提出一种基于半监督学习的婴儿脑MRI分割方法,该方法能有效的分割婴儿脑MRI图像,从而为临床上治疗和诊断癫痫、自闭症等疾病提供一种有效的工具。由于医学影像的注释需要大量的人力物力,而半监督学习可以利用有标签的图像和无标签的图像一起进行学习。利用超分辨率生成对抗网络(Super-ResolutionUsing a Generative Adversarial Network,SRGAN)将正常分辨率的MRI生成为高分辨率的MRI,然后将正常分辨率的MRI和提高分辨率的MRI共同输入到HLUNet模型中进行分割。三维SRGAN模型生成高分辨率的MRI扩充数据量,提高了婴儿脑组织边界图像分辨率,提高了分割效果。基于半监督学习的脑分割方法,节省了大量的打标签的资源消耗,适用于医学临床场景。
附图说明
图1是本发明中HLUNet模型的结构图。
图2是本发明半监督婴儿脑MRI的分割网络的整体结构图。
图3是本发明基于半监督学习的婴儿脑MRI分割方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施案例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施案例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施数据集:采用iseg2017婴儿脑MRI数据集,该数据集采集了6个月左右婴儿的脑影像,包括了T1加权图像,T2加权图像以及图像所对应的标签。
评价指标:Dice系数和ASD。
本实施例提供基于半监督学习的婴儿脑MRI分割方法,其特征在于该方法包括以下步骤:
(1)对有标签的和无标签的MRI分别进行数据预处理;
①缩减MRI尺寸,去除无用信息;
②标准化MRI,降低图像离散程度,增强训练效果;
③将MRI裁减成立方的小块MRI,以适应模型和硬件限制。
(2)使用无标签的婴儿脑MRI数据训练三维SRGAN模型,生成高分辨率的MRI,提高分辨率的MRI有利于解决边界模糊的问题;
(3)将步骤(1)处理后的有标签的小块输入步骤(2)训练好的三维SRGAN模型中,生成提高分辨率的MRI小块;
(4)将步骤(1)中正常有标签的小块和步骤(3)中生成的提高分辨率的小块,共同输入HLUNet分割网络,学习HLUNet分割网络的分割损失和一致性损失,将调优后的权重参数保存;
①利用HLUNet(高低分辨率的U型网络,H代表高分辨率,L代表低分辨率)模型,接收高分辨率的MRI和正常分辨率的MRI的共同输入;
②使用基于半监督学习的均衡教师框架搭建半监督婴儿脑MRI的分割网络,均衡教师框架内的教师网络和学生网络使用的分割模型是①的HLUNet模型。教师网络和学生网络对分割婴儿脑MRI的预测结果进行分割损失和一致性正则约束的学习;
(5)使用经步骤(4)训练后的HLUNet模型对婴儿脑MRI进行分割,得到分割结果;
(6)对HLUNet模型分割结果和真实标签之间计算相应的指标分数,用以评价模型分割效果。指标分数包括Dice系数(Dice Coefficient)和平均表面距离(Average SurfaceDistance,ASD)。
在上述实施例中,步骤(1)中的三维SRGAN模型是用以提高图像分辨率的生成对抗网络,将正常分辨率的脑MRI输入三维SRGAN模型,在三维SRGAN模型内先经历特征学习,然后使用插值法放大尺寸生成高分辨率的脑MRI。步骤(1)放大了正常MRI的尺寸,所产生的这些间隙体素使用三维SRGAN模型经过特征学习后再来填充,有效的改善了婴儿脑MRI边界模糊的问题。
在上述实施例中,步骤(2)中将正常分辨率的MRI定义为XL,高分辨率的MRI定义为XH,其中
即高分辨MRI的长L、宽W、高H是正常分辨率MRI的2倍。
在上述实施例中,步骤(3)中HLUNet模型是基于传统UNet模型的修改,用以满足正常图像和其放大2倍长、宽、高的图像的共同输入;如图1所示,具体的,左边2列是图像编码过程,右边一列是解码过程。横向实线箭头表示卷积操作,由上到下指向的实线箭头表示最大池化操作,由下到上指向的实线箭头表示上采样操作,虚线箭头表示跳跃连接操作。
左边第一列的输入是提高分辨率图像,左边第二列的输入是正常分辨率图像。正常分辨率图像的编码解码流程都是4层结构,而高分辨率图像的编码流程有5层结构。高分辨率图像经过了高分辨率的图像编码过程比正常分辨率图像编码过程多了一层,这是因为高分辨的图像的尺寸是正常分辨率图像的2倍,要多加一步下采样过程,使之在尺寸上能与正常分辨率的图像在同一层能够对齐。
在每一层上,每个输入特征集都经过2次卷积操作。最底层将高分辨率图像特征和正常分辨率图像特征经过拼接后再做卷积操作,得到上采样处理的输入。在解码阶段,将来自高分辨率的特征和正常分辨率的特征以及从下一层上采样而来的特征级联到一起,然后再做卷积操作。经过上述编码解码处理,最后输出分割为灰质、白质、脑脊液和背景4个类别的图像。
在上述实施例中,步骤(4)中整体的半监督婴儿脑MRI分割网络结构如图2所示,学生网络和教师网络都由HLUNet模型构成,学生网络和教师网络共享权重参数,教师网络指导学生网络通过指数移动平均策略(Exponential Moving Average,EMA)来更新权重参数的值;正常分辨率的MRI图像和经过三维SRGAN模型提高了分辨率的MRI图像作为整个网络的输入,标签为正常分辨率MRI对应的标签,计算学生网络的输出和标签之间的分割损失,计算教师网络输出和学生网络输出的一致性正则约束损失;教师网络执行两次,然后两次输出分别与学生网络的输出计算一致性损失,将这两个结果的平均值作为一致性正则约束的损失,将一致性正则约束损失和分割损失一起传回网络,调整分割网络的权重参数;
分割损失由交叉熵损失LCE和Dice损失LDice构成;
交叉熵损失LCE表示为:
其中,N表示样本总数量,Yi表示真实的标签,表示预测的输出;
Dice损失LDice表示为:
其中,和|Yi|分别表示预测结果和真实标签,/>表示/>和|Y|的交集;
分割损失表示为:
LSEG=LCE+LDice
使用均方误差LMSE来表示一致性正则约束LC;
均方误差LMSE表示如下:
方法总的损失函数loss表示为:
loss=LC+LSEG。
在上述实施例中,步骤(6)中Dice系数用以评价两个图像之间的相似程度,平均表面距离ASD计算图像内所有点的距离的平均数。
本说明书中未作详细描述的内容,属于本专业技术人员公知的现有技术。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进,均应包含在本发明的保护范围之内。
Claims (1)
1.基于半监督学习的婴儿脑MRI分割方法,其特征在于该方法包括以下步骤:
(1)利用无标签的MRI数据训练三维SRGAN模型,生成高分辨率的MRI;
三维SRGAN模型是用以提高图像分辨率的生成对抗网络,将正常分辨率的脑MRI输入三维SRGAN模型,在三维SRGAN模型内先经历特征学习,然后使用插值法放大尺寸生成高分辨率的脑MRI;
(2)将三维SRGAN模型生成的高分辨率的MRI和正常分辨率的MRI一起作为分割模型的数据输入,其中分割模型为HLUNet模型;具体为将正常分辨率的MRI定义为XL,高分辨率的MRI定义为XH,其中
即高分辨MRI的长L、宽W、高H是正常分辨率MRI的2倍;
HLUNet模型是基于传统UNet模型的修改,用以满足正常图像和其放大2倍长、宽、高的图像的共同输入;具体的,在传统的UNet编码和解码结构基础上,新增了一条专门处理高分辨率图像的编码流程,该流程所产生的特征集和正常分辨率图像编码流程产生的特征集一起作为解码流程输入,正常分辨率图像的编码解码流程是4层结构,而高分辨率图像的编码流程有5层结构,在每一层上,每个输入特征集都经过2次卷积操作,最底层将高分辨率图像特征和正常分辨率图像特征经过拼接后再做卷积操作,得到上采样处理的输入;在解码阶段,将来自高分辨率的特征和正常分辨率的特征以及从下一层上采样而来的特征级联到一起,然后再做卷积操作,经过上述编码解码处理,最后输出分割为灰质、白质、脑脊液和背景4个类别的图像;
(3)使用基于半监督学习的均衡教师框架搭建半监督婴儿脑MRI的分割网络,均衡教师框架内教师网络和学生网络使用的分割模型为步骤(2)中的HLUNet模型;
半监督婴儿脑MRI分割网络结构基于均衡教师框架,均衡教师框架内的学生网络和教师网络都由HLUNet构成,学生网络和教师网络共享权重参数,教师网络指导学生网络通过指数移动平均策略来更新权重参数的值;
(4)对HLUNet模型进行基于均衡教师框架的训练,损失包括分割损失与一致性正则约束损失;具体为
正常分辨率的MRI图像和经过三维SRGAN模型提高了分辨率的MRI图像作为整个网络的输入,标签为正常分辨率MRI对应的标签,计算学生网络的输出和标签之间的分割损失,计算教师网络输出和学生网络输出的一致性正则约束损失;教师网络执行两次,然后两次输出分别与学生网络的输出计算一致性损失,将这两个结果的平均值作为一致性正则约束的损失,将一致性正则约束损失和分割损失一起传回网络,调整分割网络的权重参数;
分割损失由交叉熵损失LCE和Dice损失LDice构成;
交叉熵损失LCE表示为:
其中,N表示样本总数量,Yi表示真实的标签,表示预测的输出;
Dice损失LDice表示为:
其中,和|Yi|分别表示预测结果和真实标签,/>表示/>和|Y|的交集;
分割损失表示为:
LSEG=LCE+LDice
使用均方误差LMSE来表示一致性正则约束LC;
均方误差LMSE表示如下:
方法总的损失函数loss表示为:
loss=LC+LSEG;
(5)使用经步骤(4)训练后的HLUNet模型对婴儿脑MRI进行分割,得到分割结果;
(6)对HLUNet模型分割结果和真实标签之间计算相应的指标分数,用以评价模型分割效果,指标分数包括Dice系数和平均表面距离ASD;
Dice系数用以评价两个图像之间的相似程度,平均表面距离ASD计算图像内所有点的距离的平均数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110859051.XA CN113763406B (zh) | 2021-07-28 | 2021-07-28 | 基于半监督学习的婴儿脑mri分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110859051.XA CN113763406B (zh) | 2021-07-28 | 2021-07-28 | 基于半监督学习的婴儿脑mri分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113763406A CN113763406A (zh) | 2021-12-07 |
CN113763406B true CN113763406B (zh) | 2024-04-26 |
Family
ID=78788061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110859051.XA Active CN113763406B (zh) | 2021-07-28 | 2021-07-28 | 基于半监督学习的婴儿脑mri分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113763406B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114418954A (zh) * | 2021-12-24 | 2022-04-29 | 中国科学院深圳先进技术研究院 | 一种基于互学习的半监督医学图像分割方法及其系统 |
CN114708436B (zh) * | 2022-06-02 | 2022-09-02 | 深圳比特微电子科技有限公司 | 语义分割模型的训练方法、语义分割方法、装置和介质 |
CN115018836A (zh) * | 2022-08-08 | 2022-09-06 | 四川大学 | 一种癫痫病灶自动分割与预测方法、系统及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3156908A1 (en) * | 2015-01-06 | 2016-07-14 | David Burton | Mobile wearable monitoring systems |
CN110114834A (zh) * | 2016-11-23 | 2019-08-09 | 通用电气公司 | 用于医疗程序的深度学习医疗系统和方法 |
CN112150478A (zh) * | 2020-08-31 | 2020-12-29 | 温州医科大学 | 一种构建半监督图像分割框架的方法及系统 |
CN113139974A (zh) * | 2021-04-13 | 2021-07-20 | 广东工业大学 | 基于半监督学习的病灶分割模型训练、应用方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111192682B (zh) * | 2019-12-25 | 2024-04-09 | 上海联影智能医疗科技有限公司 | 一种影像操练数据处理方法、系统及存储介质 |
-
2021
- 2021-07-28 CN CN202110859051.XA patent/CN113763406B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3156908A1 (en) * | 2015-01-06 | 2016-07-14 | David Burton | Mobile wearable monitoring systems |
CN110114834A (zh) * | 2016-11-23 | 2019-08-09 | 通用电气公司 | 用于医疗程序的深度学习医疗系统和方法 |
CN112150478A (zh) * | 2020-08-31 | 2020-12-29 | 温州医科大学 | 一种构建半监督图像分割框架的方法及系统 |
CN113139974A (zh) * | 2021-04-13 | 2021-07-20 | 广东工业大学 | 基于半监督学习的病灶分割模型训练、应用方法 |
Non-Patent Citations (1)
Title |
---|
医学图像分析深度学习方法研究与挑战;田娟秀;刘国才;谷珊珊;鞠忠建;刘劲光;顾冬冬;;自动化学报(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113763406A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113763406B (zh) | 基于半监督学习的婴儿脑mri分割方法 | |
CN109191476B (zh) | 基于U-net网络结构的生物医学图像自动分割新方法 | |
CN111161273B (zh) | 一种基于深度学习的医学超声图像分割方法 | |
CN110322435A (zh) | 一种基于深度学习的胃癌病理图像癌变区域分割方法 | |
CN107609638A (zh) | 一种基于线性解码器和插值采样优化卷积神经网络的方法 | |
Yang et al. | Mask2Defect: A prior knowledge-based data augmentation method for metal surface defect inspection | |
CN104484886B (zh) | 一种mr图像的分割方法及装置 | |
CN109920538B (zh) | 一种基于数据增强的零样本学习方法 | |
CN116309648A (zh) | 一种基于多注意力融合的医学图像分割模型构建方法 | |
CN113724206B (zh) | 一种基于自监督学习的眼底图像血管分割方法及系统 | |
CN111179275A (zh) | 一种医学超声图像分割方法 | |
CN115311194A (zh) | 一种基于transformer和SE块的CT自动肝脏图像分割方法 | |
CN112288749A (zh) | 一种基于深度迭代融合深度学习模型的颅骨图像分割方法 | |
CN113506222A (zh) | 一种基于卷积神经网络的多模态图像超分辨方法 | |
CN116188509A (zh) | 一种高效率三维图像分割方法 | |
CN116468732A (zh) | 基于深度学习的肺部ct影像分割方法及成像方法 | |
CN114862800A (zh) | 基于几何一致性约束的半监督医学图像分割方法 | |
CN114387282A (zh) | 一种医学影像器官精准自动分割方法及系统 | |
CN112489048B (zh) | 一种基于深度网络的视神经自动分割方法 | |
Qian et al. | Unet#: a Unet-like redesigning skip connections for medical image segmentation | |
CN115565671A (zh) | 基于跨模型相互教学半监督的房颤辅助分析方法 | |
CN115880157A (zh) | 一种k空间金字塔特征融合的立体图像超分辨率重建方法 | |
CN113409321B (zh) | 一种基于像素分类和距离回归的细胞核图像分割方法 | |
CN114419015A (zh) | 一种基于多模态配准的脑功能融合分析方法 | |
CN114529564A (zh) | 一种基于上下文信息的轻量级婴儿脑组织图像分割方法 |
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 |