CN116258726A - 基于深度学习的颞下颌关节mri图像重要结构分割方法 - Google Patents

基于深度学习的颞下颌关节mri图像重要结构分割方法 Download PDF

Info

Publication number
CN116258726A
CN116258726A CN202310159269.3A CN202310159269A CN116258726A CN 116258726 A CN116258726 A CN 116258726A CN 202310159269 A CN202310159269 A CN 202310159269A CN 116258726 A CN116258726 A CN 116258726A
Authority
CN
China
Prior art keywords
net
mri image
net module
model
module
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
CN202310159269.3A
Other languages
English (en)
Inventor
张雨楠
朱涛
胡义林
郭际香
汤炜
刘畅
陈金龙
曾维
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202310159269.3A priority Critical patent/CN116258726A/zh
Publication of CN116258726A publication Critical patent/CN116258726A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • 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
    • G06T2207/30036—Dental; Teeth
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radiology & Medical Imaging (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了深度学习的颞下颌关节MRI图像重要结构分割方法，涉及医学图像处理技术领域，其具体过程为：根据MRI原始图像通过人工标注的形式构建训练集、测试集和验证集，同时构建基于U‑net的卷积神经网络模型；将训练集图像输入U‑net模型，使用focal loss和dice loss结合的损失函数迭代，优化网络参数，通过验证集评估模型性能调节超参数；将测试集图像输入验证后的模型，使用dice系数评价模型的分割性能。本发明基于该U‑net模型对于颞下颌MRI图像中的重要解剖结构进行分割，快速提取出临床诊断中医生和患者感兴趣的目标区域，提高临床诊疗效率。

Description

基于深度学习的颞下颌关节MRI图像重要结构分割方法
技术领域
本发明涉及医学图像处理技术领域，特别是基于深度学习的颞下颌关节MRI图像重要结构分割方法。
背景技术
颞下颌关节是全身唯一一个左右联动关节，也是人体最复杂的关节结构之一。而与之对应的颞下颌关节相关疾病极其常见，主要可以分为先天性和后天性两种。先天性颞下颌关节相关疾病，如先天性关节强直等，虽然发病率不高，但是对于患者的生活质量影响极大，如果错过治疗时机会造成患者面部畸形等一系列问题，同时治疗多以手术为主，治疗专科性质较强。而后天性颞下颌关节相关疾病，如颞下颌关节紊乱等，随着现代社会生活压力的增大，在成年人中发病率越来越高，同时部分患者病情迁延，长期得不到及时、准确的治疗，会造成患者关节盘等软组织甚至是髁突等骨组织不可逆的损伤，加重患者在生理、心理以及经济层面的负担。
在对于颞下颌关节疾病的诊疗中，颞下颌关节MRI检查是极其重要的一环。颞下颌MRI检查能够帮助医生评估颞下颌关节区域的重要解剖结构，比如髁突、关节窝、关节盘以及周围肌肉等，从而判定患者的病情进展程度，依此来制定诊疗计划。
然而，普通综合医院不具备颞下颌关节重要部位疾病诊断条件，我国颞下颌关节专科医生的数量极其有限，仅有的颞下颌关节科多集中于各地的大型口腔专科医院，难以满足人民群众的相关需求，并且颞下颌关节医生的临床诊疗效率低。
发明内容
本发明的目的在于：提出一种基于深度学习的颞下颌关节MRI图像重要结构分割方法，通过深度学习优化的U-net模型，将颞下颌关节MRI影像资料中的各种重要解剖结构进行标记和分割，方便医生采集颞下颌关节MRI图像的重要结构部位进行疾病诊断，提高临床诊疗效率。
本发明采用的技术方案如下：
本发明是基于深度学习的颞下颌关节MRI图像重要结构分割方法，包括以下步骤：
步骤1：采集颞下颌关节MRI图像数据，并在颞下颌关节MRI图像中标注重要结构后呈图片格式存储；
步骤2：对标注后的颞下颌关节MRI图像进行预处理并划分训练集、验证集和测试集；
步骤3：构建U-net卷积神经网络模型；
步骤4：将训练集MRI图像输入U-net模型训练，使用focal loss和dice loss结合的损失函数进行迭代，优化网络参数，通过验证集MRI图像评估训练得到的U-net模型性能，根据评估结果调节超参数，得到优化后的U-net模型；
步骤5：将测试集MRI图像输入优化后的U-net模型，使用dice系数评价该U-net模型的分割性能。
进一步的，在步骤1中，颞下颌关节MRI图像为开口状态和闭口状态的斜矢状位PD加权序列的不同层面图像，对MRI图像标注重要结构的具体方法为：对MRI图像通过手动勾画的方式确定髁突范围、关节盘范围、关节结节及关节窝范围。
进一步的，所述髁突范围、关节盘范围、关节结节及关节窝范围的具体标注方式为：
所述髁突范围认定为MRI图像中髁突位置呈较高密度影的髁突骨松质部分，不同层面中，髁突与下颌升支、下颌骨体相连时，其范围的定义为髁突与下颌升支相连处以上的较高密度影像；
所述关节盘范围认定为MRI图像中髁突与关节结节及关节窝之间的双凹状低密度影或透射影部分；
所述关节结节及关节窝范围认定为MRI图像中类“S”型的颞骨下缘骨皮质部分，其厚度认定为颞骨下缘骨皮质厚度，不同层面中，关节结节及关节窝的前方后方各自延伸较长时其范围认定为：关节结节最低点，即图像中构成关节结节的颞骨下缘骨皮质最低点认定为关节结节及关节窝的前界，关节窝最高点，即图像中关节盘和双板区软组织部分的最高点认定为关节结节及关节窝的后界。
进一步的，在步骤2中，对步骤1中图片格式存储的MRI图像进行预处理，统一处理图片尺寸，并对处理后的MRI图像图片以8：1：1的比例随机分入训练集、验证集和测试集。
进一步的，在步骤3中，构建U-net卷积神经网络模型具体为：构建端到端的U形卷积神经网络结构U-net模型，包括下采样层、第五U-net模块、上采样层和第十U-net模块。
进一步的，所述下采样层用于降低所述MRI图像尺寸，提取浅层次特征，所述下采样层包括依次连接的第一U-net模块、第二U-net模块、第三U-net模块、第四U-net模块，第一U-net模块、第二U-net模块、第三U-net模块、第四U-net模块中均包含两次卷积和一次下采样操作，得到四个初步有效特征图；
所述第五U-net模块与第四U-net模块相连，进行两次卷积操作，得到第五个有效特征图；
所述上采样层用于将下采样层处理后的MRI图像进行尺寸还原，得到深层次特征，并与相应下采样模块得到的特征图拼接获得更丰富的特征信息，所述下采样层包括依次连接的第六U-net模块、第七U-net模块、第八U-net模块、第九U-net模块，第六U-net模块与第五U-net模块连接，在第六U-net模块中，第五U-net模块的输出特征图首先进行两倍上采样，而后进行特征融合操作，即与第四U-net模块下采样前的特征图进行拼接，后经两次卷积得到更加丰富的特征图，第七U-net模块、第八U-net模块、第九U-net模块均包含一次上采样、一次特征融合和两次卷积；所述第七U-net模块与第三U-net模块连接进行特征融合操作，所述第八U-net模块与第二U-net模块连接连接进行特征融合操作，所述第九U-net模块与第一U-net模块连接进行特征融合操作；
所述第十U-net模块与上采样层中的第九U-net模块相连，将第九U-net模块的输出进行一次卷积，最后输出目标图像。
进一步的，在步骤4中，将训练集MRI图像输入步骤3所述U-net模型，使用focalloss和dice loss结合的损失函数计算每次迭代的损失值，并通过反向传播算法梯度向量来调整网络参数，选择损失函数达到最小时的网络参数，使用验证集MRI图像评估训练后的U-net模型性能，同样使用损失函数评估U-net模型性能，调整超参数，直至损失函数达到最小，得到优化后的U-net模型；
其中，Focal loss的表达式为：FL(pt)＝-αt(1-pt)γlog(pt)；
Dice loss的表达式为：L＝1-S＝1-2(|X∩Y|)/(|X|+|Y|)。
进一步的，所述网络参数包括权重和偏置；所述超参数包括学习率、批样本数量、训练回合数目和迭代次数。
进一步的，在步骤5中，将测试集MRI图像输入步骤4中优化后的U-net模型，使用dice系数计算输出的分割结果与人工标注的相似度，评价优化后的U-net模型对于颞下颌关节重要结构的分割准确性，所述Dice系数的表达式为：S＝2(|X∩Y|)/(|X|+|Y|)。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明是基于深度学习的颞下颌关节MRI图像重要结构分割方法，通过深度学习的U-net模型，将颞下颌关节MRI影像资料中的各种重要解剖结构进行标记和分割，从而方便医生提取出相应的感兴趣部分信息，能够大大提高颞下颌关节医生的临床诊疗效率，同时降低颞下颌关节相关疾病的诊疗门槛，充分发挥现有医疗系统的潜力。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图，其中：
图1是本发明提供的关节结构分割方法步骤示意图：
图2是本发明提供的关节结构分割模型的结构示意图；
图3是本发明提供的颞下颌关节MRI图像分割髁突范围示意图；
图4是本发明提供的颞下颌关节MRI图像分割关节盘范围示意图；
图5是本发明提供的颞下颌关节MRI图像分割关节结节及关节窝范围示意图；
图6是本发明提供的颞下颌关节MRI图像分割各部位整体的效果图。
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例仅用以解释本发明，并不用于限定本发明，即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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
需要说明的是，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、商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、商品或者设备所固有的要素。
本发明是基于深度学习的颞下颌关节MRI图像重要结构分割方法，如图1所示，包括以下步骤：
步骤1：采集颞下颌关节MRI图像数据，并在颞下颌关节MRI图像中标注重要结构后呈图片格式存储；
步骤2：对标注后的颞下颌关节MRI图像进行预处理并划分训练集、验证集和测试集；
步骤3：构建U-net卷积神经网络模型；
步骤4：将训练集MRI图像输入U-net模型训练，使用focal loss和dice loss结合的损失函数进行迭代，优化网络参数，通过验证集MRI图像评估训练得到的U-net模型性能，根据评估结果调节超参数，得到优化后的U-net模型；
步骤5：将测试集MRI图像输入优化后的U-net模型，使用dice系数评价该U-net模型的分割性能。
在步骤1中，颞下颌关节MRI图像为开口状态和闭口状态的斜矢状位PD加权序列的不同层面图像，对MRI图像标注重要结构的具体方法为：对MRI图像通过手动勾画的方式确定髁突范围、关节盘范围、关节结节及关节窝范围，其具体标注方式为：
所述髁突范围认定为MRI图像中髁突位置呈较高密度影的髁突骨松质部分，不同层面中，髁突与下颌升支、下颌骨体相连时，其范围的定义为髁突与下颌升支相连处以上的较高密度影像，髁突范围标注如图3所示；
所述关节盘范围认定为MRI图像中髁突与关节结节及关节窝之间的双凹状低密度影或透射影部分，关节盘范围标注如图4所示；
所述关节结节及关节窝范围认定为MRI图像中类“S”型的颞骨下缘骨皮质部分，其厚度认定为颞骨下缘骨皮质厚度，不同层面中，关节结节及关节窝的前方后方各自延伸较长时其范围认定为：关节结节最低点，即图像中构成关节结节的颞骨下缘骨皮质最低点认定为关节结节及关节窝的前界，关节窝最高点，即图像中关节盘和双板区软组织部分的最高点认定为关节结节及关节窝的后界，关节结节关节窝范围标注如图5所示。
颞下颌关节MRI图像各部分完整标注如图6所示，标注完成后，以JPG图片格式进行存储。
在步骤2中，对步骤1中图片格式存储的MRI图像进行预处理，将图片尺寸统一处理为320*320像素，并对处理后的MRI图像图片以8：1：1的比例随机分入训练集、验证集和测试集。
在步骤3中，构建端到端的U形卷积神经网络结构U-net模型，包括下采样层、第五U-net模块、上采样层和第十U-net模块，如图2所示。
所述下采样层用于降低所述MRI图像尺寸，提取浅层次特征，所述下采样层包括依次连接的第一U-net模块、第二U-net模块、第三U-net模块、第四U-net模块，第一U-net模块中包含两次3*3的64通道卷积和一次2*2的最大池化方式的下采样操作，得到160*160的64通道特征图。第二U-net模块、第三U-net模块、第四U-net模块均包含两次卷积和一次下采样操作，通道数增加为上一层的2倍。至第四U-net模块，输出的特征图为20*20的512通道特征图。
所述第五U-net模块与第四U-net模块相连，进行两次3*3的1024通道卷积操作，得到20*20的1024通道特征图。
所述上采样层用于将下采样层处理后的MRI图像进行尺寸还原，得到深层次特征，并与相应下采样模块拼接获得更丰富的特征信息。下采样层包括依次连接的第六U-net模块、第七U-net模块、第八U-net模块、第九U-net模块，第六U-net模块与第五U-net模块连接。第六U-net模块中，第五U-net模块的输出特征图首先进行两倍上采样后得到40*40的512通道特征图，后进行特征融合即将其与第四U-net模块下采样前的40*40的512通道特征图拼接，得到40*40的1024通道特征图，后经两次3*3的512通道卷积得到40*40的512通道特征图。第七U-net模块、第八U-net模块、第九U-net模块均包含一次上采样、一次特征融合和两次卷积，通道数减小为上一层的二分之一。同样的，第七U-net模块与第三U-net模块连接进行特征融合操作，第八U-net模块与第二U-net模块连接连接进行特征融合操作，第九U-net模块与第一U-net模块连接进行特征融合操作，至第九U-net模块，输出的特征图为320*320的512通道特征图。
所述第十U-net模块与上采样层中的第九U-net模块相连，将第九U-net模块的输出进行一次1*1的4通道卷积，以输出包含背景、关节盘、髁突、关节结节关节窝的目标图像。
在步骤4中，将训练集MRI图像输入步骤3所述U-net模型，使用focal loss和diceloss结合的损失函数计算每次迭代的损失值，并通过反向传播算法梯度向量来调整网络参数，网络参数包括权重和偏置，选择损失函数达到最小时的网络参数，使用验证集MRI图像评估训练后的U-net模型性能，同样使用损失函数评估U-net模型性能，调整超参数，包括学习率、批样本数量、训练回合数目和迭代次数等超参数，直至损失函数达到最小，得到优化后的U-net模型；
其中，Focal loss的表达式为：FL(pt)＝-αt(1-pt)γlog(pt)；
Dice loss的表达式为：L＝1-S＝1-2(|X∩Y|)/(|X|+|Y|)。
在步骤5中，将测试集MRI图像输入步骤4中优化后的U-net模型，输出分割结果，即模型的预测结果，将模型的预测结果与人工标注进行对比，使用dice系数计算输出的分割结果与人工标注的相似度，评价优化后的U-net模型对于髁突、关节盘、关节结节关节窝的分割准确性，所述Dice系数的表达式为：S＝2(|X∩Y|)/(|X|+|Y|)。
本发明通过深度学习生成了用于分割颞下颌关节MRI图像重要结构的最优U-net模型，只需获取目标对象的颞下颌关节区MRI图像数据；将该MRI图像数据输入本发明提供的颞下颌关节结构分割的U-net模型之中；即可生成对应的颞下颌关节区MRI影像的分割结构。
通过本发明提供的网络结构将颞下颌关节MRI影像资料中的各种重要解剖结构进行标记和分割，从而方便医生提取出相应的感兴趣部分信息，能够大大提高颞下颌关节医生的临床诊疗效率，同时降低颞下颌关节相关疾病的诊疗门槛，充分发挥现有医疗系统的潜力。
以上所述，仅为本发明的优选实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的技术人员在本发明所揭露的技术范围内，可不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。

Claims (9)

1.基于深度学习的颞下颌关节MRI图像重要结构分割方法，其特征在于，包括以下步骤：
步骤1：采集颞下颌关节MRI图像数据，并在颞下颌关节MRI图像中标注重要结构后呈图片格式存储；
步骤2：对标注后的颞下颌关节MRI图像进行预处理并划分训练集、验证集和测试集；
步骤3：构建U-net卷积神经网络模型；
步骤4：将训练集MRI图像输入U-net模型训练，使用focal loss和dice loss结合的损失函数进行迭代，优化网络参数，通过验证集MRI图像评估训的U-net模型性能，根据评估结果调节超参数，得到优化后的U-net模型；
步骤5：将测试集MRI图像输入优化后的U-net模型，使用dice系数评价该U-net模型的分割性能。
2.根据权利要求1所述的基于深度学习的颞下颌关节MRI图像重要结构分割方法，其特征在于：在步骤1中，颞下颌关节MRI图像为开口状态和闭口状态的斜矢状位PD加权序列的不同层面图像，对MRI图像标注重要结构的具体方法为：对MRI图像通过手动勾画的方式确定髁突范围、关节盘范围、关节结节及关节窝范围。
3.根据权利要求2所述的基于深度学习的颞下颌关节MRI图像重要结构分割方法，其特征在于，所述髁突范围、关节盘范围、关节结节及关节窝范围的具体标注方式为：
所述髁突范围认定为MRI图像中髁突位置呈较高密度影的髁突骨松质部分，不同层面中，髁突与下颌升支、下颌骨体相连时，其范围的定义为髁突与下颌升支相连处以上的较高密度影像；
所述关节盘范围认定为MRI图像中髁突与关节结节及关节窝之间的双凹状低密度影或透射影部分；
所述关节结节及关节窝范围认定为MRI图像中类“S”型的颞骨下缘骨皮质部分，其厚度认定为颞骨下缘骨皮质厚度，不同层面中，关节结节及关节窝的前方后方各自延伸较长时其范围认定为：关节结节最低点，即图像中构成关节结节的颞骨下缘骨皮质最低点认定为关节结节及关节窝的前界，关节窝最高点，即图像中关节盘和双板区软组织部分的最高点认定为关节结节及关节窝的后界。
4.根据权利要求1所述的基于深度学习的颞下颌关节MRI图像重要结构分割方法，其特征在于：在步骤2中，对步骤1中图片格式存储的MRI图像进行预处理，统一处理图片尺寸，并对处理后的MRI图像图片以8：1：1的比例随机分入训练集、验证集和测试集。
5.根据权利要求1所述的基于深度学习的颞下颌关节MRI图像重要结构分割方法，其特征在于，在步骤3中，构建U-net卷积神经网络模型具体为：构建端到端的U形卷积神经网络结构U-net模型，包括下采样层、第五U-net模块、上采样层和第十U-net模块。
6.根据权利要求5所述的基于深度学习的颞下颌关节MRI图像重要结构分割方法，其特征在于：
所述下采样层用于降低所述MRI图像尺寸，提取浅层次特征，所述下采样层包括依次连接的第一U-net模块、第二U-net模块、第三U-net模块、第四U-net模块，第一U-net模块、第二U-net模块、第三U-net模块、第四U-net模块中均包含两次卷积和一次下采样操作，得到四个初步有效特征图；
所述第五U-net模块与第四U-net模块相连，进行两次卷积操作，得到第五个有效特征图；
所述上采样层用于将下采样层处理后的MRI图像进行尺寸还原，得到深层次特征，并与相应下采样模块得到的特征图拼接获得更丰富的特征信息，所述下采样层包括依次连接的第六U-net模块、第七U-net模块、第八U-net模块、第九U-net模块，第六U-net模块与第五U-net模块连接，在第六U-net模块中，第五U-net模块的输出特征图首先进行两倍上采样，而后进行特征融合操作，即与第四U-net模块下采样前的特征图进行拼接，后经两次卷积得到更加丰富的特征图，第七U-net模块、第八U-net模块、第九U-net模块均包含一次上采样、一次特征融合和两次卷积；所述第七U-net模块与第三U-net模块连接进行特征融合操作，所述第八U-net模块与第二U-net模块连接连接进行特征融合操作，所述第九U-net模块与第一U-net模块连接进行特征融合操作；
所述第十U-net模块与上采样层中的第九U-net模块相连，将第九U-net模块的输出进行一次卷积，最后输出目标图像。
7.根据权利要求1所述的基于深度学习的颞下颌关节MRI图像重要结构分割方法，其特征在于：在步骤4中，将训练集MRI图像输入步骤3所述U-net模型，使用focal loss和diceloss结合的损失函数计算每次迭代的损失值，并通过反向传播算法梯度向量来调整网络参数，选择损失函数达到最小时的网络参数，使用验证集MRI图像评估训练后的U-net模型性能，同样使用损失函数评估U-net模型性能，调整超参数，直至损失函数达到最小，得到优化后的U-net模型；
其中，Focal loss的表达式为：FL(pt)＝-αt(1-pt)γlog(pt)；
Dice loss的表达式为：L＝1-S＝1-2(|X∩Y|)/(|X|+|Y|)。
8.根据权利要求7所述的基于深度学习的颞下颌关节MRI图像重要结构分割方法，其特征在于：所述网络参数包括权重和偏置；所述超参数包括学习率、批样本数量、训练回合数目和迭代次数。
9.根据权利要求8所述的基于深度学习的颞下颌关节MRI图像重要结构分割方法，其特征在于：在步骤5中，将测试集MRI图像输入步骤4中优化后的U-net模型，使用dice系数计算输出的分割结果与人工标注的相似度，评价优化后的U-net模型对于颞下颌关节重要结构的分割准确性，所述Dice系数的表达式为：S＝2(|X∩Y|)/(|X|+|Y|)。
CN202310159269.3A 2023-02-23 2023-02-23 基于深度学习的颞下颌关节mri图像重要结构分割方法 Pending CN116258726A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310159269.3A CN116258726A (zh) 2023-02-23 2023-02-23 基于深度学习的颞下颌关节mri图像重要结构分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310159269.3A CN116258726A (zh) 2023-02-23 2023-02-23 基于深度学习的颞下颌关节mri图像重要结构分割方法

Publications (1)

Publication Number Publication Date
CN116258726A true CN116258726A (zh) 2023-06-13

Family

ID=86680520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310159269.3A Pending CN116258726A (zh) 2023-02-23 2023-02-23 基于深度学习的颞下颌关节mri图像重要结构分割方法

Country Status (1)

Country Link
CN (1) CN116258726A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058149A (zh) * 2023-10-12 2023-11-14 中南大学 一种用于训练识别骨关节炎的医学影像测量模型的方法
CN117322865A (zh) * 2023-09-26 2024-01-02 四川大学 基于深度学习的颞下颌关节盘移位mri检查诊断系统
CN118039164A (zh) * 2024-04-11 2024-05-14 四川大学 基于头颅侧位片的颞下颌关节骨数据处理方法及处理终端
CN118072094A (zh) * 2024-03-06 2024-05-24 深圳市口腔医院 一种颞下颌关节盘异常检测方法、终端及可读存储介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117322865A (zh) * 2023-09-26 2024-01-02 四川大学 基于深度学习的颞下颌关节盘移位mri检查诊断系统
CN117322865B (zh) * 2023-09-26 2024-05-28 四川大学 基于深度学习的颞下颌关节盘移位mri检查诊断系统
CN117058149A (zh) * 2023-10-12 2023-11-14 中南大学 一种用于训练识别骨关节炎的医学影像测量模型的方法
CN117058149B (zh) * 2023-10-12 2024-01-02 中南大学 一种用于训练识别骨关节炎的医学影像测量模型的方法
CN118072094A (zh) * 2024-03-06 2024-05-24 深圳市口腔医院 一种颞下颌关节盘异常检测方法、终端及可读存储介质
CN118039164A (zh) * 2024-04-11 2024-05-14 四川大学 基于头颅侧位片的颞下颌关节骨数据处理方法及处理终端

Similar Documents

Publication Publication Date Title
CN116258726A (zh) 基于深度学习的颞下颌关节mri图像重要结构分割方法
Al-Kafri et al. Boundary delineation of MRI images for lumbar spinal stenosis detection through semantic segmentation using deep neural networks
CN113658142B (zh) 一种基于改进U-Net神经网络的髋关节股骨近端分割方法
CN112037913B (zh) 一种基于卷积神经网络的牙周炎智能检测系统
WO2024001140A1 (zh) 一种椎体亚区域分割方法、装置及存储介质
CN106127769A (zh) 一种基于脑连接网络的脑龄预测方法
CN109255354B (zh) 面向医用ct的计算机图像处理方法和装置
CN114694236B (zh) 一种基于循环残差卷积神经网络的眼球运动分割定位方法
Bourbakis Detecting abnormal patterns in WCE images
CN114795258B (zh) 一种儿童髋关节发育不良诊断系统
CN113222951A (zh) 一种识别髋关节x线的骨质疏松人工智能诊断装置
CN116563533A (zh) 基于目标位置先验信息的医学图像分割方法及系统
Liu et al. Tracking-based deep learning method for temporomandibular joint segmentation
CN112102234B (zh) 基于目标检测神经网络的耳硬化病灶检测及诊断系统
CN110782976B (zh) 一种全膝关节置换术假体型号预测方法
Apaydin et al. Deep convolutional neural networks using U-net for automatic intervertebral disc segmentation in axial MRI
CN111145289A (zh) 骨盆三维数据的提取方法及装置
CN116188424A (zh) 一种人工智能辅助超声诊断脾肝脏创伤模型建立的方法
CN113362282B (zh) 基于多任务学习的髋关节关键点位置检测方法及系统
CN115359002A (zh) 一种颈动脉超声图像斑块自动检测系统及方法
Kurochka et al. An algorithm of segmentation of a human spine X-ray image with the help of Mask R-CNN neural network for the purpose of vertebrae localization
Nechyporenko et al. Biometric recognition of personality based on spiral computed tomography data
CN113205472A (zh) 基于循环生成对抗网络CycleGAN模型的跨模态MR影像互生成方法
CN117197434B (zh) 基于AMFNet网络融合模型的肺部医学影像精准识别方法
CN118279364B (zh) 一种mri影像与cbct影像的配准方法

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