CN116758098A - 磁共振图像的丘脑底核分割方法及模型构建方法 - Google Patents
磁共振图像的丘脑底核分割方法及模型构建方法 Download PDFInfo
- Publication number
- CN116758098A CN116758098A CN202310979799.2A CN202310979799A CN116758098A CN 116758098 A CN116758098 A CN 116758098A CN 202310979799 A CN202310979799 A CN 202310979799A CN 116758098 A CN116758098 A CN 116758098A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- image
- magnetic resonance
- denoising
- nuclear magnetic
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 287
- 238000000034 method Methods 0.000 title claims abstract description 117
- 238000010276 construction Methods 0.000 title claims abstract description 16
- 230000002267 hypothalamic effect Effects 0.000 title abstract description 10
- 210000004556 brain Anatomy 0.000 claims abstract description 144
- 238000005481 NMR spectroscopy Methods 0.000 claims abstract description 109
- 238000009792 diffusion process Methods 0.000 claims abstract description 54
- 210000004281 subthalamic nucleus Anatomy 0.000 claims abstract description 50
- 210000001103 thalamus Anatomy 0.000 claims abstract description 16
- 238000003709 image segmentation Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 53
- 238000003062 neural network model Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 32
- 238000009826 distribution Methods 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000012804 iterative process Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 241001270131 Agaricus moelleri Species 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 21
- 238000003860 storage Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 208000018737 Parkinson disease Diseases 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008918 emotional behaviour Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 206010001541 Akinesia Diseases 0.000 description 1
- 238000012307 MRI technique Methods 0.000 description 1
- 208000002740 Muscle Rigidity Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 210000004227 basal ganglia Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000003041 ligament Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 210000003523 substantia nigra Anatomy 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种磁共振图像的丘脑底核分割方法及模型构建方法，涉及图像分割技术领域，该分割方法包括：获取脑部核磁共振图像及加噪参数；对脑部核磁共振图像进行预分割得到预分割图像；根据加噪参数对预分割图像加噪处理；将脑部核磁共振图像及加噪后的预分割图像输入到构建的分割模型中，对加噪后的预分割图像进行去噪处理，输出的分割结果表征丘脑底核在脑部核磁共振图像中所在的位置。本发明基于概率扩散模型的反向扩散过程，以脑部核磁共振图像为引导，对加噪的预分割结果执行去噪，实现丘脑底核区域的逐步识别及分割，从而实现了预分割结果进行了精确识别及分割，并输出可供参考的多个分割结果，为医学使用提供科学准确的判断依据。
Description
技术领域
本发明涉及图像分割技术领域，具体而言，涉及一种磁共振图像的丘脑底核分割方法及模型构建方法。
背景技术
丘脑底核（subthalamic nucleus，STN）为透镜状的脑内小核团，是脑部基底核系统的一部分，位于丘脑的腹侧、黑质的背侧及内囊的内侧。研究表明，作为基底核的组成部分之一，STN在运动、认知和情感行为的调解中有重要作用，是整合运动、认知和情绪的核心纽带。如对STN的深脑电刺激（DBS）可明显缓解帕金森病患者运动不能、僵直和震颤症状，是当前治疗顽固性帕金森病最有效的方法之一。
基于STN在生命体中的重要作用，使得实际中借助医学成像手段，如核磁共振（MRI）获取到脑部形态的医学图像后，进而在医学图像中对STN的区域轮廓的位置进行识别分割显得非常关键。但是，传统的依赖医生经验手动识别的方法，精度较低。另外，在相关技术中，还有通过基于单脑图谱的核团分割方法、基于多脑图谱的核团分割方法或者端到端的单模态卷积神经网络分割方法。
对于上述的基于单脑图谱的核团分割方式，单图谱配准误差对于分割误差的影响很大，尤其当来自健康人的图谱影像和病人的目标图像存在较大差异时，无法获得足够的分割精准度；对于多脑图谱的核团分割方法，多个需要依赖专家经验的图谱的制作成本高，同时多图谱配准计算复杂度高；对于端到端的单模态卷积圣经网络分割方式，只能利用单模态影像信息，无法充分学习STN的结构形态。
发明内容
本发明解决的问题是如何提高医学图像中STN的分割精度。
为解决上述问题，第一方面，本发明提供了一种磁共振图像的丘脑底核分割方法，该方法包括：
获取待处理的脑部核磁共振图像，以及加噪参数，该脑部核磁共振图像中包括丘脑底核区域；
对该脑部核磁共振图像进行预分割，得到预分割图像；
根据该加噪参数，对该预分割图像进行加噪处理，得到加噪后的预分割图像；
将该脑部核磁共振图像及加噪后的该预分割图像输入到构建的分割模型中，对加噪后的该预分割图像进行去噪处理，并输出去噪结果，该去噪结果包括至少一个分割结果，该分割结果用于表征该丘脑底核在该脑部核磁共振图像中所在位置，该分割模型为基于概率扩散模型构建的神经网络模型。
可选地，本发明实施例提供磁共振图像的丘脑底核分割方法，所述去噪结果中还包括每个所述分割结果对应的可靠性系数，所述可靠性系数用于表征对应的所述分割结果的可靠度。
可选地，本发明实施例提供磁共振图像的丘脑底核分割方法，所述将该脑部核磁共振图像及加噪后的该预分割图像输入到构建的分割模型中，对加噪后的该预分割图像进行去噪处理，并输出去噪结果包括：
以该脑部核磁共振图像为约束条件，该分割模型对输入的加噪后的该预分割图像进行迭代去噪，得到该预分割图像中每个像素点去噪后对应的像素标签值；
对该像素标签值进行统计融合，得到至少一个该分割结果。
可选地，本发明实施例提供磁共振图像的丘脑底核分割方法，该以该脑部核磁共振图像为约束条件，该分割模型对输入的加噪后的该预分割图像进行迭代去噪包括：
将该脑部核磁共振图像及加噪后的预分割图像作为第一次迭代的输入，输入迭代模块，对该加噪后的预分割图像进行去噪，得到第一次迭代的去噪结果；
将第一次迭代的去噪结果作为本次迭代的去噪结果，与该脑部核磁共振图像作为下次迭代的输入，输入该迭代模块，对本次迭代的去噪结果进行再次去噪，得到下一次迭代的去噪结果；
将下一次迭代的去噪结果作为本次迭代的去噪结果，重复上述步骤，直至迭代次数达到预设次数。
可选地，本发明实施例提供磁共振图像的丘脑底核分割方法，对该加噪后的预分割图像或本次迭代的去噪结果进行去噪包括：
提取该采样结果或本次迭代的去噪结果中的特征，作为迭代的去噪结果，该特征包括该脑部核磁共振图像中的纹理及灰度。
可选地，本发明实施例提供磁共振图像的丘脑底核分割方法，该迭代模块表示如下：
其中，p表示去噪过程中的每一次迭代，θ表示神经网络模型，N表示高斯分布，μ和σ对应该高斯分布的均值和噪声，I表示单位阵，y t表示迭代过程中第t次迭代后带有噪声的所述预分割图像，y t-1表示迭代过程中第t-1次迭代后带有噪声的所述预分割图像，y T表示加噪T步后初始的预分割图像，y T-1表示第一次去噪后的预分割图像，T表示所述预设迭代次数。
可选地，本发明实施例提供磁共振图像的丘脑底核分割方法，该标签值包括第一字符值及第二字符值，该第一字符表示对应的像素点为该脑部核磁共振图像中的背景区域，该第二字符值表示对应的像素区域为该脑部核磁共振图像中的丘脑底核区域。
可选地，本发明实施例提供磁共振图像的丘脑底核分割方法，该加噪参数包括执行多次加噪处理后的均值和方差对应的权值，通过如下加噪模块对该预分割图像进行加噪处理，得到加噪后的预分割图像：
其中，q表示对所述预分割图像的每一次加噪，N表示高斯分布，x t表示中间过程中加入t步噪声后带有噪声的预分割图像，x t-1表示中间过程中加入t-1步噪声后带有噪声的预分割图像，x 0表示初始的预分割图像，β t表示t步采样时的均值和方差对应的权值大小，I表示单位阵。
可选地，本发明实施例提供磁共振图像的丘脑底核分割方法，该对该脑部核磁共振图像进行预分割，得到预分割图像包括：
将该脑部核磁共振图像输入预先构建的预分割模型中，对该丘脑底核进行预分割，得到该预分割图像，该预分割模型为神经网络模型。
第二方面，本发明实施例还提供一种图像分割模型构建方法，用于构建图像分割模型，该图像分割模型用于如第一方面所述的磁共振图像的丘脑底核分割方法，该构建方法包括：
获取样本数据集，该样本数据集中包括脑部核磁共振图像；
对该脑部核磁共振图像进行预处理，得到该脑部核磁共振图像对应的预分割图像；
基于概率扩散模型的反向去噪过程，对该预分割图像进行训练，构建该分割模型，该分割模型为神经网络模型。
本发明提供的磁共振图像的丘脑底核分割方法及模型构建方法，通过利用基于概率扩散模型的去噪反向过程来构建的神经网络分割模型，对脑部核磁共振图像的丘脑底核的预分割结果实现进一步的识别及分割，以输出更准确的多个分割结果，作为医学使用的参考依据。详细地，对于获取的待处理的脑部核磁共振图像，首先对其进行预分割处理，以得到该脑部核磁共振图像的初步的预分割结果，然后基于概率扩散模型的加噪及去噪机理，利用获取的加噪参数对初步的预分割结果进行加噪处理，以得到加噪后的预分割图像；进而利用基于概率扩散模型构建的神经网络分割模型，对加噪后的预分割图像执行去噪处理，输出去噪后的多个分割结果，即通过分割模型对预分割图像的去噪处理过程，作为对预分割图像中的丘脑底核执行逐渐识别分割的过程，以使得最终输出多个分割结果。
即本发明中，利用概率扩散模型的前向扩散及反向扩散过程，通过对脑部核磁共振图像的预分割结果执行加噪，进而以脑部核磁共振图像为引导，使用训练好的神经网络分割模型进行去噪，以对加噪后的预分割图像执行丘脑底核区域的逐步识别及分割，从而实现了对预分割结果进行了准确的识别及分割，并输出可供参考的多个分割结果，为医学使用提供科学准确的参考依据。
附图说明
图1为本发明一些实施例提供的脑部核磁共振图像；
图2为本发明一些实施例提供的脑部核磁共振图像；
图3为本发明实施例提供的磁共振图像的丘脑底核分割方法的流程示意图；
图4为本发明实施例提供的磁共振图像的丘脑底核分割方法的流程示意图；
图5为本发明实施例提供的磁共振图像的丘脑底核分割方法的流程示意图；
图6为本发明实施例提供的分割模型的结构示意图；
图7本发明实施例提供的模型构建方法的流程示意图；
图8为本发明实施例提供的磁共振图像的丘脑底核分割装置的结构示意图；
图9为本发明实施例提供的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
可以理解，对于通过医疗设备获取的医学图像，如通过非侵入式的核磁共振（MRI）成像技术生成的图像，在进行医学需要的识别处理时，通常需要对获取的医学图像进行分割处理，如临床医生需要借助图像分割手段对获取的医学图像进行手动或者半自动的分割，以识别出重点关注的区域，如病灶区等，实现医学图像的实际意义。
对于通过MRI技术，可以生成体现人体器官组织形态的多模态图像，如脑部形态、肺部形态或骨骼形态等医学图像，具体能够生成包括T1加权成像、T2加权成像、T1ce成像和自由水抑制序列（FLAIR）等的多模态图像数据。上述多种模态图像的信息互补，增加了图像分割的必要信息，另外，也不可避免地增加了大量不必要的信息，加大了识别分割的难度。并且，由于MRI图像呈现的数量很多，而其中能够准确反映目标区域，如病灶区域的图像又占少数，使得实际MRI图像实际使用时的科学意义不足，存在较大的主观差异性。
可以理解，在对生命体的运动、认知和情感行为的调解研究，或者其他医学应用中，需要对脑部MRI图像中的STN的识别进行分割。
如图1所示的脑部核磁共振图像数据中T2序列，十字框所示的区域；图2中的（a）和（b）分别为不同个体的脑部核磁共振图像数据中的SWI序列，图2中的（c）和（d）虚线框所示的区域，即为对应个体的STN所在区域。显然，图1及图2中的STN所呈现的区域，其边界模糊。并且，由于STN本身体积小，使得对其在医学图像中的精确分割造成了较大的困难。
如相关技术中，基于单脑图谱的核团分割方法：首先将个体图像和单个图谱图像输入到一个广义的计算模型中，计算从图谱空间变换到个体空间的形变场，然后再将计算得到的形变场应用到图谱分割上，将图谱分割从图谱空间变换到个体空间得到个体分割图像。或者，基于多脑图谱的核团分割方法：本质是针对多个不同的脑图谱，分别进行单脑图谱的核团分割，最后将分割得到的核团标签图像进行融合。或者，通过端到端的单模态卷积神经网络分割方法：例如基于残差密集U形网络模型的丘脑分割方法。
即上述的分割方法，都无法有效且准确的分割出STN，即无法分割出边界清晰的STN区域。
因此，本发明中提供的磁共振图像的丘脑底核分割方法，为了提高脑部MRI图像中STN分割精度，通过基于去噪扩散概率模型构建的分割模型，即生成类的神经网络模型，以对脑部MRI图像中STN的预分割图像，进行再次的准确识别，最终实现精确分割，以为医学图像的使用提供科学准确的依据。
可以理解，去噪扩散概率模型（DDPM）由两个马尔可夫链组成。在前向扩散过程中，干净图像逐渐被高斯噪声干扰，直到近似于高斯分布。在反向扩散的过程中，从采样的高斯噪声中，使用训练好的去噪深度神经网络进行迭代去噪，以获得干净图像。因此，从DDPM中合成样本是通过迭代去噪采样的高斯噪声来实现的。
本发明实施例中提出的磁共振图像的丘脑底核分割方法，通过利用基于去噪扩散概率模型构建的神经网络分割模型，以对多模态磁共振影像实现丘脑底核自动分割，即对于T1序列+SWI序列的多模态数据，可以提供更加丰富的图像信息，提升模型的分割性能。同时，鉴于扩散概率模型推理具有随机性的特性，模型在实现STN自动分割的同时，还能够输出预测的分割结果的不确定性估计。
具体地，在DDPM中，前向扩散过程是一个一阶马尔可夫链，通过逐渐添加高斯噪声，结合图4，具体过程的可以概括如下：
其中，q表示对所述预分割图像的每一次加噪，N表示高斯分布，x t表示中间过程中加入t步噪声后带有噪声的预分割图像，x t-1表示中间过程中加入t-1步噪声后带有噪声的预分割图像，x 0表示初始的预分割图像，β t表示t步采样时的均值和方差对应的权值大小，I表示单位阵。扩散的步数通常可以选择1000到4000之间。
可以理解，上述的前向扩散过程，在扩散速率较小的限制下，其反向分布也遵循高斯分布。因此，本发明实施例中可以使用神经网络参数化的高斯分布来近似反向过程，从高斯分布中采样出一个噪声样本开始推理，以实现加噪处理后的预分割图像中STN的精确分割。
还可以理解，本发明实施例中的磁共振图像的丘脑底核分割方法可以由具有数据处理能力的计算机设备执行。
在执行过程中，在一些场景下，该计算机设备可以通过无线网络从互联网端获取待处理的脑部核磁共振图像，及构建神经网络模型时的数据集。或者，在另一些场景下，待处理医学图像，及构建神经网络模型时的数据集可以直接通过本地存储至该计算机设备。本发明实施例对此不做限制。
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
图3为本发明实施例的磁共振图像的丘脑底核分割方法的流程示意图，如图3所示，该方法具体包括：
S110，获取待处理的脑部核磁共振图像，以及加噪参数，该脑部核磁共振图像中包括丘脑底核区域。
S120，对该脑部核磁共振图像进行预分割，得到预分割图像。
S130，根据该加噪参数，对该预分割图像进行加噪处理，得到加噪后的预分割图像。
S140，将该脑部核磁共振图像及加噪后的该预分割图像输入到构建的分割模型中，对加噪后的该预分割图像进行去噪处理，并输出去噪结果，该去噪结果包括至少一个分割结果，该分割结果用于表征该丘脑底核在该脑部核磁共振图像中所在位置，该分割模型为基于概率扩散模型构建的神经网络模型。
具体地，结合图4所示的数据处理流程，本发明实施例提供的图像分割方法，主要可以包括对待处理的脑部核磁共振图像，如多模态（T1序列及SWI序列）的脑部核磁共振图像进行预处理、加噪及去噪三个阶段。
即在需要对通过核磁共振手段采集的脑部数据图像进行识别处理时，即对其中的STN区域进行识别分割时，首先可以对待处理的该脑部核磁共振图像进行预处理，即进行初步分割，以得到对应的预分割图像。
例如，可以将获取的脑部核磁共振图像输入到预先构建的预分割模型中，对其进行预分割，以输出预分割结果，即对应的预分割图像。该预分割处理可以是对其中的STN的所在区域的初步识别及分割，对应的，该预分割图像中可以包括表征STN的所在位置的位置信息。
进一步，在用户将待处理的脑部核磁共振图像输入到整个处理模型中，进行识别分割处理时，还可以输入对应的参数，如加噪参数，即使得计算设备能够获取到脑部核磁共振图像及加噪参数。则在对脑部核磁共振图像进行预分割，得到上述的预分割图像后，可以根据获取的加噪参数，对该预分割图像进行加噪处理，得到加噪后的预分割图像，即噪声分割图像。该加噪参数可以包括对预分割图像执行多次加噪处理后的均值和方差对应的权值。
可以理解，对于本发明实施例中的分割模型，由于其是基于概率扩散模型构建的神经网络，即包括前向及反向的两个扩散过程。
则在获取到预分割图像和加噪参数后，可以利用加噪参数，对预分割图像进行加噪处理。
进一步，在得到加噪处理后的预分割图像后，可以将加噪处理的噪声分割图像输入到预先构建的分割模型中，以对其进行去噪处理，即将加噪处理后的预分割图像，输入到基于概率扩散模型构建的神经网络模型，以对其进行去噪处理，并在完成去噪后，输出去噪结果。
该去噪结果中可以包括至少一个分割结果，该分割结果即表示上述待处理的脑部核磁共振图像中的STN的所在位置。
例如，每个分割结果中可以包括STN的位置信息，该位置信息可以为坐标信息，或可视化的图像信息。本发明实施例对此不做限制。
可以理解，上述的整个处理模型，可以认为是两个分割模型的结合，即第一个预分割模型，及第二分割模型。该预分割模型可以基于如U-net构建的神经网络模型，用于对脑部核磁共振图像执行预分割，以输出预分割图像。该分割模型即为基于概率扩散模型构建的神经网路模型，实际中，对加噪处理的预分割图像执行降噪处理，以实现丘脑底核区域的最终识别分割，输出高精度分割结果。
即本发明实施例中，基于概率扩散模型构建的神经网络分割模型，是对脑部核磁共振图像的预分割图像的进一步识别分割，即基于去噪扩散概率模型构建的神经网络模型，作为一种深度生成模型，在对加噪的预分割图像进行去噪处理时，能够计算出分割的每个像素的不确定性映射，从而能够允许隐式地生成多个分割结果以提高分割性能，即能够输出至少一个精确的分割结果，以提供STN及周围脑组织的分割边界的准确信息，从而使得在实际应用中，如在需要根据分割结果进行后续的医学应用中，可以利用提供多个分割结果，作为进一步测试或判断依据。
进一步，本发明实施例中，所构建的神经网络分割模型，作为一种深度生成模型，在对加噪的预分割图像进行去噪处理时，还能够计算多个分割结果的可靠性系数，以获得对应的分割结果的不确定性信息，即在输出的去噪结果中，还可以包括输出的每个分割结果对应的可靠性系数，该可靠性系数用于表征对应的分割结果的可靠度。
例如，对于多个分割结果的可靠性系数计算，具体可以通过计算每个分割结果的方差，作为对应的分割结果的不确定性信息，即可靠性系数。
可以理解，所输出的每个分割结果对应的可靠性系数，能够进一步为脑部核磁共振的STN的分割结果后续使用提供参考依据，即用户，如医生可以结合所输出的表示每个分割结果的可靠度的分割精度，对每个分割结果进行判断，以作为实际使用的指导，如为病灶的确定，或操作等提供科学依据。
可选地，本发明的一些实施例中，在将脑部核磁共振图像及加噪后的该预分割图像输入到构建的分割模型中，对加噪后的预分割图像进行去噪处理，并输出包括至少一个分割结果的去噪结果的过程中，具体可以以脑部核磁共振图像为约束条件，使得分割模型对输入加噪后的预分割图像进行迭代去噪，得到该预分割图像中每个像素点去噪后的像素标签值，进而对得到的所有像素标签值进行统计融合，得到至少一个分割结果。
即分割模型在以脑部核磁共振图像为约束条件，对加噪处理后的预分割图像进行去噪的过程，如图5所示，具体包括：
S01，将该脑部核磁共振图像及该加噪后的预分割图像作为第一次迭代的输入，输入迭代模块，对该加噪后的预分割图像进行去噪，得到第一次迭代的去噪结果。
S02，将第一次迭代的去噪结果作为本次迭代的去噪结果，与该脑部核磁共振图像作为下次迭代的输入，输入该迭代模块，对本次迭代的去噪结果进行再次去噪，得到下一次迭代的去噪结果。
S03，将下一次迭代的去噪结果作为本次迭代的去噪结果，重复上述步骤，直至迭代次数达到预设次数。
具体地，在分割模型输入加噪处理后的预分割图像后，该分割模型以S110中获取的脑部核磁共振图像为约束条件，对采样结果进行去噪处理。
可以理解，从高斯采样噪声迭代去噪得到分布结果是需要约束，以生成对应的STN分割结果，且不能是随机生成的，而是一张MRI图像对应一张分割结果。因此，获取的MRI图像需要作为生成过程中的约束条件，即在去噪网络输入时，将预分割图像和MRI图像一起拼接输入去噪神经网络，从而让神经网络根据MRI图像约束去噪，最终生成获取的MRI图像对应的STN分割结果。
即为了生成MRI图像的分割结果，可以将DDPM迭代去噪的生成目标设置为STN标注数据，以在训练和采样过程中使用多模态图像作为条件信息。
实际中，本发明实施例中的神经网络结构如图6所示，在对采样结果进行t次迭代去噪的过程，具体可以为通过神经网络结构中的卷积层和连结层，首先可以将输入的脑部核磁共振图像及上述的加噪后的预分割图像，进行第一次的迭代去噪，即对加噪后的预分割图像中的特征提取，作为一次迭代的去噪结果。
该实施例中，所提取的特征可以包括脑部核磁共振图像中的纹理及灰度等。
进一步，在得到第一次迭代的去噪结果后，将该次迭代的去噪结果，以及上述脑部核磁共振图像，作为第二次迭代的输入，再输入到迭代模块中，进行再次的特征提取，即去噪处理，输出第二次迭代的去噪结果。然后将第二次迭代的去噪结果，以及脑部核磁共振图像再次作为输入，对第二次迭代的去噪结果进行再次的去噪。
即在迭代过程去中，可以将每次迭代的去噪结果，作为本次迭代的去噪结果，作为下次迭代的输入，对本次迭代的所述去噪结果进行再次去噪处理，得到下一次迭代的去噪结果；然后再将下一次迭代的去噪结果作为本次迭代的去噪结果，重复上述步骤，直至迭代次数达到预设次数，完成加噪后的预分割图像的去噪操作，得到至少一个干净的去噪结果，即至少一个分割结果。
实际中，对于上述的每次的迭代去噪，即输入的迭代模块，具体可以表示如下：
其中，p表示去噪过程中的每一次迭代，θ表示神经网络模型，N表示高斯分布，μ和σ对应该高斯分布的均值和噪声，I表示单位阵，y t表示迭代过程中第t次迭代后带有噪声的所述预分割图像，y t-1表示迭代过程中第t-1次迭代后带有噪声的所述预分割图像，y T表示加噪T步后初始的预分割图像，y T-1表示第一次去噪后的预分割图像，T表示所述预设迭代次数。
则p θ表示在神经网络下的去噪过程中的每一次迭代，μ θ表示在神经网络下对应该高斯分布的均值，σ t表示第t次迭代过程中高斯分布中的噪声。
可以理解，在通过上述的预设次数的迭代去噪处理，可以得到预分割图像中每个像素点去噪后的像素标签值；进而可以对所述像素标签值进行统计融合，得到至少一个所述分割结果。
该标签值可以包括第一字符值及第二字符值，该第一字符表示对应的像素点为该脑部核磁共振图像中的背景区域，该第二字符值表示对应的像素区域为该脑部核磁共振图像中的丘脑底核区域。
例如，从采样的高斯噪声迭代去噪最终得到的结果作为是STN分割结果，即0-1二值图像，0表示背景1表示STN，对应前面模型框图。
可以理解，通过利用基于概率扩散模型的去噪反向过程来构建的神经网络分割模型，对加噪后的预分割图像，即通过分割模型对预分割图像的去噪处理过程，作为对预分割图像中的丘脑底核执行逐渐识别分割的过程，以使得最终输出多个分割结果，从而实现了对预分割结果进行了准确的识别及分割，并输出可供参考的多个分割结果，以为医学使用提供科学准确的参考依据。
对应地，本发明一些实施例中，对于上述S130中，根据加噪参数，对预分割图像进行加噪处理，可以基于概率扩散模型中前向扩散，即以一阶马尔可夫链，对预分割图像逐渐添加高斯噪声，扰动数据分布，直到数据分布收敛到标准高斯分布。
具体可以通过如下公式完成：
其中，q表示对所述预分割图像的每一次加噪，N表示高斯分布，x t表示中间过程中加入t步噪声后带有噪声的预分割图像，x 0表示初始的预分割图像，β t表示t步采样时的均值和方差对应的权值大小，I表示单位阵。
还可以理解，本发明实施例中，基于概率扩散模型所构建的神经网络分割模型，为了生成特定于图像的分割结果，需要将DDPM的生成目标设置为STN标注数据，并在训练和采样过程中使用多模态图像作为条件信息，即在实际中，利用构建的分割模型对待处理的脑部核磁共振图像进行分割处理时，首先需要对获取的脑部核磁共振图像进行预处理，以形成DDPM的生成目标，即STN标注数据。
具体地，结合图4所示，在获取到待处理的脑部核磁共振图像后，可以对该脑部核磁共振图像进行预分割，以得到预分割图像，即DDPM的生成目标，STN标注数据。
例如，可以使用脑部核磁共振的医学图像的条件信息来训练一个单独的分割网络，如基于U-net结构构建的神经网络模型：
其中，表示预分割结果，如利用一个传统的U-net结构构建的神经网络分割模型，对脑部的MRI影像分割出来的结果。f表示该深度学习分割网络，I表示脑部MRI影像，/>为该分割网络对应的模型参数。
进一步，可以通过上述构建的神经网络模型对该脑部核磁共振图像进行预分割，如基于U-net结构构建的神经网络模型对该脑部核磁共振图像进行预分割，得到预分割图像。
可以理解，该预分割图像中包括有能够表征STN在脑部核磁共振图像中所在位置的位置信息，如标注等。
可以理解，本本发明实施例中，通过利用基于概率扩散模型的加噪过程及去噪反向过程来构建的神经网络模型，对脑部核磁共振图像的丘脑底核的预分割结果实现进一步的识别及分割，以输出更逼真的多个分割结果，作为医学使用的参考依据。即利用概率扩散模型的前向扩散及反向扩散过程，通过对脑部核磁共振图像的预分割结果执行加噪，进而以脑部核磁共振图像为引导，使用训练好的去噪神经网络进行去噪，以对加噪后的预分割图像执行 丘脑底核区域的逐步识别及分割，从而实现了对预分割结果进行了再次的精确识别及分割，并输出可供参考的多个分割结果，以为医学使用提供科学准确的参考依据。
另外，本发明实施例还提供一种图像分割模型构建方法，该方法用于图像分割模型构建，该图像分割模型用于上述各个实施例中的图像分割，该方法具体包括：
S210，获取样本数据集，该样本数据集中包括脑部核磁共振图像；
S220，对该脑部核磁共振图像进行预处理，得到该脑部核磁共振图像对应的预分割图像；
S230，基于概率扩散模型的反向去噪过程，对该预分割图像进行训练，构建该分割模型，该分割模型为神经网络模型。
具体地，为了实现对脑部核磁共振图像中的STN分割，可以基于概率扩散模型的去噪反向过程来构建的神经网络分割模型，即首先可以获取多个脑部核磁共振图像，作为样本数据集。
进一步，对获取的样本数据集进行预处理，即对每个MRI图像进行预分割，以得到对应的预分割结果。
可以理解，对于样本数据集的预分割，同样可以采用神经网络模型来实现，如利用U-net等神经网络模型对其进行预分割，以输出预分割结果。
最后，可以基于概率扩散模型的反向去噪过程，对该预分割图像进行训练，构建该分割模型，该分割模型为神经网络模型。
可以理解，对该样本数据对应的预分割图像进行训练的过程，与上述各实施例记载的，基于概率扩散模型的迭代去噪过程类似，在此不再赘述。
即首先基于概率扩散模型中的前向过程，根据加噪参数进行加噪处理，然后基于概率扩散模型的迭代去噪过程，对加噪后的样本数据进行去噪处理，最终在输出样本数据对应的稳定的分割结果时，所对应的神经网络模型，即为构建的分割模型。
还可以理解，在本发明的一些实施例中，对于预分割模型，同样可以利用样本数据集来进行训练构建，即本发明实施例中所构建的模型，可以包括预分割模型及分割模型两部分，以在实际使用时，两个模型进行配合使用，完成待处理的MRI图像的精确识别分割。
另一方面，本发明实施例还提供一种磁共振图像的丘脑底核分割装置，如图8所示，该装置200包括：
获取模块210，用于获取待处理的脑部核磁共振图像，以及加噪参数，所述脑部核磁共振图像中包括丘脑底核区域；
预处理模块220，用于对所述脑部核磁共振图像进行预分割，得到预分割图像；
加噪模块230，用于根据所述加噪参数，对所述预分割图像进行加噪处理，得到加噪后的预分割图像；
分割模块240，用于将所述脑部核磁共振图像及加噪后的所述预分割图像输入到构建的分割模型中，对加噪后的所述预分割图像进行去噪处理，并输出去噪结果，所述去噪结果包括至少一个分割结果，所述分割结果用于表征所述丘脑底核在所述脑部核磁共振图像中所在位置，所述分割模型为基于概率扩散模型构建的神经网络模型。
可选地，本发明实施例提供的磁共振图像的丘脑底核分割装置，所述去噪结果中还包括每个所述分割结果对应的可靠性系数，所述可靠性系数用于表征对应的所述分割结果的可靠度。
可选地，本发明实施例提供的磁共振图像的丘脑底核分割装置，该分割模块具体用于：
所述将所述脑部核磁共振图像及加噪后的所述预分割图像输入到构建的分割模型中，对加噪后的所述预分割图像进行去噪处理，并输出去噪结果包括：
以所述脑部核磁共振图像为约束条件，所述分割模型对输入加噪后的所述预分割图像进行迭代去噪，得到所述预分割图像中每个像素点去噪后对应的像素标签值；
对所述像素标签值进行统计融合，得到至少一个所述分割结果。
可选地，本发明实施例提供的磁共振图像的丘脑底核分割装置，该分割模块具体用于：
将所述脑部核磁共振图像及加噪后的预分割图像作为第一次迭代的输入迭代模块，对加噪后的预分割图像进行去噪，得到第一次迭代的去噪结果；
将第一次迭代的去噪结果作为本次迭代的去噪结果，与所述脑部核磁共振图像作为下次迭代的输入所述迭代模块，对本次迭代的去噪结果进行再次去噪，得到下一次迭代的去噪结果；
将下一次迭代的去噪结果作为本次迭代的去噪结果，重复上述步骤，直至迭代次数达到预设次数。
可选地，本发明实施例提供的磁共振图像的丘脑底核分割装置，该分割模块具体用于：
提取加噪后的预分割图像或本次迭代的去噪结果中的特征，作为去噪结果，所述特征包括所示脑部核磁共振图像中的纹理及灰度。
可选地，本发明实施例提供的磁共振图像的丘脑底核分割装置，所述迭代模块表示如下：
其中，p表示去噪过程中的每一次迭代，θ表示神经网络模型，N表示高斯分布，μ和σ对应该高斯分布的均值和噪声，I表示单位阵，y t表示迭代过程中第t次迭代后带有噪声的所述预分割图像，y t-1表示迭代过程中第t-1次迭代后带有噪声的所述预分割图像，y T表示加噪T步后初始的预分割图像，y T-1表示第一次去噪后的预分割图像，T表示所述预设迭代次数。
可选地，本发明实施例提供的磁共振图像的丘脑底核分割装置，所述标签值包括第一字符值及第二字符值，所述第一字符表示对应的像素点为所述脑部核磁共振图像中的背景区域，所述第二字符值表示对应的像素区域为所述脑部核磁共振图像中的丘脑底核区域。
可选地，本发明实施例提供的磁共振图像的丘脑底核分割装置，所述加噪参数包括执行多次加噪处理后的均值和方差对应的权值，通过如下加噪模块对所述预分割图像进行加噪处理，得到加噪后的预分割图像：
其中，q表示对所述预分割图像的每一次加噪，N表示高斯分布，x t表示中间过程中加入t步噪声后带有噪声的预分割图像，x t-1表示中间过程中加入t-1步噪声后带有噪声的预分割图像，x 0表示初始的预分割图像，β t表示t步采样时的均值和方差对应的权值大小，I表示单位阵。
可选地，本发明实施例提供的磁共振图像的丘脑底核分割装置，该预处理模块具体用于：
将所述脑部核磁共振图像输入预先构建的预分割模型中，对所述丘脑底核进行预分割，得到所述预分割图像，所述预分割模型为神经网络模型。
另一方面，本申请实施例还提供一种模型构建装置，该装置包括：
第二获取模块，用于获取样本数据集，所述样本数据集中包括脑部核磁共振图像；
第二预处理模块，用于对所述脑部核磁共振图像进行预处理，得到所述脑部核磁共振图像对应的预分割图像；
构建模块，用于基于概率扩散模型的反向去噪过程，对所述预分割图像进行训练，构建所述分割模型，所述分割模型为神经网络模型。
另一方面，本发明实施例提供的计算机设备，该终端设备还包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现如上所述的磁共振图像的丘脑底核分割方法。
下面参考图9，图9为本发明实施例的计算机设备的结构示意图，该计算机设备。
如图9所示，计算机设备包括中央处理单元（CPU）301，其可以根据存储在只读存储器（ROM）302中的程序或者从存储部分308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有计算机设备操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。在一些实施例中，以下部件连接至I/O接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在机器可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。在该计算机程序被中央处理单元(CPU)301执行时，执行本发明的电子设备中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的电子设备、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行电子设备、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行电子设备、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的计算机设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的电子设备来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，例如，可以描述为：一种处理器，包括：第一获取模块、预处理模块、加噪模块及分割模块。其中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定，例如，分割模块还可以被描述为“用于将所述脑部核磁共振图像及加噪后的所述预分割图像输入到构建的分割模型中，对加噪后的所述预分割图像进行去噪处理，并输出去噪结果，所述去噪结果包括至少一个分割结果，所述分割结果用于表征所述丘脑底核在所述脑部核磁共振图像中所在的位置信息，所述分割模型为基于概率扩散模型构建的神经网络模型”。
作为另一方面，本发明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可以是上述实施例中描述的计算机设备中所包含的；也可以是单独存在，而未装配入该计算机设备中的。上述计算机可读存储介质存储有一个或者多个计算机程序，当上述计算机程序被一个或者一个以上的处理器用来执行描述于本发明的磁共振图像的丘脑底核分割方法：
获取待处理的脑部核磁共振图像，以及加噪参数，所述脑部核磁共振图像中包括丘脑底核区域；
对所述脑部核磁共振图像进行预分割，得到预分割图像；
根据所述加噪参数，对所述预分割图像进行加噪处理，得到加噪后的预分割图像；
将所述脑部核磁共振图像及加噪后的所述预分割图像输入到构建的分割模型中，对加噪后的所述预分割图像进行去噪处理，并输出去噪结果，所述去噪结果包括至少一个分割结果，所述分割结果用于表征所述丘脑底核在所述脑部核磁共振图像中所在的位置信息，所述分割模型为基于概率扩散模型构建的神经网络模型。
或用来执行描述于本发明的模型构建方法：
获取样本数据集，所述样本数据集中包括脑部核磁共振图像；
对所述脑部核磁共振图像进行预处理，得到所述脑部核磁共振图像对应的预分割图像；
基于概率扩散模型的反向去噪过程，对所述预分割图像进行训练，构建所述分割模型，所述分割模型为神经网络模型。
综上所述，本发明提供的磁共振图像的丘脑底核分割方法及模型构建方法，通过利用基于概率扩散模型的加噪过程及去噪反向过程来构建的神经网络模型，对脑部核磁共振图像的丘脑底核的预分割结果实现进一步的识别及分割，以输出更逼真的多个分割结果，作为医学使用的参考依据。详细的，对于获取的待处理的脑部核磁共振图像，首先对其进行预分割处理，以得到该脑部核磁共振图像的初步的预分割结果，然后基于概率扩散模型的加噪及去噪机理，利用获取的加噪参数对初步的预分割结果进行加噪处理，以得到加噪后的预分割图像；进而利用基于概率扩散模型构建的神经网络分割模型，对加噪后的预分割图像执行去噪处理，输出去噪后的多个分割结果，即通过分割模型对预分割图像的去噪处理过程，作为对预分割图像中的丘脑底核执行逐渐识别分割的过程，以使得最终输出多个分割结果。即本发明实施例中，利用概率扩散模型的前向扩散及反向扩散过程，通过对脑部核磁共振图像的预分割结果执行加噪，进而以脑部核磁共振图像为引导，使用训练好的去噪神经网络进行去噪，以对加噪后的预分割图像执行 丘脑底核区域的逐步识别及分割，从而实现了对预分割结果进行了再次的精确识别及分割，并输出可供参考的多个分割结果，以为医学使用提供科学准确的参考依据。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种磁共振图像的丘脑底核分割方法，其特征在于，所述磁共振图像的丘脑底核分割方法包括：
获取待处理的脑部核磁共振图像，以及加噪参数，所述脑部核磁共振图像中包括丘脑底核区域；
对所述脑部核磁共振图像进行预分割，得到预分割图像；
根据所述加噪参数，对所述预分割图像进行加噪处理，得到加噪后的所述预分割图像；
将所述脑部核磁共振图像及加噪后的所述预分割图像输入到构建的分割模型中，对加噪后的所述预分割图像进行去噪处理，并输出去噪结果，所述去噪结果包括至少一个分割结果，所述分割结果用于表征所述丘脑底核在所述脑部核磁共振图像中所在位置，所述分割模型为基于概率扩散模型构建的神经网络模型。
2.根据权利要求1所述的磁共振图像的丘脑底核分割方法，其特征在于，所述去噪结果中还包括每个所述分割结果对应的可靠性系数，所述可靠性系数用于表征对应的所述分割结果的可靠度。
3.根据权利要求2所述的磁共振图像的丘脑底核分割方法，其特征在于，所述将所述脑部核磁共振图像及加噪后的所述预分割图像输入到构建的分割模型中，对加噪后的所述预分割图像进行去噪处理，并输出去噪结果包括：
以所述脑部核磁共振图像为约束条件，所述分割模型对输入的加噪后的所述预分割图像进行迭代去噪，得到所述预分割图像中每个像素点去噪后对应的像素标签值；
对所述像素标签值进行统计融合，得到至少一个所述分割结果。
4.根据权利要求3所述的磁共振图像的丘脑底核分割方法，其特征在于，所述以所述脑部核磁共振图像为约束条件，所述分割模型对输入的加噪后的所述预分割图像进行迭代去噪包括：
将所述脑部核磁共振图像及加噪后的所述预分割图像作为第一次迭代的输入，输入迭代模块，对加噪后的所述预分割图像进行去噪，得到第一次迭代的去噪结果；
将第一次迭代的去噪结果作为本次迭代的去噪结果，与所述脑部核磁共振图像作为下次迭代的输入，输入所述迭代模块，对本次迭代的去噪结果进行再次去噪，得到下一次迭代的去噪结果；
将下一次迭代的去噪结果作为本次迭代的去噪结果，重复上述步骤，直至迭代次数达到预设次数。
5.根据权利要求4所述的磁共振图像的丘脑底核分割方法，其特征在于，对加噪后的所述预分割图像或本次迭代的去噪结果进行去噪包括：
提取加噪后的所述预分割图像或本次迭代的去噪结果中的特征，作为迭代的去噪结果，所述特征包括所述脑部核磁共振图像中的纹理及灰度。
6.根据权利要求4或5所述的磁共振图像的丘脑底核分割方法，其特征在于，所述迭代模块表示如下：
其中，p表示去噪过程中的每一次迭代，θ表示神经网络模型，N表示高斯分布，μ和σ对应该高斯分布的均值和噪声，I表示单位阵，y t表示迭代过程中第t次迭代后带有噪声的所述预分割图像，y t-1表示迭代过程中第t-1次迭代后带有噪声的所述预分割图像，y T表示加噪T步后初始的预分割图像，y T-1表示第一次去噪后的预分割图像，T表示所述预设迭代次数。
7.根据权利要求3-5任一项所述的磁共振图像的丘脑底核分割方法，其特征在于，所述像素标签值包括第一字符值及第二字符值，所述第一字符表示对应的像素区域为所述脑部核磁共振图像中的背景区域，所述第二字符值表示对应的像素区域为所述脑部核磁共振图像中的丘脑底核区域。
8.根据权利要求1-5任一项所述的磁共振图像的丘脑底核分割方法，其特征在于，所述加噪参数包括执行多次加噪处理后的均值和方差对应的权值，通过如下加噪模块对所述预分割图像进行加噪处理，得到加噪后的预分割图像：
其中，q表示对所述预分割图像的每一次加噪，N表示高斯分布，x t表示中间过程中加入t步噪声后带有噪声的预分割图像，x t-1表示中间过程中加入t-1步噪声后带有噪声的预分割图像，x 0表示初始的预分割图像，β t表示t步采样时的均值和方差对应的权值大小，I表示单位阵。
9.根据权利要求1-5任一项所述的磁共振图像的丘脑底核分割方法，其特征在于，所述对所述脑部核磁共振图像进行预分割，得到预分割图像包括：
将所述脑部核磁共振图像输入预先构建的预分割模型中，对所述丘脑底核进行预分割，得到所述预分割图像，所述预分割模型为神经网络模型。
10.一种模型构建方法，其特征在于，用于构建图像分割模型，所述图像分割模型用于如权利要求1-9任一项所述的磁共振图像的丘脑底核分割方法，所述模型构建方法包括：
获取样本数据集，所述样本数据集中包括脑部核磁共振图像；
对所述脑部核磁共振图像进行预处理，得到所述脑部核磁共振图像对应的预分割图像；
基于概率扩散模型的反向去噪过程，对所述预分割图像进行训练，构建所述分割模型，所述分割模型为神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310979799.2A CN116758098A (zh) | 2023-08-07 | 2023-08-07 | 磁共振图像的丘脑底核分割方法及模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310979799.2A CN116758098A (zh) | 2023-08-07 | 2023-08-07 | 磁共振图像的丘脑底核分割方法及模型构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116758098A true CN116758098A (zh) | 2023-09-15 |
Family
ID=87961146
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310979799.2A Pending CN116758098A (zh) | 2023-08-07 | 2023-08-07 | 磁共振图像的丘脑底核分割方法及模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116758098A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108460783A (zh) * | 2018-05-09 | 2018-08-28 | 电子科技大学 | 一种脑部核磁共振图像组织分割方法 |
| CN112801968A (zh) * | 2021-01-22 | 2021-05-14 | 常州市第二人民医院 | 用于核磁图像分割的双层深度网络模型、方法、装置 |
| US20230067841A1 (en) * | 2021-08-02 | 2023-03-02 | Google Llc | Image Enhancement via Iterative Refinement based on Machine Learning Models |
| CN115908187A (zh) * | 2022-12-07 | 2023-04-04 | 北京航空航天大学 | 基于快速去噪扩散概率模型的图像特征分析与生成方法 |
| CN116109824A (zh) * | 2023-02-10 | 2023-05-12 | 清华大学 | 基于扩散模型的医学影像及像素级标注生成方法及装置 |
| CN116309682A (zh) * | 2023-03-21 | 2023-06-23 | 复旦大学 | 一种基于条件伯努利扩散的医学影像分割方法 |
| CN116311473A (zh) * | 2023-04-06 | 2023-06-23 | 平安科技（深圳）有限公司 | 基于扩散模型的表情迁移方法、装置、设备及介质 |
| CN116402987A (zh) * | 2023-04-20 | 2023-07-07 | 中国科学院深圳先进技术研究院 | 基于扩散模型及3DTransformer的三维分割方法、系统、设备及介质 |
-
2023
- 2023-08-07 CN CN202310979799.2A patent/CN116758098A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108460783A (zh) * | 2018-05-09 | 2018-08-28 | 电子科技大学 | 一种脑部核磁共振图像组织分割方法 |
| CN112801968A (zh) * | 2021-01-22 | 2021-05-14 | 常州市第二人民医院 | 用于核磁图像分割的双层深度网络模型、方法、装置 |
| US20230067841A1 (en) * | 2021-08-02 | 2023-03-02 | Google Llc | Image Enhancement via Iterative Refinement based on Machine Learning Models |
| CN115908187A (zh) * | 2022-12-07 | 2023-04-04 | 北京航空航天大学 | 基于快速去噪扩散概率模型的图像特征分析与生成方法 |
| CN116109824A (zh) * | 2023-02-10 | 2023-05-12 | 清华大学 | 基于扩散模型的医学影像及像素级标注生成方法及装置 |
| CN116309682A (zh) * | 2023-03-21 | 2023-06-23 | 复旦大学 | 一种基于条件伯努利扩散的医学影像分割方法 |
| CN116311473A (zh) * | 2023-04-06 | 2023-06-23 | 平安科技（深圳）有限公司 | 基于扩散模型的表情迁移方法、装置、设备及介质 |
| CN116402987A (zh) * | 2023-04-20 | 2023-07-07 | 中国科学院深圳先进技术研究院 | 基于扩散模型及3DTransformer的三维分割方法、系统、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| TOMER AMIT等: "SegDiff: Image Segmentation with Diffusion Probabilistic Models", 《HTTPS://ARXIV.ORG/ABS/2112.00390》, pages 1 - 13 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110348515B (zh) | 图像分类方法、图像分类模型训练方法及装置 | |
| CN109949276B (zh) | 一种于改进SegNet分割网络的淋巴结检测方法 | |
| CN110570426B (zh) | 使用深度学习的图像联合配准和分割 | |
| US11430123B2 (en) | Sampling latent variables to generate multiple segmentations of an image | |
| CN112927799B (zh) | 融合多示例学习和多任务深度影像组学的生存期分析系统 | |
| CN109215014B (zh) | Ct图像预测模型的训练方法、装置、设备及存储介质 | |
| CN112365980A (zh) | 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统 | |
| CN112396605B (zh) | 网络训练方法及装置、图像识别方法和电子设备 | |
| CN110717518A (zh) | 基于3d卷积神经网络的持续性肺结节识别方法及装置 | |
| CN112790756B (zh) | 任务态功能磁共振扫描数据去噪方法、装置、设备及介质 | |
| CN116503607B (zh) | 一种基于深度学习的ct图像分割方法和系统 | |
| CN112785593A (zh) | 一种基于深度学习的脑部图像分割方法 | |
| CN114944229A (zh) | 基于深度学习和磁共振结构脑影像的脑龄预测方法 | |
| CN113822289A (zh) | 图像降噪模型的训练方法、装置、设备及存储介质 | |
| CN115458161A (zh) | 乳腺癌进展分析方法、装置、设备和介质 | |
| CN112950734B (zh) | 冠脉重建方法、装置、电子设备和存储介质 | |
| CN113850796A (zh) | 基于ct数据的肺部疾病识别方法及装置、介质和电子设备 | |
| CN116385467B (zh) | 基于自监督学习的脑血管分割方法及相关设备 | |
| CN112785575A (zh) | 一种图像处理的方法、装置和存储介质 | |
| CN116758098A (zh) | 磁共振图像的丘脑底核分割方法及模型构建方法 | |
| CN115691770A (zh) | 基于条件分数的跨模态医学影像补全方法、装置及设备 | |
| CN115239743A (zh) | 一种基于u型孪生网络的图像分割方法、装置 | |
| CN113052930A (zh) | 一种胸部dr双能量数字减影图像生成方法 | |
| CN114170221A (zh) | 一种基于图像确认脑部疾病方法与系统 | |
| CN116703955B (zh) | 磁共振图像的海马体时间纵向分割方法及计算机设备 |
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 |