一种多模态MRI图像听神经鞘瘤分割方法

技术领域

本发明涉及图像处理领域、尤其是一种多模态MRI图像听神经鞘瘤分割方法。

背景技术

脑肿瘤是一种异常的组织增生，会导致颅内压升高，中枢神经系统受损，从而危及病人的生命。听神经瘤是指起源于听神经鞘的肿瘤，为良性肿瘤，确切的称谓应是听神经鞘瘤，是常见颅内肿瘤之一。听神经瘤较普通的胶质瘤有位置相对固定、易于分割等特点。目前还没有一种普适性的算法能够解决所有脑肿瘤的分割问题。因此，首先针对听神经瘤设计开发一种自动而精细的分割算法帮助医生进行术前辅助诊断仍然是一项具有挑战性的任务。

发明内容

为了克服现有基于单模态图像肿瘤分割方法难以表达肿瘤全部信息的问题、基于多模态图像肿瘤分割方法难以准确的融合多模态信息及现有的基于3D卷积深度学习网络占用资源多、训练速度慢的问题，本发明提出一种基于改进3D卷积和Wnet网络的多模态MRI图像听神经鞘瘤分割方法，实现对听神经鞘瘤的自动、准确分割。

本发明解决其技术问题所采用的技术方案是：

一种多模态MRI图像听神经鞘瘤分割方法，包括以下步骤：

步骤1、图像预处理：获取听神经鞘瘤MRI数据集，经过空间重采样、图像配准，图像灰度值阈值化预处理过程，将体素大小相同的T

步骤2、生成训练样本：结合步骤1中生成的脑区/背景区域掩码图像和训练样本中的肿瘤真值标注，对图像与真值同时进行切割，将切割块输入网络训练，减小后续网络训练的压力；

步骤3、训练网络模型：在网络模型中的3D卷积的基础上，改用一种新的卷积，利用一个一维卷积和一个二维卷积来代替三维卷积；在Unet网络架构上改进提出Wnet网络，将T

步骤4、加入听瘤位置空间约束：在训练的过程中，构建在标准空间下的听瘤位置空间热力图，根据训练得到的听瘤位置空间热力图作为约束，对步骤3中得到的听瘤分割结果进行检验，去除位置不合理的分割结果。

进一步，所述步骤1中，采用的重采样算法为双线性插值算法，配准过程采用的算法为互信息的B样条配准方法

所述步骤3中，以一个一维卷积和一个二维卷积来代替三维卷积，利用一维卷积来提取MRI图像相邻层之间的联系信息，利用二维卷积来提取MRI图像单一层的信息。利用这两个卷积来代替三维卷积，能联系MRI图像相邻层之间的信息，同时减少网络的参数量，提高训练分割速度。

所述步骤3中，在Unet网络架构上改进提出Wnet网络，将T1增强加权图像与T2加权图像同时输入进行双通道的下采样，在高维特征空间利用注意力机制对多模态输入进行融合；不同模态的MRI图像包含的信息不同，将T

所述步骤4中，将每一个MRI图像都匹配到一个平均标准空间脑区。通过脑两侧的内通道底与中线构建一个平面，过内通道中线垂直于内通道底构建一个平面，以及冠状面，得到一个三维的坐标系，将每一个MRI图像都匹配这个标准空间坐标系中，再将训练过程中出现的听瘤位置在标准空间中进行标注，得到听瘤的高频出现位置，并构建热力图，再以训练得到的听瘤位置空间热力图作为约束，对听瘤分割结果进行检验，去除位置不合理的分割结果。

本发明将改进的3D卷积模块与Wnet网络相结合。首先以一个一维卷积和一个二维卷积来代替三维卷积，利用一维卷积来提取MRI图像相邻层之间的联系信息，利用二维卷积来提取MRI图像单一层的信息，然后将T

本发明的有益效果为：实现对听神经鞘瘤的自动、准确分割。

附图说明

图1为本发明实施方案的网络模型示意图。

图2为本发明方案所建立的卷积模型示意图。

具体实施方式

为了使本发明的目的、技术方案和有点更加清楚明白，以下结合具体实施和附图，对本发明做进一步补充说明。

参照图1和图2，一种多模态MRI图像听神经鞘瘤分割方法，能够利用充分利用多模态MRI间的信息，占用资源少、训练速度快，实现对听瘤的自动、准确分割，包括以下步骤：

步骤1、图像预处理：获取听神经鞘瘤MRI数据集，经过空间重采样、图像配准，图像灰度值阈值化等预处理过程，将体素大小相同的T

所述步骤1中，采用的重采样算法为双线性插值算法，配准过程采用的算法为互信息的B样条配准方法；

步骤2、生成训练样本：为了训练本发明应用到的网络模型，从训练集中提取三维子图像，本发明实施过程中从每个训练集图像大小为256×256×128提取256个大小为32×32×32的子图像，将切割块输入网络训练，减小后续网络训练的压力。

步骤3、训练网络模型：本发明应用到的改进3D卷积Wnet框架，编码器模块分别包含4个卷积层和最大池层，分别包含32、64、128、256个特征映射；注意力机制模块分别包含2个全连接层和平均池层，针对不同维度的特征分别包含1024、512、256个特征映射；解码器模块包含4个反卷积层和卷积层，分别包含256、128、64、32特征映射。在卷积层中，应用的是改进3D卷积，包括一个3×3×1的卷积核和一个1×1×3的卷积核。对于所有的最大池层，池大小为2×2×2，步长为2。对于所有的反卷积层，将反卷积后的特征映射与编码器模块中的相应特征通过注意力机制模块加权结合。解码后，使用Sigmoid激活函数生成体素级预测。使用步骤2中生成的训练样本训练构建好的网络模型，应用训练好的网络对待分割的T

所述步骤3中，以一个一维卷积和一个二维卷积来代替三维卷积，利用一维卷积来提取MRI图像相邻层之间的联系信息，利用二维卷积来提取MRI图像单一层的信息；利用这两个卷积来代替三维卷积，能联系MRI图像相邻层之间的信息，同时减少网络的参数量，提高训练分割速度。

所述步骤3中，在Unet网络架构上改进提出Wnet网络，将T1增强加权图像与T2加权图像同时输入进行双通道的下采样，在高维特征空间利用注意力机制对多模态输入进行融合；不同模态的MRI图像包含的信息不同，将T

步骤4、加入听瘤位置空间约束：将每一个MRI图像都匹配到一个平均标准空间脑区，通过脑两侧的内通道底与中线构建一个平面，过内通道中线垂直于内通道底构建一个平面，以及冠状面，得到一个三维的坐标系，将每一个MRI图像都匹配这个标准空间坐标系中，再将训练过程中出现的听瘤位置在标准空间中进行标注，得到听瘤的高频出现位置，并构建热力图，再以训练得到的听瘤位置空间热力图作为约束，对听瘤分割结果进行检验，去除位置不合理的分割结果。

以上所述的具体实施仅为本发明的一种最佳实现方式,并不用于限制本发明的专利范围,凡是利用本发明精神和原则及附图内容所作的等效结构或等效流程变换,均应包括在本发明的专利保护范围内。