基于MRI的阿尔茨海默症病灶区域语义分割算法

本发明涉及一种基于mri的阿尔茨海默症病灶区域语义分割算法，属于计算机视觉和医学图像处理领域。

背景技术：

磁共振成像(magneticresonanceimaging，mri)是放射学中众所周知的一种广泛用于人体内部结构可视化的方法。mri使用磁铁、无线电波和计算机技术来产生图像。与其他成像技术相比，磁共振的优点之一是不使用电离辐射，使得它在身体的不同软组织之间提供了相对较好的对比度。但由于图像质量较差，给图像精确分割带来了较大挑战。因此，通常要进行一些预处理，以改善后续步骤的结果。医学图像处理中分割的目的是选择一些器官，例如肝脏、关节的部位或大脑。这项工作涉及脑分割和体积测量(容积法)。

大脑图像的定量分析是许多神经系统疾病和病症的常规检查方法。分割，即标记2d像素(或3d像素)是定量分析的关键组成部分。手动分割需要逐层分析其结构，不仅昂贵且十分繁琐，也会存在一些人为失误。因此，需要一种自动分割方法，以达到较高准确性。

随着3d和4d成像变得越来越常规，并且随着生理和功能成像的增加，医学成像数据的大小和复杂性也在增加。因此，开发可帮助从这些大型数据集中提取信息的工具至关重要。机器学习是一组算法技术可让计算机系统从大数据中进行数据驱动的预测。这些技术具有可以针对医学领域量身定制的多种应用。

计算机辅助诊断作为一种有价值的自动诊断工具，以深度学习为代表的人工智能技术与医疗大数据相结合的研究，已经在生物医疗领域中取得了巨大的成功。基于3d卷积神经网络的分类与分割算法，可以有效地对不同程度的患者如轻度认知障碍、痴呆、阿尔茨海默症等进行分类，并可以预测出病变区域，利用计算机辅助预测早期阿尔茨海默症(alzheimer'sdisease,ad)，协助医生进行临床诊断。

ad作为一种常见的大脑中枢神经系统退行性疾病，其发病率随着年龄的增长不断上升。ad的潜伏期较长，其临床症状会随着时间的推移而慢慢恶化，包括记忆损失、认知障碍、痴呆等。目前ad的主流诊断方式是依靠医师以临床资料综合分析和判断，虽然这些方式均取得不错的诊断效果，但毕竟耗时耗力，且存在一定主观性，误诊仍可能发生。以现在的医疗手段，ad还无法被治愈，但若能对其正确诊断，则可采用正确的治疗方式延缓病人病情，因此ad的早期诊断和预测是控制该疾病的关键手段。

现有的一些用于ad的医学评估技术包括身体和神经生物学检查，迷你精神状态检查(minimentalstatusexam,mmse)。由于早期治疗或干预的可能性，使用脑部mri图像检测ad已引起更多关注。为了检测ad患者，除其他临床症状外，根据通过手工设计技术与通过自动方法提取特征的方式，特征学习/提取方法可以大致分为两个范例。前者通常与分析或基于模型的方法有关，而后者与深度学习方法有关。由于手工制作的功能很大程度上依赖于人类专家的知识，因此通过深度学习方法自动学习功能已经引起了人们的极大兴趣。

技术实现要素：

本发明目的在于提供了一种基于mri的阿尔茨海默症病灶区域语义分割算法，以实现对mri脑图像中的六种病灶区域进行检测和分类。

为了实现上述目的，本发明的方案是：

一种基于mri的阿尔茨海默症病灶区域语义分割算法，以一般的语义分割网络为基础框架，并加强特征表达和对显著特征的关注，针对不同尺度的病灶区域进行特征提取，以较为准确的确定各个病灶区域的位置。目前的具体步骤如下：

(1)由医院医生完成临床病人脑部mri图像样本的收集，分为t1和t2两个序列，通过专业软件导出dcm格式图像，每张dcm图像为2d图像，分辨率为512*512，每位患者共20张dcm图像，共收集100名患者的mri数据；

(2)由病理学专家完成对每张dcm图像的病灶区域标注，病灶区域共分为六类：额叶、颞叶、顶叶、海马体、中脑、半卵圆中心，分别使用红色、绿色、蓝色、黄色、青色、紫色进行标注，使用3dslicer4.10.2以及itk-snap软件进行导出保存；

(3)手动将每位患者的20张2d的dcm图像合成为一张3d的nii格式图像，即每位患者的mri数据是分辨率为512*512*20的nii图像；

(4)设计神经网络，可实现基本的语义分割功能；

(5)基于数据集的特点，考虑多种尺度病灶区域的问题，设计一个专门的特征提取网络；

(6)进行多次实验，探究最佳的网络参数，并使用多种评价指标评估模型，如：精确度(precision)、召回率(recall)、相似熵(dice)等等；

(7)设计消融实验，探究每个模块所解决的具体问题；

(8)证明该方法的可行性与优越性，即该方法可实现对mri图像中所有病灶区域的正确检测与分类。

本发明的有益效果是：该方法能有效实现对mri图像中的所有病灶区域的语义分割。以神经网络为基础，我们新建了一个脑部mri数据集，并进行了多种病灶区域的标注，以训练一个适合的网络模型，在完成基本的语义分割任务的基础上，进一步解决了一个具有挑战性的问题：多尺度病灶目标分割。为了解决这个问题，我们构建了新的特征提取和融合模块，增强特征表达，并对不同的特征通道进行加权，使包含更多有效信息的通道拥有更大的权重。在特征融合时，对特定尺度下的病灶区域实施更多的关注，以实现对多尺度病灶区域的检测。方法可行，通过微调，可应用于其他器官mri图像的语义分割领域中。

附图简要说明

图1是数据集的制作流程图。

图2是本发明基于mri的阿尔茨海默症病灶区域语义分割算法流程图。

具体实施方式

一种基于mri的阿尔茨海默症病灶区域语义分割算法，基于脑部mri图像的病灶区域语义分割算法，解决了对mri图像中多种病灶区域的分类与识别问题，为医学研究做出微薄之力。

磁共振成像是断层成像的一种，它利用磁共振现象从人体中获得电磁信号，并重建出人体信息。磁共振成像技术对核磁共振信号进行空间编码的方法，这种方法可以重建出人体图像。磁共振成像可以得到任何方向的断层图像，三维体图像，甚至可以得到空间－波谱分布的四维图像。

从医院收集到mri数据以后，导出每张dcm图像，针对每张图像的六个病灶区域：额叶、颞叶、顶叶、海马体、中脑、半卵圆中心，分别进行分割标注，之后将dcm图像合成nii图像，作为神经网络的输入，如图1所示。

以标注后的mri3dnii图像为基础，利用卷积神经网络(convolutionalneuralnetworks,cnn)和深度学习方法实现语义分割，对mri图像中的多种病灶区域进行特征学习。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。

网络框架采用3du-net，之后在下采样及上采样阶段引入残差机制和注意力机制。我们拥有100张mri3dnii图像作为数据集，90张图像作为训练集，其中每个3dnii图像包含20张2ddcm图像，每张dcm图像包含六种病灶区域：额叶、颞叶、顶叶、海马体、中脑、半卵圆中心。如图2所示，首先收集临床病人的脑部mri数据的t1(纵向持续时间)模态和t2(横向持续时间)模态样本，进行模态加权，训练一个语义分割神经网络。先经过特征提取网络，再通过上采样还原语义信息，再与原图进行特征融合，获得不同尺度下的显著特征，再进行后续的分类和分割任务。根据检测的混淆矩阵，计算精确度(precision)、召回率(recall)、相似熵(dice)，评价模型性能。

在我们的神经网络算法中，基于3du-net网络框架，先利用5层下采样提取有效特征，每层操作包含有不同尺度的1*1*1、3*3*3、5*5*5的残差连接块，经过若干卷积操作和非线性操作得到该层输出，每层输出分别经过通道注意力机制和空间注意力机制更加准确的强调有效特征，避免背景以及其他噪声对有效特征信息造成干扰。

在提取到有效的特征后，通过5层上采样操作还原每种病灶区域的语义信息，并与不同尺度的原图进行特征融合，通过将不同尺度下的特征图进行逐层的累加，使网络不仅学习到深层的全局语义特征，还可以保留浅层的局部轮廓信息。最终得到六类不同尺度病灶区域的语义分割结果。

以混淆矩阵为基础，采用精确度(precision)、召回率(recall)、相似熵(dice)评价模型的检测结果：

其中，tp(truepositive)表示真正例，fn(falsenegative)表示假反例，fp(falsepositive)表示假正例，他们代表不同的预测结果。精确度反映的是模型的准确性，召回率反映的则是模型的全面性，dice系数反映的是两个集合的相似性，其中，x表示tp+fp，y表示tp+fn，综合考虑精确度和召回率。三者均是结果越高，效果越好。

具体步骤如下：

(1)收集临床病人的脑部mri数据的t1(纵向持续时间)加权成像和t2(横向持续时间)加权成像序列样本，并导出dcm格式数据；

(2)由病理学专家完成对dcm图像中所有病灶区域的标注，包括病灶区域类别，及其精确的边缘标注；

(3)将每位患者的2ddcm数据合成为一个3dnii数据，对所有nii图像进行预处理操作，包括裁剪到统一尺寸以作为神经网络的输入，对图像进行随机旋转、拉伸等，并通过预设值对图像进行标准化和归一化；

(4)设计适用于现有数据集的卷积神经网络，以实现对病灶区域的语义分割，首先通过特征提取网络，对mri图像中的多种病灶区域进行特征学习，提取有效的病灶区域特征信息，再完成后续的分割任务。其中的特征提取网络还可以是其他的卷积神经网络，也可以对mri图像中的多种病灶区域进行特征学习；

(5)通过计算precision、recall、dice指标对网络性能进行评价，证明其分割性能的优越性。

需要说明的是，以上所述仅为本发明实施例，仅仅是解释本发明，并非因此限制本发明专利范围。对属于本发明技术构思而仅仅显而易见的改动，同样在本发明保护范围之内。