基于FCN和多图谱信息的脑图像分割研究

发布时间：2020-09-25 14:01

　　近年来随着医学设备的发展及成本的降低,医学图像分析在疾病诊断、诊治方案策划、病情监测等方面起着重要的作用。其中医学图像分割作为医学图像分析和处理中的一个重要环节被广泛关注和研究。脑图像解剖区域的精确标注对于核磁MR(Magnetic Resonance)脑图像的定量分析起着重要的作用。在临床试验中,一般通过人工手动的方式在脑图像中标注兴趣区域,但这种方法效率低且分割结果大多不可重复。近年来,许多研究提出了自动分割方法对脑图像进行分割。其中多图谱图像分割方法MAP(Multi-atlas based Brain Image Parcellation)是最成功的方法并被广泛应用。其主要的思想是将多个包含有手动标注脑区域标签的脑图谱分别配准到新的待分割脑图像;配准之后,每个脑图谱中的解剖区域标签会传播到该待分割的脑图像中,最后通过标签融合得到最终的分割结果。显然,图像配准在MAP中起着关键作用,但是配准算法对图像的质量以及大脑结构的个体差异非常敏感,而且配准时间较长。针对上述问题,本文提出一种使用全卷积神经网FCN(Fully Convolutional Network)和多图谱信息的MR脑图像区域分割方法。提出了两种基于FCN的MR脑图像区域分割方法:(1)本文提出了一种人工选择脑图谱的GAN(Generative Adversarial Networks)来提高自动和鲁棒的脑图像区域分割。在该方法的GAN中,一个带有多级特征跳级连接的3D FCN作为生成模型,一个3D卷积神经网络CNN(Convolutional Neural Networks)作为判别模型。实验结果表明,该方法中的GAN能实现比MAP更加精确、鲁棒和有效的脑图像区域分割。(2)为了充分利用多图谱中的先验信息,本文对(1)中的生成模型进行了改进。通过将SENet(Squeeze-and-Excitation Networks)中的SE模块整合到前一工作的GAN框架中,实现网络自适应地选择对当前待分割脑图像最适合的多图谱信息,消除了前一工作中预先手动选择多图谱所可能产生的误差。实验结果显示,该方法对于脑图像的区域分割精度优于(1)中方法。
【学位单位】：安徽大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;R318
【部分图文】：

脑图谱,视角,图谱

图２．１邋１个个体３个视角的脑图谱逡逑Ｆｉｇ．邋２．１邋Ｂｒａｉｎ邋ａｔｌａｓ邋ｏｆ邋ａｎ邋ｉｎｄｉｖｉｄｕａｌ邋ｆｒｏｍ邋ｔｈｒｅｅ邋ｖｉｅｗｓ逡逑如图２．２所示，是使用单个图谱对待分割图像进行分割的过程。对于一个给逡逑定的待分割图像即Ｒ标图像（Ｔａｒｇｅｔ邋Ｉｍａｇｅ），可以通过两步对其进行标签化：逡逑（１）使用图像配准算法，如：Ｂ－Ｓｐｌｉｎｅｔ４４域Ｄｉｆｆ．Ｄｅｍｏｎｓｔ４５］将图谱中的灰度图像逡逑配准到目标图像空间中；（２邋）使用配准后得到的形变场（Ｄｅｆｏｒｍａｔｉｏｎ邋Ｆｉｅｌｄ邋）将逡逑图谱中标签图像内的标签（Ｌａｂｅｌ）传播（Ｐｒｏｐａｇａｔｅ）到目标图像中的像素或者逡逑体素上，实现目标图像的区域分割。逡逑Ｕ标图像逡逑ｒｎ逦＾＿逡逑Ｉ邋Ａ邋１逦逦邋标Ｊ逡逑ｊ邋？形变场邋一逦＾逦ＩＢｎＨ逡逑逦ｔＬｅＪ邋ｕ邋ＷＢｍ逡逑：逦标阁像逡逑Ｊ逦Ｉ逦分割结果逡逑！逡逑逦！逡逑图谱逡逑图２．２基于单图谱的脑图像分割方法的基本流程图逡逑Ｆｉｇ．邋２．２邋Ｂａｓｉｃ邋ｆｌｏｗ邋ｃｈａｒｔ邋ｏｆ邋ｔｈｅ邋ｓｉｎｇｌｅ邋ａｔｌａｓ邋ｂａｓｅｄ邋ｂｒａｉｎ邋ｉｍａｇｅ邋ｐａｒｃｅｌｌａｔｉｏｎ邋ｍｅｔｈｏｄ逡逑８逡逑

框架图,框架,卷积核,图像

其大小一般会小于待提取特征信息的图像或者网络中间层中的特征映射（Ｆｅａｔｕｒｅ逡逑Ｍａｐ），而且不同的卷积核具有不同的权重值，所以每种卷积核可以对图像或者逡逑特征映射提取出特定的局部特征信息。如图２．７所示为使用尺寸均为３ｘ３的不同逡逑卷积核，对尺寸为５ｘ５的图像进行卷积。图中左边上下两个矩阵分别是不同的两逡逑个卷积核ｋｅｒｎｅｌ－１和ｋｅｍｅｌ－２。中间是待提取特征的图像，该图像用像素值矩阵逡逑来表示，矩阵中的每个位置上的数字是图像在该位置上的像素值。设卷积核的滑逡逑动步长为１且不填充边缘。其中右边上下两个图分别是通过ｋｅｒｎａｌ－１和ｋｅｒｎｅｌ－２逡逑对待提取特征的图像提取特征之后的结果，即ｒｅｓｕｌｔ－１和ｒｅｓｕｌｔ－２。其中蓝色部分逡逑代表正在进行卷积操作的图像块和卷积结果。逡逑１５逡逑

基于FCN和多图谱信息的脑图像分割研究

图２．９邋Ｕ－Ｎｅｔ网络框架丨２９】逡逑Ｆｉｇ．邋２．９邋Ａｒｃｈｉｔｅｃｔｕｒｅ邋ｏｆ邋Ｕ－Ｎｅｔ［２９】逡逑

【相似文献】