本發(fā)明涉及計算機視覺領(lǐng)域及醫(yī)療影像，尤其是涉及一種多中心適用的人腦磁共振圖像腦結(jié)構(gòu)自動分割方法。

背景技術(shù)：

1、腦科學(xué)研究對探索人類進化、發(fā)展以及神經(jīng)系統(tǒng)疾病的治療具有至關(guān)重要的作用。磁共振成像(mri)作為一種理想的無創(chuàng)性成像手段，能夠為腦部提供高分辨率和多模態(tài)的成像。mri數(shù)據(jù)的腦區(qū)結(jié)構(gòu)分割是分析腦功能和代謝過程中的關(guān)鍵步驟。

2、精細的腦區(qū)分割任務(wù)是神經(jīng)科學(xué)和醫(yī)學(xué)領(lǐng)域中的一項關(guān)鍵技術(shù)，旨在將腦部影像數(shù)據(jù)劃分為不同的解剖或功能區(qū)域。這項任務(wù)在推動人類科學(xué)研究和臨床應(yīng)用方面具有極其重要的意義。對于人類，精細的腦區(qū)分割在臨床診斷和治療中有直接應(yīng)用價值，例如在阿爾茨海默病、帕金森病和腦腫瘤等疾病的診斷和治療過程中，提供關(guān)鍵的病灶信息。這些分割技術(shù)不僅有助于更好地理解腦的結(jié)構(gòu)和功能，還為制定個性化的治療方案提供了重要依據(jù)。

3、通過專注于人腦mri數(shù)據(jù)的研究，我們能夠深入探討腦功能和病理變化，為改善臨床診斷和治療方法提供更準確和可靠的支持。這不僅推動了腦科學(xué)基礎(chǔ)研究的發(fā)展，也為神經(jīng)系統(tǒng)疾病的治療帶來了新的希望。

4、精細腦區(qū)結(jié)構(gòu)分割任務(wù)面臨諸多挑戰(zhàn)，主要源自大腦結(jié)構(gòu)的高度復(fù)雜性和個體差異。大腦包含眾多細微的解剖區(qū)域，這些區(qū)域之間的邊界通常模糊且不易區(qū)分。個體間的大腦結(jié)構(gòu)變異性進一步增加了分割的難度。此外，獲取高質(zhì)量的腦部影像數(shù)據(jù)需要昂貴的設(shè)備和技術(shù)，而手動標注這些數(shù)據(jù)耗時且容易受到主觀偏差的影響。因此，開發(fā)出能夠自動且精確分割大腦區(qū)域的算法成為這一領(lǐng)域的重要任務(wù)。

5、在單一模態(tài)的t1加權(quán)mri影像中進行精細腦區(qū)分割時，數(shù)據(jù)來源的異質(zhì)性也會帶來巨大的挑戰(zhàn)。不同mri設(shè)備和掃描協(xié)議導(dǎo)致的成像參數(shù)差異、圖像質(zhì)量不一致、標準化方法的不同以及數(shù)據(jù)格式和預(yù)處理流程的差異，都會導(dǎo)致同一解剖區(qū)域在不同圖像中的表現(xiàn)不一致，使得分割算法難以保持穩(wěn)定的性能。此外，不同研究團隊采用的標注標準和方法可能不同，進一步增加了訓(xùn)練數(shù)據(jù)的不一致性，影響了分割模型的泛化能力。

6、目前，已有多種針對特定mri模態(tài)設(shè)計的腦結(jié)構(gòu)分割工具，深度學(xué)習(xí)算法的發(fā)展也促進了人類腦結(jié)構(gòu)分割準確性的提升。然而，這些方法在處理不同平臺或掃描協(xié)議的數(shù)據(jù)時，性能往往會顯著下降。使用單一工具從多種mri平臺獲取的圖像中準確地對影像進行精細腦區(qū)結(jié)構(gòu)分割仍然是一項挑戰(zhàn)。

7、此外，現(xiàn)有分割算法通常只具備分割功能，缺乏自我檢查和校正的能力，這導(dǎo)致分割結(jié)果的準確性和可靠性得不到保障。由于這些算法無法自動識別和修正分割錯誤，必須依賴大量的人力進行后續(xù)的檢查和修正。這種依賴人工檢查的方式不僅極其耗時，而且在處理大規(guī)模數(shù)據(jù)時顯得效率極低。每一個分割結(jié)果都需要專家仔細審查，以確保其符合預(yù)期的準確度和精度。這個過程不僅繁瑣，而且容易受到人為主觀因素的影響，導(dǎo)致分割結(jié)果的質(zhì)量不一致。此外，人工檢查和修正還增加了工作量，限制了這些算法在實際應(yīng)用中的廣泛使用。在臨床和研究環(huán)境中，這種手動檢查和修正的過程不僅浪費寶貴的人力資源，而且延長了數(shù)據(jù)處理的周期，可能影響診斷和研究的進程。尤其是在需要快速處理和分析大量數(shù)據(jù)的情況下，這種方法的局限性更加明顯。

8、總體而言，現(xiàn)有的分割技術(shù)面臨的挑戰(zhàn)主要有：1.缺乏靈活性與普適性?，F(xiàn)有的工具被設(shè)計用于特定的平臺，不適用于跨平臺的應(yīng)用。2.缺少自動質(zhì)量評估機制。這意味著錯誤分割的情況下需要依賴人工進行繁瑣的檢查和校正。

9、綜上，醫(yī)學(xué)腦影像結(jié)構(gòu)分割技術(shù)需要綜合考慮模型在不同平臺下的靈活性與普適性以及自動質(zhì)量評估及調(diào)整等多方面的挑戰(zhàn)。因此，如何通過在模型中引入更靈活的遷移學(xué)習(xí)方法以及域適應(yīng)技術(shù)，以實現(xiàn)在跨域復(fù)雜數(shù)據(jù)環(huán)境中更準確和魯棒的腦結(jié)構(gòu)分割效果，成為目前亟待解決的重要技術(shù)問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種多中心適用的人腦磁共振圖像腦結(jié)構(gòu)自動分割方法。通過設(shè)計魯棒的深度學(xué)習(xí)模型，能夠在原始影像數(shù)據(jù)上直接進行分割，省去了復(fù)雜的預(yù)處理過程，簡化了使用流程，降低了技術(shù)門檻，同時保持了高精度的分割性能。

2、本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn)：

3、本發(fā)明提供一種多中心適用的人腦磁共振圖像腦結(jié)構(gòu)自動分割方法，其特征在于，包括以下步驟：

4、s1：獲取不同平臺的mri數(shù)據(jù)，并對mri數(shù)據(jù)進行n4偏置場校正和圖像標準化處理；

5、s2：以u-net作為基礎(chǔ)框架，并融合自注意力機制模塊，構(gòu)建適應(yīng)于多平臺的mri腦影像結(jié)構(gòu)分割網(wǎng)絡(luò)模型；

6、s3：將s1中處理后的mri數(shù)據(jù)輸入s2中構(gòu)建的mri腦影像結(jié)構(gòu)分割網(wǎng)絡(luò)模型中，并利用遷移學(xué)習(xí)和域適應(yīng)技術(shù)對mri腦影像結(jié)構(gòu)分割網(wǎng)絡(luò)模型進行訓(xùn)練；

7、s4：對s3中的mri腦影像結(jié)構(gòu)分割網(wǎng)絡(luò)模型的輸出結(jié)構(gòu)進行不確定性估計，并對分割結(jié)果進行評估篩選，利用篩選出的高質(zhì)量的未標注數(shù)據(jù)進一步進行模型訓(xùn)練，通過訓(xùn)練后的模型實現(xiàn)人腦磁共振圖像腦結(jié)構(gòu)自動分割。

8、進一步地，s1中，所述標準化處理將原始圖像v轉(zhuǎn)換為標準化后的mri圖像vnorm，其計算公式如下：

9、

10、其中，和分別代表輸入圖像中強度值的第1和第99百分位數(shù)，即強度值的下限與上限；v為原始圖像,vnorm為經(jīng)過離差標準化處理后的圖像。

11、進一步地，s2中，所述u-net包括五組對稱的編碼塊和解碼塊，每個編碼塊的內(nèi)部由兩個3x3x3卷積構(gòu)成，后接批歸一化層、指數(shù)線性單元激活函數(shù)和2x2x2最大池化操作，且步幅設(shè)置為2；

12、首個編碼塊輸出32個特征通道，每經(jīng)過一個編碼塊，特征通道數(shù)翻倍。

13、進一步地，每個解碼塊的內(nèi)部由兩個3x3x3卷積構(gòu)成，后接批歸一化層、指數(shù)線性單元激活函數(shù)和轉(zhuǎn)置卷積層；

14、在最終解碼階段，采用一個1x1x1卷積層和sigmoid激活函數(shù)將32個特征通道映射至一個96元概率圖。

15、進一步地，s2中，所述自注意力機制模塊通過在網(wǎng)絡(luò)模型中心加入非局部注意層，來模擬特征表征中的長距離和全局上下文依賴，并計算特征圖上每個位置的加權(quán)顯著性圖，以便更有效區(qū)分具有不同對比度特性和分布的不同腦區(qū)。

16、進一步地，s3中，采用dice損失函數(shù)和自適應(yīng)批歸一化對mri腦影像結(jié)構(gòu)分割網(wǎng)絡(luò)模型進行訓(xùn)練，并設(shè)置50個訓(xùn)練周期，批處理大小為16，學(xué)習(xí)率在源域和目標域中分別被設(shè)定為10-4和10-5；

17、采用自適應(yīng)批歸一化策略在推理階段動態(tài)更新批量歸一化層的統(tǒng)計參數(shù)，以提升模型的跨平臺泛化性能。

18、進一步地，s4中，采用近似貝葉斯推斷對mri腦影像結(jié)構(gòu)分割網(wǎng)絡(luò)模型估計不確定性，具體過程為：引入dropout層以獲得模型在生成分割時的不確定性度量，在推理階段保持dropout層激活，通過蒙特卡洛采樣收集n個獨立樣本，并對每個樣本的像素水平不定性采用以下公式計算得出：

19、

20、其中，pt為模型在推理階段最終層sigmoid函數(shù)的輸出概率；為所有推理結(jié)果的平均預(yù)測值；t為蒙特卡洛采樣次數(shù)，并設(shè)定t＝10。

21、進一步地，s4中，基于不確定性估計，采用半監(jiān)督過程篩選預(yù)測高質(zhì)量的分割結(jié)果并過濾不確定性高且相對不可靠的預(yù)測結(jié)果，以實現(xiàn)質(zhì)量評估。

22、進一步地，所述半監(jiān)督過程具體為：對所有未標注數(shù)據(jù)進行模型評估，再根據(jù)蒙特卡洛質(zhì)量評估，篩選出具有最低不確定性的預(yù)測，并作為偽標簽，在下一輪迭代中加入訓(xùn)練集中。

23、進一步地，所述半監(jiān)督過程采用混合損失函數(shù)，具體公式如下：

24、

25、

26、其中，xi為當前小批量中帶有真實標注yi的標記數(shù)據(jù)點，總數(shù)為n；xj為模型在上一次迭代參數(shù)θt-1下預(yù)測的偽標記數(shù)據(jù)點，這些數(shù)據(jù)點通過mcqa模塊測算出不確定性低于閾值ζ，總數(shù)為m；f(xj；θt)表示模型以參數(shù)θ對輸入x的預(yù)測；λdice為控制dice損失項權(quán)重的超參數(shù)；α(t)用于平衡真實標簽和偽標簽在算法中的相對貢獻；tsl為預(yù)設(shè)的閾值迭代次數(shù)，控制何時開始引入偽標簽；λsl為平衡系數(shù)，確定偽標簽損失在總損失中的權(quán)重；t表示當前的迭代次數(shù)。

27、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點和有益效果：

28、1、本發(fā)明基于深度學(xué)習(xí)技術(shù)，通過大量數(shù)據(jù)進行訓(xùn)練，使模型能夠捕捉并學(xué)習(xí)影像數(shù)據(jù)中的復(fù)雜特征。與傳統(tǒng)的基于規(guī)則的方法及工具箱相比，深度學(xué)習(xí)方法具有更高的處理速度和更強的泛化能力，特別是在處理大規(guī)模數(shù)據(jù)集時，深度學(xué)習(xí)算法能夠顯著提高分割效率，快速輸出高質(zhì)量的分割結(jié)果。

29、2、本發(fā)明無需復(fù)雜的預(yù)處理過程。傳統(tǒng)的mri影像分割通常需要進行復(fù)雜的預(yù)處理步驟，如去噪(denoise)和配準(registration)，以提高圖像質(zhì)量和一致性。這些預(yù)處理步驟不僅耗時，還可能引入額外的誤差。本發(fā)明通過設(shè)計魯棒的深度學(xué)習(xí)模型，能夠在原始影像數(shù)據(jù)上直接進行分割，省去了復(fù)雜的預(yù)處理過程，簡化了使用流程，降低了技術(shù)門檻，同時保持了高精度的分割性能。

30、3、本發(fā)明對偽標簽中的噪聲具有一定的修復(fù)能力。在半監(jiān)督學(xué)習(xí)中，模型需要利用大量無標注數(shù)據(jù)和少量有標注數(shù)據(jù)進行訓(xùn)練，其中，無標注數(shù)據(jù)通過生成偽標簽來輔助訓(xùn)練。然而，偽標簽中可能存在噪聲，這會影響模型的訓(xùn)練效果。本發(fā)明中的網(wǎng)絡(luò)模型每次選擇置信度最高的偽標簽加入訓(xùn)練數(shù)據(jù)，對偽標簽中的噪聲具有一定的修正作用，以確保訓(xùn)練過程的穩(wěn)定性和分割結(jié)果的準確性，從而提高了模型的魯棒性。

31、4、本發(fā)明能通過遷移學(xué)習(xí)獲得先驗知識，使得模型可以實現(xiàn)跨域多平臺的分割魯棒性。遷移學(xué)習(xí)技術(shù)允許模型從一個領(lǐng)域或平臺的影像數(shù)據(jù)中學(xué)習(xí)到有用的特征和知識，并將這些知識應(yīng)用于另一個領(lǐng)域或平臺。這使得本發(fā)明能夠在不同mri平臺上實現(xiàn)一致的分割效果。通過遷移學(xué)習(xí)，模型能夠快速適應(yīng)新的數(shù)據(jù)源，顯著提高跨平臺的分割魯棒性，減少了因設(shè)備和成像參數(shù)差異帶來的影響，確保了不同平臺之間的分割結(jié)果一致性和可靠性。