1.一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:
2.根據(jù)權(quán)利要求1所述的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,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:
3.根據(jù)權(quán)利要求1所述的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,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,且步幅設置為2;
4.根據(jù)權(quán)利要求3所述的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,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;
5.根據(jù)權(quán)利要求1所述的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,s2中,所述自注意力機制模塊通過在網(wǎng)絡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)。
6.根據(jù)權(quán)利要求1所述的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,s3中,采用dice損失函數(shù)和自適應批歸一化對mri腦影像結(jié)構(gòu)分割網(wǎng)絡模型進行訓練,并設置50個訓練周期,批處理大小為16,學習率在源域和目標域中分別被設定為10-4和10-5;
7.根據(jù)權(quán)利要求1所述的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,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:
8.根據(jù)權(quán)利要求1所述的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,s4中,基于不確定性估計,采用半監(jiān)督過程篩選預測高質(zhì)量的分割結(jié)果并過濾不確定性高且相對不可靠的預測結(jié)果,以實現(xiàn)質(zhì)量評估。
9.根據(jù)權(quán)利要求8所述的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,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測,并作為偽標簽,在下一輪迭代中加入訓練集中。
10.根據(jù)權(quán)利要求8所述的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,所述半監(jiān)督過程采用混合損失函數(shù),具體公式如下: