基于图像处理的全自动多巴胺转运体半定量值检测方法与流程

本发明涉及一种图像处理技术领域，尤其是涉及一种基于图像处理的全自动多巴胺转运体半定量值检测方法。

背景技术：

多巴胺转运体(dat)是位于多巴胺神经元突触前膜上的多巴胺转运蛋白。多巴胺转运体可以用于评价纹状体突触前的多巴胺能神经元末梢的功能状态，多巴胺转运体的减少和活性减低是多巴胺减少的重要表现。因此，多巴胺转运体的半定量值检测可以帮助神经系统变性疾病的检测。

随着生物医学工程和计算机技术的发展，医学影像学为临床诊断提供了多种模态的医学图像，如磁共振成像(mri)、正电子计算机断层扫描技术(pet)等。基于磁共振成像技术的结构分析和利用正电子发射断层扫描技术的功能分析都可以为多巴胺转运体半定量值的检测提供关键信息。其中，磁共振技术可以清晰展现大脑内部软组织的结构状态，而多巴胺转运体pet显像(¹¹c-cftpet)可以显示大脑基底节区域(包括尾状核、壳核、苍白球等)多巴胺转运体减低现象，从而揭示这些部位的异常情况，为大脑神经系统变性疾病的诊断和鉴别诊断提供依据，是目前实用性较强的影像检测技术。将两个模态的信息进行融和，成为了提高精度的一种手段。然而，由于两种成像方式的分辨率、成像方式的不同，不同模态图像的融和仍然是一个待解决的问题。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于图像处理的全自动多巴胺转运体半定量值检测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于图像处理的全自动多巴胺转运体半定量值检测方法，该方法包括如下步骤：

(1)构建mri图像分割网络，该网络输入为大脑mri图像，输出为大脑基底节中尾状核、壳核、苍白球的分割结果；

(2)将mri图像配准到对应的待分割pet图像，同时将mri图像的分割结果配准到待分割pet图像，得到pet图像的尾状核、壳核、苍白球的分割结果；

(3)对pet图像的分割结果进行聚类，完成尾状核、壳核和苍白球的细分割，得到多个标签结构；

(4)获取每个标签结构中pet图像的特征统计量；

(5)对应获取pet图像中顶枕叶区域的特征统计量，以此为基准，对各标签结构中的特征统计量分别进行标准化得到标签结构中各特征统计量的半定量值；

(6)对各标签结构的半定量值进行t检验，完成半定量值的显著性排序。

步骤(1)中的mri图像分割网络为包括编码路径和解码路径的unet卷积神经网络，该网络通过输入大脑mri图像进行训练，并将训练得出的分割结果与mri图像对应的金标准分割结果计算相似度作为网络的总损失函数并进行反向传播，最终使网络结构达到收敛。

步骤(1)中的mri图像分割网络的总损失函数l为：

l＝wdldice+wclcross，

ldice＝εi[(-lndicei)^γ]，

lcross＝εx[-lnpi(x)]，

其中，ldice表示与骰子系数相关的损失函数，lcross表示交叉熵损失函数，wd、wc为权重，i表示分割标签，包括尾状核、壳核和苍白球三个标签，dicei表示i标签的骰子系数，εi表示对(-lndicei)^γ取期望，γ为常系数，δil(x)为示性函数：当在体素位置x处的分割标签i(x)与金标准中该点处的分割标签l(x)相同时，δil(x)为1，否则δil(x)为0，pi(x)表示体素位置x处被分为i标签的概率，εx表示对-lnpi(x)取期望。

步骤(2)中的配准采用了刚性变换配准。

步骤(3)中采用k-means聚类算法对分割结果基于位置信息进行聚类。

步骤(3)细分割出的标签结构包括左右两侧尾状核的前部、中部、后部，左右两侧壳核的前部、中部、后部，以及左右两侧的苍白球。

步骤(4)和(5)中的特征统计量包括pet图像灰度值的最大值、最小值、中位数、均值以及两个三分位数。

步骤(6)中对于第p个标签结构的第q个特征统计量apq，其半定量值为ypq：

其中，b为顶枕叶区域的灰度值的众数，p＝1,2,……p，q＝1,2,……q，p为标签结构的总个数，q为特征统计量的个数。

步骤(6)中t检验的p值阈值设定为0.05。

与现有技术相比，本发明具有如下优点：

(1)本发明利用mri图像轮廓明显的优点，先对mri图像进行分割，从而实现pet图像的有效分割，提高最终的检测精度；

(2)本发明能实现大脑中多巴胺转运体半定量值的全自动检测，精度高、实现方便、应用灵活。

附图说明

图1为本发明基于图像处理的全自动多巴胺转运体半定量值检测方法的流程框图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。

实施例

如图1所示，一种基于图像处理的全自动多巴胺转运体半定量值检测方法，该方法包括如下步骤：

步骤1：构建mri图像分割网络，该网络输入为大脑mri图像，输出为大脑基底节中尾状核、壳核、苍白球的分割结果。具体地，步骤(1)mri图像分割网络为包括编码路径和解码路径的unet卷积神经网络，编码路径通过不同分辨率下的残差模块和最大池化层来捕捉上下文信息，并且获得高维特征；解码路径通过一系列的反卷积层依次恢复图像的空间分辨率和边界；同时，编码器中不同层的特征将会通过跳跃连接和解码器中的上采样特征映射进行连接。该网络通过输入大脑mri图像进行训练，并将训练得出的分割结果与mri图像对应的金标准分割结果计算相似度作为网络的总损失函数并进行反向传播，最终使网络结构达到收敛。

mri图像分割网络的总损失函数l为：

l＝wdldice+wclcross，

ldice＝εi[(-lndicei)^γ]，

lcross＝εx[-lnpi(x)]，

其中，ldice表示与骰子系数(dice系数)相关的损失函数，lcross表示交叉熵损失函数，wd、wc为权重，i表示分割标签，包括尾状核、壳核和苍白球三个标签，dicei表示i标签的骰子系数，εi表示对(-lndicei)^γ取期望，γ为常系数，δil(x)为示性函数：当在体素位置x处的分割标签i(x)与金标准中该点处的分割标签l(x)相同时，δil(x)为1，否则δil(x)为0，pi(x)表示体素位置x处被分为i标签的概率，εx表示对-lnpi(x)取期望。

本实施例从adni数据集中获取了1859例t1-mri数据作为网络训练数据，在训练过程中网络所使用的金标准分割结果来自于基于em算法的多图谱标签生成算法(malp-em)。其中，网络参数被设定为wd＝0.8，wc＝0.2，γ＝0.3，使用adam优化器，学习率设定为10^-3。最终网络的平均分割dice在0.90附近，达到了国际先进水平。

步骤2：通过图像间的刚性变换配准，将mri图像匹配到对应的待分割pet图像，同时将mri图像的分割结果匹配到待分割pet图像，得到pet图像的尾状核、壳核、苍白球的分割结果。

步骤3：对pet图像的分割结果进行k-means聚类聚类，完成尾状核、壳核和苍白球的细分割，得到多个标签结构，具体地，细分割出的标签结构包括左右两侧尾状核的前部、中部、后部，左右两侧壳核的前部、中部、后部，以及左右两侧的苍白球，共14个细分标签结构。

步骤4：获取每个标签结构中pet图像的特征统计量，包括各标签结构中pet图像灰度值的最大值、最小值、中位数、均值以及两个三分位数，共6个特征统计量。

步骤5：对应获取pet图像中顶枕叶区域的特征统计量，以此为基准，对各标签结构中的特征统计量分别进行标准化得到标签结构中各特征统计量的半定量值，具体地，对于第p个标签结构的第q个特征统计量apq，其半定量值为ypq：

其中，b为顶枕叶区域的灰度值的众数，p＝1,2,……p，q＝1,2,……q，p为标签结构的总个数，q为特征统计量的个数。

步骤6：对各标签结构的半定量值进行t检验，t检验的p值阈值设定为0.05，进而完成半定量值的显著性排序，将显著性较高的一系列半定量值特征作为多巴胺转运体半定量值的最终检测指标。

上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。