技术特征：
1.一种基于上下文信息的轻量级婴儿脑组织图像分割方法，其特征在于，具体步骤包括：选取原始婴儿脑组织的第一核磁共振影像、第二核磁共振影像和婴儿脑组织失真分割标注图构成训练集；构建卷积神经网络，所述第一核磁共振影像和所述第二核磁共振影像依次进行特征提取采用多模态输入，并进行多尺度融合，将多尺度融合的结果经过相加、同时经多区域锐化进行堆叠；将训练集中的每幅第一核磁共振影像及其对应的第二核磁共振影像作为原始输入影像，输入到所述卷积神经网络进行训练，得到训练集中的每幅核磁共振成像t1模态对应的分割预测图；计算训练集中的每幅第一核磁共振影像对应的分割预测图构成的集合与对应的婴儿脑组织失真分割标注图构成的集合之间的损失函数值，采用二分类交叉熵损失函数获得，再通过adam调节器对网络参数进行更新；重复训练并计算损失函数值，确定最优权值矢量和最优偏置项。2.根据权利要求1所述的一种基于上下文信息的轻量级婴儿脑组织图像分割方法，其特征在于，所述第一核磁共振影像，第二核磁共振影像和婴儿脑组织失真分割标注图为单通道图像。3.根据权利要求1所述的一种基于上下文信息的轻量级婴儿脑组织图像分割方法，其特征在于，所述卷积神经网络包括输入层、隐层和输出层；隐层包括依次设置的10个特征提取模块、10个多尺度融合模块、5个多区域锐化模块。4.根据权利要求3所述的一种基于上下文信息的轻量级婴儿脑组织图像分割方法，其特征在于，输入层的输入端接收第一核磁共振影像及其第二核磁共振影像，输入层的输出端输出原始输入第一核磁共振影像与第二核磁共振影像给隐层；输出层的输出端接收第5个多区域锐化模块中的所有特征图，输出层的输出端输出1幅与原始输入第一核磁共振影像对应的分割预测图。5.根据权利要求3所述的一种基于上下文信息的轻量级婴儿脑组织图像分割方法，其特征在于，所述多尺度融合模块包括：第1个多尺度融合模块、第2个多尺度融合模块、第3个多尺度融合模块、第4个多尺度融合模块、第5个多尺度融合模块、第6个多尺度融合模块、第7个多尺度融合模块、第8个多尺度融合模块、第9个多尺度融合模块、第10个多尺度融合模块；所述多尺度融合模块结构相同。6.根据权利要求5所述的一种基于上下文信息的轻量级婴儿脑组织图像分割方法，其特征在于，所述多尺度融合模块包括：第一个尺寸调节模块、第二个尺寸调节模块、第三个尺寸调节模块、第四个尺寸调节模块和第一个激活函数组成；第1个多尺度融合模块的输入端接收特征提取模块输出的五组特征图，每个尺寸调节模块经过不同倍上采样，经过所述第一个激活函数，与其中一组特征图相乘，再与所述特征图相加，输出多尺度融合后的特征图。7.根据权利要求3所述的一种基于上下文信息的轻量级婴儿脑组织图像分割方法，其特征在于，所述多区域锐化模块包括第1个多区域锐化模块、第2个多区域锐化模块、第3个多区域锐化模块、第4个多区域锐化模块、第5个多区域锐化模块；所述多区域锐化模块结构
相同。8.根据权利要求7所述的一种基于上下文信息的轻量级婴儿脑组织图像分割方法，其特征在于，所述多区域锐化模块依次设置第一个空洞卷积模块、第二个空洞卷积模块、第一个池化模块、第一个激活函数；第1个多区域锐化模块的输入端接收第一核磁共振影像与第二核磁共振影像经过多尺度融合后的相加得到所有特征图，所有特征图通过所述第一个池化模块和第一个激活函数的输出结果，与所有特征图分别经过所述第一个空洞卷积模块、第二个空洞卷积模块堆叠的结果相乘，并与堆叠结果相加输出锐化后的特征图。
技术总结
本发明公开了一种基于上下文信息的轻量级婴儿脑组织图像分割方法，应用于图像处理技术领域，其在训练阶段，构建卷积神经网络并进行训练，得到对应分割预测图；再通过计算原始核磁共振成像T1模态对应的分割预测图构成的集合与对应的婴儿脑组织失真分割标注图构成的集合之间的损失函数值，并且利用Adam优化器来对网络参数进行更新；将核磁共振成像T1模态及其对应的核磁共振成像T2模态输入到卷积神经网络训练模型中，得到婴儿脑组织分割图像；本发明在各类脑组织类型中其分割效果都有较好的表现，且其参数量更低、权重更小、推理速度更快，利于在移动端设备上进行部署。利于在移动端设备上进行部署。利于在移动端设备上进行部署。
技术研发人员：方美新
受保护的技术使用者：浙江大学医学院附属儿童医院
技术研发日：2022.02.25
技术公布日：2022/5/25