本發明涉及(ji)三叉(cha)神經(jing)，特別(bie)是一種三叉(cha)神經(jing)磁共振(zhen)成像分割分類系統。

背景技術：

1、目(mu)(mu)(mu)前(qian)，研(yan)究(jiu)(jiu)者主要關注(zhu)三(san)(san)(san)叉(cha)(cha)(cha)(cha)神(shen)經(jing)(jing)在腦池段的(de)(de)(de)研(yan)究(jiu)(jiu)，但由(you)于(yu)樣本(ben)(ben)量有限(xian)，將其應用(yong)于(yu)臨(lin)床仍(reng)然具有挑戰性，具體為(wei)：山東大(da)學齊魯醫院(yuan)放射科的(de)(de)(de)qingshi?zeng等人對37例tn患者進行了(le)3d?fiesta和(he)(he)磁共振(zhen)血(xue)管造影(ying)術（mra）的(de)(de)(de)三(san)(san)(san)維快速成(cheng)像(xiang)，使(shi)用(yong)三(san)(san)(san)維u-net網(wang)絡(luo)在三(san)(san)(san)維fiesta序列(lie)上分(fen)割三(san)(san)(san)叉(cha)(cha)(cha)(cha)神(shen)經(jing)(jing)，并在mra中(zhong)分(fen)割血(xue)管，通(tong)(tong)過將兩種分(fen)割結(jie)(jie)果相結(jie)(jie)合，可以(yi)自(zi)(zi)動識別(bie)神(shen)經(jing)(jing)和(he)(he)血(xue)管的(de)(de)(de)接觸(chu)，但由(you)于(yu)三(san)(san)(san)叉(cha)(cha)(cha)(cha)神(shen)經(jing)(jing)的(de)(de)(de)結(jie)(jie)構復雜性和(he)(he)患病率低(di)，醫學圖像(xiang)數(shu)據(ju)集相對較少(shao)(shao)，這導致深度學習模型在訓練時缺乏充分(fen)的(de)(de)(de)樣本(ben)(ben)，即目(mu)(mu)(mu)前(qian)研(yan)究(jiu)(jiu)的(de)(de)(de)數(shu)據(ju)量多為(wei)幾(ji)十例或者一百多例，影(ying)響(xiang)模型的(de)(de)(de)泛(fan)化能(neng)力。目(mu)(mu)(mu)前(qian)對于(yu)三(san)(san)(san)叉(cha)(cha)(cha)(cha)神(shen)經(jing)(jing)的(de)(de)(de)研(yan)究(jiu)(jiu)多是針(zhen)對磁共振(zhen)血(xue)管造影(ying)術（mra），mra需要特殊的(de)(de)(de)成(cheng)像(xiang)序列(lie)和(he)(he)技(ji)術來突出(chu)顯示血(xue)管結(jie)(jie)構和(he)(he)血(xue)流情況(kuang)，這些額外的(de)(de)(de)技(ji)術和(he)(he)步驟可能(neng)會增加成(cheng)本(ben)(ben)，而針(zhen)對常規的(de)(de)(de)磁共振(zhen)成(cheng)像(xiang)檢查的(de)(de)(de)三(san)(san)(san)叉(cha)(cha)(cha)(cha)神(shen)經(jing)(jing)分(fen)割研(yan)究(jiu)(jiu)較少(shao)(shao)，即目(mu)(mu)(mu)前(qian)對三(san)(san)(san)叉(cha)(cha)(cha)(cha)神(shen)經(jing)(jing)痛鑒(jian)(jian)別(bie)多為(wei)觀察神(shen)經(jing)(jing)和(he)(he)血(xue)管之間的(de)(de)(de)接觸(chu)，很少(shao)(shao)有將神(shen)經(jing)(jing)網(wang)絡(luo)直接運用(yong)到三(san)(san)(san)叉(cha)(cha)(cha)(cha)神(shen)經(jing)(jing)痛中(zhong)，并通(tong)(tong)過常規的(de)(de)(de)磁共振(zhen)成(cheng)像(xiang)檢查，自(zi)(zi)動實(shi)現(xian)三(san)(san)(san)叉(cha)(cha)(cha)(cha)神(shen)經(jing)(jing)自(zi)(zi)動分(fen)割和(he)(he)三(san)(san)(san)叉(cha)(cha)(cha)(cha)神(shen)經(jing)(jing)痛鑒(jian)(jian)別(bie)。

技術實現思路

1、本發明(ming)的(de)目(mu)的(de)在于克服現有技術的(de)缺點，提供一種三叉神(shen)經磁共振成像分割(ge)分類系(xi)統。

2、本發明的(de)目的(de)通過以(yi)下技術(shu)方案來(lai)實現：一種三叉神(shen)經磁共(gong)振成(cheng)像分割分類系統(tong)，包(bao)括三叉神(shen)經磁共(gong)振成(cheng)像分割子系統(tong)和(he)三叉神(shen)經痛鑒別分類子系統(tong)；

3、三(san)叉(cha)神經磁共振成像分(fen)(fen)割子(zi)系統(tong)用(yong)于(yu)分(fen)(fen)割三(san)叉(cha)神經整個分(fen)(fen)支，并為三(san)叉(cha)神經痛(tong)鑒別(bie)分(fen)(fen)類子(zi)系統(tong)劃分(fen)(fen)關注區(qu)域(yu)；

4、三(san)(san)叉(cha)神經(jing)痛鑒別分類(lei)子系(xi)統用于(yu)識別三(san)(san)叉(cha)神經(jing)痛患者與正(zheng)常人，并對其進行分類(lei)。

5、優選的，三叉(cha)神經磁(ci)共振成像分(fen)割子系(xi)統根(gen)據不同圖(tu)像分(fen)辨率對應訓練粗定位模型和精分(fen)割模型。

6、優選的(de)(de)，粗定位模(mo)型的(de)(de)分(fen)(fen)辨率為(wei)(wei)實際(ji)分(fen)(fen)辨率的(de)(de)兩倍(bei)，其采(cai)樣(yang)方(fang)式為(wei)(wei)在(zai)整(zheng)個圖(tu)像(xiang)域(yu)(yu)中隨(sui)機(ji)(ji)采(cai)樣(yang)；精分(fen)(fen)割模(mo)型的(de)(de)分(fen)(fen)辨率為(wei)(wei)所有樣(yang)本實際(ji)分(fen)(fen)辨率的(de)(de)中位數，其采(cai)樣(yang)方(fang)式為(wei)(wei)在(zai)指示(shi)區域(yu)(yu)內(nei)隨(sui)機(ji)(ji)采(cai)樣(yang)。

7、優選的(de)，三叉神(shen)經磁共振成(cheng)像(xiang)分(fen)割(ge)子系統分(fen)割(ge)訓練的(de)步驟如下：

8、s1：收集(ji)并標記(ji)三叉(cha)神經所有三個分支；

9、s2：對數據進行預處理，并設置訓練集(ji)(ji)、驗證集(ji)(ji)和測(ce)試集(ji)(ji)，其比(bi)例為7∶1∶2；

10、s3：根(gen)據任務需求(qiu)選擇(ze)深度學習(xi)模型和超參(can)數；

11、s4：根據形態(tai)學結構(gou)將三叉(cha)神(shen)經根和神(shen)經節與(yu)三叉(cha)神(shen)經分支進行分離，并(bing)通過(guo)損(sun)失函數(shu)對分割區域進行優化，損(sun)失函數(shu)為：

12、；

13、其中，為(wei)原始手動標注(zhu)區域，為(wei)核心三(san)(san)叉(cha)神(shen)(shen)經(jing)根(gen)及神(shen)(shen)經(jing)節，為(wei)三(san)(san)叉(cha)神(shen)(shen)經(jing)分支和外(wai)圍的三(san)(san)叉(cha)神(shen)(shen)經(jing)根(gen)及神(shen)(shen)經(jing)節，和為(wei)與損(sun)失之間的權重平衡(heng)參數；

14、當(dang)損(sun)失(shi)函數為系數損(sun)失(shi)函數時(shi)，

15、；

16、當損失函數為(wei)時，

17、；

18、將(jiang)系數損(sun)失(shi)函數和作為網絡訓練的損(sun)失(shi)函數，

19、；

20、其(qi)中，為損失與損失之間的權重平衡參數；

21、最終的(de)損失函數為：

22、；

23、其中(zhong)，為(wei)損失與損失之間的(de)(de)(de)權重平衡參數(shu)，為(wei)原始手(shou)動標注區域，為(wei)核心三(san)(san)叉神經(jing)(jing)(jing)根及(ji)神經(jing)(jing)(jing)節，為(wei)三(san)(san)叉神經(jing)(jing)(jing)分支和外圍的(de)(de)(de)三(san)(san)叉神經(jing)(jing)(jing)根及(ji)神經(jing)(jing)(jing)節，和為(wei)與損失之間的(de)(de)(de)權重平衡參數(shu)；

24、s5：從訓練集中(zhong)隨(sui)機選(xuan)擇樣本數量，將這些(xie)樣本偏置場校正后(hou)讀取到模型中(zhong)，并根據采(cai)樣方式(shi)從每(mei)個樣本的范圍內隨(sui)機采(cai)取固定大小和分辨率的圖(tu)像(xiang)塊，對(dui)其進(jin)行數據增強(qiang)，并對(dui)圖(tu)像(xiang)進(jin)行歸一化；

25、s6：通(tong)過(guo)前向(xiang)傳(chuan)播(bo)，圖像(xiang)逐(zhu)層通(tong)過(guo)網絡中的(de)(de)各個(ge)神(shen)經元，生成三叉(cha)神(shen)經分(fen)割(ge)結果(guo)，根據損失(shi)函數(shu)計算(suan)三叉(cha)神(shen)經分(fen)割(ge)結果(guo)與三叉(cha)神(shen)經手工標(biao)記(ji)之間的(de)(de)損失(shi)并計算(suan)梯度，使用反向(xiang)傳(chuan)播(bo)算(suan)法更新模型參數(shu)；

26、s7：重(zhong)復步驟(zou)s5和步驟(zou)s6，將(jiang)整個訓練集(ji)數據遍(bian)歷一遍(bian)，再重(zhong)復此步驟(zou)，直至達到最大迭代次數；

27、s8：通過(guo)驗證集(ji)數(shu)據(ju)評估模(mo)型，檢測系數(shu)、召回率和精確度指標，選擇(ze)最(zui)優模(mo)型；

28、s9：使用測試集(ji)數據對最優模型進行測試，得到測試集(ji)的系數、召回率和精確度指標。

29、優選(xuan)的(de)，步驟s3中，深度(du)學(xue)習模型包(bao)括3d?u-net、nnunet、v-net和sevb-ne，超(chao)參數包(bao)括分(fen)辨率、裁剪(jian)量(liang)、采樣(yang)方式(shi)、最大迭(die)代次數、初始學(xue)習率、批量(liang)量(liang)和衰減(jian)率。

30、優選(xuan)的(de)(de)，步(bu)驟s5中，通(tong)過自適(shi)應歸一化(hua)去除mr圖像強度值高于(yu)99%和低于(yu)1%的(de)(de)體素，通(tong)過最大最小歸一化(hua)將所有圖像強度值統一在0~1之(zhi)間。

31、優選的(de)，三叉神經(jing)磁共(gong)振成像分割子系統分割推理的(de)步驟如(ru)下：

32、a1：將測試樣本偏置場校(xiao)正后(hou)的圖像讀取到模型(xing)中；

33、a2：根據粗定位(wei)模型(xing)的分辨(bian)率和(he)批量量沿一軸向將整幅圖(tu)像分為若干圖(tu)像塊；

34、a3：對讀取的(de)圖(tu)像塊(kuai)進行預處理(li)，并將(jiang)歸(gui)一(yi)化的(de)圖(tu)像輸入到(dao)已(yi)訓練好的(de)粗(cu)定位模型中(zhong)，通(tong)過(guo)前(qian)向傳播，圖(tu)像逐層通(tong)過(guo)網絡中(zhong)的(de)各個(ge)神(shen)經元，并最終(zhong)生成一(yi)個(ge)預測結果；

35、a4：重復步(bu)驟a2和步(bu)驟a3，使所有圖像塊(kuai)得到(dao)預測結(jie)果，并映射(she)預測結(jie)果至(zhi)原圖，得到(dao)與輸入圖像大小相同的(de)分割結(jie)果；

36、a5：根據粗分割結果定位三叉神經在整(zheng)幅圖(tu)像(xiang)中的位置，用(yong)邊界框bounding-box表示，通過(guo)滑動窗口將bounding-box區域(yu)分成(cheng)重(zhong)疊的子(zi)塊(kuai)，子(zi)塊(kuai)分辨率(lv)和大(da)小與細分割模型的分辨率(lv)和大(da)小相同；

37、a6：將子塊(kuai)依次輸入(ru)到已(yi)訓練好的細(xi)分割(ge)模型中，通過前向傳播(bo)，圖像逐層通過網(wang)絡中的各個(ge)神經元，并最終(zhong)生成一個(ge)預(yu)測(ce)結果；

38、a7：重(zhong)復步(bu)驟a5和步(bu)驟a6，使所有的(de)(de)圖像(xiang)塊(kuai)均(jun)得到細分(fen)(fen)割預測(ce)結(jie)果(guo)，子塊(kuai)的(de)(de)分(fen)(fen)割結(jie)果(guo)構成整個三叉神經區域的(de)(de)分(fen)(fen)割結(jie)果(guo)，重(zhong)疊部分(fen)(fen)的(de)(de)分(fen)(fen)割結(jie)果(guo)進行高斯加(jia)權(quan)平(ping)均(jun)；

39、a8：將分割后的圖像結(jie)果進行可視化展(zhan)示，用于用戶查(cha)看。

40、優(you)選(xuan)的(de)，三叉神經痛鑒(jian)別分類(lei)子系統分類(lei)訓練的(de)步驟(zou)如(ru)下(xia)：

41、b1：收集三叉神(shen)經圖像(xiang)數據集，并對其進(jin)行分類、標簽；

42、b2：圖像(xiang)通過n4?bias?field?correction得到偏置(zhi)場校(xiao)正后的圖像(xiang)，并設置(zhi)訓練(lian)集(ji)(ji)、驗證集(ji)(ji)和測試集(ji)(ji)，其比例(li)為7∶1∶2；

43、b3：根據分類任(ren)務選擇深度學習模型和(he)超參數；

44、b4：選擇步驟s4中(zhong)對應的(de)損失函(han)數來判斷模型輸(shu)出(chu)與真實標(biao)簽之(zhi)間的(de)差異；

45、b5：從訓練集中隨機(ji)選擇樣本數(shu)量(liang)，將這些(xie)樣本偏置場校正后讀取(qu)到模型中，并根據三叉神(shen)經(jing)標(biao)注得到三叉神(shen)經(jing)在(zai)整(zheng)幅圖像中的位(wei)置，并在(zai)三叉神(shen)經(jing)位(wei)置范圍(wei)內隨機(ji)采取(qu)固定(ding)大(da)小(xiao)和分辨率(lv)的圖像塊，對(dui)其進(jin)行(xing)(xing)數(shu)據增強，并對(dui)圖像進(jin)行(xing)(xing)歸(gui)一(yi)化；

46、b6：將預處理的(de)圖像輸入到模型中，并(bing)通過(guo)前向傳(chuan)播圖像逐層通過(guo)網絡中的(de)各個(ge)神經元，預測類別(bie)概(gai)率；

47、b7：根據所選損(sun)失函數(shu)計(ji)算網絡預(yu)測概率與(yu)真(zhen)實標簽之間(jian)的損(sun)失并計(ji)算梯度，使(shi)用反向傳播算法更新(xin)模型參數(shu)；

48、b8：重復步驟(zou)b5~步驟(zou)b7，將(jiang)整個訓練集數據遍歷(li)一遍，再重復此步驟(zou)，直至(zhi)達到(dao)最大迭代次數；

49、b9：通過(guo)驗證(zheng)集評估(gu)模型(xing)，計(ji)算auc、靈敏度、特(te)異度、準確(que)率、精確(que)度和f1評分指標，并(bing)選(xuan)取最優(you)模型(xing)；

50、b10：使用測(ce)試(shi)集數據對(dui)選定的模型進行測(ce)試(shi)，得到測(ce)試(shi)集的auc、靈敏度、特異(yi)度、準確(que)率(lv)、精確(que)度和f1評(ping)分指標。

51、優(you)選的，步驟b3中(zhong)，深度學(xue)習模(mo)型(xing)包括resnet、densenet和inception。

52、優(you)選的，三叉神經痛鑒別分類子系統分類推(tui)理的步驟(zou)如下：

53、c1：將測試圖像樣本經(jing)(jing)偏(pian)置場校正后和三叉神經(jing)(jing)像素級標注讀取到(dao)模型中，根(gen)據三叉神經(jing)(jing)標注得到(dao)其在整幅圖像中的位置，包括中心(xin)點坐標和長寬高；

54、c2：以三叉(cha)神(shen)經在(zai)原(yuan)圖中(zhong)的中(zhong)心點坐標(biao)為中(zhong)心，采樣固定大小(xiao)和分辨率的圖像塊；

55、c3：對(dui)讀取的圖像塊進行(xing)增強和歸一化，將預處理后的圖像塊輸(shu)入到模(mo)型進行(xing)前向傳播，計算出模(mo)型對(dui)每個類別(bie)的預測概率分布；

56、c4：根據預測結果與真實(shi)標簽之(zhi)間(jian)的差異計(ji)算模(mo)型在測試集上的性能(neng)指標；

57、c5：根(gen)據(ju)測試結果生成混淆矩陣、roc曲(qu)線(xian)、校準(zhun)曲(qu)線(xian)和決(jue)策曲(qu)線(xian)。

58、本發明具有(you)以(yi)下(xia)優(you)點：本發明基(ji)于三(san)叉神(shen)(shen)經(jing)的(de)(de)形(xing)態學(xue)結構的(de)(de)損(sun)(sun)失函(han)(han)數，將(jiang)易分(fen)(fen)(fen)(fen)(fen)割(ge)(ge)的(de)(de)三(san)叉神(shen)(shen)經(jing)根和神(shen)(shen)經(jing)節與難分(fen)(fen)(fen)(fen)(fen)割(ge)(ge)三(san)叉神(shen)(shen)經(jing)分(fen)(fen)(fen)(fen)(fen)支分(fen)(fen)(fen)(fen)(fen)別通(tong)過對應方式進行(xing)分(fen)(fen)(fen)(fen)(fen)離，從而(er)(er)對三(san)叉神(shen)(shen)經(jing)所(suo)有(you)三(san)個分(fen)(fen)(fen)(fen)(fen)支完全自(zi)動分(fen)(fen)(fen)(fen)(fen)割(ge)(ge)，同時因為難分(fen)(fen)(fen)(fen)(fen)割(ge)(ge)區(qu)域(yu)(yu)中的(de)(de)損(sun)(sun)失相對較高(gao)，從而(er)(er)將(jiang)大權(quan)重(zhong)分(fen)(fen)(fen)(fen)(fen)配給(gei)難分(fen)(fen)(fen)(fen)(fen)割(ge)(ge)區(qu)域(yu)(yu)，小權(quan)重(zhong)分(fen)(fen)(fen)(fen)(fen)配給(gei)易分(fen)(fen)(fen)(fen)(fen)割(ge)(ge)區(qu)域(yu)(yu)，進而(er)(er)該(gai)損(sun)(sun)失函(han)(han)數會優(you)先優(you)化難分(fen)(fen)(fen)(fen)(fen)割(ge)(ge)區(qu)域(yu)(yu)的(de)(de)損(sun)(sun)失，提高(gao)了分(fen)(fen)(fen)(fen)(fen)割(ge)(ge)效果。