(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210656324.5 (22)申请日 2022.06.10 (71)申请人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 张文耀　李雪　康子健　王成　 (74)专利代理 机构 北京正阳理工知识产权代理 事务所(普通 合伙) 11639 专利代理师 张利萍 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 一种结合UNet和主动轮廓模型的大脑提取 方法 (57)摘要 本发明涉及一种结合UNet和主动轮廓模型 的大脑提取方法， 属于医学图像分割技术领域， 属于医学图像分割领域。 该方法包括： 获取脑部 医学图像数据集， 并做必要的预处理； 将数据集 划分为训练集和测试集； 构造U Net卷积神经网络 模型； 使用训练集数据按照二分类交叉熵损失函 数训练模型； 再次使用训练集数据按照复合损失 函数继续训练模型； 将测试图像输入模型， 依据 模型输出建立分割掩码， 得到分割结果。 本发明 能够在不改变原有训练数据的情况下， 通过其特 殊的损失函数设计以及模型训练策略， 从脑部医 学图像中剔除头皮、 颅骨和脑脊液， 得到更加精 细的大脑分割结果。 权利要求书2页 说明书8页 附图4页 CN 115100123 A 2022.09.23 CN 115100123 A 1.一种结合UNet和主动轮廓模型的大脑提取 方法， 其特 征在于， 包括以下步骤： 步骤1： 获取脑部 医学图像数据集， 并对脑部医学图像数据集进行必要的预处理使其满 足神经网络处 理要求； 步骤2： 将脑部医学图像数据集划分为训练集S和 测试集T； 步骤3： 令BS为训练数据集S中的脑部医学图像， BS的大小为H ×W×D， 依据BS的大小构造 包含n次下采样和n上采样的UNet卷积神经网络模型M， 其中参数n根据图像大小和实际应用 需求设定， 模型M的网格结构和构造方法如下： 模型M首先通过下采样、 上采样以及跳跃连接将2n+1个基本 网络块组合在一起； 每个基 本网络块NetBi(i＝1,…,2n+1)都包含两个卷积层， 卷积层中卷积核大小为3 ×3×3， 滑动 步长为1， 填充参数为1， 激活函数为ReLU函数， 归一 化操作为批量归一 化； NetB1的输入为脑部医学图像； NetBi(i＝1,…,n)的输出经过一个最大池化层处理后作 为NetBi+1的输入， 其中最大池化层的池化核大小为2 ×2×2， 滑动步长为2； 最大池化层将 NetBi(i＝1,…,n)与NetBi+1连接起来实现一次空间分辨 率的下采样； NetBj(j＝n+1, …,2n)的输出经过一个反卷积层处理后作为NetBj+1的输入， 其中反卷积 层的卷积核大小为2 ×2×2， 滑动步长为2， 填充参数为1； 反卷积层将NetBj(j＝n+1, …,2n) 与NetBj+1连接起来实现一次空间分辨率的上采样； 此外， NetBj+1(j＝n+1, …,2n)还通过跳 跃连接将NetB2n‑j+1的输出复制过来， 与其原有输入合并在一 起作为其输入； 在模型M的网络结构中， 网络块之间除了空间分辨率的变化外， 还存在卷积核数的变 化； 在网络块内部， 每个卷积层的卷积核数是一样； 但在网络块之间， NetBi(i＝2,…,n+1) 的卷积核数 是NetBi‑1的两倍， NetBj(j＝n+2,…,2n+1)的卷积核数 是NetBj‑1的二分之一； 模型M的最后是依次连接的1 ×1×1卷积层和SoftMax层； 网络块NetB2n+1的输出被传递 给1×1×1卷积层， 由该层负责将前面网络聚集得到的多通道特征图转换为两通道特征图； 两通道特征图经SoftMax层处理后， 即可得到模型M预测的脑部医学图像各像素点属于大脑 以及非脑区域的概 率； 步骤4： 对M进行初始化， 然后采用训练集S中的数据， 对模型M进行训练， 训练过程中的 损失函数采用如下二分类交叉熵损失函数： 其中(i,j,k)是输入的脑部医学图像BS的像素点编号， xi,j,k是模型预测的像素点(i,j, k)属于大脑区域的概率， yi,j,k为该像素点所对应分割标签的取值， 如果某像素点属于大脑 区域， 则其分割标签取值 为1， 否则为0； 步骤5： 采用训练集S中的数据， 继续对模型M进行训练， 训练过程中的损失函数采用如 下复合损失函数： LossCOM＝w1·LossBCE+w2·LossACM， 其中LossBCE表示二分类交叉熵损失， LossACM表示基于主动轮廓模型的损失， w1和w2是根 据实际应用需求设定 权重参数， L ossBCE按照步骤4的公式计算， L ossACM的计算方法如下：权　利　要　求　书 1/2 页 2 CN 115100123 A 2其中(i,j,k)是输入的脑部医学图像BS的像素点编号， xi,j,k是模型预测的像素点(i,j, k)属于大脑区域的概率， ui,j,k表示脑部医学图像数据与其分割标签数据相乘后的像素点 灰 度值； μ≥0， ν≥0， λ1≥0， λ2≥0分别是根据实际应用需求设定的各个求和 项的系数参数； c1 和c2分别表示大脑区域像素点和非脑区域像素点的平均灰度值， 各自的计算方法如下： 步骤6： 从测试集T中选取脑部医学图像BT， 输入模型M， 得到模型输出的预测BT各像素点 属于大脑以及非脑区域的概率； 然后依据预测的概率建立分割掩码LT， 其中如果某像素点 属于大脑区域的概率大于非脑区域的概率， 则该像素点对应的分割掩码取值为 1， 否则取值 为0； 最后， 分割掩码LT中取值为1的区域 就是所要提取的大脑区域。权　利　要　求　书 2/2 页 3 CN 115100123 A 3