基于结构特征的多图谱脑磁共振图像分割及病变分析

Precise segmentation of brain tissues from magnetic resonance (MR) images is an important measure to study the mechanism of disease formation and plays an important role in clinical application. Our proposed project will focus on the common problems of multi-atlas brain MR image segmentation and the characteristics problems of images with brain lesions, on the basis of the deep learning, starting from the spatial relationship of the image and the consistency of the anatomical structure, constructs a framework of brain MRI images segmentation based on structural feature. Main contents of the project includes: (1) A asymmetric mixture model by integrating local correlation and non-local similarity of deep spatial structure information to overcome the artifacts that MR images suffer from. (2) Construct a mutually exclusive dictionary for unbalanced data of brain MR image segmentation to take both within-class consistency and between-class mutual exclusion. (3) Build a feature extraction framework for multi-atlas segmentation by dictionary evolution with structural information to bridge the image domain and the label domain, and finally improve the precision of brain tissue segmentation. The achievements of this project will advance the practice of feature extraction and dictionary learning in medical imaging and provide more effective quantitative indicators for the diagnosis and prevention of brain diseases.

基于磁共振图像的脑组织精准分割是研究疾病形成机制的重要手段，对临床应用具有重要指导意义。本项目将针对脑磁共振图像分割的共性问题及脑病变图像的特性问题，借鉴深度学习方法，从图像的空间关系和解剖结构一致性出发，研究基于结构特征的多图谱脑磁共振图像分割方法，构建一套行之有效的脑磁共振图像分割理论与应用框架。具体开展如下研究工作：（1）针对磁共振图像的自身缺陷，研究融合结构信息的非对称有限混合模型分割算法，引入图像先验表征机理和空间结构信息，消除图像缺陷对分割的影响。（2）针对不同脑组织训练样本不均衡问题，构建具有互斥标记信息的字典学习模型，提升字典表达的类内一致性与类间互斥性。（3）针对多图谱分割模型中的域不连贯问题，利用深度网络构造基于结构特征的多层字典学习模型，实现脑组织精准分割及病变分析。本项目成果可以丰富特征提取和字典学习在医学影像领域的实践，为脑疾病的诊断和预防提供有效的量化分析参数。

基于脑磁共振图像的脑组织精确分割对生物医学研究和临床应用具有重要的指导意义，同时脑磁共振图像的病变组织分割是研究疾病形成机制的重要手段。本项目针对脑磁共振图像分割的共性问题及脑病变图像的特性问题，研究了基于结构特征的多图谱脑磁共振图像分割方法。.（1）完成了融合结构信息的非对称有限混合方法研究，针对脑磁共振图像中存在的噪声、灰度分布不均匀、低对比度和弱边界等缺陷，通过引入图像先验表征机理和数据约束信息，深化模型选择准则研究，提出了基于无监督非对称有限混合模型的分割模型，提高了图像分割精度。.（2）实现了基于3DU-Net方法的多模态磁共振图像分割方法研究，利用不同的模态对于分割特定类型的肿瘤区域具有不同的重要性的特点，将磁共振模态权重引入脑肿瘤分割任务中，提升模型特征学习能力；在3DU-Net网络下采样过程中提取非局部信息，使用含非局部信息的加权特征代替原网络特征，增强特征表达能力；并设计了多种损失函数，解决了脑肿瘤类别不平衡问题，提高了模型鲁棒性。.（3）构建了轻量化医学图像分割模型，针对医学图像分割任务中模型复杂度不断提升但精度提升却十分有限的问题设计了一种基于卷积网络和MLP的轻量化分割框架。在下采样过程中，使用轻量化的SE-Block增加通道注意力；并设计了两种MLP模块对特征进行标记，提高特征质量；在上采样过程中，使用PSP模块融合多尺度信息。该方法在图像分割任务中取得了具有竞争力的精度并且具有更快的推理速度，为临床应用奠定基础。