基于深度学习和多图谱方法的磁共振脑图像分割算法研究

Magnetic resonance (MR) brain image segmentation is of great importance in the studies of brain science and neurosciences, and becomes a very distinctive and challenging fundamental research because of the characteristics of poor resolution and fuzzy boundary etc. This proposal plans to study the MR brain image segmentation based on deep learning and multi-atlas methods, including: ① Research on deep learning based image segmentation (DLIS) model integrating low-level image features for solving feature extraction and atlas selection in multi-atlas based image segmentation (MAIS) method. ② Research on MAIS model guided by high-resolution MR images for breaking through the image resolution limitation on MAIS. ③ Research on multi-task and multi-output learning based MAIS model for solving the isolated classifier training and label assignment voxel by voxel. ④ Research on semi-supervised label propagation algorithm based on piecewise constraint and information balance for individual and differential segmentation (IDS) utilizing target image. The research firstly obatins coarse segmentation result based on a big dataset including images with big differences by DLIS, and then MAIS is implemented for fine segmentation after atlas selection, finally target image information is utilized for achieving IDS. The entire study will be implemented according to “coarse-fine-IDS” along with the development of the interactive visual interface and evaluation platform, which will improve MR brain image segmentation, and promote its applications in neurosciences and neurological diagonisis.

磁共振脑图像分割是脑科学与神经科学中的重要问题，而其分辨率差、边界模糊等使其成为一项极具特色和挑战性的应用基础研究。本课题拟基于深度学习和多图谱方法开展其分割研究，具体包括：① 基于图像底层特征的深度学习分割研究，解决多图谱分割中的特征提取及图谱筛选问题；② 基于高分辨率图谱引导的多图谱分割研究，突破图像分辨率对多图谱分割的制约问题；③ 基于多任务和多输出学习的多图谱分割研究，解决多图谱分割逐个体素学习分类模型及分配标签的问题；④ 基于分段约束和信息均衡的半监督标签传播算法研究，基于目标图像信息实现不同个体的差异化分割。该研究先用深度学习从可能包含较大差异图像的大数据集中得到粗分割结果，进行图谱筛选后再开展多图谱精细分割研究，最后基于目标图像实现个体差异化分割。整个研究从粗到细再到个体差异化分割，并搭建可视化和评估平台，有利于推动脑图像分割在神经科学研究、神经精神疾病诊断分类中的应用。

本课题基于多图谱、多任务学习、半监督学习、有监督学习、深度学习等一系列方法，首先开展了磁共振脑图像的分割与配准工作，在此基础上开展了阿尔茨海默氏症和新生儿缺血缺氧性脑病的研究，并将相关技术推广到了其他医学图像处理领域。具体包含以下成果：.在成人脑科学领域，本课题提出四种磁共振脑图像分割与配准模型：① 一种半监督和有监督学习的标签融合方法用于多图谱海马分割；② 一种结合多任务局部标签学习和半监督标签传播的多图谱海马分割方法；③ 一种级联自动聚焦注意力机制和特征重组重校准的海马分割网络；④ 一种结合空洞卷积和残差注意力的无监督海马配准模型。在磁共振脑图像分割性能评估方面，除了采用常规指标之外，还基于海马图像分割结果开展了四项研究：① 基于海马多特征融合的3D残差注意力网络用于阿尔茨海默病早期诊断；② 深度学习注意机制和直接使用海马体在深度学习框架下进行阿尔茨海默病分类中的对比分析；③ 磁共振脑图像影像组学相似性网络在阿尔茨海默氏症病的应用：再现性、小世界特性和生物学基础；④ 影像组学相似性网络揭示MCI的亚型：定义亚型及纵向进展。.在新生儿脑科学领域，基于磁共振脑图像分割结果，开展了三项研究：① 动脉自旋标记灌注成像用于新生儿缺氧缺血性脑病(HIE)的语言和运动预后分析；② 脑损伤的放射学病理学证据：Papez回路灌注不足导致HIE新生儿神经发育不良；③ 新生儿HIE脑病在支撑新陈代谢脑区灌注信号的性别差异研究。.本课题的磁共振脑图像分割技术也在其他医学领域中的得到了应用：① 影像科常规X线平片图像儿童双下肢不等长检查过程中的自动快速测量研究；② 基于动态对比度增强MR淋巴管造影术进行胸腔淋巴流动量化研究，③ 基于深度学习和水平集的3D锥形束CT图像第一磨牙牙髓腔分割及其对年龄评估研究；④ 无创超声心动图心肌做功评估慢性心力衰竭患者左心室功能。.