一种基于深度学习和核磁共振Dixon的腹部脂肪定量方法与流程

一种基于深度学习和核磁共振dixon的腹部脂肪定量方法
技术领域
1.本发明涉及医学领域，尤其是涉及一种基于深度学习和核磁共振 dixon的腹部脂肪定量方法。


背景技术：

2.肥胖人口日益增多已经成为世界范围内的一个重大公共卫生问题，肥胖也是导致代谢紊乱和心脑血管疾病的重要危险因素。虽然体重指数(bmi)是一种广泛使用的衡量体内脂肪积累的指标，但它本身并不提供关于不同类型脂肪组织含量或是脂肪沉积位置分布的信息。腹部脂肪组织(aat)由皮下脂肪组织(sat)和内脏脂肪组织(vat)组成。两种脂肪组织分别的累积程度经常被与慢性心血管疾病、葡萄糖损伤和血脂异常的风险增加联系在一起。最近，几项研究表明，与sat相比，vat的积累与不良的代谢和炎症反应之间存在更强的联系。因此，如何准确测量vat和sat各自体积进行精确定量具有重要的临床和研究意义。
3.测定局部体脂方法有很多，如生物电阻抗法、双能x线吸收法、 ct、mri和超声等。目前，最为准确的无创测量vat和sat体积的方法是手动分割来自磁共振dixon扫描的腹部脂肪图像——这通常是由放射科医生对原始图像进行人工处理，标识出腹内vat和sat 范围的一个非常耗时耗力的工作。目前，市面上已经出现了半自动分割的软件，但是其主要工作仍然是人工完成的。这类软件虽然能在一定程度上提升分割的效率，但是医生仍然需要10分钟以上的时间完成单张图片的分割。另外，基于此类软件的商用分割服务通常昂贵，例如，单次扫描分割的费用需要2000元。因此，对于大型影像中心，腹部脂肪的自动分割方法非常必要。然而，由于复杂的vat和sat 结构、各种各样的vat形状、受试者之间的巨大解剖差异以及dixon 图像的固有缺陷：脂肪组织类别之间的低对比度、不均匀的信号和不自主的器官运动。这些因素都为脂肪的准确分割带来了挑战。
4.近年来深度学习技术在医学图像处理中有了长足的进步，多种基于深度学习软件可用于医学图像分割、分类和目标检测等。全卷积神经网络(fcn)已被计算机视觉领域所广泛采使用，此类方法以端到端的方式进行体素级别的图像分割，无需手动提取特征或将图像切割。在fcn基础上开发的unet网络的结构，它与fcn相比，可以更好地对图像多尺度信息进行融合，更加适合医学图像的分割。unet可以自动提取内在特征并整合全局信息以解决局部歧义性，从而改善模型分割的结果，为克服上述挑战带来了可行的方法。
5.现有的半自动分割方法普遍存在各自缺陷，例如：
6.基于阀值的分割方法对噪声敏感，目标灰度值差异不明显或有重叠分割效果不佳；基于边缘的分割方法不能得到较好的区域结构，边缘检测时抗噪性和检测精度之间的相互制约；基于区域的分割方法容易造成图像的过度分割；基于聚类的图像分割方法没有考虑空间信息，对噪声和灰度不均匀敏感。实际过程中，这些方法往往会结合使用，并且需要对每一层图片分别进行处理，其次是这些算法要对sat与 vat分别进行分割，必须对图片进行两次处理。繁多的步骤除耗费了大量的时间和工作量还增加了出现额外错误的几率。


技术实现要素：

7.针对现有存在的技术问题，本发明提供一种基于深度学习unet 网络模型的腹部脂肪定量方法，能够对腹部核磁共振dixon影像进行自动分割和vat/sat定量，且操作简便定量准确率高。
8.本发明采用以下技术方案：
9.一种基于深度学习和核磁共振dixon的腹部脂肪定量方法，包括以下步骤：
10.s1：建立核磁共振dixon腹部影像数据集，再将数据集分为训练样本和测试样本；
11.s2：将dixon图像分为腹腔层面和非腹腔层面，得到已标注的定位数据集；
12.s3:以阈值法将所有腹腔层面dixon图像二值化，将二值化的图像分为脂肪与非脂肪成分。两位医影像科师手工将图像上脂肪组织分为sat、vat、骨髓3个区域，得到已标注的分割数据集；
13.s4：创建冠状位和矢状位的两个2d u-net深度学习网络模型，用于定位腹腔区域；
14.s5：对s4)所述模型参数进行初始化，根据s2)数据训练定位模型；
15.s6：创建冠状位、矢状位和轴位的三个2d u-net深度学习网络模型，用于分割vat和sat；
16.s7:对s6)所述模型参数进行初始化，根据s3)数据训练分割模型；
17.s8:将s1)中所述得到的测试用定位数据输入s5)所述的训练后定位模型,对测试集中的磁共振dixon图像进行处理,从而得到腹腔层面的dixon数据。
18.s9:将s8)中所述得到的数据输入s7)所述的训练后分割模型, 对腹腔层面的dixon图像进行处理，从而得到腹腔层面的dixon图像分割结果。
19.所述s4)中冠状位和矢状位两个位面的定位结果相平均，得到最终的腹腔定位结果。
20.所述s6)中冠状位、矢状位和轴位的三个位面的分割结果按照 0.25、0.25、0.5加权平均，得到最终的腹腔定位结果。
21.本发明的优点是：能够对腹部核磁共振dixon影像进行自动分割和vat/sat定量，且操作简便定量准确率高。
附图说明
22.下面结合实施例和附图对本发明进行详细说明，其中：
23.图1是本发明的流程图；
24.图2是本发明实施中深度学习2d u-net的网络结构；
25.图3是本发明实施中对腹部dixon图像分割结果展示。其中：
26.图3a、图3b、图3c、图3d、图3e、图3f为横断位mr影像及对应的脂肪分割结果示意图。
27.图4a、图4b、图4c、图4d、图4e、图4f为冠状位mr影像及对应的脂肪分割结果示意图。
28.图5a、图5b、图5c、图5d、图5e、图5f为矢状位mr影像及对应的脂肪分割结果示意图。
具体实施方式
29.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
30.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存 (flash ram)。内存是计算机可读介质的示例。
31.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
32.如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。此外，“耦接”一词在此包含任何直接及间接的电性耦接手段。因此，若文中描述一第一装置耦接于一第二装置，则代表所述第一装置可直接电性耦接于所述第二装置，或通过其他装置或耦接手段间接地电性耦接至所述第二装置。说明书后续描述为实施本技术的较佳实施方式，然所述描述乃以说明本技术的一般原则为目的，并非用以限定本技术的范围。本技术的保护范围当视所附权利要求所界定者为准。
33.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
34.为了使本发明的目的，技术方案及优点更加清楚明白，下面结合一实施例对本发明进行进一步说明：
35.如图1所示，本发明公开了一种基于深度学习和核磁共振dixon 的腹部脂肪定量方法，包括以下步骤：
36.s1：建立核磁共振dixon腹部影像数据集，再将数据集分为训练样本和测试样本；
37.s2：将dixon图像分为腹腔层面(从第十二胸椎以下至第五腰椎以上之间区域)和非腹腔层面(第十二胸椎以上和第五腰椎以下区域)，得到已标注的定位数据集；
38.s3:以阈值法将所有腹腔层面dixon图像二值化，将二值化的图像分为脂肪与非脂肪成分。两位医影像科师手工将图像上脂肪组织分为sat、vat、骨髓3个区域，得到已标注的
分割数据集；
39.s4：创建冠状位和矢状位的两个2d u-net深度学习网络模型，用于定位腹腔区域(从第十二胸椎以下至第五腰椎以上之间区域)；
40.s5：对s4)所述模型参数进行初始化，根据s2)数据训练定位模型；
41.s6：创建冠状位、矢状位和轴位的三个2d u-net深度学习网络模型，用于分割vat和sat，如图2所示；
42.s7:对s6)所述模型参数进行初始化，根据s3)数据训练分割模型；
43.s8:将s1)中所述得到的测试用定位数据输入s5)所述的训练后定位模型,对测试集中的磁共振dixon图像进行处理,从而得到腹腔层面的dixon数据，如图3a、图3b、图3c、图3d、图3e、图3f为横断位mr影像及对应的脂肪分割结果示意图。图4a、图4b、图4c、图4d、图4e、图4f为冠状位mr影像及对应的脂肪分割结果示意图。图5a、图5b、图5c、图5d、图5e、图5f为矢状位mr影像及对应的脂肪分割结果示意图。其为腹部dixon图像分割结果展示。其中图 3b、图3d、图3f、图4b、图4d、图4f、图5b、图5d、图5f为蓝色皮下脂肪(外部)，绿色内脏脂肪(内部)。
44.s9:将s8)中所述得到的数据输入s7)所述的训练后分割模型, 对腹腔层面的dixon图像进行处理，从而得到腹腔层面的dixon图像分割结果。
45.所述s4)中冠状位和矢状位两个位面的定位结果相平均，得到最终的腹腔定位结果。
46.所述s6)中冠状位、矢状位和轴位的三个位面的分割结果按照 0.25、0.25、0.5加权平均，得到最终的腹腔定位结果。
47.下面进一步阐述本发明的具体实施方式：
48.实施例一
49.s1：建立核磁共振dixon腹部影像数据集，深度学习建立模型步骤分为训练步骤和测试步骤，本发明将数据集采用纯随机的采样方式分为训练样本和测试样本；
50.s2：将dixon图像分为腹腔层面(从第十二胸椎以下至第五腰椎以上之间区域)和非腹腔层面(第十二胸椎以上和第五腰椎以下区域),对每个层面进行标注其是否属于腹腔层面，从而得到已标注的定位数据集；
51.s3:以阈值法将所有腹腔层面dixon图像二值化，将二值化的图像分为脂肪与非脂肪成分。两位医影像科师手工将图像上脂肪组织分为sat、vat、骨髓3个区域，得到已标注的分割数据集；
52.s4：创建冠状位和矢状位的两个2d u-net深度学习网络模型，用于定位腹腔区域(从第十二胸椎以下至第五腰椎以上之间区域)；
53.s5：对s4)所述模型参数进行初始化，根据s2)数据训练定位模型；
54.s6：创建冠状位、矢状位和轴位的三个2d u-net深度学习网络模型，用于分割vat和sat并对骨髓进行分割。
55.s7:对s6)所述模型参数进行初始化，根据s3)数据训练分割模型；
56.s8:将s1)中所述得到的测试用定位数据输入s5)所述的训练后定位模型,对测试集中的磁共振dixon图像进行处理,从而得到腹腔层面的dixon数据。
57.s9:将s8)中所述得到的数据输入s7)所述的训练后分割模型,对腹腔层面的dixon
图像进行处理，从而得到腹腔层面的dixon图像分割结果。
58.本实施例为dixon序列梯度回波数据，mri数据采集使用3t磁共振成像仪，数据接收采用16通道体部线圈。序列参数为：重复时间(tr)＝4.1ms，回波时间一(te1)＝1.25ms，回波时间二(te2) ＝2.5ms，翻转角(flip angle)＝6
°
，脉冲重复激发次数(nex) ＝1，视野(fov)＝500mm
×
420mm，层数＝72，层面间隔(slice gap) ＝0，矩阵大小＝512x512，层厚(thickness)＝5.6mm，该序列总扫描时间共15秒，均在被试屏气时完成。
59.本实施中上述模型是在带有tensorflow后端的keras中使用具有12gb ram和以下参数的nvidia titan xp gpu实现的。
60.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。