(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 202111683008.9 (22)申请日 2021.12.31 (71)申请人 深圳先进技 术研究院 地址 518055 广东省深圳市南 山区西丽大 学城学苑大道1068号 (72)发明人 胡战利　黄振兴　刘涵　郑海荣　 梁栋　刘新　 (74)专利代理 机构 北京市诚辉律师事务所 11430 专利代理师 耿慧敏　成丹 (51)Int.Cl. G06T 11/00(2006.01) G06T 7/11(2017.01) G06T 7/33(2017.01) G06N 3/04(2006.01)G06K 9/62(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) (54)发明名称 基于PET/MR成像系统的自动脑区分割方法 及装置 (57)摘要 本发明涉及一种基于PET/MR成像系统的自 动脑区分割方法及装置， 将MRI图像和PET图像特 征进行融合， 提高脑区分割精度与准确率。 所述 方法将同一人的MRI图像和PET图像作为一个样 本； 将每个样本中的MRI图像进行去颅骨、 绘制标 签处理后， 将其作为模板对PET图像进行配准处 理， 使得PET图像与MRI图像共用标签； 对配准后 的图像， 按照横断面进行切片处理， 并对切片图 像进行数据归一化处理以及对标签进行独热编 码； 建立一个具有两个输入通道 一个输出通道的 Unet模型； 将MRI图像与PET图像的切片作为U net 模型的输入， 得到特征融合后的脑区分割结果。 本发明通过融合PET/MR双模态的特征， 保留个体 特异性， 提高脑区分割精度与准确率。 权利要求书2页 说明书7页 附图3页 CN 114463456 A 2022.05.10 CN 114463456 A 1.一种基于PET/MR成像系统的自动脑区分割方法， 其特征在于， 所述方法包括下述步 骤： S100、 将同一人的MRI图像和 PET图像作为一个样本； 在将每个样本中的MRI图像进行去 颅骨、 绘制标签处理后， 将其作为模板对PET图像进行配准处理， 使得PET图像与MRI图像共 用标签； S200、 对配准后的图像， 按照横断面进行切片处理， 并对切片图像进行数据归一化处理 以及对标签进行独热编码； S300、 建立一个具有两个输入通道的Unet模型； S400、 将MRI图像与PET图像 的切片作为Unet模型的输入， 得到特征融合后的脑区分割 结果。 2.根据权利要求1所述的方法， 其特 征在于， 所述Unet模型为7层Unet模型； 所述7层Unet模型包括14个卷积模块； 前6个卷积模块中， 每个卷积模块后面设置一个 下采样模块； 从第8个卷积模块到第13个卷积模块， 每个卷积模块前面设置一个上采样模 块； 所述下采样模块采用最大池化对输入图像进行缩小处 理； 所述上采样模块采用逆卷积对输入图像进行放大处 理； 前13个卷积模块中， 每个卷积模块有两个卷积层用于特征提取， 在每个卷积层依次增 加归一化层和激活层； 第14个卷积模块只有一个卷积层， 用于 输出脑区分割标签； 所述归一化层采用的归一化方法为实例归一化， 所述激活层的函数选择Leaky  ReLU激 活函数。 3.根据权利要求2所述的方法， 其特征在于， 所述脑区标签为43个， 包括42个脑区分割 标签和1个背景。 4.根据权利要求2所述的方法， 其特征在于， 所述7层Unet模型采用下述损失函数来衡 量每次模型训练的效果， 损失函数越小， 表明当前模型对PET图像的脑区分割结果越接近 MRI图像标签对应的值； Loss＝α Lde+β Lce 上式中： α， β 分别是交叉熵损失函数和 Dice损失函数的权重， 都设置为1； M是脑区分割类别的数 量； N为每张切片上的像素点总数； pi， j是输出图像的第i个 像素在第j个脑区分割类别上的预测值； gi， j是MRI的切片图像的第i个 像素在第j个脑区分割类别上的真实值。 5.根据权利要求6所述的方法， 其特 征在于， 所述损失函数使用Adam优化器来优化。 6.一种基于PET/MR成像系统的自动脑区分割装置， 其特征在于， 所述装置包括预处理权　利　要　求　书 1/2 页 2 CN 114463456 A 2模块、 Unet模块； 所述预处 理模块包括配准单 元、 切片单 元、 数据归一 化单元以及独热编码单 元； 所述配准单元： 将同一人的MRI图像和 PET图像作 为一个样本； 在将每个样本中的MRI图 像进行去颅骨、 绘制标签处理后， 将其作为模板对PET图像进行配准处理， 使得PET图像与 MRI图像共用标签； 所述切片单 元： 将配准后的图像， 按照横断面进行切片处 理； 所述数据归一 化单元： 将MRI切片图像、 PET切片图像进行归一 化处理； 所述独热编码单 元： 将标签 类别对应通道数 所在的位置设置为1， 其它位置设置为0； 所述Unet模块： 将MRI图像与PET图像 的切片作为Unet模型的输入， 得到特征融合后的 脑区分割结果。 7.根据权利要求6所述的装置， 其特 征在于， 所述Unet模块 为7层Unet模型； 所述7层Unet模型包括14个卷积模块； 前6个卷积模块中， 每个卷积模块后面设置一个 下采样模块； 从第8个卷积模块到第13个卷积模块， 每个卷积模块前面设置一个上采样模 块； 所述下采样模块采用最大池化对输入图像进行压缩处 理； 所述上采样模块采用逆卷积对输入图像进行放大处 理； 前13个卷积模块中， 每个卷积模块有两个卷积层用于特征提取， 在每个卷积层依次增 加归一化层和激活层； 第14个卷积模块只有一个卷积层， 用于 输出各类脑区分割结果； 所述归一化层采用的归一化方法为实例归一化， 所述激活层的函数选择Leaky  ReLU激 活函数。 8.根据权利要求6所述的装置， 其特征在于， 所述脑区标签为43个， 包括42个脑区分割 标签和1个背景。 9.根据权利要求6所述的装置， 其特征在于， 所述7层Unet模型采用下述损失函数来衡 量每次模型训练的效果， 损失函数越小， 表明当前模型对PET图像的脑区分割结果越接近 MRI图像标签对应的真实值； Loss＝α Lde+β Lce 上式中： α， β 分别是交叉熵损失函数和 Dice损失函数的权重， 都设置为1； M是脑区分割类别的数 量； N为每张切片上的像素点总数； pi， j是输出图像的第i个 像素在第j个脑区分割类别上的预测值； gi， j是MRI的切片图像的第i个 像素在第j个脑区分割类别上的真实值。 10.根据权利要求6所述的装置， 其特 征在于， 所述损失函数使用Adam优化器来优化。权　利　要　求　书 2/2 页 3 CN 114463456 A 3