[發明專利]基于顯著性學習卷積神經網絡的腦部圖像分割方法及系統有效
| 申請號： | 201710763727.9 | 申請日： | 2017-08-30 |
| 公開（公告）號： | CN107506761B | 公開（公告）日： | 2020-01-17 |
| 發明（設計）人： | 尹義龍;襲肖明;楊公平;孟憲靜;楊璐 | 申請（專利權）人： | 山東大學 |
| 主分類號： | G06K9/32 | 分類號： | G06K9/32;G06K9/34;G06K9/62;G06T7/11 |
| 代理公司： | 37221 濟南圣達知識產權代理有限公司 | 代理人： | 黃海麗 |
| 地址： | 250101 *** | 國省代碼： | 山東;37 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 顯著 性學 卷積 神經網絡 腦部 圖像 分割 方法 系統 | ||
1.一種基于顯著性學習卷積神經網絡的腦部圖像分割方法，其特征是，分為訓練和分割兩個階段：
訓練階段：
步驟(11)：獲取核磁共振圖像MR圖像作為訓練圖像；
步驟(12)：對訓練圖像進行超像素分割，得到若干個訓練超像素；
步驟(13)：對獲取的訓練超像素提取平均灰度值、基于共生矩陣的紋理特征以及局部灰度特征；將平均灰度值、基于共生矩陣的紋理特征以及局部灰度特征采用串聯方式進行特征融合，得到融合之后的特征；
步驟(14)：基于步驟(13)得到的融合之后的特征構造訓練階段的字典，然后利用訓練階段的字典和基于稀疏表達的分類方法SRC對步驟(12)得到的訓練超像素進行分類，獲得初始分割結果；基于獲得的初始分割結果，利用高斯概率密度函數獲得每個訓練超像素的分類概率，作為學習到的訓練階段顯著性映射圖；
步驟(15)：基于訓練階段顯著性映射圖，進行圖像變換，獲得訓練階段顯著性增強圖像；
步驟(16)：將訓練階段顯著性增強圖像分成若干訓練圖像塊；基于獲得的訓練圖像塊對卷積神經網絡進行訓練；
分割階段；基于與訓練階段步驟(12)-步驟(15)同樣的步驟，對待分割圖像進行處理，最后得到分割階段顯著性增強圖像，將分割階段顯著性增強圖像分成若干分割階段圖像塊，利用步驟(16)訓練得到的卷積神經網絡對分割階段圖像塊進行分類，得到最終的分類結果。
2.如權利要求1所述的一種基于顯著性學習卷積神經網絡的腦部圖像分割方法，其特征是，分割階段：
步驟(21)：獲取一幅待分割的核磁共振圖像MR圖像；
步驟(22)：對待分割核磁共振圖像MR圖像進行超像素分割，得到若干個分割階段的超像素；
步驟(23)：對獲取的分割階段的超像素提取平均灰度值、基于共生矩陣的紋理特征以及局部灰度特征；將平均灰度值、基于共生矩陣的紋理特征以及局部灰度特征采用串聯方式進行特征融合，得到融合之后的特征；
步驟(24)：利用訓練階段的字典和基于稀疏表達的分類方法SRC對步驟(22)得到的分割階段的超像素進行分類，獲得初始分割結果；基于獲得的初始分割結果，利用高斯概率密度函數獲得每個分割階段的超像素的分類概率，作為學到的分割階段的顯著性映射圖；
步驟(25)：基于分割階段的顯著性映射圖，進行圖像變換，獲得分割階段的顯著性增強圖像；
步驟(26)：將分割階段的顯著性增強圖像分成若干分割階段的圖像塊；基于獲得的分割階段的圖像塊，利用已經訓練好的卷積神經網絡進行分類，分類結果即為最后的分割結果。
3.如權利要求1所述的一種基于顯著性學習卷積神經網絡的腦部圖像分割方法，其特征是，所述步驟(12)中，采用SLIC超像素分割算法對圖像進行超像素分割，得到M個超像素Sp{p＝1,2,…,M}。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于山東大學，未經山東大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201710763727.9/1.html，轉載請聲明來源鉆瓜專利網。
