[發(fā)明專利]一種面向醫(yī)學(xué)圖像分割的超像素方法

有效

• 申請?zhí)枺?/td>: 201810698045.9
• 申請日: 2018-06-29
• 公開（公告）號: CN109035252B
• 公開（公告）日: 2019-09-24
• 發(fā)明（設(shè)計(jì)）人: 王海鷗;劉慧;郭強(qiáng);張小峰;高珊珊;姜迪
• 申請（專利權(quán)）人: 山東財(cái)經(jīng)大學(xué)
• 主分類號: G06T7/10
• 分類號: G06T7/10
• 代理公司: 濟(jì)南舜昊專利代理事務(wù)所(特殊普通合伙) 37249
• 代理人: 侯緒軍

本發(fā)明提供一種面向醫(yī)學(xué)圖像分割的超像素方法，將醫(yī)學(xué)圖像處理為超像素；對超像素分割后醫(yī)學(xué)圖像使用雙邊濾波保留邊緣,并濾除噪聲，降低網(wǎng)絡(luò)模型的誤差率；配置網(wǎng)絡(luò)框架,通過迭代訓(xùn)練參數(shù),構(gòu)建卷積網(wǎng)絡(luò)應(yīng)用于超像素分割的醫(yī)學(xué)圖像。方法中以線性迭代聚類分割方法為基礎(chǔ),將U?Net網(wǎng)絡(luò)的思想應(yīng)用于超像素的后期優(yōu)化中,彌補(bǔ)超像素內(nèi)邊緣分割不精確的缺陷,增加規(guī)范層以提高各網(wǎng)絡(luò)層權(quán)重靈敏度,改善網(wǎng)絡(luò)收斂性能，使分割結(jié)果更接近于實(shí)際值。由于醫(yī)學(xué)圖像呈現(xiàn)的解剖結(jié)構(gòu)和病變組織十分清晰,通過SLIC算法分割的醫(yī)學(xué)圖像能夠獲取較為全面的超像素，并可通過卷積網(wǎng)絡(luò)進(jìn)一步改進(jìn)超像素邊緣精確度。

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)學(xué)圖像領(lǐng)域，尤其涉及一種面向醫(yī)學(xué)圖像分割的超像素方法。

背景技術(shù)

醫(yī)學(xué)圖像來自各種成像技術(shù)^[1],如超聲波,計(jì)算機(jī)斷層掃描(CT),X射線,核磁共振成像(MRI),用于描述人體不同組織的解剖形態(tài)結(jié)構(gòu)。醫(yī)學(xué)圖像描繪的解剖圖反映出人體的健康情況,了解人體各部位解剖圖中區(qū)域間詳細(xì)劃分,有助于輔助診斷和下一步治療。例如,肺窗包含肺實(shí)質(zhì),縱膈,胸膜,病變腫瘤,實(shí)現(xiàn)腫瘤的準(zhǔn)確分割,可以更加全面準(zhǔn)確地確定病情,選取合適的放射治療手段,提高治療成功率。但是,傳統(tǒng)的手動(dòng)分割任務(wù)量大,且分割結(jié)果因觀察者的經(jīng)驗(yàn)程度而異,因此,開發(fā)自動(dòng)和可靠的分割方法在臨床上是可行且十分重要的任務(wù)。

醫(yī)學(xué)圖像分割通常有兩個(gè)目的:描繪不同組織的組成成分,以及檢測異常組織。從語義分割的角度分析,分割是為醫(yī)學(xué)圖像中的每個(gè)像素分配一個(gè)標(biāo)記X＝(x₁,…,x_n),且像素在空間和顏色方面的相似度與標(biāo)簽相同的可能性成正比。而基于空間鄰近度、顏色相似度和邊緣等特征將像素組合分割的典型生成算法是超像素。近年來,超像素在醫(yī)學(xué)圖像處理領(lǐng)域的應(yīng)用愈加廣泛,主要體現(xiàn)在以下兩個(gè)方面:超像素算法基于空間和光度特征將像素劃分為一個(gè)個(gè)原子區(qū),構(gòu)造了像素組級別的單元,較單個(gè)像素點(diǎn)處理大幅降低了時(shí)間復(fù)雜度。其次,依據(jù)不同準(zhǔn)則構(gòu)造出的超像素,具備單個(gè)像素點(diǎn)所沒有的特征,有效改善圖像分割的質(zhì)量。

超像素生成算法主要分為兩類:基于圖論的方法和基于聚類的方法?；趫D論的分割方法利用圖論建立模型,即把像素點(diǎn)轉(zhuǎn)化為節(jié)點(diǎn),像素點(diǎn)間某特征強(qiáng)度值視為對應(yīng)節(jié)點(diǎn)間邊的權(quán)重,依據(jù)剛性準(zhǔn)則通過最優(yōu)化損失函數(shù)生成超像素。典型分割方法包括利用輪廓特征和紋理特征的Ncut方法、依據(jù)搜索最小權(quán)重路徑的Superpixel Lattice(SL)方法,以及依據(jù)隨機(jī)游走熵率和平衡項(xiàng)的目標(biāo)函數(shù)的熵率法?；诰垲惖姆指罘椒ㄊ遣捎昧司垲惖乃枷?將各像素點(diǎn)聚集成簇,直至滿足收斂標(biāo)準(zhǔn)最終得到超像素集。其中的代表性方法有基于幾何流水平集的TurboPixels方法,計(jì)算點(diǎn)概率密度以迭代聚類的Mean Shift方法,和基于顏色和距離相似度劃分的SLIC算法。

然而在使用這些硬性標(biāo)準(zhǔn)處理醫(yī)學(xué)圖像得到超像素時(shí),位于組織邊緣像素點(diǎn)的劃分仍存在類別模糊問題。產(chǎn)生的原因主要涉及兩方面,其一,超像素生成算法本身的缺陷。例如,Ncut方法能夠生成規(guī)則的超像素,但是圖像邊緣效果保持較差；SL方法能夠取得良好的分割效果,但其性能嚴(yán)重依賴預(yù)先提取的圖像邊界圖。熵率法、TurboPixels和SLIC方法均能夠生成結(jié)構(gòu)緊湊和均勻的集群,但熵率法得到的僅是局部最優(yōu)解,TurboPixels法得到的圖像邊界保持較差,SLIC方法預(yù)設(shè)的生成超像素?cái)?shù)量沒有理論性參考。其二,醫(yī)學(xué)解剖結(jié)構(gòu)圖像盡管能以高分辨率提供臟器的解剖形態(tài)信息(包括臟器和病灶的細(xì)節(jié)),但在血管與病變組織相互黏連的情況下,僅依靠解剖圖對病變組織進(jìn)行準(zhǔn)確定位是十分困難的。例如,肺窗顯示肺紋理、雙側(cè)肺為灰色,肺葉內(nèi)的血管與病變腫瘤都呈現(xiàn)偏白的顏色,計(jì)算機(jī)不具備專家的自動(dòng)識別能力,不能在血管和腫瘤之間劃清界限。