[發明專利]一種基于SEEDS算法和GRU網絡的腦圖像分割方法

在審

• 申請號: 202011037578.6
• 申請日: 2020-09-28
• 公開（公告）號: CN112132842A
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 文穎;顧安琪
• 申請（專利權）人: 華東師范大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/187;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海宛林專利代理事務所(普通合伙) 31361
• 代理人: 徐靜杰

1.一種基于SEEDS算法和GRU網絡的腦圖像分割方法，其特征在于，所述方法包括如下步驟：

步驟S1：對腦圖像集進行預處理，以去除腦圖像中的腦殼部分；

步驟S2：利用SEEDS算法對所述腦圖像集中的訓練集的圖像進行初步的圖像分割，構建超像素無向圖；

步驟S3：根據步驟S2得到的超像素無向圖構建特征序列訓練集和真值集；

步驟S4：將步驟S3構建的特征序列訓練集和真值集作為GRU網絡的輸入，訓練GRU網絡；

步驟S5：利用SEEDS算法對所述腦圖像集中的訓練集的圖像進行初步的圖像分割，構建超像素無向圖；根據得到的超像素無向圖構建特征序列；將得到的特征序列輸入到步驟S4得到的已訓練的GRU網絡中進行分類，得到各個超像素塊的分類結果，將分類結果返回到原圖上，得到分割后的腦圖像。

2.如權利要求1所述的基于SEEDS算法和GRU網絡的腦圖像分割方法，其特征在于，所述腦圖像的分割是指劃分出腦圖像中的灰質、白質和腦脊液。

3.如權利要求1所述的基于SEEDS算法和GRU網絡的腦圖像分割方法，其特征在于，所述腦圖像集來自醫學圖像數據庫BrainWeb。

4.如權利要求1所述的基于SEEDS算法和GRU網絡的腦圖像分割方法，其特征在于，在步驟S1之前還包括步驟S0：將腦圖像集分為訓練集和測試集，其中所述訓練集的圖像數量占所述腦圖像集的圖像數量的50％以上。

5.如權利要求4所述的基于SEEDS算法和GRU網絡的腦圖像分割方法，其特征在于，所述訓練集的圖像數量占所述腦圖像集的圖像數量的70％以上。

6.如權利要求1所述的基于SEEDS算法和GRU網絡的腦圖像分割方法，其特征在于，步驟S1中對腦圖像集進行預處理以去除腦圖像中的腦殼部分是通過BET算法對腦圖像集進行處理。

7.如權利要求1所述的基于SEEDS算法和GRU網絡的腦圖像分割方法，其特征在于，步驟S2中構建超像素無向圖是通過SEEDS算法對圖像進行預分割得到超像素預分割圖，再將每一塊超像素區域作為一個節點，相鄰的超像素區域用邊進行連接，構建超像素無向圖。

8.如權利要求1所述的基于SEEDS算法和GRU網絡的腦圖像分割方法，其特征在于，步驟S3具體包括如下步驟：

步驟S3-1：對于每一個超像素節點，構建D×B的特征序列，其中D為輸入的特征維度，B為序列的長度；

步驟S3-2：根據每一張訓練圖像給定的分割真值構建其真值向量；

步驟S3-3：對于訓練集的每一張圖像，重復步驟S3-1和S3-2，構建適用于GRU網絡的特征序列訓練集和真值集。

9.如權利要求1所述的基于SEEDS算法和GRU網絡的腦圖像分割方法，其特征在于，步驟S4具體包括如下步驟：

步驟S4-1：初始化GRU網絡結構；設置GRU網絡的隱藏單元的數量numHiddem＝50，分割類別數量numClass＝3，最大迭代輪數maxEpoch＝50，批大小為miniBatchSize＝512；

步驟S4-2：選擇Adam作為網絡優化算法，交叉熵損失作為損失函數，Relu作為激活函數，訓練GRU網絡；訓練過程分為前向傳播和反向傳播兩個過程，首先輸入由步驟S3構建的特征序列訓練集和真值集，前向傳播通過Relu激活函數得到預測結果，再通過計算交叉熵損失，反向傳播實現每一次迭代來更新GRU參數。

10.如權利要求1所述的基于SEEDS算法和GRU網絡的腦圖像分割方法，其特征在于，步驟S5具體包括如下步驟：

步驟S2’：利用SEEDS算法對腦圖像集中的測試集的圖像進行初步的圖像分割，構建超像素無向圖；

步驟S3’：根據步驟S2’得到的超像素無向圖構建特征序列；

步驟S5-1：將步驟S3’得到的特征序列輸入到步驟S4得到的已訓練的GRU網絡中進行分類，得到各個超像素塊的分類結果；

步驟S5-2：將各個超像素塊的分類標簽，返回到原測試圖像中各個超像素塊所對應的區域，作為每個區域的標簽，得到分割后的腦圖像。