[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

本發明提供了一種基于能量驅動采樣超像素分割(SEEDS)算法和門控循環單元(GRU)網絡的腦圖像分割方法。首先，通過對多模態圖像進行預處理，得到有效的腦組織圖像；同時，利用SEEDS超像素分割方法將原始腦圖像劃分成一定數量的超像素塊并提取其空間特征；然后，對于每一塊超像素塊，通過已訓練的GRU網絡進行分類，再將分類結果結合原始腦圖像得到最終的腦組織分割結果。本發明通過利用超像素為基本單元構建腦圖像的空間特征，既保存了腦組織的局部特征和邊緣信息，又能精準地描述各部分的腦組織結構，同時利用GRU網絡將原始圖像信息和空間特征融合，大大提升了分割精度。

技術領域

本發明屬于圖像分割技術領域，特別涉及一種基于SEEDS算法和GRU網絡的腦圖像分割方法。

背景技術

近年來，腦部疾病由于其高發病率和高危率越來越受到人們的關注，腦部功能疾病診斷的一個重要環節就是提取腦組織。作為一種無損傷、無輻射的成像方式，腦核磁共振圖(Magnetic resonance，MR)已經成為診斷治療腦部疾病的重要工具。通過設置、調節不同的參數可以獲得T1、T2、PD不同模態的MR圖像，不同的腦部信息被側重體現在不同模態的圖像上，因此充分利用模態信息可以有助于更深入的研究。從MR圖像上分割出腦部病變區域，可以對后續的治療起到引航的作用。

圖像分割是指依據一些相似的特征，把圖像劃分成不同的、有特點的多個區域。傳統的圖像分割方法通常以像素作為基本單元，很少考慮到像素間關系，一旦遇到尺寸過大的圖片，處理分割的效率就會大大降低。在這種情況下，超像素的出現，將像素組合成感知有意義的原子區域，可以用來替換傳統的像素網絡剛性結構，它可以捕獲圖像冗余，大大提升了分割效率，有效地降低了圖像處理任務的復雜度，不但可以針對圖像的局部區域進行特征提取，還可以反映圖像的空間結構信息，為計算圖像特征提供方便，所以被廣泛運用在許多圖像處理的預處理步驟當中。目前，超像素已經涉及到諸多領域，例如深度估計、目標的跟蹤和識別等計算機視覺領域。

隨著越來越多超像素算法的提出，根據其不同的原理，超像素分割大致可以分為兩類：一種是基于圖論的方法，比較具有代表型的算法有：圖論算法(Graph-based Cut)、基于熵率的算法(Entropy Rate Superpixel，ERS)。圖論算法將像素點看作是圖的節點，使得每個超像素都是組成像素的最小生成樹，圖論方法可以很好地粘附到圖像邊界，但缺點是會產生非常不規則尺寸和形狀的超像素。而基于熵率的算法通過最大化包含平衡項和隨機游走熵率的目標函數來實現圖像分割，它可以產生形狀較為規則的超像素。另一種是基于梯度上升的方法，具體有簡單線性迭代聚類(Simple Linear Iterative Clustering，SLIC)、均值漂移算法(Mean shift，MS)等。均值漂移算法通過沿著密度上升的方向尋找屬于同一類簇的像素點，可以產生形狀規則的超像素，缺點是速度慢、無法控制超像素的數量。簡單線性迭代聚類是經典的一種超像素分割方法，通過采用K均值算法生成超像素，其時間復雜度較低，同時又可以控制超像素的尺寸和緊湊度，缺點是噪聲對初始聚類中心影響較大，算法需要設置的參數較多。

發明內容

有鑒于現有技術的上述缺陷，在對已有圖像分割方法效果提升的基礎上，本發明的目的是提出一種基于能量驅動采樣超像素分割(Superpixels Extracted Via Energy-Driven Sampling，SEEDS)算法和門控循環單元(Gated Recurrent Unit，GRU)網絡的腦圖像分割方法。首先，通過對多模態圖像進行預處理，得到有效的腦組織圖像；同時，利用SEEDS超像素分割方法將原始腦圖像劃分成一定數量的超像素塊并提取其空間特征；然后，對于每一塊超像素塊，通過已訓練的GRU網絡進行分類，再將分類結果結合原始腦圖像得到最終的腦組織分割結果。本發明通過利用超像素為基本單元構建腦圖像的空間特征，既保存了腦組織的局部特征和邊緣信息，又能精準地描述各部分的腦組織結構，同時利用GRU網絡將原始圖像信息和空間特征融合，大大提升了分割精度。