[發明專利]一種基于超像素和全卷積神經網絡的腦部MR圖像分割方法

在審

• 申請號: 202111427359.3
• 申請日: 2021-11-29
• 公開（公告）號: CN114092494A
• 公開（公告）日: 2022-02-25
• 發明（設計）人: 馮云叢;劉志成;王海瑞
• 申請（專利權）人: 長春工業大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/90;G06N3/04;G06K9/62;G06V10/26;G06V10/762;G06V10/764;G06V10/82
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于超像素和全卷積神經網絡的腦部MR圖像分割方法，其特征在于，通過如下步驟實現：

步驟一，采用簡單線性迭代聚類算法對源圖像進行預處理，獲得超像素分割結果；

步驟二，構建基于加權融合的全卷積神經網絡，在不同路徑的上采樣過程中，對不同圖像層進行加權融合，從而獲得不同的分割結果；

步驟三，設計基于多數投票規則的像素分類方法，通過比較不同分割結果中像素的分類標簽，對歧義像素進行重新劃分，獲得最終的細化分割結果。

2.根據權利要求1所述的一種基于超像素和全卷積神經網絡的腦部MR圖像分割方法，其特征在于，在步驟一中，采用簡單線性迭代聚類算法對源圖像進行預處理，算法描述為：

給定一幅源圖像I，N為源圖像中所有像素的數目，以網格間距初始化K個聚類中心，計算距離測量公式如下：

其中，，表示像素p與像素q的灰度距離，表示像素p與像素q的空間距離，m和S表示兩個參數，用于平衡灰度距離和空間距離，m的取值范圍為[1, 40]。

3.根據權利要求2所述的一種基于超像素和全卷積神經網絡的腦腫瘤圖像分割方法，其特征在于，在步驟二中，構建基于加權融合的全卷積神經網絡，在不同路徑的上采樣過程中，對不同圖像層進行加權融合，構建方式為：

通過構建5條不同的網絡路徑，獲得5種包含不同信息量的圖像分割結果；

第一條路徑中，對第五層的池化層執行32倍反卷積，獲得分割結果FCN-32s；

第二條路徑中，對第五層的預測結果進行2倍上采樣與第四層的預測結果進行加權融合（權值均為1/2），獲得分割結果FCN-16s；

第三條路徑中，對第五層的預測結果進行4倍上采樣，對第四層的預測結果進行2倍上采樣，二者與第三層的預測結果進行加權融合（權值均為1/3），獲得分割結果FCN-8s；

第四條路徑中，對第五層的預測結果進行8倍上采樣，對第四層的預測結果進行4倍上采樣，對第三層的預測結果進行2倍上采樣，三者與第二層的預測結果進行加權融合（權值均為1/4），獲得分割結果FCN-4s；

第五條路徑中，對第五層的預測結果進行16倍上采樣，對第四層的預測結果進行8倍上采樣，對第三層的預測結果進行4倍上采樣，對第二層的預測結果進行2倍上采樣，四者與第一層的預測結果進行加權融合（權值均為1/5），獲得分割結果FCN-2s。

4.根據權利要求3所述的一種基于超像素和全卷積神經網絡的腦腫瘤圖像分割方法，其特征在于，在步驟三中，設計基于多數投票規則的像素分類方法，通過比較不同分割結果中像素的分類標簽，對歧義像素進行重新劃分，方法描述如下：

對于源圖像I中的像素p，如果p在所有不同的分割結果R_k（）中均被劃分到了同一區域，則該像素無需進行重新劃分，其分類標簽為，如果像素p在不同分割結果中被劃分到了不同的區域，即像素p的分類標簽是有歧義的，則像素p的最終分類標簽將根據p本身的灰度值及分割結果R_k中p所屬區域m內的像素灰度均值確定；

歧義像素p的最終分類標簽為，，其中，表示像素p的灰度值，表示像素p在分割結果R_k中所屬的分割區域，q表示分割區域內的像素，表示區域內的像素的個數。