基于显著性学习卷积神经网络的脑部图像分割方法及系统技术方案

本发明专利技术公开了基于显著性学习卷积神经网络的脑部图像分割方法及系统，首先提出了一种显著性学习方法，来获取MR图像的显著性映射图。基于显著性映射图，进行显著性增强变换，获得显著性增强的图像。将显著性增强的图像分成若干图像块，训练卷积神经网络，作为最后的分割模型。在本发明专利技术中，显著性学习模型能够产生显著性映射图，该类信息是基于目标的空间位置获取的，与图像的灰度信息无关，显著性信息能够明显的加强目标的显著性，提高目标类和背景类的区分性，对于灰度不同质性具有一定的鲁棒性。因此，基于显著性增强图训练出的卷积神经网络能够学到显著性增强图的区分性信息，从而较为有效地解决脑部MR图像中的灰度不同质性问题。

Brain image segmentation method and system based on convolution neural network

The invention discloses a brain image segmentation method and system based on convolution neural network based on saliency learning. First, a saliency learning method is proposed to get the saliency map of MR images. Based on the saliency map, a significant enhancement transformation is performed to obtain a significant enhanced image. The significantly enhanced images are divided into several image blocks, and the convolution neural network is trained as the final segmentation model. In the present invention, significant learning model can produce significant map, this kind of information is based on the spatial position of target acquisition, has nothing to do with the gray information of the image, significant information can significantly strengthen the goal clear, improve the distinction of the target class and background class, different qualitative is robust for gray some. Therefore, the convolutional neural network trained by saliency enhancement graph can learn the discriminative information of the significant enhancement map, so as to effectively solve the problem of gray matter quality in MR brain.

【技术实现步骤摘要】
基于显著性学习卷积神经网络的脑部图像分割方法及系统
本专利技术涉及医学图像上分割
，特别是涉及基于显著性学习卷积神经网络的脑部图像分割方法及系统。
技术介绍
脑部疾病由于其严重的危害性已成为当今社会关注的焦点。核磁共振图像(MR，magneticresonance)具有对比度高、显示信息丰富等优点，已成为辅助诊断脑疾病的主要成像方式。利用计算机对医学图像进行自动分析已成为辅助临床诊断的重要手段。医学图像分割技术能将目标区域提取出来，是对病灶区进行量化分析与诊断的基础。因此，专利技术一种脑部MR图像的分割方法对于提高脑疾病诊断的精度和效率具有重要的意义。现有的脑部MR分割方法主要包括阈值法、基于活动轮廓模型以及基于学习模型的方法等等。然而，脑部MR图像存在灰度不同质性问题，使得现有的方法分割效果较差。例如，单一的阈值法对于脑部MR图像中的噪声较为敏感，很难将灰度差异性较大的同一区域分割出来。虽然已有相关研究对活动轮廓模型进行了改进使其能够在一定程度上处理灰度不同质性问题，然而，当灰度变化较大时，活动轮廓模型仍然不能取得令人满意的性能。基于学习模型分割方法的思路是将分割问题转化成对像素的分类问题。现有的学习模型可以分为浅层学习模型和深度学习模型。近年来，深度学习模型在图像识别、语音识别、自然语言处理等领域都取得了突破性进展。相比较浅层学习模型，深度学习模型具有以下优点：(1)对于目标具有更强大的表达能力。(2)是端到端的模型，不需要进行繁琐的人工定义特征。鉴于深度学习模型的以上优点，利用深度学习模型对复杂的脑部MR图像进行分割是一种行之有效的思路。然而，灰度不同质性问题往往会造成训练样本难以区分。即同类样本差异性较大，不同类样本差异性小。这种样本的差异性分布使得很难训练出一个有效的深度学习模型。基于以上分析，直接利用现有的深度学习模型很难取得较好的分割效果。因此，如何设计一种有效的方法来增强目标区域与背景区域的区分性，并将这类区分性信息融入到学习模型中，有望提高脑部MR图像的分割性能。
技术实现思路
为了解决现有技术的不足，本专利技术提供了一种基于显著性学习卷积神经网络的脑部图像分割方法，该方法首先提出了显著性学习模型，获取显著性映射图。基于显著性映射图，进行图像变换，获得显著性增强图。在获得的显著性增强图像中，目标的显著性得到了增强，从而提高了目标区域与背景区域的区分性。基于显著性增强图像，将该图像分成若干图像块，获得训练集。利用卷积神经网络进行训练，训练获得的模型即为分割模型。新建立的分割模型能够较好地处理灰度不同质性问题，提高了脑部MR图像分割的准确性和鲁棒性。一种基于显著性学习卷积神经网络的脑部图像分割方法，分为训练和分割两个阶段：训练阶段：步骤(11)：获取核磁共振图像MR图像作为训练图像；步骤(12)：对训练图像进行超像素分割，得到若干个训练超像素；步骤(13)：对获取的训练超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征；将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式进行特征融合，得到融合之后的特征；步骤(14)：基于步骤(13)得到的融合之后的特征构造训练阶段的字典，然后利用训练阶段的字典和基于稀疏表达的分类方法SRC(sparserepresentationbasedclassification)对步骤(12)得到的训练超像素进行分类，获得初始分割结果；基于获得的初始分割结果，利用高斯概率密度函数获得每个训练超像素的分类概率，作为学习到的训练阶段显著性映射图；步骤(15)：基于训练阶段显著性映射图，进行图像变换，获得训练阶段显著性增强图像；步骤(16)：将训练阶段显著性增强图像分成若干训练图像块；基于获得的训练图像块对卷积神经网络进行训练；分割阶段；基于与训练阶段步骤(12)-步骤(15)同样的步骤，对待分割图像进行处理，最后得到分割阶段显著性增强图像，将分割阶段显著性增强图像分成若干分割阶段图像块，利用步骤(16)训练得到的卷积神经网络对分割阶段图像块进行分类，得到最终的分类结果。分割阶段：步骤(21)：获取一幅待分割的核磁共振图像MR图像；步骤(22)：对待分割核磁共振图像MR图像进行超像素分割，得到若干个分割阶段的超像素；步骤(23)：对获取的分割阶段的超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征；将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式进行特征融合，得到融合之后的特征；步骤(24)：利用训练阶段的字典和基于稀疏表达的分类方法SRC(sparserepresentationbasedclassification)对步骤(22)得到的分割阶段的超像素进行分类，获得初始分割结果；基于获得的初始分割结果，利用高斯概率密度函数获得每个分割阶段的超像素的分类概率，作为学到的分割阶段的显著性映射图；步骤(25)：基于分割阶段的显著性映射图，进行图像变换，获得分割阶段的显著性增强图像；步骤(26)：将分割阶段的显著性增强图像分成若干分割阶段的图像块；基于获得的分割阶段的图像块，利用已经训练好的卷积神经网络进行分类，分类结果即为最后的分割结果。所述步骤(12)中，采用SLIC超像素分割算法对图像进行超像素分割，得到M个超像素Sp{p＝1,2,…,M}。所述步骤(14)中，基于步骤(13)得到的融合之后的特征，采用K-means方法对超像素进行聚类，构造字典：假设在训练集中有N个病人的数据，则对每个病人的病灶区类和背景类均使用K-means聚成K类，则N个病人的数据共聚成2KN类，获得2KN个聚类中心；所述聚类中心组成字典D，如公式(1)所示：D＝[C1，1,C1，2,...,C1K,B1，1,B1，2,...,B1，K,...,Cz,v,...,Bz,v,...,CN,1,...CN,K,BN,1,...,BN,K](1)其中，Cz,v表示第z个病人的来自病灶区区域的第v个聚类中心；Bz,v表示第z个病人的来自背景区域的第v个聚类中心；字典构建完成后，利用字典和基于稀疏表达的分类方法SRC对超像素进行分类，使用稀疏表达对训练阶段的超像素进行分类的过程：公式(2)中，fc是稀疏系数，fL是步骤(13)得到的融合之后的特征；通过最小化L1范数||fc||1，得到fc的值；使用MATLAB的SLEP工具箱对公式(2)进行求解，获得fc的解后，使用公式(3)获得超像素的分类结果rm(fL)，其中，fc-m表示稀疏系数向量fc中用于表达第m类的权重值。rm(fL)＝||fL-Dfc-m||2，m＝1,2,…2KN(3)根据公式(3)计算得到2KN个rm(fL)，当rm(fL)的值最小时，对应类别就是超像素的类别。获得超像素的类别即可获得目标区域的初始分割区域，基于初始分割区域的空间位置信息，利用高斯概率密度函数计算显著性映射图。利用高斯概率密度函数计算每个像素的概率，基于所有像素的概率获得脑部图像中待分割目标区域的显著性映射图，如公式(11)所示：公式(11)，P(l|x)表示像素点x属于脑部图像中待分割目标区域的概率，l是像素x的标记,当x属于脑部图像中待分割目标区域，l的值是1，否则是0；像素c是检测到的脑部图像中待分割目标区域的本文档来自技高网...

【技术保护点】
一种基于显著性学习卷积神经网络的脑部图像分割方法，其特征是，分为训练和分割两个阶段：训练阶段：步骤(11)：获取核磁共振图像MR图像作为训练图像；步骤(12)：对训练图像进行超像素分割，得到若干个训练超像素；步骤(13)：对获取的训练超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征；将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式进行特征融合，得到融合之后的特征；步骤(14)：基于步骤(13)得到的融合之后的特征构造训练阶段的字典，然后利用训练阶段的字典和基于稀疏表达的分类方法SRC对步骤(12)得到的训练超像素进行分类，获得初始分割结果；基于获得的初始分割结果，利用高斯概率密度函数获得每个训练超像素的分类概率，作为学习到的训练阶段显著性映射图；步骤(15)：基于训练阶段显著性映射图，进行图像变换，获得训练阶段显著性增强图像；步骤(16)：将训练阶段显著性增强图像分成若干训练图像块；基于获得的训练图像块对卷积神经网络进行训练；分割阶段；基于与训练阶段步骤(12)‑步骤(15)同样的步骤，对待分割图像进行处理，最后得到分割阶段显著性增强图像，将分割阶段显著性增强图像分成若干分割阶段图像块，利用步骤(16)训练得到的卷积神经网络对分割阶段图像块进行分类，得到最终的分类结果。...

【技术特征摘要】
1.一种基于显著性学习卷积神经网络的脑部图像分割方法，其特征是，分为训练和分割两个阶段：训练阶段：步骤(11)：获取核磁共振图像MR图像作为训练图像；步骤(12)：对训练图像进行超像素分割，得到若干个训练超像素；步骤(13)：对获取的训练超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征；将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式进行特征融合，得到融合之后的特征；步骤(14)：基于步骤(13)得到的融合之后的特征构造训练阶段的字典，然后利用训练阶段的字典和基于稀疏表达的分类方法SRC对步骤(12)得到的训练超像素进行分类，获得初始分割结果；基于获得的初始分割结果，利用高斯概率密度函数获得每个训练超像素的分类概率，作为学习到的训练阶段显著性映射图；步骤(15)：基于训练阶段显著性映射图，进行图像变换，获得训练阶段显著性增强图像；步骤(16)：将训练阶段显著性增强图像分成若干训练图像块；基于获得的训练图像块对卷积神经网络进行训练；分割阶段；基于与训练阶段步骤(12)-步骤(15)同样的步骤，对待分割图像进行处理，最后得到分割阶段显著性增强图像，将分割阶段显著性增强图像分成若干分割阶段图像块，利用步骤(16)训练得到的卷积神经网络对分割阶段图像块进行分类，得到最终的分类结果。2.如权利要求1所述的一种基于显著性学习卷积神经网络的脑部图像分割方法，其特征是，分割阶段：步骤(21)：获取一幅待分割的核磁共振图像MR图像；步骤(22)：对待分割核磁共振图像MR图像进行超像素分割，得到若干个分割阶段的超像素；步骤(23)：对获取的分割阶段的超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征；将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式进行特征融合，得到融合之后的特征；步骤(24)：利用训练阶段的字典和基于稀疏表达的分类方法SRC对步骤(22)得到的分割阶段的超像素进行分类，获得初始分割结果；基于获得的初始分割结果，利用高斯概率密度函数获得每个分割阶段的超像素的分类概率，作为学到的分割阶段的显著性映射图；步骤(25)：基于分割阶段的显著性映射图，进行图像变换，获得分割阶段的显著性增强图像；步骤(26)：将分割阶段的显著性增强图像分成若干分割阶段的图像块；基于获得的分割阶段的图像块，利用已经训练好的卷积神经网络进行分类，分类结果即为最后的分割结果。3.如权利要求1所述的一种基于显著性学习卷积神经网络的脑部图像分割方法，其特征是，所述步骤(12)中，采用SLIC超像素分割算法对图像进行超像素分割，得到M个超像素Sp{p＝1,2,…,M}。4.如权利要求1所述的一种基于显著性学习卷积神经网络的脑部图像分割方法，其特征是，所述步骤(14)中，基于步骤(13)得到的融合之后的特征，采用K-means方法对超像素进行聚类，构造字典：假设在训练集中有N个病人的数据，则对每个病人的病灶区类和背景类均使用K-means聚成K类，则N个病人的数据共聚成2KN类，获得2KN个聚类中心；所述聚类中心组成字典D，如公式(1)所示：D＝[C1，1,C1，2,...,C1K,B1，1,B1，2,...,B1，K,...,Cz,v,...,Bz,v,...,CN,1,...CN,K,BN,1,...,BN,K](1)其中，Cz,v表示第z个病人的来自病灶区区域的第v个聚类中心；Bz,v表示第z个病人的来自背景区域的第v个聚类中心；字典构建完成后，利用字典和基于稀疏表达的分类方法SRC对超像素进行分类，使用稀疏表达对训练阶段的超像素进行分类的过程：公式(2)中，fc是稀疏系数，fL是步骤(13)得到的融合之后的特征；通过最小化L1范数||fc||1，得到fc的值；使用MATLAB的SLEP工具箱对公式(2)进行求解，获得fc的解后，使用公式(3)获得超像素的分类结果rm(fL)，其中，fc-m表示稀疏系数向量fc中第m类的权重值；rm(fL)＝||fL-Dfc-m||2，m＝1,2,…2KN(3)根据公式(3)计算得到2KN个rm(fL)，当rm(fL)的值最小时，对应类别就是超像素的类别；获得超像素的类别即可获得目标区域的初始分割区域，基于初始分割区域的空间位置信息，利用高斯概率密度函数计算显著性映射图；利用高斯概率密度函数计算每个像素的概率，基于所有像素的概率获得脑部图像中待分割目标区域的显著性映射图，如公式(11)所示：公式(11)，P(l|x)表示像素点x属于脑部图像中待分...

【专利技术属性】
技术研发人员：尹义龙，袭肖明，杨公平，孟宪静，杨璐，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东,37