一种基于深度学习和水平集方法的医学图像分割方法技术

本发明专利技术涉及医学图像分割技术领域，具体是一种基于深度学习和水平集方法的医学图像分割方法，所述基于深度学习和水平集方法的医学图像分割方法，包括结合深度学习建立新的能量泛函，使用Bregman方法极小化能量泛函，对输入图像进行分割处理，输出分割结果，该基于深度学习和水平集方法的医学图像分割方法结合深度学习建立新的能量泛函，能够快速、高效的分割医学图像，使用Bregman方法极小化能量泛函，使医学图像分割的时间和准确性都明显优于现有的算法。

【技术实现步骤摘要】
一种基于深度学习和水平集方法的医学图像分割方法
本专利技术属于医学图像分割
，具体涉及一种基于深度学习和水平集方法的医学图像分割方法。
技术介绍
医学图像分割方法可以对MRI、CT、US和PET等医学图像进行分割，由于医学图像的诸多限制，已有的医学图像分割方法包括基于阈值、基于活动轮廓、基于神经网络模型的医学图像分割方法都存在些问题需解决，对比如下。基于阈值的分割方法的关键是找到一个或多个合适的阈值来实现对图像的分割。其中最具代表性的是日本学者大津于1979年提出的最大类间方差法，这是一种自适应的阈值确定方法，但是不能分割多通道图像。同时，仅利用灰度直方图得到的阈值并不能得到令人满意的结果，因为有图像本身的灰度分布及噪声干扰等因素的影响。且没有考虑到目标整体的形状与轮廓，没有从整体性分割图像。基于活动轮廓模型的方法使用连续曲线表达目标边缘，结合长度项，数据项等构建能量函数，利用梯度下降法等优化方法极小化能量函数，能量函数达到最小时，连续曲线就是目标轮廓，从而完成了图像分割。其中CV(Chan-Vese)模型方法考虑图像整体本文档来自技高网...

【技术保护点】
1.一种基于深度学习和水平集方法的医学图像分割方法，其特征在于，包括：S1、结合深度学习建立新的能量泛函；S2、使用Bregman方法极小化能量泛函；S3、对输入图像进行分割处理，输出分割结果。/n

【技术特征摘要】
1.一种基于深度学习和水平集方法的医学图像分割方法，其特征在于，包括：S1、结合深度学习建立新的能量泛函；S2、使用Bregman方法极小化能量泛函；S3、对输入图像进行分割处理，输出分割结果。


2.根据权利要求1所述一种基于深度学习和水平集方法的医学图像分割方法，其特征在于，所述步骤S1中建立能量泛函的具体过程为：
S21、定义了约束项如公式(1)：



其中φ是水平集函数，φcon表示U-Net分割的水平集函数，γ是一个正参数。
S22、令I：为给定输入图像，新的能量泛函如公式(2)：



公式(2)其中变量如公式(3)：



其中，λ1，λ2，η，σ均为非负参数，g是一个边界检测函数，Kσ是高斯核函数，Hε(z)是近似的赫维赛德函数，M1(φ(x))＝Hε(φ(x))，M2(φ(x))＝1-Hε(φ(x)),f1和f2分别是轮廓两侧的局部强度近似值；
S23、用内积重写内积函数，极小化问题转化如公式(4)：



公式(4)其中变量如公式(5)：





3.根据权利1或2所述的一种基于深度学习和水平集方法的医学图像分割方法，其特征在于，所述步骤S2中采用Bregman方法极小化能量泛函的具体步骤为：
S31、定义辅助变...

【专利技术属性】
技术研发人员：杨云云，冯翀，王若凡，谢睿诚，
申请(专利权)人：哈尔滨工业大学深圳，
类型：发明
国别省市：广东;44