【技术实现步骤摘要】
一种基于多模态子空间聚类的医学图像分割方法及装置
本专利技术涉及医学图像分割
，具体涉及一种基于多模态子空间聚类的医学图像分割方法及装置。
技术介绍
医学磁共振(MR)图像凭借高对比度、高分辨率、多方位等优点，广泛应用于临床医学诊断和研究。为了有效提取图像中的关键信息，图像分割成为了医学图像处理中必不可少的环节。但是，医学图像数据常具有较高的维度及多种不同属性(模态)的异构特征，其中高维数据一般含有较多的冗余特征，采用现有的阈值图像分割法、边缘检测图像分割法、区域图像分割等传统图像分割的方法，直接对其分割不仅耗时且往往难以取得好的分割效果，甚至还可能出现过度分割的情况；且医学图像中存在灰度不均匀性和复杂噪声等缺陷会掩盖数据的内在结构信息，给数据内在信息的挖掘造成一定的困难，进而影响分割精度。因此目前出现了很多基于聚类方法的图像分割法。其中最热门的基于子空间聚类的方法，子空间聚类，又称为子空间分割，假设数据分布于若干个低维子空间，子空间聚类就是将数据按某种方式分类到其所属的子空间的过程。近年来，诸多子空间聚类方法...
【技术保护点】
1.基于自监督多模态深度子空间聚类的医学图像分割方法，其特征在于，该方法包括以下步骤：/n步骤1：获取原始医学图像，并进行预处理；/n步骤2：通过卷积神经网络对步骤1预处理后的原始医学图像进行卷积和池化，转化为原始医学图像的线性特征矩阵；/n步骤3：构建基于自监督多模态深度子空间聚类方法模型，并进行模型训练；使用训练好的基于自监督多模态深度子空间聚类方法模型，对步骤2获得的原始医学图像的线性特征矩阵进行谱聚类，得到聚类后的医学特征数据；/n步骤4：将步骤3聚类后的医学特征数据，通过卷积神经网络的反卷积和上采样，处理至与原始医学图像相同的像素，得到分割后的医学图像。/n
【技术特征摘要】
1.基于自监督多模态深度子空间聚类的医学图像分割方法，其特征在于，该方法包括以下步骤：
步骤1：获取原始医学图像，并进行预处理；
步骤2：通过卷积神经网络对步骤1预处理后的原始医学图像进行卷积和池化，转化为原始医学图像的线性特征矩阵；
步骤3：构建基于自监督多模态深度子空间聚类方法模型，并进行模型训练；使用训练好的基于自监督多模态深度子空间聚类方法模型，对步骤2获得的原始医学图像的线性特征矩阵进行谱聚类，得到聚类后的医学特征数据；
步骤4：将步骤3聚类后的医学特征数据，通过卷积神经网络的反卷积和上采样，处理至与原始医学图像相同的像素，得到分割后的医学图像。
2.根据权利要求1所述的基于自监督多模态深度子空间聚类的医学图像分割方法，其特征在于，步骤2中的所述线性特征矩阵的表示公式为：
X＝[x1,…,xn]∈RD×N
式中，RD中的维度为的n个线性子空间S1∪S2∪…∪Sn的并集绘制的N个信号的集合。
3.根据权利要求2所述的基于自监督多模态深度子空间聚类的医学图像分割方法，其特征在于，步骤3中所述基于自监督多模态深度子空间聚类方法模型的框架包括多模态编码器、自表示层、多模态解码器，首先通过多模态编码器实现空间融合，然后将融合的表示送到自表示层，所述自表示层利用联合表示的自我表达性质，自表示层的输出产生的联合表示反馈到多模态解码器，自表示层输出的联合表示结果输入到多模态解码器，从联合潜在表示中重建不同的模态。
4.根据权利要求3所述的基于自监督多模态深度子空间聚类的医学图像分割方法，其特征在于，基于所述基于自监督多模态深度子空间聚类方法模型的框架，步骤3中所述基于自监督多模态深度子空间聚类方法模型的构建及训练步骤如下：
步骤31：将所述线性特征矩阵通过多模态深度子空间聚类得到亲和度矩阵Θs表示对应于端到端训练策略所学习的自表示层权重参数；
步骤32：采用自监督机器学习指导特征学习，对模型进行不断迭代训练，训练出共同的Θs，得到的Θs全部适用所有的模态；并将训练出共同的Θs纳入到自表示模型中，细化自表示模型；
步骤33：通过以下损失函数来训练模型网络，不断的优化Θs；
s.t.diag(Θs)＝0
其中ZΘe表示编码器的输出，是解码器输出端的重构信号；网络参数Θ由编码器参数Θe，解码器参数Θd和自表示层参数Θs组成...
【专利技术属性】
技术研发人员：张小乾，万黎明，刘知贵，郭丽，白克强，秦明伟，罗亮，李理，
申请(专利权)人：西南科技大学，
类型：发明
国别省市：四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。