【技术实现步骤摘要】
一种基于无监督学习的脑磁共振图像分割方法及装置
本申请涉及医学图像处理
,尤其是涉及一种基于无监督学习的脑磁共振图像分割方法及装置。
技术介绍
近年来,随着医学成像技术的发展以及大数据时代的驱动,越来越多的医学成像技术被收集和存储。生物医学成像技术的快速发展使得计算机能够方便的进入医学领域,辅助诊断与治疗。大脑是人体重要的器官,脑组织对人体健康起到至关重要的作用,因此需要准确有效的技术来辅助疾病的诊断。磁共振图像(MagneticResonanceImaging,MRI)具有高分辨率且对人体辐射小的特点,被广泛用于临床疾病的诊断与治疗。然而,脑磁共振图像本身容易受到噪声、部分容积效应以及灰度不均等因素的影响。此外,脑本身的结构复杂,脑脊液(CerebrospinalFluid)、灰质(GrayMatter)以及白质(WhiteMatter)三种组织的分布较散,比例相差较大,难以准确有效的分割。将脑组织中三种组织液进行准确有效分割,可以帮助医生对病人的脑疾病做出有效诊断与治疗,具有非常重要的医疗意义;另一方面,对人脑的探索也有研究意义。现有技术的脑磁共振图像分割方案包括以下三种:(1)基于区域特征的图像分割方案根据图像的基础特征来进行划分,比如图像的纹理、灰度以及梯度等特征划分图像。例如灰度阈值分割方法,该方法根据灰度直方图固定或者动态的选择一个灰度直方图作为阈值,然后与各个像素点的灰度比较,来进行区域的划分。这种方法对于不同区域灰度值差别大的图像能够快速分割出结果。该方案的不足在 ...
【技术保护点】
1.一种基于无监督学习的脑磁共振图像分割方法,其特征在于,包括:/n对原始脑磁共振三维图像进行初始分割处理,生成多个超体素;/n获取每个所述超体素的基础特征,并基于所述多个超体素分别对应的基础特征构建超体素特征矩阵;/n将所述超体素特征矩阵输入深度子空间聚类网络中进行训练,得到脑脊液、灰质和白质的聚类结果;/n将所述聚类结果映射到所述原始脑磁共振三维图像中,从而将所述原始脑磁共振三维图像中的脑脊液、灰质和白质进行图像分割。/n
【技术特征摘要】
1.一种基于无监督学习的脑磁共振图像分割方法,其特征在于,包括:
对原始脑磁共振三维图像进行初始分割处理,生成多个超体素;
获取每个所述超体素的基础特征,并基于所述多个超体素分别对应的基础特征构建超体素特征矩阵;
将所述超体素特征矩阵输入深度子空间聚类网络中进行训练,得到脑脊液、灰质和白质的聚类结果;
将所述聚类结果映射到所述原始脑磁共振三维图像中,从而将所述原始脑磁共振三维图像中的脑脊液、灰质和白质进行图像分割。
2.根据权利要求1所述的方法,其特征在于,对原始脑磁共振三维图像进行初始分割处理,生成多个超体素,包括:
利用迭代空间模糊聚类算法对原始脑磁共振三维图像进行初始分割处理,生成多个超体素。
3.根据权利要求1所述的方法,其特征在于,所述超体素的基础特征包括灰度直方图特征、LBP特征和Tensor特征;
获取每个所述超体素的基础特征,并基于所述多个超体素分别对应的基础特征构建超体素特征矩阵,包括:
获取每个所述超体素的灰度直方图特征、LBP特征和Tensor特征;
对所述灰度直方图和LBP特征进行包括降维和归一化的预处理;
对所述Tensor特征进行标准化预处理;
对预处理后的灰度直方图特征、LBP特征和Tensor特征进行拼接,得到超体素特征向量;
基于所述多个超体素分别对应的超体素特征向量构建超体素特征矩阵。
4.根据权利要求1所述的方法,其特征在于,所述深度子空间聚类网络包括自动编码器模块、自表示层模块和谱聚类模块,所述自动编码器模块包括编码器和解码器,所述编码器和解码器均为两层全连接层且网络维度成对称结构;所述深度子空间聚类网络的整体损失是基于所述自动编码器模块的输入输出重建损失、所述自表示层模块的输入输出重建损失和所述自表示层模块的系数损失得到的;
将所述超体素特征矩阵输入深度子空间聚类网络中进行训练,得到脑脊液、灰质和白质的聚类结果,包括:
以减小所述深度子空间聚类网络的整体损失为目的,将所述超体素特征矩阵输入深度子空间聚类网络中进行迭代训练,得到脑脊液、灰质和白质的聚类结果。
5.一种基于无监督学习的脑磁共振图像分割装置,其特征在于,包括:
生成模块,用于对原始脑磁共振三维图像进行初始分割处理,生成多个超体素;
构建模块,用于获取每个所述超体素...
【专利技术属性】
技术研发人员:李艺飞,王同乐,
申请(专利权)人:上海明略人工智能集团有限公司,
类型:发明
国别省市:上海;31
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。