一种基于无监督学习的脑磁共振图像分割方法及装置制造方法及图纸

本申请提供了一种基于无监督学习的脑磁共振图像分割方法及装置，其中，该方法包括：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。本申请实施例可以在不需要标签的情况下，利用深度子空间聚类网络对脑磁共振中的三种组织脑脊液、灰质和白质进行准确有效的分割。

【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。该方案的不足在于：由于脑磁共振图像不同区域的灰度差别不是很大，分割效果不是很理想。(2)基于图谱特征的图像分割方案选择合适的模板图像，通过准确合适的图像匹配算法，将模板上的像素点与待配准的图像上的点进行映射，给待配准图像上的每个像素点贴上标签。基于多图谱分割的方法，使用多个图谱来进行配准，因此，一定程度上减弱了图谱模板与待分割图像之间相似度的要求。该方案的不足在于：基于图谱特征的图像分割方案，实际是把图像分割转化成图像配准，使得最后的分割结果非常依赖于模板图像和待配准图像之间的相似性。这些特点使得最终脑组织的分割结果都不是很理想。(3)基于深度学习的图像分割方案利用深度学习特有的非线性特征提取能力，获取图像的高维特征，然后将图像或像素点进行分类；通过反向传播算法来减小损失函数，逐步提高处理结果。在图像分割领域，在足够数量的图像和高质量标注结果的条件下，选择合适的网络模型，经过反复的训练和调参，最终能够得到较好的结果。该方案的不足在于：基于深度学习的图像分割方法大多数是基于强监督的方案，依赖于大规模的图像和高质量的标注图像；其中标注图像依赖于专业医生的标注，结果取决于医生的经验水平，这无疑增加了获取高质量标注图像的难度。
技术实现思路
有鉴于此，本申请的目的在于提供一种基于无监督学习的脑磁共振图像分割方法及装置，可以在不需要标签的情况下，利用深度子空间聚类网络对脑磁共振中的三种组织脑脊液、灰质和白质进行准确有效的分割。第一方面，本申请实施例提供了一种基于无监督学习的脑磁共振图像分割方法，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。在一种可能的实施方式中，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。在一种可能的实施方式中，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。在一种可能的实施方式中，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。第二方面，本申请实施例还提供一种基于无监督学习的脑磁共振图像分割装置，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；训练模块，用于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；映射模块，用于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。在一种可能的实施方式中，所述生成模块具体用于：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。在一种可能的实施方式中，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；所述构建模块包括：获取单元，用于获取每个所述超体素的灰度直方图特征、LBP特征和Tensor特征；第一预处理单元，用于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；第二预处理单元，用于对所述Tensor特征进行标准化预处理；拼接单元，用于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；构建单元，用于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。在一种可能的实施方式中，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本文档来自技高网...

【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