图像分割方法和装置、电子设备、机器可读存储介质制造方法及图纸

本发明专利技术提供了一种图像分割方法，其包括：接收输入的K空间数据，所述K空间数据具有复数形式；利用复数分割神经网络对所述K空间数据进行分割处理；根据分割后的K空间数据形成分割后的图像。本发明专利技术还提供了一种图像分割装置、电子设备以及机器可读存储介质。本发明专利技术直接对具有复数形式的K空间数据进行了分割，可以省略现有的一系列的成像过程，避免了图像数据在傅里叶变换中的损失，降低了分割成本的同时还提高了分割效率。

【技术实现步骤摘要】
图像分割方法和装置、电子设备、机器可读存储介质
本专利技术属于图像处理
，具体的地讲，涉及一种图像分割方法、图像分割装置、电子设备以及机器可读存储介质。
技术介绍
对于磁共振成像图像的分割，现有技术一般是基于频域图像进行分割，即将采集到的K空间数据通过傅里叶变换后所得到的图像进行分割。现有的磁共振成像图像的分割方法一般遵循如下顺序，首先由磁共振设备扫描目标对象得到欠采样的K空间数据，然后经过压缩感知等方法重建后得到近似的全采样K空间数据，接着使用傅里叶变换的方法将K空间数据从时域信号转化为可以被识别的频域信号，也就是通常的医学图像，再接着经过神经网络等方法对频域信号进行再次重建，增加图像细节例如边缘增强，调高亮度等，最后再使用神经网络等方法对重建后的医学图像进行分割。然而，现有的分割方法的这一系列过程不仅繁琐，并且在傅里叶变换和重建中也会导致图像信息丢失，从而影响整个图像的分割质量。
技术实现思路
为了解决上述现有技术存在的技术问题，本专利技术提供了一种直接利用K空间数据进行图像分割的图像分割方法、图像分割装置、电子设备以及机器可读存储介质。根据本专利技术的实施例的一方面提供的图像分割方法，其包括：接收输入的K空间数据，所述K空间数据具有复数形式；利用复数分割神经网络对所述K空间数据进行分割处理；根据分割后的K空间数据形成分割后的图像。在上述一方面提供的图像分割方法的一个示例中，所述利用复数分割神经网络对所述K空间数据进行分割处理，包括：利用复数分割神经网络的复数卷积层对输入的K空间处理进行复数卷积处理，以得到复数卷积数据；利用复数分割神经网络的复数批归一化层对所述复数卷积数据进行复数批归一化处理，以得到复数归一化数据；利用复数分割神经网络的复数激活函数层对所述复数归一化数据进行激活处理，以得到分割后的K空间数据。在上述一方面提供的图像分割方法的一个示例中，利用复数分割神经网络的复数卷积层，并根据下面的式子1来对输入的K空间处理进行复数卷积处理，以得到复数卷积数据，[式子1]x＝W*h＝(A*a-B*b)+i(B*a+A*b)其中，x表示所述复数卷积数据，W＝A+iB表示所述复数卷积层的复数卷积核，h＝a+ib表示输入的K空间数据，a、b、A、B分别表示实常数。在上述一方面提供的图像分割方法的一个示例中，利用复数分割神经网络的复数批归一化层，并根据下面的式子2和式子3对所述复数卷积数据进行复数批归一化处理，以得到复数归一化数据，[式子2][式子3]其中，表示所述复数卷积数据的协方差，V表示协方差矩阵，E[x]表示所述复数卷积数据的数学期望，表示所述复数归一化数据，γ表示复数矩阵，β表示复数参数。在上述一方面提供的图像分割方法的一个示例中，所述利用复数分割神经网络的复数激活函数层对所述复数归一化数据进行激活处理，以得到分割后的K空间数据，包括：利用复数分割神经网络的复数激活函数层对所述复数归一化数据的实部和虚部分别进行激活处理，以得到分割后的K空间数据。在上述一方面提供的图像分割方法的一个示例中，所述复数激活函数层采用复数线性整流函数分别对所述复数归一化数据的实部和虚部进行激活处理，以得到分割后的K空间数据。根据本专利技术的实施例的另一方面提供的图像分割装置，其包括：复数数据接收模块，用于接收输入的K空间数据，所述K空间数据具有复数形式；复数分割神经网络模块，用于利用复数分割神经网络对所述K空间数据进行分割处理；成像模块，用于根据分割后的K空间数据形成分割后的图像。在上述另一方面提供的图像分割装置的一个示例中，所述复数分割神经网络模块包括：复数卷积层单元，用于利用复数分割神经网络的复数卷积层对输入的K空间处理进行复数卷积处理，以得到复数卷积数据；复数批归一化层单元，用于利用复数分割神经网络的复数批归一化层对所述复数卷积数据进行复数批归一化处理，以得到复数归一化数据；复数激活函数层单元，用于利用复数分割神经网络的复数激活函数层对所述复数归一化数据进行激活处理，以得到分割后的K空间数据。根据本专利技术的实施例的又一方面提供的电子设备，其包括：至少一个处理器，以及与所述至少一个处理器耦合的存储器，所述存储器存储指令，当所述指令被所述至少一个处理器执行时，使得所述至少一个处理器执行如上所述的图像分割方法。根据本专利技术的实施例的再一方面提供的机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的图像分割方法。有益效果：本专利技术直接对具有复数形式的K空间数据进行了分割，可以省略现有的一系列的成像过程，避免了图像数据在傅里叶变换中的损失，降低了分割成本的同时还提高了分割效率。附图说明通过结合附图进行的以下描述，本专利技术的实施例的上述和其它方面、特点和优点将变得更加清楚，附图中：图1是根据本专利技术的实施例的图像分割方法的流程图；图2是根据本专利技术的实施例的图像分割方法中利用复数分割神经网络对K空间数据进行分割处理的方法流程图；图3是根据本专利技术的实施例的图像分割装置的方框图；图4是示出了根据本专利技术的实施例的实现图像分割方法的电子设备的方框图具体实施方式以下，将参照附图来详细描述本专利技术的具体实施例。然而，可以以许多不同的形式来实施本专利技术，并且本专利技术不应该被解释为限制于这里阐述的具体实施例。相反，提供这些实施例是为了解释本专利技术的原理及其实际应用，从而使本领域的其他技术人员能够理解本专利技术的各种实施例和适合于特定预期应用的各种修改。如本文中使用的，术语“包括”及其变型表示开放的术语，含义是“包括但不限于”。术语“基于”、“根据”等表示“至少部分地基于”、“至少部分地根据”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义，无论是明确的还是隐含的。除非上下文中明确地指明，否则一个术语的定义在整个说明书中是一致的。如上所述，现有图像分割方法的过程不仅繁琐，并且在傅里叶变换和重建中也会导致图像信息丢失，从而影响整个图像的分割质量。为了简化图像分割方法的过程，根据本专利技术的实施例提供了一种图像分割方法和图像分割装置。该图像分割装置可以包括：接收输入的K空间数据，所述K空间数据具有复数形式；利用复数分割神经网络对所述K空间数据进行分割处理；根据分割后的K空间数据形成分割后的图像。因此，在该图像分割方法中，直接对具有复数形式的K空间数据进行了分割，可以省略现有的一系列的成像过程，避免了图像数据在傅里叶变换中的损失，降低了分割成本的同时还提高了分割效率。以下将结合附图来详细描述根据本专利技术的实施例的直接对具有复数形式的K空间数据进行了分割的图像分割方法和图像分割装置。图1是根据本专利技术的实施例的图像分割方法的流程图。参照图1，在框101，接收输入的K空间数据，所述K空间数据具有本文档来自技高网...

【技术保护点】
1.一种图像分割方法，其特征在于，所述图像分割方法包括：/n接收输入的K空间数据，所述K空间数据具有复数形式；/n利用复数分割神经网络对所述K空间数据进行分割处理；/n根据分割后的K空间数据形成分割后的图像。/n

【技术特征摘要】
1.一种图像分割方法，其特征在于，所述图像分割方法包括：
接收输入的K空间数据，所述K空间数据具有复数形式；
利用复数分割神经网络对所述K空间数据进行分割处理；
根据分割后的K空间数据形成分割后的图像。


2.根据权利要求1所述的图像分割方法，其特征在于，所述利用复数分割神经网络对所述K空间数据进行分割处理，包括：
利用复数分割神经网络的复数卷积层对输入的K空间处理进行复数卷积处理，以得到复数卷积数据；
利用复数分割神经网络的复数批归一化层对所述复数卷积数据进行复数批归一化处理，以得到复数归一化数据；
利用复数分割神经网络的复数激活函数层对所述复数归一化数据进行激活处理，以得到分割后的K空间数据。


3.根据权利要求2所述的图像分割方法，其特征在于，利用复数分割神经网络的复数卷积层，并根据下面的式子1来对输入的K空间处理进行复数卷积处理，以得到复数卷积数据，
[式子1]x＝W*h＝(A*a-B*b)+i(B*a+A*b)
其中，x表示所述复数卷积数据，W＝A+iB表示所述复数卷积层的复数卷积核，h＝a+ib表示输入的K空间数据，a、b、A、B分别表示实常数。


4.根据权利要求3所述的图像分割方法，其特征在于，利用复数分割神经网络的复数批归一化层，并根据下面的式子2和式子3对所述复数卷积数据进行复数批归一化处理，以得到复数归一化数据，
[式子2]
[式子3]
其中，表示所述复数卷积数据的协方差，V表示协方差矩阵，E[x]表示所述复数卷积数据的数学期望，BN(x)表示所述复数归一化数据，γ表示复数矩阵，β表示复数参数。


5.根据权利要求2至4任一项所述的图像分割方法，其特征在于，所述利用复数分割神经网络的复数激...

【专利技术属性】
技术研发人员：张娜，郑海荣，刘新，李奕慷，胡战利，梁栋，贾森，邹超，李烨，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东;44