一种基于双路径胶囊网络的脑部MR图像分割方法技术

本发明专利技术提出一种基于双路径胶囊网络的脑部MR图像分割方法，该方法包括：第一，构建基于区域注意的半监督深度网络，通过全卷积置信网络对抗训练分割网络，获得标注样本数据；第二，根据像素的局部细节信息和全局信息，构建双路径胶囊网络；第三，采用输入连接、局部路径连接、预输出连接3种不同的连接方式，构建基于区域的胶囊网络级联架构，获得3种不同的分割结果；第四，采用融合策略将3种不同的分割结果进行合并，以获得最终的分割结果。本发明专利技术所述方法通过基于区域注意的半监督学习策略解决医学图像标注样本数据相对较少的问题，并采用级联架构描述相邻像素间的标签依赖关系，提高图像分割的准确度。实验结果表明，所述基于双路径胶囊网络的脑部MR图像分割方法能够有效处理脑部MR图像，并获得较好的分割结果。并获得较好的分割结果。并获得较好的分割结果。

【技术实现步骤摘要】
一种基于双路径胶囊网络的脑部MR图像分割方法


[0001]本专利技术属于医学图像分割领域，具体地讲，设计一种基于双路径胶囊网络的脑部MR图像分割方法，通过基于区域注意的半监督学习策略解决医学图像标注样本数据相对较少的问题，并构建结合局部特征和全局上下文信息的级联架构描述相邻像素间的标签依赖关系，提高脑部MR图像分割的准确度。

技术介绍

[0002]图像分割是为图像中的像素指定具有医学意义的标记，识别图像中感兴趣的目标区域(如肿瘤或病灶)及其外轮廓。脑部MR(Magnetic Resonance，磁共振)图像为多参数、多序列成像，分辨率高，对早期阶段的脑部异常检测很敏感，且对脑梗塞、脑肿瘤以及感染的检测效果优异。脑部MR图像分割既可以用于定量分析体积和形状有关的临床参数，又可以为制定放疗计划提供支撑。脑部MR图像分割难度较高：首先，由于成像设备的限制，临床采集的MR图像通常含有噪声或者灰度不均匀现象；其次，还会有部分容积效应及运动伪影等因素影响；最后，在临床诊断中，仅仅分割出大脑中的灰质、白质、脑脊液是远远不够的。因为灰质和白质中还包含着更加复杂小结构，如杏仁核、海马体、尾状核、苍白球、豆状核、丘脑等，这些区域的边界都非常模糊。上述问题导致脑部MR图像自动分割效果不佳。
[0003]深度学习技术能够从图像大数据中自动学习提取隐含的疾病诊断特征，为脑部MR图像的分割带来了重大变革，使其精准度有了质的飞跃。目前，大多数图像分割方法是基于深度卷积神经网络或全卷积神经网络。然而，卷积神经网络存在一些局限性，如训练数据需求量大、环境适应能力和可解释性较差、数据分享难等。
[0004]胶囊网络的出现有效地克服了卷积神经网络的上述不足。但是，胶囊网络在大规模图像测试集上的表现还有待提升，而且将其应用于脑部MR图像分割的相关研究较少。此外，在医学图像分割任务中，获取大规模的学习训练样本数据集非常困难。特别是病灶样本数据集，由于其变化很大，需要临床专家标注且标注费用昂贵，因此可用的标注数据规模相对很小。因此，脑部MR图像的准确分割仍然是一个亟待解决的问题。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提高脑部MR图像分割的准确度，提出一种基于双路径胶囊网络的脑部MR图像分割方法，其分割效果优于其他分割方法。
[0006]为了实现上述目的，本专利技术所采用的技术方案是：
[0007]一种基于双路径胶囊网络的脑部MR图像分割方法，其关键步骤包括：
[0008]步骤一，构建基于区域注意的半监督深度网络，通过全卷积置信网络对抗训练分割网络，获得标注样本数据；
[0009]步骤二，根据像素的局部细节信息和全局信息，构建双路径胶囊网络；
[0010]步骤三，采用输入连接、局部路径连接、预输出连接3种不同的连接方式，构建基于区域的胶囊网络级联架构，获得3种不同的分割结果；
[0011]步骤四，采用融合策略将3种不同的分割结果进行合并，以获得最终的分割结果。
[0012]在步骤一中，构建基于区域注意的半监督深度网络，通过全卷积置信网络对抗训练分割网络，构建方式为：
[0013]给定一幅未标记图像I，首先通过分割网络生成预测的类别概率图谱然后，通过置信网络生成置信图谱用来表示预测结果的置信区域与Ground Truth标签分布足够接近的位置。将置信区域作为掩模来选择部分未标记数据及其分割结果，以丰富训练数据集。
[0014]半监督损失函数为其中，θ
s
表示分割网络的参数，K表示图像数据集中划分类别的数目，π
k
表示第k个类别的类平衡权重，[]表示指示函数，M表示置信图谱，γ为预先设定的阈值，表示Ground Truth标签图谱的one
‑
hot编码，表示预测的类别概率图谱。
[0015]步骤二所述的构建双路径胶囊网络，构建过程如下：
[0016]给定源图像I，大小为L
×
W。根据不同的感受野设计局部路径和全局路径，同时获得局部细节信息和全局上下文信息。局部路径具有较小的感受野，卷积核大小为5
×
5；全局路径具有较大的感受野，卷积核大小为9
×
9。
[0017]在局部路径，首先通过5
×
5卷积获得L
×
W
×1×
128的图像；然后，子胶囊动态路由到父胶囊，通过5
×
5卷积获得L
×
W
×
32
×
8组胶囊；之后，新一层的子胶囊动态路由到上一层父胶囊，通过1
×
1卷积获得L
×
W
×1×
16组胶囊。在全局路径进行类似的操作，首先通过9
×
9卷积获得L
×
W
×1×
128的图像；然后将子胶囊动态路由到父胶囊，通过9
×
9卷积获得L
×
W
×
32
×
8组胶囊；之后，通过1
×
1卷积获得L
×
W
×1×
16组胶囊。最后，在预输出层将局部路径和全局路径的结果进行合并，构成大小为L
×
W
×
32的矩阵，输出分割结果。
[0018]胶囊网络中空间位置(x,y)处的输入为一个父胶囊p
xy
，计算方法其中，表示路由系数，表示预测向量，表示第l层的第i个胶囊。对应位置的输出胶囊通过非线性Squashing函数来计算，计算方法为
[0019]在步骤三中，采用输入连接、局部路径连接、预输出连接3种不同的连接方式，构建基于区域的胶囊网络级联架构，构建方法为：
[0020]输入连接型中，局部路径和全局路径的初始输入图像块大小分别为65
×
65和33
×
33，将第一个胶囊网络的输出直接作为输入提供给第二个胶囊网络。局部路径连接型中，局部路径和全局路径的初始输入图像块大小分别为56
×
56和24
×
24，将胶囊网络的局部路径中向上移动一层，并在第二个胶囊网络中对其第一个隐藏层执行连接。预输出连接型中，局部路径和全局路径的初始输入图像块大小分别为53
×
53和21
×
21，在第二个胶囊网络末端输出层之前执行连接。
[0021]在步骤四中，采用融合策略将3种不同的分割结果进行合并，以获得最终的分割结果，融合策略为：
[0022]S1，S2和S3是源图像I的3个不同的分割结果。在这3种分割结果中，大部分像素获得的相应类标签是一致的，令集合X＝{p|p＝arg{S1(p)＝S2(p)＝S3(p)}}表示这类像素的空间位置坐标；其余像素获得的相应类标签是不一致的，令集合Y＝{p|p∈I
‑
X}表示这类像素的空间位置坐标。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双路径胶囊网络的脑部MR图像分割方法，其特征在于，通过如下步骤实现：步骤一，构建基于区域注意的半监督深度网络，通过全卷积置信网络对抗训练分割网络，获得标注样本数据；步骤二，根据像素的局部细节信息和全局信息，构建双路径胶囊网络；步骤三，采用输入连接、局部路径连接、预输出连接3种不同的连接方式，构建基于区域的胶囊网络级联架构，获得3种不同的分割结果；步骤四，采用融合策略将3种不同的分割结果进行合并，以获得最终的分割结果。2.根据权利要求1所述的一种基于双路径胶囊网络的脑部MR图像分割方法，其特征在于，在步骤一中，构建基于区域注意的半监督深度网络，通过全卷积置信网络对抗训练分割网络，构建方式为：给定一幅未标记图像I，首先通过分割网络生成预测的类别概率图谱然后，通过置信网络生成置信图谱用来表示预测结果的置信区域与Ground Truth标签分布足够接近的位置。将置信区域作为掩模来选择部分未标记数据及其分割结果，以丰富训练数据集。半监督损失函数为其中，θ
s
表示分割网络的参数，K表示图像数据集中划分类别的数目，π
k
表示第k个类别的类平衡权重，[]表示指示函数，M表示置信图谱，γ为预先设定的阈值，表示Ground Truth标签图谱的one
‑
hot编码，表示预测的类别概率图谱。3.根据权利要求2所述的一种基于双路径胶囊网络的脑部MR图像分割方法，其特征在于，步骤二所述的构建双路径胶囊网络，构建过程如下：给定源图像I，大小为L
×
W。根据不同的感受野设计局部路径和全局路径，同时获得局部细节信息和全局上下文信息。局部路径具有较小的感受野，卷积核大小为5
×
5；全局路径具有较大的感受野，卷积核大小为9
×
9。在局部路径，首先通过5
×
5卷积获得L
×
W
×1×
128的图像；然后，子胶囊动态路由到父胶囊，通过5
×
5卷积获得L
×
W
×
32
×
8组胶囊；之后，新一层的子胶囊动态路由到上一层父胶囊，通过1
×
1卷积获得L
×
W
×1×
16组胶囊。在全局路径进行类似的操作，首先通过9
×
9卷积获得L
×
W
×1×
128的图像；然后将子胶囊动态路由到父胶囊，通过9
×

【专利技术属性】
技术研发人员：张小利，李雄飞，冯云丛，黄萨，胡笑含，于爽，丁天奇，
申请(专利权)人：吉林大学，
类型：发明
国别省市：