[发明专利]一种面向医学图像分割的超像素方法

权利要求书

1.一种面向医学图像分割的超像素方法，其特征在于，方法包括：

对医学图像进行超像素分割；

设置一幅M*N的医学图像I,定义一个扩展性映射I→R⁵；

将I映射到CIELab颜色空间,I中像素p＝(u,v)的灰度值由L,a,b分量描述,并与XY坐标结合得到5维特征向量V(u,v,l,a,b)；

基于聚类的思想,将相似度高的像素点聚集为同一类；在分配过程中,聚类中心不断更新至最低梯度位置；分配和更新过程将反复迭代直至超像素收敛，得到医学图像I的超像素分割图I’；

对超像素分割后医学图像使用双边滤波保留边缘,并滤除噪声，降低网络模型的误差率；

双边滤波模块的核函数包括：空间域核，值域核以及决定图像输出的两个关键因子；

两个关键因子为空间位置权重δ_d和像素亮度权重δ_r；双边滤波模块对图像I’的滤波处理方式为:

式中,H(δ_d,δr,f_ij,f_kl)为核函数,是空间域核与值域核的乘积；f_ij表示空间位置为(i,j)的中心像素,灰度值是z_c,f_kl表示医学图像中的像素点(k,l),且k∈M,l∈Ν；通过核函数衡量中心像素与它周围像素点的综合相似度,中心像素的灰度值将更新为δ_d和δ_r为影响核函数整体衰减程度的参数,影响参考空间域核及值域核的表达式，空间域核为:

值域核：

δ_d与δ_r视为核的方差；当δ_d偏大时,空间域核H_d(f_ij,f_kl)的值普遍偏小,趋于强调值域滤波的权重,对空间邻域敏感度较低；当δ_r值较大时,值域核H_r(f_ij,f_kl)的权重差别小,中心像素与空间距离相似度有关,保留边缘的性能下降；

对输入的医学超像素分割图像I’进行双边滤波处理，处于各组织邻接区域的像素值变化大,值域核权重较大，保留边缘变化信息；在各组织内部,图像较平坦,值域核权重接近于1,滤除因设备不稳定外部因素引起的噪声；

配置网络框架,通过迭代训练参数,构建卷积网络应用于超像素分割的医学图像；

基于U-Net网络配置网络框架，依照U-Net网络配置收缩路径和扩张路径；

收缩路径为卷积网络结构,每两个卷积层后进行一步特征处理操作,以获取医学图像的双倍通道特征,在上下层之间建立特征映射,传递特征信息；

扩张路径基本对称于收缩路径,利用反卷积操作来减少特征通道,放大特征图；每次参与反卷积的数据融合了浅层特征图,以及对应同阶收缩路径上的高分辨率特征信息，合并信息保留了下采样过程中丢失的有效数据。

2.根据权利要求1所述的面向医学图像分割的超像素方法，其特征在于，

步骤对医学图像进行超像素分割还包括：

设定超像素的个数K,种子点与周围2S区域内像素的相似程度的衡量公式如(1)所示:

公式(1)中,d_xy为像素到中心像素的欧式距离,d_lab为像素点间的颜色差异,D为两个像素的相似度,其值越小,表明相似度越高；N_lab为最大空间距离,取值等同于采样间隔N_xy为最大颜色距离,一般固定为常数,记为m，衡量颜色相似性和空间邻近度之间的相对重要性，m值小,表示颜色接近度的重要性要相对高于空间位置；m值大时,效果相反。

3.根据权利要求2所述的面向医学图像分割的超像素方法，其特征在于，

SLIC算法迭代次数为10次。