[发明专利]一种面向医学图像分割的超像素方法

说明书

本发明提供一种面向医学图像分割的超像素方法，将医学图像处理为超像素；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；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。方法中以线性迭代聚类分割方法为基础,将U‑Net网络的思想应用于超像素的后期优化中,弥补超像素内边缘分割不精确的缺陷,增加规范层以提高各网络层权重灵敏度,改善网络收敛性能，使分割结果更接近于实际值。由于医学图像呈现的解剖结构和病变组织十分清晰,通过SLIC算法分割的医学图像能够获取较为全面的超像素，并可通过卷积网络进一步改进超像素边缘精确度。

技术领域

本发明涉及医学图像领域，尤其涉及一种面向医学图像分割的超像素方法。

背景技术

医学图像来自各种成像技术^[1],如超声波,计算机断层扫描(CT),X射线,核磁共振成像(MRI),用于描述人体不同组织的解剖形态结构。医学图像描绘的解剖图反映出人体的健康情况,了解人体各部位解剖图中区域间详细划分,有助于辅助诊断和下一步治疗。例如,肺窗包含肺实质,纵膈,胸膜,病变肿瘤,实现肿瘤的准确分割,可以更加全面准确地确定病情,选取合适的放射治疗手段,提高治疗成功率。但是,传统的手动分割任务量大,且分割结果因观察者的经验程度而异,因此,开发自动和可靠的分割方法在临床上是可行且十分重要的任务。

医学图像分割通常有两个目的:描绘不同组织的组成成分,以及检测异常组织。从语义分割的角度分析,分割是为医学图像中的每个像素分配一个标记X＝(x₁,…,x_n),且像素在空间和颜色方面的相似度与标签相同的可能性成正比。而基于空间邻近度、颜色相似度和边缘等特征将像素组合分割的典型生成算法是超像素。近年来,超像素在医学图像处理领域的应用愈加广泛,主要体现在以下两个方面:超像素算法基于空间和光度特征将像素划分为一个个原子区,构造了像素组级别的单元,较单个像素点处理大幅降低了时间复杂度。其次,依据不同准则构造出的超像素,具备单个像素点所没有的特征,有效改善图像分割的质量。

超像素生成算法主要分为两类:基于图论的方法和基于聚类的方法。基于图论的分割方法利用图论建立模型,即把像素点转化为节点,像素点间某特征强度值视为对应节点间边的权重,依据刚性准则通过最优化损失函数生成超像素。典型分割方法包括利用轮廓特征和纹理特征的Ncut方法、依据搜索最小权重路径的Superpixel Lattice(SL)方法,以及依据随机游走熵率和平衡项的目标函数的熵率法。基于聚类的分割方法是采用了聚类的思想,将各像素点聚集成簇,直至满足收敛标准最终得到超像素集。其中的代表性方法有基于几何流水平集的TurboPixels方法,计算点概率密度以迭代聚类的Mean Shift方法,和基于颜色和距离相似度划分的SLIC算法。

然而在使用这些硬性标准处理医学图像得到超像素时,位于组织边缘像素点的划分仍存在类别模糊问题。产生的原因主要涉及两方面,其一,超像素生成算法本身的缺陷。例如,Ncut方法能够生成规则的超像素,但是图像边缘效果保持较差；SL方法能够取得良好的分割效果,但其性能严重依赖预先提取的图像边界图。熵率法、TurboPixels和SLIC方法均能够生成结构紧凑和均匀的集群,但熵率法得到的仅是局部最优解,TurboPixels法得到的图像边界保持较差,SLIC方法预设的生成超像素数量没有理论性参考。其二,医学解剖结构图像尽管能以高分辨率提供脏器的解剖形态信息(包括脏器和病灶的细节),但在血管与病变组织相互黏连的情况下,仅依靠解剖图对病变组织进行准确定位是十分困难的。例如,肺窗显示肺纹理、双侧肺为灰色,肺叶内的血管与病变肿瘤都呈现偏白的颜色,计算机不具备专家的自动识别能力,不能在血管和肿瘤之间划清界限。