[发明专利]一种用于CBCT牙齿图像的分割方法

权利要求书

1.一种用于CBCT牙齿图像的分割方法，其特征在于，包括以下步骤：

S1、将原始CBCT牙齿图像转化为位图图像获得牙齿图片，使用深度学习标注工具基于Python版本的LabelMe框架对牙齿进行标注获得标签图片，将标签图片的像素二值化为0和255获得图片标签，将牙齿图片和与其对应的图片标签组成训练集；

S2、构建对称式全卷积残差网络模型，所述对称式全卷积残差网络模型是在U型网络模型的基础上，使用三个深层次瓶颈架构DBA替换U型网络模型中的卷积层得到，具体结构为：

每个DBA由一个左分支和一个右分支并联组成，其中左分支包括一个3*3卷积层，卷积步长为1；右分支包括三个串连的卷积层，分别是1*1卷积层，3*3卷积层，1*1卷积层，且卷积步长均为1；每个卷积操作之后采用ReLU作为激活函数实现非线性特征的传递，同时在DBA中的每一个卷积操作的后面，激活函数的前面具有批量归一化操作，批量归一化操作具体为：

令k_n＝k₁,k₂,…,k_n表示某一层的n个神经元的输出，计算n个神经元输出结果的均值：

并计算相应的方差：

加入可学习重构参数和γ，对n个神经元输出的方差进行无偏估计得到批量归一化操作的输出Y：

其中∈是一个常数项，用于帮助方差var_k²的数值保持稳定性；

令每个DBA的输入数据为x(w,h,n)，w、h、n分别表示通道的宽度、高度和数量,左分支一个卷积层权重为ω_L1，右分支三个卷积层的权重分别为ω_R1,ω_R2,ω_R3，网络每一层分别定义为t⁽¹⁾(x,ω_R1)，t⁽²⁾(x,ω_R2)，t⁽³⁾(x,ω_R3)，批量归一化操作和ReLU函数一起定义为G(x)；DBA输出为：

DBA_(n)＝f(x,ω)_L+f(x,ω)_R

其中x表示输入数据x(w,h,n)，n表示DBA输出结果中的通道数量，每个DBA输出结果中的n为不同的值，f(x,ω)_L为左分支的输出：

f(x,ω)_L＝G(t(x,ω_L1))

f(x,ω)_R为右分支的输出：

f(x,ω)_R＝G{t⁽³⁾{G{t⁽²⁾{G[t⁽¹⁾(x,ω_R1)],ω_R2}},ω_R3}}

将三个DBA分别定义为DBA1、DBA2、DBA3，三个DBA的作用分别是：

DBA1用于在经过系列卷积之后使通道数保持不变，替换的是U型网络中的正常卷积操作：

DBA1＝DBA_(n)

DBA2用于在经过系列卷积之后使通道数加倍，替换的是U型网络中的池化之后由于特征图的大小减半而进行的通道数加倍的卷积操作：

DBA2＝DBA_(2n)

DBA3用于在经过系列卷积之后使通道数减半，替换的是U型网络中进行多尺度特征融合之后再进行通道数减半的卷积操作：

DBA3＝DBA_(n/2)

对称式全卷积残差网络模型包括九个卷积组，第一卷积组包括一个3*3卷积和一个DBA1，第二至第五卷积组均包括一个DBA2和一个DBA1，除第五卷积组外每个卷积组末尾具有最大池化层，第五卷积组末尾采用Dropout；第六至第九卷积组均包括一个DBA3和一个DBA1，每个卷积组末尾进行反卷积以及特征通道拼接的操作，在第九卷积组的末尾加上一个1*1的卷积层，卷积步长为1，并使用Sigmoid激活函数，经过对称式全卷积残差网络模型后得到分割概率图；

S3、利用步骤S1的训练集对步骤S2构建的对称式全卷积残差网络模型进行训练，采用反向传播来优化各个网络模型中的参数和权值，得到训练好的对称式全卷积残差网络模型，将待分割的CBCT牙齿图像输入训练好的对称式全卷积残差网络模型，得到目标分割概率图；

S4、采用全连接条件随机场DCRF优化目标分割概率图，具体为：

将目标分割概率图作为DCRF模型的输入，DCRF模型将每一个像素点对其它所有像素点都构成一个连接关系，使空间中所有的点相互之间都存在一定联系，它的吉布斯能量为：

DCRF能量函数由一元势函数P_i(a_i)和二元势函数P_ij(a_i,a_j)组成，N为整个图像中的像素个数，一元势函数是定义在观测序列位置i的状态特征函数，定义为：

其中，是计算输入图片中第i个像素属于某个类别a_i的概率，即属于目标分割概率图的概率；

二元势函数是定义在不同观测位置上的转移特征函数，用于刻画变量之间的相关关系以及观测序列对其影响，定义为：

其中，在整个DCRF模型中各像素之间是完全连通的，所以对于图片中的每一对像素i和j，不管它们相对位置在哪儿，都存在一个对应关系，f_i是像素i的特征向量，f_j是像素j的特征向量，k^m是高斯核，依赖于像素i，j的特征向量，其对应的权重是ω_m；将二元势函数进一步定义为：

其中，第一个内核同时依赖于像素位置δ和像素灰度强度I，而第二个内核仅依赖于像素位置，超参数α，β和γ控制高斯核的大小；二元函数用于描述像素点与像素点之间的关系，鼓励相似像素分配相同的标签，而相差较大的像素分配不同标签，关系的定义与灰度值和实际相对距离有关，从而实现尽量在边界处分割，达到细化边界的效果，得出最终精准的分割图。

2.根据权利要求1所述的一种用于CBCT牙齿图像的分割方法，其特征在于，对称式全卷积残差网络模型第四卷积组的最大池化层之前还具有Dropout。