[发明专利]一种基于超像素和全卷积神经网络的脑部MR图像分割方法

权利要求书

1.一种基于超像素和全卷积神经网络的脑部MR图像分割方法，其特征在于，通过如下步骤实现：

步骤一，采用简单线性迭代聚类算法对源图像进行预处理，获得超像素分割结果；

步骤二，构建基于加权融合的全卷积神经网络，在不同路径的上采样过程中，对不同图像层进行加权融合，从而获得不同的分割结果；

步骤三，设计基于多数投票规则的像素分类方法，通过比较不同分割结果中像素的分类标签，对歧义像素进行重新划分，获得最终的细化分割结果。

2.根据权利要求1所述的一种基于超像素和全卷积神经网络的脑部MR图像分割方法，其特征在于，在步骤一中，采用简单线性迭代聚类算法对源图像进行预处理，算法描述为：

给定一幅源图像I，N为源图像中所有像素的数目，以网格间距初始化K个聚类中心，计算距离测量公式如下：

其中，，表示像素p与像素q的灰度距离，表示像素p与像素q的空间距离，m和S表示两个参数，用于平衡灰度距离和空间距离，m的取值范围为[1, 40]。

3.根据权利要求2所述的一种基于超像素和全卷积神经网络的脑肿瘤图像分割方法，其特征在于，在步骤二中，构建基于加权融合的全卷积神经网络，在不同路径的上采样过程中，对不同图像层进行加权融合，构建方式为：

通过构建5条不同的网络路径，获得5种包含不同信息量的图像分割结果；

第一条路径中，对第五层的池化层执行32倍反卷积，获得分割结果FCN-32s；

第二条路径中，对第五层的预测结果进行2倍上采样与第四层的预测结果进行加权融合（权值均为1/2），获得分割结果FCN-16s；

第三条路径中，对第五层的预测结果进行4倍上采样，对第四层的预测结果进行2倍上采样，二者与第三层的预测结果进行加权融合（权值均为1/3），获得分割结果FCN-8s；

第四条路径中，对第五层的预测结果进行8倍上采样，对第四层的预测结果进行4倍上采样，对第三层的预测结果进行2倍上采样，三者与第二层的预测结果进行加权融合（权值均为1/4），获得分割结果FCN-4s；

第五条路径中，对第五层的预测结果进行16倍上采样，对第四层的预测结果进行8倍上采样，对第三层的预测结果进行4倍上采样，对第二层的预测结果进行2倍上采样，四者与第一层的预测结果进行加权融合（权值均为1/5），获得分割结果FCN-2s。

4.根据权利要求3所述的一种基于超像素和全卷积神经网络的脑肿瘤图像分割方法，其特征在于，在步骤三中，设计基于多数投票规则的像素分类方法，通过比较不同分割结果中像素的分类标签，对歧义像素进行重新划分，方法描述如下：

对于源图像I中的像素p，如果p在所有不同的分割结果R_k（）中均被划分到了同一区域，则该像素无需进行重新划分，其分类标签为，如果像素p在不同分割结果中被划分到了不同的区域，即像素p的分类标签是有歧义的，则像素p的最终分类标签将根据p本身的灰度值及分割结果R_k中p所属区域m内的像素灰度均值确定；

歧义像素p的最终分类标签为，，其中，表示像素p的灰度值，表示像素p在分割结果R_k中所属的分割区域，q表示分割区域内的像素，表示区域内的像素的个数。