[发明专利]基于深度学习和各向异性活动轮廓的图像分割方法

权利要求书

1.一种基于深度学习和各向异性活动轮廓的图像分割方法，其特征在于，包括如下步骤：

a)读取图像数据存储的路径，读取医学图像数据对应的医生手动分割出来感兴趣的区域坐标集的路径作为标准的分割的路径，将路径对应的医学图像划分为训练集train_i和测试集val_i，使用Pytorch中的Dataset抽象类将医学图像和标准的分割封装起来；

b)对封装后的医学图像和标准的分割进行数据的动态增强；

c)设置依次由编码路径、中间路径及解码路径构成的网络结构；

d)计算损失函数L；

e)采用Adam优化算法，根据损失函数L使用反向传播来调整步骤c)中的网络结构的权重weight和偏置量bias；

f)判断网络训练结果，在计算机中设置一个保存评价最优指标的变量，保存最优结果的网络权重weight及其偏置量bias，将分割结果最优的网络权重weight及其偏置量bias保存到ph文件中；

g)重复步骤f)N次，将训练集train_i和测试集val_i分别放入优化后的网络结构中训练并保存网络结构机器权重；

h)在进行分割医学图像时，加载步骤g)中保存的网络结构及其权重，然后从测试集val_i中加载一张图像，将图像放进网络结构中，最终得到图像的分割结果，将分割结果保存成jpg格式的文件；

步骤d)包括如下步骤：

d-1)通过公式

计算得到损失函数L_AC，式中φ(x)为水平集函数，x为网络结构输出的特征图上的点，S为网络结构输出的特征图中的区域，为区域S的边界，为点x到边界的欧式距离，为水平集函数的梯度，为水平集函数梯度的模值，Ω为预测图像的区域，δ_ε为光滑的狄拉克函数，ε为参数，ε＞0，V(x)为向量场，为动态增强后的医学图像的梯度，为动态增强后的医学图像的梯度模值，g_I为图像边缘指示器函数，b为常数，b＞0，G_σ为高斯核函数，g_∞为g_I的最大值，α为常数，α＞0，f₁为动态增强后的医学图像的轮廓内部的高斯混合概率密度函数，I为动态增强后的医学图像的二维数组集合，为动态增强后的医学图像的轮廓内部的图像数据的均值，为动态增强后的医学图像的轮廓内部的图像数据的协方差矩阵，为第j个高斯概率分布量，K为高斯概率分布量的总数，为第j个高斯概率分布量的加权值，f₂为动态增强后的医学图像的轮廓外部的高斯混合概率密度函数，为动态增强后的医学图像的轮廓外部的图像数据的均值，为动态增强后的医学图像的轮廓外部的图像数据的协方差矩阵，为第j个高斯概率分布量，K为高斯概率分布量的总数，为第j个高斯概率分布量的加权值，H_ε(x)为光滑Heaviside函数，y为变量，y＝φ(x)或y＝(1-φ(x))；

d-2)通过公式计算得到Dice损失函数，式中N为动态增强后的医学图像的像素的数量，s_i为网络结构输出的特征图中的第i个像素点的像素值，g_i为标准的分割的第i个像素点的像素值；

d-3)通过公式L₁＝||φ-φ_GT||计算得到绝对值损失函数，||·||为L1范数，φ_GT为标准的分割的水平集函数，x₀为标准的分割中的点，S₀为标准的分割的区域，为区域S₀的边界，为点x₀到边界的欧式距离；

d-4)通过公式L＝L_Dice+L₁+λL_AC计算得到损失函数L，式中λ为常数。

2.根据权利要求1所述的基于深度学习和各向异性活动轮廓的图像分割方法，其特征在于：步骤a)中通过Python中pydicom模块读取图像数据存储的路径和标准的分割的路径。