[发明专利]基于强化学习的医学图像分割方法

摘要

本发明公开了一种基于强化学习的医学图像分割方法，通过不同的图像样本，根据定义的状态，动作和奖赏，通过强化学习与环境的交互进行学习，采用试错的方式学习最优行为策略。最终形成一种新的基于强化学习的图像分割方法，利用已经学习到的知识对相似的医学图像进行分割。本发明的优点是能够有效的区分细胞核和胞浆，自适应的、增量的进行学习，并准确对图像进行分割。

主权项

1、一种基于强化学习的医学图像分割方法，其特征在于该方法包括以下步骤：(1)初始化Q矩阵，Q矩阵以二维数组形式记录在当前状态以及所有后继状态下以策略π去选择动作做获得的累积奖赏；(2)对新样本图像采用sobel算子进行边缘检测，得到边缘图像；(3)对新样本图像进行类间方差最大分割，得到包含细胞核和胞浆的二值图像；(4)定义状态S为当前阈值分割结果的目标轮廓边缘和sobel边缘检测得到的边缘相重叠的比值E以及当前阈值分割结果的目标区域面积与类间方差最大法分割出来的目标区域面积重合的比值F，即S＝(E×F)；定义动作为当前阈值增加或减少动作Ai代表的灰度级，A＝[-30 -10 -5 -1 0 1 5 10 30]；定义奖赏R为当前分割出的目标区域与图像实际最优分割的符合程度；(5)计算0-255每个分割阈值对应的状态和奖赏，如此每个阈值与状态和奖赏对应；(6)重复步骤(7)，直到最近10次的平均Q矩阵更新前后的均方差小于0.005；(7)给定一个初始阈值，重复步骤(8)～(10)，直到阈值变化到最优分割阈值；(8)根据当前阈值得到当前状态；(9)采用ε-greedy策略选择动作，改变分割阈值；(10)根据改变阈值后的新阈值得到对应的反馈奖赏更新Q矩阵；(11)对新样本图像重复步骤2至10。