[发明专利]一种面向医学图像分割的超像素方法

摘要

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。

主权项

1.一种面向医学图像分割的超像素方法，其特征在于，方法包括：对医学图像进行超像素分割；设置一幅M*N的医学图像I,定义一个扩展性映射I→R⁵；将I映射到CIELab颜色空间,I中像素p＝(u,v)的灰度值由L,a,b分量描述,并与XY坐标结合得到5维特征向量V(u,v,l,a,b)；基于聚类的思想,将相似度高的像素点聚集为同一类；在分配过程中,聚类中心不断更新至最低梯度位置；分配和更新过程将反复迭代直至超像素收敛，得到医学图像I的超像素分割图I’；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；双边滤波模块的核函数包括：空间域核，值域核以及决定图像输出的两个关键因子；两个关键因子为空间位置权重δ_d和像素亮度权重δ_r；双边滤波模块对图像I’的滤波处理方式为:式中,H(δ_d,δr,f_ij,f_kl)为核函数,是空间域核与值域核的乘积；f_ij表示空间位置为(i,j)的中心像素,灰度值是z_c,f_kl表示医学图像中的像素点(k,l),且k∈M,l∈Ν；通过核函数衡量中心像素与它周围像素点的综合相似度,中心像素的灰度值将更新为δ_d和δ_r为影响核函数整体衰减程度的参数,影响参考空间域核及值域核的表达式，空间域核为:值域核：δ_d与δ_r视为核的方差；当δ_d偏大时,空间域核H_d(f_ij,f_kl)的值普遍偏小,趋于强调值域滤波的权重,对空间邻域敏感度较低；当δ_r值较大时,值域核H_r(f_ij,f_kl)的权重差别小,中心像素与空间距离相似度有关,保留边缘的性能下降；对输入的医学超像素分割图像I’进行双边滤波处理，处于各组织邻接区域的像素值变化大,值域核权重较大，保留边缘变化信息；在各组织内部,图像较平坦,值域核权重接近于1,滤除因设备不稳定外部因素引起的噪声；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；基于U‑Net网络配置网络框架，依照U‑Net网络配置收缩路径和扩张路径；收缩路径为卷积网络结构,每两个卷积层后进行一步特征处理操作,以获取医学图像的双倍通道特征,在上下层之间建立特征映射,传递特征信息；扩张路径基本对称于收缩路径,利用反卷积操作来减少特征通道,放大特征图；每次参与反卷积的数据融合了浅层特征图,以及对应同阶收缩路径上的高分辨率特征信息，合并信息保留了下采样过程中丢失的有效数据。