[发明专利]一种基于Unet和超像素的脑组织分割方法

权利要求书

1.一种基于Unet和超像素的脑组织分割方法，其特征在于：包括如下步骤：

步骤1：对脑MR图像进行预处理，将颅骨区域进行剔除，减小非脑组织干扰；

步骤1.1：利用区域生长法对原始脑MR图像进行预处理，获得只包含颅骨区域和背景的二分类图像；

步骤1.2：利用像素点映射的方法，将脑组织部分分离提取出来；

步骤2：搭建DA-Unet网络模型，编码器部分，采用稠密连接块特征提取，在编码器解码器中间增加空洞空间金字塔池化ASPP模块，损失函数采用Lovász Softmax loss；

步骤2.1：构建输入通道，利用3×3的卷积层进行特征提取，之后使用2×2的最大池化层降低图像尺寸；

步骤2.2：利用稠密连接块构建DA-Unet编码器部分，每个稠密连接块包含数个卷积层，每个卷积层的输入是之前所有层输出的拼接，卷积层的构成顺序是批标准化、激活函数ReLU、卷积，稠密连接块内任意两层之间相互连接，确保各层间能最大量的信息流动，稠密块每层由一个1×1卷积和一个3×3卷积组成，将3个稠密连接块利用1×1卷积和一个步长为2的2×2平均池化层相来连接，之后利用一个1×1卷积和一个空洞率为2的3×3空洞卷积连接第4个稠密连接块，以上部分构成DA-Unet的编码器部分；

步骤2.3：在DA-Unet编码器之后，增加一个ASPP模块，ASPP模块包含一个1×1卷积层和全局平均池化层，还有3个空洞率分别为4、8、12的3×3空洞卷积层；

步骤2.4：构建DA-Unet解码器部分，在ASPP模块的输出部分，将以上五个输出在通道层相连接，经过一个1×1的卷积层来减少通道数，之后经过跳跃连接与第3块稠密连接块的输出特征图进行融合，通过3×3卷积后经2×2的上采样恢复图像尺寸，该过程反复3次后由1×1卷积层输出分割图像；

步骤2.5：损失函数进行调整，采用Lovász Softmax loss；

步骤3：使用DA-Unet网络模型，对预处理完成后的数据集进行训练、调参，得到最佳分割模型并保存；

步骤3.1：将预处理完成的脑MR图像按6:4分成训练集、测试集两部分；

步骤3.2：使用DA-Unet进行训练；

步骤3.3：输出测试集脑组织分割结果；

步骤4：对训练集脑MR图像的灰度值进行统计，构建高斯混合模型；

步骤4.1：随机抽取1/2的预处理完成脑MR图像，对其灰度值进行统计；

步骤4.2：将灰度值对应不同组织的统计结果制成直方图；

步骤4.3：利用高斯混合模型对直方图数据进行拟合；

步骤4.4：依据像素点灰度值计算每个点对不同组织的概率密度估计；

步骤5：设计概率密度加权的线性谱聚类(p-LSC)超像素算法对预处理后的脑MR图像进行分割；

步骤5.1：将每个像素点m的(g_m,p_m,x_m,y_m)特征信息映射到特征空间形成一个八维向量其中：

α、β、γ分别为所属特征类别的权重；

步骤5.2：设置种子点数量K，每个相邻种子点间固定距离水平间隔v_x、竖直间隔v_y；

步骤5.3：调整聚类中心，将聚类中心移动到该点3×3领域内梯度最低点；

步骤5.4：初始化聚类中心的加权均值m_k和搜索中心C_k，其中：

m,n表示空间中的两个数据点，w(m)是权重，全部划分为K，π_k表示第k(k＝1,2,3......,K)个簇群，簇群的中心是m_k，φ是映射函数；

步骤5.5：对每个像素点m设置标签L(m)＝0同时初始化像素点间的距离D(m)＝∞；

步骤5.6：对搜索中心C_k的τv_x×τv_y领域内的像素点p，计算其D值，D是特征空间中与加权均值m_k的欧氏距离；

步骤5.7：如果Dd(m)，那么d(m)＝D，L(m)＝k；

步骤5.8：更新所有类别的加权均值和搜索中心；

步骤5.9：重复步骤5.6、5.7，直至K簇的加权均值m_k收敛；

步骤5.10：将小的超像素与邻近超像素进行合并；

步骤5.11：输出结果；

步骤6：使用映射方法对像素块分类完成分割；

步骤6.1：在进行超像素分割时输入DA-Unet分割结果；

步骤6.2：计算每个超像素的重心，通过像素点映射读取该像素点在DA-Unet上的分割结果，从而决定整个像素块的类别，达到分割的目的；

步骤6.3：输出结果。