[发明专利]基于显著性学习卷积神经网络的脑部图像分割方法及系统

权利要求书

1.一种基于显著性学习卷积神经网络的脑部图像分割方法，其特征是，分为训练和分割两个阶段：

训练阶段：

步骤(11)：获取核磁共振图像MR图像作为训练图像；

步骤(12)：对训练图像进行超像素分割，得到若干个训练超像素；

步骤(13)：对获取的训练超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征；将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式进行特征融合，得到融合之后的特征；

步骤(14)：基于步骤(13)得到的融合之后的特征构造训练阶段的字典，然后利用训练阶段的字典和基于稀疏表达的分类方法SRC对步骤(12)得到的训练超像素进行分类，获得初始分割结果；基于获得的初始分割结果，利用高斯概率密度函数获得每个训练超像素的分类概率，作为学习到的训练阶段显著性映射图；

步骤(15)：基于训练阶段显著性映射图，进行图像变换，获得训练阶段显著性增强图像；

步骤(16)：将训练阶段显著性增强图像分成若干训练图像块；基于获得的训练图像块对卷积神经网络进行训练；

分割阶段；基于与训练阶段步骤(12)-步骤(15)同样的步骤，对待分割图像进行处理，最后得到分割阶段显著性增强图像，将分割阶段显著性增强图像分成若干分割阶段图像块，利用步骤(16)训练得到的卷积神经网络对分割阶段图像块进行分类，得到最终的分类结果。

2.如权利要求1所述的一种基于显著性学习卷积神经网络的脑部图像分割方法，其特征是，分割阶段：

步骤(21)：获取一幅待分割的核磁共振图像MR图像；

步骤(22)：对待分割核磁共振图像MR图像进行超像素分割，得到若干个分割阶段的超像素；

步骤(23)：对获取的分割阶段的超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征；将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式进行特征融合，得到融合之后的特征；

步骤(24)：利用训练阶段的字典和基于稀疏表达的分类方法SRC对步骤(22)得到的分割阶段的超像素进行分类，获得初始分割结果；基于获得的初始分割结果，利用高斯概率密度函数获得每个分割阶段的超像素的分类概率，作为学到的分割阶段的显著性映射图；

步骤(25)：基于分割阶段的显著性映射图，进行图像变换，获得分割阶段的显著性增强图像；

步骤(26)：将分割阶段的显著性增强图像分成若干分割阶段的图像块；基于获得的分割阶段的图像块，利用已经训练好的卷积神经网络进行分类，分类结果即为最后的分割结果。

3.如权利要求1所述的一种基于显著性学习卷积神经网络的脑部图像分割方法，其特征是，所述步骤(12)中，采用SLIC超像素分割算法对图像进行超像素分割，得到M个超像素S_p{p＝1,2,…,M}。