[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

说明书

本发明公开了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，首先提出了一种显著性学习方法，来获取MR图像的显著性映射图。基于显著性映射图，进行显著性增强变换，获得显著性增强的图像。将显著性增强的图像分成若干图像块，训练卷积神经网络，作为最后的分割模型。在本发明中，显著性学习模型能够产生显著性映射图，该类信息是基于目标的空间位置获取的，与图像的灰度信息无关，显著性信息能够明显的加强目标的显著性，提高目标类和背景类的区分性，对于灰度不同质性具有一定的鲁棒性。因此，基于显著性增强图训练出的卷积神经网络能够学到显著性增强图的区分性信息，从而较为有效地解决脑部MR图像中的灰度不同质性问题。

技术领域

本发明涉及医学图像上分割技术领域，特别是涉及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。

背景技术

脑部疾病由于其严重的危害性已成为当今社会关注的焦点。核磁共振图像(MR，magnetic resonance)具有对比度高、显示信息丰富等优点，已成为辅助诊断脑疾病的主要成像方式。利用计算机对医学图像进行自动分析已成为辅助临床诊断的重要手段。医学图像分割技术能将目标区域提取出来，是对病灶区进行量化分析与诊断的基础。因此，发明一种脑部MR图像的分割方法对于提高脑疾病诊断的精度和效率具有重要的意义。

现有的脑部MR分割方法主要包括阈值法、基于活动轮廓模型以及基于学习模型的方法等等。然而，脑部MR图像存在灰度不同质性问题，使得现有的方法分割效果较差。例如，单一的阈值法对于脑部MR图像中的噪声较为敏感，很难将灰度差异性较大的同一区域分割出来。虽然已有相关研究对活动轮廓模型进行了改进使其能够在一定程度上处理灰度不同质性问题，然而，当灰度变化较大时，活动轮廓模型仍然不能取得令人满意的性能。

基于学习模型分割方法的思路是将分割问题转化成对像素的分类问题。现有的学习模型可以分为浅层学习模型和深度学习模型。近年来，深度学习模型在图像识别、语音识别、自然语言处理等领域都取得了突破性进展。相比较浅层学习模型，深度学习模型具有以下优点：(1)对于目标具有更强大的表达能力。(2)是端到端的模型，不需要进行繁琐的人工定义特征。鉴于深度学习模型的以上优点，利用深度学习模型对复杂的脑部MR图像进行分割是一种行之有效的思路。然而，灰度不同质性问题往往会造成训练样本难以区分。即同类样本差异性较大，不同类样本差异性小。这种样本的差异性分布使得很难训练出一个有效的深度学习模型。

基于以上分析，直接利用现有的深度学习模型很难取得较好的分割效果。因此，如何设计一种有效的方法来增强目标区域与背景区域的区分性，并将这类区分性信息融入到学习模型中，有望提高脑部MR图像的分割性能。

发明内容

为了解决现有技术的不足，本发明提供了一种基于显著性学习卷积神经网络的脑部图像分割方法，该方法首先提出了显著性学习模型，获取显著性映射图。基于显著性映射图，进行图像变换，获得显著性增强图。在获得的显著性增强图像中，目标的显著性得到了增强，从而提高了目标区域与背景区域的区分性。基于显著性增强图像，将该图像分成若干图像块，获得训练集。利用卷积神经网络进行训练，训练获得的模型即为分割模型。新建立的分割模型能够较好地处理灰度不同质性问题，提高了脑部MR图像分割的准确性和鲁棒性。

一种基于显著性学习卷积神经网络的脑部图像分割方法，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；