[发明专利]一种图像的分割方法及其在医学领域的应用

权利要求书

1.一种图像的分割方法，其特征在于：该方法包括训练和分割两个阶段：

第一阶段完成模型准备，使用对训练数据集进行感兴趣区域统一化ROI unifying以生成训练数据集D，然后使用训练数据集训练相应的机器学习模型M以供第二阶段分割时使用；

第二阶段实现对未知医学图像的语义分割，共分为三个步骤：

Step1：针对输入的未知的待分割的医学图像I，首先通过自动或手动或两者结合的方式确定感兴趣区域ROI，然后使用ROI unifying对图像I进行处理得到统一化后的新图像I’；

Step2：使用新图像I’作为模型输入，使用第一阶段训练好的模型M进行预测，得到粗分割结果S1，粗分割结果是在全体训练集中学习到的模型参数在新图像上应用的结果；

Step3：使用后处理对粗分结果S1进行进一步精化和修正得到最终的分割结果S2；

根据感兴趣区域和特定参数对输入图像进行统一化，其目标是对ROI在一定参数条件下进行缩放并将ROI平移到新的图像中间，基于仿射变换实现，仿射变换由平移变换和线性变换组成；

在一个有限维的情况下，对于一个向量，仿射函数表示为：

使用一个增广矩阵和一个增广向量，仿射函数表示为：

设则M称为仿射变换矩阵；对于二维医学图像，结合设定的统一化方法，M表示为：

然后，仿射变换转化为求取仿射变换举证M中待定参数集合P，P＝{s_x,s_y,t_xt_y}；

为了将问题转换为统一化单参数问题，设I为原始输入图像，L为I的感兴趣区域ROI，且有另设I'为最终要得到的新图像，L'为I'中的ROI，则unifying的目标满足如下两个条件：

1)L'位于I'的正中间；

2)L'必须全部包含在I'中，但I'不一定全等于f(I)；

满足这两个条件的参数集合P可转化为由一个参数k来控制；参数k是指在满足上述两个条件的前提下期望图像的边到ROI边的最短距离；对于w'_I＝h'_I的情况，依据k的定义和ROI，求出P中的参数如下：

最终将仿射变换的问题转换为单参数控制的统一化问题，实现对医学图像的ROI统一化。

2.根据权利要求1所述的一种图像的分割方法，其特征在于：在所述使用对训练数据集进行ROI unifying以生成训练数据集D时，使用数据增强策略，由不同参数进行ROIunifying生成的数据集可以合并为更大的数据集。

3.根据权利要求1所述的一种图像的分割方法，其特征在于：所述分割结果S1为标记图或模型输出的特征张量。

4.根据权利要求1所述的一种图像的分割方法，其特征在于：在所述步骤Step3中，使用后处理对粗分结果S1进行进一步精化和修正得到最终的分割结果S2，采用的方法为后验推理，是基于局部单张图像的建模基础上的推理，其作用是减少噪点和增强一致性。

5.根据权利要求1所述的一种图像的分割方法，其特征在于：所述方法能够扩展至多个模型的方式，即使用多个参数进行ROIunifying，并训练多个不同的模型，选择不同的参数以增强实用性。

6.根据权利要求1所述的一种图像的分割方法，其特征在于：所述方法能够扩展至数据增强的方式，即确定一个unifying的参数范围d，在该范围内使用随机或固定选择的方式生成多个不同的参数，并使用这些参数对训练数据生成多个对应的unified图像，将这些数据集合在一起以训练一个机器学习模型以增强模型的性能，在分割阶段由用户在参数范围d内容任意选择参数对输入图像进行ROIunifiying，用于增强方法的性能和适用范围。

7.根据权利要求4所述的一种图像的分割方法，其特征在于：所述后验推理为：设一个定义在变量集合{I₁,…,I_N}的随机场I，用来表示大小为N的输入图像，即特征图；设一个定义在变量集合{X₁,…,X_N}的随机场X，每个变量的定义域为标记集合用来表示像素级的类别标记；则条件随机场(I,X)用吉布斯分布其中g＝(v,ε)表示X上的图，并且g上的团集合C_g中的一个团c能够推导出一个势φ_c；对于一次标记的吉布斯能量为则随机场的最大后验标记为在此基础上，根据条件随机场的既有推理算法和方法，实现对粗分结果的进一步改善。