[发明专利]一种基于DBN神经网络的MRI脑肿瘤图像分割方法

权利要求书

1.一种基于DBN神经网络的MRI脑肿瘤图像分割方法，其特征在于，先从已有的病人脑MRI序列图像库中摘选出多幅作为训练样本，对其预处理并计算显著性图；然后下采样送入DBN神经网络先后进行无监督和有监督训练；训练完成后，将待分割的测试图像送入到网络进行分割，最后输出分割结果，包括以下步骤：

S1、取脑MRI序列图像中的N帧图像划分为训练集和测试集，并进行数据的预处理，具体为：

S101、从患脑肿瘤的N个病人的脑MRI序列图中选取其中肿瘤区域最大的切片，将其中t帧图像作为训练集D_Train，剩余的N-t帧作为测试集D_test；

S102、对训练集和测试集的每帧图像Dⁱ，1≤i≤N，通过对每幅图像进行归一化处理，计算如下：

；

S2、对每帧图像计算其显著性图，并对每幅显著性图归一化，具体为：

S201、设每帧图像的第m行第n列的像素点值为求出每帧图像的均值

S202、对每帧图像分别与5*5的高斯核进行卷积运算，得到每帧图像的高斯模糊图像

S203、求出每帧图像的显著性图，步骤S203中每帧图像的显著性图具体如下：

；

S204、根据Sⁱ得到归一化后的显著性图，表示第i帧图像的第m行第n列的像素的显著度值，归一化后的显著性图Sⁱ计算如下：

；

S3、根据显著性图对训练集样本进行下采样，分别对训练集中每帧图像的每个像素点的显著度值按从大到小进行排序，以显著度最大的前h个像素点为中心在归一化后的训练集图像中取9*9的正方形区域，并将其按行展为81维的列向量作为训练样本，得到t*h个训练样本，设A^k表示第k个训练样本，L^k表示第k个训练样本的标签，标签为0表示属于背景区域，标签为1表示属于肿瘤区域；

S4、将步骤S3得到的训练集样本送入DBN网络进行通过对比散度法进行无监督预训练；

S5、将训练集样本和其标签同时送入网络，通过Adam算法微调网络参数，具体为：

S501、训练时每次送入样本数量：batch_size＝1024，设其中标记为0的样本为A(label＝0)，其个数为n₀，标记为1的样本为A(label＝1)，其个数为n₁,f(·)表示DBN网络的最后一层的输出；

S502、求出每批次训练样本中的标签为0或1的样本的均值、样本在DBN网络最后一层输出的各特征维度上的总类内方差和样本在DBN网络最后一层输出的各特征维度的类间方差，每批次训练样本中的标签为0或1的样本在最后一层输出的均值计算如下：

其中，x∈{0,1}，batch_size表示训练时每批次送入的样本数量，A(label＝x)表示标记为x的样本，f(·)表示DBN网络的最后一层输出，μ(label＝x)表示标记为x的样本在最后一层的特征均值；

样本在DBN网络最后一层输出的各特征维度上的总类内方差δ_in计算如下：

其中，n_x表示标记为x的样本的数量；

样本在DBN网络最后一层输出的各特征维度的类间方差δ_between计算如下：

δ_between＝(μ(label＝0)-μ(label＝1))²

其中，μ(label＝0)表示标记为0的样本在最后一层输出的均值，μ(label＝1)表示标记为1的样本在最后一层输出的均值；

S503、计算网络的损失函数如下：

其中：S^k表示第k个样本的显著度值，表示根据像素的显著度值分配给每个点相应的损失权重，促进网络对肿瘤区域的识别能力，Softmax(·)表示Softmax分类器函数，λ是可调节的超参数，表示散度正则项的权重，再通过Adam算法最小化损失函数，不断更新网络参数直至收敛；

S6、以测试集图像中每个像素点为中心，取其9*9区域并展成81维的列向量，送入训练好的网络中进行测试，输出每个像素点的分类标签，得到分割后的二值图，图像边缘上的点通过对称填补的方式来补充其周围缺失的像素值。