[发明专利]一种基于全卷积神经网络的脑组织提取方法

权利要求书

1.一种基于全卷积神经网络的脑组织提取方法，其特征在于，包括如下步骤：

步骤1，采用全卷积分割网络对二维的原始核磁共振图进行初步分割，得到初步分割结果，具体包括以下三个步骤：

1-1，从原始的三维大脑核磁共振图像中获取大脑逐层的二维原始图像；

1-2，编码：将二维原始图像送入网络中的编码器中进行编码，通过多次卷积与池化操作组合，提取高度概括的、低维度的特征图；

其中，

卷积操作包括以下过程：通过当前像素与其邻域像素的加权相加来提取局部特征，初步聚类相似像素，再对这些特征图做归一化处理，接着用线性修正单元函数做进一步处理；

池化操作包括以下过程：对这些相似的像素进行聚合，选举出最大值作为它们的代表，实现降维；

1-3，解码：基于步骤1-2计算得到的编码结果被送入网络中的解码器进行解码，进行上采样、卷积、Softmax操作；

其中，

上采样操作包括以下过程：为特征图中每个像素产生一个大的输入图像上下文联系作为空间窗口；在上采样操作之前，在特征图中捕获和储存边界信息；存储最大值池化操作时的索引值，记下最大特征值在每个池化窗口中的位置；根据最大池化索引进行上采样，恢复出各层原始的图像大小；

SoftMax操作包括如下过程：对卷积操作后得到的解码结果进行最后的分割判决，最终得到脑组织的初步分割结果；

步骤2，根据步骤1获得的初步分割结果分离脑组织内部以及边界信息，选取边界候选像素集合，具体包括以下两个步骤：

2-1，保留内部信息：对具有准确的分割效果的脑组织内部分割结果予以保留；

2-2，选取边界候选像素：以初步分割所得到的边界轮廓像素为基准，分别向里、向外扩展10个像素点，形成边界条带；位于边界条带上的像素被认为是边界候选像素；以每个候选像素为中心，选取出一幅33*33像素的邻域图像，作为下一次再分割的输入；

步骤3，将步骤2-2中获得的边界候选像素及其邻域图像送入卷积神经网络中进行分类，实现进一步地精细分割，再次判定候选像素的分割结果，具体包含以下三个步骤：

3-1，卷积：设置卷积神经网络中的第一层以及第三层为卷积层进行卷积运算，用于初步聚类局部像素的相似信息；

3-2，平均池化：设置第二层以及第四层为池化层，进行池化操作，输出接收到的所有输入的平均值，从而得到压缩处理的信息；

3-3，全连接层：设置第五层以及第六层是全连接层，根据步骤3-1和3-2提取到的特征，利用全连接层实现最终的分类决策，将高维的数据以平铺的方式作为输入，高斯连接被采用来计算最终的分类判决结果，对每一幅输入图像的中心像素，即步骤2-2中提取的边界候选像素，实现进一步精细地分类，判断其是否属于脑组织；

步骤4，整合初步分割得到的内部分割结果以及二次分割得到的边界分割结果，进而获得最终的脑组织提取分割结果，具体包含以下三个步骤：

4-1，初步分割的内部有效的分割结果：根据步骤2-1获得初步分割的内部有效的分割结果；

4-2，得到二次分割的外界精细化分割结果：根据步骤2-2选取的边界候选像素集合，对这些候选像素逐一根据步骤3进行二次分割，得到分类结果，将卷积神经网络判定为脑组织的像素汇总起来，构成较为精确的边界分割结果；

4-3，图像叠加：将初步分割得到的内部分割结果与二次分割得到的边界分割结果进行图像叠加，最终获得关于二维原始核磁共振图的脑组织分割结果。

2.根据权利要求1所述的基于全卷积神经网络的脑组织提取方法，其特征在于，所述步骤2中内部信息为位于脑组织中部确定是脑组织的像素集合，边界信息为需要再分割的像素点集合。

3.根据权利要求1所述的基于全卷积神经网络的脑组织提取方法，其特征在于，所述步骤2-2中选取出的33*33像素的图像通过如下过程得到：以每个候选像素为中心，向上下左右分别扩展16个像素点。

4.根据权利要求1所述的基于全卷积神经网络的脑组织提取方法，其特征在于，所述步骤3-1中，第一层以及第三层卷积层分别采用6和16个可训练的5*5的卷积核。