[发明专利]一种用于多孔介质显微CT图像的分割方法

权利要求书

1.一种用于多孔介质显微CT图像的分割方法，其特征在于，包括如下步骤：

第一步、使用显微CT在设定分辨率下采集多孔介质样品的CT灰度图像序列，得到训练图像序列和测试图像序列；对训练图像序列和测试图像序列中各幅灰度图像分别进行zscore标准化处理，再使用σ_k＝2的高斯核对进行高斯滤波；最后对滤波后训练图像序列和测试图像序列进行二值化处理，分别得到训练图像序列和测试图像序列的分割真值图像；

第二步、全卷积神经网络训练，具体包括：

S21、将全卷积神经网络的输入通道修改为2k+1个输入通道；将全卷积神经网络中的卷积核大小修改为(2k+1)k_c×k_s×k_s；其中，k_c×k_s×k_s表示只有一个输入通道时全卷积神经网络的卷积核大小；

S22、初始化卷积核中各元素的初值后，训练图像序列中第n-k至n+k帧灰度图像输入到全卷积神经网络中，将第n帧图像的分割真值图像作为全卷积神经网络的目标输出；经过网络模型的处理后，得到第n帧图像的概率热图，完成一次图像分割；

S23、完成一组2k+1个图像的分割后，将n加1，再在训练图像序列中获取第n-k至n+k帧图像，得到另一组图像序列，输入到全卷积神经网络模型中，当前第n帧图像的分割真值图像作为网络的目标输出进行训练，完成后再将n加1，以此类推，直到将训练图像序列中图像取完，则完成一次网络模型的迭代；

S24、按照S23方法再利用训练图像序列中图像进行下一次迭代，直到迭代次数达到设定值，得到训练好的全卷积神经网络模型；

第三步、将测试集图像输入到训练好的全卷积神经网络中，得到概率热图序列后再得到二值化图像序列，并与分割真值图像进行对比，对全卷积神经网络进行性能评估；

利用训练好的全卷积神经网络模型对输入的待分割CT图像序列进行分割。

2.如权利要求1所述的一种用于多孔介质显微CT图像的分割方法，其特征在于，所述第一步中，使用阈值分割和形态学操作方法进行处理并微调，得到所述二值化图像。

3.如权利要求1所述的一种用于多孔介质显微CT图像的分割方法，其特征在于，所述第一步中，所述多孔介质样品至少为2个，采用相同材料及工艺制成，且具有不同的粒径尺寸。

4.如权利要求1所述的一种用于多孔介质显微CT图像的分割方法，其特征在于，所述第二步中，在灰度图像在每次进行卷积运算之前，对灰度图像在当前尺寸基础上进行扩充操作，即在图像边缘扩充，并用0对各扩充的像素进行赋值，使得图像尺寸由当前的m×m扩充为(m+2p)×(m+2p)；其中，

5.如权利要求1所述的一种用于多孔介质显微CT图像的分割方法，其特征在于，根据测试集图像的分割真值图像以及概率热图序列对应的二值化图像序列，计算平均交并比的值，根据该值对全卷积神经网络进行评估。

6.如权利要求1所述的一种用于多孔介质显微CT图像的分割方法，其特征在于，分别利用测试集图像的分割真值图像以及概率热图序列对应的二值化图像序列，分别计算多孔介质的孔隙率或者渗透率，通过比对两者的孔隙率或者渗透率对全卷积神经网络的分割性能进行评估。

7.如权利要求1所述的一种用于多孔介质显微CT图像的分割方法，其特征在于，网络模型的优化器为Adam优化器，即学习率会自适应变化；在训练的过程中，损失函数使用dice损失函数。