[发明专利]一种基于超体素与测度学习的弥散张量图像分割方法

权利要求书

1.一种基于超体素与测度学习的弥散张量图像分割方法，其特征在于：该方法包括以下步骤：

步骤1，计算弥散张量图像的描述每个体素水分子弥散的几何特征与方向特征，进行体素张量的特征提取；

步骤2，在弥散张量图像的组织区域均匀采样种子点，结合水分子弥散的位置、几何与方向特征，采用局部空间模糊聚类方法生成超体素；

步骤3，对步骤2生成的超体素进行特征提取，使用谱聚类算法建立基于测度学习的聚类模型，通过求解模型得到超体素的聚类标签，即获得超体素的类别；

步骤3-1，对每个超体素进行特征提取，根据得到的每个超体素的特征计算超体素间的欧式距离；

对于每个超体素，分别计算其所包含的体素的几何特征与方向特征分量的平均值，然后进行合并，得到超体素的特征f_sv，f_sv的定义为：

其中，是超体素的几何特征，是超体素的方向特征；

超体素的几何特征定义为：

超体素的方向特征定义为：

其中，分别表示当前超体素中所有体素的弥散张量的三个特征值λ₁,λ₂,λ₃的平均值，分别表示当前超体素中所有体素的弥散张量的平均弥散率MD，分数各向异性FA，容积比VR，线性各向异性CL、平面各向异性CP与球面各向异性CS变量的平均值；与分别表示当前超体素中所有体素的代表方向特征的五个分量的平均值；

步骤3-2，构建图G＝{V,E}，V代表图中所有结点即超体素的集合，E代表图中所有边的集合；对于空间上相邻的超体素之间存在边E，边上存在权值；超体素构成图的边权值矩阵W的元素表示如下：

其中，w_ij是超体素sv_i、sv_j存在边之间的权值，即边权值矩阵W的第i行第j列元素；d(sv_i,sv_j)是超体素sv_i、sv_j特征之间的欧式距离，H是待学习的测度核；

定义超体素构成图的对角阵D，其中对角元素d_ii表示如下：

d_ii＝∑_jw_ij

步骤3-3，采用半监督方式基于图进行测度学习，定义基于测度学习的聚类模型的目标优化函数为：

其中，Ψ₁(u)为平滑控制约束，表示相邻的超体素之间的变化约束；Ψ₂(u)表示提供监督信息的约束；λ是两个约束项目的权重，λ0；u_i与u_j分别是需要求解的第i、j个超体素的聚类标签；d_ii与d_jj分别为对角阵D中的对角元素，m_i是已标注类别的弥散张量图像样本M＝{m_i}的标签值，其中m_i＝1表示胼胝体，m_i＝-1表示背景；E表示超体素之间边的集合；V表示超体素的集合；

步骤3-4，随机初始化测度核H，利用内点法对步骤3-3所述目标优化函数进行交替迭代求解，即依据测度核H，求解超体素的聚类标签u，依据聚类标签u，更新测度核H；具体如下：

(1)在超体素聚类标签更新阶段，依据测度核H，计算出每个超体素的聚类标签；将式(18)转换为式(19)：

其中，L是标准化拉格朗日矩阵，I表示单位矩阵，W和D分别为超体素构成图的边权值矩阵以及对角阵；M＝{m_i}表示已标注类别的弥散张量图像样本，其中m_i＝1表示胼胝体，m_i＝-1表示背景；

固定测度核H，通过内点法直接求解式(19)，从而获得每个超体素的聚类标签u；

(2)在测度核H更新阶段，固定聚类标签结果，通过梯度下降方式进行求解；对目标优化函数式(19)计算测度核H的梯度，如式(20)所示：

对w_ij与d_ii计算测度核H的梯度，如式(21)与式(22)所示：

在上述梯度的基础上，对测度核H进行更新，如式(23)所示：

其中，H_t与H_t+1分别是更新前后的测度核；μ表示测度核更新的学习率；

步骤3-5，当测度核H变化小于设定的阈值时，停止迭代过程，获得最终的超体素聚类标签u以及测度核H；

步骤4，将超体素的类别信息映射回图像空间，根据超体素聚类标签实现弥散张量图像的分割。