[发明专利]基于可形变配准和DCNN的宫颈MRI图像分割方法

权利要求书

1.一种基于可形变配准和DCNN的宫颈MRI图像分割方法，其特征在于，包括以下步骤：

采用目标图像的自相似性加权初始生成图的边，计算基于最小距离树的加权α-MI度量；

采用加权α-MI度量进行目标图像和模板图像之间的可形变配准，期间采用梯度下降法实现参数寻优，通过配准结果对模板标签图像进行形变，获得粗分割结果；

采用粗分割结果的符号距离场定位潜在的边界区域，采用经过迁移学习的DCNN模型进行所述潜在边界区域的分类预测；

对DCNN模型输出的预测结果进行边界细化提炼，得到精分割结果。

2.如权利要求1所述的方法，其特征在于，计算基于最小距离树的α-MI度量，具体包括以下步骤：

假设z(x_i)＝[z₁(x_i)，…，z_d(x_i)]表示一个包含了点x_i所有特征的d维度向量，T_μ(·)是参数为μ的形变模型，z^f(x_i)为目标图像上点x_i的特征向量，z^m(T_μ(x_i))为坐标转换后的点T_μ(x_i)在模板图像上的特征向量，z^fm(x_i，T_μ(x_i))为两个特征向量的拼接：[z^f(x_i)，z^m(T_μ(x_i))]，依据下面的公式构造三个最小距离树：

其中，||·||表示欧氏距离，γ∈(0，d)，n表示采样点的个数，i和j是两个不同点x_i和x_j的下标；

基于最小距离树的α-MI度量的计算公式为：

其中α＝(d-γ)/d，L_f,L_m和L_fm分别为上述构造的三个最小距离树的长度。

3.如权利要求1所述的方法，其特征在于，采用目标图像的自相似性加权初始生成图的边，计算基于最小距离树的加权α-MI度量，具体包括以下步骤：

构造一个直方图描述子，将以当前体素为中心的图像块投影到二维直方图中，该直方图的坐标轴是中心体素到样本点的径向距离和样本点的强度值；

采用Moran′I空间自相关系数将自相似估计限制在结构信息丰富的图像区域，用于计算该系数的图像块大小与用于构造直方图描述子的图像块大小相同；

选择Moran′I系数值大于整体标准差的像素点，使用两个直方图描述子之间的陆地移动距离计算两个像素的相似性ω_ij；

使用自相似性度量ω_ij对初始生成图的边进行加权，改良公式(3)为：

其中z^fm(x_i，T_μ(x_i))为两个特征向量的拼接，n表示采样点的个数，||·||表示欧氏距离，γ∈(0，d)；

将公式(5)替代公式(3)代入到公式(4)中即可获得基于最小距离树的加权α-MI度量。