[发明专利]一种基于深度学习和水平集方法的医学图像分割方法

权利要求书

1.一种基于深度学习和水平集方法的医学图像分割方法，其特征在于，包括：S1、结合深度学习建立新的能量泛函；S2、使用Bregman方法极小化能量泛函；S3、对输入图像进行分割处理，输出分割结果。

2.根据权利要求1所述一种基于深度学习和水平集方法的医学图像分割方法，其特征在于，所述步骤S1中建立能量泛函的具体过程为：

S21、定义了约束项如公式(1)：

其中φ是水平集函数，φ_con表示U-Net分割的水平集函数，γ是一个正参数。

S22、令I：为给定输入图像，新的能量泛函如公式(2)：

公式(2)其中变量如公式(3)：

其中，λ₁，λ₂，η，σ均为非负参数，g是一个边界检测函数，K_σ是高斯核函数，H_ε(z)是近似的赫维赛德函数，M₁(φ(x))＝H_ε(φ(x))，M₂(φ(x))＝1-H_ε(φ(x)),f₁和f₂分别是轮廓两侧的局部强度近似值；

S23、用内积重写内积函数，极小化问题转化如公式(4)：

公式(4)其中变量如公式(5)：

3.根据权利1或2所述的一种基于深度学习和水平集方法的医学图像分割方法，其特征在于，所述步骤S2中采用Bregman方法极小化能量泛函的具体步骤为：

S31、定义辅助变量t＝(t_x,t_y)和Bregman变量c＝(c_x,c_y)，极小化问题转化如公式(6)：

S32、固定变量t，将φ极小化，使用高斯-赛德尔方法得到φ^k+1的极小化迭代公式(7)：

φ^k+1＝GS(Q^k,t^k,c^k) (7)

S33、固定φ，将变量t极小化，使用向量收缩算子得到t^k+1的极小化迭代公式(8)：

4.根据权利要求1所述一种基于深度学习和水平集方法的医学图像分割方法，其特征在于，所述步骤S3中对输入图像进行分割处理的具体过程为：

S41、输入图像I，自定义变量，包括辅助变量t⁰，Bregman变量c⁰，分割终止条件υ，初始水平集φ⁰，约束水平集φ_con；

S42、建立能量泛函，对S41输入的图像计算轮廓两侧的初始局部强度近似值f₁⁰,

S43、采用Bregman方法极小化能量泛函公式计算水平集函数值φ^k+1；

S44、采用Bregman方法极小化能量泛函公式计算辅助向量t^k+1和Bregman变量c^k+1，采用能量泛函公式计算图像轮廓两侧的局部强度近似值f₁^k+1,

S45、计算零水平集D^k+1＝{x:φ^k+1(x)＝0} (9)

S46、判断零水平集变化是否满足分割终止条件||φ^k+1-φ^k||＜υ，判断结果为是，输出零水平集D^k+1，完成图像分割；否则，返回S43计算φ^k+1。