[发明专利]一种基于弱监督的大脑磁共振图像分割方法

说明书

本发明公开了一种基于弱监督的大脑磁共振图像分割方法，包括以下步骤：使用超体素匹配方法实现待分割图像与参考图像之间的匹配，使得待分割图像的超体素获得标签，在待分割图像匹配的超体素中，选择高置信度的超体素组成种子区域；建立一种脑组织分割网络模型BTSNet，以选择的种子区域作为监督标签，指导网络训练，获得图像每个体素的类别概率；采用了深度种子区域增长方法，以当前种子区域为基础，使用卷积网络输出的类别概率，更新种子区域；最后，迭代脑组织分割网络与深度种子区域增长两个步骤，直至种子区域覆盖整个图像，输出分割结果。本发明能够在只使用少量参考图像的超体素级别标签的条件下实现脑MRI图像的准确分割。

技术领域

本发明涉及数字图像处理技术领域，涉及使用语义分割网络来做大脑磁共振图像，更为具体的说，是涉及一种基于弱监督的大脑磁共振图像分割方法。

背景技术

医学图像语义分割是近些年来医学图像研究的热点，但是基于深度学习的方法往往需要大量的训练数据来保证分割的效果，这会带来巨大的工作量，特别是图像标签的获取。像素级别的标签的获取是非常的费时费力，因此弱监督学习的方法逐渐受到研究人员的关注。弱监督学习是指为了完成某个计算机视觉任务，采用比该任务更弱的标注作为监督信息。但目前，尚无在大脑图像分割领域应用弱监督学习的可行技术方案。

发明内容

为解决上述问题，本发明提供了一种基于弱监督的大脑磁共振图像分割方法，只需少量图像的标注，通过超体素匹配的方式来获得所有图像的初始标注，送入卷积神经网络中获得像素级别的概率，利用深度种子生长的方式更新标注图像，更新后的图像在监督卷积神经网络，不断迭代直至达到指定的迭代次数。

为了达到上述目的，本发明提供如下技术方案：

一种基于弱监督的大脑磁共振图像分割方法，包括如下步骤：

步骤1，使用超体素匹配方法实现待分割图像与参考图像之间的匹配；

步骤1-1，根据简单线性迭代算法生成图像的超体素；

步骤1-2，超体素匹配方法，包括如下子步骤：

步骤1-2-1，提取超体素特征并度量相似性，使用SuperPatch表示超体素，通过计算两个超体素对应的SuperPatch之间的距离来表示它们的特征相似性；

步骤1-2-2，采用基于位置先验的超体素匹配方法找到每个超体素的最近邻超体素；

步骤1-3，选择高置信度的超体素组成种子区域；

步骤2，设计一种BTSNet模型，该模型结合ResNeXt模块、ASPP模块和SELU激活函数，以选择的种子区域作为监督标签，指导网络训练，获得图像每个体素的类别概率；

步骤3，采用深度种子区域增长方法，以当前种子区域为基础，使用卷积网络输出的类别概率，更新种子区域；

步骤4，采用更新后的种子区域标签再来训练BTSNet；不断进行步骤2和步骤3，直至达到指定的迭代次数。

进一步的，所述步骤1-2-1包括如下过程：