[发明专利]基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法

权利要求书

1.一种基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法，其特征在于，包括以下步骤：

步骤1，输入多模态脑肿瘤核磁共振测试图像，获取各类别样本的训练数据集与相应的标签；

步骤2，对多模态脑肿瘤核磁共振测试图像进行预处理，包括配准和归一化，并进行多模态融合，获得多模态脑肿瘤融合数据；

步骤3，对T1-c模态图像采用熵率分割方法进行多尺度超像素分割，获得多模态脑肿瘤融合数据的超像素分割结果；

步骤4，基于步骤3所获的多尺度超像素构造超像素核；

步骤5，对核特征空间进行低秩表示建模，并基于步骤4所获的超像素核利用交替方向乘子法求解模型，获得测试图像的表示系数矩阵；

步骤6，基于步骤5所获的测试图像的表示系数矩阵，计算各测试样本属于各个类别的残差，确定各测试样本的类别标签；

步骤5中，对核特征空间进行低秩表示建模，并基于步骤4获得的超像素核求解模型，获得测试图像的表示系数矩阵，具体方法为：

步骤5.1，构建核特征空间的低秩表示模型：

其中，Φ(X)＝{φ(x₁)，φ(x₂)，…，φ(x_N)}，X＝{x₁，x₂，…x_N}表示脑肿瘤MR融合数据，x_i表示第i个测试样本，D＝[d₁，d₂，…，d_T]为由步骤1所选取的训练样本集构建的字典，A为系数矩阵，λ为调节因子；

步骤5.2，将模型中的高维映射替代为其内积形式可得等价模型：

其中，矩阵U的元素u_ij＝K_SP(d_i，x_j)，矩阵V的元素v_ij＝K_SP(d_i，d_j)，K_SP(.)为步骤4获得的超像素核；

步骤5.3，解耦该等价模型并引入Lagrange乘子得无约束优化问题：s.t.B＝A其中，Y＝Y+μ(A-B)，μ为惩罚因子；

步骤5.4，采用交替方向乘子法(ADMM)求解该无约束优化问题，获得测试图像的表示系数矩阵A，具体求解步骤为：

1)初始化：k＝0，A⁰＝B⁰＝0，Y⁰＝0，μ＝10^-6，μ^max＝10⁶，ρ＝1.1

2)计算矩阵U与V；

3)更新变量其中，P(∑)Q^T为对A+Y/μ进行奇异值分解后所得结果，Θ为软阈值函数，B^k、P^k、μ^k、∑^k、Q^k分别表示第k次迭代中B、P、μ、∑、Q的值；

4)更新变量其中，A^k、Y^k表示第k次迭代中A、Y的值；

5)更新变量Y^k+1＝Y^k+μ^k(A^k+1-B^k+1)；

6)更新0≤ε₁≤1；

7)根据公式计算迭代终止条件，如果不满足则执行3)，并更新k＝k+1，其中ε₁、ε₂为判断阈值。