[发明专利]一种基于散射图神经网络的大脑磁共振图像分割方法

权利要求书

1.一种基于散射图神经网络的磁共振图像分割方法，其特征在于，包括以下步骤：

S1，提取超体素：对参考图像与待分割图像，分别提取其超体素，所述提取方法采用模糊迭代聚类法，在磁共振图像的脑区域中均匀采样种子点，将每个体素与其空间最近的种子点进行模糊关联，计算每个体素与种子的模糊隶属度，根据模糊隶属度，更新种子点的空间坐标与灰度值，迭代更新，减小误差后，将每个体素分配给具有最大模糊隶属度的种子点，即生成磁共振图像的超体素；

S2，提取特征值：根据S1获取的超体素，分别提取超体素的特征值，所述特征值至少包括超体素的灰度直方图、结构化张量特征以及关键点空间先验特征；

S3,构建拓扑图，学习全局拓扑特征：以步骤S1获取的参考图像与待分割图像的超体素作为结点，将超体素的灰度直方图、结构化张量特征以及关键点空间先验特征拼接作为结点特征构建拓扑图，采用散射图神经网络学习全局拓扑特征；

S4，得到语义分割结果：构建待分割图像超体素与参考图像超体素的特征距离矩阵D，对于该矩阵D的每一行找到值最小的列，作为参考图像中与待分割图像超体素最为匹配的超体素T_i，同时将待分割图像的超体素类别记为T_i的类别，最后，将已标记过的超体素类别映射到相应的体素，得到最终语义分割的结果。

2.如权利要求1所述的一种基于散射图神经网络的磁共振图像分割方法，其特征在于，所述步骤S1具备包括：

S11，在磁共振图像的脑区域均匀采样N个种子点；

S12，计算磁共振图像中每个体素与各种子点间的距离，其中，第i个体素与第j个种子点之间的距离D(i，j)可表示为：D(i，j)＝d_I(i，j)+λd_S(i，j)，其中d_I(i，j)为第i个体素与第j个种子点之间的灰度距离，d_S(i，j)为第i个体素与第j个种子点之间的空间距离，λ为空间距离的权重；

S13，将磁共振图像中的每个体素与其空间距离最近的K个种子点进行模糊关联，即计算每个体素与这K个种子的模糊隶属度

其中，D(i，S_j)表示第i个体素与种子点S_j之间的距离，m表示模糊隶属度的模糊加权指数，S_j，S_t∈S，S＝{s₁，s₂，…，s_K}，S表示距第i个体素最近的K个种子点的集合；

S14，根据步骤S13计算的模糊隶属度，更新种子点的空间坐标与灰度值：

其中，表示与磁共振图像空间的种子点S_j模糊关联的体素的数量，表示与种子点S_j模糊关联的第r个体素的模糊隶属度；对于v_r＝[x_r，y_r，z_r，I_r]^T，(x_r，y_r，z_r)表示与种子点S_j模糊关联的第r个体素的坐标，I_r表示与种子点S_j模糊关联的第r个体素的灰度值；

S15，按照步骤S13和S14对磁共振图像的种子点进行迭代更新，并定义更新误差，当更新误差小于设定阈值时停止迭代，将每个体素分配给具有最大模糊隶属度的种子点，以此生成大脑磁共振图像的超体素。

3.如权利要求2所述的一种基于散射图神经网络的磁共振图像分割方法，其特征在于，所述步骤S2超体素的灰度直方图提取方法为：将0～255的灰度值均匀划分为16个区间P[1：16]，对于每一个超体素，统计其中灰度值落在各个区间内的体素个数，映射到16维的区间P，再采用每一维的值除以体素总数进行归一化。