[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

说明书

本发明公开了一种基于散射图神经网络的大脑磁共振图像分割方法，首先，为了降低模型计算复杂度，采用超体素作为基本单位，针对参考图像与待分割图像，生成数量相当的超体素；同时考虑超体素的自身信息、周围邻居信息与空间位置信息，预先提取其灰度特征、张量特征与关键点空间先验特征；再次，由于大脑各超体素间隐含一定的拓扑结构信息，以超体素作为节点构建拓扑图，采用散射图神经网络学习全局拓扑信息，更新节点特征；最后，直接将待分割图像的超体素与已标注参考图像的超体素进行特征匹配，得到语义分割结果，本发明能较好地应用于大脑磁共振图像，有效地分割出大脑磁共振图像的组织结构。

技术领域

本发明涉及一种基于散射图神经网络的大脑磁共振图像分割方法，属于数字图像领域。

背景技术

现实生活中存在着非结构化的数据，如社交网络，分子结构等图结构数据。对于这种形如图结构的数据，每个节点具有不同的拓扑结构(邻居节点数量、邻居结点的分布等各不相同)，因此与卷积神经网络CNN不同，图卷积神经网络GCN不具有平移不变性，无法使用参数共享的卷积核。GCN通过将每个节点与其邻居节点进行特征聚合，得到新的节点表示，在各个节点进行消息传递的同时嵌入了节点之间的拓扑结构信息。然而，GCN在整合图结构信息时会加强相邻结点之间的相似性，本质上实现了图上的局部平滑，节点之间没有区分度，当网络结构加深时就会出现过平滑问题。散射图神经网络在GCN的基础上引入了几何散射变换，使学习到的节点级特征包含了除平滑激活信号之外的几何特征，有效地减轻了GCN中的过平滑问题。近来，散射图神经网络在节点分类、图分类任务上取得了优异的效果，但尚未有将其应用在大脑磁共振分割上的研究。

磁共振图像的分割是医学诊断和研究的重要步骤，可以帮助进行组织的分析，是疾病检测和诊断的关键。磁共振图像中组织结构复杂，需要具备专业知识的专家才能进行正确的分割，另外磁共振图像易受噪声的影响，准确分割的难度很大，对一个三维图像进行手动组织分割通常需要花费一名专家数小时的时间。因此获取磁共振图像的分割标注成本很高，为了实现准确的自动分割，深度学习成为了近年来最热门的图像语义分割方法，并且被广泛应用到了医学图像分割的研究中。深度学习方法能够从数据中学习与任务相关的特征，在分割效果上大大超过了传统的分割算法，但深度学习模型需要大量像素级标注的数据才能取得理想的效果。考虑到不同个体的同一组织的磁共振图像在结构上有很高的相似性，有学者提出采用图像匹配的方法，只需要对其中的参考图像进行标注，待分割图像通过与参考图像进行匹配来得到分割结果，可以大大降低标注成本。

目前，传统的图像匹配算法，如基于灰度的模板匹配算法以及SIFT、KLT等基于特征的匹配算法，被应用于计算机视觉的诸多领域，取得了相当好的结果，但这种以像素为单位进行的匹配，时间复杂度很高，对于体积比较大的三维磁共振图像并不适用。

总结而言，深度学习模型需要大量像素级别的标注数据才能得到理想的结果，而获取磁共振图像的分割标注成本很高，因此可以考虑采用图像匹配方法来降低标注成本，以超体素作为基本单位，来降低匹配复杂度，同时目前的研究又尚未披露到如何利用磁共振图像中各超体素间的拓扑结构信息，考虑采用散射图神经网络学习超体素间的拓扑结构，从而更全面地描述超体素特征。

发明内容

本发明正是针对现有技术中的问题，提供一种基于散射图神经网络的大脑磁共振图像分割方法，首先，为了降低模型计算复杂度，采用超体素作为基本单位，针对参考图像与待分割图像，生成数量相当的超体素；同时考虑超体素的自身信息、周围邻居信息与空间位置信息，预先提取其灰度特征、张量特征与关键点空间先验特征；再次，由于大脑各超体素间隐含一定的拓扑结构信息，以超体素作为节点构建拓扑图，采用散射图神经网络学习全局拓扑信息，更新节点特征；最后，直接将待分割图像的超体素与已标注参考图像的超体素进行特征匹配，得到语义分割结果。本发明能较好地应用于大脑磁共振图像，有效地分割出大脑磁共振图像的组织结构。

为了实现上述目的，本发明采取的技术方案是：一种基于散射图神经网络的大脑磁共振图像分割方法，包括如下步骤