[发明专利]基于显著性学习卷积神经网络的脑部图像分割方法及系统

摘要

本发明公开了基于显著性学习卷积神经网络的脑部图像分割方法及系统，首先提出了一种显著性学习方法，来获取MR图像的显著性映射图。基于显著性映射图，进行显著性增强变换，获得显著性增强的图像。将显著性增强的图像分成若干图像块，训练卷积神经网络，作为最后的分割模型。在本发明中，显著性学习模型能够产生显著性映射图，该类信息是基于目标的空间位置获取的，与图像的灰度信息无关，显著性信息能够明显的加强目标的显著性，提高目标类和背景类的区分性，对于灰度不同质性具有一定的鲁棒性。因此，基于显著性增强图训练出的卷积神经网络能够学到显著性增强图的区分性信息，从而较为有效地解决脑部MR图像中的灰度不同质性问题。

主权项

1.一种基于显著性学习卷积神经网络的脑部图像分割方法，其特征是，分为训练和分割两个阶段：/n训练阶段：/n步骤(11)：获取核磁共振图像MR图像作为训练图像；/n步骤(12)：对训练图像进行超像素分割，得到若干个训练超像素；/n步骤(13)：对获取的训练超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征；将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式进行特征融合，得到融合之后的特征；/n步骤(14)：基于步骤(13)得到的融合之后的特征构造训练阶段的字典，然后利用训练阶段的字典和基于稀疏表达的分类方法SRC对步骤(12)得到的训练超像素进行分类，获得初始分割结果；基于获得的初始分割结果，利用高斯概率密度函数获得每个训练超像素的分类概率，作为学习到的训练阶段显著性映射图；/n步骤(15)：基于训练阶段显著性映射图，进行图像变换，获得训练阶段显著性增强图像；/n步骤(16)：将训练阶段显著性增强图像分成若干训练图像块；基于获得的训练图像块对卷积神经网络进行训练；/n分割阶段；基于与训练阶段步骤(12)-步骤(15)同样的步骤，对待分割图像进行处理，最后得到分割阶段显著性增强图像，将分割阶段显著性增强图像分成若干分割阶段图像块，利用步骤(16)训练得到的卷积神经网络对分割阶段图像块进行分类，得到最终的分类结果。/n