CN112785603B - 一种基于Unet和超像素的脑组织分割方法 - Google Patents
一种基于Unet和超像素的脑组织分割方法 Download PDFInfo
- Publication number
- CN112785603B CN112785603B CN202110052435.0A CN202110052435A CN112785603B CN 112785603 B CN112785603 B CN 112785603B CN 202110052435 A CN202110052435 A CN 202110052435A CN 112785603 B CN112785603 B CN 112785603B
- Authority
- CN
- China
- Prior art keywords
- brain
- unet
- convolution
- segmentation
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 56
- 210000005013 brain tissue Anatomy 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 27
- 210000004556 brain Anatomy 0.000 claims abstract description 37
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 14
- 210000003625 skull Anatomy 0.000 claims abstract description 12
- 239000000203 mixture Substances 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 230000003595 spectral effect Effects 0.000 claims abstract description 4
- 210000001519 tissue Anatomy 0.000 claims description 14
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 208000014644 Brain disease Diseases 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
一种基于Unet和超像素的脑组织分割方法，属于医学图像分割技术领域，包括如下步骤：步骤1：对脑MR图像进行预处理，将颅骨区域进行剔除，减小非脑组织干扰；步骤2：搭建DA‑Unet网络模型；步骤3：使用DA‑Unet网络模型，对预处理完成后的数据集进行训练、调参，得到最佳分割模型并保存；步骤4：对训练集脑MR图像的灰度值进行统计，构建高斯混合模型；步骤5：设计概率密度加权的线性谱聚类(p‑LSC)超像素算法对预处理后的脑MR图像进行分割；步骤6：使用映射方法对像素块分类完成分割。本发明充分利用脑MR图像特点，能够实现高精度的脑组织自动分割。
Description
技术领域
本发明属于医学图像分割技术领域，特别涉及一种基于Unet和超像素的脑组织分割方法。
背景技术
大脑作为人体结构功能最为复杂的器官，控制着人的思想、语言、感觉、运动等一切行为意识活动。如果大脑发生病症，即便是轻微症状，影响往往也难以估量。随着生活节奏的加快，现代人的压力增加，使得脑部疾病发病率逐年增高，患者数量呈上升趋势。同时考虑到脑部疾病特有的高伤残率、高复发率、高死亡率、低治愈率，让脑部的研究长久成为是医学界的重点、热点、难点。
在脑MR图像中，除了颅骨、毛发、脂肪等非脑组织成分，脑组织按结构不同可分成脑灰质、脑白质、脑脊液三部分，它们也是临床上观察的主要目标。在临床应用中，脑组织的精确分割有利于搜索、分析颅内组织各组织生理变化的位置、类型和范围。高精度的脑组织分割便于医生进行脑部诊断时，作为参考提供帮助。同时对于神经科学研究人员，如要研究某个具体组织结构，需先将它单独提取才能开始下一步实验。这种特定结构的分割、边界检测、皮质表面厚度评估、组织容积测量都依赖于脑白质、脑灰质、脑脊液的精确划分。
但由于图像采集过程复杂，成像结果受机器设备、采集环境等诸多因素制约。进行图像分割时，除了成像阶段的各种影响，还有脑图像中非脑成分如颅骨、毛发、脂肪等组织干扰，以及不同个体间的天然差异，使得脑MR图像脑组织分割成为医学图像研究中的一个焦点。
发明内容
基于上述技术问题，本发明提供一种基于Unet和超像素的脑组织分割方法，实现高精度的脑MR图像脑组织自动分割。
本发明采用如下技术方案：
一种基于Unet和超像素的脑组织分割方法，其包含以下步骤：
步骤1：对脑MR图像进行预处理，将颅骨区域进行剔除，减小非脑组织干扰；
步骤1包括以下分步骤：
步骤1.1：利用区域生长法对原始脑MR图像进行预处理，获得只包含颅骨区域和背景的二分类图像；
步骤1.2：利用像素点映射的方法，将脑组织部分分离提取出来。
步骤2：搭建DA-Unet网络模型。
步骤2包括以下分步骤：
步骤2.1：构建输入通道，利用3×3的卷积层进行特征提取，之后使用2×2的最大池化层降低图像尺寸。
步骤2.2：利用稠密连接块构建DA-Unet编码器部分，每个稠密连接块包含数个卷积层，每个卷积层的输入是之前所有层输出的拼接，卷积层的构成顺序是批标准化、激活函数ReLU、卷积。稠密连接块内任意两层之间相互连接，确保各层间能最大量的信息流动。稠密块每层由一个1×1卷积和一个3×3卷积组成。1×1卷积负责将输入信息特征融合，3×3卷积负责特征提取。将3个稠密连接块利用1×1卷积和一个步长为2的2×2平均池化层相来连接。之后利用一个1×1卷积和一个空洞率为2的3×3空洞卷积连接第4个稠密连接块。以上部分构成DA-Unet的编码器部分。
步骤2.3：在DA-Unet编码器之后，增加一个ASPP模块，ASPP模块包含一个1×1卷积层和全局平均池化层，还有3个空洞率分别为4、8、12的3×3空洞卷积层。
步骤2.4：构建DA-Unet解码器部分。在ASPP模块的输出部分，将以上五个输出在通道层相连接，经过一个1×1的卷积层来减少通道数。之后经过跳跃连接与第3块稠密连接块的输出特征图进行融合，通过3×3卷积后经2×2的上采样恢复图像尺寸，该过程反复3次后由1×1卷积层输出分割图像。
步骤2.5：为了更好的适应脑组织分割，损失函数进行调整，改用多分类效果更稳定的Lovász Softmax loss。
步骤3：使用DA-Unet网络模型，对预处理完成后的数据集进行训练、调参，得到最佳分割模型并保存。
步骤3包括以下分步骤：
步骤3.1：将预处理完成的脑MR图像按6:4分成训练集、测试集两部分。
步骤3.2：使用DA-Unet进行训练。
步骤3.3：输出测试集脑组织分割结果。
步骤4：对训练集脑MR图像的灰度值进行统计，构建高斯混合模型。
步骤4包括以下分步骤：
步骤4.1：随机抽取1/2的预处理完成脑MR图像，对其灰度值进行统计。
步骤4.2：将灰度值对应不同组织的统计结果制成直方图。
步骤4.3：利用高斯混合模型对直方图数据进行拟合。
步骤4.4：依据像素点灰度值计算每个点对不同组织的概率密度估计。
步骤5：设计概率密度加权的线性谱聚类(p-LSC)超像素算法对预处理后的脑MR图像进行分割。
步骤5包括以下分步骤：
步骤5.1：将每个像素点m的(gm,pm,xm,ym)特征信息映射到特征空间形成一个八维向量其中：
α、β、γ分别为所属特征类别的权重。
步骤5.2：设置种子点数量K，每个相邻种子点间固定距离水平间隔vx、竖直间隔vy。
步骤5.3：调整聚类中心，将聚类中心移动到该点3×3领域内梯度最低点；
步骤5.4：初始化聚类中心的加权均值mk和搜索中心Ck，其中：
m,n表示空间中的两个数据点，w(m)是权重，全部划分为K，πk表示第k(k＝1,2,3......,K)个簇群，簇群的中心是mk，φ是映射函数。
步骤5.5：对每个像素点m设置标签L(m)＝0同时初始化像素点间的距离D(m)＝∞。
步骤5.6：对搜索中心Ck的τvx×τvy领域内的像素点p，计算其D值，D是特征空间中与加权均值mk的欧氏距离。
步骤5.7：如果D<d(m)，那么d(m)＝D，L(m)＝k。
步骤5.8：更新所有类别的加权均值和搜索中心。
步骤5.9：重复步骤5.6、5.7，直至K簇的加权均值mk收敛。
步骤5.10：将小的超像素与邻近超像素进行合并。
步骤5.11：输出结果。
步骤6：使用映射方法对像素块分类完成分割。
步骤6包括以下分步骤：
步骤6.1：在进行超像素分割时输入DA-Unet分割结果。
步骤6.2：计算每个超像素的重心，通过像素点映射读取该像素点在DA-Unet上的分割结果，从而决定整个像素块的类别，达到分割的目的。
步骤6.3：输出结果。
与现有技术相比，本发明的优点与效果为：
1.为了提高神经网络的分割精度，本发明对Unet结构进行改进设计出DA-Unet模型。采用DenseNet作为编码器，增加网络深度同时利用稠密连接使各层间的信息流通最大化，增强网络特征提取能力。编码器解码器中间增加ASPP模块捕获多尺度特征图。损失函数改用Lovász Softmax Loss提升网络性能，使模型进行多分类分割时更稳定。
2.本发明提出一种适用于脑组织分割的p-LSC超像素分割算法。通过研究脑组织的灰度直方图构建高斯混合模型，在线性谱聚类(LSC)超像素分割算法的基础上，将像素点按其灰度值对应不同组织的概率密度估计作为新的特征引入到LSC分割算法中。
3.本发明提出一种结合DA-Unet模型和p-LSC超像素算法的新型脑组织分割方法，通过利用像素点映射决定超像素类别，优化DA-Unet的边缘细节。
附图说明
图1为本发明基于Unet和超像素的脑组织分割方法的步骤示意图；
图2为本发明所用的未经处理前的原始脑MR图像；
图3为本发明的颅骨分离图像；
图4为本发明DA-Unet的网络结构图；
图5为本发明基于DA-Unet的分割结果图；
图6为本发明基于脑MR图像各组织像素数量直方统计图；
图7为本发明对直方图统计结果利用高斯混合模型曲线拟合的图像；
图8为本发明基于p-LSC超像素算法的分割结果图；
图9为本发明的结合DA-Unet和p-LSC超像素算法的脑组织分割结果图。
具体实施方式
下面将结合附图来详细描述本发明的示例性实施方式。应当理解，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
如图1所示，本发明实施例子提供了一种基于Unet和超像素的脑组织分割方法，包含以下步骤:
步骤1：对脑MR图像进行预处理，将颅骨区域进行剔除，减小非脑组织干扰；
如图2所示，在未经处理的脑MR图像中，除了需要进行分割的脑组织成分外，还包含颅骨、毛发、脂肪等非脑组织结构，这些部分的存在可能影响分割效果，需要预处理进行解决。
步骤1包括以下分步骤：
步骤1.1：利用区域生长法对原始脑MR图像进行预处理，获得只包含颅骨区域和背景的二分类图像；
步骤1.2：利用像素点映射的方法，将脑组织部分分离提取出来。
经过上述步骤，颅骨分离完成后的图像如图3所示。
步骤2：搭建DA-Unet网络模型。
搭建网络模型对预处理完成后的图像进行分割，DA-Unet的模型结构如图4所示。
步骤2包括以下分步骤：
步骤2.1：构建输入通道，利用3×3的卷积层进行特征提取，之后使用2×2的最大池化层降低图像尺寸。
步骤2.2：利用稠密连接块构建DA-Unet编码器部分，每个稠密连接块包含数个卷积层，每个卷积层的输入是之前所有层输出的拼接，卷积层的构成顺序是批标准化、激活函数ReLU、卷积。稠密连接块内任意两层之间相互连接，确保各层间能最大量的信息流动。稠密块每层由一个1×1卷积和一个3×3卷积组成。1×1卷积负责将输入信息特征融合，3×3卷积负责特征提取。将3个稠密连接块利用1×1卷积和一个步长为2的2×2平均池化层相来连接。之后利用一个1×1卷积和一个空洞率为2的3×3空洞卷积连接第4个稠密连接块。以上部分构成DA-Unet的编码器部分。
步骤2.3：在DA-Unet编码器之后，增加一个ASPP模块，ASPP模块包含一个1×1卷积层和全局平均池化层，还有3个空洞率分别为4、8、12的3×3空洞卷积层。
步骤2.4：构建DA-Unet解码器部分。在ASPP模块的输出部分，将以上五个输出在通道层相连接，经过一个1×1的卷积层来减少通道数。之后经过跳跃连接与第3块稠密连接块的输出特征图进行融合，通过3×3卷积后经2×2的上采样恢复图像尺寸，该过程反复3次后由1×1卷积层输出分割图像。
步骤2.5：为了更好的适应脑组织分割，损失函数进行调整，改用多分类效果更稳定的Lovász Softmax loss。
步骤3：使用DA-Unet网络模型，对预处理完成后的数据集进行训练、调参，得到最佳分割模型并保存。
实验结果如图5所示。
步骤3包括以下分步骤：
步骤3.1：将预处理完成的脑MR图像按6:4分成训练集、测试集两部分。
步骤3.2：使用DA-Unet进行训练。
步骤3.3：输出测试集脑组织分割结果。
步骤4、对训练集脑MR图像的灰度值进行统计，构建高斯混合模型。
步骤4包括以下分步骤：
步骤4.1：随机抽取1/2的预处理完成脑MR图像，对其灰度值进行统计。
步骤4.2：将灰度值对应不同组织的统计结果制成直方图，结果如图6所示。
步骤4.3：利用高斯混合模型对直方图数据进行拟合，结果如图7所示。
步骤4.4：依据像素点灰度值计算每个点对不同组织的概率密度估计。
步骤5：设计p-LSC超像素算法对预处理后的脑MR图像进行分割。
步骤5包括以下分步骤：
步骤5.1：将每个像素点m的(gm,pm,xm,ym)特征信息映射到特征空间形成一个八维向量其中：
α、β、γ分别为所属特征类别的权重。
步骤5.2：设置种子点数量K，每个相邻种子点间固定距离水平间隔vx、竖直间隔vy。
步骤5.3：调整聚类中心，将聚类中心移动到该点3×3领域内梯度最低点。
步骤5.4：初始化聚类中心的加权均值mk和搜索中心Ck。
m,n表示空间中的两个数据点，w(m)是权重，全部划分为K，πk表示第k(k＝1,2,3......,K)个簇群，簇群的中心是mk，φ是映射函数。
步骤5.5：对每个像素点m设置标签L(m)＝0同时初始化像素点间的距离D(m)＝∞。
步骤5.6：对搜索中心Ck的τvx×τvy领域内的像素点p，计算其D值，D是特征空间中与加权均值mk的欧氏距离。
步骤5.7：如果D<d(m)，那么d(m)＝D，L(m)＝k。
步骤5.8：更新所有类别的加权均值和搜索中心。
步骤5.9：重复步骤5.6、5.7，直至K簇的加权均值mk收敛。
步骤5.10：将小的超像素与邻近超像素进行合并。
步骤5.11：输出结果，图像如图8所示。
步骤6：使用映射方法对像素块分类完成分割。
步骤6包括以下分步骤：
步骤6.1：在进行超像素分割时输入DA-Unet分割结果。
步骤6.2：计算每个超像素的重心，通过像素点映射读取该像素点在DA-Unet上的分割结果，从而决定整个像素块的类别，达到分割的目的。
步骤6.3：输出结果，结果如图9所示。
本发明实施例中，将采用Dice值作为评价指标对不同方法脑组织分割结果进行比较，结果如表1所示。表1中改进后的DA-Unet模型分割精度相比于未改进前的Unet结果有着明显的提升。结合DA-Unet模型和p-LSC超像素算法的新方法在准确度上，相比于单一使用DA-Unet有着进一步的提高。
表1
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (1)
1.一种基于Unet和超像素的脑组织分割方法，其特征在于：包括如下步骤：
步骤1：对脑MR图像进行预处理，将颅骨区域进行剔除，减小非脑组织干扰；
步骤1.1：利用区域生长法对原始脑MR图像进行预处理，获得只包含颅骨区域和背景的二分类图像；
步骤1.2：利用像素点映射的方法，将脑组织部分分离提取出来；
步骤2：搭建DA-Unet网络模型，编码器部分，采用稠密连接块特征提取，在编码器解码器中间增加空洞空间金字塔池化ASPP模块，损失函数采用Lovász Softmax loss；
步骤2.1：构建输入通道，利用3×3的卷积层进行特征提取，之后使用2×2的最大池化层降低图像尺寸；
步骤2.2：利用稠密连接块构建DA-Unet编码器部分，每个稠密连接块包含数个卷积层，每个卷积层的输入是之前所有层输出的拼接，卷积层的构成顺序是批标准化、激活函数ReLU、卷积，稠密连接块内任意两层之间相互连接，确保各层间能最大量的信息流动，稠密块每层由一个1×1卷积和一个3×3卷积组成，将3个稠密连接块利用1×1卷积和一个步长为2的2×2平均池化层相来连接，之后利用一个1×1卷积和一个空洞率为2的3×3空洞卷积连接第4个稠密连接块，以上部分构成DA-Unet的编码器部分；
步骤2.3：在DA-Unet编码器之后，增加一个ASPP模块，ASPP模块包含一个1×1卷积层和全局平均池化层，还有3个空洞率分别为4、8、12的3×3空洞卷积层；
步骤2.4：构建DA-Unet解码器部分，在ASPP模块的输出部分，将以上五个输出在通道层相连接，经过一个1×1的卷积层来减少通道数，之后经过跳跃连接与第3块稠密连接块的输出特征图进行融合，通过3×3卷积后经2×2的上采样恢复图像尺寸，该过程反复3次后由1×1卷积层输出分割图像；
步骤2.5：损失函数进行调整，采用Lovász Softmax loss；
步骤3：使用DA-Unet网络模型，对预处理完成后的数据集进行训练、调参，得到最佳分割模型并保存；
步骤3.1：将预处理完成的脑MR图像按6:4分成训练集、测试集两部分；
步骤3.2：使用DA-Unet进行训练；
步骤3.3：输出测试集脑组织分割结果；
步骤4：对训练集脑MR图像的灰度值进行统计，构建高斯混合模型；
步骤4.1：随机抽取1/2的预处理完成脑MR图像，对其灰度值进行统计；
步骤4.2：将灰度值对应不同组织的统计结果制成直方图；
步骤4.3：利用高斯混合模型对直方图数据进行拟合；
步骤4.4：依据像素点灰度值计算每个点对不同组织的概率密度估计；
步骤5：设计概率密度加权的线性谱聚类(p-LSC)超像素算法对预处理后的脑MR图像进行分割；
步骤5.1：将每个像素点m的(gm,pm,xm,ym)特征信息映射到特征空间形成一个八维向量其中：
α、β、γ分别为所属特征类别的权重；
步骤5.2：设置种子点数量K，每个相邻种子点间固定距离水平间隔vx、竖直间隔vy；
步骤5.3：调整聚类中心，将聚类中心移动到该点3×3领域内梯度最低点；
步骤5.4：初始化聚类中心的加权均值mk和搜索中心Ck，其中：
m,n表示空间中的两个数据点，w(m)是权重，全部划分为K，πk表示第k(k＝1,2,3......,K)个簇群，簇群的中心是mk，φ是映射函数；
步骤5.5：对每个像素点m设置标签L(m)＝0同时初始化像素点间的距离D(m)＝∞；
步骤5.6：对搜索中心Ck的τvx×τvy领域内的像素点p，计算其D值，D是特征空间中与加权均值mk的欧氏距离；
步骤5.7：如果D<d(m)，那么d(m)＝D，L(m)＝k；
步骤5.8：更新所有类别的加权均值和搜索中心；
步骤5.9：重复步骤5.6、5.7，直至K簇的加权均值mk收敛；
步骤5.10：将小的超像素与邻近超像素进行合并；
步骤5.11：输出结果；
步骤6：使用映射方法对像素块分类完成分割；
步骤6.1：在进行超像素分割时输入DA-Unet分割结果；
步骤6.2：计算每个超像素的重心，通过像素点映射读取该像素点在DA-Unet上的分割结果，从而决定整个像素块的类别，达到分割的目的；
步骤6.3：输出结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110052435.0A CN112785603B (zh) | 2021-01-15 | 2021-01-15 | 一种基于Unet和超像素的脑组织分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110052435.0A CN112785603B (zh) | 2021-01-15 | 2021-01-15 | 一种基于Unet和超像素的脑组织分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112785603A CN112785603A (zh) | 2021-05-11 |
| CN112785603B true CN112785603B (zh) | 2023-11-24 |
Family
ID=75756777
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110052435.0A Active CN112785603B (zh) | 2021-01-15 | 2021-01-15 | 一种基于Unet和超像素的脑组织分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112785603B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113379691B (zh) * | 2021-05-31 | 2022-06-24 | 南方医科大学 | 一种基于先验引导的乳腺病灶深度学习分割方法 |
| CN113705583B (zh) * | 2021-08-16 | 2024-03-22 | 南京莱斯电子设备有限公司 | 一种基于卷积神经网络模型的目标检测识别方法 |
| CN115115648A (zh) * | 2022-06-20 | 2022-09-27 | 北京理工大学 | 一种结合UNet和体绘制先验知识的脑组织分割方法 |
| CN116245951B (zh) * | 2023-05-12 | 2023-08-29 | 南昌大学第二附属医院 | 脑组织出血定位分类和出血量化方法、设备、介质和程序 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109949321A (zh) * | 2019-03-26 | 2019-06-28 | 电子科技大学 | 基于三维Unet网络的脑部核磁共振图像组织分割方法 |
| CN111192245A (zh) * | 2019-12-26 | 2020-05-22 | 河南工业大学 | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 |
| CN111563903A (zh) * | 2020-04-26 | 2020-08-21 | 北京航空航天大学 | 一种基于深度学习的mri全脑组织分割方法 |
-
2021
- 2021-01-15 CN CN202110052435.0A patent/CN112785603B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109949321A (zh) * | 2019-03-26 | 2019-06-28 | 电子科技大学 | 基于三维Unet网络的脑部核磁共振图像组织分割方法 |
| CN111192245A (zh) * | 2019-12-26 | 2020-05-22 | 河南工业大学 | 一种基于U-Net网络的脑肿瘤分割网络及分割方法 |
| CN111563903A (zh) * | 2020-04-26 | 2020-08-21 | 北京航空航天大学 | 一种基于深度学习的mri全脑组织分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112785603A (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112785603B (zh) | 一种基于Unet和超像素的脑组织分割方法 | |
| CN109035263B (zh) | 基于卷积神经网络的脑肿瘤图像自动分割方法 | |
| CN109493308B (zh) | 基于条件多判别生成对抗网络的医疗图像合成与分类方法 | |
| CN109598727B (zh) | 一种基于深度神经网络的ct图像肺实质三维语义分割方法 | |
| CN108898160B (zh) | 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法 | |
| CN110889853B (zh) | 基于残差-注意力深度神经网络的肿瘤分割方法 | |
| CN109242860B (zh) | 基于深度学习及权重空间集成的脑肿瘤图像分割方法 | |
| CN112132833B (zh) | 一种基于深度卷积神经网络的皮肤病图像病灶分割方法 | |
| CN109447998A (zh) | 基于PCANet深度学习模型下的自动分割方法 | |
| CN111951288B (zh) | 一种基于深度学习的皮肤癌病变分割方法 | |
| CN112396621B (zh) | 基于深度学习的高分辨率显微内窥镜图像细胞核分割方法 | |
| CN110503630A (zh) | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 | |
| CN110570432A (zh) | 一种基于深度学习的ct图像肝脏肿瘤分割方法 | |
| CN109685768A (zh) | 基于肺部ct序列的肺结节自动检测方法及系统 | |
| CN109685804B (zh) | 一种多通道头部磁共振成像组织分割方法 | |
| CN112884788B (zh) | 基于丰富上下文网络的视杯视盘分割方法及成像方法 | |
| CN115222688B (zh) | 基于图网络时间序列的医学影像分类方法 | |
| CN115375711A (zh) | 基于多尺度融合的全局上下文关注网络的图像分割方法 | |
| CN115147600A (zh) | 基于分类器权重转换器的gbm多模态mr图像分割方法 | |
| CN110853048A (zh) | 基于粗、精训练的mri图像分割方法、装置和存储介质 | |
| CN115100467A (zh) | 一种基于核注意力网络的病理全切片图像分类方法 | |
| CN114581701A (zh) | 一种t2加权影像特征生成动态增强影像特征的方法 | |
| CN112036298A (zh) | 一种基于双段区块卷积神经网络的细胞检测方法 | |
| CN109919216B (zh) | 一种用于计算机辅助诊断前列腺癌的对抗学习方法 | |
| CN115035127A (zh) | 一种基于生成式对抗网络的视网膜血管分割方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |