脑组织图像分割方法

1.本发明涉及图像处理技术领域，特别是涉及一种脑组织图像分割方法。


背景技术：

2.人的大脑主要由灰质、白质和脑脊液构成，为了使医生对脑部疾病的分析和诊治更加方便、精确，将脑组织图像分割为脑脊液、灰质、白质对临床诊断和治疗具有重要意义。
3.在脑组织图像分割任务的现有技术中，多采用传统的图像分割方法，也有部分领域采用基于有监督的深度学习方法。然而，基于传统理论的图像分割方法仅利用图像浅层特征进行学习，无法将带白质病变以及多干扰的脑组织图像进行有效分割，无法满足分割精度需求。基于有监督的深度学习方法，需要大量有标签数据的训练，也存在边缘分割模糊，分割精度差的技术问题。
4.有鉴于此，本发明公开了一种脑组织图像分割方法，采用深度聚类和无监督的学习策略，以缓解现有技术的问题。


技术实现要素：

5.本发明提供了一种脑组织图像分割方法，包括：图像预处理，获取脑组织图像的集合s，设置集合s中图像除脊液、灰质、白质之外的组织为图像背景并去掉，形成集合t；模型训练，利用第一语义分割网络提取集合t中图像的第一特征向量，形成第一特征向量集合，提取第一特征向量的步骤包含对图像进行第一像素变换；利用第二语义分割网络提取集合t中图像的第二特征向量，形成第二特征向量集合，第二语义分割共享第一语义分割网络的权重，提取第二特征向量的步骤包含对图像进行第二像素变换；计算第一特征向量集合的类别中心p1，计算第二特征向量集合的类别中心p2；遍历集合t中图像，提取图像的第一特征向量v1和第二特征向量v2；根据第一特征向量v1与类别中心p1、类别中心p2的距离，及第二特征向量v2与类别中心p1、类别中心p2的距离建立第一损失；遍历集合t中图像，将图像经过第一像素变换或第二像素变换后得到第一视图或第二视图，根据第一视图像素点或第二视图像素点与类别中心p1、类别中心p2的距离判别获得伪标签，根据伪标签，及利用分类器得到的第一视图和第二视图的预测值建立第二损失；根据第一损失和第二损失进行梯度反转，更新第一语义分割网络或第二语义分割网络的参数；图像分割，将脑组织图像经过图像预处理后，送入第一语义分割网络或第二语义分割网络进行分割。
6.在一个实施例中，提取第一特征向量的步骤，包括：将集合t中的图像经过第一像素变换后送入第一语义分割网络提取第一向量，将第一向量通过第一几何变换得到第一特征向量。
7.在一个实施例中，提取第二特征向量的步骤，包括：将集合t中的图像通过第二像素变换和第一几何变换后，送入第二语义分割网络提取第二特征向量。
8.在一个实施例中，计算类别中心p1或类别中心p2的步骤，包括：采用小批量k-means计算。
9.在一个实施例中，建立第一损失的步骤，包括：根据第一特征向量v1与类别中心p1的距离，及第二特征向量v2与类别中心p2的距离构建视图内聚类中心损失；根据第一特征向量v1与类别中心p2的距离，及第二特征向量v2与类别中心p1的距离构建跨视图聚类中心损失；第一损失为视图内聚类中心损失与跨视图聚类中心损失之和。
10.在一个实施例中，建立第二损失的步骤，包括：计算第一视图像素点与类别中心p1的距离判别获得第一伪标签；第一视图根据分类器得到的第一预测值；计算第一视图像素点与类别中心p2的距离判别获得第二伪标签；第二视图根据分类器得到的第二预测值；根据第一伪标签、第一预测值、第二伪标签及第二预测值构建第二损失。
11.在一个实施例中，获得伪标签的步骤，还包括：利用全连接条件随机场densecrf模块精细化处理伪标签。
12.在一个实施例中，根据第一损失和第二损失进行梯度反转的步骤，包括：每八个图像为一个批次计算第一损失和第二损失，并进行梯度反转。
13.本发明的有益效果如下：
14.本发明提供的技术方案可以包括以下有益效果：通过语义分割网络进行特征提取，并结合聚类思想计算类别中心，可以有效提取并使用深层信息进行分割任务；其次，利用图像像素变换的不变性约束，进一步提高了网络的分割能力；最后，还利用聚类产生的伪标签进一步训练网络提取特征，并构建第二损失，清晰了图像分割边缘，提高了图像分割精度。
15.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
16.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一种实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
17.图1为本发明实施例一种脑组织图像分割方法流程示意图。
具体实施方式
18.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
19.图1是本发明实施例一种脑组织图像分割方法流程示意图，如图1所示，该方法包括如下三个步骤。
20.步骤s101：对脑组织图像预处理。具体地，获取脑组织图像的集合s，设置集合s中图像除脊液、灰质、白质之外的组织为图像背景并去掉，形成集合t。示例性地，将脑组织图像中的脂肪、皮肤肌肉和颅骨等其他无关组织去掉并设为背景值，最终脑组织图像只剩下脊液、灰质、白质。
21.步骤s102：对图像分割网络进行训练。具体地，利用第一语义分割网络提取集合t
中图像的第一特征向量，形成第一特征向量集合，提取第一特征向量的步骤包含对图像进行第一像素变换；利用第二语义分割网络提取集合t中图像的第二特征向量，形成第二特征向量集合，第二语义分割共享第一语义分割网络的权重，提取第二特征向量的步骤包含对图像进行第二像素变换；计算第一特征向量集合的类别中心p1，计算第二特征向量集合的类别中心p2；遍历集合t中图像，提取图像的第一特征向量v1和第二特征向量v2；根据第一特征向量v1与类别中心p1、类别中心p2的距离，及第二特征向量v2与类别中心p1、类别中心p2的距离建立第一损失；遍历集合t中图像，将图像经过第一像素变换或第二像素变换后得到第一视图或第二视图，根据第一视图像素点或第二视图像素点与类别中心p1、类别中心p2的距离判别获得伪标签，根据伪标签，及利用分类器得到的第一视图和第二视图的预测值建立第二损失；根据第一损失和第二损失进行梯度反转，更新第一语义分割网络或第二语义分割网络的参数。
22.示例性地，第一语义分割网络、第二语义分割网络可以是u-net网络，u-net采用全卷积网络进行语义分割。
23.需要进行说明的是，图像像素变换包括线性变换、阈值运算、窗口运算、灰度拉伸和灰度均衡。示例性地，第一像素变换和第二像素变换可以是进行灰度拉伸和灰度均衡，从而改变图像的亮度和对比度。第一像素变换和第二像素变换采用不同类型的像素变换。语义分割网络具有像素变换的不变性，当图像进行像素变换后，网络输出的预测保持不变。
24.在一个实施例中，提取第一特征向量的步骤，包括：将集合t中的图像经过第一像素变换后送入第一语义分割网络提取第一向量，将第一向量通过第一几何变换得到第一特征向量。
25.在一个实施例中，提取第二特征向量的步骤，包括：将集合t中的图像通过第二像素变换和第一几何变换后，送入第二语义分割网络提取第二特征向量。
26.需要进行说明的是，图像的几何变换包含图像的平移、镜像、转置、旋转、缩放和插值。语义分割网络具有几何变换的不变性，当图像进行几何变换后，网络输出的预测与图像具有相同的几何变换。因此，第一特征向量与第二特征向量具有特征的等价性。
27.在一个实施例中，计算类别中心p1或类别中心p2的步骤，包括：采用小批量k-means计算。相比于传统的k-means计算，小批量k-means计算可以减少计算时间。
28.在一个实施例中，建立第一损失的步骤，包括：根据第一特征向量v1与类别中心p1的距离，及第二特征向量v2与类别中心p2的距离构建视图内聚类中心损失；根据第一特征向量v1与类别中心p2的距离，及第二特征向量v2与类别中心p1的距离构建跨视图聚类中心损失；第一损失为视图内聚类中心损失与跨视图聚类中心损失之和。需要进行说明的是，特征向量与类别中心的距离可以是余弦距离。
29.示例性地，根据特征向量与类别中心的距离，构建视图内聚类中心损失或跨视图聚类中心损失的公式为其中，f
θ
(x)[p]为图像xi中像素点p的特征表示，y
ip
为像素点p的类别，则是y
ip
对应类别的类别中心p1或者p2，d(.,.)指的是特征表示和类别中心的余弦距离。
[0030]
在一个实施例中，建立第二损失的步骤，包括：计算第一视图像素点与类别中心p1
的距离判别获得第一伪标签；第一视图根据分类器得到的第一预测值；计算第一视图像素点与类别中心p2的距离判别获得第二伪标签；第二视图根据分类器得到的第二预测值；根据第一伪标签、第一预测值、第二伪标签及第二预测值构建第二损失。
[0031]
示例性地，第二损失为视图内结构损失和跨视图结构损失之和，视图内结构损失包括第一伪标签与第一预测值之间的损失、第二伪标签与第二预测值之间的损失，跨视图结构损失包括第一伪标签与第二预测值之间的损失、第二伪标签与第一预测值之间的损失。伪标签与预测值之间的损失计算公式为其中x
ip
为分割结果hi中像素p周围的邻域区域，y
ip
则为相应的伪标签中像素p周围的邻域区域，和分别为区域x
ip
和y
ip
的均值，及分别为区域x
ip
和y
ip
的标准差，则为区域x
ip
和y
ip
协方差。|p|为图像中像素的个数，c1＝0.012及c2＝0.032。
[0032]
在一个实施例中，获得伪标签的步骤，还包括：利用全连接条件随机场densecrf模块精细化处理伪标签。
[0033]
在一个实施例中，根据第一损失和第二损失进行梯度反转的步骤，包括：每八个图像为一个批次计算第一损失和第二损失，并进行梯度反转。八个图像为一个批次，确定了语义分割网络的训练步长也即学习速率。
[0034]
步骤s103：对脑组织图像进行分割。具体地，将脑组织图像经过图像预处理后，送入第一语义分割网络或第二语义分割网络进行分割。
[0035]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。