本发明涉及图像分割领域,具体涉及一种基于深度学习的脑核磁共振图像分割方法。
背景技术:
1、图像分割是计算机视觉的核心技术之一,高精度的图像分割可以提取图像感兴趣的目标,从而为后继的图像语义分析等提供有效支撑。目前深度学习方法可以得到较好的分割结果,然而该类方法需要大量的标定数据。当标定数据不足时,深度学习模型的分割精度很难得到理想结果。
2、传统的分割模型常假设图像服从正态分布。然而,实际上图像要比所假设的情况复杂。首先,图像常含有噪声,此类传统分割模型对噪声十分的敏感;其次,图像常出现灰度不均匀,也就是偏移场,用此类传统分割模型难以取得让人满意的结果。当然,此类分割模型要求较少的实验数据,并且可以充分考虑单个图像内像素之间的关联性。
3、因此,本发明主要使用高斯混合模型和深度学习相结合的方法对大脑核磁共振图像进行分割。该发明既可以利用深度神经网络的优势来降低对噪声和偏移场的敏感程度,又可以利用传统分割模型无监督的优点缓解数据量的不足,进而达到更为准确的分割结果。
技术实现思路
1、为了克服现有技术中的不足,本发明提出一种基于深度学习的脑核磁共振图像分割方法,其能够在标定数据量较少且图像含有噪声时可以较好的分割出图像中含有的目标。
2、为了实现上述目的,本发明提出的一种基于深度学习的脑核磁共振图像分割方法,包括如下步骤:
3、s1:搭建改进的神经网络模型,对网络模型进行初始化准备。
4、s2:首先,建立有限混合模型如下
5、
6、这里,π={πi1,…,πik}是像素xi的先验概率,并且有以下限制条件
7、
8、当p(xi|θk)是高斯分布时,那么f(xi|π,θ)是高斯混合模型。那么高斯分布的概率密度函数为
9、
10、因此,完全数据的似然函数如下:
11、
12、那么,完全数据的对数似然函数可以表示如下:
13、
14、其中,为高斯混合分布:
15、
16、由此得到关于θ的q函数
17、
18、这里并得到混合模型中的后验概率
19、
20、网络softmax输出概率将作为后验概率用于混合模型中其他参数的计算,通过极大化q函数
21、θ(t+1)=argmaxq(θ|θ(t+1))
22、s3:得到其他关于后验概率的参数
23、
24、
25、
26、s4:根据s2,网络softmax输出表示如下:
27、
28、并且满足以下限制条件:
29、
30、得到完全基于网络输出的极大似然函数,并将其改写为损失函数lgmm
31、
32、其中损失函数lgmm中的参数均与网络输出有关,具体表示如下:
33、
34、
35、
36、为保证分割图像类别边缘的光滑,正则项被添加到损失函数中:
37、
38、s5:传统的交叉熵损失函数lce与发明的lgmm_tv做耦合,最终得到整体的损失函数,
39、如下:
40、ltotal=αlce+βlgmm_tv
41、当输入图像带有相应的标签,那么就令α=1;否则,α=0。
42、本发明具有以下有益效果:
43、本发明提出的一种基于深度学习的脑核磁共振图像分割方法,其能够有效缓解深度学习模型框架下标定数据不足问题,并且该模型对噪声的图像具有较强的鲁棒性。较传统有监督深度学习方法相比,本发明分割精度更高。
1.一种基于深度学习的脑核磁共振图像分割方法,其特征在于可以有效缓解模型训练过程中脑图数据稀缺问题,包括如下步骤:
2.根据权利要求1所述的一种基于深度学习的脑核磁共振图像分割方法,所述s1中,改进的u-net网络模型建立如图1,其特征在于该网络结构在原始u-net网络架构基础上跳跃连接和尺度特征捕获能力做了改进。
3.通过对传统高斯混合模型的观察,所述s2中的概率可以直接作为后验概率被引入到高斯混合模型,具体实现方法如下:
4.根据s3,其中损失函数lgmm中的参数均与网络输出有关,具体表示如下:
5.根据s4,得到完全基于网络输出的极大似然函数,并将其改写为损失函数lgmm
6.根据s5,传统的交叉熵损失函数lce与发明的lgmm_tv做耦合,最终得到整体的损失函数,如下:
7.考虑到图像的灰度不均匀,即偏移场。关于偏移场的损失函数表示如下: