[发明专利]一种基于不确定性引导的交互式医学图像分割方法

权利要求书

1.一种基于不确定性引导的交互式医学图像分割方法，该方法包括：

步骤1：建立训练数据集；

针对一个分割任务，收集临床影像数据，通过临床专家将感兴趣的分割目标手工分割出来，作为相应个体的分割标准，建立训练数据集；

步骤2：采用训练数据集对卷积深度神经网络模型进行训练，得到训练好的模型，使得该模型能同时得到分割结果与不确定性信息；

步骤3：对于新的待分割切片，使用训练好的模型进行分割预测，得到初始分割结果和不确定信息；

步骤4：利用不确定性信息对所有切片进行排序，依次取出不确定性最高的切片，推荐给操作者以进行修正；

步骤5：操作者在所推荐的切片上，通过交互式水平集算法对分割结果进行修正；

所述修正的方法如下：

在初始分割结果和操作者给定的交互点的基础上，采用交互式水平集方法得到修正后的分割结果；该交互式水平集对应的能量函数E(x)包含区域约束项E_r、人工交互约束项E_u、长度约束项E_l和距离约束项E_d，定义如下：

E(x)＝αE_r+βE_u+λE_l+μE_d 公式2

其中α,β,λ,μ分别为对应项的权重系数；

区域约束项E_r定义如下：

其中P是分割的概率图，H_∈是软化Heaviside函数，c₁和c₂是当前水平集轮廓内部和外部的平均前景概率值，φ(x)表示像素x处的水平集函数值；

人工交互约束项E_u定义如下：

其中F和B分别表示人工交互所给出的前景像素点的集合和背景像素点的集合；表示x到F的测地线距离，D是一个阈值，以确保人工交互只影响局部的分割结果；

长度约束项E_l和距离约束项E_d定义为：

其中δ_∈是软化Dirac delta函数，p是基于水平集的梯度定义的势能函数，以保持水平集函数符合距离函数的特征，表示梯度算子；

步骤6：循环步骤4和步骤5，直到没有新的待修正切片的推荐，即完成整个交互式分割过程；

所述步骤2中的卷积深度神经网络模型包括N个并行的独立网络，每个独立网络的结构相同，每个并行网络单独对输入切片进行分割预测，得到N个分割结果和N个不确定信息；

所述步骤3中采用这N个分割结果的平均值作为该切片的初始分割结果；采用这N个分割结果的方差作为该切片分割的不确定信息。

2.如权利要求1所述的一种基于不确定性引导的交互式医学图像分割方法，其特征在于，所述步骤2中卷积深度神经网络模型包括：编码器、常规卷积层和解码器，输入图像的数据流依次经过编码器、常规卷积层、解码器；其中编码器和解码器都包括依次级联的4个卷积模块，每个卷积模块包括2个卷积单元；每个卷积单元都包括：分组卷积层、批归一化层和pReLU激活函数层；所述编码器中相邻两个卷积模块通过一个下采样层连接，解码器中相邻两个卷积模块通过一个上采样层连接；编码器和解码器中所有分组卷积层的分组数为N；所述常规卷积层的分组数为1。

3.如权利要求1所述的一种基于不确定性引导的交互式医学图像分割方法，其特征在于，所述步骤3中采用如下方法进一步计算不确定信息；

用表示卷积深度神经网络模型中第n个独立网络对像素x属于分割前景的概率值的预测，其中n＝1,2,…,N；对于像素x的N个预测的方差为U_x；对于每一个切片，其切片级别的不确定性定义为：

其中Y_x表示该切片的分割结果中像素x的类别标签：0或者1；ζ是一个极小数，以保证该公式中的计算稳定性。