[发明专利]一种基于SEEDS算法和GRU网络的脑图像分割方法

权利要求书

1.一种基于SEEDS算法和GRU网络的脑图像分割方法，其特征在于，所述方法包括如下步骤：

步骤S1：对脑图像集进行预处理，以去除脑图像中的脑壳部分；

步骤S2：利用SEEDS算法对所述脑图像集中的训练集的图像进行初步的图像分割，构建超像素无向图；

步骤S3：根据步骤S2得到的超像素无向图构建特征序列训练集和真值集；

步骤S4：将步骤S3构建的特征序列训练集和真值集作为GRU网络的输入，训练GRU网络；

步骤S5：利用SEEDS算法对所述脑图像集中的训练集的图像进行初步的图像分割，构建超像素无向图；根据得到的超像素无向图构建特征序列；将得到的特征序列输入到步骤S4得到的已训练的GRU网络中进行分类，得到各个超像素块的分类结果，将分类结果返回到原图上，得到分割后的脑图像。

2.如权利要求1所述的基于SEEDS算法和GRU网络的脑图像分割方法，其特征在于，所述脑图像的分割是指划分出脑图像中的灰质、白质和脑脊液。

3.如权利要求1所述的基于SEEDS算法和GRU网络的脑图像分割方法，其特征在于，所述脑图像集来自医学图像数据库BrainWeb。

4.如权利要求1所述的基于SEEDS算法和GRU网络的脑图像分割方法，其特征在于，在步骤S1之前还包括步骤S0：将脑图像集分为训练集和测试集，其中所述训练集的图像数量占所述脑图像集的图像数量的50％以上。

5.如权利要求4所述的基于SEEDS算法和GRU网络的脑图像分割方法，其特征在于，所述训练集的图像数量占所述脑图像集的图像数量的70％以上。

6.如权利要求1所述的基于SEEDS算法和GRU网络的脑图像分割方法，其特征在于，步骤S1中对脑图像集进行预处理以去除脑图像中的脑壳部分是通过BET算法对脑图像集进行处理。

7.如权利要求1所述的基于SEEDS算法和GRU网络的脑图像分割方法，其特征在于，步骤S2中构建超像素无向图是通过SEEDS算法对图像进行预分割得到超像素预分割图，再将每一块超像素区域作为一个节点，相邻的超像素区域用边进行连接，构建超像素无向图。

8.如权利要求1所述的基于SEEDS算法和GRU网络的脑图像分割方法，其特征在于，步骤S3具体包括如下步骤：

步骤S3-1：对于每一个超像素节点，构建D×B的特征序列，其中D为输入的特征维度，B为序列的长度；

步骤S3-2：根据每一张训练图像给定的分割真值构建其真值向量；

步骤S3-3：对于训练集的每一张图像，重复步骤S3-1和S3-2，构建适用于GRU网络的特征序列训练集和真值集。

9.如权利要求1所述的基于SEEDS算法和GRU网络的脑图像分割方法，其特征在于，步骤S4具体包括如下步骤：

步骤S4-1：初始化GRU网络结构；设置GRU网络的隐藏单元的数量numHiddem＝50，分割类别数量numClass＝3，最大迭代轮数maxEpoch＝50，批大小为miniBatchSize＝512；

步骤S4-2：选择Adam作为网络优化算法，交叉熵损失作为损失函数，Relu作为激活函数，训练GRU网络；训练过程分为前向传播和反向传播两个过程，首先输入由步骤S3构建的特征序列训练集和真值集，前向传播通过Relu激活函数得到预测结果，再通过计算交叉熵损失，反向传播实现每一次迭代来更新GRU参数。

10.如权利要求1所述的基于SEEDS算法和GRU网络的脑图像分割方法，其特征在于，步骤S5具体包括如下步骤：

步骤S2’：利用SEEDS算法对脑图像集中的测试集的图像进行初步的图像分割，构建超像素无向图；

步骤S3’：根据步骤S2’得到的超像素无向图构建特征序列；

步骤S5-1：将步骤S3’得到的特征序列输入到步骤S4得到的已训练的GRU网络中进行分类，得到各个超像素块的分类结果；

步骤S5-2：将各个超像素块的分类标签，返回到原测试图像中各个超像素块所对应的区域，作为每个区域的标签，得到分割后的脑图像。