[发明专利]一种基于SEEDS算法和GRU网络的脑图像分割方法

说明书

本发明提供了一种基于能量驱动采样超像素分割(SEEDS)算法和门控循环单元(GRU)网络的脑图像分割方法。首先，通过对多模态图像进行预处理，得到有效的脑组织图像；同时，利用SEEDS超像素分割方法将原始脑图像划分成一定数量的超像素块并提取其空间特征；然后，对于每一块超像素块，通过已训练的GRU网络进行分类，再将分类结果结合原始脑图像得到最终的脑组织分割结果。本发明通过利用超像素为基本单元构建脑图像的空间特征，既保存了脑组织的局部特征和边缘信息，又能精准地描述各部分的脑组织结构，同时利用GRU网络将原始图像信息和空间特征融合，大大提升了分割精度。

技术领域

本发明属于图像分割技术领域，特别涉及一种基于SEEDS算法和GRU网络的脑图像分割方法。

背景技术

近年来，脑部疾病由于其高发病率和高危率越来越受到人们的关注，脑部功能疾病诊断的一个重要环节就是提取脑组织。作为一种无损伤、无辐射的成像方式，脑核磁共振图(Magnetic resonance，MR)已经成为诊断治疗脑部疾病的重要工具。通过设置、调节不同的参数可以获得T1、T2、PD不同模态的MR图像，不同的脑部信息被侧重体现在不同模态的图像上，因此充分利用模态信息可以有助于更深入的研究。从MR图像上分割出脑部病变区域，可以对后续的治疗起到引航的作用。

图像分割是指依据一些相似的特征，把图像划分成不同的、有特点的多个区域。传统的图像分割方法通常以像素作为基本单元，很少考虑到像素间关系，一旦遇到尺寸过大的图片，处理分割的效率就会大大降低。在这种情况下，超像素的出现，将像素组合成感知有意义的原子区域，可以用来替换传统的像素网络刚性结构，它可以捕获图像冗余，大大提升了分割效率，有效地降低了图像处理任务的复杂度，不但可以针对图像的局部区域进行特征提取，还可以反映图像的空间结构信息，为计算图像特征提供方便，所以被广泛运用在许多图像处理的预处理步骤当中。目前，超像素已经涉及到诸多领域，例如深度估计、目标的跟踪和识别等计算机视觉领域。

随着越来越多超像素算法的提出，根据其不同的原理，超像素分割大致可以分为两类：一种是基于图论的方法，比较具有代表型的算法有：图论算法(Graph-based Cut)、基于熵率的算法(Entropy Rate Superpixel，ERS)。图论算法将像素点看作是图的节点，使得每个超像素都是组成像素的最小生成树，图论方法可以很好地粘附到图像边界，但缺点是会产生非常不规则尺寸和形状的超像素。而基于熵率的算法通过最大化包含平衡项和随机游走熵率的目标函数来实现图像分割，它可以产生形状较为规则的超像素。另一种是基于梯度上升的方法，具体有简单线性迭代聚类(Simple Linear Iterative Clustering，SLIC)、均值漂移算法(Mean shift，MS)等。均值漂移算法通过沿着密度上升的方向寻找属于同一类簇的像素点，可以产生形状规则的超像素，缺点是速度慢、无法控制超像素的数量。简单线性迭代聚类是经典的一种超像素分割方法，通过采用K均值算法生成超像素，其时间复杂度较低，同时又可以控制超像素的尺寸和紧凑度，缺点是噪声对初始聚类中心影响较大，算法需要设置的参数较多。

发明内容

有鉴于现有技术的上述缺陷，在对已有图像分割方法效果提升的基础上，本发明的目的是提出一种基于能量驱动采样超像素分割(Superpixels Extracted Via Energy-Driven Sampling，SEEDS)算法和门控循环单元(Gated Recurrent Unit，GRU)网络的脑图像分割方法。首先，通过对多模态图像进行预处理，得到有效的脑组织图像；同时，利用SEEDS超像素分割方法将原始脑图像划分成一定数量的超像素块并提取其空间特征；然后，对于每一块超像素块，通过已训练的GRU网络进行分类，再将分类结果结合原始脑图像得到最终的脑组织分割结果。本发明通过利用超像素为基本单元构建脑图像的空间特征，既保存了脑组织的局部特征和边缘信息，又能精准地描述各部分的脑组织结构，同时利用GRU网络将原始图像信息和空间特征融合，大大提升了分割精度。