[发明专利]一种基于多模态子空间聚类的医学图像分割方法及装置

权利要求书

1.基于自监督多模态深度子空间聚类的医学图像分割方法，其特征在于，该方法包括以下步骤：

步骤1：获取原始医学图像，并进行预处理；

步骤2：通过卷积神经网络对步骤1预处理后的原始医学图像进行卷积和池化，转化为原始医学图像的线性特征矩阵；

步骤3：构建基于自监督多模态深度子空间聚类方法模型，并进行模型训练；使用训练好的基于自监督多模态深度子空间聚类方法模型，对步骤2获得的原始医学图像的线性特征矩阵进行谱聚类，得到聚类后的医学特征数据；

步骤4：将步骤3聚类后的医学特征数据，通过卷积神经网络的反卷积和上采样，处理至与原始医学图像相同的像素，得到分割后的医学图像。

2.根据权利要求1所述的基于自监督多模态深度子空间聚类的医学图像分割方法，其特征在于，步骤2中的所述线性特征矩阵的表示公式为：

X＝[x₁,…,x_n]∈R^D×N

式中，R^D中的维度为的n个线性子空间S₁∪S₂∪…∪S_n的并集绘制的N个信号的集合。

3.根据权利要求2所述的基于自监督多模态深度子空间聚类的医学图像分割方法，其特征在于，步骤3中所述基于自监督多模态深度子空间聚类方法模型的框架包括多模态编码器、自表示层、多模态解码器，首先通过多模态编码器实现空间融合，然后将融合的表示送到自表示层，所述自表示层利用联合表示的自我表达性质，自表示层的输出产生的联合表示反馈到多模态解码器，自表示层输出的联合表示结果输入到多模态解码器，从联合潜在表示中重建不同的模态。

4.根据权利要求3所述的基于自监督多模态深度子空间聚类的医学图像分割方法，其特征在于，基于所述基于自监督多模态深度子空间聚类方法模型的框架，步骤3中所述基于自监督多模态深度子空间聚类方法模型的构建及训练步骤如下：

步骤31：将所述线性特征矩阵通过多模态深度子空间聚类得到亲和度矩阵Θ_s表示对应于端到端训练策略所学习的自表示层权重参数；

步骤32：采用自监督机器学习指导特征学习，对模型进行不断迭代训练，训练出共同的Θ_s，得到的Θ_s全部适用所有的模态；并将训练出共同的Θ_s纳入到自表示模型中，细化自表示模型；

步骤33：通过以下损失函数来训练模型网络，不断的优化Θ_s；

s.t.diag(Θs)＝0

其中ZΘ_e表示编码器的输出，是解码器输出端的重构信号；网络参数Θ由编码器参数Θe，解码器参数Θ_d和自表示层参数Θ_s组成；λ₁和λ₂是两个正则化参数。

5.根据权利要求1所述的基于自监督多模态深度子空间聚类的医学图像分割方法，其特征在于，所述卷积神经网络包括由低到高的多层网络，每层网络均包括卷积和池化，所述步骤2包括以下子步骤：

所述卷积神经网络的低层网络，使用M卷积核进行卷积运算，通过池化提取到简单共性特征数据，在所述卷积神经网络的高层网络，使用N卷积核进行卷积运算，通过池化提取到复杂共性特征数据，所述M卷积核的数量少于所述N卷积核的数量；

所述卷积神经网络的每一层网络卷积和池化的对象，为上一层网络所得的共性特征数据，所述卷积神经网络的最低层网络卷积和池化的对象，为原图像；

所述卷积神经网络的最高层网络卷积和池化得到的共性特征数据形成线性矩阵，所述线性矩阵为原图像的线性特征矩阵。

6.根据权利要求1所述的基于自监督多模态深度子空间聚类的医学图像分割方法，其特征在于，步骤4所述卷积神经网络的反卷积的卷积层数与步骤2中所述卷积的卷积层数相同。