[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

说明书

本发明公开了一种基于多模态子空间聚类的医学图像分割方法及装置，该方法包括：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。本发明方法针对复杂医学图像分割效果佳，精度高。

技术领域

本发明涉及医学图像分割技术领域，具体涉及一种基于多模态子空间聚类的医学图像分割方法及装置。

背景技术

医学磁共振(MR)图像凭借高对比度、高分辨率、多方位等优点，广泛应用于临床医学诊断和研究。为了有效提取图像中的关键信息，图像分割成为了医学图像处理中必不可少的环节。但是，医学图像数据常具有较高的维度及多种不同属性(模态)的异构特征，其中高维数据一般含有较多的冗余特征，采用现有的阈值图像分割法、边缘检测图像分割法、区域图像分割等传统图像分割的方法，直接对其分割不仅耗时且往往难以取得好的分割效果，甚至还可能出现过度分割的情况；且医学图像中存在灰度不均匀性和复杂噪声等缺陷会掩盖数据的内在结构信息，给数据内在信息的挖掘造成一定的困难，进而影响分割精度。

因此目前出现了很多基于聚类方法的图像分割法。其中最热门的基于子空间聚类的方法，子空间聚类，又称为子空间分割，假设数据分布于若干个低维子空间，子空间聚类就是将数据按某种方式分类到其所属的子空间的过程。近年来，诸多子空间聚类方法相继被提出。特别是基于稀疏子空间聚类和低秩表示的方法，得到了广泛的应用。这些方法利用了子空间联合中的无噪声数据是自表示的，即每个数据点可以表示为其他数据点的系数线性组合。尽管子空间聚类在最近的发展中取得了巨大的成功，但由于实际数据不一定符合线性子空间模型，因此在实际应用中的适用性非常有限。随着多视图学习已成为模式识别和机器学习等领域的重点内容，以及深度框架的兴起，深度学习方法取得了广泛的成功，多视图深度子空间聚类也成为了研究的热点，Yang等提出了一种典型的相关分析网络，Benton等提出了深度广义CAA方法，同时学习从每个视图到共享空间的非线性映射。Abavisani等在他们的基础上提出了一种基于CNNs的无监督多模态子空间聚方法，该框架由多模态编码器、自表示层和多模态编码器三个主要阶段组成。这类基于深度子空间聚类的方法可以很好的解决子空间聚类方法中存在的一些问题。但是在没有标记的情况下进行特征学习，由于缺乏有效的监督很难用这种方法学习良好的特征表示。

因此，针对现有检测设备采集到的复杂数据，如何有效挖掘其内在信息以提高分割精度是医学图像处理领域亟待解决的问题之一。

发明内容

本发明所要解决的技术问题是医学图像数据常具有较高的维度及多种不同属性(模态)的异构特征，其中高维数据一般含有较多的冗余特征，采用现有的阈值图像分割法、边缘检测图像分割法、区域图像分割等传统图像分割的方法，直接对其分割不仅耗时且往往难以取得好的分割效果，甚至还可能出现过度分割的情况；且医学图像中存在灰度不均匀性和复杂噪声等缺陷会掩盖数据的内在结构信息，给数据内在信息的挖掘造成一定的困难，进而影响分割精度。另外，很多基于聚类方法的图像分割法也存在分割精度不高等问题。

本发明目的在于提供一种基于多模态子空间聚类的医学图像分割方法及装置，解决上述这些复杂医学图像分割存在的问题，且复杂医学图像分割效果佳，精度高。