[发明专利]一种基于双向相关性的one-shot脑图像分割方法

说明书

本发明公开了一种基于双向相关性的one‑shot脑图像分割方法，其包括以下步骤：构建图像变换模型，图像变换模型包括生成器G_F、生成器G_B及两个判别器D，将图集x及未标注影像y输入生成器G_F分流处理，得到前向映射Δp_F，通过判别器D区分开重建影像与未标注影像y，得到重建影像将重建影像及图集x输入生成器G_B，得到后向映射Δp_B，通过判别器D区分开重建影像与图集x，得到重建影像通过生成器G_F、判别器D及生成器G_B相互约束，得到最终的前向映射ΔpF并通过warp操作得到有标注重建影像本发明通过图像变换模型同时学习图集x到未标注影像y的前向映射以及未标注影像y到图集x的后向映射，通过后向映射约束前向映射，提高了前向映射的准确度。

技术领域

本发明涉及医学图像分割技术领域，尤其涉及一种基于双向相关性的one-shot脑图像分割方法。

背景技术

脑解剖结构分割的常用方法有通过传统机器学习分割，但传统机器学习依赖于手工提取的特征，而这些特征具有有限的特征表示能力和泛化能力，于是开发了卷积神经网络(CNN)学习，因为其完全由数据驱动，并且可以利用自学的高级特征自动检索分层特征，消除了传统机器学习方法中手工特征的局限性，借助充分的标注数据，卷积神经网络在全监督的分割任务中具有较好的效果，使用基于前向相关性的分割算法，即改进分割网络使其学习图集x到未标注影像y的前向映射，学习到的相关性映射应用到图集的标注上，可以得到未标注图像y的标注，但是这样的方法学习到的只是图集x到未标注影像y的前向映射关系，只通过相似性损失和平滑损失对前向映射进行约束，其映射高度难以控制，导致其映射学习的准确度较低。

发明内容

本发明的目的在于提供一种基于双向相关性的one-shot脑图像分割方法，构建图像变换模型，通过图像变换模型同时学习图集x到未标注影像y的前向映射以及未标注影像y到图集x的后向映射，通过后向映射约束前向映射，提高了前向映射的准确度。

为实现上述目的，本发明采用以下技术方案：

一种基于双向相关性的one-shot脑图像分割方法，包括以下步骤：

S1、获取脑解剖结构图像并进行分类，得到已标注影像和未标注影像y，并将已标注影像划分为图集x；

S2、构建图像变换模型，图像变换模型包括生成器G_F、生成器G_B及两个判别器D，生成器G_F、生成器G_B均匹配一判别器D，生成器G_F与生成器G_B结构相同均包括孪生编码器及解码器；

S3、将图集x及未标注影像y输入生成器G_F分流处理，通过生成器G_F的孪生编码器提取相关特征图并进行融合后输入解码器，解码器与孪生编码器相配合，得到图集x到未标注影像y的前向映射Δp_F；

S4、将图集x通过warp操作得到重建影像通过判别器D区分开重建影像与未标注影像y，判别器D与生成器G_F进行对抗，使得生成器G_F生成与未标注影像y相似的重建影像

S5、将重建影像及图集x输入生成器G_B，通过生成器G_B得到的孪生编码器提取相关特征图并进行融合后输入解码器，解码器与孪生编码器相配合，得到重建影像到图集x的后向映射Δp_B；

S6、将重建影像通过warp操作得到重建影像通过判别器D区分开重建影像与图集x，判别器D与生成器G_B进行对抗，使得生成器G_B生成与图集x相似的重建影像