[发明专利]一种基于Unet和超像素的脑组织分割方法

说明书

一种基于Unet和超像素的脑组织分割方法，属于医学图像分割技术领域，包括如下步骤：步骤1：对脑MR图像进行预处理，将颅骨区域进行剔除，减小非脑组织干扰；步骤2：搭建DA‑Unet网络模型；步骤3：使用DA‑Unet网络模型，对预处理完成后的数据集进行训练、调参，得到最佳分割模型并保存；步骤4：对训练集脑MR图像的灰度值进行统计，构建高斯混合模型；步骤5：设计概率密度加权的线性谱聚类(p‑LSC)超像素算法对预处理后的脑MR图像进行分割；步骤6：使用映射方法对像素块分类完成分割。本发明充分利用脑MR图像特点，能够实现高精度的脑组织自动分割。

技术领域

本发明属于医学图像分割技术领域，特别涉及一种基于Unet和超像素的脑组织分割方法。

背景技术

大脑作为人体结构功能最为复杂的器官，控制着人的思想、语言、感觉、运动等一切行为意识活动。如果大脑发生病症，即便是轻微症状，影响往往也难以估量。随着生活节奏的加快，现代人的压力增加，使得脑部疾病发病率逐年增高，患者数量呈上升趋势。同时考虑到脑部疾病特有的高伤残率、高复发率、高死亡率、低治愈率，让脑部的研究长久成为是医学界的重点、热点、难点。

在脑MR图像中，除了颅骨、毛发、脂肪等非脑组织成分，脑组织按结构不同可分成脑灰质、脑白质、脑脊液三部分，它们也是临床上观察的主要目标。在临床应用中，脑组织的精确分割有利于搜索、分析颅内组织各组织生理变化的位置、类型和范围。高精度的脑组织分割便于医生进行脑部诊断时，作为参考提供帮助。同时对于神经科学研究人员，如要研究某个具体组织结构，需先将它单独提取才能开始下一步实验。这种特定结构的分割、边界检测、皮质表面厚度评估、组织容积测量都依赖于脑白质、脑灰质、脑脊液的精确划分。

但由于图像采集过程复杂，成像结果受机器设备、采集环境等诸多因素制约。进行图像分割时，除了成像阶段的各种影响，还有脑图像中非脑成分如颅骨、毛发、脂肪等组织干扰，以及不同个体间的天然差异，使得脑MR图像脑组织分割成为医学图像研究中的一个焦点。

发明内容

基于上述技术问题，本发明提供一种基于Unet和超像素的脑组织分割方法，实现高精度的脑MR图像脑组织自动分割。

本发明采用如下技术方案：

一种基于Unet和超像素的脑组织分割方法，其包含以下步骤：

步骤1：对脑MR图像进行预处理，将颅骨区域进行剔除，减小非脑组织干扰；

步骤1包括以下分步骤：

步骤1.1：利用区域生长法对原始脑MR图像进行预处理，获得只包含颅骨区域和背景的二分类图像；

步骤1.2：利用像素点映射的方法，将脑组织部分分离提取出来。

步骤2：搭建DA-Unet网络模型。

步骤2包括以下分步骤：

步骤2.1：构建输入通道，利用3×3的卷积层进行特征提取，之后使用2×2的最大池化层降低图像尺寸。

步骤2.2：利用稠密连接块构建DA-Unet编码器部分，每个稠密连接块包含数个卷积层，每个卷积层的输入是之前所有层输出的拼接，卷积层的构成顺序是批标准化、激活函数ReLU、卷积。稠密连接块内任意两层之间相互连接，确保各层间能最大量的信息流动。稠密块每层由一个1×1卷积和一个3×3卷积组成。1×1卷积负责将输入信息特征融合，3×3卷积负责特征提取。将3个稠密连接块利用1×1卷积和一个步长为2的2×2平均池化层相来连接。之后利用一个1×1卷积和一个空洞率为2的3×3空洞卷积连接第4个稠密连接块。以上部分构成DA-Unet的编码器部分。

步骤2.3：在DA-Unet编码器之后，增加一个ASPP模块，ASPP模块包含一个1×1卷积层和全局平均池化层，还有3个空洞率分别为4、8、12的3×3空洞卷积层。