[发明专利]基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法

权利要求书

1.一种基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法，其特征在于，包括以下步骤：

步骤1，输入多模态脑肿瘤核磁共振测试图像，获取训练数据集以及相应的标签；

步骤2，对多模态脑肿瘤核磁共振测试图像进行预处理，包括配准和归一化，并进行多模态融合，获得多模态脑肿瘤融合数据；

步骤3，对T1-C模态图像进行熵率分割，获得多模态脑肿瘤融合数据的超像素分割结果；

步骤4，基于步骤3所获的超像素构造超像素核；

步骤5，基于步骤4所获的超像素核和训练数据集及相应的标签，通过多核学习算法获得最优超像素核；

步骤6，对核特征空间进行低秩表示建模，并基于步骤5所获的最优超像素核利用交替方向乘子法求解模型，获得测试图像的表示系数矩阵；

步骤7，基于步骤6所获的测试图像的表示系数矩阵，计算各测试样本属于各个类别的残差，确定各测试样本的类别标签；

步骤5中，基于步骤4所获超像素核和训练数据集及相应的标签，通过多核学习算法获得最优超像素核，具体方法为：

步骤5.1：选取RBF核函数中核尺度σ值域范围[σ_min，σ_max]，以及M个尺度σ_min＝σ₁＜σ₂＜…＜σ_M＝σ_max，基于步骤4的超像素核计算M个核矩阵G_i；

步骤5.2：将每一核矩阵G_i按相同规则向量化为列向量ν(G_i)，并构造矩阵G_SP＝[v(G₁)，v(G₂)，…，v(G_M)]^T；

步骤5.3：通过奇异值分解求解问题确定最优权向量

目标函数为：

其对偶问题为

其中W∈R^M×p表示特征映射后的矩阵空间，Z是W生成的线性子空间上的投影矩阵，I_p为p阶单位矩阵，对该对偶问题通过奇异值分解求解最大方差投影向量，也即核函数的最优权向量

步骤5.4：通过公式计算最优核函数；

步骤5.5：通过公式计算最优超像素核；

步骤6中，对核特征空间进行低秩表示建模，并基于步骤5所获的最优超像素核求解模型，获得测试图像的表示系数矩阵，具体方法为：

步骤6.1，构建核特征空间的低秩表示模型：

其中，Φ(X)＝{φ(x₁)，φ(x₂)，…，φ(x_N)}，X＝{x₁，x₂，…x_N}表示脑肿瘤MR融合数据，x_i表示第i个测试样本，对应脑肿瘤图像中的第i个像素，D＝[d₁，d₂，…，d_T]为由步骤1所选取的训练样本集构建的字典，A为系数矩阵，λ为调节因子；

步骤6.2，将模型中的高维映射替代为其内积形式获得等价模型：

其中，矩阵U的元素u_ij＝K_SP(d_i，x_j)，矩阵V的元素v_ij＝K_SP(d_i，d_j)，K_SP(.)为步骤5所获的最优超像素核；

步骤6.3，解耦该等价模型并引入Lagrange乘子获得无约束优化问题：

s.t.B＝A

其中，Y＝Y+μ(A-B)，μ为惩罚因子，求解该无约束优化问题即得到系数矩阵A；

采用交替方向乘子法方法求解无约束优化问题，具体求解步骤为：

1)初始化：k＝0，A⁰＝B⁰＝0，Y⁰＝0，μ＝10^-6，μ^max＝10⁶，ρ＝1.1；

2)计算矩阵U与V；

3)更新变量其中，P(∑)Q^T为对A+Y/μ进行奇异值分解后所得结果，Θ为软阈值函数；

4)更新变量

5)更新变量Y^k+1＝Y^k+μ^k(A^k+1-B^k+1)；

6)更新其中ρ≥1，0≤ε₁≤1；

7)根据公式计算迭代终止条件，如果不满足则执行3)并更新k＝k+1，其中ε₁、ε₂为判断阈值。