【技术实现步骤摘要】
本专利技术涉及医学图像分割的，尤其涉及一种融合测地域和图像域的医学图像分割方法。
技术介绍
1、医学图像分割在医学影像处理中起着至关重要的作用，通过将器官或病变区域从图像中分割出来，可以使医生在诊断和治疗时更准确地定位。现有的分割方法主要分为两类：语义分割和选择性分割。语义分割旨在将前景对象与背景分离，而选择性分割则将前景中的特定对象或感兴趣区域(roi)从图像中分离出来。尽管选择性分割在过去几十年取得了显著的进展，但医学图像往往受到噪声、伪影、低对比度以及患者之间的差异等因素的影响，使得在具有显著解剖变异和复杂病理情况的情况下实现一致和准确的分割变得具有挑战性。
2、因此，主要关注医学图像的选择性分割，旨在实现在临床应用中足够准确和稳健的结果。一般来说，选择性分割利用用户的标注信息来引导分割过程，从而加快roi的分割速度并提高准确性。传统的选择性分割方法通常计算浅层图像特征，并利用注释信息来最小化一些能量函数。然而，浅层特征可能无法充分捕获图像的上下文信息，特别是在低对比度或拥有弱边界的图像情况下。一种有效的方法是将一些先验注释信息与活动轮廓模型相结合，以改善分割缺陷。然而，为了实现准确的分割，这些方法严重依赖于手动特征，并仍然需要大量的用户交互。
3、近年来，深度学习方法在图像分割方面取得了突破性的成果，这归功于其自动学习高级语义特征的能力。为了进一步提高准确性和稳健性，一些基于深度学习的交互式分割方法已被提出。然而，仅使用简单的点击和框注释是难以提取复杂的纹理结构。为此，一些学者使用测地线距离作为先
4、申请号为202310485694.1的专利技术专利公开了一种基于深度生成模型的弱监督的医学影像分割方法，借助类激活图和生成模型的思想，利用生成式的弱监督分割模型进行病灶区域和正常区域的识别，通过生成的假图像和真实图像进行mse损失进行优化；最后，使用条件随机场(dense crf)对模型生成的病灶分割区域进行后处理，以生成最终的病灶分割。上述专利技术改善了医学影响病灶分割对于像素级标签的依赖，仅仅使用图像的类别标签就可以在网络模型中进行训练，并且最终达到病灶分割的目的；可以帮助医护人员实现快速诊断，大大节约了医护人员的时间，从而达到患者看病快的需求。但是，上述专利技术中生成图像与真实图像存在差异，很容易错误识别病灶区域，从而产生不精准的分割结构。
技术实现思路
1、针对现有医学图像分割方法对低对比度和弱边界的图像难分割的技术问题，本专利技术提出一种融合测地域和图像域的医学图像分割方法，融合测地域和图像域进行医学分割。
2、为了达到上述目的，本专利技术的技术方案是这样实现的：一种融合测地域和图像域的医学图像分割方法，步骤如下：
3、步骤一：根据医学图像选取标记点，利用推广eikonal方程求出阈值测地线距离；
4、步骤二：将测地线距离与深度学习融合构建网络优化问题，利用双分支u-net网络分别学习图像域和测地域的分割结果；
5、步骤三：利用条件随机场融合图像域和测地域结果，得到最终分割图像。
6、优选地，测地距离为根据黎曼度量在两点之间所有路径的权重函数积分的最小值，两点之间的测地距离为：
7、
8、其中，p(x,y)表示连接点x到点y的所有分段光滑路径的集合，测地曲线γ(t)∈p(x,y)满足γ(0)＝x和γ(1)＝y，γ'(t)是测地曲线γ(t)的导数，h(γ(t))表示与测地曲线γ(t)有关的黎曼度量函数；
9、在图像分割中，黎曼度量选择为与输入医学图像i(x)的梯度范数相关的边缘检测函数，使得在感兴趣区域内的测地线距离相对于对象边界上的相邻像素的测地距离较小；给定一组起始点的测地线距离为：
10、
11、其中，m表示标记点集合，表示标记点，x为其他像素点，表示其他像素点x到标记点的测地线距离。
12、优选地，测地距离图d(x)满足广义eikonal方程：
13、
14、其中，||·||表示范数，▽表示梯度算子，h(x)表示与像素点x有关的黎曼度量函数。
15、优选地，对广义eikonal方程进行推广，通过欧几里得距离对近似常数区域进行惩罚，得到推广的eikonal方程：
16、
17、定义扩散函数：
18、
19、其中，ε、β分别为较小和较大的常数，为区域权重，t为阈值，σ＞1为控制参数，de(x)为归一化后的欧几里得距离，s(·)表示滤波算子。
20、优选地，所述滤波算子s(·)选取高斯滤波；
21、所述推广的eikonal方程利用快速行进算法求得数值解，python软件中调用skfmm库函数求解。
22、优选地，对于扩散函数d(x)，当则认为区域为边界，此时距离扩散速度由较大的常数β决定；当则认为区域为平缓区域，利用区域权重α(x)来区分前景和背景：前景像素到标记点的欧几里得距离较小使得α(x)≈0，此时测地线距离的扩散速度由常数ε决定，则在目标区域，测地线距离将缓慢增加或不增加；背景像素到标记点的欧几里得距离较远使得α(x)＞＞0，则测地线距离在背景区域迅速增加。
23、优选地，双分支u-net网络中的一个用于学习测地域信息、另一个用于学习图像域信息；两个u-net网络通过相同的损失函数进行交互并在反向传播时更新网络参数；每个u-net网络包括五个卷积层作为编码器和五个反卷积层作为解码器，将批归一化层替换为实例归一化层，并将网络特征层的数量减少四分之一。
24、优选地，所述网络优化问题为：
25、
26、其中，θ为网络参数，θ*为经过数据集训练后得到的最优参数，z(x)为标注的标签图像，d(x|i(x))和d(x|z(x))分别表示输入医学图像i(x)和标签图像z(x)的测地线距离，fθ(i(x))代表利用图像域u-net网络训练得到的分割结果，gθ(d(x|i(x)))代表测地域的u-net网络训练得到的分割结果；
27、u-net网络训练的损失函数为
28、
29、其中，λ和ω是根据经验选择的正则项参数；
30、训练过程中，将输入待分割图像和阈值测地线距离归一化并缩放到[0,1]的范围内，并在输入时反转测地域图像；u-net网络进行了300个epochs的训练，使用adam优化算法。
31、优选地，所述条件随机场融合图像域和测地域结果的方法为：引入了随机变量ξ(xi)，其中ξ(xi)∈{0,1}对于i＝1,2,…,n，n是输入医学图像i(x)中像素的数量；令x为最终的分割结果，则随机变量ξ(x)遵循gibbs分布：
3本文档来自技高网...
【技术保护点】
1.一种融合测地域和图像域的医学图像分割方法，其特征在于，步骤如下：
2.根据权利要求1所述的融合测地域和图像域的医学图像分割方法，其特征在于，测地距离为根据黎曼度量在两点之间所有路径的权重函数积分的最小值，两点之间的测地距离为：
3.根据权利要求2所述的融合测地域和图像域的医学图像分割方法，其特征在于，测地距离图D(x)满足广义Eikonal方程：
4.根据权利要求3所述的融合测地域和图像域的医学图像分割方法，其特征在于，对广义Eikonal方程进行推广，通过欧几里得距离对近似常数区域进行惩罚，得到推广的Eikonal方程：
5.根据权利要求4所述的融合测地域和图像域的医学图像分割方法，其特征在于，所述滤波算子S(·)选取高斯滤波；
6.根据权利要求4所述的融合测地域和图像域的医学图像分割方法，其特征在于，对于扩散函数d(x)，当则认为区域为边界，此时距离扩散速度由较大的常数β决定；当则认为区域为平缓区域，利用区域权重α(x)来区分前景和背景：前景像素到标记点的欧几里得距离较小使得α(x)≈0，此时测地线距离的扩散速度
7.根据权利要求1-6中任意一项所述的融合测地域和图像域的医学图像分割方法，其特征在于，双分支U-net网络中的一个用于学习测地域信息、另一个用于学习图像域信息；两个U-net网络通过相同的损失函数进行交互并在反向传播时更新网络参数；每个U-net网络包括五个卷积层作为编码器和五个反卷积层作为解码器，将批归一化层替换为实例归一化层，并将网络特征层的数量减少四分之一。
8.根据权利要求7所述的融合测地域和图像域的医学图像分割方法，其特征在于，所述网络优化问题为：
9.根据权利要求8所述的融合测地域和图像域的医学图像分割方法，其特征在于，所述条件随机场融合图像域和测地域结果的方法为：引入了随机变量ξ(xi)，其中ξ(xi)∈{0,1}对于i＝1,2,…,N，N是输入医学图像I(x)中像素的数量；令X为最终的分割结果，则随机变量ξ(x)遵循Gibbs分布：
10.根据权利要求9所述的融合测地域和图像域的医学图像分割方法，其特征在于，所述条件随机场的一元势函数ψu(ξ(x))和二元势函数ψp(ξ(xi),ξ(xj))分别为：
...【技术特征摘要】
1.一种融合测地域和图像域的医学图像分割方法，其特征在于，步骤如下：
2.根据权利要求1所述的融合测地域和图像域的医学图像分割方法，其特征在于，测地距离为根据黎曼度量在两点之间所有路径的权重函数积分的最小值，两点之间的测地距离为：
3.根据权利要求2所述的融合测地域和图像域的医学图像分割方法，其特征在于，测地距离图d(x)满足广义eikonal方程：
4.根据权利要求3所述的融合测地域和图像域的医学图像分割方法，其特征在于，对广义eikonal方程进行推广，通过欧几里得距离对近似常数区域进行惩罚，得到推广的eikonal方程：
5.根据权利要求4所述的融合测地域和图像域的医学图像分割方法，其特征在于，所述滤波算子s(·)选取高斯滤波；
6.根据权利要求4所述的融合测地域和图像域的医学图像分割方法，其特征在于，对于扩散函数d(x)，当则认为区域为边界，此时距离扩散速度由较大的常数β决定；当则认为区域为平缓区域，利用区域权重α(x)来区分前景和背景：前景像素到标记点的欧几里得距离较小使得α(x)≈0，此时测地线距离的扩散速度由常数ε决定，则在目标区域，测地线距离将缓慢增加或不增加；背景像素...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。