欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023109621105
申请人: 桂林电子科技大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于Dense-Unet与超像素的磁共振图像分割方法,其特征在于,包括如下步骤:

1)数据预处理:将PASCAL VOC 2012作为数据集、把数据集中的图像大小的尺寸设定为240*240,分为训练集和测试集,对数据集进行数据增强包括上下水平镜像、高斯噪声、高斯模糊、改变对比度和尺寸缩放,其中:

1-1)上下水平镜像:采用图像处理库或编程语言提供的函数实现水平镜像,即将图像从左到右翻转,图像处理库采用MATLAB工具;

1-2)高斯噪声:向图像的每个像素添加服从高斯分布的随机值引入高斯噪声,采用随机数生成器生成高斯分布的随机数,并将随机数添加到图像的每个像素上;

1-3)高斯模糊:高斯模糊采用高斯滤波器实现,高斯滤波器为权重矩阵,用于对图像进行卷积操作,卷积操作采用对图像的每个像素与周围像素的加权平均实现;

1-4)改变对比度:改变图像的对比度采用调整像素值的范围来实现,即采用直方图均衡化,将图像的像素值映射到新的范围,包括:

1-4-1)计算图像的直方图,获取每个像素值的频率分布;

1-4-2)计算累积分布函数CDF均衡化直方图;

1-4-3)将图像中的每个像素值映射为对应的CDF值;

1-5)尺寸缩放:采用图像处理库或编程语言提供的函数来实现图像的尺寸缩放,即采用插值算法重新分配像素值,插值算法为最近邻插值,它将每个像素的值设置为其最近邻的像素值,具体为:

1-5-1)将输入图像缩小或放大到目标尺寸;

1-5-2)对于每个目标像素,找到离它最近的输入像素,并将目标像素的值设置为该输入像素的值;

2)改进UNet网络:将密集卷积模块插入到Unet模块中,取代一部分卷积块,采用swish激活函数取代relu激活函数,在编码器和解码器之间进行跳跃连接,解码器上接收来自编码器的特征,在缓解梯度消失问题的同时进行有效的特征提取,其中,密集卷积模块由多个卷积层Convolutional Layer和多条连接Concatenation组成,密集卷积模块中包含多个卷积层Convolutional Layer,每个卷积层由一个卷积操作和一个非线性激活函数组成,卷积操作通过在输入特征图上滑动一个小的滤波器即卷积核提取特征,每个卷积层的输出特征图作为下一个卷积层的输入,密集卷积模块中的每个卷积层的输出特征图都与之前所有层的输出特征图进行连接Concatenation即沿深度维度,Swish函数为:f(x)=x·sigmoid(x),sigmoid(x)为神经元的非线性作用函数:当x趋近于负无穷时sigmoid(x)趋近于0;当x趋近于正无穷时sigmoid(x)趋近于1;当x=0时,sigmoid(x)为1/2;

3)超像素分割:在网络之外另外采用尺度自适应的超像素分割网络,采用同样的数据集进行训练,具体为:在尺度可调整的超像素分割算法中,超像素是顺序生成的,对于单个的超像素,从一个单像素长成一个超像素区域,依据宽度优先搜索和贪婪最短路径策略,并且提前设置路径距离阈值T来限制超像素的生长,根据图像内容生成不同大小的超像素,超像素区域的生长是从一个种子像素开始的,这个种子像素是图像中的任何一个像素,然后添加符合条件的相邻像素来生长出一个超像素,根据图像的复杂程度,在图像上生成不同尺寸的超像素,包括:

3-1)将种子s添加到超像素SK中,并且路径距离DK=0,(s,Ds)添加到距离最低优先级队列Q;

3-2)具有最小路径距离Dp的超像素P从距离最低优先级队列中弹出Q(P,Dp);

3-2-1)如果Dp

3-2-2)如果Dp>=T,p被视为超像素SK的边界像素,并且将未分配给任何超像素的p的邻居像素添加到种子集X,循环执行步骤3-2),直到优先级队列Q为空;

3-3)然后从种子集X选择一个新的种子,并且这个种子没有分配给任何超像素,然后从该种子开始生成一个新的超像素,循环执行步骤3-1)到步骤3-3);

4)结果融合:将步骤2)和步骤3)的结果进行融合,即将DenseUNet特征图与超像素分割结果进行逐像素的拼接操作,然后对融合后的特征进行全局池化操作,得到最后的结果;

5)测试:将数据集PASCAL VOC 2012中的训练集输入到步骤2)和步骤3)中,将结果进行融合,将最终的分割结果与真实的标签值作对比,得到三个参数值,Dice系数DSC、JAC和HD,DSC衡量重叠程度,HD代表ground truth与分割边界之间所有最小距离的最大距离,DSC和JAC值越大,网络性能越好;HD值越小,网络性能越好,评价指标的计算方式如下,其p为预测分割的像素集,g为ground truth的像素集:DSC的计算公式:

JAC的计算公式如下:

HD的计算公式:

HD(p,g)=max(h(p,g),h(g,p)),

h(p,g)=maxmin|a-b|,

h(g,p)=maxmin|b-a|,

将得到的结果与其它的模型分割出的结果作比较,如果优于其它的模型则达到预期,如果未达到预期,将unet网络重新训练,直至达到预期结果输出模型。