基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112927235A(43)申请公布日2021.06.08(21)申请号202110218070.4(22)申请日2021.02.26(71)申请人南京理工大学地址210094江苏省南京市玄武区孝陵卫200号(72)发明人葛婷牟善祥詹天明(74)专利代理机构南京理工大学专利中心32203代理人封睿(51)Int.Cl.G06T7/10(2017.01)G06K9/62(2006.01)权利要求书3页说明书6页附图3页(54)发明名称基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法(57)摘要本发明提出了一种基于多尺度超像素与核低秩表示分类的脑肿瘤图像分割方法，输入多模态脑肿瘤核磁共振测试图像，获取各类别样本的训练数据集与相应的标签；对多模态脑肿瘤核磁共振测试图像进行预处理，并进行多模态融合；对T1‑c模态图像采用熵率分割方法进行多尺度超像素分割，获得多模态脑肿瘤融合数据的超像素分割；基于多尺度超像素构建超像素核；对核特征空间进行低秩表示建模，并基于所构建的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；基于表示系数矩阵，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。本发明在脑肿瘤区域的分割精度上优于现有的一些分割方法。CN112927235ACN112927235A权利要求书1/3页1.一种基于多尺度超像素与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，获取各类别样本的训练数据集与相应的标签；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模态图像采用熵率分割方法进行多尺度超像素分割，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所获的多尺度超像素构造超像素核；步骤5，对核特征空间进行低秩表示建模，并基于步骤4所获的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6，基于步骤5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。2.根据权利要求1所述的基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法，其特征在于，步骤4中，基于步骤3所获的多尺度超像素构造超像素核，具体方法为：设X＝{x1，x2，LxN}表示多模态脑肿瘤融合数据，xi表示第i个测试样本，对应脑肿瘤图12P像中的第i个像素，{Ωi，Ωi，L，Ωi}表示对X进行P次多尺度超像素分割后所有包含测试l12P样本xi的超像素，对Ωi中每一像素xi，设其被P个超像素Ωi,Ωi,L,Ωi所包含ll的频数为ni，则在由测试样本xi所生成的匀质区域Ωi中，像素xi的权重为：其中Ni为Ωi中所含像素总数；设φ′：X→H为输入空间X到高维Hilbert空间H的映射，即φ′(xi)为经高维映射后所获得的图像新特征，令即φ(xi)用于提取xi所在核特征空间上的基于超像素的空间邻域信息，由此，xi与xj的超像素核定义为：lm其中，κ(xi,xj)表示基本核函数，采用高斯RBF核，即σ表示核尺度。3.根据权利要求1所述的基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法，其特征在于，步骤5中，对核特征空间进行低秩表示建模，并基于步骤4获得的超像素核求解模2CN112927235A权利要求书2/3页型，获得测试图像的表示系数矩阵，具体方法为：步骤5.1，构建核特征空间的低秩表示模型：其中，Φ(X)＝{φ(x1),φ(x2),L,φ(xN)}，X＝{x1,x2,LxN}表示脑肿瘤MR融合数据，xi表示第i个测试样本，D＝[d1,d2,L，dT]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5.2，将模型中的高维映射替代为其内积形式可得等价模型：其中，矩阵U的元素uij＝KSP(di，xj)，矩阵V的元素vij＝KSP(di，dj)，KSP(.)为步骤4获得的超像素核；步骤5.3，解耦该等价模型并引入Lagrange乘子得无约束优化问题：其中，Y＝Y+μ(A‑B)，μ为惩罚因子；步骤5.4，采用交替方向乘子法(ADMM)求解该无约束优化问题，获得测试图像的表示系数矩阵A，具体求解步骤为：1)初始化：k＝0，A0＝B0＝0,Y0＝0,μ＝10‑6,μmax＝106,ρ＝1.12)计算矩阵U与V；3)更新变量其中，P(∑)QT为对A+Y/μ进行奇异值分解后所得结果，Θ为软阈值函数，Bk、Pk、μk、∑k、Qk分别表示第k次迭代中B、P、μ、∑、Q的值；4)更新变量其中，Ak、Yk表示第k次迭代中A、Y的值；5)更新变量Yk+1＝Yk+μk(Ak+1‑Bk+1)；6)更