CN112132842A - 一种基于seeds算法和gru网络的脑图像分割方法 - Google Patents
一种基于seeds算法和gru网络的脑图像分割方法 Download PDFInfo
- Publication number
- CN112132842A CN112132842A CN202011037578.6A CN202011037578A CN112132842A CN 112132842 A CN112132842 A CN 112132842A CN 202011037578 A CN202011037578 A CN 202011037578A CN 112132842 A CN112132842 A CN 112132842A
- Authority
- CN
- China
- Prior art keywords
- image
- brain image
- brain
- superpixel
- gru network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 78
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003709 image segmentation Methods 0.000 title claims abstract description 26
- 230000011218 segmentation Effects 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 8
- 210000003625 skull Anatomy 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 5
- 210000004884 grey matter Anatomy 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 210000004885 white matter Anatomy 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 210000005013 brain tissue Anatomy 0.000 abstract description 21
- 238000005070 sampling Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 230000015654 memory Effects 0.000 description 5
- 230000007774 longterm Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 208000014644 Brain disease Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 206010051290 Central nervous system lesion Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004215 lattice model Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 210000001154 skull base Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于能量驱动采样超像素分割(SEEDS)算法和门控循环单元(GRU)网络的脑图像分割方法。首先,通过对多模态图像进行预处理,得到有效的脑组织图像;同时,利用SEEDS超像素分割方法将原始脑图像划分成一定数量的超像素块并提取其空间特征;然后,对于每一块超像素块,通过已训练的GRU网络进行分类,再将分类结果结合原始脑图像得到最终的脑组织分割结果。本发明通过利用超像素为基本单元构建脑图像的空间特征,既保存了脑组织的局部特征和边缘信息,又能精准地描述各部分的脑组织结构,同时利用GRU网络将原始图像信息和空间特征融合,大大提升了分割精度。
Description
技术领域
本发明属于图像分割技术领域,特别涉及一种基于SEEDS算法和GRU网络的脑图像分割方法。
背景技术
近年来,脑部疾病由于其高发病率和高危率越来越受到人们的关注,脑部功能疾病诊断的一个重要环节就是提取脑组织。作为一种无损伤、无辐射的成像方式,脑核磁共振图(Magnetic resonance,MR)已经成为诊断治疗脑部疾病的重要工具。通过设置、调节不同的参数可以获得T1、T2、PD不同模态的MR图像,不同的脑部信息被侧重体现在不同模态的图像上,因此充分利用模态信息可以有助于更深入的研究。从MR图像上分割出脑部病变区域,可以对后续的治疗起到引航的作用。
图像分割是指依据一些相似的特征,把图像划分成不同的、有特点的多个区域。传统的图像分割方法通常以像素作为基本单元,很少考虑到像素间关系,一旦遇到尺寸过大的图片,处理分割的效率就会大大降低。在这种情况下,超像素的出现,将像素组合成感知有意义的原子区域,可以用来替换传统的像素网络刚性结构,它可以捕获图像冗余,大大提升了分割效率,有效地降低了图像处理任务的复杂度,不但可以针对图像的局部区域进行特征提取,还可以反映图像的空间结构信息,为计算图像特征提供方便,所以被广泛运用在许多图像处理的预处理步骤当中。目前,超像素已经涉及到诸多领域,例如深度估计、目标的跟踪和识别等计算机视觉领域。
随着越来越多超像素算法的提出,根据其不同的原理,超像素分割大致可以分为两类:一种是基于图论的方法,比较具有代表型的算法有:图论算法(Graph-based Cut)、基于熵率的算法(Entropy Rate Superpixel,ERS)。图论算法将像素点看作是图的节点,使得每个超像素都是组成像素的最小生成树,图论方法可以很好地粘附到图像边界,但缺点是会产生非常不规则尺寸和形状的超像素。而基于熵率的算法通过最大化包含平衡项和随机游走熵率的目标函数来实现图像分割,它可以产生形状较为规则的超像素。另一种是基于梯度上升的方法,具体有简单线性迭代聚类(Simple Linear Iterative Clustering,SLIC)、均值漂移算法(Mean shift,MS)等。均值漂移算法通过沿着密度上升的方向寻找属于同一类簇的像素点,可以产生形状规则的超像素,缺点是速度慢、无法控制超像素的数量。简单线性迭代聚类是经典的一种超像素分割方法,通过采用K均值算法生成超像素,其时间复杂度较低,同时又可以控制超像素的尺寸和紧凑度,缺点是噪声对初始聚类中心影响较大,算法需要设置的参数较多。
发明内容
有鉴于现有技术的上述缺陷,在对已有图像分割方法效果提升的基础上,本发明的目的是提出一种基于能量驱动采样超像素分割(Superpixels Extracted Via Energy-Driven Sampling,SEEDS)算法和门控循环单元(Gated Recurrent Unit,GRU)网络的脑图像分割方法。首先,通过对多模态图像进行预处理,得到有效的脑组织图像;同时,利用SEEDS超像素分割方法将原始脑图像划分成一定数量的超像素块并提取其空间特征;然后,对于每一块超像素块,通过已训练的GRU网络进行分类,再将分类结果结合原始脑图像得到最终的脑组织分割结果。本发明通过利用超像素为基本单元构建脑图像的空间特征,既保存了脑组织的局部特征和边缘信息,又能精准地描述各部分的脑组织结构,同时利用GRU网络将原始图像信息和空间特征融合,大大提升了分割精度。
为了达到上述目的,本发明提供了一种基于SEEDS算法和GRU网络的脑图像分割方法,包括如下步骤:
步骤S1:对脑图像集进行预处理,以去除脑图像中的脑壳部分;
步骤S2:利用SEEDS算法对脑图像集中的训练集的图像进行初步的图像分割,构建超像素无向图;
步骤S3:根据步骤S2得到的超像素无向图构建特征序列训练集和真值集;
步骤S4:将步骤S3构建的特征序列训练集和真值集作为GRU网络的输入,训练GRU网络;
步骤S5:对于测试图像,重复步骤S2和步骤S3,形成步骤S2’和步骤S3’,即步骤S2’:利用SEEDS算法对所述脑图像集中的训练集的图像进行初步的图像分割,构建超像素无向图;步骤S3’:根据步骤S2’得到的超像素无向图构建特征序列;将步骤S3’得到的特征序列输入到步骤S4得到的已训练的GRU网络中进行分类,得到各个超像素块的分类结果,将分类结果返回到原图上,得到分割后的脑图像。
进一步地,上述脑图像的分割是指划分出脑图像中的人脑的三种重要的脑组织:灰质、白质和脑脊液。
进一步地,脑图像集来自医学图像数据库BrainWeb。
进一步地,本发明的基于SEEDS算法和GRU网络的脑图像分割方法在步骤S1之前还包括步骤S0:将脑图像集分为训练集和测试集,其中训练集的图像数量占脑图像集的图像数量的50%以上,优选为70%以上。
进一步地,上述步骤S1中对脑图像集进行预处理以去除脑图像中的脑壳部分是通过BET算法对脑图像集进行处理。
进一步地,上述步骤S2中构建超像素无向图是通过SEEDS算法对图像进行预分割得到超像素预分割图,再将每一块超像素区域作为一个节点,相邻的超像素区域用边进行连接,构建超像素无向图。
进一步地,上述步骤S3具体包括如下步骤:
步骤S3-1:对于每一个超像素节点,构建D×B的特征序列,其中D为输入的特征维度,B为序列的长度;
步骤S3-2:根据每一张训练图像给定的分割真值构建其真值向量;
步骤S3-3:对于训练集的每一张图像,重复步骤S3-1和S3-2,构建适用于GRU网络的特征序列训练集和真值集。
进一步地,上述步骤S4具体包括如下步骤:
步骤S4-1:初始化GRU网络结构;设置GRU网络的隐藏单元的数量numHiddem=50,分割类别数量numClass=3,最大迭代轮数maxEpoch=50,批大小为miniBatchSize=512;
步骤S4-2:选择Adam作为网络优化算法,交叉熵损失作为损失函数,Relu作为激活函数,训练GRU网络;训练过程分为前向传播和反向传播两个过程,首先输入由步骤S3构建的特征序列训练集和真值集,前向传播通过Relu激活函数得到预测结果,再通过计算交叉熵损失,反向传播实现每一次迭代来更新GRU参数。
进一步地,上述步骤S5具体包括如下步骤:
步骤S2’:利用SEEDS算法对脑图像集中的测试集的图像进行初步的图像分割,构建超像素无向图;
步骤S3’:根据步骤S2’得到的超像素无向图构建特征序列;
步骤S5-1:将步骤S3’得到的特征序列输入到步骤S4得到的已训练的GRU网络中进行分类,得到各个超像素块的分类结果;
步骤S5-2:将各个超像素块的分类标签,返回到原测试图像中各个超像素块所对应的区域,作为每个区域的标签,得到最终的分割结果,即分割后的脑图像。
本发明首先通过对多模态图像进行预处理,得到有效的脑组织图像;同时,利用SEEDS超像素分割方法将原始脑图像划分成一定数量的超像素块并提取其空间特征;然后,对于每一块超像素块,通过已训练的GRU网络进行分类,再将分类结果结合原始脑图像得到最终的脑组织分割结果。本方法通过利用超像素为基本单元构建脑图像的空间特征,既保存了脑组织的局部特征和边缘信息,又能精准地描述各部分的脑组织结构,同时利用GRU网络将原始图像信息和空间特征融合,大大提升了分割精度。
附图说明
图1是本发明一个较佳实施例的基于SEEDS算法和GRU网络的脑图像分割方法的流程图;
图2是本发明一个较佳实施例的原始的脑图像灰度图;
图3是本发明一个较佳实施例的去脑壳后的图像;
图4是本发明一个较佳实施例的SEEDS算法预分割后的图像;
图5是本发明一个较佳实施例的GRU分类网络的流程图;
图6是本发明一个较佳实施例的GRU分类网络的结构图;
图7是本发明一个较佳实施例的最终的分割结果图;其中,(a)是分割真值图,(b)是本实施例得到的分割结果图。
具体实施方式
下面对本发明的实施例作详细说明,下述的实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
在一个较佳实施例中,本发明的主要分割任务是划分人脑中三种重要的脑组织:灰质(Gray Matter,GM)、白质(White Matter,WM)、脑脊液(Cerebro-Spinal Fluid,CSF),其余部分均为背景(Background,BG)。如图1所示,本发明的基于SEEDS算法和GRU网络的脑图像分割方法包括步骤如下:
步骤S0:本实施例中,选取医学图像数据库BrainWeb,该数据库中包含一个基于解剖模型的模拟正常人脑的核磁共振扫描,并包含T1、T2、PD三种模态的MR图像。选取三种模态的MR图像各400张作为脑图像集,按7:3的比例将脑图像集中的MR图像分为训练样本和测试样本,即各模态随机选取280张图像共840张图像组成训练集其余的各模态120张图像共360张图像组成测试集;
步骤S1:对训练集的图像进行预处理。脑图像可以分为脑组织结构和非脑组织结构,其中脑组合主要包括灰质、白质和脑脊液;非脑组织主要是头骨、眼球等。本实施例的主要分割任务是划分三种脑组织,使得训练集中的每张脑图像都留存最重要的三个部分。BET算法是一种可变点阵模型,它通过三种力量的相互作用,将轮廓点推倒脑组织边缘,可以较好地提取颅底脑组织,即对于每一张图像,利用BET算法去脑壳的算法如以下公式(1)和公式(2)所示:
Mi=bet(Bi,F,G) (1)
B′i=Bi×Mi (2)
其中,Mi表示通过BET算法得到的去脑壳分割图像掩膜;Bi为原始脑图像;F为图像密度阈值,本实施例中取默认值0.5;G为垂直梯度密度阈值,本实施例中取默认值0。B′i为最终去脑壳后的图像,i=1,2,…N,即B′i通过掩膜图像和原始图像叠加后得到。如图2-3所示,其中图2为原始脑图像,图3为经过去脑壳处理后的图像。
步骤S2:利用SEEDS算法对脑图像进行图像分割,并构建超像素无向图。本发明采用能量驱动采样超像素分割算法对脑图像进行分割,超像素是由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域,这些小区域大多保留了进一步进行图像分割的有效信息,且一般不会破坏图像中物体的边界信息。SEEDS算法首先选取一个规则的完整超像素分区,然后通过移动超像素边界或者在相邻的超像素之间交换像素来进行优化,使用被定义为层次结构的块来进行边界更新,从较大的块开始随着算法迭代逐渐减少到像素级,最终生成的超像素块可以在保证边界信息更加精准的同时,运行速度更快。利用SEEDS算法进行超像素分割如以下公式(3)所示:
Si=superpixelSEEDS(image_size,num_superpixels,num_levels) (3)
其中,Si为二维矩阵,image_size为输入图像的尺寸,具体包括输入图像的宽度image_width,输入图像的高度image_height,输入图像的通数image_channels;num_superpixels为期望超像素的数目,本实施例中取num_superpixel=4000;num_levels为块级别数,值越大,分割越准确,形状越平滑,但需要更多的内存和CPU时间,本实施例中取num_levels=12。图4显示了SEEDS算法的预分割效果。
将预分割得到的每一块超像素都视为是无向图的一个节点,相邻节点间用无向边进行连接,通过节点数量和无向边建立邻接矩阵,构建超像素无向图G(V,E)。
步骤S3:根据超像素分割图构建GRU网络输入的特征序列训练集Ttrain,其如以下公式(4)所示:
其中,表示第i个训练样本的第j个超像素节点所组成的特征序列;D为输入的特征维度;Bi,j为特征序列长度;N表示样本数量,表示第i个训练样本超像素节点的数量。具体来说,特征序列Ti,j的构建如以下公式(5)所示:
其中,Ti,j由Li,j和Ni,j组成;Li,j表示当前超像素节点的特征向量;Ni,j表示当前超像素节点相邻域节点的特征向量构成的特征序列。Li,j和Ni,j如以下公式(6)和公式(7)所示:
Li,j=maxB′i(h,w),(h,w)∈Ri,j (6)
其中,Li,j由当前超像素节点所在域内像素的最大值组成;Ni,j由当前超像素节点相邻域节点像素最大值组成;表示第i个训练样本第j个超像素节点的第s个邻接节点所在的图像区域;Ni,j表示与当前节点相邻节点的数量。
对于真值集Gtrain,其定义如公式(8)和公式(9)所示:
gi,j=modeDi(h,w)(h,w)∈Ri,j (9)
其中,gi,j表示各个超像素节点对应的真值标签;Di表示第i个训练样本所对应的真值,本实施例中Di取值为{1,2,3};mode表示计算当前节点区域内标签的众数。
步骤S4:训练GRU分类网络。GRU网络可以用来处理时间序列数据,通过门控机制不仅能记忆过去的信息,同时还能选择性地忘记一些不重要的信息而对长期语境等关系进行建模,更好地捕捉时间序列中时间步距离较大的依赖关系,是LSTM长短时记忆网络的一种变体网络,它可以解决循环神经网络RNN无法较好的处理远距离依赖问题,以及因长期依赖带来的梯度消失和梯度***问题,并且在对于LSTM结构复杂性优化的基础上,训练时间更短,更易于实现。
如图5所示,在本实施例中,通过步骤S3得到的超像素节点构建特征序列作为GRU分类网络的输入,经过GRU单元输出序列结果,再经过全连接层和softmax层,最终得到输出长度为3的向量。
如图6所示,本实施例中使用的基本的GRU网络结构定义如下:在一个GRU单元中,当前时间步输入Xt和上一时间步隐藏状态作为重置门和更新门的输入,由激活函数sigmoid计算得到上一时间步ht-1和当前时间步的混合作为最终的这一阶段输出和下一阶段的输入。GRU网络只有两个门,重置门(reset gate)rt和更新门(update gate)zt。重置门(reset gate)rt用来控制候选状态的计算是否依赖上一时刻的状态ht-1,决定多少过去信息丢弃,有助于捕捉时间序列里短期的依赖关系。更新门zt将LSTM中的输入门和遗忘门合二为一,控制前边记忆信息能够继续保留到当前时刻的数据量,有助于捕捉时间序列里长期的依赖关系。最终哪些信息可以作为GRU网络的输出由这两个门决定。其中Wr、Wz、分别为对应的权重,Xt为当前时间步输入,ht-1为前一时刻t-1的隐藏状态,ht为当前时间步t的最终隐藏状态,为当前时间步t的候选隐藏状态,这两部分通过权重zt来调节,所以最终时间步t的隐藏状态ht可通过公式(10)更新:
zt=σ(Wz·[ht-1,Xt])
rt=σ(Wr·[ht-1,Xt])
其中,*表示矩阵元素相乘,σ表示sigmoid函数。
zt为更新门的激活结果,它同样以门控的形式控制了信息的流入。zt与ht-1的Hadamard乘积表示前一时间步保留到最终记忆的信息,该信息加上当前记忆保留至最终记忆的信息就等于最终GRU输出的内容。
本实施例中,设置GRU隐藏单元的数量numHiddem=50,分割类别数量numClass=3,最大迭代轮数maxEpoch=50,批大小miniBatchSize=512,训练GRU网络。选择Adam作为网络优化算法,交叉熵损失作为损失函数,Relu作为激活函数;训练过程分为前向传播和反向传播两个过程,前向传播通过Relu激活函数得到预测结果,再通过计算交叉熵损失,反向传播实现每一次迭代来更新GRU参数。
步骤S5:针对测试集的图像,重复步骤S2和步骤S3,形成步骤S2’和步骤S3’,即利用SEEDS算法对脑图像集中的测试集的图像进行初步的图像分割,构建超像素无向图;根据得到的超像素无向图构建特征序列;将得到的特征序列输入到已训练的GRU网络中进行分类,得到各个超像素块的分类结果;将各个超像素块的分类标签,返回到原测试图像中各个超像素块所对应的区域,作为每个区域的标签,得到最终的分割结果如图7(b)所示,其与分割真值图的图7(a)相比较可以看出,本实施例得到的分割后的脑图像既保存了脑组织的局部特征和边缘信息,又能精准地描述各部分的脑组织结构,同时利用GRU网络将原始图像信息和空间特征融合,大大提升了分割精度。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的试验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于SEEDS算法和GRU网络的脑图像分割方法,其特征在于,所述方法包括如下步骤:
步骤S1:对脑图像集进行预处理,以去除脑图像中的脑壳部分;
步骤S2:利用SEEDS算法对所述脑图像集中的训练集的图像进行初步的图像分割,构建超像素无向图;
步骤S3:根据步骤S2得到的超像素无向图构建特征序列训练集和真值集;
步骤S4:将步骤S3构建的特征序列训练集和真值集作为GRU网络的输入,训练GRU网络;
步骤S5:利用SEEDS算法对所述脑图像集中的训练集的图像进行初步的图像分割,构建超像素无向图;根据得到的超像素无向图构建特征序列;将得到的特征序列输入到步骤S4得到的已训练的GRU网络中进行分类,得到各个超像素块的分类结果,将分类结果返回到原图上,得到分割后的脑图像。
2.如权利要求1所述的基于SEEDS算法和GRU网络的脑图像分割方法,其特征在于,所述脑图像的分割是指划分出脑图像中的灰质、白质和脑脊液。
3.如权利要求1所述的基于SEEDS算法和GRU网络的脑图像分割方法,其特征在于,所述脑图像集来自医学图像数据库BrainWeb。
4.如权利要求1所述的基于SEEDS算法和GRU网络的脑图像分割方法,其特征在于,在步骤S1之前还包括步骤S0:将脑图像集分为训练集和测试集,其中所述训练集的图像数量占所述脑图像集的图像数量的50%以上。
5.如权利要求4所述的基于SEEDS算法和GRU网络的脑图像分割方法,其特征在于,所述训练集的图像数量占所述脑图像集的图像数量的70%以上。
6.如权利要求1所述的基于SEEDS算法和GRU网络的脑图像分割方法,其特征在于,步骤S1中对脑图像集进行预处理以去除脑图像中的脑壳部分是通过BET算法对脑图像集进行处理。
7.如权利要求1所述的基于SEEDS算法和GRU网络的脑图像分割方法,其特征在于,步骤S2中构建超像素无向图是通过SEEDS算法对图像进行预分割得到超像素预分割图,再将每一块超像素区域作为一个节点,相邻的超像素区域用边进行连接,构建超像素无向图。
8.如权利要求1所述的基于SEEDS算法和GRU网络的脑图像分割方法,其特征在于,步骤S3具体包括如下步骤:
步骤S3-1:对于每一个超像素节点,构建D×B的特征序列,其中D为输入的特征维度,B为序列的长度;
步骤S3-2:根据每一张训练图像给定的分割真值构建其真值向量;
步骤S3-3:对于训练集的每一张图像,重复步骤S3-1和S3-2,构建适用于GRU网络的特征序列训练集和真值集。
9.如权利要求1所述的基于SEEDS算法和GRU网络的脑图像分割方法,其特征在于,步骤S4具体包括如下步骤:
步骤S4-1:初始化GRU网络结构;设置GRU网络的隐藏单元的数量numHiddem=50,分割类别数量numClass=3,最大迭代轮数maxEpoch=50,批大小为miniBatchSize=512;
步骤S4-2:选择Adam作为网络优化算法,交叉熵损失作为损失函数,Relu作为激活函数,训练GRU网络;训练过程分为前向传播和反向传播两个过程,首先输入由步骤S3构建的特征序列训练集和真值集,前向传播通过Relu激活函数得到预测结果,再通过计算交叉熵损失,反向传播实现每一次迭代来更新GRU参数。
10.如权利要求1所述的基于SEEDS算法和GRU网络的脑图像分割方法,其特征在于,步骤S5具体包括如下步骤:
步骤S2’:利用SEEDS算法对脑图像集中的测试集的图像进行初步的图像分割,构建超像素无向图;
步骤S3’:根据步骤S2’得到的超像素无向图构建特征序列;
步骤S5-1:将步骤S3’得到的特征序列输入到步骤S4得到的已训练的GRU网络中进行分类,得到各个超像素块的分类结果;
步骤S5-2:将各个超像素块的分类标签,返回到原测试图像中各个超像素块所对应的区域,作为每个区域的标签,得到分割后的脑图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011037578.6A CN112132842A (zh) | 2020-09-28 | 2020-09-28 | 一种基于seeds算法和gru网络的脑图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011037578.6A CN112132842A (zh) | 2020-09-28 | 2020-09-28 | 一种基于seeds算法和gru网络的脑图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112132842A true CN112132842A (zh) | 2020-12-25 |
Family
ID=73840820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011037578.6A Pending CN112132842A (zh) | 2020-09-28 | 2020-09-28 | 一种基于seeds算法和gru网络的脑图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132842A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118212243A (zh) * | 2024-05-22 | 2024-06-18 | 诺比侃人工智能科技(成都)股份有限公司 | 通过深度学习方法对高铁接触网吊弦缺陷分级检测的方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745473A (zh) * | 2014-01-16 | 2014-04-23 | 南方医科大学 | 一种脑组织提取方法 |
CN106651886A (zh) * | 2017-01-03 | 2017-05-10 | 北京工业大学 | 一种基于超像素聚类优化cnn的云图分割方法 |
CN106919950A (zh) * | 2017-01-22 | 2017-07-04 | 山东大学 | 概率密度加权测地距离的脑部mr图像分割方法 |
CN109035252A (zh) * | 2018-06-29 | 2018-12-18 | 山东财经大学 | 一种面向医学图像分割的超像素方法 |
CN109102512A (zh) * | 2018-08-06 | 2018-12-28 | 西安电子科技大学 | 一种基于dbn神经网络的mri脑肿瘤图像分割方法 |
CN109741341A (zh) * | 2018-12-20 | 2019-05-10 | 华东师范大学 | 一种基于超像素和长短时记忆网络的图像分割方法 |
CN110163822A (zh) * | 2019-05-14 | 2019-08-23 | 武汉大学 | 基于超像素分割与图割的网状物检测与去除方法和*** |
-
2020
- 2020-09-28 CN CN202011037578.6A patent/CN112132842A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745473A (zh) * | 2014-01-16 | 2014-04-23 | 南方医科大学 | 一种脑组织提取方法 |
CN106651886A (zh) * | 2017-01-03 | 2017-05-10 | 北京工业大学 | 一种基于超像素聚类优化cnn的云图分割方法 |
CN106919950A (zh) * | 2017-01-22 | 2017-07-04 | 山东大学 | 概率密度加权测地距离的脑部mr图像分割方法 |
CN109035252A (zh) * | 2018-06-29 | 2018-12-18 | 山东财经大学 | 一种面向医学图像分割的超像素方法 |
CN109102512A (zh) * | 2018-08-06 | 2018-12-28 | 西安电子科技大学 | 一种基于dbn神经网络的mri脑肿瘤图像分割方法 |
CN109741341A (zh) * | 2018-12-20 | 2019-05-10 | 华东师范大学 | 一种基于超像素和长短时记忆网络的图像分割方法 |
CN110163822A (zh) * | 2019-05-14 | 2019-08-23 | 武汉大学 | 基于超像素分割与图割的网状物检测与去除方法和*** |
Non-Patent Citations (1)
Title |
---|
刘树春, 北京:机械工业出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118212243A (zh) * | 2024-05-22 | 2024-06-18 | 诺比侃人工智能科技(成都)股份有限公司 | 通过深度学习方法对高铁接触网吊弦缺陷分级检测的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145939B (zh) | 一种小目标敏感的双通道卷积神经网络语义分割方法 | |
CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
CN109345508B (zh) | 一种基于两阶段神经网络的骨龄评价方法 | |
Kumar et al. | Breast cancer classification of image using convolutional neural network | |
CN110705555A (zh) | 基于fcn的腹部多器官核磁共振图像分割方法、***及介质 | |
CN108491766B (zh) | 一种端到端的基于深度决策森林的人群计数方法 | |
Gao et al. | Fusion of medical images based on salient features extraction by PSO optimized fuzzy logic in NSST domain | |
CN110859624A (zh) | 一种基于结构磁共振影像的大脑年龄深度学习预测*** | |
Yang et al. | Heterogeneous SPCNN and its application in image segmentation | |
CN114677403A (zh) | 基于深度学习注意力机制的肝脏肿瘤图像分割方法 | |
CN112396587A (zh) | 一种基于协同训练和密度图的公交车厢内拥挤度检测方法 | |
Ninh et al. | Skin lesion segmentation based on modification of SegNet neural networks | |
CN112348059A (zh) | 基于深度学习的多种染色病理图像分类方法及*** | |
Chen et al. | Skin lesion segmentation using recurrent attentional convolutional networks | |
CN116884623B (zh) | 基于激光扫描成像的医疗康复预测*** | |
Priyadharshini et al. | A novel hybrid Extreme Learning Machine and Teaching–Learning-Based Optimization algorithm for skin cancer detection | |
Senthilkumaran et al. | Brain image segmentation | |
Bhimavarapu et al. | Analysis and characterization of plant diseases using transfer learning | |
CN110033448B (zh) | 一种aga临床图像的ai辅助雄秃汉密尔顿分级预测分析方法 | |
CN111611919B (zh) | 一种基于结构化学习的道路场景布局分析方法 | |
Elmenabawy et al. | Deep segmentation of the liver and the hepatic tumors from abdomen tomography images | |
Yuan et al. | Explore double-opponency and skin color for saliency detection | |
CN108765384B (zh) | 一种联合流形排序和改进凸包的显著性检测方法 | |
Chang | Research on sports video image based on fuzzy algorithms | |
CN115909016A (zh) | 基于GCN分析fMRI图像的***、方法、电子设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201225 |
|
RJ01 | Rejection of invention patent application after publication |