CN113470045B - 一种基于超像素统计特征和图注意力网络的口腔cbct图像分割方法 - Google Patents

Abstract

一种基于超像素统计特征和图注意力网络的口腔CBCT图像分割方法，包括以下步骤：步骤一：CT值初始化；步骤二：超像素分割；步骤三：超像素构图与真值标签设定；步骤四：提取超像素统计特征；步骤五：构建图注意力网络模型；步骤六：训练模型；步骤七：CBCT图像分割。本发明提出了一种分割精度高、运行效率高的的口腔CBCT图像分割方法，降低了口腔CBCT图像目标分割任务的数据处理规模，提高了其分割模型的训练速度。

Description

一种基于超像素统计特征和图注意力网络的口腔CBCT图像分 割方法

技术领域

本发明涉及医学图像处理与机器学习领域，特别是指一种面向口腔CBCT的图像分割方法。

背景技术

口腔CBCT图像是牙科医生在牙齿种植时的重要参照，其中的器官分割可用于后续的3D建模及距离测量等手术辅助设计。由于CT设备成像差异、患者器官的病理状况差异等原因，目前口腔CBCT图像中各器官组织分割方法存在精度低、耗时久等问题。2003年Ren等人提出了超像素，所谓超像素，是指具有相似纹理、颜色、亮度等特征的相邻像素构成的图像块。超像素分割是图像处理的重要预处理阶段，可以有效减少后续处理的基本单元数目，提升分割算法的性能和效率。在口腔CBCT图像中，应用超像素分割可以有效发现各器官之间的边界信息、降低分割时间成本。

作为医学图像处理的重要任务之一，医学图像分割是视觉深度学习中一个被广泛研究的方向。传统的医学图像分割方法有阈值法、区域生长和分水岭算法等，基于梯度或灰度的方法；基于深度学习的U-net方法，通过跳级连接和全卷积网络，可以很好地结合图像的低层结构特征和高层语义特征，然而和其他深度学习方法一样，这类方法以像素为基本单位，以卷积层和池化层的堆叠为网络结构，随着深度的增加，训练网络模型的时间也成倍增长，对数据分布非常敏感。超像素分割得到的超像素，可以很好地贴合物体真实边缘，以口腔CBCT图像的超像素结果为图像分割的基本单位，对超像素进行正确地分类以实现图像分割，大大减少了图像分割的时间和复杂度。

发明内容

为了实现口腔CBCT图像的分割，同时提高分割结果的准确度和运行效率，，本发明提出了一种基于超像素统计特征和图注意力网络的口腔CBCT图像分割方法，以CBCT图像的超像素分割为基础，使用图注意力网络，将医学图像分割任务转化为超像素的分类任务，在不损失精度的条件下可以大大缩短网络的训练时间。

本发明解决其技术问题所采用的技术方案是：

一种基于超像素统计特征和图注意力网络的口腔CBCT图像分割方法，包括如下步骤：

步骤一：输入口腔CBCT图像的超像素目标数目K，根据窗宽WW、窗位WL对像素CT值l进行初始化变换：

步骤二：对口腔图像各像素点的CT值l、边缘强度值e和像素空间坐标(x,y)进行归一化映射到区间[0,1]，其中e使用Canny算法未经非极大值抑制时的结果，将各像素点表示为一个四维向量p_xy＝[l,e,x,y]，用基于边缘概率的超像素生成算法将口腔CBCT图像划分为K个超像素；

步骤三：将K个超像素表征为图中的K个结点，根据超像素之间的邻接关系构建图的拓扑关系，若超像素S_i在图像平面上与超像素S_k接壤，即两超像素的边缘像素之间有相邻像素对存在，则视为这两个超像素为直接邻居，为S_k分配真值标签

其中gt为待分割前景部分的真值区域，||S_k||为超像素S_k内像素点的数目，||S_k∩gt||为超像素S_k和真值前景gt的交集内像素点数目，为阈值；

步骤四：提取超像素节点的统计特征，将每个超像素S_k的特征表示为一个8维的特征向量：

其中为超像素S_k的平均灰度值，/>为超像素S_k的内部灰度值方差、/>为超像素S_k的显著性、/>为超像素S_k的形心横坐标、/>为超像素S_k的形心纵坐标、x_min为超像素S_k的最小横坐标、y_min为超像素S_k的最小纵坐标、/>为超像素S_k包含的像素数量，/>为超像素S_l的平均灰度值；

步骤五：构建基于超像素的图注意力网络模型，图注意力模块采用L层(L>2)，设置中间层为k₁个注意力头、输出层为k₂个注意力头，其中k₁<k₂，根据超像素的真实值集合y_true和预测值集合y_pred，计算损失函数Loss并更新网络模型参数：

其中||y_pred∩y_true||为真实值与预测值交集的元素数量，||y_pred||为预测集合的元素数量，||y_true||为真实值集合的元素数量；

步骤六：设置最大迭代步数、学习率和最小批数，用有标签的超像素节点图数据训练基于超像素的图注意力网络，采用5折交叉验证，直到损失函数Loss收敛或达到最大迭代步数；

步骤七：将口腔CBCT图像输入训练好的基于超像素的图注意力网络，预测超像素节点的类别，得到口腔CBCT图像分割结果。

本发明的技术构思为：将口腔CBCT图像的超像素表示为图节点，并以相邻关系构建图的拓扑结构，提取超像素的平均灰度值、内部灰度值方差、显著性、形心坐标等统计特征，训练图注意力网络学习性质不同超像素之间的连接权重，从而完成超像素的分类预测，实现口腔CBCT图像中上颌窦等兴趣区域分割。

本发明的有益效果为：以边缘贴合度良好的超像素为图像分割的基本单位，提出了一种分割精度高、运行效率高的的口腔CBCT图像分割方法，降低了口腔CBCT图像目标分割任务的数据处理规模，提高了其分割模型的训练速度。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图对本发明做进一步说明。

参照图1，一种基于超像素统计特征和图注意力网络的口腔CBCT图像分割方法，包括如下步骤：

步骤一：输入口腔CBCT图像的超像素目标数目K，根据窗宽WW、窗位WL对像素CT值l进行初始化变换：

步骤二：对口腔图像各像素点的CT值l、边缘强度值e和像素空间坐标(x,y)进行归一化映射到区间[0,1]，其中e使用Canny算法未经非极大值抑制时的结果，将各像素点表示为一个四维向量p_xy＝[l,e,x,y]，用基于边缘概率的超像素生成算法将口腔CBCT图像划分为K个超像素；

步骤三：将K个超像素表征为图中的K个结点，根据超像素之间的邻接关系构建图的拓扑关系，若超像素S_i在图像平面上与超像素S_k接壤，即两超像素的边缘像素之间有相邻像素对存在，则视为这两个超像素为直接邻居，为S_k分配真值标签

其中gt为待分割前景部分的真值区域，||S_k||为超像素S_k内像素点的数目，||S_k∩gt||为超像素S_k和真值前景gt的交集内像素点数目，为阈值；

步骤四：提取超像素节点的统计特征，将每个超像素S_k的特征表示为一个8维的特征向量：

其中为超像素S_k的平均灰度值，/>为超像素S_k的内部灰度值方差、/>为超像素S_k的显著性、/>为超像素S_k的形心横坐标、/>为超像素S_k的形心纵坐标、x_min为超像素S_k的最小横坐标、y_min为超像素S_k的最小纵坐标、/>为超像素S_k包含的像素数量，/>为超像素S_l的平均灰度值；

步骤五：构建基于超像素的图注意力网络模型，图注意力模块采用L层(L>2)，设置中间层为k₁个注意力头、输出层为k₂个注意力头，其中k₁<k₂，根据超像素的真实值集合y_true和预测值集合y_pred，计算损失函数Loss并更新网络模型参数：

其中||y_pred∩y_true||为真实值与预测值交集的元素数量，||y_pred||为预测集合的元素和，||y_true||为真实值集合的元素数量；

步骤六：设置最大迭代步数、学习率和最小批数，用有标签的超像素节点图数据训练基于超像素的图注意力网络，采用5折交叉验证，直到损失函数Loss收敛或达到最大迭代步数；

步骤七：将口腔CBCT图像输入训练好的基于超像素的图注意力网络，预测超像素节点的类别，得到口腔CBCT图像分割结果。

如上所述，本专利实施的具体实现步骤使本发明更加清晰。在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。

Claims (1)

1.一种基于超像素统计特征和图注意力网络的口腔CBCT图像分割方法，其特征在于：所述方法包括如下步骤：

步骤一：输入口腔CBCT图像的超像素目标数目K，根据窗宽WW、窗位WL对像素CT值l进行初始化变换：

步骤二：对口腔图像各像素点的CT值l、边缘强度值e和像素空间坐标(x,y)进行归一化映射到区间[0,1]，其中e使用Canny算法未经非极大值抑制时的结果，将各像素点表示为一个四维向量p_xy＝[l,e,x,y]，用基于边缘概率的超像素生成算法将口腔CBCT图像划分为K个超像素；

步骤三：将K个超像素表征为图中的K个结点，根据超像素之间的邻接关系构建图的拓扑关系，若超像素S_i在图像平面上与超像素S_k接壤，即两超像素的边缘像素之间有相邻像素对存在，则视为这两个超像素为直接邻居，为S_k分配真值标签

其中gt为待分割前景部分的真值区域，||S_k||为超像素S_k内像素点的数目，||S_k∩gt||为超像素S_k和真值前景gt的交集内像素点数目，为阈值；

步骤四：提取超像素节点的统计特征，将每个超像素S_k的特征表示为一个8维的特征向量：

其中为超像素S_k的平均灰度值，/>为超像素S_k的内部灰度值方差、/>为超像素S_k的显著性、/>为超像素S_k的形心横坐标、/>为超像素S_k的形心纵坐标、x_min为超像素S_k的最小横坐标、y_min为超像素S_k的最小纵坐标、/>为超像素S_k包含的像素数量，/>为超像素S_l的平均灰度值；

步骤五：构建基于超像素的图注意力网络模型，图注意力模块采用L层，L>2，设置中间层为k₁个注意力头、输出层为k₂个注意力头，其中k₁<k₂，根据超像素的真实值集合y_true和预测值集合y_pred，计算损失函数Loss并更新网络模型参数：

其中||y_pred∩y_true||为真实值与预测值交集的元素数量，||y_pred||为预测集合的元素数量，||y_true||为真实值集合的元素数量；

步骤六：设置最大迭代步数、学习率和最小批数，用有标签的超像素节点图数据训练基于超像素的图注意力网络，采用5折交叉验证，直到损失函数Loss收敛或达到最大迭代步数；

步骤七：将口腔CBCT图像输入训练好的基于超像素的图注意力网络，预测超像素节点的类别，得到口腔CBCT图像分割结果。