CN114581451B 一种基于散射图神经网络的大脑磁共振图像分割方法 （东南大学）

号一种基于散射图神经网络的大脑磁共振图本发明公开了一种基于散射图神经网络的超体素与已标注参考图像的超体素进行特征匹2对于该矩阵D的每一行找到值最小的列，作为参考图像中与待分割图像超体素最为匹配的IsIS13，将磁共振图像中的每个体素与其空间距离最近的K个种j)表示第i个体素与种子点Sj之间的距离，m表示模糊隶属度的模糊加权指jS表示距第i个体素最近的K个种子点的集合；r]Trrr)表示与种子3所述步骤S2超体素的结构化张量特征提取方法为：利用皮尔森相关系数计算超体素n与其超体素n与相邻超体素i的空间关系向量Mni可以的关键点匹配，之后计算待分割图像的超体素n与图像内每一个关键点i的空间坐标距离6.如权利要求3或4或5所述的一种基于散射图神经网络的磁共振图像分割方法，其特S33，针对参考图像与待分割图像，待分割图像的超首先定义随机游走矩阵R＝AD-1，则惰性随机游走矩阵P可以(ΨkX)[vi]是对于第i个结点收集2k阶邻居的信息，通过包含尺度参数的元组J＝(k1，4别表示第i个种子点和第j个体素的像素强度；第i个体素与第j个种子点之间的空间距离所述步骤S15中定义的更新误差为更新后种子点与更新前种子点坐标的欧式距离之差，误10.如权利要求6所述的一种基于散射图神经网络的磁共振图像分割方法，其特征在5获取磁共振图像的分割标注成本很高，因此可以考虑采用图像匹配方法来降低标注成本，振图像中各超体素间的拓扑结构信息，考虑采用散射图神经网络学习超体素间的拓扑结6IsI[0015]S13，将磁共振图像中的每个体素与其空间距离最近的K7表示与当更新误差小于设定阈值时停止迭代，将每个体素分配给具有最大模糊隶属度的种子点，[0022]作为本发明的另一种改进，所述步骤S2超体素的灰度直方图提取方法为：将0~素n与其相邻超体素i的相关度Cni，利用超体素与其相邻超体素的中心坐标向量(xni，yni，8kX)[vi]是对于第i个结点收集2k阶邻居的信息，通过包含尺度参数的元组J=2注图像通过与已标注图像进行特征匹配得到分割结果，有效降低了医学图像的标注成本；9sIi-Ij|[0059](1-3)将磁共振图像中的每个体素与其空间距离最近的K表示与[0065](1-5)按照步骤1-3和1-4进行对磁共振图像的种子点进行迭代更新，并定义更新[0069](2-2)针对超体素的结构化张量特征，利用皮尔森相关系数计算超体素与其相邻们各自标准差乘积,qr的商：[0080](2-3)针对关键点空间先验特征，采用SIFT3D算法实现参考图像与待分割图像的关键点匹配，计算待分割图像的超体素n与图像内每一个关键点i的空间坐标距离dni，以此描述超体素的在整个图像中的全节点的度矩阵)，则惰性随机游走矩阵P可以表示为在此基础上定义小波矩阵kX)[vi]是对于第i个结点收集2k阶邻居的信息，通过包含尺度参数的元组J=2[0089]根据小波矩阵，基于散射传播的特征更新过程为(Hl表示第l层输出的节点特征，[0098](1)软件开发环境：Windows10操作系统、VisualStudioCode、Python3.6、240×48个大小为1mm×1mm×1mm的体素。实验参数设置为：超体素设置(超体素个数为络。图3从左至右分别为(a)MRBrainS18