(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221017270 6.0 (22)申请日 2022.02.24 (71)申请人 东南大学 地址 210096 江苏省南京市玄武区四牌楼 2 号 (72)发明人 孔佑勇　高佳奕　周彬　沈傲东　 让·路易斯·柯阿特里奥　舒华忠　 (74)专利代理 机构 南京众联专利代理有限公司 32206 专利代理师 叶倩 (51)Int.Cl. G06T 7/10(2017.01) G06V 10/26(2022.01) G06V 10/46(2022.01) G06V 10/75(2022.01)G06V 10/762(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于散射图神经网络的大脑磁共振图 像分割方法 (57)摘要 本发明公开了一种基于散射图神经网络的 大脑磁共振图像分割方法， 首先， 为了降低模型 计算复杂度， 采用超体素作为基本单位， 针对参 考图像与待分割图像， 生成数量相当的超体素； 同时考虑超体素的自身信息、 周围邻居信息与空 间位置信息， 预先提取其灰度特征、 张量特征与 关键点空间先验特征； 再次， 由于大脑各超体素 间隐含一定的拓扑结构信息， 以超体素作为节点 构建拓扑图， 采用散射图神经网络学习全局拓扑 信息， 更新节点特征； 最后， 直接将待分割图像的 超体素与已标注参考图像的超体素进行特征匹 配， 得到语义分割结果， 本发明能较好地应用于 大脑磁共振图像， 有效地分割出大脑磁共振图像 的组织结构。 权利要求书3页 说明书8页 附图2页 CN 114581451 A 2022.06.03 CN 114581451 A 1.一种基于 散射图神经网络的磁共 振图像分割方法， 其特 征在于， 包括以下步骤： S1， 提取超体素： 对参考图像与待分割图像， 分别提取其超体素， 所述提取方法采用模 糊迭代聚类法， 在磁共振图像的脑 区域中均匀采样种子点， 将每个体素与其空间最近的种 子点进行模糊关联， 计算每个体素与种子的模糊隶属度， 根据模糊隶属度， 更新种子点的空 间坐标与灰度值， 迭代更新， 减小误差后， 将每个体素分配给具有最大模糊隶属度的种子 点， 即生成磁共 振图像的超体素； S2， 提取特征值： 根据S1获取的超体素， 分别提取超体素的特征值， 所述特征值至少包 括超体素的灰度直方图、 结构化张量特 征以及关键点空间先验特 征； S3,构建拓扑图， 学习全局拓扑特征： 以步骤S1获取的参考图像与待分割图像的超体素 作为结点， 将超体素 的灰度直方图、 结构化张量特征以及关键点空间先验特征拼接作为结 点特征构建拓扑图， 采用散射图神经网络学习全局拓扑 特征； S4， 得到语义分割结果： 构建待分割图像超体素与参考 图像超体素的特征距离矩阵D， 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 超体素Ti， 同时将待分割图像的超体素类别记为Ti的类别， 最后， 将已标记过的超体素类别 映射到相应的体素， 得到最终语义分割的结果。 2.如权利要求1所述的一种基于散射图神经网络的磁共振图像分割方法， 其特征在于， 所述步骤S1具 备包括： S11， 在磁共 振图像的脑区域均匀采样N个种子点； S12， 计算磁共振图像中每个体素与各种子点间的距离， 其中， 第i个体素与第j个种子 点之间的距离D(i， j)可表示为： D(i， j)＝dI(i， j)+λ dS(i， j)， 其中 dI(i， j)为第i个体素与第 j个种子点之间的灰度距离， dS(i， j)为第i个体素与第j个种子点之间的空间距离， λ为空间 距离的权 重； S13， 将磁共振图像中的每个体素与其空间距离最近的K个种子点进行模糊关联， 即计 算每个体素与这K个种子的模糊隶属度 其中， D(i， Sj)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 数， Sj， St∈S， S＝{s1， s2，…， sK}， S表示距第i个 体素最近的K个种子点的集 合； S14， 根据步骤S13计算的模糊隶属度， 更新种子点的空间坐标与灰度值： 其中， 表示与磁共振图像空间的种子点Sj模糊关联的体素 的数量， 表示与种子 点Sj模糊关联的第r个体素的模糊隶属度； 对于vr＝[xr， yr， zr， Ir]T， (xr， yr， zr)表示与种子 点Sj模糊关联的第r个 体素的坐标， Ir表示与种子点Sj模糊关联的第r个 体素的灰度值； S15， 按照步骤S13和S14对磁共振图像的种子点进行迭代更新， 并定义更新误差， 当更权　利　要　求　书 1/3 页 2 CN 114581451 A 2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， 以此 生成大脑磁共 振图像的超体素。 3.如权利要求2所述的一种基于散射图神经网络的磁共振图像分割方法， 其特征在于， 所述步骤S2超体素的灰度直方图提取方法为： 将 0～255的灰度值均匀划分为 16个区间P[1： 16]， 对于每一个超体素， 统计其中灰度值落在各个区间内的体素个数， 映射到16维的区间 P， 再采用每一维的值除以体素总数进行归一 化。 4.如权利要求2所述的一种基于散射图神经网络的磁共振图像分割方法， 其特征在于， 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 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， zni)， 得到 两者的空间关系向量Mni， 进而计算得到张量特 征Tn， 其中相关度Cni可以表示 为： 其中， His为灰度特 征； 超体素n与相邻超体素i的空间关系向量Mni可以表示 为： 张量特征Tn可以表示 为： 5.如权利要求2所述的一种基于散射图神经网络的磁共振图像分割方法， 其特征在于， 所述步骤S2关键点空间先验 特征的提取方法为： 用SIFT3D算法实现参考图像与待分割图像 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 dni， 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 征在于， 所述 步骤S3进一 步包括： S31， 针对参 考图像， 在每 个超体素的邻接超体素中随机 选择K个同类超体素进行 连接； S32， 针对待分割图像， 将每 个超体素与图像内特 征距离最小的K个超体素进行 连接； S33， 针对参考图像与待分割图像， 待分割图像的超体素与特征距离最小 的K个参考图 像超体素进行 连接； S34， 以超体素作为结点， 步骤S31、 S32、 S33构造的连接关系作为边， 步骤S2中的三种特 征拼接作为结点特征， 采用散射图神经网络学习待分割图像内、 待分割图像与参考图像间 超体素的拓扑关系， 并更新每 个超体素的特 征； 首先定义随机游走矩阵R＝AD‑1， 则惰性随机游走矩阵P可以表示为 在此基 础上定义小 波矩阵为： (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， k2， ...， km)， 堆叠小 波变换：权　利　要　求　书 2/3 页 3 CN 114581451 A 3