脑磁共振图像分割方法、存储介质及电子装置发明专利.docxVIP

脑磁共振图像分割方法、存储介质及电子装置 技术领域 本发明涉及计算机领域，具体而言，涉及脑磁共振图像分割方法、存储介质及电子装置。 背景技术 图像分割（Image Segmentation）是按照区域属性特征一致的准则，把图像分割成特殊性质的目标和区域的过程。这些区域互不相交，而且区域中的所有像素点都满足基于灰度、纹理和彩色等特征的某种相似性准则即具有均匀性。将目标区域分割出来以后，就可以利用其他的各种技术对图像进行特征提取、匹配等处理，因此图像分割在脑磁共振图像的应用领域上具有非常重要的意义。主流分割方法采用基于边缘的分割方法、基于阈值的分割方法、和基于区域的分割方法来这也的分割方法往往分割精度不准。现有技术还包括基于深度学习技术的分割方法来分割现有脑磁共振图像，其中强监督学习依赖于大量标注数据和精心设计的网络模型，可以得到很好的处理结果，在一些任务领域，远高于传统处理方法的结果，但是实际中有些图像的边界并没有那么清楚，而且边界模糊，不同区域之间经常重叠，该种方法处理的结果精度就难以符合实际的要求。以上方法往往需要大量标注图像，在使用过程中步骤烦琐，且标注错误容易造成图像分割错误不够准确。 针对上述的问题，目前尚未提出有效的解决方案。 发明内容 本发明实施例提供了脑磁共振图像分割方法、存储介质及电子装置，以至少解决现有脑磁共振图像分割技术分割不准确的技术问题。 根据本发明实施例的一个方面，提供了一种脑磁共振图像分割方法，包括：获取待分割的目标脑磁共振图像中的超体素集合；对上述超体素集合进行提取，得到基础特征矩阵；对上述基础特征矩阵按照多个类别进行空间聚类，以得到聚类结果；将上述聚类结果映射到上述目标脑磁共振图像中，以确定相同的超体素所在的目标体素位置；根据上述目标体素位置对上述目标脑磁共振图像进行分割。 作为一种可选地实施方式，上述获取待分割的目标脑磁共振图像中的超体素集合包括：对上述目标脑磁共振图像进行初始分割，得到多个候选超体素；获取每个上述候选超体素各自与预先选定的参考超体素之间的特征相似度，以及任意两个上述候选超体素之间的距离；将上述特征相似度大于第一阈值，且上述距离小于第二阈值的候选超体素，添加到上述超体素集合中；其中，上述超体素集合包括上述目标脑磁共振图像中的所有体素。 作为一种可选地实施方式，上述对上述超体素集合进行提取，得到基础特征矩阵包括：提取上述超体素集合中各个超体素分别对应的基础特征；对上述超体素分别对应的上述基础特征进行压缩，得到压缩后的基础特征；对上述压缩后的基础特征进行归一化处理，得到上述基础特征矩阵；其中，上述特征矩阵包括上述目标脑磁共振图像中所有体素特征。 作为一种可选地实施方式，上述对上述基础特征矩阵按照多个类别进行空间聚类，以得到聚类结果包括：基于上述基础特征矩阵编码得到第一深度子空间矩阵；根据上述第一深度子空间矩阵及预先配置的参考矩阵，计算得到第二深度子空间矩阵；对上述第一深度子空间矩阵和上述第二深度子空间矩阵进行比对判别，获取投影损失值，其中，上述投影损失值用于指示数据真实性的概率；根据上述投影损失值确定上述基础特征矩阵中的超体素所属的聚类类别，以得到上述聚类结果；其中，上述聚类结果包括脑脊液体素集合、灰质体素集合和白质体素集合。 作为一种可选地实施方式，上述根据上述第一深度子空间矩阵及预先配置的参考矩阵，计算得到第二深度子空间矩阵的步骤包括：通过生成器中的上述参考矩阵的系数计算相似矩阵，对上述相似矩阵使用谱聚类算法，得到候选聚类结果；在对上述第一深度子空间矩阵和上述候选聚类结果进行采样时，将上述候选聚类结果中属于同一类别的超体素进行线性组合，以获取上述第二深度子空间矩阵；其中，上述第一深度子空间矩阵为上述生成器根据上述基础特征矩阵生成的真数据，上述第二深度子空间矩阵为上述生成器根据上述第一深度子空间生成的假数据。 作为一种可选地实施方式，在上述通过生成器中的自动编码器对上述基础特征矩阵中的基础特征进行非线性变换和降维处理，以得到上述第一深度子空间矩阵后，还包括：通过上述参考矩阵对上述第一深度子空间矩阵中的特征进行线性重组，得到中间特征；通过上述生成器中的解码器将上述中间特征还原到上述基础特征所在的基础特征空间，得到关联特征矩阵；根据上述第一深度子空间矩阵及上述关联特征矩阵，确定第一置信度集；其中，基于上述中间特征、上述关联特征矩阵、上述第一置信度集和上述投影损失值，确定判别器判别过程中产生的判别损失值，所述判别器用于判断接收数据的真实性。 作为一种可选地实施方式，上述根据上述投影损失值确定上述基础特征矩阵中的超体素所属的聚类类别，以得到上述聚类结果的步骤包括：根据上述候选聚类结果，生成第一候选判别器，每个类别的上述候选聚类结果对应一个上述第一候选判别器；在上述第一候选判别器中对上述候