[發明專利]基于交互式字典遷移的序列醫學圖像快速分割方法

有效

• 申請號: 201210332192.7
• 申請日: 2012-09-10
• 公開（公告）號: CN102831614A
• 公開（公告）日: 2012-12-19
• 發明（設計）人: 緱水平;馬麗敏;周治國;劉芳;張曉鵬;唐磊;王之龍;王云利
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 王品華;朱紅星

1.一種基于交互式字典遷移的序列醫學圖像快速分割方法，包括如下步驟：

(1)輸入腹部CT序列圖像I={I⁽¹⁾,I⁽²⁾,…,I⁽ⁿ⁾}，n為從序列圖像的數量，n最大值為300；

(2)對每幅圖像I^(q)以每個像素點為中心提取5×5的塊作為每個像素的特征，則該圖像所有像素的特征向量集合為X_N×25^(q)，N為每幅圖像的大小，其中1≤q≤n；

(3)用mean?shift方法對CT序列圖像I進行初始分割，則CT序列圖像I^(q)的初分割圖像為S^(q)，并統計初分割圖像S^(q)中的區域數目m；

(4)選取CT序列圖像I⁽¹⁾，進行交互式分割：

首先，在序列圖像I⁽¹⁾對應的初分割圖像S⁽¹⁾上的區域進行手動標記部分目標區域M_O和部分背景區域M_B，剩余的區域為未標記區域N；

然后，根據合并準則，重復合并未標記區域N中與標記背景M_B中相似性最大的區域，直到所有區域都合并后，得到CT序列圖像I⁽¹⁾的全部目標區域和背景區域，即得到分割結果，其中該目標區域代表腹部CT圖像中的胃癌病變區域；

(5)提取步驟(4)中的目標區域內對應像素點的特征向量X_O，并用K-SVD算法對目標特征向量X_O進行訓練學習，生成一個目標字典D_O；

(6)用k均值方法將步驟(4)中得到的背景區域聚為4類，每類對應的特征向量為X_B1,X_B2,X_B3,X_B4，并用K-SVD方法分別對其訓練學習，生成背景字典D_B={D_B1,D_B2,D_B3,D_B4}，其中D_B1,D_B2,D_B3,D_B4分別為4類背景區域對應的背景字典；

(7)由目標字典D_O和背景字典D_B分別去逼近CT序列圖像I^(q)的特征向量X_N×25^(q)，得到所有像素點的目標字典逼近誤差e_O和背景字典逼近誤差e_B，然后根據誤差最小原則計算二值圖像T^(q)：

T(q)(i)=1ifeO(i)<eB(i)0otherwise,]]>

其中，2≤q≤n，i為像素點，其范圍為1≤i≤N；

(8)對二值圖像T^(q)進行高斯濾波處理后，計算二值圖像T^(q)中值為1的像素點在初分割圖像S^(q)上對應區域的密度d(r)：

d(r)=Σi∈rI(T(q)(i)=1)Σi∈rI(T(q)(i)=1)+Σi∈rI(T(q)(i)=0),]]>

其中，r為初分割圖中的區域，其范圍為1≤r≤m，i為像素點，其范圍為1≤i≤N，m為初分割圖像中的區域總數目；I(·)是指示函數，當該函數輸入的等式成立時其函數值為1，反之函數值為0；

(9)根據步驟(8)中的密度d(r)得到CT序列圖像I^(q)的分割結果圖像C^(q)：

C(q)(r)=1ifd(r)>0.30otherwise.,]]>

其中，2≤q≤n，C^(q)中值為1的區域為目標區域，值為0的區域為背景區域；

(10)判斷分割結果圖像C^(q)分割是否正確，即計算分割結果圖C^(q)與上一幅分割結果圖C^(q-1)的信息差異指標VI,當信息差異指標VI>0.25時，判定為分割結果不正確，返回步驟(4)開始執行，即對序列圖像I^(q)進行交互式分割；否則，執行步驟(11)；

(11)計算步驟(9)得到的分割結果圖像C^(q)的目標區域的特征向量集合X′_O，并用K-SVD方法對其訓練學習，得到一個新目標字典D′_O，計算新目標字典D′_O與原目標字典D_O的誤差E=||D_O-D′_O||₂，若誤差E<1，則將新目標字典D′_O中的原子遷移到原目標字典D_O中，更新目標字典D_O；否則，原目標字典D_O不變；

(12)統計步驟(11)中字典的遷移次數，當字典遷移次數等于4時，計算當前目標字典D_O中原子的貢獻度g，并按貢獻度g的大小進行降序排列，保留貢獻度g最大的前50個原子，構造新的目標字典D_O；

(13)重復執行步驟(7)到步驟(10)，對輸入的腹部CT序列圖像I中還未分割的圖像進行目標區域提取，直到所有序列圖像都分割出目標區域為止。