[發明專利]全表示半監督快速譜聚類的醫學圖像分割方法及系統

有效

• 申請號: 201310667423.4
• 申請日: 2013-12-10
• 公開（公告）號: CN103617623B
• 公開（公告）日: 2016-03-16
• 發明（設計）人: 錢鵬江;王士同;鄧趙紅;王駿;蔣亦樟
• 申請（專利權）人: 江南大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 湯東鳳

1.一種基于全表示半監督快速譜聚類的醫學圖像分割方法，其特點是， 按照以下定義和步驟實施：

定義：

定義1：數據集X＝{x₁,x₂,...,x_N}為對某醫學圖像中的所有像素點進行特 征提取并逐行排列而構成的特征數據的集合，其中N表示數據集容量；

定義2：參照集CS為某醫學圖像中醫務人員圈畫的所有區域所包含的 所有數據點，CS＝{...,x_i,...,x_k,...,x_q,...}，其中的i,k,q為數據點在原始采集的數 據集X中的下標；

定義3：定義為CS中所有與x_i屬同一區域的數據點的集合；

定義4：定義為CS中所有與x_i屬不同區域的數據點的集合；

定義5：定義矢量如式(1)所示，即中第i元素 為1、第k元素為-1，其余元素均為0，則有：

vik+=[0...1i...-1k...0]1×NT;---(1)]]>

定義6：定義矢量如式(2)所示，同樣中第i元 素為1、第q元素為-1，其余元素均為0，則有：

viq-=[0...1i...-1q...0]1×NT;---(2)]]>

定義7：聚類指示向量y＝[y₁,y₂,...,y_N]^T為聚類算法的最終解，其指示數據 集X中的每個數據點的類屬，y_i與y_j越接近表示它們越趨向同一類，反之異 類；

定義8：定義參照集CS的正參照和K⁺為：

K+=Σxi∈CSΣxk∈Hi+(yTvik+)2;---(3)]]>

定義9：定義參照集CS的負參照和K^-為：

K-=Σxi∈CSΣxp∈Hi-(yTvip-)2;---(4)]]>

定義10：中心約束型最小包含球是指在某擴展空間內能包含指定數據集 內所有數據點的最小半徑的球體，其對應式(5)所示的二次規劃形式為：

minααTKα-αT(diag(K)+Δ-τ1)s.t.αT1=1,a≥0,---(5)]]>

其中是給原數據空間擴展的一維新特征，τ為常量，K 為正定矩陣；

步驟1：從本地SD卡或者通過網絡從上位機獲取等待處理的醫學圖像， 設其分辨率為m×n＝N，m和n分別為圖像的長和寬，單位是像素，N是該 醫學圖像總的像素容量；

步驟2：醫務人員通過觸摸屏在該醫學圖像中圈畫，以供參照分割信息；

步驟3：對全幅醫學圖像包括圈畫的參照區域，進行像素灰度、空間位 置及Gabor紋理特征提取，并進行特征歸一化和特征降維處理，生成待處理 大規模數據集X及相應的特征矩陣D＝[x₁；x₂；...；x_N]，其中x_i為數據特征向量， i＝1,2,...,N；

步驟4：進行圈畫區域參照信息的All-In-One形式表示，All-In-One的 含義為一體化；

步驟5：生成基于全表示半監督機制的圖論松弛聚類模型

該圖論松弛聚類模型的目標函數如式(6)所示：

miny12yTLy+λ+K+-λ-K-s.t.eTy=1,y≥0,---(6)]]>

其中L是拉普拉斯矩陣，y是聚類指示向量，e是元素全為1的向量， y^T和e^T分別是y和e的轉置，K⁺和K^-分別是引入的正、負參照和二次項，λ₊和λ_-分別是正、負參照和二次項的系數，

將式(3)和(4)代入式(6)得：

miny12yTLy+λ+Σxi∈CSΣxk∈Hi+(yTvik+)2-λ-Σxi∈CSΣxq∈Hi-(yTviq-)2s.t.eTy=1,y≥0,---(7)]]>

步驟6：將式(7)目標函數表達式進行整理得式(8)

由于參照集CS的正參照和K⁺與負參照和K^-均是聚類指示向量y的二次 項形式，因此將它們與原拉普拉斯矩陣L相整合生成新的正定矩陣

步驟7：將式(8)改寫為約束型最小包含球(CCMEB)形式得式(9)

其中τ為常量但必須設置得足夠大以保證Δ≥0；

步驟8：基于核心集最小包含球快速逼近策略估算式(9)的最終解y；

步驟9：圖示化聚類指示向量y，并根據存在的較明顯的水平線數目決 定聚類分割的實際類別數c；

步驟10：基于K均值聚類算法將聚類指示分量y_i,i＝1,...,N劃分成c個子 集，這些子集即對應原始醫學圖像被分割成的c個不同區域，如此即完成了 基于全表示的醫學圖像快速半監督分割任務。