[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

技術領域

本發明屬于智能醫學圖像分割技術領域，涉及一種基于全表示半監督快 速譜聚類的醫學圖像分割方法，本發明還涉及一種實現該方法的醫學圖像分 割系統。

背景技術

迅速發展的CT、MRI和PET等醫學影像技術不斷推動著現代醫學的進 步，其作用已經從人體組織器官解剖結構的非侵入檢查和可視化，進一步發 展成用于疾病診斷、治療方案設計和治療效果評價的基本工具。醫學臨床實 踐和研究經常需要對人體某種組織和器官的形狀、邊界、截面積及體積進行 測量，從而得出該組織病理或功能方面的重要信息。這里醫學圖象分割系統 及其核心方法發揮著至關重要的作用。醫學圖像分割系統通過內嵌圖像分割 算法根據某種一致性原則將醫學影像圖片劃分成若干區域，從中找出目標組 織對應的區域并進行可視化展現，為醫務人員進行后續定量測繪、定性分析 與判別提供方便，為臨床診斷、療效評估等提供重要參考。

醫學圖像處理具有兩方面特殊性。一方面是醫學圖像本身物理特性：其 對比度通常較低、伴有較多噪聲和偽影；組織和個體差異性導致各組織之間、 組織與病灶之間邊界模糊；不同組織的結構形狀和分布常呈現拓撲復雜性、 不均勻性。另一方面是其現實意義需求，即醫學圖像分割要求分割結果盡可 能符合人體解剖學和病理學意義，這通常依賴于醫務人員的醫學常識和病理 經驗的介入。這些特殊性造成了目前還沒有公認最好的醫學圖像分割算法及 其相應軟硬件系統。

模式識別聚類技術是醫學圖像分割的典型方法之一。針對醫學圖像的自 身特點，一些聚類算法可應用于醫學圖像分割。如適用于處理醫學圖像常見 的模糊性和不確定性的模糊C均值算法；適合處理醫學圖像常見的類不平衡 性的譜聚類算法，如圖論松弛聚類(Graph-basedRelaxedClustering,GRC) 算法，其具有便捷性(聚類結果直觀并多類劃分一次性處理完成)和自適應 性(無需預設總類別數)的顯著優點。此外常用于醫學圖像分割的聚類算法 還有混合模型聚類、神經網絡聚類以及協同聚類等。但這些算法普遍存在著 系統魯棒性欠佳或實時性較差的問題，如分割性能對算法參數設置及噪聲數 據敏感和算法處理大數據集系統開銷很大。

醫學圖像分割要求分割性能可靠、處理時間迅速和良好的人機交互接 口。機器學習領域的半監督聚類技術是實現此目標的有效方法。所謂半監督 聚類就是有參照學習信息的聚類過程。這在醫學圖像分割應用中非常必要， 因為其聚類分割的結果應盡可能符合人體解剖學和病理學意義，而這很大程 度上需要醫務人員的干預和協助。如醫學專家在待處理圖像中預先勾畫出部 分病灶區域，并告知系統其含義，該區域的特征信息經聚類算法智能學習和 利用后可顯著增強系統聚類的整體健壯性和有效性。醫學圖像分割場合，醫 學專家預先給出的參照信息可能包括下列多種情形：①明確醫學圖像中總共 包含的不同組織區域，并圈畫了每個區域的部分樣本；②不明確具體有多少 組織區域，但圈畫了一些區域的樣本；③醫學圖像本身模糊、辨析度欠佳， 醫學專家依據人體解剖學和病理學知識圈畫了部分同屬某組織區域的樣本； ④依據人體解剖學和病理學知識，醫學專家圈畫出若干樣本并指明它們屬于 不同組織。這四種情形正對應半監督聚類的兩種基本形式：基于標記信息 (Labels)的半監督學習和基于成對關聯約束(SideInformation,Must-link或 Cannot-link)的半監督學習。情形①和②屬于標記參照信息，情形③和④則屬 于成對關聯約束信息。

基于譜圖理論的譜聚類技術具有全局最優解并適合各種形狀的數據集， 是目前最被廣泛研究的聚類方法之一。但時間復雜度較高、穩定性較差的通 病是制約其直接應用于醫學圖像分割的主要障礙。近年來融合半監督學習的 譜聚類方法也已被很多學者研究，分別出現了將參照信息用于樣本相似度矩 陣計算、用于樣本距離測度優化及用于架構目標函數正規化等的不同形式。 但這些方法普適性較差，要么基于標記信息進行半監督學習、要么無法處理 成對關聯約束條件、要么需要預設總類別數等等。總之，現有譜聚類技術不 能同時兼容醫學圖像分割的多種參照情形，并普遍欠缺快速處理能力，這對 其實用性是很大的制約。因此，快速、可靠、智能并使用方便的醫學圖像分 割技術仍是生物醫學行業的研究熱點并具有可觀應用前景。