[發明專利]一種基于訓練樣本優化的骨骼抑制方法

有效

• 申請號: 201410363852.7
• 申請日: 2014-07-29
• 公開（公告）號: CN104166994B
• 公開（公告）日: 2017-04-05
• 發明（設計）人: 張國棟;吳海萍;郭薇
• 申請（專利權）人: 沈陽航空航天大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/44
• 代理公司: 沈陽火炬專利事務所(普通合伙)21228
• 代理人: 李福義

1.一種基于訓練樣本優化的骨骼抑制方法，其步驟如下：

步驟一：根據圖像灰度與形狀信息的對肺區進行分割，即建立肺輪廓的先驗模型，利用灰度與形狀相似性信息結合圖像特征對肺區域分割；

步驟二：采用B樣條小波變換和N-jet進行特征提取，提取有效描述不同尺度骨骼的特征圖像；

步驟三：使用Q型因子分析法對樣本進行處理，其過程如下：

1、采用Q型因子分析對大樣本數據進行預處理，提取特征圖像的觀測數據矩陣X；

2、對數據矩陣X進行按列標準化，采用零均值標準差標準化的方法；

3、求出樣本間的相似系數矩陣Q；

記第i個樣本和第j個樣本的觀測p次測試值為n維空間中的兩個點，則坐標原點分別到這兩個點的n維空間向量間夾角的余弦值為相似系數，其計算公式如下：

qij=Σk=1pxkixkjΣk=1pxki2Σk=1pxkj2(i,j=1,2,...,n)---(3);]]>

所有相似系數構成的矩陣為相似系數矩陣；

4、求相似系數矩陣Q的特征值和相應的特征向量；

假設Q的n個特征值為λ₁,λ₂,…,λ_n，且λ₁≥λ₂≥…≥λ_n，對應的單位正交特征向量為μ₁,μ₂,…,μ_n，在n個樣本中選擇m個樣本(m<n)來代表這組觀測樣本，n個樣本中除m個樣本外的樣本由選定的m個樣本線性組合表示；各個特征值的大小代表各個因子的方差在總方差中所占的比例；η_m為累計貢獻率，其由下式表示：

ηm=Σi=1mλiΣi=1nλi]]>

5、求出初始因子載荷矩陣A；

其中a_ij表示第i個樣本與第j個公因子的相似系數；

6、因子旋轉；采用方差最大正交旋轉，所述正交旋轉是指坐標軸始終保持90度角旋轉，得到因子載荷矩陣G，其表示為：

G＝(g_ij),g_ij＝b_ij×h_i

式中，i＝1,…,n,j＝1,…,m；b_ij＝a_ij/h_i。

7、根據因子載荷矩陣G，從原始的樣本中按照比例選出具有代表性的樣本集；

步驟四：使用BP神經網絡預測骨骼圖像，建立特征圖像與DES肋骨圖像之間的預測模型；

假設由輸入層、隱含層和輸出層構成的三層BP神經網絡，輸入節點x_i，隱含層節點y_j，輸出節點z_l；輸入節點與隱含層節點間的網絡權值為w_ji，隱含層節點與輸出節點的網絡權值為O_lj，當輸出節點的期望輸出為t_l時，BP模型的計算公式為：

隱含層檢點的輸出

yj=f(Σiwjixi-θj)=f(netj)]]>

其中，netj=Σiwjixi-θj]]>

輸出節點的計算輸出

zl=f(Σjoljyj-θl)=f(netl)]]>

其中，netl=Σjoljyj-θl]]>

輸出節點的誤差公式

E=12Σl(tl-zl)2=12Σl(tl-f(Σjoljyj-θl))2=12Σl(tl-f(Σjoljf(Σiwjixi-θj)-θl))2]]>

步驟五、對正常胸片與預測的骨骼圖像做圖像減法來預測軟組織圖像，建立預測模型后，可以根據特征圖像的灰度值分布來預測產生骨結構圖像在特征圖像中減去預測獲得的骨骼圖像就可以獲得軟組織圖像。