[發(fā)明專利]一種對(duì)肺部CT圖像感興趣區(qū)域的追蹤方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710474116.2
• 申請(qǐng)日: 2017-06-21
• 公開（公告）號(hào): CN107194929B
• 公開（公告）日: 2020-09-15
• 發(fā)明（設(shè)計(jì)）人: 趙涓涓;楊佳玲;強(qiáng)彥;強(qiáng)薇;王華
• 申請(qǐng)（專利權(quán)）人: 太原理工大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06K9/32;G06K9/62
• 代理公司: 北京恒創(chuàng)益佳知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11556
• 代理人: 宋華

本發(fā)明公開了一種基于深度信念網(wǎng)絡(luò)的肺結(jié)節(jié)分類方法，包括以下步驟：首先對(duì)肺部CT圖像進(jìn)行預(yù)處理，即運(yùn)用基于超像素的追蹤方法獲取肺部圖像的感興趣區(qū)域；然后根據(jù)追蹤后得到的特定數(shù)據(jù)集，自定義一個(gè)5層的深度信念網(wǎng)絡(luò)(DBN)，有效實(shí)現(xiàn)對(duì)結(jié)節(jié)的分類。本發(fā)明的方法首先通過對(duì)CT圖像進(jìn)行追蹤，獲得感興趣區(qū)域，大大削弱了CT圖像中除肺實(shí)質(zhì)外多余信息的干擾，降低了深度學(xué)習(xí)應(yīng)用于肺部疾病診斷的復(fù)雜性；采用自定義的深度信念網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)肺結(jié)節(jié)特征的自動(dòng)提取與良惡性分類工作，并通過實(shí)驗(yàn)優(yōu)化各個(gè)參數(shù)，減少了手動(dòng)提取特征的主觀性，有效實(shí)現(xiàn)對(duì)結(jié)節(jié)的診斷。

技術(shù)領(lǐng)域

本發(fā)明涉及醫(yī)學(xué)圖像處理領(lǐng)域，具體涉及一種對(duì)肺部CT圖像感興趣區(qū)域的追蹤方法。

背景技術(shù)

由于結(jié)節(jié)外形的多樣性以及特征的復(fù)雜性，在一定程度上會(huì)導(dǎo)致結(jié)節(jié)的過分割，過分割導(dǎo)致了有效信息的丟失，直接影響診斷的準(zhǔn)確度。但如果將原始CT圖像(512*512大小)作為任何學(xué)習(xí)網(wǎng)絡(luò)的輸入，其學(xué)習(xí)過程的復(fù)雜性是不可想象的，甚至是無法完成的。追蹤算法可以快速定位出肺部感興趣區(qū)域，有效削弱了CT圖像中除肺實(shí)質(zhì)外多余信息的干擾，降低了深度學(xué)習(xí)應(yīng)用于肺部疾病診斷的復(fù)雜性。且傳統(tǒng)的分類方法BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SVM)、自生成神經(jīng)網(wǎng)絡(luò)(SGNN)等，需人工提取特征，由于不同的人有不同的主觀標(biāo)準(zhǔn)，這樣提取的特征集相差很大，且分類器結(jié)構(gòu)簡(jiǎn)單，無法運(yùn)用于大樣本數(shù)據(jù)集。深度信念網(wǎng)絡(luò)擁有多層非線性結(jié)構(gòu)層，學(xué)習(xí)過程由有監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)交替完成，對(duì)復(fù)雜數(shù)據(jù)關(guān)系有極強(qiáng)的非線性映射能力。鑒于此，本發(fā)明將基于超像素的圖像追蹤與深度信念網(wǎng)絡(luò)引入擁有大數(shù)據(jù)樣本集的肺結(jié)節(jié)良惡性診斷中。

發(fā)明內(nèi)容

本發(fā)明針對(duì)肺部圖像大數(shù)據(jù)樣本集，以及現(xiàn)有技術(shù)的不足提供一種一種對(duì)肺部CT圖像感興趣區(qū)域的追蹤方法。

本發(fā)明采用的技術(shù)方案為：

一種對(duì)肺部CT圖像感興趣區(qū)域的追蹤方法，包括以下步驟：

步驟A，獲取肺實(shí)質(zhì)的外觀模板；對(duì)肺部CT圖像進(jìn)行超像素分割，使用Mean Shift聚類算法對(duì)分割得到的超像素塊進(jìn)行聚類，并計(jì)算每個(gè)類的置信值；這樣得到基于超像素的肺實(shí)質(zhì)模板；

步驟B，對(duì)待追蹤圖像中的肺實(shí)質(zhì)進(jìn)行追蹤，獲取肺部感興趣區(qū)域；通過每個(gè)類別的置信值，建立待追蹤圖像的置信圖，在粒子濾波框架下，采用自適應(yīng)大小的追蹤窗口對(duì)待追蹤圖像中的肺實(shí)質(zhì)進(jìn)行追蹤，獲得肺部感興趣區(qū)域；

所述步驟B具體過程如下：

B1、建立待追蹤圖像的置信圖；

在t時(shí)刻，待追蹤的序列圖像中新一張CT到來時(shí)，首先對(duì)肺實(shí)質(zhì)的周圍區(qū)域進(jìn)行超像素分割，周圍區(qū)域的大小取t-1時(shí)刻目標(biāo)區(qū)域面積的1.2倍；分割后得到的超像素置信值取決于兩個(gè)因素：超像素屬于哪個(gè)類別，超像素到其所屬聚類中心的距離；當(dāng)前超像素屬于特征空間中的某一類別clu(i)，則可由該類別的目標(biāo)-背景置信值來確定該超像素是目標(biāo)還是背景；若當(dāng)前超像素離聚類中心fc(i)的距離越遠(yuǎn)，則該超像素屬于該類別的可能性越小；反之則越大；

其中，r_c(i)為聚類的半徑，和f_c(i)分別為超像素的特征向量和聚類中心的特征向量；在得到每個(gè)超像素的置信值后，每個(gè)像素點(diǎn)的置信值等于其所屬的超像素的置信值，將沒有進(jìn)行超像素分割區(qū)域的全部像素點(diǎn)的置信值置為-1；這樣就得到整張CT中所有像素點(diǎn)的置信值，得到每個(gè)像素的置信值后，為新CT建立置信圖；

B2、追蹤窗口自適應(yīng)變化的肺實(shí)質(zhì)定位；

運(yùn)動(dòng)模板服從高斯分布，即：

p(X_t|X_t-1)＝N(X_t；X_t-1,ψ)