[發明專利]一種基于聚類算法和卷積神經網絡的肺實質提取方法

有效

• 申請號: 201710712015.4
• 申請日: 2017-08-18
• 公開（公告）號: CN107507197B
• 公開（公告）日: 2020-11-24
• 發明（設計）人: 齊守良;徐明杰;楊帆;錢唯
• 申請（專利權）人: 東北大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06K9/34;G06K9/62
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李運萍

本發明提出一種基于聚類算法和卷積神經網絡的肺實質提取方法，本發明采用聚類算法對肺部CT圖像進行預處理，得到CT圖像的肺實質區域和非肺實質區域的數據集，將已知的肺部CT圖像的數據集劃分為訓練集和驗證集，將未知的肺部CT圖像的數據集作為測試集；建立卷積神經網絡模型，采用訓練集和驗證集數據對卷積神經網絡模型進行訓練，得到訓練后的卷積神經網絡模型；將測試集輸入訓練后的卷積神經網絡模型中，得到CT圖像肺實質區域，實現了對未知患者的肺部CT圖像進行肺實質區域提取功能，并對下一階段自動搜尋肺癌區域壘下基礎，有助于下一階段的肺癌提取、分類。

技術領域

本發明屬于醫學圖像處理技術領域，具體涉及一種基于聚類算法和卷積神經網絡的肺實質提取方法。

背景技術

在組織學里，肺組織分為肺實質和肺間質兩部分，肺實質即肺內支氣管的各級分支及其終末的大量肺泡結構，肺間質為結締組織及血管、淋巴管、神經等。為了評估與研究肺容積、肺癌，往往醫生需要第一步知道肺實質情況，肺實質的準確分割作為進一步研究肺內各器官功能的組織及病變，對醫生起著十分重要的作用。

在圖像的研究和應用的過程中，人們往往僅對圖像中的某些部分感興趣。這些部分常稱為目標，他們一般對應圖像中特定的具有獨特性質的區域。為了辨別和分析目標，需要將這些區域分離提取出來，在此基礎上進一步利用。圖像分割就是將圖像分成各具特色的區域并提取出感興趣目標的技術和過程。經典的圖像分割方法如閾值法、區域增長、邊緣檢測、聚類和神經網絡技術等。

閾值分割是最古老的分割技術，也是最簡單實用的。許多情況下，圖像中目標區域與背景區域或者說不同區域之間其灰度值存在差異，此時可以將灰度的均一性作為依據進行分割，通常受噪聲影響較大。

邊緣檢測算法比較適合邊緣灰度值過渡比較顯著且噪聲較小的簡單圖像的分割。對于邊緣比較復雜以及存在較強噪聲的圖像，則面臨抗噪性和檢測精度的矛盾。若提高檢測精度，則噪聲產生的偽邊緣會導致不合理的輪廓：若提高抗噪性，則會產生輪廓漏檢和位置偏差。

聚類分析是模式識別中非監督模式識別的一個重要分支。根據數據集合的內部結構將其分成不同的類別，使得同一類內樣本的特征盡可能相似，而屬于不同類別的樣本點的差異盡可能大。

基于神經網絡的分割方法的基本思想是通過訓練多層感知機來得到線性決策函數，然后用決策函數對像素進行分類來達到分割的目的。這種方法需要大量的訓練數據。神經網絡存在巨量的連接，容易引入空間信息，能較好地解決圖像中的噪聲和不均勻問題。選擇何種網絡結構是這種方法要解決的主要問題。

綜上所述，目前已提出的分割方法大都針對具體問題，且各有所長，并沒有一種通用標準。針對肺實質分割，本發明提出了一種利用聚類生成數據訓練的卷積神經網絡，無閾值的自動化分割肺實質區域，高效且準確。

發明內容

針對現有技術的不足，本發明提出一種基于聚類算法和卷積神經網絡的肺實質提取方法。

一種基于聚類算法和卷積神經網絡的肺實質提取方法，包括以下步驟：

步驟1：采用聚類算法對肺部CT圖像進行預處理，得到CT圖像的肺實質區域和非肺實質區域的數據集，將已知的肺部CT圖像的數據集劃分為訓練集和驗證集，將未知的肺部CT圖像的數據集作為測試集；

步驟1.1：將肺部CT圖像進行標準化處理，對標準化后的肺部CT圖像進行分割，分割為尺寸為A的圖像小塊；

步驟1.2：采用Kmeans算法分別對尺寸為A的圖像小塊的CT值平均值和CT值最小值進行聚類，將其聚類為低密度組織和高密度組織兩類；

步驟1.3：將對圖像小塊的CT值平均值的聚類結果和圖像小塊的CT值最小值的聚類結果進行十字檢驗，去除CT圖像的背景區域；