[發(fā)明專(zhuān)利]基于隨機(jī)森林和模糊聚類(lèi)的肝癌圖像全自動(dòng)分割方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201711120868.5
• 申請(qǐng)日: 2017-11-14
• 公開(kāi)（公告）號(hào): CN107845098A
• 公開(kāi)（公告）日: 2018-03-27
• 發(fā)明（設(shè)計(jì)）人: 楊孝平;劉芳;馬駿;李淵強(qiáng);吳宇靂;張夢(mèng)璐
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南京理工大學(xué)
• 主分類(lèi)號(hào): G06T7/10
• 分類(lèi)號(hào): G06T7/10
• 代理公司: 南京理工大學(xué)專(zhuān)利中心32203
• 代理人: 王瑋

1.一種基于隨機(jī)森林和模糊聚類(lèi)的肝癌CT圖像全自動(dòng)分割方法，其特征在于，包括下述步驟：

步驟一：通過(guò)曲率濾波對(duì)原始的肝臟CT圖像進(jìn)行預(yù)處理，去除其中的噪聲和灰度不均勻，并且保持圖像中原有邊界清晰；

步驟二：利用肝癌CT圖像分割的金標(biāo)準(zhǔn)，從步驟一預(yù)處理后的圖像中提取肝臟、腫瘤和背景三類(lèi)圖像，并使得三類(lèi)圖像的樣本數(shù)量相同；

步驟三：分別提取三類(lèi)圖像的灰度特征和紋理特征，并通過(guò)計(jì)算每個(gè)特征的信息增益率選出前30%-50%最具區(qū)分度的特征；

步驟四：將步驟三中選出的特征向量輸入到隨機(jī)森林中訓(xùn)練，通過(guò)調(diào)整隨機(jī)森林中樹(shù)的棵數(shù)和最大深度，得到訓(xùn)練效果最優(yōu)的隨機(jī)森林分類(lèi)器；

步驟五：用訓(xùn)練好的隨機(jī)森林分類(lèi)器對(duì)要分割的圖像逐個(gè)像素點(diǎn)進(jìn)行判斷，將圖像分為正常肝臟、腫瘤和背景三部分；

步驟六：對(duì)步驟五中的粗分割結(jié)果進(jìn)一步改進(jìn)，將粗分割得到的肝臟和腫瘤合并，取出最大的連通區(qū)域，用形態(tài)學(xué)閉算子填充空洞；

步驟七： 對(duì)步驟六中的結(jié)果進(jìn)行基于灰度值的模糊聚類(lèi)，從中取出灰度值最小的部分作為腫瘤，用形態(tài)學(xué)開(kāi)算子去除小的孤立點(diǎn)得到最終腫瘤分割結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于隨機(jī)森林和模糊聚類(lèi)的肝癌CT圖像全自動(dòng)分割方法，其特征在于，所述的步驟一中采用曲率濾波來(lái)進(jìn)行預(yù)處理。

3.根據(jù)權(quán)利要求1所述的基于隨機(jī)森林和模糊聚類(lèi)的肝癌CT圖像全自動(dòng)分割方法，其特征在于：在所述的步驟三中，采用兩種不同的窗口提取三類(lèi)圖像的灰度特征和紋理特征，其中灰度特征包括局部區(qū)域灰度的加和以及均值；紋理特征包括灰度共生矩陣、局部二值模式、Gabor濾波、Robert特征、Hog特征、Haar-like特征、局部熵、局部灰度范圍和局部標(biāo)準(zhǔn)差。