[發(fā)明專利]基于隨機森林和模糊聚類的肝癌圖像全自動分割方法

在審

• 申請?zhí)枺?/td>: 201711120868.5
• 申請日: 2017-11-14
• 公開（公告）號: CN107845098A
• 公開（公告）日: 2018-03-27
• 發(fā)明（設計）人: 楊孝平;劉芳;馬駿;李淵強;吳宇靂;張夢璐
• 申請（專利權）人: 南京理工大學
• 主分類號: G06T7/10
• 分類號: G06T7/10
• 代理公司: 南京理工大學專利中心32203
• 代理人: 王瑋

技術領域

本發(fā)明屬于醫(yī)學圖像處理處理領域，具體的說涉及CT(計算機斷層掃描)圖像中肝臟腫瘤的分割。

背景技術

肝臟是人體內以代謝功能為主的一個器官，在身體里面起著新陳代謝、儲存肝糖、生物轉化等重要作用。但肝臟也是病變高發(fā)的部位，肝癌可以分為原發(fā)性肝癌和轉移性肝癌兩大類，對身體危害極大，而且病變多樣。CT (計算機斷層掃描) 技術是目前臨床最常用的肝癌影像學診斷技術之一，通過CT掃描，醫(yī)生可以獲得一系列不同時期（平掃期、靜脈期、動脈期和延遲期）的肝臟的二維CT切片。臨床醫(yī)生在根據病人的CT影像制定手術計劃時需要確定腫瘤的位置、大小和數量等信息，如果由醫(yī)生手工分割病灶，非常耗時耗力，因此需要開發(fā)計算機輔助的肝癌自動分割算法。已有的最新技術（CN 105931224 A 基于隨機森林算法的肝臟平掃CT圖像病變識別方法）只有識別功能，僅適用于平掃期的肝臟CT圖像，臨床應用范圍有限，而且從圖像中識別病灶過程中，沒有通過圖像預處理來去除圖像中固有的噪聲，從而可能會影響后續(xù)的識別效果。臨床肝癌的CT診療過程中通常會產生四期：平掃期、靜脈期、動脈期和延遲期的圖像，如何建立一個魯棒的算法能同時處理四期的肝癌CT圖像，從中分割出肝臟腫瘤，仍然是一個需要解決的重要問題。

發(fā)明內容

本發(fā)明要解決的技術問題是提供一種能適用于臨床中不同時期的肝癌CT圖像，而且可以直接得到腫瘤分割結果的全自動方法。

為了達到上述目的，本發(fā)明提供一種基于隨機森林和模糊聚類的肝癌CT圖像全自動分割方法，包括下述步驟：步驟一：通過曲率濾波對原始的肝臟CT圖像進行預處理，去除其中的噪聲和灰度不均勻，并且保持邊界；步驟二：利用圖像的金標準，從步驟一預處理后的圖像中提取肝臟、腫瘤和背景三類圖像，并使得三類圖像的樣本數量相同；步驟三：分別提取三類圖像的灰度特征和紋理特征，并通過計算每個特征的信息增益率選出前30%最具有區(qū)分度的特征；步驟四：將步驟三中的特征向量輸入到隨機森林中訓練，通過調整隨機森林中樹的棵樹和最大深度，選出訓練效果最好的隨機森林；步驟五：用訓練好的隨機森林分類器對待分割的圖像逐個像素點進行判斷，將圖像分為正常肝臟、腫瘤和背景；步驟六：對步驟五中的粗分割結果進一步改進，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)學閉算子填充空洞；步驟七： 對步驟六中的結果進行模糊聚類，從中取出灰度值較小的結果作為腫瘤，用形態(tài)學開算子去除小的干擾得到最終腫瘤分割結果。

進一步地，在步驟一中，采用曲率濾波來進行預處理，比經典的高斯濾波、均值濾波等去噪效果更好，其有益效果是保持邊緣不模糊，而且速度很快。

進一步地，在步驟二中，利用金標準將肝臟CT圖像分為三類，其中標簽1對應正常肝臟，標簽2對應腫瘤，標簽3對應背景，并通過隨機抽樣使得三類樣本數量相同，其有益效果是構建了可以提取特征的樣本庫。

進一步地，在步驟三中，分別提取了三類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準差。通過計算每個特征的信息增益率選出部分具有較大區(qū)分度的特征，其有益效果是得到具有強區(qū)分度的特征池。

進一步地，在步驟四中，不斷做嘗試，選出隨機森林訓練效果最佳的樹的棵數和樹的深度，其有益效果是得到分類性能最好的分類器。

進一步地，在步驟七中，通過模糊聚類和形態(tài)學算子處理的方法，其有益效果是得到了更為精確的腫瘤分割結果。

本發(fā)明與現有技術相比，其顯著優(yōu)點：1）引入曲率濾波作為預處理，比傳統的濾波器去噪效果更好，計算速度快，而且能保持邊緣不被模糊，從而有效的提升了后續(xù)分割過程的魯棒性和精準度； 2）綜合考慮了不同尺度全面的灰度和紋理特征，并進行了特征篩選，使得通過提取的特征訓練得到的分類器精度更高，適用范圍更廣；3）綜合運用了隨機森林和模糊聚類的方法，能處理多時期不同的肝癌CT圖像，整個分割過程全自動，不需要人工干預，也無需調整參數，魯棒性高。

附圖說明

圖1為本發(fā)明具體實施流程圖。

圖2為示例原圖和曲率濾波去噪后的結果。(a) 原圖，(b) 去噪結果圖。

圖3為隨機森林分類得到感興趣區(qū)域以及模糊聚類的結果。

圖4為在模糊聚類基礎上形態(tài)學處理的結果。

圖5為其他示例的分割結果。

具體實施方式