[發(fā)明專利]一種基于BEC預(yù)測(cè)模型的圖像分割方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811028708.2
• 申請(qǐng)日: 2018-09-01
• 公開(kāi)（公告）號(hào): CN109493312B
• 公開(kāi)（公告）日: 2021-10-26
• 發(fā)明（設(shè)計(jì)）人: 張?zhí)祚Y;張菁;陳仲怡;李騰飛
• 申請(qǐng)（專利權(quán)）人: 哈爾濱工程大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/136;G06K9/62
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明提供一種基于BEC預(yù)測(cè)模型的圖像分割方法，通過(guò)建立應(yīng)用于圖像分割的SVM模型，然后基于BEC理論引入BEC公式以代替SVM的高斯核函數(shù)，簡(jiǎn)化BEC核函數(shù)中常數(shù)的值，得到大腦神經(jīng)膠質(zhì)瘤圖像分割的預(yù)測(cè)模型，進(jìn)行實(shí)際圖像分割。本發(fā)明模型新穎，與傳統(tǒng)的圖像分割方法相比有較低的時(shí)間復(fù)雜度和更高的效率，BEC核函數(shù)基于量子力學(xué)中的BEC理論，較高斯核函數(shù)更為新穎，更符合自然規(guī)律，BEC核函數(shù)是n次冪指數(shù)的函數(shù)，高斯核函數(shù)是2n次冪指數(shù)的函數(shù)，計(jì)算上有著先天的低復(fù)雜度與高效率的優(yōu)勢(shì)。

技術(shù)領(lǐng)域

本發(fā)明屬于醫(yī)學(xué)圖像分割技術(shù)領(lǐng)域，具體涉及一種基于BEC預(yù)測(cè)模型的圖像分割方法。

背景技術(shù)

玻色-愛(ài)因斯坦凝聚(Bose–Einstein Condensate，BEC)是由玻色和愛(ài)因斯坦發(fā)現(xiàn)的量子 基態(tài)，它描述了在冷卻到極低溫度(量子臨界點(diǎn))時(shí)，玻色子原子的統(tǒng)計(jì)分布。在主流量子 理論中，BEC被認(rèn)為是波函數(shù)坍塌的實(shí)驗(yàn)證明，它證明了疊加態(tài)的特征態(tài)坍塌成單一物質(zhì)狀 態(tài)，而且疊加坍塌的量子主流理論與微觀粒子有關(guān)。

現(xiàn)有的圖像分割方法主要分以下幾類：基于閾值的分割方法、基于區(qū)域的分割方法、基 于邊緣的分割方法以及基于特定理論的分割方法等。在大腦圖像分割中，輸入的大腦圖像是 已知的，例如神經(jīng)膠質(zhì)瘤的圖像形狀特征是一個(gè)不清晰的輪廓，最多可見(jiàn)的囊性或環(huán)增強(qiáng)， 可以通過(guò)人工觀察來(lái)判斷分割目標(biāo)輪廓的精度。然而，輸入和輸出階段之間的分割過(guò)程不是 一個(gè)固定的過(guò)程，而是通過(guò)預(yù)測(cè)或應(yīng)用從其他研究領(lǐng)域借鑒的理論來(lái)實(shí)現(xiàn)的。

神經(jīng)膠質(zhì)瘤是一種被認(rèn)為是由刺激性因素引起的腫瘤，如輻射、核、化學(xué)和微生物污染 以及電磁輻射。基于發(fā)現(xiàn)玻色-愛(ài)因斯坦凝聚(Bose–Einstein Condensate，BEC)的進(jìn)展與膠 質(zhì)瘤腦腫瘤的形成之間的關(guān)系，腫瘤細(xì)胞可以用量子力學(xué)理論來(lái)模擬。

圖像評(píng)估參數(shù)P(Precision，準(zhǔn)確率)、R(Recall，召回率)和F(F-measure，正確率和 召回率的調(diào)和平均值)用于評(píng)估和比較測(cè)試結(jié)果中的一致性、準(zhǔn)確性和靈敏度。一個(gè)完美的 圖像分割方法應(yīng)該能產(chǎn)生1的P值，1的R值和1的F值。即所有的前臺(tái)像素都在測(cè)試中被正確地分類，并且這個(gè)度量大約是當(dāng)它們相似的時(shí)候的平均值。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供了一種基于BEC預(yù)測(cè)模型的圖像分割方法，使圖像分割更符合自 然規(guī)律，有較低的時(shí)間復(fù)雜度和更高的效率。

本發(fā)明的目的是這樣實(shí)現(xiàn)的：

一種基于BEC預(yù)測(cè)模型的圖像分割方法，具體的實(shí)現(xiàn)步驟如下：

步驟1.建立應(yīng)用于圖像分割的SVM模型；

步驟2.基于BEC理論引入BEC公式以代替SVM的高斯核函數(shù)；

步驟3.簡(jiǎn)化BEC核函數(shù)中常數(shù)的值，得到大腦神經(jīng)膠質(zhì)瘤圖像分割的預(yù)測(cè)模型，進(jìn)行實(shí) 際圖像分割。

步驟2所述的BEC公式為量子力學(xué)中玻色-愛(ài)因斯坦凝聚，Bose–EinsteinCondensate， BEC理論的演變過(guò)程與腫瘤神經(jīng)膠質(zhì)瘤生成原因的相似性生成的。

步驟2所述的BEC核函數(shù)的公式為：

其中，x₁-x₂表示圖像中的一個(gè)節(jié)點(diǎn)像素，K_B表示玻耳茲曼常數(shù)，K_B＝1.3806488×10^-23(J/K)， 參數(shù)T表示BEC溫度，μ表示化學(xué)勢(shì)。

步驟3所述的大腦圖像分割預(yù)測(cè)模型公式為：

其中，x₁-x₂表示一個(gè)節(jié)點(diǎn)的位置，T表示粒子的溫度，μ表示化學(xué)勢(shì)，,參數(shù)T和μ是根據(jù) 圖像的類型而固定。