[發明專利]基于細粒度醫學圖像分割與真值發現數據擴增的垂體瘤質地影像分級方法

有效

• 申請號: 201911034473.2
• 申請日: 2019-10-29
• 公開（公告）號: CN110738662B
• 公開（公告）日: 2022-02-15
• 發明（設計）人: 朱紅;徐凱;方謙昊;王琳;吳佳偉;姜代紅
• 申請（專利權）人: 徐州醫科大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T7/00;G06V10/762;G06V10/82;G06K9/62
• 代理公司: 南京燦爛知識產權代理有限公司 32356
• 代理人: 趙麗

本發明公開了一種基于細粒度醫學圖像分割與真值發現數據擴增的垂體瘤質地影像分級方法，包括如下步驟：步驟一：基于細粒度優化果蠅?密度峰值聚類的醫學圖像分割；步驟二：基于真值發現的垂體瘤數據擴增；步驟三：基于步驟一和步驟二的垂體瘤質地影像分級。本發明通過細粒度劃分算法和FOA?DPC算法相融合，對醫學圖像進行精準分割；本發明還實現了基于真值發現理論的醫學影像數據擴增，解決可用醫學圖像數據集過少的問題。本發明將KFOA?DPC分割算法與深度學習相結合，解決dicom格式圖像灰度龐雜且特征不易提取的問題，實現垂體瘤質地軟韌的分級，輔助臨床診斷。

技術領域

本發明涉及一種垂體瘤質地影像分級方法，具體涉及一種基于細粒度醫學圖像分割與真值發現數據擴增的垂體瘤質地影像分級方法，屬于醫學圖像處理技術領域。

背景技術

垂體瘤是一組從垂體前葉和后葉及顱咽管上皮殘余細胞發生的腫瘤，十分頻發，約占顱內腫瘤的10％。垂體瘤的質地軟韌影響手術治療的入路以及手術方案，目前隨著微創技術的發展，經蝶竇入路的微創手術已經成為首選的治療方法，但其僅適應于質地較軟的垂體瘤，而對于一小部分質地較韌或者較硬的垂體瘤，采用蝶竇手術入路難以刮除，需要切割甚至反復電凝才能切除。目前對于術前腫瘤質地評估具有一定的困難，因此，術前對腫瘤質地的評估對手術入路的選擇以及手術療效具有重要的意義。

醫學圖像分割是醫學圖像處理中的重要手段，通過醫學圖像分割得到醫學圖像中的ROI(Regina of Interest，感興趣區域)，醫務人員可以更快更準確地進行臨床診斷。傳統的醫學圖像分割算法有很多種，大致可分為基于邊緣、基于閾值、結合特定理論和基于聚類的圖像分割算法這四類。密度峰值(Density Peaks Clustering，DPC)算法由Rodrigues等人在2014年提出，該算法能夠快速尋找到圖像上的密度峰值點，且不需要迭代。但是，該算法有一定的局限性：參數截斷距離dc需要事先人為決定，而在沒有先驗知識的情況下很難直接給定合適的值。此外，通過簡單的定性分析，基于(ρ_i，δ_i)決策圖(decision graph)去人工選取聚類中心點，具有主觀隨意性。

醫學圖像處理對輔助診斷治療有著重要的意義，常用的醫學圖像處理方法主要有醫學圖像分割、醫學圖像配準、醫學圖像融合等。但隨著大數據時代的到來，以及醫學影像設備更加多樣化，醫學圖像的數量也越來越多，僅僅依靠傳統的圖像分割等方法無法充分挖掘海量醫學圖像中的信息。近年來發展迅速的深度學習方法為我們在解決相關問題上提供了新的思路。深度學習是機器學習的新領域，通過分析模擬生物的神經網絡原理，能夠不斷學習獲取特征，充分挖掘并、處理和表達數據所蘊含的信息。

論文《Medical Image Segmentation Using Fruit Fly Optimization andDensity Peaks Clustering》為發明人之前提出的一種基于果蠅優化密度峰值FOA-DPC算法，將群智能算法與密度峰值相結合，自適應尋找最優參數。首先使用變量量化表示聚類中心個數，將截斷距離dc和聚類中心數k作為決策變量，使之對應果蠅優化算法中的X軸和Y軸，對這兩個參數進行迭代尋優，關鍵在于構建味道濃度函數(也稱適應度函數)來篩選子代中的最優解，然后使用隨機步長取代果蠅算法中固定步長，避免陷入局部最優；最后，采用果蠅算法迭代計算圖像熵值得到最佳氣味濃度值的方法優化選擇截斷距離(Cut-offDistance，dc)和聚類中心，實現圖像分割。仿真實驗表明該算法能夠自適應分割醫學圖像，定量和定性分析結果較好。

一方面，由于醫學圖像DICOM格式圖片灰度級別大，達到幾千至上萬的灰度級，以上提出的FOA-DPC算法，在對灰度聚類過程中，迭代尋優選取截斷距離dc和聚類中心數k，容易出現早熟收斂，陷入局部最優。另一方面，以上FOA-DPC算法在處理醫學圖像灰度級的聚類過程中沒有細化灰度級，使用計算灰度值直方圖的方法進而獲得各個灰度級所出現的頻率，由于標準醫學圖像格式DICOM灰度級眾多，簡單的硬性劃分不夠準確。