[發明專利]基于機器學習的能量泛函模型的醫學圖像病變區域分割方法

有效

• 申請號: 201911394461.0
• 申請日: 2019-12-30
• 公開（公告）號: CN111192249B
• 公開（公告）日: 2023-06-20
• 發明（設計）人: 方玲玲;趙欣怡
• 申請（專利權）人: 遼寧師范大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11
• 代理公司: 大連非凡專利事務所 21220
• 代理人: 閃紅霞

1.一種基于機器學習的能量泛函模型的醫學圖像病變區域分割方法，其特征在于按照如下步驟進行：

步驟1：初始化Gabor變換的特征數組參數值，將特征數組做置零處理；同時，將輸入醫學圖像的上1/2部分作為測試集，下1/2部分作為訓練集，分別對訓練集中的訓練圖像和測試集中的測試圖像進行Gabor變換，所述Gabor變換的一般表達式如下：

復數形式：

實數部分：

虛數部分：

式(1)、(2)、(3)中，λ代表正弦波波長，θ表示濾波器方向，ψ代表初始相位，σ代表高斯函數的標準差，即尺度寬度，γ代表空間縱橫比，其中x'＝xcosθ+ysinθ，y'＝-xsinθ+ycosθ；

設正弦波的頻率：濾波器的方向：高斯函數標準差：σ_x＝σ_y＝2；ψ＝0；

改變參數σ，θ和f的值，通過三重循環實現不同的參數執行多種Gabor變換，同時進行圖像二維卷積運算，提取訓練圖像和測試圖像的特征信息features；

步驟2：采用glmfit算法構造基于廣義線性機器學習的模型

式(4)中，features為訓練圖像經過Gabor變換提取的特征；trainingAns(:)為二值訓練圖像；'normal'表示該邏輯模型是正態分布；

步驟3：構造基于能量泛函的病變區域分割模型：

利用廣義線性機器學習的模型構建分割醫學圖像病灶區域的能量泛函模型

式(5)中，水平集φ表示醫學圖像病變區域邊界的有符號距離函數；E_smooth(φ)和分別是光滑項和數據項，具體定義如下：

式(6)中：δ_α(·)為正則化的狄克拉函數，權重b與圖像梯度成反比；

式(7)中：c_o和分別表示病變區域灰度均值和學習模型，c_b和代表正常組織區域的灰度均值和學習模型；

最后，求解能量泛函模型取得最小值時對應的水平集形式：

式(8)中t為演化時間步長；

根據梯度下降流方法：