一種基于特征擴(kuò)散的ct圖像腫瘤組織提取方法
【專利摘要】本發(fā)明公開了一種基于特征擴(kuò)散的CT圖像腫瘤組織提取方法，主要解決CT圖像腫瘤組織提取問題。其過程為:獲取目標(biāo)CT圖片并加入特征點(diǎn)，在整幅CT圖像范圍內(nèi)利用特征點(diǎn)之間的距離對(duì)所有像素點(diǎn)進(jìn)行擴(kuò)散，囊括更多能代表腫瘤組織的像素點(diǎn)，形成一個(gè)先驗(yàn)的特征點(diǎn)集合,在該點(diǎn)集合的指導(dǎo)下對(duì)CT圖像進(jìn)行聚類，實(shí)現(xiàn)CT圖像腫瘤組織的提取。本發(fā)明具有人工參與度高和腫瘤組織提取準(zhǔn)確率高的優(yōu)點(diǎn)，可用于CT圖像腫瘤組織提取。
【專利說明】一種基于特征擴(kuò)散的CT圖像腫瘤組織提取方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于醫(yī)學(xué)圖像處理領(lǐng)域，涉及特征擴(kuò)散的譜聚類用于CT腫瘤組織提取方 法，具體涉及一種基于特征擴(kuò)散的CT圖像腫瘤組織提取方法。

【背景技術(shù)】
[0002] CT圖像的組織提取是近年來醫(yī)學(xué)圖像處理領(lǐng)域研究的一個(gè)熱點(diǎn)問題，現(xiàn)有的基于 譜聚類的提取方法是通過人工加入特征點(diǎn)作為先驗(yàn)信息，在譜聚類方法中起指導(dǎo)作用，以 獲取更好的腫瘤組織提取效果。然而，這種方法存在以下弊端：加入過少的特征點(diǎn)將不能 達(dá)到理想的提取效果，加入特征點(diǎn)過多的話將影響方法的運(yùn)行速度。所以，如何在不犧牲 計(jì)算速度的前提下提高CT圖像腫瘤組織提取精度是目前醫(yī)學(xué)圖像處理領(lǐng)域的一個(gè)熱點(diǎn)問 題。另外，目前的提取技術(shù)基本上是無人工參與的，這就使得腫瘤組織提取完全依賴機(jī)器的 判斷，缺少人為導(dǎo)向，造成了較大的誤差。綜上所述，目前傳統(tǒng)的CT圖像的病灶組織提取存 在以下缺點(diǎn)或不足：
[0003] 1、人工參與性低，腫瘤組織提取效果缺少人為導(dǎo)向；
[0004] 2、特征點(diǎn)個(gè)數(shù)固定，不能擴(kuò)散，腫瘤組織提取精度較差。


【發(fā)明內(nèi)容】

[0005] 為了克服上述現(xiàn)有技術(shù)存在的缺陷，本發(fā)明的目的在于提供一種基于特征擴(kuò)散的 CT圖像腫瘤組織提取方法，該方法能夠在不影響運(yùn)行速度的前提下，有效提高CT圖像腫瘤 組織提取的準(zhǔn)確度。
[0006] 本發(fā)明是通過以下技術(shù)方案來實(shí)現(xiàn)：
[0007] -種基于特征擴(kuò)散的CT圖像腫瘤組織提取方法，包括以下步驟：
[0008] 1)獲取目標(biāo)CT圖像，并輸入CT圖像對(duì)應(yīng)的數(shù)據(jù)集，分別計(jì)算數(shù)據(jù)集中各個(gè)點(diǎn)的尺 度參數(shù)和數(shù)據(jù)集的相似度矩陣，然后加入若干代表腫瘤組織的特征點(diǎn)，并獲取這些特征點(diǎn) 對(duì)應(yīng)源圖像的坐標(biāo)；
[0009] 2)求取上述特征點(diǎn)對(duì)應(yīng)CT圖像中元素對(duì)應(yīng)值的平均值，并從CT圖像中提取前若 干個(gè)數(shù)值與平均值最為接近的點(diǎn)作為輔助特征點(diǎn)，并將這些輔助特征點(diǎn)加入特征點(diǎn)集用于 輔助原始特征點(diǎn)；
[0010] 3)將矩陣中的特征點(diǎn)對(duì)應(yīng)位置的值修正為1，代表該位置的點(diǎn)屬于正常組織或腫 瘤組織的概率為1，然后求取修改后的相似度矩陣對(duì)應(yīng)的拉普拉斯矩陣并進(jìn)行特征分解，得 到若干特征向量；
[0011] 4)在步驟3)所得的特征向量中任意選取兩個(gè)點(diǎn)作為聚類的初始聚類中心，分別 計(jì)算兩列特征向量中任意一點(diǎn)與上述兩個(gè)初始聚類中心的距離，并按距離遠(yuǎn)近將特征向量 中的點(diǎn)劃分為兩類；計(jì)算這兩類點(diǎn)的點(diǎn)群中心，記為A和B，將A和B更新為聚類中心，重新 計(jì)算特征向量中的點(diǎn)與A和B的距離，根據(jù)距離遠(yuǎn)近將特征向量的點(diǎn)重新劃分為兩類（即 更新點(diǎn)群中心），重復(fù)選定點(diǎn)群中心和根據(jù)距離劃分點(diǎn)集的操作，直到兩類點(diǎn)的點(diǎn)群中心固 定不變，停止循環(huán)，最終將特征向量中的點(diǎn)劃分成兩類，得到最終的聚類結(jié)果，該兩類點(diǎn)集 聚類劃分了腫瘤組織和正常組織，實(shí)現(xiàn)腫瘤組織圖像的提取。
[0012] 步驟1)具體包括：
[0013] (1)輸入CT圖像對(duì)應(yīng)的數(shù)據(jù)集X = {Xl，x2,...，xn} e Rd，Xi表示數(shù)據(jù)集中的任意 點(diǎn)，i e (1，η)，n為數(shù)據(jù)個(gè)數(shù)，d表示數(shù)據(jù)維數(shù)，R為整個(gè)實(shí)數(shù)集；
[0014] (2)分別計(jì)算數(shù)據(jù)集X中各個(gè)點(diǎn)的尺度參數(shù)〇 i和數(shù)據(jù)集的相似度矩陣A ;
[0015] (3)加入若干代表腫瘤組織的特征點(diǎn)，并在數(shù)據(jù)集X = {Xl，x2, . . .，xj e Rd范圍 內(nèi)對(duì)特征點(diǎn)進(jìn)行擴(kuò)散。
[0016] 步驟2)具體包括：
[0017] (1)求取特征點(diǎn)對(duì)應(yīng)數(shù)據(jù)集X = {Xl，x2,...，xn} e Rd中元素值的平均值m ;
[0018] (2)選取X= {Xl，x2，...，Xn} e Rd中前5%的數(shù)值與111最接近的點(diǎn)，稱之為輔助特 征點(diǎn)，原始特征點(diǎn)和輔助特征點(diǎn)組成特征點(diǎn)集合L。
[0019] 步驟3)具體包括：
[0020] (1)修改相似度矩陣A中對(duì)應(yīng)特征點(diǎn)集合L的位置的值為1 ;
[0021] (2)用修正后的相似度矩陣構(gòu)造拉普拉斯矩陣：L = D4/2AD1/2,其中D為對(duì)角矩陣， 對(duì)角線上的任意元素

【權(quán)利要求】
1. 一種基于特征擴(kuò)散的CT圖像腫瘤組織提取方法，其特征在于，包括以下步驟： 1) 獲取目標(biāo)CT圖像，并輸入CT圖像對(duì)應(yīng)的數(shù)據(jù)集，分別計(jì)算數(shù)據(jù)集中各個(gè)點(diǎn)的尺度參 數(shù)和數(shù)據(jù)集的相似度矩陣，然后加入若干代表腫瘤組織的特征點(diǎn)，并獲取這些特征點(diǎn)對(duì)應(yīng) 源圖像的坐標(biāo)； 2) 求取上述特征點(diǎn)對(duì)應(yīng)CT圖像中元素對(duì)應(yīng)值的平均值，并從CT圖像中提取前若干個(gè) 數(shù)值與平均值最為接近的點(diǎn)作為輔助特征點(diǎn)，并將這些輔助特征點(diǎn)加入特征點(diǎn)集用于輔助 原始特征點(diǎn)； 3) 將矩陣中的特征點(diǎn)對(duì)應(yīng)位置的值修正為1，代表該位置的點(diǎn)屬于正常組織或腫瘤組 織的概率為1，然后求取修改后的相似度矩陣對(duì)應(yīng)的拉普拉斯矩陣并進(jìn)行特征分解，得到若 干特征向量，選取前兩列特征向量參與后續(xù)計(jì)算； 4) 對(duì)特征向量進(jìn)行k均值聚類，然后在步驟3)所得的特征向量中任意選取兩個(gè)點(diǎn)作 為聚類的初始聚類中心，分別計(jì)算兩列特征向量中任意一點(diǎn)與上述兩個(gè)初始聚類中心的距 離，并按距離遠(yuǎn)近將特征向量中的點(diǎn)劃分為兩類；計(jì)算這兩類點(diǎn)的點(diǎn)群中心，記為A和B，將 A和B更新為聚類中心，重新計(jì)算特征向量中的點(diǎn)與A和B的距離，根據(jù)距離遠(yuǎn)近將特征向 量的點(diǎn)重新劃分為兩類，重復(fù)選定點(diǎn)群中心和根據(jù)距離劃分點(diǎn)集的操作，直到兩類點(diǎn)的點(diǎn) 群中心固定不變，停止循環(huán)，最終將特征向量中的點(diǎn)劃分成兩類，得到最終的聚類結(jié)果，該 兩類點(diǎn)集聚類劃分了腫瘤組織和正常組織，實(shí)現(xiàn)腫瘤組織圖像的提取。
2. 根據(jù)權(quán)利要求1所述的一種基于特征擴(kuò)散的CT圖像腫瘤組織提取方法，其特征在 于，步驟1)具體包括： (1) 輸入CT圖像對(duì)應(yīng)的數(shù)據(jù)集X = {Xl，x2,...，xn} e Rd，Xi表示數(shù)據(jù)集中的任意點(diǎn)， i e (1，n)，n為數(shù)據(jù)個(gè)數(shù)，d表示數(shù)據(jù)維數(shù)，R為整個(gè)實(shí)數(shù)集； (2) 分別計(jì)算數(shù)據(jù)集X中各個(gè)點(diǎn)的尺度參數(shù)〇 i和數(shù)據(jù)集的相似度矩陣A ; (3) 加入若干代表腫瘤組織的特征點(diǎn)，并在數(shù)據(jù)集X= {Xl，x2，...，Xn} e #范圍內(nèi)對(duì) 特征點(diǎn)進(jìn)行擴(kuò)散。
3. 根據(jù)權(quán)利要求2所述的一種基于特征擴(kuò)散的CT圖像腫瘤組織提取方法，步驟2)具 體包括： (1) 求取特征點(diǎn)對(duì)應(yīng)數(shù)據(jù)集X = {Xu X2,...，Xn} e Rd中元素值的平均值m ; (2) 選取X = {Xl，x2，...，Xn} e Rd中前5%的數(shù)值與111最接近的點(diǎn)，稱之為輔助特征 點(diǎn)，原始特征點(diǎn)和輔助特征點(diǎn)組成特征點(diǎn)集合L。
4. 根據(jù)權(quán)利要求3所述的一種基于特征擴(kuò)散的CT圖像腫瘤組織提取方法，步驟3)具 體包括： (1) 修改相似度矩陣A中對(duì)應(yīng)特征點(diǎn)集合L的位置的值為1 ; (2) 用修正后的相似度矩陣構(gòu)造拉普拉斯矩陣：L = D4/2AD1/2,其中D為對(duì)角矩陣，對(duì)角 線上的任意元素
(3) 對(duì)上述拉普拉斯矩陣進(jìn)行特征分解，并按照特征值的大小將對(duì)應(yīng)特征向量從大到 小排列。
5. 根據(jù)權(quán)利要求4所述的一種基于特征擴(kuò)散的CT圖像腫瘤組織提取方法，步驟4)具 體包括： (1) 設(shè)定聚類數(shù)k = 2,取特征向量的前2列，歸一化后，記為VR; (2) 任意指定兩個(gè)點(diǎn)A和B，作為聚類的初始聚類中心，計(jì)算VR向量中任意一個(gè)點(diǎn)與這 兩個(gè)初始聚類中心A和B的距離； (3) 將VR中的點(diǎn)根據(jù)其距離兩個(gè)初始聚類中心的距離分為兩類，即距離A點(diǎn)近距離的 屬于A類，距離B點(diǎn)距離近的屬于B類； (4) 移動(dòng)聚類中心到各自的點(diǎn)群中心，即A類選取其中心點(diǎn)作為新的聚類中心，B類選 取其中心點(diǎn)作為新的聚類中心； (5) 更新聚類中心重新計(jì)算VR中的點(diǎn)與兩個(gè)聚類中心的距離，并再次將VR中的點(diǎn)劃分 成新的兩組，然后，再計(jì)算新的分組的聚類中心，直到聚類中心固定在某兩個(gè)點(diǎn)，停止以上 循環(huán)計(jì)算，最終將VR中的點(diǎn)劃分成兩類，及最終的聚類結(jié)果； (6) 分別用0和255黑白兩色來顯示兩類聚類結(jié)果，即將圖片劃分成黑白兩類； (7) 將黑白圖像其中一種還原其本色，即可實(shí)現(xiàn)腫瘤組織的提取。
6.根據(jù)權(quán)利要求2所述的一種基于特征擴(kuò)散的CT圖像腫瘤組織提取方法，其特征在 于，所述的分別計(jì)算數(shù)據(jù)集X中各個(gè)點(diǎn)的尺度參數(shù)σ i和數(shù)據(jù)集的親和度矩陣A，用以下公 式計(jì)算：
其中，σ i表示數(shù)據(jù)點(diǎn)中任意點(diǎn)的尺度參數(shù)，xd是數(shù)據(jù)級(jí)X中任意點(diǎn)Xi距其余各點(diǎn)的第 d個(gè)近鄰，選擇d = 7 ;

其中，表示親和度矩陣A的任意元素，〇 i，（^分別表示數(shù)據(jù)集中任意點(diǎn)Xi和Xj對(duì) 應(yīng)的尺度參數(shù)，I |Xi-Xj| I表示點(diǎn)Xi和Xj的歐氏距離。
【文檔編號(hào)】G06T7/00GK104156949SQ201410363770
【公開日】2014年11月19日 申請(qǐng)日期:2014年7月28日 優(yōu)先權(quán)日:2014年7月28日
【發(fā)明者】張佳, 王健生 申請(qǐng)人:西安交通大學(xué)醫(yī)學(xué)院第一附屬醫(yī)院