一種基于圖熵的醫(yī)學(xué)圖像聚類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于醫(yī)療信息技術(shù)領(lǐng)域，具體涉及一種基于圖熵的醫(yī)學(xué)圖像聚類方法。
【背景技術(shù)】
[0002] 借著科學(xué)技術(shù)飛速發(fā)展的東風(fēng)，醫(yī)療衛(wèi)生事業(yè)的現(xiàn)代化程度不斷加深。醫(yī)學(xué)影像 技術(shù)，如：電子計算機X射線斷層掃描技術(shù)（CT)、正電子發(fā)射計算機斷層掃描技術(shù)（PET)、核 磁共振成像技術(shù)（MRI)等可輔助醫(yī)生對病人的病情進行診斷，其在臨床診斷的過程中得到 大量使用，因此醫(yī)院每天都會產(chǎn)生大量的醫(yī)學(xué)圖像。如何利用好這些醫(yī)學(xué)圖像，從這些圖像 的背后發(fā)掘出有價值的信息，以方便醫(yī)生對病人的病情進行診斷，是當前對醫(yī)學(xué)圖像進行 數(shù)據(jù)挖掘的熱點。目前，對于醫(yī)學(xué)圖像的數(shù)據(jù)挖掘研究主要集中在對醫(yī)學(xué)圖像進行分類、聚 類、相似性搜索以及關(guān)聯(lián)規(guī)則等方面。
[0003] 聚類是數(shù)據(jù)挖掘領(lǐng)域一個重要組成部分，同時其在模式識別、生物學(xué)、圖像處理、 Web信息檢索等方面也有著廣泛應(yīng)用。如在圖像檢索領(lǐng)域中，通過圖像聚類對圖像進行聚類 預(yù)處理可以提高圖像的檢索性能。在醫(yī)學(xué)圖像分析領(lǐng)域中，通常會使用分類方法將醫(yī)學(xué)圖 像分成若干個類目，如：利用貝葉斯隨機變量選擇方法對大量的基因數(shù)據(jù)進行分類；使用 關(guān)聯(lián)規(guī)則和決策樹的混合方法對腦部CT圖像中是否含有腫瘤進行分類。然而隨著存儲的 醫(yī)學(xué)圖像數(shù)量的不斷增加，具有不同病理特征的腦部CT圖像也會隨之增加，分類方法需要 提前對醫(yī)學(xué)圖像所要分成的類目數(shù)量進行指定已經(jīng)不能準確刻畫既有醫(yī)學(xué)圖像的特征。這 時，通過使用聚類方法將醫(yī)學(xué)圖像按其既有特征劃分成若干個類目是一個很好的選擇，目 前，聚類方法在對圖像進行分割及圖像聚類等方面得到了一定的應(yīng)用，如：使用模糊C-均 值（FCM)聚類算法對圖像進行分割；采用k-均值聚類方法對MRI圖像進行分割；使用k-均 值及模糊k-均值方法對圖像進行聚類；使用局部判別模型和全局融合的方法對圖像進行 聚類等。然而以上這些算法在應(yīng)用的過程中需要指定參數(shù)，并且對參數(shù)的選取也很敏感。因 此，對不需提前指定類別數(shù)目的醫(yī)學(xué)圖像聚類方法進行研究，有很高的實際意義和應(yīng)用價 值。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是提出一種基于圖熵的能夠縮短醫(yī)學(xué)圖像聚類時間并保證準確率 的基于圖熵的醫(yī)學(xué)圖像聚類方法。
[0005] 本發(fā)明的目的是這樣實現(xiàn)的：
[0006] (1)待聚類圖像提出聚類請求：待聚類圖像為原始醫(yī)學(xué)圖像數(shù)據(jù)；
[0007] (2)圖像預(yù)處理過程：對原始醫(yī)學(xué)圖像提取感興趣區(qū)域，計算圖像ROI區(qū)域的灰度 直方圖，得到圖像ROI區(qū)域的灰度直方圖的波谷列表，根據(jù)波谷列表對圖像分級提取紋理 特征，將得到的分級紋理圖像規(guī)范化到統(tǒng)一的大小，之后將此紋理圖像分區(qū)域，通過比較兩 張紋理圖像對應(yīng)區(qū)域的直方圖的差值之和，來衡量醫(yī)學(xué)圖像之間的相似程度；
[0008] (3)圖的稀疏化：將醫(yī)學(xué)圖像集抽象成帶權(quán)無向完全圖，之后對其進行稀疏化剪 枝處理；
[0009] (4)基于圖熵的帶權(quán)無向圖聚類：計算帶權(quán)無向圖中頂點熵和圖熵，并在此基礎(chǔ) 上為圖熵的帶權(quán)無向圖聚類；
[0010] (5)展示結(jié)果。
[0011] 所述的圖的稀疏化過程為：首先將醫(yī)學(xué)圖像集抽象成圖，其中，每個頂點代表一張 醫(yī)學(xué)圖像，醫(yī)學(xué)圖像之間的相似度作為頂點之間所連邊上的權(quán)值，所夠成的圖是一個帶權(quán) 無向完全圖；之后根據(jù)稀疏因子e，e的取值范圍是[0, 1]，每個頂點將會保留[cf]條邊，其 中d為該頂點原有邊的數(shù)量；當邊在稀疏化過程中被其兩個端點均保留時，則此邊將繼續(xù) 保留在圖中，否則將從圖中刪除；此時圖中所留下的邊為兩個頂點在剪枝過程中均要保留 的公共邊。
[0012] 所述的基于圖熵的帶權(quán)無向圖聚類：計算帶權(quán)無向圖中頂點熵和圖熵；在形成每 個簇的過程中，通過使在此簇的件下圖熵的值達到最小來優(yōu)化此簇的結(jié)果，迭代上述過程 來形成聚類結(jié)果集合C 1. . . Cn。
[0013] 本發(fā)明的有益效果在于：
[0014] 本發(fā)明提出利用圖熵的方法對醫(yī)學(xué)圖像進行聚類，通過將醫(yī)學(xué)圖像集抽象成完全 圖，之后對其進行稀疏化剪枝處理，所留下的邊說明兩張圖像均認為與對方很相似，最后提 出帶權(quán)無向圖的聚類方法。通過以上過程對醫(yī)學(xué)圖像進行聚類，可以有效的降低聚類時間 而且聚類的準確率也沒有明顯的降低，利用這種方法可以輔助醫(yī)生在日常工作中對病人的 病情進行診斷。
【附圖說明】
[0015] 圖1是帶權(quán)無向圖中頂點熵和圖熵計算方法舉例；
[0016] 圖2(a)是腦部CT紋理圖像構(gòu)建帶權(quán)無向完全圖的過程；
[0017] 圖2(b)是帶權(quán)無向完全圖剪枝過程；
[0018] 圖2(c)是剪枝完成之后的圖；
[0019] 圖2(d)是圖2(c)的同構(gòu)圖。
【具體實施方式】
[0020] 下面結(jié)合附圖和具體實施對本發(fā)明作進一步的說明：
[0021] 本發(fā)明包括如下步驟：
[0022] (1)圖像預(yù)處理過程：對原始醫(yī)學(xué)圖像提取感興趣區(qū)域（ROI，Region Of Interest)，計算圖像ROI區(qū)域的灰度直方圖，得到圖像ROI區(qū)域的灰度直方圖的波谷列 表，根據(jù)波谷列表對圖像分級提取紋理特征，根據(jù)實際需要將得到的分級紋理圖像規(guī)范化 到統(tǒng)一的大小，之后將此紋理圖像分成若干區(qū)域，通過比較兩張圖像對應(yīng)區(qū)域的LBP (Local Binary Patterns)直方圖的差值之和，來衡量醫(yī)學(xué)圖像之間的相似程度；
[0023] (2)圖的稀疏化過程：將醫(yī)學(xué)圖像集抽象成帶權(quán)無向完全圖，之后對其進行稀疏 化剪枝處理；
[0024] (3)基于圖熵的帶權(quán)無向圖聚類方法：給出帶權(quán)無向圖中頂點熵和圖熵的計算方 法，并在此基礎(chǔ)上提出了基于圖熵的帶權(quán)無向圖聚類方法；
[0025] 進一步的1.基于圖熵的醫(yī)學(xué)圖像聚類方法，其特征在于，包括如下步驟：
[0026] I. 1待聚類圖像提出聚類請求：待聚類圖像為原始醫(yī)學(xué)圖像數(shù)據(jù)；
[0027] 1.2圖像預(yù)處理過程：對原始醫(yī)學(xué)圖像提取感興趣區(qū)域（ROI，Region Of Interest)，計算圖像ROI區(qū)域的灰度直方圖，得到圖像ROI區(qū)域的灰度直方圖的波谷列表， 根據(jù)波谷列表對圖像分級提取紋理特征，根據(jù)實際需要將得到的分級紋理圖像規(guī)范化到統(tǒng) 一的大小，之后將此紋理圖像分成若干區(qū)域，通過比較兩張紋理圖像對應(yīng)區(qū)域的LBP (Local Binary Patterns)直方圖的差值之和，來衡量醫(yī)學(xué)圖像之間的相似程度；
[0028] 1. 3圖的稀疏化：將醫(yī)學(xué)圖像集抽象成帶權(quán)無向完全圖，之后對其進行稀疏化剪 枝處理；
[0029] 1.4基于圖熵的帶權(quán)無向圖聚類方法：給出帶權(quán)無向圖中頂點熵和圖熵的計算方 法，并在此基礎(chǔ)上提出了基于圖熵的帶權(quán)無向圖聚類方法；
[0030] 1. 5展示結(jié)果：基于圖熵的帶權(quán)無向圖聚類方法將原始圖像數(shù)據(jù)庫中的圖像實現(xiàn) 聚類。
[0031] 所述的圖稀疏化過程為：首先將醫(yī)學(xué)圖像集抽象成圖，其中，每個頂點代表一張醫(yī) 學(xué)圖像，醫(yī)學(xué)圖像之間的相似度作為頂點之間所連邊上的權(quán)值，所夠成的圖是一個帶權(quán)無 向完全圖。之后，根據(jù)稀疏因子e的選取情況（e的取值范圍是[0, 1])，每個頂點將會保留 條邊，其中d為該頂點原有邊的數(shù)量。當邊在稀疏化過程中被其兩個端點均保留時，則 此邊將繼續(xù)保留在圖中，否則將從圖中刪除。此時圖中所留下的邊為兩個頂點在剪枝過程 中均要保留的公共邊。
[0032] 所述的基于圖熵的帶權(quán)無向圖聚類方法為：首先，給出帶權(quán)無向圖中頂點熵和圖 熵的計算方法；之后，在形成每個簇的過程中，通過使在此簇的件下圖熵的值達到最小來優(yōu) 化此簇的結(jié)果，迭代上述過程來形成聚類結(jié)果集合C 1. .. Cn。
[0033] 本發(fā)明的具體內(nèi)容包括：
[0034] 首先對醫(yī)學(xué)圖像進行預(yù)處理：
[0035] 1.對原始圖像庫中的每一張原始的腦部CT圖像提取ROI區(qū)域；
[0036] 2.截取ROI區(qū)域并校正；
[0037] 3.計算圖像ROI區(qū)域灰度直方圖的波谷分布情況，得到灰度直方圖的波谷表；
[0038] 4.按照波谷表設(shè)置閾值對圖像多次提取紋理，從而得到多級紋理圖像；
[0039] 5.最后將多級紋理圖像規(guī)范化為大小為COLUMNXROW的圖像；
[0040] 6.計算每張紋理圖像中紋理點的LBP值；
[0041] 7.對紋理圖像進行分區(qū)，得到每個區(qū)域的LBP直方圖；
[0042] 8.通過計算兩張紋理圖像間對應(yīng)區(qū)域LBP直方圖差值的和，來獲得圖像之間相似 性權(quán)值；
[0043] 經(jīng)過以上過程，每兩張醫(yī)學(xué)圖像都會進行相似度權(quán)值計算，得到對應(yīng)的權(quán)值。將這 些醫(yī)學(xué)圖像抽象成一個帶權(quán)無向完全圖，利用稀疏化方法對每個頂點的邊進行稀疏化剪枝 處理，之后定義帶權(quán)無向圖中頂點熵和圖熵，并給出基于圖熵的帶權(quán)無向圖聚類方法，通過 此方法得到醫(yī)學(xué)圖像的聚類結(jié)果；
[0044] 具體的一次圖像聚類過程如下：
[0045] 1.對待聚類的醫(yī)學(xué)圖像進行預(yù)處理，先得到每張醫(yī)學(xué)圖像對應(yīng)的紋理圖像，之后 得到醫(yī)學(xué)圖像間的相似性權(quán)值；
[0046] 2.將此醫(yī)學(xué)圖像集抽象成一個帶權(quán)無向完全圖G，將圖中的所有邊按照升序進行 排列，之后選取稀疏因子e (e的取值范圍是[0, 1])，保留每個頂點的前丨，1條權(quán)值最小的邊 (d為該頂點之前所含有邊的數(shù)量），以此來對此圖進行稀疏化剪枝處理，邊被保留的下規(guī) 則是如果在此稀疏化過程中，該邊被其兩個端點均保留，則此邊留下，否則將此邊從圖中刪 除。
[0047] 3.構(gòu)建種子頂點候選集S，初始的S中為圖中的所有頂點。第一步，從種子頂點 候選集S中任意選取一個頂點作為種子頂點，將此頂點和它的鄰居頂點一起構(gòu)成初始的 種子簇C，通過以下公式：

來計算每個頂點熵以及圖熵。如果從簇C中移除種子頂點的某個 鄰居頂點會使圖G的熵變小，那么將此鄰居頂點移除，迭代第一步直到圖G的熵不能再變小 為止。第二步，如果將簇C的某個外邊界頂點（即與簇C的頂點相連又不在C中的頂點） 加入到簇中會使圖G的熵繼續(xù)變小，則將此頂點加入到簇C中，迭代第二步，直到圖G的熵 不能再繼續(xù)變小為止。第三步，此時所得到的簇C就是聚類結(jié)果中的一個簇，將此簇中的頂 點從種子頂點候選集中刪去。迭代第一、第二、第三步，直到種子頂點候選集S為空才停止， 此時已將圖G聚類完畢。
[0048] 以上實例表明，本發(fā)明提出的基于圖熵的醫(yī)學(xué)圖像聚類方法具有實際的應(yīng)用價 值。
[0049] 本發(fā)明還有這樣一些技術(shù)特征：
[0050] 1. 一些定義和定理：
[0051] 定義1. 一個帶權(quán)圖是一個三元組G = (V，E, W)，其中V = Iv1, v2. . . vj是頂點集，E ={e。|l<i<n，Kj<n，且i GV，j GV}是 VXV 的邊集，W = (Wij |l<i<n，l<j<n 且i e V，j e V}為邊集E上的權(quán)值集合，Wlj表示頂點V i和頂點V #目連的邊e U上的權(quán)值。
[0052] 其中，頂點集中的每個頂點代表一張醫(yī)學(xué)圖像，邊集代表每兩張醫(yī)學(xué)圖像的相似 性關(guān)系，權(quán)值集合的元素為醫(yī)學(xué)圖像之間的相似性權(quán)值。
[0053] 定理：當稀疏因子e辛1時，經(jīng)過稀疏化剪枝處理后得到的圖G'中，每個頂點\相 比其原圖G中所對應(yīng)的頂點，至少會減少一條邊。
[0054] 這個定