本發(fā)明涉及一種醫(yī)學(xué)圖像分割方法，具體涉及一種基于關(guān)聯(lián)矩陣自學(xué)習(xí)及顯式秩約束數(shù)據(jù)表示分簇算法的醫(yī)學(xué)圖像分割方法，屬于計算機(jī)視覺領(lǐng)域。

背景技術(shù)：

醫(yī)學(xué)圖像分割是一種根據(jù)區(qū)域間的相似與不同，把圖像分成若干區(qū)域的過程，在醫(yī)學(xué)研究、臨床診斷、病理分析、計算機(jī)輔助手術(shù)等醫(yī)學(xué)研究與實驗領(lǐng)域有著廣泛的應(yīng)用和研究價值。計算機(jī)斷層攝影(簡稱ct)是當(dāng)今一種快速、可靠的醫(yī)療檢查方法，對醫(yī)學(xué)ct圖像中器官結(jié)構(gòu)組織的分割是進(jìn)行定量分析病變和進(jìn)行復(fù)雜疾病診斷的基礎(chǔ)。

醫(yī)學(xué)ct圖像具有紋理復(fù)雜、邊緣模糊等特點，選擇和優(yōu)化圖像分割算法，有助于醫(yī)生更清晰準(zhǔn)確的分析圖像以及診斷病情。由于醫(yī)學(xué)圖像的成像原理以及人體組織本身的差異，許多傳統(tǒng)圖像分割算法易受到噪聲或光線的影響，并且由于圖像的多維性而使分割效果大打折扣。

技術(shù)實現(xiàn)要素：

本發(fā)明要克服現(xiàn)有技術(shù)的上述缺點，提出一種基于關(guān)聯(lián)矩陣自學(xué)習(xí)及顯式秩約束的圖像分割方法。

本發(fā)明所使用的譜聚類算法建立在譜圖理論基礎(chǔ)上，與傳統(tǒng)的聚類算法相比，它具有能在任意形狀的樣本空間上聚類且收斂于全局最優(yōu)解的優(yōu)點，并且由于具備充足的理論保證和良好的性能，近年來得到了廣泛研究和應(yīng)用。

本發(fā)明使用的譜聚類算法，將低秩表示、相似度學(xué)習(xí)和簇結(jié)構(gòu)約束納入同一框架，并應(yīng)用到醫(yī)學(xué)ct圖像分割。大致過程如下：(1)首先對ct原圖像進(jìn)行預(yù)處理，使用灰度級修正增強(qiáng)圖像，并進(jìn)行直方圖均衡化，再用中值濾波法對圖像進(jìn)行目標(biāo)區(qū)域濾波，降低圖像中的干擾和噪聲。(2)接著用基于關(guān)聯(lián)矩陣自學(xué)習(xí)及顯式秩約束算法求解圖像的特征值投影矩陣。(3)利用傳統(tǒng)聚類算法對投影矩陣進(jìn)行聚類分割，并將感興趣的區(qū)域標(biāo)定出來。

本發(fā)明的一種基于關(guān)聯(lián)矩陣自學(xué)習(xí)及顯式秩約束的醫(yī)學(xué)圖像分割方法，步驟如下：

1.ct機(jī)拍攝人體ct圖像，得到dicom文件，解析并讀取圖像像素數(shù)據(jù)，并對該圖像依次進(jìn)行圖像增強(qiáng)、直方圖均衡化以及目標(biāo)區(qū)域濾波等預(yù)處理操作。

2.將預(yù)處理后的圖像像素數(shù)據(jù)輸入基于關(guān)聯(lián)矩陣自學(xué)習(xí)及顯式秩約束算法模型，得到圖像像素數(shù)據(jù)的特征值投影矩陣。

3.使用k-means或其他聚類算法對投影矩陣進(jìn)一步聚類，將相同類別對應(yīng)的像素標(biāo)記為同一顏色，得出圖像劃分結(jié)果。

本發(fā)明的優(yōu)點是：可以實現(xiàn)高維圖像的分割，所得樣本的相似度矩陣對角結(jié)構(gòu)明顯，與很多現(xiàn)有的圖像分割算法相比，分割圖像區(qū)域更加精確并且擁有更強(qiáng)的抗噪能力，因此，更加滿足醫(yī)學(xué)ct圖像準(zhǔn)確度的要求。

附圖說明

圖1是本發(fā)明方法的流程圖；

圖2是關(guān)聯(lián)矩陣自學(xué)習(xí)及顯式秩約束算法的流程圖；

圖3是肺部軟組織ct圖像的分割效果圖，其中，圖3a是原圖，圖3b是分割提取后的效果圖。

具體實施方式

下面對本發(fā)明作進(jìn)一步描述。

具體方法包括如下步驟(如圖1所示)：

步驟1，ct機(jī)拍攝人體ct圖像，得到dicom文件，解析并讀取圖像像素數(shù)據(jù)。修改圖像數(shù)據(jù)的灰度級，再進(jìn)行直方圖均衡化操作，增強(qiáng)圖像區(qū)域成分的對比度，使圖像細(xì)節(jié)更加清晰。針對目標(biāo)分割區(qū)域進(jìn)行濾波，利用matlab中人機(jī)交互函數(shù)roipoly制定目標(biāo)區(qū)域多邊形，并利用濾波器進(jìn)行濾波處理，直至ct圖像達(dá)到最適合分割的效果。

步驟2，將預(yù)處理后的圖像像素數(shù)據(jù)依次等分為n個像素塊x，每個像素塊x包含m個像素元素，并將其合并為m×n維矩陣x＝[x1,x2,…,xn]∈r^m×n輸入基于關(guān)聯(lián)矩陣自學(xué)習(xí)及顯式秩約束算法模型，其中關(guān)聯(lián)矩陣自學(xué)習(xí)及顯式秩約束算法模型由如下步驟構(gòu)建(如圖2所示)：

輸入：圖像像素數(shù)據(jù)x＝[x1,x2,…,xn]∈r^m×n，圖像目標(biāo)分割區(qū)域數(shù)目c，迭代最大值tm，模型參數(shù)k、α、μ、λ和γ。

s1：設(shè)μ＝λ＝0，依式(1)計算初始化相似度矩陣s⁰，并計算laplacian矩陣ls⁰和投影矩陣f⁰，并將t置為1；

其中，si∈n×1是相似度矩陣s∈r^n×n的第i列向量，第j個元素為sij，表示像素塊xi和xj屬于圖像同一類目標(biāo)區(qū)域的可能性，即相似度。輔助變量gi的元素gij＝μ||zi-zj||2²+||xi-xj||2²+λ||fi-fj||2²，||·||2為l2范數(shù)，表示所有元素平方和的平方根。zi∈n×1是系數(shù)z矩陣的第i列向量，zj∈n×1是z矩陣的第j列向量，系數(shù)矩陣z可由公式(3)得到。xi∈m×1是第i個m維輸入像素塊，xj∈m×1是第j個m維輸入像素塊。投影矩陣f∈r^n×c是拉普拉斯矩陣ls相應(yīng)c個最小特征值的特征矢量，fi∈c×1是f矩陣的第i行向量，fj∈c×1是f矩陣的第j行向量，當(dāng)相似度矩陣s已知時，可直接通過ls的特征分解求取，由前c個最小特征值相應(yīng)的特征矢量組成。拉普拉斯矩陣ds∈r^n×n為對角矩陣，對角線元素為∑j(sij+sji)/2。為獲得最優(yōu)si，取γi＝(kgi,k+1-σj＝1^kgij)/2，k為鄰域參數(shù)，則si由計算公式(2)調(diào)整為：

s2：固定s，依sylvester公式(3)計算z^t；

αx^txz+μzls＝αx^tx(3)

s3：固定z，依次按式(2)求解相似度向量si并組建成s^t；

s4：更新laplacian矩陣ls^t并計算投影矩陣f^t；

投影矩陣f^t由ls^t特征分解，求得c個最小特征值以及每個特征值對應(yīng)的特征向量，為n×1向量，c個特征向量排列在一起組成的n×c的f^t矩陣。

s5：檢查目標(biāo)函數(shù)值(式(4))<1e-3或t≥tm是否滿足，如是則終止算法；反之則令t＝t+1，算法循環(huán)至第3步繼續(xù)進(jìn)行。

其中tr(·)為矩陣的跡，表示矩陣主對角線上各元素的總和，||·||f為frobenious范數(shù)，表示所有元素平方和的平方根。1為一列全1向量。

輸出：投影矩陣f。

步驟3：f矩陣的每一行為c維空間的一個向量，對應(yīng)圖像像素數(shù)據(jù)x的一個像素塊，n行c維向量對應(yīng)n個像素塊，使用matlab中的k-means函數(shù)對f矩陣的每一行進(jìn)行聚類，劃分為c類，并將每一類對應(yīng)的像素塊標(biāo)記，可將感興趣的區(qū)域類別的像素塊置為為白色，其余區(qū)域置為黑色。圖3所示為肺部軟組織ct圖像的分割效果圖，并最終提取標(biāo)定了左部肺部軟組織。

如上所示，根據(jù)本發(fā)明，可以提供一種基于關(guān)聯(lián)矩陣自學(xué)習(xí)及顯式秩約束的醫(yī)學(xué)圖像分割方法。

本說明書實施例所述的內(nèi)容僅僅是對發(fā)明構(gòu)思的實現(xiàn)形式的列舉，本發(fā)明的保護(hù)范圍不應(yīng)當(dāng)被視為僅限于實施例所陳述的具體形式，本發(fā)明的保護(hù)范圍也及于本領(lǐng)域技術(shù)人員根據(jù)本發(fā)明構(gòu)思所能夠想到的等同技術(shù)手段。