一種基于特征擴散的ct圖像腫瘤組織提取方法
【專利摘要】本發明公開了一種基于特征擴散的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CT圖片并加入特征點，在整幅CT圖像范圍內利用特征點之間的距離對所有像素點進行擴散，囊括更多能代表腫瘤組織的像素點，形成一個先驗的特征點集合,在該點集合的指導下對CT圖像進行聚類，實現CT圖像腫瘤組織的提取。本發明具有人工參與度高和腫瘤組織提取準確率高的優點，可用于CT圖像腫瘤組織提取。
【專利說明】一種基于特征擴散的CT圖像腫瘤組織提取方法

【技術領域】
[0001] 本發明屬于醫學圖像處理領域，涉及特征擴散的譜聚類用于CT腫瘤組織提取方 法，具體涉及一種基于特征擴散的CT圖像腫瘤組織提取方法。

【背景技術】
[0002] CT圖像的組織提取是近年來醫學圖像處理領域研究的一個熱點問題，現有的基于 譜聚類的提取方法是通過人工加入特征點作為先驗信息，在譜聚類方法中起指導作用，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：加入過少的特征點將不能 達到理想的提取效果，加入特征點過多的話將影響方法的運行速度。所以，如何在不犧牲 計算速度的前提下提高CT圖像腫瘤組織提取精度是目前醫學圖像處理領域的一個熱點問 題。另外，目前的提取技術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器的 判斷，缺少人為導向，造成了較大的誤差。綜上所述，目前傳統的CT圖像的病灶組織提取存 在以下缺點或不足：
[0003] 1、人工參與性低，腫瘤組織提取效果缺少人為導向；
[0004] 2、特征點個數固定，不能擴散，腫瘤組織提取精度較差。


【發明內容】

[0005] 為了克服上述現有技術存在的缺陷，本發明的目的在于提供一種基于特征擴散的 CT圖像腫瘤組織提取方法，該方法能夠在不影響運行速度的前提下，有效提高CT圖像腫瘤 組織提取的準確度。
[0006] 本發明是通過以下技術方案來實現：
[0007] -種基于特征擴散的CT圖像腫瘤組織提取方法，包括以下步驟：
[0008] 1)獲取目標CT圖像，并輸入CT圖像對應的數據集，分別計算數據集中各個點的尺 度參數和數據集的相似度矩陣，然后加入若干代表腫瘤組織的特征點，并獲取這些特征點 對應源圖像的坐標；
[0009] 2)求取上述特征點對應CT圖像中元素對應值的平均值，并從CT圖像中提取前若 干個數值與平均值最為接近的點作為輔助特征點，并將這些輔助特征點加入特征點集用于 輔助原始特征點；
[0010] 3)將矩陣中的特征點對應位置的值修正為1，代表該位置的點屬于正常組織或腫 瘤組織的概率為1，然后求取修改后的相似度矩陣對應的拉普拉斯矩陣并進行特征分解，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點作為聚類的初始聚類中心，分別 計算兩列特征向量中任意一點與上述兩個初始聚類中心的距離，并按距離遠近將特征向量 中的點劃分為兩類；計算這兩類點的點群中心，記為A和B，將A和B更新為聚類中心，重新 計算特征向量中的點與A和B的距離，根據距離遠近將特征向量的點重新劃分為兩類（即 更新點群中心），重復選定點群中心和根據距離劃分點集的操作，直到兩類點的點群中心固 定不變，停止循環，最終將特征向量中的點劃分成兩類，得到最終的聚類結果，該兩類點集 聚類劃分了腫瘤組織和正常組織，實現腫瘤組織圖像的提取。
[0012] 步驟1)具體包括：
[0013] (1)輸入CT圖像對應的數據集X = {Xl，x2,...，xn} e Rd，Xi表示數據集中的任意 點，i e (1，η)，n為數據個數，d表示數據維數，R為整個實數集；
[0014] (2)分別計算數據集X中各個點的尺度參數〇 i和數據集的相似度矩陣A ;
[0015] (3)加入若干代表腫瘤組織的特征點，并在數據集X = {Xl，x2, . . .，xj e Rd范圍 內對特征點進行擴散。
[0016] 步驟2)具體包括：
[0017] (1)求取特征點對應數據集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%的數值與111最接近的點，稱之為輔助特 征點，原始特征點和輔助特征點組成特征點集合L。
[0019] 步驟3)具體包括：
[0020] (1)修改相似度矩陣A中對應特征點集合L的位置的值為1 ;
[0021] (2)用修正后的相似度矩陣構造拉普拉斯矩陣：L = D4/2AD1/2,其中D為對角矩陣， 對角線上的任意元素

【權利要求】
1. 一種基于特征擴散的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CT圖像，并輸入CT圖像對應的數據集，分別計算數據集中各個點的尺度參 數和數據集的相似度矩陣，然后加入若干代表腫瘤組織的特征點，并獲取這些特征點對應 源圖像的坐標； 2) 求取上述特征點對應CT圖像中元素對應值的平均值，并從CT圖像中提取前若干個 數值與平均值最為接近的點作為輔助特征點，并將這些輔助特征點加入特征點集用于輔助 原始特征點； 3) 將矩陣中的特征點對應位置的值修正為1，代表該位置的點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應的拉普拉斯矩陣并進行特征分解，得到若 干特征向量，選取前兩列特征向量參與后續計算； 4) 對特征向量進行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點作 為聚類的初始聚類中心，分別計算兩列特征向量中任意一點與上述兩個初始聚類中心的距 離，并按距離遠近將特征向量中的點劃分為兩類；計算這兩類點的點群中心，記為A和B，將 A和B更新為聚類中心，重新計算特征向量中的點與A和B的距離，根據距離遠近將特征向 量的點重新劃分為兩類，重復選定點群中心和根據距離劃分點集的操作，直到兩類點的點 群中心固定不變，停止循環，最終將特征向量中的點劃分成兩類，得到最終的聚類結果，該 兩類點集聚類劃分了腫瘤組織和正常組織，實現腫瘤組織圖像的提取。
2. 根據權利要求1所述的一種基于特征擴散的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圖像對應的數據集X = {Xl，x2,...，xn} e Rd，Xi表示數據集中的任意點， i e (1，n)，n為數據個數，d表示數據維數，R為整個實數集； (2) 分別計算數據集X中各個點的尺度參數〇 i和數據集的相似度矩陣A ; (3) 加入若干代表腫瘤組織的特征點，并在數據集X= {Xl，x2，...，Xn} e #范圍內對 特征點進行擴散。
3. 根據權利要求2所述的一種基于特征擴散的CT圖像腫瘤組織提取方法，步驟2)具 體包括： (1) 求取特征點對應數據集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%的數值與111最接近的點，稱之為輔助特征 點，原始特征點和輔助特征點組成特征點集合L。
4. 根據權利要求3所述的一種基于特征擴散的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中對應特征點集合L的位置的值為1 ; (2) 用修正后的相似度矩陣構造拉普拉斯矩陣：L = D4/2AD1/2,其中D為對角矩陣，對角 線上的任意元素
(3) 對上述拉普拉斯矩陣進行特征分解，并按照特征值的大小將對應特征向量從大到 小排列。
5. 根據權利要求4所述的一種基于特征擴散的CT圖像腫瘤組織提取方法，步驟4)具 體包括： (1) 設定聚類數k = 2,取特征向量的前2列，歸一化后，記為VR; (2) 任意指定兩個點A和B，作為聚類的初始聚類中心，計算VR向量中任意一個點與這 兩個初始聚類中心A和B的距離； (3) 將VR中的點根據其距離兩個初始聚類中心的距離分為兩類，即距離A點近距離的 屬于A類，距離B點距離近的屬于B類； (4) 移動聚類中心到各自的點群中心，即A類選取其中心點作為新的聚類中心，B類選 取其中心點作為新的聚類中心； (5) 更新聚類中心重新計算VR中的點與兩個聚類中心的距離，并再次將VR中的點劃分 成新的兩組，然后，再計算新的分組的聚類中心，直到聚類中心固定在某兩個點，停止以上 循環計算，最終將VR中的點劃分成兩類，及最終的聚類結果； (6) 分別用0和255黑白兩色來顯示兩類聚類結果，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，即可實現腫瘤組織的提取。
6.根據權利要求2所述的一種基于特征擴散的CT圖像腫瘤組織提取方法，其特征在 于，所述的分別計算數據集X中各個點的尺度參數σ i和數據集的親和度矩陣A，用以下公 式計算：
其中，σ i表示數據點中任意點的尺度參數，xd是數據級X中任意點Xi距其余各點的第 d個近鄰，選擇d = 7 ;

其中，表示親和度矩陣A的任意元素，〇 i，（^分別表示數據集中任意點Xi和Xj對 應的尺度參數，I |Xi-Xj| I表示點Xi和Xj的歐氏距離。
【文檔編號】G06T7/00GK104156949SQ201410363770
【公開日】2014年11月19日 申請日期:2014年7月28日 優先權日:2014年7月28日
【發明者】張佳, 王健生 申請人:西安交通大學醫學院第一附屬醫院