[发明专利]一种医学序列图像的快速聚类方法

说明书

技术领域

本发明涉及医学图像处理和影像学计算机辅助诊断技术领域，尤其涉及医学序列图像的快速聚类方法。

背景技术

随着影像学诊断临床应用需求的提高以及医学影像技术的发展，医学影像数据更加普遍地以海量的、二维或三维序列图像的形式存在于临床。对于医学序列图像，医生感兴趣的往往只是其中某一类或者某几类物质，这就使得寻求相关聚类方法尤具临床意义。据查，目前为止有少量研究者对医学序列图像的聚类进行了研究，如，Jiawan Zhang等人在文章“Automatic Classification of MRI Images for Three-dimensional Volume Reconstruction by Using General Regression Neural Networks，2004”中提出了一种基于广义回归神经网络的MRI序列图像聚类方法。但以往方法存在很多问题，这主要体现在处理速度慢、聚类精度较低、临床实用性差等方面。

发明内容

针对背景技术所述以往方法处理速度慢、聚类精度低、临床实用性差等缺点，本发明提出一种医学序列图像的快速聚类方法，它首先将测量空间中的原始序列图像数据线性变换到特征空间中，然后在特征空间中进行聚类，最后将特征空间中已经聚类好的数据一一映射回测量空间，实现测量空间的聚类。

本发明的技术方案如下：

一种医学序列图像的快速聚类方法，由CT(Computed Tomography，即计算机断层扫描仪)影像工作站来实现，该方法步骤如下：

S1)预处理

CT导入序列图像，对序列图像进行观察，确定分类数；

S2)获取待分类物质的特征向量，形成特征向量矩阵

获取待分类物质特征向量的方法是：假设测量空间中有n帧序列图像，将物质分为k类，选取第N帧上的第K类物质的d个点{x₁，x₂，…，x_d}，定义该帧图像上这类物质的特征为：同样选取、计算其它帧上该类物质的特征，并形成该类物质的特征向量，同样的方法获取其它类物质的特征向量，用v_m表示第m类物质的特征向量，其可记作：v_m＝[v_m，1，v_m，2，...，v_m，n]^T∈Rⁿ  (m＝1，2，...，k)，其中T表示向量或矩阵的转置，Rⁿ表示n维的实向量空间；将所有的特征向量v_m组合为特征向量矩阵V＝[v₁，v₂，...，v_k]∈R^n×k(注意：V的各列线性无关)；

S3)指定待分类物质的目标向量，形成目标向量矩阵

待分类物质的目标向量就是各类物质的特征向量在特征空间中的指定位置，用c_l表示第l类物质的目标向量，则各类(第l类？)物质的目标向量c_l可记作c_l＝[c_l，1，c_l，2，...，c_l，p]^T∈R^p  (l＝1，2，...，k)，其中，R^p表示p维的实向量，将所有的目标向量c_l(第l类？所有的目标向量是否应是c_l的求和？)组合成目标向量矩阵C＝[c_l，c₂，...，c_k]∈R^p×k；

S4)计算线性变换矩阵

首先，计算S2)中特征向量矩阵V的广义逆，通常n□k，即待处理序列图像的帧数远大于分类数，且V的各列之间是线性无关的，因此特征向量矩阵V的广义逆按照以下公式计算：V⁺＝(V^T·V)^-1·V^T，这里-1表示矩阵的普通逆，+表示矩阵的广义逆，然后，由公式C＝T_r·V求得线性变换矩阵T_r：T_r＝C·V⁺(注意：C为S3)中的目标向量矩阵)；

S5)测量空间向特征空间变换