[发明专利]稀疏动态集成选择的胃部CT图像疑似淋巴结提取方法

权利要求书

1.一种稀疏动态集成选择的胃部CT图像疑似淋巴结提取方法，胃部CT图像疑似淋巴结区域提取包括有如下步骤：

步骤1，提取一副胃部CT图像；

步骤2，对该胃部CT图像人为标记无疑确定的部分脂肪组织，运用均值漂移进行整体图像的初始分割，分割为未标记区域集和已标记脂肪区域集，然后采用灰度直方图作为特征将与已标记区域相邻并且相似的未标记区域迭代标记，最后将重新标定的标记区域集合提取，重新标定的标记区域集合包含人为标记脂肪组织区域以及其连通区域的脂肪组织区域；

步骤3，对已提取的脂肪组织区域再根据其灰度值运用均值漂移进行过分割，达到将脂肪组织区域初始化；

步骤4，提取脂肪组织的每个过分割区域灰度直方图特征，每个过分割区域的灰度直方图特征为一组数据，脂肪组织区域中的所有过分割区域构成待分类样本集，其中待分类样本集包含有疑似淋巴结区域；

步骤5，运用稀疏动态集成选择方法，将稀疏表示引用到动态集成选择中，对已提取的脂肪组织区域待分类样本集进行分类；

步骤6，将同一类别的过分割区域合并为一个分割区域，获得胃部CT图像疑似淋巴结区域。

2.根据权利要求1所述的一种稀疏动态集成选择的胃部CT图像疑似淋巴结提取方法，其特征在于，其中步骤5所述的运用稀疏动态集成选择方法对已提取的脂肪组织区域待分类集进行分类的过程包括训练阶段和测试阶段：

训练阶段

5.1从一些已经存在成功分类的脂肪组织已标记图像中选取训练样本，该训练样本记作X＝{(x_i，y_i)|x_i∈R^F，y_i∈{1，2，...，L}，i＝1，2，...，r}，这里x_i是从脂肪组织已标记图像中提取样本的灰度直方图特征，y_i是样本的标记，F是所提灰度直方图特征的维数，L是分割的类别数，r是所提样本的数量；

5.2为已提取的待分类脂肪组织学习一个字典，从训练样本中提取初始字典P为字典的原子数，该原子指字典D^I中的第i个列向量，从每一类样本中分别选择原子，然后运用K-SVD算法进行训练，经过训练得到的字典表示为D＝[d₁，d₂，...，d_P]，其中d_i，i＝1，2，...，P为学习得到的字典原子；

5.3利用训练数据X，采用集成分类器生成方法产生分类器集成系统C＝{C₁，C₂，...，C_m}，其中C_i，i＝1，2，...，m为基分类器，m是基分类器的个数；

5.4对任意一个原子d_p，采用K近邻方法自适应的从训练样本X中选择一组近邻样本集

5.5利用分类器集成系统C中的基分类器对近邻样本集进行分类标记，并将标记结果与样本标准标记做比对，若通过某个基分类器得到的标记与近邻样本集合中样本的标准标记一致，则将基分类器纳入原子d_p对应的原子集成系统SC_p，SC_p∈C，若没有一个基分类器能够将样本集合中所有样本正确划分，那么令K＝K-1，转置5.4继续执行，这个过程会迭代执行直到至少一个基分类器被选择出来；

5.6迭代执行过程5.4-5.5，直至所有原子d_p找到对应的原子集成系统SC_p，p＝1，2，...，P，训练阶段结束，进入测试阶段；

测试阶段

5.7x代表已提取脂肪组织中的一个过分割区域的灰度直方图特征，即一个待分类样本，稀疏系数α通过下式优化求得：

minα||x-Dα||22Subjectto||α||0≤t]]>

其中，t表示稀疏阈值，即能产生非零个数的最大数目，优化过程利用正交匹配追踪实现，稀疏系数α中的非零系数提取出来作为权重向量，权重向量记作β＝[β₁，β₂，...β_N]^T，N是非零系数的数量，同时提取出过分割区域x相应的原子集成系统集SCx={SC1x,SC2x,...,SCNx};]]>

5.8待分类样本x输入到SC^x中的每一个原子集成系统中，使用每个运用投票方式对x进行分类，得到N个标记向量，将N个标记向量利用权重向量β加权求和，得到x的标记其中为原子集成系统对x输出的标记向量，最终分类结果由决定，为f^x的第i个元素；

5.9迭代执行过程5.7-5.8，直到所有的已提取脂肪组织中所有过分割区域分类完成。