[发明专利]一种基于特征扩散的CT图像肿瘤组织提取方法

权利要求书

1.一种基于特征扩散的CT图像肿瘤组织提取方法，其特征在于，包括以下步骤：

1)获取目标CT图像，并输入CT图像对应的数据集，分别计算数据集中各个点的尺度参数和数据集的相似度矩阵，然后加入若干代表肿瘤组织的特征点，并获取这些特征点对应源图像的坐标；

2)求取上述特征点对应CT图像中元素对应值的平均值，并从CT图像中提取前若干个数值与平均值最为接近的点作为辅助特征点，并将这些辅助特征点加入特征点集用于辅助原始特征点；

3)将矩阵中的特征点对应位置的值修正为1，代表该位置的点属于正常组织或肿瘤组织的概率为1，然后求取修改后的相似度矩阵对应的拉普拉斯矩阵并进行特征分解，得到若干特征向量,选取前两列特征向量参与后续计算；

4)对特征向量进行k均值聚类，然后在步骤3)所得的特征向量中任意选取两个点作为聚类的初始聚类中心，分别计算两列特征向量中任意一点与上述两个初始聚类中心的距离，并按距离远近将特征向量中的点划分为两类；计算这两类点的点群中心，记为A和B，将A和B更新为聚类中心，重新计算特征向量中的点与A和B的距离，根据距离远近将特征向量的点重新划分为两类，重复选定点群中心和根据距离划分点集的操作，直到两类点的点群中心固定不变，停止循环，最终将特征向量中的点划分成两类，得到最终的聚类结果，该两类点集聚类划分了肿瘤组织和正常组织，实现肿瘤组织图像的提取。

2.根据权利要求1所述的一种基于特征扩散的CT图像肿瘤组织提取方法，其特征在于，步骤1)具体包括：

(1)输入CT图像对应的数据集X＝{x₁,x₂,...,x_n}∈R^d，x_i表示数据集中的任意点，i∈(1，n)，n为数据个数，d表示数据维数，R为整个实数集；

(2)分别计算数据集X中各个点的尺度参数σ_i和数据集的相似度矩阵A；

(3)加入若干代表肿瘤组织的特征点，并在数据集X＝{x₁,x₂,...,x_n}∈R^d范围内对特征点进行扩散。

3.根据权利要求2所述的一种基于特征扩散的CT图像肿瘤组织提取方法，步骤2)具体包括：

(1)求取特征点对应数据集X＝{x₁,x₂,...,x_n}∈R^d中元素值的平均值m；

(2)选取X＝{x₁,x₂,...,x_n}∈R^d中前5％的数值与m最接近的点，称之为辅助特征点，原始特征点和辅助特征点组成特征点集合L。

4.根据权利要求3所述的一种基于特征扩散的CT图像肿瘤组织提取方法，步骤3)具体包括：

(1)修改相似度矩阵A中对应特征点集合L的位置的值为1；

(2)用修正后的相似度矩阵构造拉普拉斯矩阵：L＝D^-1/2AD^1/2，其中D为对角矩阵，对角线上的任意元素

(3)对上述拉普拉斯矩阵进行特征分解，并按照特征值的大小将对应特征向量从大到小排列。

5.根据权利要求4所述的一种基于特征扩散的CT图像肿瘤组织提取方法，步骤4)具体包括：

(1)设定聚类数k＝2，取特征向量的前2列，归一化后,记为VR；

(2)任意指定两个点A和B，作为聚类的初始聚类中心，计算VR向量中任意一个点与这两个初始聚类中心A和B的距离；

(3)将VR中的点根据其距离两个初始聚类中心的距离分为两类，即距离A点近距离的属于A类，距离B点距离近的属于B类；

(4)移动聚类中心到各自的点群中心，即A类选取其中心点作为新的聚类中心，B类选取其中心点作为新的聚类中心；

(5)更新聚类中心重新计算VR中的点与两个聚类中心的距离，并再次将VR中的点划分成新的两组，然后，再计算新的分组的聚类中心，直到聚类中心固定在某两个点，停止以上循环计算，最终将VR中的点划分成两类，及最终的聚类结果；

(6)分别用0和255黑白两色来显示两类聚类结果，即将图片划分成黑白两类；

(7)将黑白图像其中一种还原其本色，即可实现肿瘤组织的提取。

6.根据权利要求2所述的一种基于特征扩散的CT图像肿瘤组织提取方法，其特征在于，所述的分别计算数据集X中各个点的尺度参数σ_i和数据集的亲和度矩阵A，用以下公式计算：

σi=1nΣd=1n||xi-xd||]]>

其中，σ_i表示数据点中任意点的尺度参数，x_d是数据级X中任意点x_i距其余各点的第d个近邻，选择d＝7；

A_ij＝exp(-||x_i-x_j||²/σ_iσ_j)，i，j∈(1，n)

其中，A_ij表示亲和度矩阵A的任意元素，σ_i，σ_j分别表示数据集中任意点x_i和x_j对应的尺度参数，||x_i-x_j||表示点x_i和x_j的欧氏距离。