[发明专利]一种基于特征扩散的CT图像肿瘤组织提取方法

说明书

技术领域

本发明属于医学图像处理领域，涉及特征扩散的谱聚类用于CT肿瘤组织提取方法，具体涉及一种基于特征扩散的CT图像肿瘤组织提取方法。

背景技术

CT图像的组织提取是近年来医学图像处理领域研究的一个热点问题，现有的基于谱聚类的提取方法是通过人工加入特征点作为先验信息，在谱聚类方法中起指导作用，以获取更好的肿瘤组织提取效果。然而，这种方法存在以下弊端：加入过少的特征点将不能达到理想的提取效果，加入特征点过多的话将影响方法的运行速度。所以，如何在不牺牲计算速度的前提下提高CT图像肿瘤组织提取精度是目前医学图像处理领域的一个热点问题。另外，目前的提取技术基本上是无人工参与的，这就使得肿瘤组织提取完全依赖机器的判断，缺少人为导向，造成了较大的误差。综上所述，目前传统的CT图像的病灶组织提取存在以下缺点或不足：

1、人工参与性低，肿瘤组织提取效果缺少人为导向；

2、特征点个数固定，不能扩散，肿瘤组织提取精度较差。

发明内容

为了克服上述现有技术存在的缺陷，本发明的目的在于提供一种基于特征扩散的CT图像肿瘤组织提取方法，该方法能够在不影响运行速度的前提下，有效提高CT图像肿瘤组织提取的准确度。

本发明是通过以下技术方案来实现：

一种基于特征扩散的CT图像肿瘤组织提取方法，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；

4)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(即更新点群中心)，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。

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。

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。

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)对步骤(2)得到的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，取前两列记为VR。

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；