[发明专利]基于稀疏表示的医学CT图像肾上腺肿瘤分割方法

权利要求书

1.基于稀疏表示的医学CT图像肾上腺肿瘤分割方法，其特征在于具体步骤为：

（1）获取一系列包含肿瘤边界图像子块作为训练样本，用K均值聚类奇异值分解(KSVD)的方法，训练出一个对边界敏感的过完备字典；

（2）利用步骤（1）得到的字典，把CT图像上的感兴趣区域(ROI)的每一个图像子块做稀疏表示，获得第一个稀疏系数的绝对值；选取适当的阈值，区分第一个系数值，把图像子块分成同质区和边界区两类，从而把原图像映射成一个二值图像；

（3）用区域生长的方法，从步骤（2）中的二值图像中心点开始，往外生长得到感兴趣区域内肿瘤的粗糙轮廓；

（4）以步骤（3）得到的粗糙轮廓作为水平集分割方法的初始轮廓，用基于局部信息的水平集分割方法获得最终的精确轮廓。

2.根据权利要求1所述的基于稀疏表示的医学CT图像肾上腺肿瘤分割方法，其特征在于步骤(1)中，所述获取一系列包含肿瘤边界图像子块的做法为：

首先，对已知肿瘤边界的训练图像I进行分块，利用的滑动窗口，从左到右，从上到下，遍历整幅图像，依次提取图像子块;把包含肿瘤边界的N个图像块保留下来，作为训练样本，并将其展开为的列向量，，其余图像块舍弃;

所述用K均值聚类奇异值分解(KSVD)的方法，训练出一个对边界敏感的过完备字典，具体做法如下：

设包含肿瘤边界的图像块集合为，N为训练样本数,冗余字典D为L个M维原子的集合，经过稀疏分解后的系数为X，则包含肿瘤边界的图像块集合Y的稀疏表示为：

(1)

其中与分别为l²-范数与l⁰-范数，前者为向量各个元素平方和的次方，后者为向量中非0元素的个数，为稀疏度；式(1)表示，在约束条件下，从稀疏分解后的系数X中找到一系列合适的列向量，使得最终的X能让取到最小值;

以此字典对包含边界的图像块做稀疏表示;

首先，包含肿瘤边界的图像块样本的稀疏表示为：

(2)

其中为以离散余弦变换基元取的初始化字典；系数矩阵 ，其第列表示第个训练样本的稀疏分解系数;

接着固定字典D，采用正交匹配跟踪算法找到最优系数X的近似解；然后，利用奇异值分解(SVD)不断更新原子，求得最终的目标字典；设为的第列，为经过第T次迭代后X的第行，假定更新第个原子，将矩阵相乘的方式从行乘列求和改写为列乘行求和，则式(2)变为：

(3)

令记录中使用原子的训练样本，即：

(4)

定义矩阵为，在处为1，其余全为0，令，则式(3)改为：

(5)

对进行奇异值分解： ，利用矩阵的第一列更新原子；经过多次迭代后，对所有原子进行更新，则得到最终的冗余字典D ;

重复上述稀疏分解与字典D的更新过程，直至式(2)收敛，获得对边界敏感的字典D。

3.根据权利要求1所述的基于稀疏表示的医学CT图像肾上腺肿瘤分割方法，其特征在于步骤(2)中，所述把原图像映射成一个二值图像的具体过程为：

首先，对CT图像进行感兴趣区域S的人工提取，得到包括肿瘤的矩形区域，设为；利用的滑动窗口，从左到右，从上到下遍历整幅图像，依次提取图像子块，并将其展开为的列向量；这样，CT图像分成了Z个图像子块，，Z个图像子块的稀疏表示为：

(6)

其中D为训练后的字典；系数矩阵，其第列表示第个图像子块的稀疏分解系数；

D是基于肿瘤边界训练得到的字典，对边界敏感；将其对CT图像进行稀疏分解，得到的同质区和边界区的分解系数有很大的不同，特别是第一个系数值的绝对值，差距很大；故比较系数矩阵S中每个分解系数的第一个值的绝对值，选取适当阈值，判断该图像子块是否是边界子块：若的第一个值的绝对值大于阈值，则说明其为边界子块，用逻辑值1代替原图像子块的中心像素值；若的第一个值的绝对值小于阈值，则说明其为同质区子块，用逻辑值0代替原图像子块的中心像素值；在比较了所有子块之后，即获得原图像的二值图像映射。