[发明专利]一种基于图熵的医学图像聚类方法

说明书

技术领域

本发明属于医疗信息技术领域，具体涉及一种基于图熵的医学图像聚类方法。

背景技术

借着科学技术飞速发展的东风，医疗卫生事业的现代化程度不断加深。医学影像技术，如：电子计算机X射线断层扫描技术(CT)、正电子发射计算机断层扫描技术(PET)、核磁共振成像技术(MRI)等可辅助医生对病人的病情进行诊断，其在临床诊断的过程中得到大量使用，因此医院每天都会产生大量的医学图像。如何利用好这些医学图像，从这些图像的背后发掘出有价值的信息，以方便医生对病人的病情进行诊断，是当前对医学图像进行数据挖掘的热点。目前，对于医学图像的数据挖掘研究主要集中在对医学图像进行分类、聚类、相似性搜索以及关联规则等方面。

聚类是数据挖掘领域一个重要组成部分，同时其在模式识别、生物学、图像处理、Web信息检索等方面也有着广泛应用。如在图像检索领域中，通过图像聚类对图像进行聚类预处理可以提高图像的检索性能。在医学图像分析领域中，通常会使用分类方法将医学图像分成若干个类目，如：利用贝叶斯随机变量选择方法对大量的基因数据进行分类；使用关联规则和决策树的混合方法对脑部CT图像中是否含有肿瘤进行分类。然而随着存储的医学图像数量的不断增加，具有不同病理特征的脑部CT图像也会随之增加，分类方法需要提前对医学图像所要分成的类目数量进行指定已经不能准确刻画既有医学图像的特征。这时，通过使用聚类方法将医学图像按其既有特征划分成若干个类目是一个很好的选择，目前，聚类方法在对图像进行分割及图像聚类等方面得到了一定的应用，如：使用模糊c-均值(FCM)聚类算法对图像进行分割；采用k-均值聚类方法对MRI图像进行分割；使用k-均值及模糊k-均值方法对图像进行聚类；使用局部判别模型和全局融合的方法对图像进行聚类等。然而以上这些算法在应用的过程中需要指定参数，并且对参数的选取也很敏感。因此，对不需提前指定类别数目的医学图像聚类方法进行研究，有很高的实际意义和应用价值。

发明内容

本发明的目的是提出一种基于图熵的能够缩短医学图像聚类时间并保证准确率的基于图熵的医学图像聚类方法。

本发明的目的是这样实现的：

(1)待聚类图像提出聚类请求：待聚类图像为原始医学图像数据；

(2)图像预处理过程：对原始医学图像提取感兴趣区域，计算图像ROI区域的灰度直方图，得到图像ROI区域的灰度直方图的波谷列表，根据波谷列表对图像分级提取纹理特征，将得到的分级纹理图像规范化到统一的大小，之后将此纹理图像分区域，通过比较两张纹理图像对应区域的直方图的差值之和，来衡量医学图像之间的相似程度；

(3)图的稀疏化：将医学图像集抽象成带权无向完全图，之后对其进行稀疏化剪枝处理；

(4)基于图熵的带权无向图聚类：计算带权无向图中顶点熵和图熵，并在此基础上为图熵的带权无向图聚类；

(5)展示结果。

所述的图的稀疏化过程为：首先将医学图像集抽象成图，其中，每个顶点代表一张医学图像，医学图像之间的相似度作为顶点之间所连边上的权值，所够成的图是一个带权无向完全图；之后根据稀疏因子e，e的取值范围是[0,1]，每个顶点将会保留[d^e]条边，其中d为该顶点原有边的数量；当边在稀疏化过程中被其两个端点均保留时，则此边将继续保留在图中，否则将从图中删除；此时图中所留下的边为两个顶点在剪枝过程中均要保留的公共边。

所述的基于图熵的带权无向图聚类：计算带权无向图中顶点熵和图熵；在形成每个簇的过程中，通过使在此簇的件下图熵的值达到最小来优化此簇的结果，迭代上述过程来形成聚类结果集合C₁...C_n。

本发明的有益效果在于：

本发明提出利用图熵的方法对医学图像进行聚类，通过将医学图像集抽象成完全图，之后对其进行稀疏化剪枝处理，所留下的边说明两张图像均认为与对方很相似，最后提出带权无向图的聚类方法。通过以上过程对医学图像进行聚类，可以有效的降低聚类时间而且聚类的准确率也没有明显的降低，利用这种方法可以辅助医生在日常工作中对病人的病情进行诊断。

附图说明

图1是带权无向图中顶点熵和图熵计算方法举例；

图2(a)是脑部CT纹理图像构建带权无向完全图的过程；

图2(b)是带权无向完全图剪枝过程；

图2(c)是剪枝完成之后的图；

图2(d)是图2(c)的同构图。

具体实施方式