[发明专利]引入遗传算法的最大类间距离法肺部恶性肿瘤MRI识别方法

说明书

技术领域

本发明涉及图像处理技术领域，尤其涉及一种引入遗传算法的最大类间距离法肺部恶性肿瘤MRI识别方法。

背景技术

医学图像分割是提取影像图像中特殊组织的定量信息所不可缺少的手段，同时也是图像三维重建和可视化的前提。分割后的图像被广泛地应用于各种场合，如病变组织的定位及诊断，解剖结构的学习，计算机指导手术和三维可视化等。

MRI(核磁共振成像)图像是医用图像的重要组成部分之一，但是由于MRI图像存在一定程度的噪声，所以我们需要对原始MRI图像进行预处理，以便获得更好的像质，提高处理的精度，得到理想的分割效果。

现有技术主要采用遗传算法对图像进行分割，提高图像分割的准确度。但是采用这种方法得到的分割图像的准确度还是不够高。

发明内容

本发明所要解决的技术问题是：提供一种引入遗传算法的最大类间距离法肺部恶性肿瘤MRI识别方法，采用这种方法得到的分割图像准确度较高，进而使得肺部肿瘤的识别准确度更高。

本发明所采用的技术方案是：一种引入遗传算法的最大类间距离法肺部恶性肿瘤MRI识别方法，其特征在于，它包括以下步骤：

(1)、建立已知肺部MRI图像的标准信噪比数据合集；

(2)、获取待分割的肺部MRI图像，并且将其转换为灰度图像；

(3)、计算步骤(2)得到的灰度图像的灰度直方图；

(4)、对步骤(2)中得到的灰度图像的灰度值进行编码，随机产生M个初始种群；

(5)、计算步骤(4)得到的种群中每一个个体的适应度；

(6)、对步骤(4)得到的种群进行遗传操作得到新种群，遗传操作包括选择操作、交叉操作以及变异操作；

(7)、判断新种群是否满足终止条件，若满足，则结束，得到分割阈值，并且跳转到下一步；若不满足，则跳转到步骤(5)；

(8)、根据步骤(7)得到的分割阈值处理步骤(2)得到的待分割的肺部灰度图像，然后得到分割图像；

(9)、将步骤(8)得到的分割图像以3*3邻域的模式，分块依次输入到非线性遗传阵列优化模型，得到输出信噪比数据合集，其中所述的非线性遗传阵列优化模型如下：

dsdt=A×f(t,γ)+img(t)+ns-ms3+2αξ(t);]]>

式中，A为信号幅度；s为布朗粒子运动坐标；t为布朗粒子运动时间；γ为偏振初始值；A×f(t,γ)为非周期性输入信号函数；img(t)为3*3邻域输入图像；m、n为双稳态势垒实参数；α为噪声强度；ξ(t)为均值为0的高斯白噪声；

(10)、将步骤(9)得到的输出信噪比数据合集与步骤(1)得到的标准信噪比数据合集相比，若相似度≥90％，在判断优化成功；若相似度＜90％，则判断优化不成功，返回步骤(2)继续进行分割与优化。

步骤(1)中建立已知肺部MRI图像的标准信噪比数据合集包括以下具体步骤：

A、通过传统方法分割多个肺部MRI图像；

B、通过医生肉眼观察判断步骤A分割后的图像是否准确，若准确则归入到正确图像集中；

C、计算步骤B中正确图像集中的所有分割图像的信噪比数据合集，然后取平均值得到标准信噪比数据合集。

步骤(5)中计算步骤(4)得到的种群中每一个个体的适应度所采用的算法为最大类间方差法。