[发明专利]一种融合加权随机森林的3D椎骨CT图像主动轮廓分割方法

权利要求书

1.一种融合加权随机森林的3D椎骨CT图像主动轮廓分割方法，其特征包含有下列步骤：

步骤1：读取、显示训练集及测试集椎骨CT图像；

步骤2：在脊柱CT图像中进行体素的3D Haar-like特征提取；

步骤3：由步骤2中所得到的3D Haar-like特征，进行加权随机森林回归、分类以确定椎骨的中心点，输出椎骨定位模型；

步骤4：将3D主动轮廓分割的初始轮廓球放在步骤3确定的椎骨中心点，对定义的综合能量函数求取最小值进行主动轮廓分割；

步骤5：将步骤4求取的最小距离符号函数S*进行三维轮廓映射，得到分割轮廓L*，完成分割后输出分割图像，输出椎骨3D分割模型；

步骤6：对训练好模型进行组合输出，得到完整的脊柱CT分割模型。

2.权利要求1所述的融合加权随机森林的3D椎骨CT图像主动轮廓分割方法，其特征在于步骤3具体包括以下几个步骤内容：

A.将参与训练的每个数据点定义为D_k＝(F_k,d_k,c_k)，其中F_k是基于体素k得到的3DHaar-like特征，d_k是体素k的类别标签(中心点作为一类标签用1表示，背景体素作另一类标签用0表示)，c_k是体素到椎骨标记中心的距离。

B.随机回归森林和随机分类森林的目标函数信息增益I(D_j,θ)均表示为：

其中，分别表示到达节点j时的左、右子节点的样本数据点，i为左、右子节点的索引，| |表示样本集中的样本数量，θ分裂参数。

C.对于随机分类森林，数据点D属于离散概率分布，不计算c_k特征，信息熵采用香农熵的形式；而对于随机回归森林数据点D属于连续概率分布，不计算d_k特征，信息熵采用b元高斯的微分熵；通过推导，得到多元变量情况时的回归信息增益；经过计算后分别得到随机分类森林和随机回归森林中T棵决策树的后验概率。

D.由于不同的决策树之间差异较大，随机森林中决策树的性能越好，其权重应越高，加权运算能够提高准确率并减少运算时间，每棵决策树的可信度可由计算得到后验概率表示；本发明随机分类森权重公式为：

其中，w_c(i)表示分类森林中第i棵决策树的权重，P(i)为第i棵决策树的后验概率，当P(i)越大时所占权重也越大；同理，随机回归森林权重公式为：

其中，w_r(i)表示回归森林第i棵决策树的权重，δ²(j)是第i棵树通过概率线性拟合得到的预测点到中心点距离的方差。当δ(i)越大时所占权重也越小，且加权参数均满足归一化。