[发明专利]基于关联图的联合降维和半监督聚类的脑图像分割方法

说明书

本发明涉及图像处理技术领域，涉及基于关联图的联合降维和半监督聚类的脑图像分割方法，包括：1、对核磁共振脑图像进行预处理；2、提取脑图像中的特征属性；3、医师圈画区域标识配对信息；4、构建配对关联矩阵Y；5、构建无向边图E；6、构建无向关联矩阵F；7、构建有向边图V；8、构建V上任意两个节点间的有向近邻交集K_ij；9、构建基于K_ij的有向关联矩阵S；10、对数据集X进行特征降维，得到特征向量集11、在上执行K均值聚类，得到分割结果。本发明方法仅利用少量样本的配对信息，构建有向和无向关联图挖掘样本潜在的数据结构，将样本点降维到合适低维空间，使同一类别内的样本的关联度尽量高，不同类别内的样本的关联度尽量低。

技术领域

本发明涉及数字图像处理领域，尤其涉及基于关联图的联合降维和半监督聚类的脑图像分割方法。

背景技术

近年来，借助机器学习的迅猛发展势头，计算机辅助诊断技术在临床工作中展现出强大的生命力。医学图像聚类作为计算机辅助诊断领域中应用最为广泛的一门技术体系，可以实现对医学图像中病症的筛查和病灶的检测分类，对于人类健康福祉具有重要意义。目前常见的医学影像主要有电子计算机断层扫描、核磁共振成像技术、超声等。核磁共振成像作为当前临床应用范围较广的影像技术之一，具有较高的软组织分辨率、操作性强、无创伤、多方位成像等优势。将核磁共振技术运用到脑部疾病的诊断中，使检测结果更为全面、准确。

传统的聚类算法主要对数据集本身进行聚类分析，会忽略数据集带有的少量标记信息的指导作用，而半监督聚类可将监督信息与聚类算法结合，更有效地指导数据的聚类过程。研究表明，高质量的监督信息不仅可以指导未标注样本进行正确聚类，提高聚类结果的准确性，还可以加快聚类的收敛速度。在实际高维核磁共振脑图像分割应用中，收集大量缺少标记的数据相当容易，而为这些样本提供标记相对困难。但医师容易预先给出一些样本的配对信息，譬如：不明确具有多少组织区域，但圈画了一些区域的样本，或者进一步地依据病例学知识和人体解破学，医师圈画出若干样本并指明他们是否属于同类组织。这一情形属于成对约束的半监督聚类问题。如安计勇等人提出了一种基于AP聚类与Renyi熵融合的自训练半监督方法。该模型通过AP聚类分析与Renyi熵来共同标记无标签样本的标签类别，筛选置信度高的无标签样本扩充原有训练集进行自训练的迭代(“基于半监督学习的蛋白质相互作用预测模型”，计算机技术与发展.2021年07月)；朱恒东等人提出自适应半监督邻域聚类算法，一方面引入监督矩阵与距离度量结合构造合理的相似矩阵，另一方面充分利用监督信息通过标签信息矩阵与流形正则项结合调整模型(“自适应半监督邻域聚类算法”，山东大学学报(工学版).2021年07月)；唐飞等人提出了一种基于半监督谱聚类的最优解断面搜索方法(专利申请号：201410308754.3)；钱鹏江等人提出了一种全表示半监督快速谱聚类的医学图像分割方法及系统(专利申请号：201310667423.4)生成基于全表示半监督机制的图论松弛聚类模型。

但至今为止此领域的研究工作尚不成熟，另外，这些方法对高维核磁共振脑图像往往效果不佳。这是因为虽然高维数据中存在大量的信息，但并不是所有的信息都是有价值的，直接对高维数据进行处理，会造成计算复杂、需要存储空间大、识别精度不高等问题。数据降维是将高维数据映射到一个保持数据本身固有结果的低维空间，能有效解决上述问题。数据降维就是指将维欧式空间R^d中的样本通过某种映射Q，将样本映射到m维的空间R^m，这个过程就是对原始的数据进行了维数约简；其中m＜d，XQ为高维样本X的低维表示。为了实现高维数据的有效聚类，通常的做法是在聚类之前使用降维技术，如主成分分析法，但这种降维技术与聚类分析是分阶段先后完成的，其降维效果不是针对聚类分析而定的。

因此，根据高维核磁共振脑图像的高维特性，研究联合降维技术和半监督聚类分析技术为一体的图像分割方法对于提高核磁共振脑图像的分割效果有积极意义。

发明内容