[发明专利]一种医学序列图像的快速聚类方法

摘要

一种医学序列图像的快速聚类方法，属医学影像学计算机辅助诊断技术领域，该方法步骤为：预处理；形成特征向量矩阵；形成目标向量矩阵；计算线性变换矩阵；测量空间向特征空间变换；特征空间的聚类；测量空间的聚类。本发明方法对图像处理速度快、聚类精度高、临床实用性强。

主权项

1.一种医学序列图像的快速聚类方法，由CT(Computed Tomography，即计算机断层扫描仪)影像工作站来实现，该方法步骤如下：S1)预处理CT导入序列图像，对序列图像进行观察，确定分类数；S2)获取待分类物质的特征向量，形成特征向量矩阵获取待分类物质特征向量的方法是：假设测量空间中有n帧序列图像，将物质分为k类，选取第N帧上的第K类物质的d个点{x₁，x₂，…，x_d}，定义该帧图像上这类物质的特征为：同样选取、计算其它帧上该类物质的特征，并形成该类物质的特征向量，同样的方法获取其它类物质的特征向量，用v_m表示第m类物质的特征向量，其可记作：v_m＝[v_m，1，v_m，2，...，v_m，n]^T∈Rⁿ  (m＝1，2，...，k)，其中T表示向量或矩阵的转置，Rⁿ表示n维的实向量空间；将所有的特征向量v_m组合为特征向量矩阵V＝[v₁，v₂，...，v_k]∈R^n×k(注意：V的各列线性无关)；S3)指定待分类物质的目标向量，形成目标向量矩阵待分类物质的目标向量就是各类物质的特征向量在特征空间中的指定位置，用c_l(l＝1，2，...，k)表示第l类物质的目标向量，则各类(第l类)物质的目标向量c_l可记作c_l＝[c_l，1，c_l，2，...，c_l，p]^T∈R^p  (l＝1，2，...，k)，其中，R^p表示p维的实向量，将所有的目标向量c_l(第l类所有的目标向量是否应是c_l的求和)组合成目标向量矩阵C＝[c₁，c₂，...，c_k]∈R^p×k；S4)计算线性变换矩阵首先，计算S2)中特征向量矩阵V的广义逆，通常n□k，即待处理序列图像的帧数远大于分类数，且V的各列之间是线性无关的，因此特征向量矩阵V的广义逆按照以下公式计算：V⁺＝(v^T·V)^-1·V^T，这里-1表示矩阵的普通逆，+表示矩阵的广义逆，然后，由公式C＝T^r·V求得线性变换矩阵T^r：T^r＝C·V⁺(注意：C为S3)中的目标向量矩阵)；S5)测量空间向特征空间变换将测量空间中的数据，由公式c＝T^r·v，全部变换到特征空间中，实现数据的降维，同时，这也使得特征空间的数据呈现出一定的聚类属性，为较高的聚类精度性能提供支持；S6)特征空间的聚类采用BP(Back Propagation)神经网络(误差反向传播神经网络)分类器来实现特征空间的聚类，具体如下：(1)BP神经网络的设计、训练、测试：首先选择神经网络的结构及参数，然后在测量空间中的原始序列图像上选择样本数据集，并将数据集按步骤S5)进行线性变换，将其变换到特征空间中，并将变换后的数据分为训练集和测试集，将训练集送入神经网络进行网络训练，最后将测试样本集送入训练好的神经网络进行测试，判断神经网络的性能，直至满足要求(什么要求)；(2)分类判别器的设计：采用欧氏距离作为类别判断的标准，将BP神经网络的输出作为分类判别器的输入，计算分类判别器的输出与各目标向量的欧氏距离，取欧氏距离最小的目标向量所属的类别为该物质所在的类别；S7)测量空间的聚类将特征空间中已经聚类好的数据一一映射回测量空间，实现测量空间的聚类，将聚类好的数据分类显示，并存储至CT影像工作站的本地数据库。