一种基于特征扩散的ct图像肿瘤组织提取方法
【专利摘要】本发明公开了一种基于特征扩散的CT图像肿瘤组织提取方法，主要解决CT图像肿瘤组织提取问题。其过程为:获取目标CT图片并加入特征点，在整幅CT图像范围内利用特征点之间的距离对所有像素点进行扩散，囊括更多能代表肿瘤组织的像素点，形成一个先验的特征点集合,在该点集合的指导下对CT图像进行聚类，实现CT图像肿瘤组织的提取。本发明具有人工参与度高和肿瘤组织提取准确率高的优点，可用于CT图像肿瘤组织提取。
【专利说明】一种基于特征扩散的CT图像肿瘤组织提取方法
【技术领域】
[0001] 本发明属于医学图像处理领域，涉及特征扩散的谱聚类用于CT肿瘤组织提取方 法，具体涉及一种基于特征扩散的CT图像肿瘤组织提取方法。
【背景技术】
[0002] CT图像的组织提取是近年来医学图像处理领域研究的一个热点问题，现有的基于 谱聚类的提取方法是通过人工加入特征点作为先验信息，在谱聚类方法中起指导作用，以 获取更好的肿瘤组织提取效果。然而，这种方法存在以下弊端：加入过少的特征点将不能 达到理想的提取效果，加入特征点过多的话将影响方法的运行速度。所以，如何在不牺牲 计算速度的前提下提高CT图像肿瘤组织提取精度是目前医学图像处理领域的一个热点问 题。另外，目前的提取技术基本上是无人工参与的，这就使得肿瘤组织提取完全依赖机器的 判断，缺少人为导向，造成了较大的误差。综上所述，目前传统的CT图像的病灶组织提取存 在以下缺点或不足：
[0003] 1、人工参与性低，肿瘤组织提取效果缺少人为导向；
[0004] 2、特征点个数固定，不能扩散，肿瘤组织提取精度较差。
【发明内容】
[0005] 为了克服上述现有技术存在的缺陷，本发明的目的在于提供一种基于特征扩散的 CT图像肿瘤组织提取方法，该方法能够在不影响运行速度的前提下，有效提高CT图像肿瘤 组织提取的准确度。
[0006] 本发明是通过以下技术方案来实现：
[0007] -种基于特征扩散的CT图像肿瘤组织提取方法，包括以下步骤：
[0008] 1)获取目标CT图像，并输入CT图像对应的数据集，分别计算数据集中各个点的尺 度参数和数据集的相似度矩阵，然后加入若干代表肿瘤组织的特征点，并获取这些特征点 对应源图像的坐标；
[0009] 2)求取上述特征点对应CT图像中元素对应值的平均值，并从CT图像中提取前若 干个数值与平均值最为接近的点作为辅助特征点，并将这些辅助特征点加入特征点集用于 辅助原始特征点；
[0010] 3)将矩阵中的特征点对应位置的值修正为1，代表该位置的点属于正常组织或肿 瘤组织的概率为1，然后求取修改后的相似度矩阵对应的拉普拉斯矩阵并进行特征分解，得 到若干特征向量；
[0011] 4)在步骤3)所得的特征向量中任意选取两个点作为聚类的初始聚类中心，分别 计算两列特征向量中任意一点与上述两个初始聚类中心的距离，并按距离远近将特征向量 中的点划分为两类；计算这两类点的点群中心，记为A和B，将A和B更新为聚类中心，重新 计算特征向量中的点与A和B的距离，根据距离远近将特征向量的点重新划分为两类（即 更新点群中心），重复选定点群中心和根据距离划分点集的操作，直到两类点的点群中心固 定不变，停止循环，最终将特征向量中的点划分成两类，得到最终的聚类结果，该两类点集 聚类划分了肿瘤组织和正常组织，实现肿瘤组织图像的提取。
[0012] 步骤1)具体包括：
[0013] (1)输入CT图像对应的数据集X = {Xl，x2,...，xn} e Rd，Xi表示数据集中的任意 点，i e (1，η)，n为数据个数，d表示数据维数，R为整个实数集；
[0014] (2)分别计算数据集X中各个点的尺度参数〇 i和数据集的相似度矩阵A ;
[0015] (3)加入若干代表肿瘤组织的特征点，并在数据集X = {Xl，x2, . . .，xj e Rd范围 内对特征点进行扩散。
[0016] 步骤2)具体包括：
[0017] (1)求取特征点对应数据集X = {Xl，x2,...，xn} e Rd中元素值的平均值m ;
[0018] (2)选取X= {Xl，x2，...，Xn} e Rd中前5%的数值与111最接近的点，称之为辅助特 征点，原始特征点和辅助特征点组成特征点集合L。
[0019] 步骤3)具体包括：
[0020] (1)修改相似度矩阵A中对应特征点集合L的位置的值为1 ;
[0021] (2)用修正后的相似度矩阵构造拉普拉斯矩阵：L = D4/2AD1/2,其中D为对角矩阵， 对角线上的任意元素
【权利要求】
1. 一种基于特征扩散的CT图像肿瘤组织提取方法，其特征在于，包括以下步骤： 1) 获取目标CT图像，并输入CT图像对应的数据集，分别计算数据集中各个点的尺度参 数和数据集的相似度矩阵，然后加入若干代表肿瘤组织的特征点，并获取这些特征点对应 源图像的坐标； 2) 求取上述特征点对应CT图像中元素对应值的平均值，并从CT图像中提取前若干个 数值与平均值最为接近的点作为辅助特征点，并将这些辅助特征点加入特征点集用于辅助 原始特征点； 3) 将矩阵中的特征点对应位置的值修正为1，代表该位置的点属于正常组织或肿瘤组 织的概率为1，然后求取修改后的相似度矩阵对应的拉普拉斯矩阵并进行特征分解，得到若 干特征向量，选取前两列特征向量参与后续计算； 4) 对特征向量进行k均值聚类，然后在步骤3)所得的特征向量中任意选取两个点作 为聚类的初始聚类中心，分别计算两列特征向量中任意一点与上述两个初始聚类中心的距 离，并按距离远近将特征向量中的点划分为两类；计算这两类点的点群中心，记为A和B，将 A和B更新为聚类中心，重新计算特征向量中的点与A和B的距离，根据距离远近将特征向 量的点重新划分为两类，重复选定点群中心和根据距离划分点集的操作，直到两类点的点 群中心固定不变，停止循环，最终将特征向量中的点划分成两类，得到最终的聚类结果，该 两类点集聚类划分了肿瘤组织和正常组织，实现肿瘤组织图像的提取。
2. 根据权利要求1所述的一种基于特征扩散的CT图像肿瘤组织提取方法，其特征在 于，步骤1)具体包括： (1) 输入CT图像对应的数据集X = {Xl，x2,...，xn} e Rd，Xi表示数据集中的任意点， i e (1，n)，n为数据个数，d表示数据维数，R为整个实数集； (2) 分别计算数据集X中各个点的尺度参数〇 i和数据集的相似度矩阵A ; (3) 加入若干代表肿瘤组织的特征点，并在数据集X= {Xl，x2，...，Xn} e #范围内对 特征点进行扩散。
3. 根据权利要求2所述的一种基于特征扩散的CT图像肿瘤组织提取方法，步骤2)具 体包括： (1) 求取特征点对应数据集X = {Xu X2,...，Xn} e Rd中元素值的平均值m ; (2) 选取X = {Xl，x2，...，Xn} e Rd中前5%的数值与111最接近的点，称之为辅助特征 点，原始特征点和辅助特征点组成特征点集合L。
4. 根据权利要求3所述的一种基于特征扩散的CT图像肿瘤组织提取方法，步骤3)具 体包括： (1) 修改相似度矩阵A中对应特征点集合L的位置的值为1 ; (2) 用修正后的相似度矩阵构造拉普拉斯矩阵：L = D4/2AD1/2,其中D为对角矩阵，对角 线上的任意元素
(3) 对上述拉普拉斯矩阵进行特征分解，并按照特征值的大小将对应特征向量从大到 小排列。
5. 根据权利要求4所述的一种基于特征扩散的CT图像肿瘤组织提取方法，步骤4)具 体包括： (1) 设定聚类数k = 2,取特征向量的前2列，归一化后，记为VR; (2) 任意指定两个点A和B，作为聚类的初始聚类中心，计算VR向量中任意一个点与这 两个初始聚类中心A和B的距离； (3) 将VR中的点根据其距离两个初始聚类中心的距离分为两类，即距离A点近距离的 属于A类，距离B点距离近的属于B类； (4) 移动聚类中心到各自的点群中心，即A类选取其中心点作为新的聚类中心，B类选 取其中心点作为新的聚类中心； (5) 更新聚类中心重新计算VR中的点与两个聚类中心的距离，并再次将VR中的点划分 成新的两组，然后，再计算新的分组的聚类中心，直到聚类中心固定在某两个点，停止以上 循环计算，最终将VR中的点划分成两类，及最终的聚类结果； (6) 分别用0和255黑白两色来显示两类聚类结果，即将图片划分成黑白两类； (7) 将黑白图像其中一种还原其本色，即可实现肿瘤组织的提取。
6.根据权利要求2所述的一种基于特征扩散的CT图像肿瘤组织提取方法，其特征在 于，所述的分别计算数据集X中各个点的尺度参数σ i和数据集的亲和度矩阵A，用以下公 式计算：
其中，σ i表示数据点中任意点的尺度参数，xd是数据级X中任意点Xi距其余各点的第 d个近邻，选择d = 7 ;
其中，表示亲和度矩阵A的任意元素，〇 i，（^分别表示数据集中任意点Xi和Xj对 应的尺度参数，I |Xi-Xj| I表示点Xi和Xj的欧氏距离。
【文档编号】G06T7/00GK104156949SQ201410363770
【公开日】2014年11月19日 申请日期:2014年7月28日 优先权日:2014年7月28日
【发明者】张佳, 王健生 申请人:西安交通大学医学院第一附属医院