一种基于关联矩阵自学习及显式秩约束的医学图像分割方法与流程

本发明涉及一种医学图像分割方法，具体涉及一种基于关联矩阵自学习及显式秩约束数据表示分簇算法的医学图像分割方法，属于计算机视觉领域。

背景技术：

医学图像分割是一种根据区域间的相似与不同，把图像分成若干区域的过程，在医学研究、临床诊断、病理分析、计算机辅助手术等医学研究与实验领域有着广泛的应用和研究价值。计算机断层摄影(简称ct)是当今一种快速、可靠的医疗检查方法，对医学ct图像中器官结构组织的分割是进行定量分析病变和进行复杂疾病诊断的基础。

医学ct图像具有纹理复杂、边缘模糊等特点，选择和优化图像分割算法，有助于医生更清晰准确的分析图像以及诊断病情。由于医学图像的成像原理以及人体组织本身的差异，许多传统图像分割算法易受到噪声或光线的影响，并且由于图像的多维性而使分割效果大打折扣。

技术实现要素：

本发明要克服现有技术的上述缺点，提出一种基于关联矩阵自学习及显式秩约束的图像分割方法。

本发明所使用的谱聚类算法建立在谱图理论基础上，与传统的聚类算法相比，它具有能在任意形状的样本空间上聚类且收敛于全局最优解的优点，并且由于具备充足的理论保证和良好的性能，近年来得到了广泛研究和应用。

本发明使用的谱聚类算法，将低秩表示、相似度学习和簇结构约束纳入同一框架，并应用到医学ct图像分割。大致过程如下：(1)首先对ct原图像进行预处理，使用灰度级修正增强图像，并进行直方图均衡化，再用中值滤波法对图像进行目标区域滤波，降低图像中的干扰和噪声。(2)接着用基于关联矩阵自学习及显式秩约束算法求解图像的特征值投影矩阵。(3)利用传统聚类算法对投影矩阵进行聚类分割，并将感兴趣的区域标定出来。

本发明的一种基于关联矩阵自学习及显式秩约束的医学图像分割方法，步骤如下：

1.ct机拍摄人体ct图像，得到dicom文件，解析并读取图像像素数据，并对该图像依次进行图像增强、直方图均衡化以及目标区域滤波等预处理操作。

2.将预处理后的图像像素数据输入基于关联矩阵自学习及显式秩约束算法模型，得到图像像素数据的特征值投影矩阵。

3.使用k-means或其他聚类算法对投影矩阵进一步聚类，将相同类别对应的像素标记为同一颜色，得出图像划分结果。

本发明的优点是：可以实现高维图像的分割，所得样本的相似度矩阵对角结构明显，与很多现有的图像分割算法相比，分割图像区域更加精确并且拥有更强的抗噪能力，因此，更加满足医学ct图像准确度的要求。

附图说明

图1是本发明方法的流程图；

图2是关联矩阵自学习及显式秩约束算法的流程图；

图3是肺部软组织ct图像的分割效果图，其中，图3a是原图，图3b是分割提取后的效果图。

具体实施方式

下面对本发明作进一步描述。

具体方法包括如下步骤(如图1所示)：

步骤1，ct机拍摄人体ct图像，得到dicom文件，解析并读取图像像素数据。修改图像数据的灰度级，再进行直方图均衡化操作，增强图像区域成分的对比度，使图像细节更加清晰。针对目标分割区域进行滤波，利用matlab中人机交互函数roipoly制定目标区域多边形，并利用滤波器进行滤波处理，直至ct图像达到最适合分割的效果。

步骤2，将预处理后的图像像素数据依次等分为n个像素块x，每个像素块x包含m个像素元素，并将其合并为m×n维矩阵x＝[x1,x2,…,xn]∈r^m×n输入基于关联矩阵自学习及显式秩约束算法模型，其中关联矩阵自学习及显式秩约束算法模型由如下步骤构建(如图2所示)：

输入：图像像素数据x＝[x1,x2,…,xn]∈r^m×n，图像目标分割区域数目c，迭代最大值tm，模型参数k、α、μ、λ和γ。

s1：设μ＝λ＝0，依式(1)计算初始化相似度矩阵s⁰，并计算laplacian矩阵ls⁰和投影矩阵f⁰，并将t置为1；

其中，si∈n×1是相似度矩阵s∈r^n×n的第i列向量，第j个元素为sij，表示像素块xi和xj属于图像同一类目标区域的可能性，即相似度。辅助变量gi的元素gij＝μ||zi-zj||2²+||xi-xj||2²+λ||fi-fj||2²，||·||2为l2范数，表示所有元素平方和的平方根。zi∈n×1是系数z矩阵的第i列向量，zj∈n×1是z矩阵的第j列向量，系数矩阵z可由公式(3)得到。xi∈m×1是第i个m维输入像素块，xj∈m×1是第j个m维输入像素块。投影矩阵f∈r^n×c是拉普拉斯矩阵ls相应c个最小特征值的特征矢量，fi∈c×1是f矩阵的第i行向量，fj∈c×1是f矩阵的第j行向量，当相似度矩阵s已知时，可直接通过ls的特征分解求取，由前c个最小特征值相应的特征矢量组成。拉普拉斯矩阵ds∈r^n×n为对角矩阵，对角线元素为∑j(sij+sji)/2。为获得最优si，取γi＝(kgi,k+1-σj＝1^kgij)/2，k为邻域参数，则si由计算公式(2)调整为：

s2：固定s，依sylvester公式(3)计算z^t；

αx^txz+μzls＝αx^tx(3)

s3：固定z，依次按式(2)求解相似度向量si并组建成s^t；

s4：更新laplacian矩阵ls^t并计算投影矩阵f^t；

投影矩阵f^t由ls^t特征分解，求得c个最小特征值以及每个特征值对应的特征向量，为n×1向量，c个特征向量排列在一起组成的n×c的f^t矩阵。

s5：检查目标函数值(式(4))<1e-3或t≥tm是否满足，如是则终止算法；反之则令t＝t+1，算法循环至第3步继续进行。

其中tr(·)为矩阵的迹，表示矩阵主对角线上各元素的总和，||·||f为frobenious范数，表示所有元素平方和的平方根。1为一列全1向量。

输出：投影矩阵f。

步骤3：f矩阵的每一行为c维空间的一个向量，对应图像像素数据x的一个像素块，n行c维向量对应n个像素块，使用matlab中的k-means函数对f矩阵的每一行进行聚类，划分为c类，并将每一类对应的像素块标记，可将感兴趣的区域类别的像素块置为为白色，其余区域置为黑色。图3所示为肺部软组织ct图像的分割效果图，并最终提取标定了左部肺部软组织。

如上所示，根据本发明，可以提供一种基于关联矩阵自学习及显式秩约束的医学图像分割方法。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。