基于keca特征降维和聚类的hrct周围神经分割的制作方法
【技术领域】
[0001]本发明涉及一种基于KECA特征降维和聚类的HRCT周围神经分割方法，广泛应用于 HRCT切片图像中周围神经等组织的提取。
【背景技术】
[0002] 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提取出感兴趣目 标的技术和过程。也就是根据组织与背景的先验知识，对图像中感兴趣的组织进行定位、标 记，然后将组织从背景中分离出来。对图像中目标区域的识别和解释、物景分析以及图像的 分块处理都具有重要的意义。
[0003] 周围神经高分辨率CT图像(High-Resolution Computed Tomography,HRCT)来源 于各种影像设备。尽管HRCT图像的分辨率已经达到较高的要求，但是由于周围神经具有管 状结构细而长的特征、包含的切片层次较多、涵盖的颜色层次丰富并具有渐变性、且神经组 织与周围脂肪组织的颜色对比度较小，周围神经没有类似于血管系统的管道空间可以借助 灌注技术加以显示，需要在切面上进行染色后才能与其他组织区分，为图像的分割带来很 多困难。另外，以前周围神经的分割经常是用手工绘制出各神经束的边缘，实际操作中往往 需要较多的人工干预，这不仅导致现有周围神经束分割工作量大且精度不高，而且使重建 出来的神经没有很好的参考价值。
[0004] 目前，医学图像分割方法大致可分为以下几类:基于区域的分割方法、边缘检测方 法、区域与边界技术相结合的方法、基于模糊集理论的方法、基于人工神经网络 (Artificial Neural Network,ANN)的方法等。基于区域的分割算法利用图像中不同对象 间特征的不连续性和同一对象内部特征的相似性来达到图像分割的目的。该方法实现简 单，当不同类物体的特征相差很大时，能够有效的对图像进行分割。但是该方法往往会造成 过度分割。边缘检测方法试图通过检测不同区域边缘上的像素灰度值来解决图像分割问 题。按照处理顺序可分为串行边缘检测和并行边缘检测，在串行边缘检测中，当前像素是否 属于欲检测的边缘取决于先前像素的检测结果;而在并行边缘检测中，一个像素是否属于 检测的边缘只与当前像素及其相邻像素有关，这样可同时对图像中的所有像素进行检测， 因而称为并行边缘检测。若在基于区域的框架中没有包括决策阶段对边界的措施，可能导 致噪声边界和对象内部出现空洞，将基于区域信息的方法与边缘检测的方法结合起来，就 构成了区域与边界技术相结合的方法，怎样结合才能充分发挥各自的优势，获得较好的分 割结果是该方法研究的重点。图像分割是典型的结构不良问题，而模糊集理论具有描述不 良问题的能力，所以将模糊理论引入到图像处理与分析领域，提出了基于模糊集理论的分 割方法，具体包括模糊阈值分割方法、模糊聚类分割方法和模糊连接度分割方法等。基于人 工神经网络ANN的方法通过模拟生物特性是人类大脑的学习过程，它由大量并行的节点构 成，每个节点都能执行一些基本的计算。学习过程通过调整节点间的连接关系以及连接权 值来实现。
[0005] 尽管目前有很多分割方法，但是鉴于神经组织相对于其他组织的特殊性，提出一 种针对神经组织的分割算法，使其能够准确分割出神经组织很有必要。
【发明内容】
[0006] 本发明的目的是针对上述技术中存在的不足，提供一种基于KECA特征降维和聚类 的HRCT周围神经分割方法，该方法克服了传统分割方法中人工干预度高、分割结果不精确 等问题，能够较快速准确地分割出神经组织，满足实际临床需求。
[0007] 为了达到上述目的，本发明的思路是:首先对给定的周围神经HRCT图像进行增强， 对增强后的图像进行特征提取；然后利用核熵成分分析方法(Kernel Entropy Component Analysi s，KECA)对特征数据进行降维。鉴于HRCT图像尺寸较大，结合KECA降维的特点，利用 采样外点扩展算法(Out of Sample Extension,0SE)实现了图像中所有数据点的特征降 维，减少特征向量中的冗余信息对聚类结果的影响；针对降维后的特征数据，采用改进的 KECA谱聚类算法对其进行聚类，最终达到图像分割的目的。
[0008] 根据上述发明构思，本发明采用的技术方案是：
[0009] 一种基于KECA特征降维和聚类的HRCT周围神经分割方法，主要包括以下几个步 骤：
[0010]步骤一，利用非下米样Contourlet变换（Nonsubsampled Contourlet Transform, NSCT)对神经HRCT图像进行分解，依据NSCT系数的分布特点，构建广义高斯混合模型 (Generalized Gaussian Mixture Model，GGMM)对系数进行非线性处理，从而达到增强图 像的目的；
[0011]步骤二，利用基于Gabor小波的纹理特征提取方法对增强后的HRCT图像进行特征 提取；
[0012]步骤三，利用KECA对图像中的部分采样数据点进行降维，找出降维所需的相关信 息；
[0013]步骤四，结合KECA降维算法的特点，采用采样外点扩展方法（Out of Sample Ext ens i on，0SE)对图像中的全部数据点进行特征降维；
[0014]步骤五，根据降维之后不同类别数据的分布特性，利用改进的KECA谱聚类算法对 降维后的特征数据进行聚类。
[0015] 所述步骤一的具体步骤如下：对给定的HRCT图像进行NSCT分解，NSCT具有平移不 变特性，每个变换子带的像素位置都与其在原始图像的空间位置相对应;因此，可根据图像 的NSCT变换系数来逐像素地分析图像的几何信息，实验和观察分析表明：图像中的像素点 主要分为三类:强边缘、弱边缘和噪声;在NSCT变换域中，为了将弱边缘和背景噪声有效的 区分开来，需要对NSCT变换的系数进行分析和处理，寻找其统计规律，NSCT子带系数的分布 虽具有非高斯特性，但是比较符合具有零均值的广义高斯分布，利用GGMM对其系数进行建 模并分为强边缘、弱边缘和噪声，然后设计相应的非线性增强映射函数对这些系数分别进 行处理，最后通过NSCT反变换实现图像的增强。
[0016] 所述步骤三的具体步骤如下:KECA的目的是最大程度地利用降维特征保留输入数 据的熵，R0ny i二次熵由下式给出：
[0017] H(p) =-logJp2(x)dx
[0018]其中，p(x)是原始数据集的概率密度函数，即D = xi, . . .，XN，XiERd, i = l，2,...， N。理论上，对于所处理的数据是一无所知的，所有提到的信息理论的测量都需要概率密度 的估计，要在核方法和信息理论学习之间建立联系，由于对数函数是单调函数，我们集中在 量V(P) =ip2(x)dx，这里使用Parzen窗来估计V(p)，估计式表示如下：
[0019]
[0020]其中，K(x，xt|〇)被称为Parzen窗，或者中心在Xt、宽度参数为0的核。
[0021 ] 假定输入η个d维的数据集，Χ= (XI，Χ2，…，χη)，经过KECA变换后为s(s〈d)维，Υ = (yi，y2,…，yn)，可以得出yαΚ，其中，Λ是由核矩阵的特征值λχΑ，…，λη构成的对角矩 阵，Ε是与特征值相对应的特征向量ei，e2，…，en构成的矩阵。
[0022]映射轴选择规则为：
[0023]
[0024]
[0025] 从而得到：
[0026]
[0027]
[0028] 所述步骤四中的采样外点扩展方法0SE具体实施如下：
[0029] KECA变换，定义如下：
[0030]
[0031] 式中，m代表降维的目标维数，子空间仏是由对数据的Renyi熵估计贡献最大的m个 特征空间主轴张成的子空间，Φ将原始数据映射到仏子空间上，从而得到降维后的m维数