专利名称：一种医学序列图像的快速聚类方法
技术领域：
本发明涉及医学图像处理和影像学计算机辅助诊断技术领域，尤其涉及医学序列图像的快速聚类方法。
背景技术：
随着影像学 诊断临床应用需求的提高以及医学影像技术的发展，医学影像数据更加普遍地以海量的、ニ维或三维序列图像的形式存在于临床。对于医学序列图像，医生感兴趣的往往只是其中某一类或者某几类物质，这就使得寻求相关聚类方法尤具临床意义。据查，目前为止有少量研究者对医学序列图像的聚类进行了研究，如，Jiawan Zhang等人在又早‘-Automatic Classification of MRI Images for Three-dimensional VolumeReconstruction by Using General Regression Neural Networks, 2004，，中提出了一种基于广义回归神经网络的MRI序列图像聚类方法。但以往方法存在很多问题，这主要体现在处理速度慢、聚类精度较低、临床实用性差等方面。
发明内容
针对背景技术所述以往方法处理速度慢、聚类精度低、临床实用性差等缺点，本发明提出ー种医学序列图像的快速聚类方法，它首先将测量空间中的原始序列图像数据线性变换到特征空间中，然后在特征空间中进行聚类，最后将特征空间中已经聚类好的数据一一映射回測量空间，实现测量空间的聚类。本发明的技术方案如下—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SI)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η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Ix1,X2，…，xd}，定义该帧图像上这类物质的特
征为:mean = ^Xx1，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
d !=1
量，同样的方法获取其它类物质的特征向量，用Vm表示第m类物质的特征向量，其可记作vm=[vma, vmj2,, Vii1jJt e Rn (m = 1,2,... , k),其中 T 表示向量或矩阵的转置，Rn 表示 η维的实向量空间；将所有的特征向量\组合为特征向量矩阵V= [vi，v2，...，vk] e Rnxk(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C1表示第I类物质的目标向量，则各类(第I类？)物质的目标向量C1可记作C1= [cla，clj2, ... , c1jP]t e Rp (1 = 1,2,..., k),其中，Rp表示P维的实向量,将所有的目标向量C1(第I类？所有的目标向量是否应是C1的求和？)组合成目标向量矩阵C= [C17C2,...,
Ck] e Rpxk ；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η □ 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ダ=(Vt · Vr1 · VT，这里-I表示矩阵的普通逆，+表示矩阵的广义逆，然后，由公式C=Tr · V求得线性变换矩阵I； Tr = 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 · 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(I)BP神经网络的设计、训练、测试首先选择神经网络的结构及參数，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測量空间，实现測量空间的聚类，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。所述的CT影像工作站是配置了实现本发明聚类方法程序模块的PACS CT影像エ作站，其中PACS为英文Picture Archiving and Communication Systems,意思为医学影像归档和通信系统；CT为英文Computed Tomography,意思为计算机断层扫描仪。本发明聚类方法的有益效果是对图像处理速度快、聚类精度高、临床实用性強。其他X X
图I是本发明聚类方法的流程框图。其中S1-S7为其各个步骤。
具体实施例方式下面结合附图和实施例对本发明做进ー步说明，但不限于此。实施例—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，该方法如图I所示，步骤如下SI)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η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Ix1, X2，…，xd}，定义该帧图像上这类物质的特
征为:
权利要求
1.ー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 51)预处理 CT导入序列图像，对序列图像进行观察，确定分类数； 52)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巾贞上的第K类物质的d个点{x1; x2,,定义该巾贞图像上这类物质的特征为:mecm = ，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， dゴ同样的方法获取其它类物质的特征向量，用Vm表示第m类物质的特征向量，其可记作Vm =[vm,i，vm,2， ，Vm, Jt g 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Vm组合为特征向量矩阵V= [V1, V2,..., vk] ERnxk(注意V的各列线性无关)； 53)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Cl(l =1，2，...，k)表示第I类物质的目标向量，则各类(第I类？)物质的目标向量C1可记作C1=[cla, Clj2, . . . , c1jP]t G Rp (1 = 1,2,..., k),其中，Rp 表示 P 维的实向量,将所有的目标向量C1(第I类？所有的目标向量是否应是C1的求和？)组合成目标向量矩阵C= [C1,C2, , ck] G Rpxk ； 54)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ダ=(vt V)_i Vt，这里ベ表示矩阵的普通逆，+表示矩阵的广义逆，然后，由公式C =Tr V求得线性变换矩阵r Tr = C * V+(注意C为S3)中的目标向量矩阵)； 55)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"* 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； 56)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參数，然后在測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； 57)測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測量空间，实现測量空间的聚类，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。
全文摘要
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。
文档编号G06K9/62GK102651070SQ20121009869
公开日2012年8月29日 申请日期2012年4月5日 优先权日2012年4月5日
发明者孙丰荣, 宋尚玲, 张新萍, 曲怀敬 申请人:山东大学