一种利用血流灌注参数的超声映射图进行组织分割的方法与流程

本发明涉及人工智能技术中图像分割领域，尤其涉及一种利用血流灌注参数的超声映射图进行组织分割的方法。

背景技术：

目前国内外广泛应用的医学图像分割方法有很多种，许多学者应用数学、信号处理、人工智能等领域知识拓展医学图像分割的理论方法。常用的分割方法主要可以分为几类：基于阈值的分割、基于边缘的分割、基于运动的分割、基于活动轮廓模型的分割方法、基于小波变换的方法以及深度学习算法的分割等。这些分割方法均是从视频与图像本身具有的特性的角度去完成分割。

然而通过研究发现，组织结构相似位置的灌注参数值大小相近，而组织结构差异性大的地方，灌注参数值大小相差很大。反映到该参数矩阵中，就是矩阵中的数据具有分块性，某一块数据大小相近，可以聚成一类。但是在聚类过程中，某些区间块边缘数据，既可以属于这一聚类，亦可属于另一聚类，存在一个模糊的区间，难以实现对组织的精确分割。

技术实现要素：

本发明实施例所要解决的技术问题在于，提供一种利用血流灌注参数的超声映射图进行组织分割的方法。可将模糊c均值聚类算法用于血流灌注参数的离散数据矩阵进行模糊聚类分区，从而获得了明晰的分割边界，很好地实现对不同组织的精确分割。

为了解决上述技术问题，本发明实施例提供了一种利用血流灌注参数的超声映射图进行组织分割的方法，包括以下步骤：

s1：设定聚类个数k(1＜k＜n)，模糊指数m(m＞1)，最大迭代次数为t，收敛的误差为△；

s2：用随机数初始化隶属度矩阵uc；

s3：将uc代入到以下公式中，计算聚类中心矩阵x：

s4：将步骤s3计算得到的聚类中心矩阵x代入以下公式，重新计算隶属度矩阵uc+1：

s5：判断|uc+1－uc|≤△，满足条件，则输出u和x；否则，利用隶属度矩阵uc+1继续执行步骤s3～s5，在满足小于最大迭代次数条件下，直到满足步骤s5判断条件，输出u和x为止；

s6：对于最后一次输出的u矩阵中，每列的最大值即为该样本所属类别；

s7：计算每类所辖所有样本里面的的最大值dmax和最小值dmin，那么，对于每个类别的区间dmin≤d≤dmax，即为彩色映射的区间。

进一步地，还包括将血流灌注参数的离散数据矩阵转换为数据集d：

d＝{d1，d2，d3，……，dj，……dn}(1≤j≤n)，n＝p×q

将所述数据集d中的数据可以分成k类：

{s1，s2，s3，……，si，……，sk}(1≤i≤k)

定义隶属度矩阵为u，u中的任一元素uij是数据集d的第j个样本dj对于第i类si的隶属度函数：

定义模糊c均值聚类目标函数及隶属度函数uij的约束条件分别如下：

其中，uij为隶属度值，m为模糊指数，||dj-xi||²指的就是欧氏距离下样本dj跟中心点xi之间的距离。

更进一步地，所述模糊指数m取值为2。

更进一步地，所述△设定为0.05。

实施本发明实施例，具有如下有益效果：从组织结构生物特性出发，利用不同组织在造影过程中血流灌注参数(起始时间，达峰时间，峰值强度，上升速率等)的差异特性来实现分割，将模糊c均值聚类算法用于血流灌注参数的离散数据矩阵进行模糊聚类分区，从而获得了明晰的分割边界，很好地实现对不同组织的精确分割。

附图说明

图1是造影过程中血流灌注参数时间－强度曲线；

图2是用超声造影颜色编码映射区域的外沿边界像素进行分割示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

超声造影(ceus)是纯血池显像，通过向周围静脉内注射直径与红细胞相似的气体微泡造影剂，利用气体较强的散射性及与人体组织不同的声学特性，增大血流或病变与相邻组织间的声阻抗差异，从而获得反差较大的声像图，可动态直观地显示肿瘤微血管，已广泛应用于各种肿瘤癌症的诊断和疗效评估中。

对于人体某组织超声造影过程中造影强度的变化，反映到视频中，就是图像像素灰度的变化。采用时间－强度曲线(timeintensitycurve，tic)定量分析法，如图1所示，可获得起始时间(造影剂微泡刚刚进入肿瘤内的时间)、峰值强度(tic上显示的最大的增强强度)、达峰时间(从造影开始起至造影剂到达峰值强度的一段时间)、上升速率(造影过程中的造影强度升高的平均速率)等定量的血流灌注参数指标。由于异常组织与正常组织生物组织结构的差异性(如：恶性肿瘤相对于良性及正常区域来说，其血流灌注参数具有：达峰时间短，峰值强度高，上升速率大，上升时间短等特点)，定量分析良恶性肿瘤tic曲线的血流灌注参数指标，发现良恶性肿瘤血流灌注参数指标差异均有统计学意义。

超声造影(ceus)是纯血池显像，通过向周围静脉内注射直径与红细胞相似的气体微泡造影剂，利用气体较强的散射性及与人体组织不同的声学特性，增大血流或病变与相邻组织间的声阻抗差异，从而获得反差较大的声像图，可动态直观地显示肿瘤微血管，已广泛应用于各种肿瘤癌症的诊断和疗效评估中。

对于人体某组织的超声造影过程，采用时间－强度曲线(timeintensitycurve，tic)定量分析法，可获得起始时间(造影剂微泡刚刚进入肿瘤内的时间)、峰值强度(tic上显示的最大的增强强度)、达峰时间(从造影开始起至造影剂到达峰值强度的一段时间)、上升速率(从造影开始起至造影剂到达峰值强度的一段时间)等定量的血流灌注参数指标。由于异常组织与正常组织生物组织结构的差异性(如：恶性肿瘤相对于良性及正常区域来说，其血流灌注参数具有：达峰时间短，峰值强度高，流入速率大，上升时间短等特点)，定量分析良恶性肿瘤tic曲线的血流灌注参数指标，发现良恶性肿瘤血流灌注参数指标差异均有统计学意义。

具体实施步骤如下。

对视频分辨率大小为p×q的某块组织的超声造影视频进行计算，可以获得任一血流灌注参数的离散数据矩阵。

矩阵(1)中所示的v11－vqp为计算机分析计算得到的某一血流灌注参数，即造影过程中，该位置造影强度变化的的平均速率，反映到图像中为图像像素点灰度变化的平均速率。

将该血流灌注参数的离散数据矩阵转换为数据集d：

[v11，v12，v13……v1q,v21,v22,v23……,v2q,v31,v32,v33……,v3q,……,vp1,vp2,vp3……,vpq](2)

该数据集d也可表征如下：

d＝{d1，d2，d3，……，dj，……dn}(1≤j≤n)，n＝p×q(3)

为了方便行文说明，将行向量(2)用行向量(3)表示，其中，d1＝v11，d2＝v22，……，dn＝vpq，里面的元素是一一对应相等的。

假设该数据集中的数据可以分成k类：

{s1，s2，s3，……，si，……，sk}(1≤i≤k)，(4)

其中，si(1≤i≤k)表示为任意一个类别。k为不小于1的整数。

设x为所有类的聚类中心的集合

x＝{x1，x2，……，xi，……，xk)(5)

其中，x1，x2，……，xi，……，xk分别是s1，s2，s3，……，si，……，sk各个类的数据中心，简称聚类中心。

定义隶属度矩阵为u，如(6)所示。u中的任一元素uij是数据集d的第j个样本dj对于第i类si的隶属度函数(一个样本属于某个类别的相似程度称为样本的隶属度，隶属度越大，说明样本更倾向于属于该类别)。

定义模糊c均值聚类目标函数及隶属度函数uij的约束条件分别如下：

其中，uij指的是隶属度函数(数据集d中的样本dj对于类别si的隶属程度)，m为模糊指数(一般取值＞1，本文专利中设定为2)，||dj-xi||²指的就是欧氏距离下样本dj跟中心点xi之间的距离。

具体分割步骤如下：

首先用随机数初始化隶属度矩阵u，用(9)式计算各个聚类的中心：

其中，xi表示的是任意类别si的聚类中心，dj为数据集d中的样本，uij指的是隶属度函数(数据集d中的样本dj对于类别si的隶属程度)，m为模糊指数(一般取值＞1，本文专利中设定为2)。

定义隶属度函数如(10)式，将(9)式的计算得到的聚类中心x代入(10)式，得到更新隶属度函数u：

反复迭代执行这两步操作，当更新的隶属度矩阵uc+1与上次迭代隶属度矩阵uc满足下式：

|uc+1－uc|≤△，本专利中△设定为0.05

则所有的样本隶属度值收敛趋于稳定，算法停止迭代。

此时，各样本对于各类的隶属度都具有确定的值，求取每个样本对于各个类隶属度中的最大值，该最大隶属度所在的类即为该样本数据所属的类，这样就可以实现所有样本的归类，此时每一个类别si中都包含了该类别的样本数据；在此基础上，求取每个聚类si所包含样本的最大值和最小值，作为该类别的聚类区间，由于每个样本在组织位置上都有相应的坐标，相近坐标的样本若处于同一聚类区间，则该处样本将聚类成一个区域，该区域会具有明确的边界，将每一个聚类区域标记一种映射的颜色，以该区域颜色的外沿边界像素作为分割的边界，完成对特定区域的分割。如图2所示。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。