基于支持向量机mri图像分割的肺部肿瘤识别方法
【技术领域】
[0001] 本发明设及图像处理技术领域，尤其设及一种基于支持向量机MRI图像分割的肺 部肿瘤识别方法。
【背景技术】
[0002] 医学图像分割是提取影像图像中特殊组织的定量信息所不可缺少的手段，同时也 是图像=维重建和可视化的前提。分割后的图像被广泛地应用于各种场合，如病变组织的 定位及诊断，解剖结构的学习，计算机指导手术和=维可视化等。
[0003] MRI(核磁共振成像）图像是医用图像的重要组成部分之一，但是由于MRI图像存 在一定程度的噪声，所W我们需要对原始MRI图像进行预处理，W便获得更好的像质，提高 处理的精度，得到理想的分割效果。
[0004] 现有技术主要采用基于支持向量机（Suppo;rtVectorMachines,SVMs)的边缘定 位法来解决边缘检测时的伪边缘问题，同时利用自适应的自动选取种子点的区域膨胀法对 图像进行分割，提高图像分割的准确度。但是采用运种方法得到的分割图像的准确度还是 不够高。
【发明内容】
阳0化]本发明所要解决的技术问题是：提供一种基于支持向量机MRI图像分割的肺部肿 瘤识别方法，采用运种方法得到的分割图像准确度较高，进而使得肺部肿瘤的识别准确度 更高。
[0006] 本发明所采用的技术方案是：一种基于支持向量机肺部MRI图像分割方法，它包 括W下步骤：
[0007](1)、建立已知肺部MRI图像的标准信噪比数据合集；
[0008] (2)、获取待分割的肺部MRI图像，并且将其转换为灰度图像；
[0009] 做、利用SVM的边缘定位法对步骤似得到的灰度图像进行边缘检测；
[0010] (4)、对步骤（3)检测出的各条边缘进行特征提取，然后构建SVM分类器对提取的 特征参数进行边缘定位，分类出肺部不同组织边缘；
[0011] 巧）、从步骤（4)获得的肺部不同组织边缘的3*3邻域，随机选取多个像素值在 230-250范围内的点作为生长点，并设定一个预设阔值T; 阳01引 化）、采用步骤妨得到的生长点为核心判断其3*3的邻域内的非生长点是否满 足相似性原则，若满足则将该非生长点加入到生长点合集中，若不满足则舍去该非生长点， 直到所有的非生长点都判断完毕后，将生长区域分割出来得到肺部MRI分割图像；
[001引（7)、将步骤（6)得到的分割图像W3*3邻域的模式，分块依次输入到非线性优化 模型，得到输出信噪比数据合集，其中所述的非线性优化模型如下：
[0014]
[0015] 式中，A为信号幅度；f。为周期信号频率；il)为周期信号初相位；s为布朗粒子 运动坐标；t为布朗粒子运动时间；AXsin(2 3If。t+llO为随机共振周期性输入信号函数； img(t)为3*3邻域输入图像；m和n为双稳态势垒实参数；a为噪声强度；C(t)为均值为 0的高斯白噪声，其自相关函数E[C(t)C(0)] =2a5 (t)，其强度为a，5 (t)为单位脉 冲函数；
[0016] 做、将步骤（7)得到的输出信噪比数据合集与步骤（1)得到的标准信噪比数据合 集相比，若相似度>90%，在判断优化成功；若相似度<90%，则判断优化不成功，返回步 骤（2)继续进行分割与优化。
[0017] 步骤（1)中建立已知肺部MRI图像的标准信噪比数据合集包括W下具体步骤：
[0018] A、通过传统方法分割多个肺部MRI图像；
[0019] B、通过医生肉眼观察判断步骤A分割后的图像是否准确，若准确则归入到正确图 像集中；
[0020] C、计算步骤B中正确图像集中的所有分割图像的信噪比数据合集，然后取平均值 得到标准信噪比数据合集。
[0021] 采用W上方法与现有技术相比，本发明具有W下优点：采用基于支持向量机的边 缘定位法来解决边缘检测时的伪边缘问题，同时利用自适应的自动选取种子点的区域膨胀 法对图像进行分割，最后再采用非线性优化模型修剪过度膨胀的区域，增补欠膨胀区域，并 且还与现有技术得到的标准肺部MRI分割图像做对比，最后得到优化后的肺部MRI分割图 像，得到分割图像准确度较高，且采用运种分割图像对肺部肿瘤的识别准确度较高。
【附图说明】
[0022] 图1为原始灰度图像。
[0023] 图2为采用传统方法得到的分割图像。
[0024] 图3为采用本发明方法得到的分割图像。
[00巧]图4为本发明基于支持向量机MRI图像分割的肺部肿瘤识别方法中噪声强度与信 噪比的关系图。
【具体实施方式】
[00%] W下结合附图与【具体实施方式】对本发明做进一步描述，但是本发明不仅限于W下
【具体实施方式】。
[0027] 一种基于支持向量机MRI图像分割的肺部肿瘤识别方法，即一种肺部肿瘤识别过 程中使用的基于支持向量机MRI图像分割方法，其实质是一种肺部MRI图像的分割优化方 法，它包括W下步骤：
[002引 （1)、建立已知肺部MRI图像的标准信噪比数据合集；
[0029]A、通过传统方法分割多个肺部MRI图像；所述传统方法为标记分水岭法，也可W 是其他常规的图像分割方法；
[0030] B、通过医生肉眼观察判断步骤A分割后的图像是否准确，若准确则归入到正确图 像集中；
[0031] 所述判断步骤A分割后的图像是否准确是指医生通过经验来判断是否将肺部的 各个组织分离开来了，若是完全分割开来了，则判断是正确的，若有些组织分割时被破坏了 或者没有将两个组织分割开来，则判断是不正确的；
[0032] C、计算步骤B中正确图像集中的所有分割图像的信噪比数据合集，然后取平均值 得到标准信噪比数据合集。信噪比是通过计算分割图像中有用像素点的灰度值与无用像素 点的灰度值作对比得到的。
[003引似、获取待分割的肺部MRI图像，并且将其转换为灰度图像；
[0034] (3)、利用SVM的边缘定位法对步骤似得到的灰度图像进行边缘检测；
[0035] 肿瘤组织是具有一定轮廓的，而运个轮廓的灰度值基本是一致的，因此我们就把 运个灰度值的轮廓作为灰度图像的边缘，等同于感兴趣区域初始轮廓。
[0036] 计算每幅图像序列的梯度幅值和梯度直方图，根据Gonzalez和Woods提出的迭代 步骤确定出高梯度区域和低梯度区域的最佳分割阔值t= 45,然后计算高、低梯度区域的 均值和方差yI(t) = 1. 5、]i〇(t) = 1. 1、0i2= 12. 1和0。2= 9. 7,从而计算高阔值Xh =251和低阔值T1= 174。最后运用Canny算子检测每幅图像边缘。
[0037](4)、对步骤（3)检测出的各条边缘进行特征提取，