CN105894517A - 基于特征学习的ct图像肝脏分割方法及*** - Google Patents

Abstract

本发明公开一种基于特征学习的CT图像肝脏分割方法及***，能有效提高CT图像中肝脏的分割精度。所述方法包括：S101、读取训练图像集和待分割图像，其中，所述训练图像集中的训练图像和待分割图像为腹部的CT图像；S102、提取所述训练图像和待分割图像的Haar特征、局部二进制模式特征、方向梯度直方图特征和共生矩阵特征；S103、利用主成分分析方法将提取的所有特征进行特征融合，获取更有效的特征；S104、利用分类器对所述待分割图像每个像素的特征进行分类，得到肝脏概率图；S105、结合所述肝脏概率图与待分割图像，修改随机游走分割算法的图模型权值，实现肝脏的分割。

Description

基于特征学习的CT图像肝脏分割方法及***

技术领域

本发明涉及机器学习技术领域，具体涉及一种基于特征学习的CT图像肝脏分割方法及***。

背景技术

医学图像分割辅助医生识别病人的内部组织器官及病灶区域，在计算机辅助治疗及手术规划中发挥至关重要的作用。所以，肝脏的自动分割是医生诊治如肝硬化、肝脏肿瘤、肝移植等肝脏疾病的基础。在腹部CT图像中，肝脏与邻近器官的灰度值差异较小，肝脏本身灰度不均匀且其形状各异，自动、精确的分割出肝脏难度较大。所以，临床医生迫切需要一种简单、快速、准确的肝脏分割方法。

现有的随机游走分割方法具有快速简单等优点，但它对CT图像中对比度低的区域分割效果较差，特别是肝脏与大血管、胃等邻近器官的连接处，单纯地依赖灰度值难以有效地实现肝脏的分割。

发明内容

有鉴于此，本发明实施例提供一种基于特征学习的CT图像肝脏分割方法及***，能够有效提高CT图像中肝脏的分割精度。

一方面，本发明实施例提出一种基于特征学习的CT图像肝脏分割方法，包括：

S101、读取训练图像集和待分割图像，其中，所述训练图像集中的训练图像和待分割图像为腹部的CT图像；

S102、提取所述训练图像和待分割图像的Haar特征、局部二进制模式特征、方向梯度直方图特征和共生矩阵特征；

S103、利用主成分分析方法将提取的所有特征进行特征融合，获取更有效的特征；

S104、利用分类器对所述待分割图像每个像素的特征进行分类，得到肝脏概率图；

S105、结合所述肝脏概率图与待分割图像，修改随机游走分割算法的图模型权值，实现肝脏的分割。

另一方面，本发明实施例提出一种基于特征学习的CT图像肝脏分割***，包括：

读取模块，用于读取训练图像集和待分割图像，其中，所述训练图像集中的训练图像和待分割图像为腹部的CT图像；

提取模块，用于提取所述训练图像和待分割图像的Haar特征、局部二进制模式特征、方向梯度直方图特征和共生矩阵特征；

融合模块，用于利用主成分分析方法将提取的所有特征进行特征融合，获取更有效的特征；

分类模块，用于利用分类器对所述待分割图像每个像素的特征进行分类，得到肝脏概率图；

分割模块，用于结合所述肝脏概率图与待分割图像，修改随机游走分割算法的图模型权值，实现肝脏的分割。

本发明实施例提供的基于特征学习的CT图像肝脏分割方法及***，通过融合图像的不同特征并分类，实现图像中像素点的学习，获得图像对应的肝脏概率图，在此基础上，利用随机游走算法自动地分割出肝脏区域。实验结果证明，本发明能够获得较好的分割结果，在对图像进行特征学习的基础上结合随机游走算法，相比于单独地使用随机游走算法，更加有效地提高了CT图像中肝脏的分割精度。

附图说明

图1为本发明基于特征学习的CT图像肝脏分割方法一实施例的流程示意图；

图2为本发明基于特征学习的CT图像肝脏分割***一实施例的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本实施例公开一种基于特征学习的CT图像肝脏分割方法，包括：

S101、读取训练图像集和待分割图像，其中，所述训练图像集中的训练图像和待分割图像为腹部的CT图像；

S102、提取所述训练图像和待分割图像的Haar特征、局部二进制模式特征、方向梯度直方图特征和共生矩阵特征；

S103、利用主成分分析方法将提取的所有特征进行特征融合，获取更有效的特征；

S104、利用分类器对所述待分割图像每个像素的特征进行分类，得到肝脏概率图；

S105、结合所述肝脏概率图与待分割图像，修改随机游走分割算法的图模型权值，实现肝脏的分割。

本实施例提供的基于特征学习的CT图像肝脏分割方法，通过融合图像的不同特征并分类，实现图像中像素点的学习，获得图像对应的肝脏概率图，在此基础上，利用随机游走算法自动地分割出肝脏区域。实验结果证明，本发明能够获得较好的分割结果，在对图像进行特征学习的基础上结合随机游走算法，相比于单独地使用随机游走算法，更加有效地提高了CT图像中肝脏的分割精度。

可选地，在本发明基于特征学习的CT图像肝脏分割方法的另一实施例中，所述S103中具体做法为：

对图像中的任一样本点，用以上四种特征组合表示其周围邻域的局部纹理信息：

f＝[f_Haar；f_LBP；f_HOG；f_GLM]，

其中，f_Haar为Haar特征，f_LBP为局部二进制模式特征，f_HOG为方向梯度直方图特征，f_GLM为共生矩阵特征；

对组合后的特征进行降维，以去除特征中相互关系密切的部分，获取降维后的像素点的特征。

组合后的特征维数较高，特征间可能存在信息冗余，造成计算内存的浪费。本发明通过对高维特征的降维，去除特征中相互关系密切的部分，减小噪声干扰，提取出最能反映其特征的数据。

可选地，在本发明基于特征学习的CT图像肝脏分割方法的另一实施例中，所述降维的方法为主成分分析方法、独立成分分析方法、线性判别分析方法、局部线性嵌入方法、拉普拉斯特征映射方法或互信息提取方法。

可选地，在本发明基于特征学习的CT图像肝脏分割方法的另一实施例中，所述S104具体为：

对所提取的图像纹理特征进行分类，由于所提取的腹部CT图像纹理特征具有较强的非线性特点，且样本量较大，本发明采用AdaBoost算法对提取样本点集的特征信息进行分类，构造区分肝脏与非肝脏纹理信息的分类器，利用分类器计算测试图像像素点x的肝脏概率p(x)。

在训练过程中，利用分类回归树作为弱分类器，通过训练将T个弱分类器集成为一个强分类器。N个训练样本的初始样本权值为：

D₁(n)＝1/N，

其中，N为样本点数量。当一个弱分类器训练完成后，根据该弱分类器对训练样本集的分类错误率：

$e=\underset{n=1}{\overset{N}{\Σ}}{D}_1\left(n\right)\[1_{(y_n\≠h({f^{\′}}_n\left)\right)}\],$

将其权重调整为：

$\∂=-\frac{1}{2}log\left(\frac{e}{1-e}\right),$

同时更新样本权值：

$D_{t+1}\left(n\right)=D_t\left(n\right)\exp (-{\∂}_t{y}_n{h}_t({f^{\′}}_n\left)\right)/Z,$

其中，D(n)为样本权值，弱分类器h(f_n')∈{-1,1}，1为分类结果属于肝脏，-1为分类结果不属于肝脏，表示训练图像中像素点本来属于肝脏但分类结果不属于肝脏时结果等于1，h表示弱分类器，f'_n表示第n个样本点的降维后特征向量，h(f'_n)为弱分类器对特征f'_n进行分类，D_t(n)为第t次迭代更新后的样本权值，为第t次迭代的权重，y_n表示第n个样本点的类别；Z为归一化因子。被错误分类的样本相应的新权值较高，使得下一次训练的弱分类器更倾向于对这些样本的分类。

在测试过程中，对于测试样本x，其特征向量为f'_x，集成后的强分类器的判决结果为所有弱分类器判决结果的加权和：

$H\left({f^{\′}}_x\right)=\stackrel{T}{\Σ}{\∂}_t{h}_t\left({f^{\′}}_x\right),$

利用此加权和，计算测试像素点x属于肝脏区域的概率估计：

$p(y=1|x)=\frac{e^{H\left({f^{\′}}_x\right)}}{e^{H\left({f^{\′}}_x\right)}+e^{-H\left({f^{\′}}_x\right)}},$

其中，h_t(f'_x)为弱分类器对特征f'_x进行第t次分类，y＝1表示像素点属于肝脏，p(y＝1|x)为测试像素点x属于肝脏区域的概率估计，y为属于肝脏区域的指引，H为所有弱分类器。

所使用的分类器可以是利用分类回归树作为弱分类器的AdaBoost分类器，以支持向量机作为弱分类器的AdaBoost分类器，支持向量机分类器，决策树分类器，人工神经网络分类器，朴素贝叶斯分类器，随机森林分类器等，且不局限于这几种分类器。对于测试图像上的每个像素点，都可得到相应的肝脏概率估计。对于任意一幅待测试的腹部CT图像，提取纹理特征并分类，便可得到对应的肝脏概率图，自动实现测试图像像素点的模糊分类。

可选地，在本发明基于特征学习的CT图像肝脏分割方法的另一实施例中，所述S105具体为：

对于待分割图像I_test，由统计可知，肝脏区域的灰度值对应腹部图像灰度值统计的某一固定峰值附近。基于此特征，针对肝脏区域所占面积较大的第z₀层切片I_test(z₀)，选取待分割图像灰度统计图中，此峰值两边的波谷s₁、s₂作为选取肝脏区域的阈值，阈值化的二值图像包括包含肝脏区域的二值图像g₁和包含背景区域的二值图像g₂：

g₁(k,l,z₀)＝1(s₁≤I(I_test(k,l,z₀))≤s₂)，

g₂(k,l,z₀)＝1(I(I_test(k,l,z₀))≤s₁)，

其中，k,l代表像素点在切片中的位置，I_test(k,l,z₀)表示切片z₀中k,l对应位置处的像素点，I(*)表示像素点*的灰度值，对图像g₂做腐蚀运算，即获取第z₀层切片非肝脏区域的确信像素点；对图像g₁做腐蚀运算并找到最大连通区域r₁，再做腐蚀运算后的像素点即为第z₀层切片肝脏区域的确信像素点，

对于除z₀层的其他切片，为防止当肝脏所占面积较小时，无法由最大连通域找到肝脏区域，本发明利用相邻切片间的连接信息确定肝脏区域，首先，利用相邻切片的最大连通区域r₁作为先验信息，找出包含r₁的最小矩形区域并向外延拓八个像素；然后，在此区域上重复上述步骤，便可自动选取所有切片中肝脏与非肝脏区域的确信像素点作为随机游走的种子点seed_in、seed_out，

原始的随机游走算法只根据种子点提取CT图像的先验信息，并没有有效地利用图像特征空间的信息，本发明将随机游走推广至特征空间，结合图像空间的先验信息并用于图像的特征空间中，基于待分割图像对应的肝脏概率图，利用改进的随机游走算法确定肝脏的边界，考虑到在原始待分割图像中，对于肝脏边缘模糊区域，像素点的对比度较低，难以识别肝脏区域，本发明通过利用肝脏概率图的信息，首先将其映射为带权的无向图G＝(V,E)，结点集V由肝脏概率图P的像素点集构成，边集E由邻接像素关系构成，其权值由像素点的先验概率决定：

${\mathrm{\ω}}_{e_{ij}}=\exp (-\mathrm{\β}{\left(P\left(i\right)-P\left(j\right)\right)}^2),$

其中，i,j为待分割图像I_test中的像素索引，e_ij为两像素间的相邻关系，β为调整参数，P(i)和P(j)分别为索引为i的像素的先验概率和索引为j的像素的先验概率，然后计算每个未标记像素点到达肝脏区域种子点seed_in的概率q：

$q=\underset{P}{\mathrm{argmin}}\underset{e_{ij}\∈E}{\Σ}{\left({\mathrm{\ω}}_{e_{ij}}\right|P\left(i\right)-P\left(j\right)\left|\right)}^2$

s.t.q(seed_in)＝1,q(seed_out)＝0，

其中，q(seed_in)表示seed_in的先验概率，q(seed_out)表示seed_out的先验概率。

最后判断此概率，大于或者等于1/2时，像素点的类别label被判为1，即属于肝脏区域；否则，属于非肝脏，最终实现肝脏的分割，即：

$label\left(i\right)=\left\{\begin{array}{cc}1,& q\left(i\right)\&GreaterEqual;1/2\\ 0,& q\left(i\right)<1/2\end{array}\right..$

可选地，在本发明基于特征学习的CT图像肝脏分割方法的另一实施例中，对图像g₂做腐蚀运算所使用的腐蚀参数为6，对图像g₁做的两次腐蚀运算所使用的腐蚀参数为4。

如图2所示，本实施例公开一种基于特征学习的CT图像肝脏分割***，包括：

读取模块1，用于读取训练图像集和待分割图像，其中，所述训练图像集中的训练图像和待分割图像为腹部的CT图像；

提取模块2，用于提取所述训练图像和待分割图像的Haar特征、局部二进制模式特征、方向梯度直方图特征和共生矩阵特征；

融合模块3，用于利用主成分分析方法将提取的所有特征进行特征融合，获取更有效的特征；

分类模块4，用于利用分类器对所述待分割图像每个像素的特征进行分类，得到肝脏概率图；

分割模块5，用于结合所述肝脏概率图与待分割图像，修改随机游走分割算法的图模型权值，实现肝脏的分割。

本实施例提供的基于特征学习的CT图像肝脏分割***，通过融合图像的不同特征并分类，实现图像中像素点的学习，获得图像对应的肝脏概率图，在此基础上，利用随机游走算法自动地分割出肝脏区域。实验结果证明，本发明能够获得较好的分割结果，在对图像进行特征学习的基础上结合随机游走算法，相比于单独地使用随机游走算法，更加有效地提高了CT图像中肝脏的分割精度。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (8)

1.一种基于特征学习的CT图像肝脏分割方法，其特征在于，包括：

S101、读取训练图像集和待分割图像，其中，所述训练图像集中的训练图像和待分割图像为腹部的CT图像；

S102、提取所述训练图像和待分割图像的Haar特征、局部二进制模式特征、方向梯度直方图特征和共生矩阵特征；

S103、利用主成分分析方法将提取的所有特征进行特征融合，获取更有效的特征；

S104、利用分类器对所述待分割图像每个像素的特征进行分类，得到肝脏概率图；

S105、结合所述肝脏概率图与待分割图像，修改随机游走分割算法的图模型权值，实现肝脏的分割。

2.根据权利要求1所述的基于特征学习的CT图像肝脏分割方法，其特征在于，所述S103中具体做法为：

对图像中的任一样本点，用以上四种特征组合表示其周围邻域的局部纹理信息：

f＝[f_Haar；f_LBP；f_HOG；f_GLM]，

其中，f_Haar为Haar特征，f_LBP为局部二进制模式特征，f_HOG为方向梯度直方图特征，f_GLM为共生矩阵特征；

对组合后的特征进行降维，以去除特征中相互关系密切的部分，获取降维后的像素点的特征。

3.根据权利要求2所述的基于特征学习的CT图像肝脏分割方法，其特征在于，所述降维的方法为主成分分析方法、独立成分分析方法、线性判别分析方法、局部线性嵌入方法、拉普拉斯特征映射方法或互信息提取方法。

4.根据权利要求1述的基于特征学习的CT图像肝脏分割方法，其特征在于，所述S104中的分类器为决策树分类器、人工神经网络分类器、朴素贝叶斯分类器、随机森林分类器、支持向量机分类器、利用分类回归树作为弱分类器的AdaBoost分类器或者支持向量机作为弱分类器的AdaBoost分类器。

5.根据权利要求1述的基于特征学习的CT图像肝脏分割方法，其特征在于，所述S104具体为：

对于所述待分割图像上的每个像素点x,利用分类器对该像素点x的特征进行分类，都可得到相应的肝脏概率估计p(x)，从而得到对应的肝脏概率图P，自动实现所述待分割图像像素点的模糊分类。

6.根据权利要求1所述的基于特征学习的CT图像肝脏分割方法，其特征在于，所述S105具体为：

对于待分割图像I_test，针对肝脏区域所占面积较大的第z₀层切片I_test(z₀)，选取待分割图像灰度统计图中，此峰值两边的波谷s₁、s₂作为选取肝脏区域的阈值，阈值化的二值图像包括包含肝脏区域的二值图像g₁和包含背景区域的二值图像g₂：

g₁(k,l,z₀)＝1(s₁≤I(I_test(k,l,z₀))≤s₂)，

g₂(k,l,z₀)＝1(I(I_test(k,l,z₀))≤s₁)，

其中，k,l代表像素点在切片中的位置，I_test(k,l,z₀)表示切片z₀中k,l对应位置处的像素点，I(*)表示像素点*的灰度值，对图像g₂做腐蚀运算，即获取第z₀层切片非肝脏区域的确信像素点；对图像g₁做腐蚀运算并找到最大连通区域r₁，再做腐蚀运算后的像素点即为第z₀层切片肝脏区域的确信像素点，

对于除z₀层的其他切片，利用相邻切片间的连接信息确定肝脏区域，首先，利用相邻切片的最大连通区域r₁作为先验信息，找出包含r₁的最小矩形区域并向外延拓八个像素；然后，在此区域上重复上述步骤，便可自动选取所有切片中肝脏与非肝脏区域的确信像素点作为随机游走的种子点seed_in、seed_out，

将随机游走推广至特征空间，结合图像空间的先验信息并用于图像的特征空间中，基于待分割图像对应的肝脏概率图，利用改进的随机游走算法确定肝脏的边界，考虑到在原始待分割图像中，对于肝脏边缘模糊区域，像素点的对比度较低，难以识别肝脏区域，通过利用肝脏概率图的信息，首先将其映射为带权的无向图G＝(V,E)，结点集V由肝脏概率图P的像素点集构成，边集E由邻接像素关系构成，其权值由像素点的先验概率决定：

${\mathrm{\&omega;}}_{e_{ij}}=\exp (-\mathrm{\&beta;}{\left(P\left(i\right)-P\left(j\right)\right)}^2),$

其中，i,j为待分割图像I_test中的像素索引，e_ij为两像素间的相邻关系，β为调整参数，P(i)和P(j)分别为索引为i的像素的先验概率和索引为j的像素的先验概率，然后计算每个未标记像素点到达肝脏区域种子点seed_in的概率q：

$q=\underset{P}{\mathrm{argmin}}\underset{e_{ij}\&Element;E}{\&Sigma;}{\left({\mathrm{\&omega;}}_{e_{ij}}\right|P\left(i\right)-P\left(j\right)\left|\right)}^2$

s.t.q(seed_in)＝1,q(seed_out)＝0，

其中，q(seed_in)表示seed_in的先验概率，q(seed_out)表示seed_out的先验概率。

最后判断此概率，大于或者等于1/2时，像素点的类别label被判为1，即属于肝脏区域；否则，属于非肝脏，最终实现肝脏的分割，即：

$label\left(i\right)=\left\{\begin{array}{cc}1,& q\left(i\right)\&GreaterEqual;1/2\\ 0,& q\left(i\right)<1/2\end{array}\right..$

7.根据权利要求6所述的基于特征学习的CT图像肝脏分割方法，其特征在于，对图像g₂做腐蚀运算所使用的腐蚀参数为6，对图像g₁做的两次腐蚀运算所使用的腐蚀参数为4。

8.一种基于特征学习的CT图像肝脏分割***，其特征在于，包括：

读取模块，用于读取训练图像集和待分割图像，其中，所述训练图像集中的训练图像和待分割图像为腹部的CT图像；

提取模块，用于提取所述训练图像和待分割图像的Haar特征、局部二进制模式特征、方向梯度直方图特征和共生矩阵特征；

融合模块，用于利用主成分分析方法将提取的所有特征进行特征融合，获取更有效的特征；

分类模块，用于利用分类器对所述待分割图像每个像素的特征进行分类，得到肝脏概率图；

分割模块，用于结合所述肝脏概率图与待分割图像，修改随机游走分割算法的图模型权值，实现肝脏的分割。