一种脑组织提取方法

摘要

一种脑组织提取方法，依次包括：对训练集图像和测试集图像进行预处理；提取训练集图像的图像特征组成训练集，提取测试集图像的图像特征组成测试集；根据训练集构建字典；依据训练集和字典计算训练集样本由字典中单词线性组合的权重系数向量；依据字典和测试集计算测试集样本由字典中单词线性组合的权重系数向量；计算字典中每个单词的分类评分；通过局部线性表示计算测试样本的分类评分，完成对测试样本的分类，得到初步分割结果；对初步分割结果进行后处理，得到分割处理后的脑组织图片。本发明能够高效、准确地提取脑组织图像。

主权项

一种脑组织提取方法，其特征在于：依次包括如下步骤，(1)对训练集图像和测试集图像进行预处理；(2)提取训练集图像的图像特征，将所提取的训练集图像的图像特征连同预先标记好的标签组成训练集，提取测试集图像的图像特征组成测试集；(3)由训练集构建字典；(4)依据字典和训练集计算训练集中每个样本由字典中单词线性组合的权重系数向量；(5)依据字典和测试集计算测试集中每个样本由字典中单词线性组合的权重系数向量；(6)依据训练集和步骤(4)得到的训练集样本的线性组合权重系数向量计算字典中每个单词的分类评分；(7)根据步骤(6)得到的单词的分类评分及步骤(5)得到测试集样本的线性组合权重系数向量，通过局部线性表示计算测试样本的分类评分，完成对测试样本的分类，得到初步分割结果；(8)对初步分割结果进行后处理，得到分割处理后的脑组织图片；所述步骤(1)中，预处理操作具体包括：使用N3算法进行去偏移场操作、使用两步法进行灰度归一化操作和通过线性配准将图像配准到标准模板空间进行空间归一化操作；所述步骤(2)中的图像特征包括灰度图像块特征及体素的坐标，标签由代表脑组织的标记和代表非脑组织的标记两部分构成；所述步骤(3)中，建字典的方法具体是使用K均值聚类方法对训练样本进行聚类，选择聚类中心作为字典元素构建字典，每个字典元素称为一个单词；所述步骤(4)、步骤(5)中使用局部锚嵌入LAE方法计算单词的线性组合权重系数向量；依据LAE方法，一个样本X通过如下方式表示：$\begin{array}{ccc}x=Da+ϵ=\underset{j=1}{\overset{N}{\Sigma }}{a}_j{d}_j+ϵ;& s.t.& \forall d_j\notin N_x\left(k\right),a_j=0;\end{array}$其中，矩阵D＝[d₁：d₂：…：d_N]为通过步骤(3)得到的字典，N_x(k)代表字典D中训练样本X最邻近的K个训练样本的集合，ε为重建误差，a＝(a₁：a₂：…：a_N)^T代表线性组合权重系数向量；计算线性组合权重系数向量的具体过程是从字典中选出训练样本X的K个最邻近的训练样本并构建N_x(k)，对于不属于N_x(k)的元素d_j设其相应的系数a_j为0，对于属于N_x(k)的元素d_j利用梯度投影法求解得到与其对应的系数a_j；所述步骤(6)中，分类评分的计算是通过求解分类代价函数得到的；所述步骤(6)具体是通过置信空间法求解分类代价函数得到分类评分；所采用的代价函数的形式为：$\begin{array}{ccc}J\left(h\right)=\underset{i=1}{\overset{M}{\Sigma }}\left|\right|\underset{j=1}{\overset{N}{\Sigma }}{a}_j^{\left(i\right)}{h}_j-y^{\left(i\right)}|{|}^2& s.t.& h_j⋐[0,1];\end{array}$其中h＝(h₁：h₂：…：h_N)^T是字典D中每个元素的分类评分，是需要计算的参数；h的取值范围为[0,1]，y为已知的标记，a通过步骤(4)计算得到的；所述步骤(7)中，测试样本由其最邻近测试样本线性组合表示，构建测试样本分类函数H为：$\begin{array}{c}H\left(x\right)=H\left(Da\right)\\ =H\left(\underset{j=1}{\overset{N}{\Sigma }}{a}_j{d}_j\right)\\ =\underset{j=1}{\overset{N}{\Sigma }}{a}_{j}H\left(d_j\right)\\ =\underset{j=1}{\overset{N}{\Sigma }}{a}_j{h}_j\end{array}$其中h通过步骤(6)计算得到，测试样本的线性组合权重系数向量a通过步骤(5)的方法得到，通过计算测试样本分类函数得到测试样本X最后的分类评分，完成对测试样本的分类，得到初步分割结果。