一种基于多特征学的动脉粥样硬化斑块成分分割方法

摘要

一种基于多特征学的动脉粥样硬化斑块成分分割方法，包括以下步骤：1)获取多序列动脉血管斑块图像；2)图像预处理；3)斑块特征提取及描述；4)分类器训练：分类器模型是支持向量机SVM；最后四种序列MRI动脉斑块图像共生成4个特征集，每一个特征集训练生成一个分类器，最终得到4个分类器，即lipid分类器，fibrous分类器，calcium分类器，hemorrhage分类器；5)训练器优化；6)对于斑块组织的某一个像素分别用四个分类器计算其隶属于不同组织的程度，根据得到的隶属度竞争排序，把隶属度最高的成分作为最终结果。本发明精确性良好、鲁棒性较高。

主权项

一种基于多特征学习的动脉粥样硬化斑块成分分割方法，其特征在于：所述分割方法包括以下步骤：1)获取多序列动脉血管斑块图像；2)图像预处理选取以动脉血管内壁为中心的ROI作为研究区域，对选取的ROI做灰度值的窗宽、窗位调整，然后对ROI做去噪处理；3)斑块特征提取及描述从斑块图像的灰度值、高斯模糊特征、梯度值、斑块到血管内外壁的最近距离、图像的拉普拉斯特征以及斑块的纹理特征分别描述斑块的特征；4)分类器训练：分类器模型是支持向量机SVM，训练过程如下：(4.1)训练样本的收集与标定训练样本中，T1序列图像作为参考图像，医生手动标定动脉粥样硬化斑块成分是在T1图像上操作，其他四种序列T1GD、T2、PD和STIR的斑块成分是按照T1标定的结果映射在其上；(4.2)样本预处理首先对样本图像做灰度值拉伸操作，使其灰度值分布范围在[0,255]区间范围，然后是对图像去噪声处理，最后是把医生的对斑块成分的标定结果做二值化处理，即把医生标定的斑块的每一种成分储存在的二值矩阵中；(4.3)训练样本进一步分类和特征量化处理训练样本的进一步分类是把样本细分为lipid样本集、fibrous样本集、calcium样本集以及hemorrhage样本集；特征量化处理是把已经提取到的斑块特征做归一化处理，所有特征经过归一化之后形成一个特征向量，该特征向量如式(10)所示：$\overrightarrow{F}=[\overrightarrow{V},\overrightarrow{G},\bar{G}\overrightarrow{M},\overrightarrow{L},\overrightarrow{T}]---\left(10\right)$式中，V表示斑块的灰度值，G表示斑块的高斯模糊值，GM表示灰度值高斯模糊后的灰度特征，L表示拉普拉斯特征，D表示斑块空间位置特征，T表示斑块的纹理特征。；(4.4)分类器训练，最后四种序列MRI动脉斑块图像共生成4个特征集，每一个特征集训练生成一个分类器，最终得到4个分类器，即lipid分类器，fibrous分类器，calcium分类器，hemorrhage分类器；5)训练器优化把样本集分为训练集和测试集两个部分，然后用训练集的样本训练分类器，用得到的分类器检验测试集的识别率，依次判断循环下去，直到得到的训练器分类正确率达到最大值为止，此时得到的分类器认为是最优分类器；6)对于斑块组织的某一个像素分别用四个分类器计算其隶属于不同组织的程度，过程如下：(6.1)首先把T1GD、T2、PD和STIR斑块组织图像在每个像素点出的特征提取出来；(6.2)把(6.1)中提取的斑块特征分别放到步骤(5)中优化后的四个分类器中，四种分类器分别计算其隶属于其成分的程度；(6.3)根据得到的(6.2)中的隶属度竞争排序，把隶属度最高的成分作为最终结果。