主权项 |
一种基于字典学习的医学图像交互式联合分割方法,包括如下步骤:(1)输入腹部CT序列图像I={I<sub>1</sub>,I<sub>2</sub>,…,I<sub>n</sub>},n为从序列图中选取图像的数量,n最大值为100,并用分水岭方法对腹部CT序列图像I进行初始分割,得到初分割子图像I′;(2)统计每幅图初分割后的区域的数目L,并计算每一个区域的灰度梯度特征向量;(3)从序列图像I中随机选取一幅图像I<sub>i</sub>,1≤i≤n,由用户在其对应初分割子图I′<sub>i</sub>上标记部分目标区域M<sub>O</sub>和部分背景区域M<sub>B</sub>,其中M<sub>O</sub>包含初分割子图I′<sub>i</sub>的k<sub>O</sub>个区域,M<sub>B</sub>包含初分割子图I′<sub>i</sub>的k<sub>B</sub>个区域,剩余的未标记区域N包含初分割子图I′<sub>i</sub>的s个区域,s的大小为L‑k<sub>O</sub>‑k<sub>B</sub>,该目标区域代表腹部CT图像中的胃癌病变区域;(4)基于最大相似性准则对上述标记后的图像进行区域合并,即先将未标记区域N中与标记背景区域M<sub>B</sub>中相似性最大的区域合并得到新的标记背景区域M′<sub>B</sub>,重复合并剩下的未标记区域与M′<sub>B</sub>,直到s=0合并完成后,得到了图像I<sub>i</sub>的全部目标区域和背景区域;(5)用K‑SVD算法对步骤(4)中得到的目标区域所对应的特征向量训练生成一个目标字典D<sub>O</sub>,并将步骤(4)中得到的背景区域用k均值方法聚为4类,然后分别对每类训练生成背景字典D<sub>B</sub>={D<sub>B1</sub>,D<sub>B2</sub>,D<sub>B3</sub>,D<sub>B4</sub>},其中D<sub>B1</sub>,D<sub>B2</sub>,D<sub>B3</sub>,D<sub>B4</sub>分别为4类背景区域对应的背景字典;(6)由目标字典D<sub>O</sub>去逼近一幅待分割的图像I′<sub>j</sub>的特征向量X,1≤j≤n,j≠i,计算出逼近误差最小的区域作为标记目标区域M<sub>O</sub>;由4个背景字典D<sub>B1</sub>,D<sub>B2</sub>,D<sub>B3</sub>,D<sub>B4</sub>分别去逼近待分割图像I′<sub>j</sub>的特征向量X,计算出的4个逼近误差最小的区域一起作为标记背景区域M<sub>B</sub>,再次按照步骤(4)进行区域合并,得到图像I<sub>j</sub>的目标区域;(7)重复执行步骤(6),对输入的一组序列图像I中还未分割的图像进行目标区域提取,直到所有序列图像都分割出目标区域为止。 |