| 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。 |
