[发明专利]基于字典学习的医学图像交互式联合分割

权利要求书

1.一种基于字典字习的医字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＝{I₁，I₂，…，I_n}，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_i，1≤i≤n，由用户在其对应初分割子图I′_i上标记部分目标区域M_O和部分背景区域M_B，其中M_O包含初分割子图I′_i的k_O个区域，M_B包含初分割子图I′_i的k_B个区域，剩余的未标记区域N包含初分割子图I′_i的s个区域，s的大小为L-k_O-k_B，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M_B中相似性最大的区域合并得到新的标记背景区域M′_B，重复合并剩下的未标记区域与M′_B，直到s＝0合并完成后，得到了图像I_i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_O，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_B＝{D_B1，D_B2，D_B3，D_B4}，其中D_B1，D_B2，D_B3，D_B4分别为4类背景区域对应的背景字典；

(6)由目标字典D_O去逼近一幅待分割的图像I′_i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_O；由4个背景字典D_B1，D_B2，D_B3，D_B4分别去逼近待分割图像I′_i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_B，再次按照步骤(4)进行区域合并，得到图像I_j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。

2.根据权利要求1所述的方法，其中步骤(1)所述的用分水岭方法对腹部CT序列图像进行初始分割，是先对图像的每个像素的灰度级进行由低到高排序，再从低到高实现淹没，对每一个局部极小值在高度为某一灰度级的影响域采用先进先出FIFO进行判断及标注。

3.根据权利要求1所述的方法，其中步骤(2)所述的计算每一个区域的灰度梯度特征向量，是先计算每个像素点的灰度梯度特征向量，并统计每个区域的像素点数，然后计算每个区域内所有像素点的灰度梯度特征向量的平均值。

4.根据权利要求1所述的方法，其中所述步骤(6)中的由目标字典D_O去逼近一幅待分割的图像I′_i的特征向量X，是将字典D_O或D_B1，D_B2，D_B3，D_B4中的原子进行正交化处理后，再将X在这些正交原子构成的空间上进行分解得到逼近系数α。

5.根据权利要求1所述的方法，其中所述步骤(6)中计算逼近误差最小的区域，是通过公式计算，即计算待逼近的特征向量X减Dα的2范数平方的最小值，其中D为目标字典D_O或背景字典D_B1，D_B2，D_B3，D_B4；X为待逼近的特征向量，α为逼近系数，R(X，D)为特征向量X与字典D的最小逼近误差。