[发明专利]一种基于条件随机场的二维CT图片中脂肪位置识别方法

说明书

技术领域

本发明涉图像识别技术领域，尤其涉及一种基于条件随机场的二维CT图片中脂肪位置识别方法。

背景技术

现有技术中，对二维CT图片中脂肪的位置进行识别一般使用马尔科夫随机场(Markov Random Fields,MRF)的方法。

MRF方法共包含四个步骤：

步骤一：对CT图片中所有的像素点进行随机分类，以完成脂肪位置检测的初始化。像素点共分为三类：皮下脂肪P，内脏脂肪N及其他区域Q。

步骤二：首先，统计每个像素点周围八个像素点的种类的数量。例如，一个像素点A周围的八个像素从左至右，从上至下的种类为[P，P，P，N，N，Q，Q，P]。所以，这个像素周围共有4个P，2个N，2个Q。其次，对于像素点A，因为其周围最多的像素类别为皮下脂肪P，所以将A的种类判断为皮下脂肪P。再次，对CT图片中所有的像素点进行以上的操作。至此，该CT图片中所有像素点的种类都进行了更新。

步骤三：多次重复步骤二中的操作，对整个流程进行迭代，以不断改进识别结果。迭代次数的选择有两种方案：一是人工给定一个次数，如120次；二是不给定具体的迭代次数，直到像素的分类不再变化(收敛)为止。

步骤四：当步骤三中的迭代完成时，对最终像素的分类进行可视化，得到脂肪位置的识别结果。可将皮下脂肪标、内脏脂肪标记为不同颜色，其他区域保持原始状态不标记。

但是上述MRF方法只能应用简单的像素信息对CT图片中脂肪的位置进行识别。当CT图片质量正常时，这些像素信息可以提供良好的识别信息，进而得到良好的脂肪位置检测结果。当CT图片具有大量噪音时，这些简单的像素信息容易与噪音发生混淆，严重影响脂肪位置识别结果。

如果能提出一种适用于高噪声CT图片脂肪位置识别技术，将是十分有意义的。

发明内容

为解决上述问题，本发明提供了一种基于条件随机场(CRF)的二维CT图片中脂肪位置识别方法，包括如下步骤：

步骤一：确定若干张用于进行条件随机场训练的、脂肪位置能被清晰识别的的原始CT图像。

步骤二：对各个原始CT图像的各个像素点进行最终特征向量提取，具体包含如下步骤：

步骤2.1：确定图中各个像素点的四个特征向量，分别为：像素值、像素块均值、方向梯度直方图(HoG)、HoG块。

步骤2.2：将各像素点的四个特征向量联合组成一个向量，该向量为该像素点的最终特征向量。

步骤三：将各个像素点的最终特征向量作为该点的描述子来表达对应原始CT图片的信息。

步骤四：利用各个原始CT图像中的描述子对分类器进行概率输出训练。

步骤五：根据步骤四的训练，得到一个CRF模型。

步骤六：利用CRF模型对将待检测脂肪位置的CT图像进行脂肪位置识别。

进一步的，步骤2.1中，像素块均值的计算方法为：以被计算像素点的坐标位置为中心，获取覆盖中心周围N*N个像素点范围内所有的像素值，计算这些像素值的均值，其中，N为整数。

进一步的，步骤2.1中，HoG块的获取方法为：以被计算像素点的坐标位置为中心，获取覆盖中心周围M*M个像素点范围内所有的方向梯度直方图,这些方向梯度直方图形成HoG块，其中，M为整数。

进一步的，所述分类器为支持向量机。

进一步的，所述分类器为人工神经网络分类器。

进一步的，所述分类器为贝叶斯分类器。

本发明的有益效果为：

本发明利用CRF方法的思路，并结合多特征融合的方法，全新设计并实现了一套CRF识别模型，能够有效地应对高噪音CT图片中脂肪位置的识别问题。

具体实施方式

本发明所述基于条件随机场的二维CT图片中脂肪位置识别方法包括如下步骤：

步骤一：确定若干张用于进行条件随机场训练(CRF)的、脂肪位置能被清晰识别的的原始CT图像。

本发明共使用超过5000张二维CT图片进行系统训练。

步骤二：对各个原始CT图像的各个像素点进行最终特征向量提取，具体为：

步骤2.1：确定图中各个像素点的四个特征向量，分别为：像素值、像素块均值、方向梯度直方图(HoG)、HoG块，下面对各个特征向量分别予以介绍。

1.像素值(Pixel Value)：在一张X像素长，Y像素高的CT图片中，(x,y)位置的Pixel Value可以定义为P(x,y)。P(x,y)是一个一维度长的特征向量。