[发明专利]基于字典学习的医学图像交互式联合分割

摘要

本发明公开了一种基于字典学习的医学图像交互式联合分割方法，主要解决现有交互式分割腹部图像计算量大的问题。其实现过程是：输入腹部CT图像序列，用分水岭方法进行初分割并提取每个区域的灰度梯度特征；然后从中选出一幅图像由用户交互式标记目标区域和背景区域；再基于区域间的最大相似性准则对未标记的区域进行合并，直到整幅图像被分为目标和背景两部分为止；然后对得到的目标和背景区域进行训练生成目标字典和背景字典，再用这些字典去逼近序列中待分割的图像并找到逼近误差最小的区域作为标记目标和标记背景，最后用区域合并方法分割出目标。本发明具有对医学图像分割效果好、省时省力的优点，可用于对腹部CT序列图像的分割。

主权项

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，…，In}，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Ii，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MO和部分背景区域MB，其中MO包含初分割子图I′i的kO个区域，MB包含初分割子图I′i的kB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‑kO‑kB，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MB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Ii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DO，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DB＝{DB1，DB2，DB3，DB4}，其中DB1，DB2，DB3，DB4分别为4类背景区域对应的背景字典；(6)由目标字典DO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MO；由4个背景字典DB1，DB2，DB3，DB4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MB，再次按照步骤(4)进行区域合并，得到图像Ij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。