[发明专利]一种基于训练样本优化的骨骼抑制方法

摘要

一种基于训练样本优化的骨骼抑制方法，其特征步骤是①、根据图像灰度与形状信息对肺区进行最优分割；②、使用B样条小波变换的特征和jet进行特征提取，提取有效描述不同尺度骨骼的特征图像是模型建立的基础，特征图像提取包括三阶B样条多尺度小波变换及多尺度N‑jet提取；③、使用Q型因子分析法对样本进行处理；④、使用BP神经网络预测骨骼图像，建立肺部X光图像与DES肋骨图像之间的预测模型；⑤、对正常胸片与预测的骨骼图像做图像减法来预测软组织图像，建立预测模型后，根据肺部x光图像的灰度值分布来预测产生骨结构图像在肺部x光图像中减去预测获得的骨骼图像就可以获得软组织图像。

主权项

一种基于训练样本优化的骨骼抑制方法，其步骤如下：步骤一：根据图像灰度与形状信息对肺区进行分割，即建立肺轮廓的先验模型，利用灰度与形状相似性信息并结合图像特征对肺区域分割；步骤二：采用B样条小波变换和N‑jet进行特征提取，提取有效描述不同尺度骨骼的特征图像；步骤三：使用Q型因子分析法对样本进行处理，其过程如下：1、采用Q型因子分析对大样本数据进行预处理，提取特征图像的观测数据矩阵X；2、对数据矩阵X进行按列标准化，采用零均值标准差标准化的方法；3、求出样本间的相似系数矩阵Q；记第i个样本和第j个样本的观测p次测试值为n维空间中的两个点，则坐标原点分别到这两个点的n维空间向量间夹角的余弦值为相似系数，其计算公式如下：qij=Σk=1pxkixkjΣk=1pxki2Σk=1pxkj2,(i,j=1,2,...,n)]]>其中xki为第i个样本的第k个特征值，xkj为第j个样本的第k个特征值；所有相似系数构成的矩阵为相似系数矩阵；4、求相似系数矩阵Q的特征值和相应的特征向量；假设Q的n个特征值为λ1,λ2,.........λn，且λ1≥λ2≥…≥λn，对应的单位正交特征向量为μ1,μ2,…,μn，在n个样本中选择m个样本(m<n)来代表这组观测样本，n个样本中除m个样本外的样本由选定的m个样本线性组合表示；各个特征值的大小代表各个因子的方差在总方差中所占的比例；ηm为累计贡献率，ηm=Σi=1mλiΣi=1nλi]]>5、初始因子载荷矩阵A；其中μij是λj对应的第i个分量，且aij表示第i个样本与第j个公因子的相似系数；6、因子旋转；采用方差最大正交旋转，所述正交旋转是指坐标轴始终保持90度角旋转，得到因子载荷矩阵G，其表示为：G＝(gij),gij＝bij×hi式中，i＝1,…,n,j＝1,…,m；bij＝aij/hi；7、根据因子载荷矩阵G，从原始的样本中按照比例选出具有代表性的样本集；步骤四：使用BP神经网络预测骨骼图像，建立肺部X光图像的特征图像与DES肋骨图像之间的预测模型；假设由输入层、隐含层和输出层构成的三层BP神经网络，输入节点xi，隐含层节点yj，输出节点zl；输入节点与隐含层节点间的网络权值为wji，隐含层节点与输出节点的网络权值为Olj，当输出节点的期望输出为tl时，BP模型的计算公式为：隐含层检点的输出yj=f(Σiwjixi-θj)=f(netj)---(7)]]>其中，θj为隐含层的偏置；输出节点的计算输出zl=f(Σjoljyj-θl)=f(netl)]]>其中，θl为输出层的偏置；输出节点的误差公式E=12Σl(tl-zl)2=12Σl(tl-f(Σjoljyj-θl))2=12Σl(tl-f(Σjoljf(Σiwjixi-θj)-θl))2]]>步骤五、对正常胸片与预测的骨骼图像做图像减法来预测软组织图像，建立预测模型后，可以根据肺部x光图像的灰度值分布来预测产生骨结构图像在肺部x光图像中减去预测获得的骨骼图像就可以获得软组织图像。