[发明专利]一种基于稀疏特征和形状相关性的超声图像序列分割方法

摘要

本发明公开了一种基于稀疏特征和形状相关性的超声图像序列分割方法，首先利用稀疏表达理论构建基于目标和背景的过完备特征字典，并利用目标相对于目标和背景特征字典的重构误差，构建了一种基于稀疏特征竞争的活动轮廓搜索策略；然后针对输入一个待分割的超声图像序列，对超声图像序列之间目标形状的变化进行无监督学习，获得组成图像序列形状的矩阵，矩阵符合低秩属性，并将低秩属性作为目标形状变化的先验知识对活动轮廓的演化进行约束；最后将基于稀疏特征竞争的活动轮廓搜索策略和目标形状的先验知识整合进活动轮廓分割框架。本发明提供了更准确和鲁棒的分割结果，从而提高了计算机辅助治疗的效率和效果。

主权项

一种基于稀疏特征和形状相关性的超声图像序列分割方法，其特征在于，包括以下步骤：步骤1：准备M个超声图像序列作为训练样本，构建目标区域的特征集合AO和背景区域的特征集合Ab；步骤2：分别构建Ao和Ab的特征字典Do和Db；步骤3：根据特征字典Do和Db，计算输入信号集Q＝[q1,…,qn]的稀疏表达的系数Xo和Xb；其中输入信号集Q＝[q1,…,qn]代表的是待分割的图像序列I1,…,In中活动轮廓上的采样点集合，qi表示是待分割图像序列中第i个活动轮廓上采样点的集合，是一个向量；步骤4：根据稀疏表达系数Xo和Xb，分别计算信号集Q与Do和Db的重构误差；步骤5：构建基于稀疏特征竞争的活动轮廓搜索策略；步骤6：输入一个待分割的超声图像序列I1,…,In，n表示超声图像序列包含n帧图像；步骤7：对超声图像序列之间目标形状的变化进行无监督学习，获得组成图像序列形状的矩阵，所述矩阵符合低秩属性，并将低秩属性作为目标形状变化的先验知识对活动轮廓的演化进行约束；步骤8：将基于稀疏特征竞争的活动轮廓搜索策略和目标形状的先验知识整合进活动轮廓分割框架。