[发明专利]一种基于超像素和密度聚类的序列肺结节图像分割方法

摘要

本发明公开了一种基于超像素和密度聚类的序列肺结节图像分割方法，包括以下步骤：利用CT图像三维特征平均投影密度(AIP)结合多尺度圆点增强进行预处理；利用六边形聚簇和形态学优化的超像素序列图像分割算法(HMSLIC)对图像进行过分割；在超像素块间的距离计算中构造自适应权重系数，实现肺结节的精准定位，得到后续的聚类起始块，同时，通过对距离进行拟合并检测斜率的变化，得到后续准确的聚类阈值；采用只对肺结节进行聚类的策略和自适应阈值两方面优化的快速DBSCAN超像素序列图像聚类算法，得到序列肺结节掩膜，最终得到肺部CT的序列肺结节图像；能更快速、完整、准确地分割出各种类型的序列肺结节图像，为后续的处理和诊断分析奠定基础。

主权项

1.一种基于超像素和密度聚类的序列肺结节图像分割方法，其特征在于，包括以下步骤：步骤A，利用CT图像三维特征平均投影密度(AIP)结合多尺度圆点增强进行预处理；所述步骤A中预处理过程如下：A1、运用平均投影密度(AIP)对原始CT序列图像进行稀疏采样；通过计算连续多张CT图像每条射线上所遇点的灰度平均值，并应用到肺部CT图像中能有效起到弱化血管和血管形状恢复的作用，一定程度上消除长条形、斑点状的高亮血管对后续肺结节分割的影响；A2、通过不断的迭代尺度因子，选取各个尺度上响应最大的点进行输出，来得到圆点增强后的CT图像；针对肺结节的类圆形特征，设计对圆点增强的圆点相似性函数参数α，β用来设置R_A和R_B的权重；当为线性结构时，R_A＝0，d_o(λ)＝0，因此可以用R_A来区分圆形结构和线性结构；当为噪声点时，特征值λ₁和λ₂都特别小，此时R_B＝0，同理得到d_o(λ)＝0，因此可以用R_B来区分圆形结构和噪声点；并将Hessian矩阵运算与高斯函数相结合来实现多尺度的融合；步骤B，根据肺部图像中肺结节的类圆形特征和面积特征，采用一种改进的适用于肺部图像的超像素分割算法，即基于六边形聚簇和形态学优化的序列线性迭代聚类算法(HMSLIC)，来进行肺部CT序列图像的过分割；所述步骤B详细步骤如下：第1步，初始化六边形网格中的聚类中心C_k＝[L_k,a_k,b_k,x_k,y_k]^T、像素标签矩阵l、像素到聚类中心的距离矩阵D、六边形网格间距S和圆形结构元素半径r；第2步，当残差E>＝阈值T时，执行：得到聚类中心所在的子图像，以[x_k,y_k]为中心，2*S为边长；计算子图像中的每个像素到聚类中心的距离，如果距离小于之前的值，则更新它的标签矩阵l和距离矩阵D；并通过计算每个超像素块L、a、b、x、y的平均值来更新聚类中心；重新计算残差E，直到残差E<＝阈值T，则转到第3步；第3步，求取CT图像的每个不连通区域，分别执行圆形结构元素半径为r的开运算，并与原CT图像相减，得到的结果记为mask；第4步，对～mask进行距离变换，～是取反操作，把每个小区域归属到距离最近的超像素块中；计算超像素块邻接矩阵，用于后续操作；直到肺部CT序列图像分割完毕，执行连接操作，序列输出；步骤C，设计超像素块间的距离计算公式，并在其距离计算中构造自适应权重系数，实现肺结节的快速精准定位，得到后续的聚类起始块；同时，通过对距离进行拟合并检测斜率的变化，得到后续准确的聚类阈值，实现聚类阈值能根据具体CT图像和结节类型特征进行自动调整，达到自适应阈值的效果；步骤D，采用只对肺结节进行聚类的策略和快速准确自适应阈值两方面优化的DBSCAN超像素序列图像聚类算法，对超像素样本进行聚类，得到序列肺结节掩膜，最终得到肺部CT的序列肺结节图像。