全表示半监督快速谱聚类的医学图像分割方法及系统的制作方法
【专利摘要】本发明公开了全表示半监督快速谱聚类的医学图像分割方法及系统。方法步骤包括：获取等待处理的医学图像；通过触摸屏在该医学图像中圈画；对全幅医学图像进行像素灰度、空间位置及Gabor纹理特征提取，进行特征归一化和特征降维处理；进行圈画区域参照信息的All-In-One形式表示；生成基于全表示半监督机制的图论松弛聚类模型；聚类模型二次项重新整理成新的正定矩阵；改写为约束型最小包含球形式；基于核心集最小包含球快速逼近策略估算最终解；图示化聚类指示向量决定聚类分割的实际类别数；根据类别数基于K均值算法将聚类指示分量划分成不同子集。系统包括一个FPGA模块及外接设备。本发明方法及系统，操作简单，实时性好，准确性高。
【专利说明】 全表示半监督快速谱聚类的医学图像分割方法及系统
【技术领域】
[0001]本发明属于智能医学图像分割【技术领域】，涉及全表示半监督快速谱聚类的医学图像分割方法，本发明还涉及实现该方法的医学图像分割系统。
【背景技术】
[0002]迅速发展的CT、MRI和PET等医学影像技术不断推动着现代医学的进步，其作用已经从人体组织器官解剖结构的非侵入检查和可视化，进一步发展成用于疾病诊断、治疗方案设计和治疗效果评价的基本工具。医学临床实践和研究经常需要对人体某种组织和器官的形状、边界、截面积及体积进行测量，从而得出该组织病理或功能方面的重要信息。这里医学图象分割系统及其核心方法发挥着至关重要的作用。医学图像分割系统通过内嵌图像分割算法根据某种一致性原则将医学影像图片划分成若干区域，从中找出目标组织对应的区域并进行可视化展现，为医务人员进行后续定量测绘、定性分析与判别提供方便，为临床诊断、疗效评估等提供重要参考。
[0003]医学图像处理具有两方面特殊性。一方面是医学图像本身物理特性:其对比度通常较低、伴有较多噪声和伪影；组织和个体差异性导致各组织之间、组织与病灶之间边界模糊；不同组织的结构形状和分布常呈现拓扑复杂性、不均匀性。另一方面是其现实意义需求，即医学图像分割要求分割结果尽可能符合人体解剖学和病理学意义，这通常依赖于医务人员的医学常识和病理经验的介入。这些特殊性造成了目前还没有公认最好的医学图像分割算法及其相应软硬件系统。
[0004]模式识别聚类技术是医学图像分割的典型方法之一。针对医学图像的自身特点，一些聚类算法可应用于医学图像分割。如适用于处理医学图像常见的模糊性和不确定性的模糊C均值算法；适合处理医学图像常见的类不平衡性的谱聚类算法，如图论松弛聚类(Graph-based Relaxed Clustering, GRC)算法,其具有便捷性(聚类结果直观并多类划分一次性处理完成)和自适应性(无需预设总类别数)的显著优点。此外常用于医学图像分割的聚类算法还有混合模型聚类、神经网络聚类以及协同聚类等。但这些算法普遍存在着系统鲁棒性欠佳或实时性较差的问题，如分割性能对算法参数设置及噪声数据敏感和算法处理大数据集系统开销很大。
[0005]医学图像分割要求分割性能可靠、处理时间迅速和良好的人机交互接口。机器学习领域的半监督聚类技术是实现此目标的有效方法。所谓半监督聚类就是有参照学习信息的聚类过程。这在医学图像分割应用中非常必要，因为其聚类分割的结果应尽可能符合人体解剖学和病理学意义，而这很大程度上需要医务人员的干预和协助。如医学专家在待处理图像中预先勾画出部分病灶区域，并告知系统其含义，该区域的特征信息经聚类算法智能学习和利用后可显著增强系统聚类的整体健壮性和有效性。医学图像分割场合，医学专家预先给出的参照信息可能包括下列多种情形:①明确医学图像中总共包含的不同组织区域，并圈画了每个区域的部分样本；②不明确具体有多少组织区域，但圈画了一些区域的样本；③医学图像本身模糊、辨析度欠佳，医学专家依据人体解剖学和病理学知识圈画了部分同属某组织区域的样本；④依据人体解剖学和病理学知识，医学专家圈画出若干样本并指明它们属于不同组织。这四种情形正对应半监督聚类的两种基本形式:基于标记信息(Labels)的半监督学习和基于成对关联约束(Side Information, Must-1ink或Cannot-1ink)的半监督学习。情形①和②属于标记参照信息，情形③和④则属于成对关联约束信息。
[0006]基于谱图理论的谱聚类技术具有全局最优解并适合各种形状的数据集，是目前最被广泛研究的聚类方法之一。但时间复杂度较高、稳定性较差的通病是制约其直接应用于医学图像分割的主要障碍。近年来融合半监督学习的谱聚类方法也已被很多学者研究，分别出现了将参照信息用于样本相似度矩阵计算、用于样本距离测度优化及用于架构目标函数正规化等的不同形式。但这些方法普适性较差，要么基于标记信息进行半监督学习、要么无法处理成对关联约束条件、要么需要预设总类别数等等。总之，现有谱聚类技术不能同时兼容医学图像分割的多种参照情形，并普遍欠缺快速处理能力，这对其实用性是很大的制约。因此，快速、可靠、智能并使用方便的医学图像分割技术仍是生物医学行业的研究热点并具有可观应用前景。
[0007]常见的嵌入式系统基于传统集成电路设计，需要整合大量的外围电路，由于PCB板中的IC芯片之间的连线延时，以及本身的体积和重量等因素的限制，整机系统的性能受到了很大的制约。近年来具有超大规模、低功耗、低成本、设计灵活等优点的FPGA (FieldProgrammable Gate Array,现场可编程门阵列)成为行业主流并被广泛应用在高速度、高密度的数字电路设计领域。工业、农业、医疗、科研等领域集成电路设计已经进入了片上系统(System on a Chip, SoC)时代，其将微处理器、模拟IP核、数字IP核和存储器(或片外存储控制接口 )集成在单一芯片上。SoPC (System on a Programmable Chip)是一种基于FPGA的SoC设计方案,它将FPGA及微处理器的核心嵌在同一芯片上,构成一个可编程的SoPC系统框架，具有高度的集成能力，很大程度上减小了产品体积以及外部信号对系统的干扰，大大增加了系统的可靠性、稳定性和灵活性。全球著名FPGA制造商Altera推出的内部集成软核处理器Nios II及各种IP核的Cyclone II，是一种目前民用市场常用的SoPC架构，配合SoPC Builder和Nios II IDE开发工具，能够在很短的时间内推出一个完整的系统，极大的方便了系统的开发。该架构也成为医疗行业信号检测、数据处理等系统设计的发展趋势。
【发明内容】
[0008]本发明的目的是提供全表示半监督快速谱聚类的医学图像分割方法，解决了现有技术中存在的不能同时兼容医学图像分割多种参照情形，以及快速处理能力不够的问题。
[0009]本发明的另一目的是提供一种实现该方法的医学图像分割系统。
[0010]本发明所采用的技术方案是，全表示半监督快速谱聚类的医学图像分割方法，按照以下步骤实施:
[0011]步骤1:从本地SD卡或者通过网络从上位机获取等待处理的医学图像，设其分辨率为mXn=N，m和η分别为图像的长和宽，单位是像素，N是该医学图像总的像素容量；
[0012]步骤2:医务人员通过触摸屏在该医学图像中圈画，以供参照分割信息；
[0013]步骤3:对全幅医学图像包括圈画的参照区域，进行像素灰度、空间位置及Gabor纹理特征提取，并进行特征归一化和特征降维处理，生成待处理大规模数据集X及相应的特征矩阵D=Iixrx2;...;XN]，其中Xi为数据特征向量，1=1.2......N ；
[0014]步骤4:进行圈画区域参照信息的All-1n-One形式表示；
[0015]步骤5:生成基于全表示半监督机制的图论松弛聚类模型
[0016]该图论松弛聚类模型的目标函数如式(6)所示:
【权利要求】
1.全表示半监督快速谱聚类的医学图像分割方法，其特点是，按照以下步骤实施: 步骤1:从本地SD卡或者通过网络从上位机获取等待处理的医学图像，设其分辨率为mXn=N，m和η分别为图像的长和宽，单位是像素，N是该医学图像总的像素容量； 步骤2:医务人员通过触摸屏在该医学图像中圈画，以供参照分割信息； 步骤3:对全幅医学图像包括圈画的参照区域，进行像素灰度、空间位置及Gabor纹理特征提取，并进行特征归一化和特征降维处理，生成待处理大规模数据集X及相应的特征矩阵D=Iixrx2;...;xN]，其中Xi为数据特征向量，1=1.2......N ； 步骤4:进行圈画区域参照信息的All-1n-One形式表示； 步骤5:生成基于全表示半监督机制的图论松弛聚类模型 该图论松弛聚类模型的目标函数如式(6)所示:
2.根据权利要求1所述的全表示半监督快速谱聚类的医学图像分割方法，其特点是，所述方法中涉及如下定义: 定义1:数据集X=Ix1, X2, , xj为对某医学图像中的所有像素点进行特征提取并逐行排列而构成的特征数据的集合，其中N表示数据集容量； 定义2:参照集CS为某医学图像中医务人员圈画的所有区域所包含的所有数据点，CS={...，Xi,...，xk，...，xq，...}，其中的i，k，q为数据点在原始采集的数据集X中的下标； 定义3: V+ eCS，定义〃,1为CS中所有与Xi属同一区域的数据点的集合； 定义4: Vv「CS，定义〃为CS中所有与Xi属不同区域的数据点的集合； 定义5:
3.根据权利要求1或2所述的全表示半监督快速谱聚类的医学图像分割方法，其特点是，所述的步骤3中，具体步骤包括: 步骤3.1:对位置为(i，j)的像素点，记其灰度值为gu ； 步骤3.2:对位置为(i，j)的像素点，记其空间位置特征为lfti/m，j/n]； 步骤3.3:设置Gabor滤波器参数，频率覆盖范围U1=0.05，Uh=0.4，尺度数S=4，方向数K=6，进行基于Gabor滤波和高斯平滑处理的图像纹理特征提取，位置(i，j)的纹理特征记为tU ; 步骤3.4:综合考虑前几步得到的位置(i，j)的灰度值、空间位置特征和图像纹理特征，得到27维复合特征^逐行排列像素点复合特征生成临时大规模高维特征矩阵
4.根据权利要求3所述的全表示半监督快速谱聚类的医学图像分割方法，其特点是，所述的步骤4中，具体步骤包括: 步骤4.1:对医务人员圈画区域进行映射，得到参照集CS ； 步骤4.2:依据式(3)和(4)分别计算参照集CS的正参照和K+与负参照和K_，正、负参照和均能同时兼容标记参照信息和成对关联约束信息，具备全表示能力。
5.根据权利要求4所述的全表示半监督快速谱聚类的医学图像分割方法，其特点是，所述的步骤8中，具体步骤包括: 步骤8.1:将数据集X按照约束性最小包含球理论扩展新维^，且扩展维的原点为O，生成扩展空间数据集Z ； 步骤8.2:设t为迭代计数器，且初值为O，从数据集Z中任取10个数据点初始化为核心集Qci,按照式(10)计算此时的CCMEB的中心点Ctl和半径&则有:
6.一种实现权利要求1或2所述方法的医学图像分割系统，其特点是:包括一个FPGA模块及外接设备， 所述的FPGA模块中，设置有Avalon总线及三态桥总线，在Avalon总线及三态桥总线上连接有Flash控制器、SDRAM控制器、通用10、IXD驱动器、定时器、LTM控制器、C2H加速、SD卡控制器、以太网控制器、JTAGUART模块和Nios II软核； 所述的外接设备包括，Flash控制器外接Flash设备，SDRAM控制器外接SDRAM设备，通用IO外接LED等和按钮，IXD驱动器外接IXD显示器，LTM控制器外接触摸屏，SD卡控制器外接SD卡，以太网控制器外接以太网。
7.根据权利要求6所述的医学图像分割系统，其特点是:软件平台选用NiosII IDE,基于移植的μ c/os II多任务实时操作系统以及μ c/gui图形库和用户自定义接口控制模块，预置有触摸 屏人机交互式医学图像分割系统软件。
【文档编号】G06T7/00GK103617623SQ201310667423
【公开日】2014年3月5日 申请日期:2013年12月10日 优先权日:2013年12月10日
【发明者】钱鹏江, 王士同, 邓赵红, 王骏, 蒋亦樟 申请人:江南大学