一种用于肝脏CT影像的特征提取与分割新方法与流程

本发明具体涉及一种用于肝脏ct影像的特征提取与分割新方法。

背景技术：

随着社会、经济、教育、科技的快速发展，人们对自身健康的关注度也越来越高，科学检查预防疾病是提高生活质量和健康的重要措施。肝脏的ct图像包括了肝脏影像的像素值、纹理形态、纹理分布区域、方向特征、几何特征、边缘清晰度等特征，在医学领域具有极为重要的作用。随着人工智能算法的发展和创新应用，部分研究将人工智能算法用于肝脏影像分割和特征提取。

现有的技术中，有研究采用熵局部均匀性和灰度水平分布这三个纹理特征对肝脏ct图像进行分类；有研究基于一阶和二阶灰度统计特征的纹理测度和统计神经网络分类算法，将肝脏超声图像分为正常组织和非正常组织。有研究采用共生矩阵的纹理特征训练概率神经网络分类器区分ct平扫图像；有研究用力量差异方法的分形描述算子，结合模糊c-均值分类器将肝脏的b超图像进行分类。有研究采用基于分形维数的方法提取肝ct图像纹理特征。有研究采用小波生成的纹理特征训练支持向量机，对肝脏的ct图像进行分类。有研究采用非张量积小波滤波器组分解图像，对分解后的低频子带系数再用高斯拟合法提取纹理全局特征，同时提取了局部灰度和共生矩阵纹理特征。有研究针对肝脏肿瘤三期扫描的ct图像特点，对比动脉期、静脉期或者平衡期的兴趣区以及其他区域的灰度均值。

但是，现有的技术方案中，均存在一个明显的缺点：在进行肝脏图像的特征提取和分割时，全面依赖于对原始ct图像的人工准确标定，即需要人工准确标定的数据作为分割模型学习样本；明显的，大量的人工标定工作使得学习样本集合的规模受到较大限制；同时，若要增加样本的几个规模，就要付出大量专业医生人力资源，费时费力，而且可行性较差。同时，现有的技术方案，大多基于多特征融合方法、基于奇异值分解和小波变换方法，对于特征的提取效率低，而且挖掘到的信息有限，使得提取和分割的效果并不理想。

技术实现要素：

本发明的目的在于提供一种无需大量专业人员标定样本数据、提取和分割的结果较为理想、可靠性高且实用性好的用于肝脏ct影像的特征提取与分割新方法。

本发明提供的这种用于肝脏ct影像的特征提取与分割新方法，包括如下步骤：

s1.获取肝脏肿瘤ct图像数据；

s2.对步骤s1获取的图像数据进行重采样；

s3.采用模糊聚类方法划分步骤s2得到的图像数据的感兴趣区域，从而得到感兴趣区域作为质心，并获取核心学习样本；

s4.对步骤s3得到的核心学习样本进行预处理；

s5.采用强化学习搜索基线网络，从而形成自适应三维卷积深度学习网络；

s6.采用步骤s4得到的样本数据，对步骤s5得到的自适应三维卷积深度学习网络进行训练，从而得到特征提取与分割模型；

s7.采用步骤s6得到的特征提取与分割模型，对肝脏ct图像进行特征提取和分割，从而得到最终的特征提取和分割结果。

步骤s2所述的对步骤s1获取的图像数据进行重采样，具体为对步骤s1获取的图像数据进行重采样，从而使得图像数据满足1pix/mm的要求。

步骤s3所述的模糊聚类方法，具体包括如下步骤：

a.采用如下算式作为深度学习海量样本模糊化的表达式：

a＝{(μa(xi),xi)|xi∈x}

式中a为有限个样本对象的模糊集合；x为样本空间；xi为样本空间中的一个样本对象；μa(xi)为隶属度函数，表示样本对象xi隶属于集合a的程度，且取值范围为[0,1]；

b.采用如下公式作为模糊聚类的表达式：

式中c为聚类数；n为样本数；u为将n个样本数分为c组，并输出的c行n列的矩阵；ci为模糊组i的聚类中心；dij＝||ci-xj||，为第i个聚类中心与第j个数据点之间的欧几里的距离；μij为第i个数据对应第j类的隶属度；m为一个大于1的加权指数；

c.采用如下算式作为模糊聚类表达式j(u,c1,...ci,...,cc)的目标函数：

式中为j(u,c1,...ci,...,cc)的目标函数；λj为n个约束式的拉格朗日乘数；

d.将步骤c得到的目标函数分别对ci和uij求偏导，且令偏导为0，从而得到目标函数的极小值的必要条件表达为：

e.采用如下算式作为模糊聚类误差的计算表达式：

e(x)＝∑iθi(xi)+∑ijθij(xi,yj)

式中e(x)为能量函数且由一元势函数和二元势函数构成，且e(x)越小时预测的类别标签越准确；xi和yj为像素点；一元势函数用于衡量像素点的类别概率；二元势函数用于描述像素点和像素点之间的关系；

f.采用如下算式作为二元势函数的表达式：

式中μ(xi,yj)表示标签项约束像素间传导，且只有相同标签条件下能量才能够相互传导；k^m(fi,fj)为特征函数，且以特征的形式表示了不同像素之间的紧密度；

g.采用如下算式作为表面核和平滑核表达式：

式中ω1为权重系数；||pi-pj||为图像像素点之间的距离；σα为方差；σβ为方差；ω2为权重系数；σγ为方差。

步骤s4所述的对步骤s3得到的核心学习样本进行预处理，具体为对核心学习样本进行数据增强、三维坐标轴旋转、三维坐标轴翻转和三维坐标轴平移，从而达到扩展训练样本规模和训练样本优化分布的目的。

步骤s5所述的自适应三维卷积深度学习网络，具体包括如下步骤：

a.采用如下算式作为训练输出残差计算公式：

式中eⁿ为全部训练集上输入与输出的误差；n＝1～n，为深度学习模型样本总量；k＝1～c，表示分类种类；表示第n个样本对应的标签的第k维的值；表示第n个样本对应的网络输出的第k个输出；

b.采用如下算式作为自适应三维卷积深度学习网络的卷积层灵敏度计算公式：

式中表示第l层第j个通道的灵敏度；表示第i个隐藏层第个j通道的值；up()为上采样操作；f'()为求导；为第(l+1)层第j个通道的乘性偏置；j为网络学习与误差传递通道；l为深度学习网络层；

c.采用如下公式作为临近点信息操作效率表达式：

e(x)＝∑iθi(xi)+∑ijθij(xi,yj)

式中θij(xi,yj)为二元势函数,用于描述像素点和像素点之间的关系，且μ(xi,yj)为标签兼容项，它约束了像素间传导的条件，只有相同标签(label)条件下，能量才可以相互传导；ωm为权重参数；k^m(fi,fj)为高斯核，用于度量像素点i和j的特征向量相似度的一个高斯权重项。

步骤s5所述的采用强化学习搜索基线网络，从而形成自适应三维卷积深度学习网络，具体包括如下步骤：

(1)设置搜索空间，并限制网络层的层数；所述网络层包括多层卷积层、多层池化层和全连接层；

(2)确定搜索目标，并设定自适应三维卷积深度学习网络的精确度、内存占用量和每秒浮点运算次数；

(3)训练样本集数据，并搜索最优的网络结构。

步骤(3)所述的搜索最优的网络结构，具体为采用如下步骤进行搜索：

1)令d＝α^θ，w＝β^θ，r＝γ^θ；其中θ为比例系数，d为网络深度，w为网络宽度，r为图像尺寸；

2)在满足条件：α*β²*γ²≤δ的前提下，搜索网络结构，使得模型的精度最高；其中δ为设定的阈值；

3)在保证α、β和γ不变的条件下，改变θ的值，使得参数d、w和r等比例缩放，并在设定的允许条件下，使得参数θ最大，从而保证模型的精度。

本发明提供的这种用于肝脏ct影像的特征提取与分割新方法，通过学习海量医学ct影像数据，发现数据和关联类别之间的统计特征分布；不需要人工标定条件，消除了人为主观因素的影响，而且能够提取到更加高级的抽象特征；同时，基于cnn的特征分割应用能够自动高效地进行肝脏图像的特征分割；最后，本发明方法的自适应三维卷积深度学习网络能够挖掘到医学图像中潜在的非线性关系，特征分割效率更高；本发明方法无需大量专业人员标定样本数据、提取和分割的结果较为理想、可靠性高且实用性好。

附图说明

图1为本发明方法的方法流程示意图。

图2为本发明方法的实施例的原始ct影像示意图。

图3为本发明方法的实施例采用二维分割方法的效果示意图。

图4为本发明方法的实施例采用本发明提供的分割方法的效果示意图。

具体实施方式

如图1所示为本发明方法的方法流程示意图：本发明提供的这种用于肝脏ct影像的特征提取与分割新方法，包括如下步骤：

s1.获取肝脏肿瘤ct图像数据；具体为采用pydicom工具软件读入dcm格式肝脏肿瘤ct影像；

s2.对步骤s1获取的图像数据进行重采样；具体为对步骤s1获取的图像数据进行重采样，从而使得图像数据满足1pix/mm的要求；

s3.采用模糊聚类方法划分步骤s2得到的图像数据的感兴趣区域，从而得到感兴趣区域作为质心，并获取核心学习样本；

其中，模糊聚类方法具体包括如下步骤：

a.采用如下算式作为深度学习海量样本模糊化的表达式：

a＝{(μa(xi),xi)|xi∈x}

式中a为有限个样本对象的模糊集合；x为样本空间；xi为样本空间中的一个样本对象；μa(xi)为隶属度函数，表示样本对象xi隶属于集合a的程度，且取值范围为[0,1]；

b.采用如下公式作为模糊聚类的表达式：

式中c为聚类数；n为样本数；u为将n个样本数分为c组，并输出的c行n列的矩阵；ci为模糊组i的聚类中心；dij＝||ci-xj||，为第i个聚类中心与第j个数据点之间的欧几里的距离；μij为第i个数据对应第j类的隶属度；m为一个大于1的加权指数；

c.采用如下算式作为模糊聚类表达式j(u,c1,...ci,...,cc)的目标函数：

式中为j(u,c1,...ci,...,cc)的目标函数；λj为n个约束式的拉格朗日乘数；

d.将步骤c得到的目标函数分别对ci和uij求偏导，且令偏导为0，从而得到目标函数的极小值的必要条件表达为：

e.采用如下算式作为模糊聚类误差的计算表达式：

e(x)＝∑iθi(xi)+∑ijθij(xi,yj)

式中e(x)为能量函数且由一元势函数和二元势函数构成，且e(x)越小时预测的类别标签越准确；xi和yj为像素点；一元势函数用于衡量像素点的类别概率；二元势函数用于描述像素点和像素点之间的关系；

f.采用如下算式作为二元势函数的表达式：

式中μ(xi,yj)表示标签项约束像素间传导，且只有相同标签条件下能量才能够相互传导；k^m(fi,fj)为特征函数，且以特征的形式表示了不同像素之间的紧密度；

g.采用如下算式作为表面核和平滑核表达式：

式中ω1为权重参数；||pi-pj||为两个像素之间的距离；σα为方差；σβ为方差；ω2为权重参数；σγ为方差；

s4.对步骤s3得到的核心学习样本进行预处理；具体为对核心学习样本进行数据增强、三维坐标轴旋转、三维坐标轴翻转和三维坐标轴平移，从而达到扩展训练样本规模和训练样本优化分布的目的；

s5.采用强化学习搜索基线网络，从而形成自适应三维卷积深度学习网络；

三维卷积深度学习网络结构可自适应调节隐层数，输入端和输出端特征层尺寸相同，形成对称结构模型；每个卷积层三维卷积核数量逐渐增加，设置卷积核步长逐渐减小三维矩阵的尺度；中间层三维卷积核尺度逐渐减少，通过上采样逐渐增大三维矩阵的尺度；为了避免浅层网络特征信息的丢失，通过每间隔几层就将第n层的featuremap与倒数第n层的featuremap叠加，用叠加后的featuremap进行卷积计算；模型输出maskmap，maskmap的每个像素值代表属于肝脏肿瘤分布概率；

所述的自适应三维卷积深度学习网络，具体包括如下步骤：

a.采用如下算式作为训练输出残差计算公式：

式中eⁿ为全部训练集上输入与输出的误差；n＝1～n，为深度学习模型样本总量；k＝1～c，表示分类种类；表示第n个样本对应的标签的第k维的值；表示第n个样本对应的网络输出的第k个输出；

b.采用如下算式作为自适应三维卷积深度学习网络的卷积层灵敏度计算公式：

式中表示第l层第j个通道的灵敏度；表示第i个隐藏层第j个通道的值；up()为上采样操作；f'()为求导；为第(l+1)层第j个通道的乘性偏置；j为网络学习与误差传递通道；l为深度学习网络层；

c.采用如下公式作为临近点信息操作效率表达式：

e(x)＝∑iθi(xi)+∑ijθij(xi,yj)

式中θij(xi,yj)为二元势函数,用于描述像素点和像素点之间的关系，且μ(xi,yj)为标签兼容项，它约束了像素间传导的条件，只有相同标签(label)条件下，能量才可以相互传导；ωm为权重参数；k^m(fi,fj)为高斯核，用于度量像素点i和j的特征向量相似度的一个高斯权重项。

经过池化层构造新尺度，通过上采样与特征提取部分进行相同尺度融合，获得上下文信息；多尺度的融合丰富了细节信息，提高分割的精度；

此外，形成自适应三维卷积深度学习网络，具体包括如下步骤：

(1)设置搜索空间，并限制网络层的层数；所述网络层包括多层卷积层、多层池化层和全连接层；搜索空间具有多叉结构，支持使用的基于残差的res-block以及densenet中基于密集连接的dense-block；

(2)确定搜索目标，并设定自适应三维卷积深度学习网络的精确度、内存占用量和每秒浮点运算次数；

(3)训练样本集数据，并搜索最优的网络结构；具体为采用如下步骤进行搜索：

1)令d＝α^θ，w＝β^θ，r＝γ^θ；其中θ为比例系数，d为网络深度，w为网络宽度，r为图像尺寸；

2)在满足条件：α*β²*γ²≤δ的前提下，搜索网络结构，使得模型的精度最高；其中δ为设定的阈值；

3)在保证α、β和γ不变的条件下，改变θ的值，使得参数d、w和r等比例缩放，并在设定的允许条件下，使得参数θ最大，从而保证模型的精度；

在具体实施时，运用海量ct影像无标签数据从底层开始逐层向上分层训练各层参数；训练第一层，训练时先学习第一层的参数，把第一层的输出作为第二层的输入，依次类推，直至训练到最顶层得到各层的参数，是无监督训练过程；通过对更新海量ct影像数据集训练，提高分割模型的特征分割效率和精度；三维卷积深度学习肝脏图像特征分割模型应用，提高了准确率和效率；本发明设计了复合缩放方法，平衡了海量ct影像的宽度、深度信息和图像分辨率；通过增加卷积核通道数扩展网络结构，优化固定资源限制下基线模型在不同缩放维度之间的关系，运用缩放系数把基线网络扩展到目标模型；

s6.采用步骤s4得到的样本数据，对步骤s5得到的自适应三维卷积深度学习网络进行训练，从而得到特征提取与分割模型；

s7.采用步骤s6得到的特征提取与分割模型，对肝脏ct图像进行特征提取和分割，从而得到最终的特征提取和分割结果。

以下结合一个具体实施例，对本发明方法进行进一步说明：

如图2所示为该实施例的原始ct图像；采用二维图像分割方法和本发明提出的新分割方法的效果比较如图3和图4所示。图3为二维分割方法得到的分割效果，图4为采用本发明方法产生的分割效果。可以明显看到，原始的ct图像中，肝脏部位分成了两个区域。使用普通方法只能分割出靠左的面积较大的区域，本发明方法由于利用三维的数据，即结合该层图像的上下邻接图层的先验信息，能够将居中位置的区域也分割出来，相比较传统方法，更具有鲁棒性，特征提取更加明显，而且分割效果更好。