CN102436584B - 基于字典学习的胃部ct图像感兴趣区域检测系统 - Google Patents

Abstract

本发明公开了一种基于字典学习的胃部CT图像感兴趣区域检测方法，主要解决现有胃部CT图像中包含无关信息较多的问题。整个系统包括：训练单元和测试单元；训练单元，首先生成训练图像块，再对训练图像块提取特征值组成感兴趣矩阵和不感兴趣矩阵，最后采用字典学习方法训练得到感兴趣字典和不感兴趣字典；测试单元，先输入待测试图像，再对待测试图像进行脂肪组织的检测，并去除脂肪组织边缘，最后对脂肪组织中的淋巴结空洞进行填充，得到包含淋巴结的感兴趣区域，并输出检测结果。本发明能有效去除胃部CT图像的无关信息，保留医生感兴趣的淋巴结，可用于医学图像的处理。

Description

基于字典学习的胃部CT图像感兴趣区域检测系统

技术领域

本发明属于图像处理技术领域，特别是涉及医学影像处理，可用于医学影像的感兴趣区域检测及其辅助诊断。

背景技术

近年来医学影像技术发展迅速，使临床医生对人体内部病变部位的观察更直接、更清晰，确诊率也更高。计算机辅助诊断(ComputerAided Diagnosis简称为CAD)技术被称为医生的“第二双眼睛”，主要研究如何通过图像处理技术对这些医学影像信息进行有效的处理，辅助医生的诊断甚至进行手术规划，具有重大的社会效益和广泛的应用前景。医学图像处理技术作为计算机辅助诊断的关键不断发展，各学科的交叉已是必然的趋势，但其中还有很多问题亟待解决，特别是随着远程医疗的蓬勃发展，对医学图像处理与分析提出的要求也越来越高，所以进一步研究医学图像处理与分析具有十分重要的意义。

目前的医学影像研究主要为乳腺X线影像，肝部CT影像，由于胃部CT影像包含内容较为复杂，所以对于胃部CT影像的研究仍处于初期阶段。2000年全球新发胃癌病例87.6万，死亡64.6万，死亡率位居第二，其中新发病例35％在我国统计数据表明，胃癌占全部恶性肿瘤死亡的23.2％，在恶性肿瘤死亡率中位居第一位，所以对胃部CT图像的研究具有十分重要的意义。现有胃癌的诊断与治疗手段包括传统根治手段、腹腔镜手术、内镜切除手术等，医生在术前一般需要先对病人的CT影像进行初步的诊断，通过发生癌变的淋巴结数目以及大小等信息判断病人的N分期，然后依据判断结果进行手术。而依据医生的临床经验，淋巴结一般只存在于脂肪组织中，其他脏器如肝脏、胰脏、血管等在检测淋巴结时都属于影响医生判断的冗余信息，因此，研究计算机辅助技术检测胃部CT图像的感兴趣区域具有很大的应用需求。

发明内容

本发明的目的在于针对胃部CT影像所含信息复杂问题，提出一种基于字典学习的胃部CT图像的感兴趣区域检测系统，以去除胃部CT影像中无关的信息。

为实现上述目的，本发明提供基于字典学习的胃部CT图像感兴趣区域检测系统为由计算机软件构成的虚拟系统，包括：

训练图像块生成模块，用于从医院提供的25幅图像中随机选择10幅作为训练图像，并在每幅图像中截取32个感兴趣图像块和36个不感兴趣图像块，其中每个图像块大小为5×5，共得到感兴趣组320个图像块和不感兴趣组360个图像块；

训练图像块特征提取模块，用于分别对得到的两组图像块中的每个图像块提取15维的梯度特征值和25维的灰度特征值，每个图像块对应的得到一个40维的特征向量，用感兴趣图像块组320个图像块得到的320个40维的特征向量组成一个行数为40、列数为320的感兴趣矩阵X₁，用不感兴趣图像块组360个图像块得到的360个40维的特征向量组成一个行数为40、列数为360的不感兴趣矩阵X₂；

字典的生成模块，用于对感兴趣矩阵X₁和不感兴趣矩阵X₂采用字典学习方法K-SVD分别生成感兴趣字典D₁和不感兴趣字典D₂；

测试图像输入模块，用于输入待检测感兴趣区域的原始图像F；

脂肪组织检测模块，以原始图像F的每个像素点q为中心取5×5的邻域得到像素块Q，对像素块Q提取15维的梯度特征值和25维的灰度特征值，组成一个40维的特征向量v，用感兴趣字典D₁和不感兴趣字典D₂分别采用匹配追踪算法OMP逼近特征向量v，得到逼近误差e₁和e₂，如果e₁＜e₂则认为该像素点q为感兴趣像素点，标记类标为1，如果e₁≥e₂则该像素点q为不感兴趣点，标记类标为0；将原始图像F中类标为0的像素点的灰度值赋值为0，保持原始图像F中类标为1的像素点的灰度值不变，得到脂肪图F₁；

脂肪组织边缘切除模块，用于切除脂肪图F₁中最外层的脂肪组织，即检测F₁中影像信息的最外层边缘，并以F₁中坐标为(256，256)的像素为中心点O，沿最外层边缘一周向中心点O以30个像素大小为半径缩进，得到感兴趣脂肪图F₂；

淋巴结填充模块，用于填充感兴趣脂肪图F₂中的淋巴结空洞，即对感兴趣脂肪图F₂的每个像素点，以该像素点为中心，将0°到360°方向均分为32个方向，如果某个方向50个像素大小的半径上存在灰度值非0的像素点，且超过28个以上的方向满足条件，则将该像素点灰度值赋值为原始图像F中对应的灰度值，得到感兴趣区域检测结果图F₃；

感兴趣区域输出模块，输出显示感兴趣区域检测结果图F₃。

为实现上述目的，本发明提供基于字典学习的胃部CT图像感兴趣区域检测方法，包括如下步骤：

(1)训练图像块生成步骤，从医院提供的25幅图像中随机选择10幅作为训练图像，并在每幅图像中截取32个感兴趣图像块和36个不感兴趣图像块，其中每个图像块像素大小为5×5，共得到感兴趣组320个图像块和不感兴趣组360个图像块；

(2)训练图像块特征提取步骤，分别对得到的两组图像块中的每个图像块提取15维的梯度特征值和25维的灰度特征值，每个图像块对应的得到一个40维的特征向量，用感兴趣图像块组320个图像块得到的320个40维的特征向量组成一个行数为40、列数为320的感兴趣矩阵X₁，用不感兴趣图像块组360个图像块得到的360个40维的特征向量组成一个行数为40、列数为360的不感兴趣矩阵X₂；

(3)字典的生成步骤，用于对感兴趣矩阵X₁和不感兴趣矩阵X₂采用字典学习方法K-SVD分别生成感兴趣字典D₁和不感兴趣字典D₂；

(4)测试图像输入步骤，输入待检测感兴趣区域的原始图像F；

(5)脂肪组织检测步骤，以原始图像F的每个像素点为中心取5×5的邻域得到像素块Q，对像素块Q提取15维的梯度特征值和25维的灰度特征值，组成一个40维的特征向量v，用感兴趣字典D₁和不感兴趣字典D₂分别采用匹配追踪算法OMP逼近特征向量v，得到逼近误差e₁和e₂，如果e₁＜e₂则认为该像素点为感兴趣像素点，标记类标为1，如果e₁≥e₂则该像素点为不感兴趣点，标记类标为0；对于类标为0的像素点，将原始图像F中该像素点的灰度值赋值为0，对于类标为1的像素点，保持该像素点的灰度值为原始图像F中的灰度值，得到脂肪图F₁；

(6)脂肪组织边缘切除步骤，用于切除脂肪图F₁中最外层的脂肪组织，即检测F₁中影像信息的最外层边缘，并以F₁中坐标为(256，256)的像素为中心点O，沿最外层边缘一周向中心点O以30个像素大小为半径缩进，得到感兴趣脂肪图F₂；

(7)淋巴结填充步骤，用于填充感兴趣脂肪图F₂中的淋巴结空洞，即对感兴趣脂肪图F₂的每个像素点，以该像素点为中心，将0°到360°方向均分为32个方向，如果某个方向50个像素大小的半径上存在灰度值非0的像素点，且超过28个以上的方向满足条件，则将该像素点灰度值赋值为原始图像F中对应的灰度值，得到感兴趣区域检测结果图F₃；

(8)感兴趣区域输出步骤，输出显示感兴趣区域检测结果图F₃。

本发明具有以下优点：

(1)本发明首次采用计算机辅助技术对胃部CT图像进行感兴趣区域的检测，得到很好的检测结果；

(2)本发明采用字典学习方法进行感兴趣区域的检测，具有很好的泛化能力；

仿真实验结果表明，本发明提出的基于字典学习的胃部CT图像感兴趣区域检测系统准确地检测出了胃部CT图像中的感兴趣区域，并且有效地去除了胃部CT图像中无关的信息。

附图说明

图1是本发明的虚拟系统示意图；

图2是本发明的检测方法流程图；

图3是本发明截取感兴趣图像块的区域图；

图4是本发明使用的原始图像；

图5是本发明检测到的脂肪图；

图6是本发明检测到的感兴趣脂肪图；

图7是本发明的最终检测结果图；

图8是本发明对2幅胃部CT图像的仿真结果图。

具体实施方式

参照图1，本发明基于字典学习的胃部CT图像感兴趣区域检测系统为由计算机软件构成的虚拟系统，它包括：训练单元和测试单元；其中训练单元包括训练图像块生成模块、训练图像块特征提取模块和字典的生成模块，测试单元包括测试图像输入模块、脂肪组织检测模块、脂肪组织边缘切除模块、淋巴结填充模块和感兴趣区域输出模块，这些功能模块相互配合，共同完成对胃部CT图像的感兴趣区域检测。其中：

训练图像块生成模块，将从医院提供的25幅图像中随机选择10幅作为训练图像，并在每幅图像中截取32个感兴趣图像块和36个不感兴趣图像块，其中每个图像块大小为5×5，共得到感兴趣组320个图像块和不感兴趣组360个图像块；

训练图像块特征提取模块，分别对得到的感兴趣组320个图像块和不感兴趣组360个图像块这两组图像块中的每个图像块提取15维的梯度特征值和25维的灰度特征值，每个图像块对应的得到一个40维的特征向量，用感兴趣图像块组320个图像块得到的320个40维的特征向量组成一个行数为40、列数为320的感兴趣矩阵X₁，用不感兴趣图像块组360个图像块得到的360个40维的特征向量组成一个行数为40、列数为360的不感兴趣矩阵X₂；

字典的生成模块，对感兴趣矩阵X₁和不感兴趣矩阵X₂采用字典学习方法K-SVD分别生成感兴趣字典D₁和不感兴趣字典D₂，该字典学习方法K-SVD参见：MichalAharon，Michael Elad，and Alfred Bruckstein“K-SVD：An Algorithm for DesigningOvercomplete Dictionaries for Sparse Representation”IEEE Transaction on signalprocessing，vol.54，no.11，November 2006；

测试图像输入模块，输入如图4所示的待检测的原始图像F；

脂肪组织检测模块，以原始图像F的每个像素点q为中心取5×5的邻域得到像素块Q，对像素块Q提取15维的梯度特征值和25维的灰度特征值，组成一个40维的特征向量v，用感兴趣字典D₁和不感兴趣字典D₂分别采用匹配追踪算法OMP逼近特征向量v，得到逼近误差e₁和e₂，如果e₁＜e₂则认为该像素点q为感兴趣像素点，标记类标为1，如果e₁≥e₂则该像素点q为不感兴趣点，标记类标为0；将原始图像F中类标为0的像素点的灰度值赋值为0，保持原始图像F中类标为1的像素点的灰度值不变，得到脂肪图F₁；

脂肪组织边缘切除模块，检测F₁中影像信息的最外层边缘，并以F₁中坐标为(256，256)的像素为中心点O，沿最外层边缘一周向中心点O以30个像素大小为半径缩进，得到感兴趣脂肪图F₂；

淋巴结填充模块，对感兴趣脂肪图F₂的每个像素点，以该像素点为中心，将0°到360°方向均分为32个方向，如果某个方向50个像素大小的半径上存在灰度值非0的像素点，且超过28个以上的方向满足条件，则将该像素点灰度值赋值为原始图像F中对应的灰度值，得到感兴趣区域检测结果图F₃；

感兴趣区域输出模块，输出显示感兴趣区域检测结果图F₃。

参照图2，本发明基于字典学习的胃部CT图像感兴趣区域检测方法，包括如下步骤：

步骤1.生成用于训练字典的两组图像块。

从医院提供的25幅图像中随机选择10幅作为训练图像，并在每幅图像中截取32个感兴趣图像块和36个不感兴趣图像块，每个图像块大小为5×5，共得到感兴趣组320个图像块和不感兴趣组360个图像块，如图3中曲线包围的部分为感兴趣区域，其他部分为不感兴趣区域，本发明中所截取的感兴趣图像块即是在感兴趣区域中截取灰度值较暗的图像块，不感兴趣图像块即是在不感兴趣区域中截取灰度值较亮的图像块。

步骤2.对得到的感兴趣组320个图像块和不感兴趣组360个图像块这两组图像块中的每个图像块提取15维的梯度特征值和25维的灰度特征值。

(2.1)对所述的感兴趣组320个图像块中的每个图像块首先利用灰度-梯度共生矩阵方法提取15维的梯度特征值，这些特征值包括：小梯度优势、大梯度优势、灰度分布的不均匀性、梯度分布的不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵、惯性、逆差矩，然后将每个图像块的灰度值矩阵按先列后行的顺序排列，得到一个25维的向量，将这25维的向量与15维梯度特征值组合得到一个40维的特征向量，用感兴趣组320个图像块得到的320个40维的特征向量组成一个行数为40、列数为320的感兴趣矩阵X₁；该灰度-梯度共生矩阵方法参见：洪继光，“灰度-梯度共生矩阵纹理分析方法”自动化学报，vol.10，no.1，Jan.，1984；

(2.2)对不感兴趣组360个图像块中的每个图像块首先利用灰度-梯度共生矩阵方法提取15维的梯度特征值，这些特征值包括：小梯度优势、大梯度优势、灰度分布的不均匀性、梯度分布的不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵、惯性、逆差矩，然后将每个图像块的灰度值矩阵按先列后行的顺序排列，得到一个25维的向量，将这25维的向量与15维梯度特征值组合得到一个40维的特征向量，用不感兴趣组360个图像块得到的360个40维的特征向量组成一个行数为40、列数为360的不感兴趣矩阵X₂。

步骤3.对感兴趣矩阵X₁和不感兴趣矩阵X₂分别采用字典学习方法K-SVD训练出感兴趣字典D₁和不感兴趣字典D₂，该字典学习方法K-SVD参见：Michal Aharon，Michael Elad，and Alfred Bruckstein“K-SVD：An Algorithm for Designing OvercompleteDictionaries for Sparse Representation”IEEE Transaction on signal processing，vol.54，no.11，November 2006；

(3.1)对感兴趣矩阵X₁采用字典学习方法K-SVD生成感兴趣字典D₁：

3.1.1)设感兴趣字典D₁的原子数为m₁，m₁的取值范围为40-60，循环次数为n₁，n₁的取值范围为15-20，稀疏度为L₁，L₁＝4；

3.1.2)将感兴趣矩阵X₁的列向量表示为x_1i i＝1，2，3，...，N₁，N₁为感兴趣矩阵X₁中包含的样本数目，将感兴趣字典D₁初始化为感兴趣矩阵X₁的1至m₁列，并将感兴趣字典D₁的列向量表示为d_1k，k＝1，2，3，...，m₁；

3.1.3)利用匹配追踪算法OMP求解以下优化问题，获得一组m₁维的列向量β_1i：

$\underset{{\mathrm{\β}}_{1i}}{\min }{{\left|\right|x_{1i}-D_1{\mathrm{\β}}_{1i}\left|\right|}^2}_2$ s.t||β_1i||₀＜L₁，i＝1，2，3，...，N₁

用这组m₁维的列向量β_1i组成一个m₁×N₁维的矩阵A₁，将A₁按行分解为m₁个N₁维的行向量α_1k，α_1k即为列向量d_1k对应的稀疏表示系数，k＝1，2，3，...，m₁；该匹配追踪方法OMP参见：Y.C.Pati，R.Rezaiifar，and P.S.“Orthogonal Matching Pursuit：RecursiveFunction Approximation with Applications to Wavelet Decomposition”IEEE 1993；

3.1.4)对感兴趣字典D₁中的列向量d_1k，k＝1，2，3，...，m₁及其稀疏表示系数α_1k，i＝1，2，3，...，N₁求解以下优化问题，获得误差矩阵E_1k：

$\arg \underset{d_{1k},{\mathrm{\α}}_{1k}}{\min }{\left|\right|E_{1k}-d_{1k}{\mathrm{\α}}_{1k}\left|\right|}_2;$

3.1.5)通过奇异值分解方法SVD正交分解误差矩阵E_1k，得到两个相互正交的矩阵U_1k和V_1k，以及一个对角矩阵Δ_1k：

SVD(E_1k)＝U_1kΔ_1kV_1k ^T

其中T为矩阵的转置符号；

3.1.6)更新不感兴趣字典D₁的列向量d_1k及其稀疏表示系数α_1k，d_1k＝U_1k(:，1)，α_1k＝Δ_1k(1，1)V_1k(1，:)，k＝1，2，3，...，m₁，其中U_1k(:，1)为U_1k的第一行，V_1k(1，:)为V_1k的第一列；

3.1.7)返回到3.1.4)循环执行n₁次；

3.1.8)用最后更新的d_1k组成感兴趣字典D₁，k＝1，2，3，...，m₁。

(3.2)对感兴趣矩阵X₂采用字典学习方法K-SVD生成感兴趣字典D₂：

3.2.1)设不感兴趣字典D₂的原子数为m₂，m₂的取值范围为30-45，循环次数为n₂，n₂的取值范围为10-15，稀疏度为L₂，L₂＝2；

3.2.2)将不感兴趣矩阵X₂的列向量表示为x_2i i＝1，2，3，...，N₂，N₂为不感兴趣矩阵X₂中包含的样本数目，将不感兴趣字典D₂初始化为不感兴趣矩阵X₂的1至m₂列，并将不感兴趣字典D₂的列向量表示为d_2k k＝1，2，3，...，m₂；

3.2.3)利用匹配追踪算法OMP求解以下优化问题，获得一组m₂维的列向量β_2i：

$\underset{{\mathrm{\β}}_{2i}}{\min }{{\left|\right|x_{2i}-D_{2o}{\mathrm{\β}}_{2i}\left|\right|}^2}_2$ s.t||β_2i||₀＜L₂，i＝1，2，3，...，N₂

用这组m₂维的列向量β_2i组成一个m₂×N₂维的矩阵A₂，将A₂按行分解为m₂个N₂维的行向量α_2k，α_2k即为列向量d_2k对应的稀疏表示系数，k＝1，2，3，...，m₂；

3.2.4)对不感兴趣字典D₂中的列向量d_2k，k＝1，2，3，...，m₂及其稀疏表示系数α_2k，i＝1，2，3，...，N₂求解以下优化问题，获得误差矩阵E_2k：

$\arg \underset{d_{2k},{\mathrm{\α}}_{2k}}{\min }{\left|\right|E_{2k}-d_{2k}{\mathrm{\α}}_{2k}\left|\right|}_2$

3.2.5)通过奇异值分解方法SVD正交分解E_2k，得到两个相互正交的矩阵U_2k和V_2k，以及一个对角矩阵Δ_2k：

SVD(E_2k)＝U_2kΔ_2kV_2k ^T

其中T为矩阵的转置符号；

3.2.6)更新不感兴趣字典D₂的列向量d_2k及其稀疏表示系数α_2k，d_2k＝U_2k(:，1)，α_2k＝Δ_2k(1，1)V_2k(1，:)，k＝1，2，3，...，m₁，其中U_2k(:，1)为U_2k的第一行，V_2k(1，:)为V_2k的第一列；

3.2.7)返回到3.2.4)循环执行n₂次；

3.2.8)用最后更新的d_2k组成不感兴趣字典D₂，k＝1，2，3，...，m₂。

步骤4.输入如图4所示的待检测的原始图像F。

步骤5.对原始图像F进行脂肪组织的分割。

(5.1)以原始图像F的每个像素点q为中心取5×5的邻域得到像素块Q，首先利用灰度-梯度共生矩阵方法对像素块Q提取15维的梯度特征值，这些特征值包括：小梯度优势、大梯度优势、灰度分布的不均匀性、梯度分布的不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵、惯性、逆差矩，然后将像素块Q的灰度值矩阵按先列后行的顺序排列，得到一个25维的向量，与15维梯度特征值组合得到一个40维的特征向量v；该灰度-梯度共生矩阵方法参见：洪继光，“灰度-梯度共生矩阵纹理分析方法”自动化学报，vol.10，no.1，Jan.，1984；

(5.2)用感兴趣字典D₁和不感兴趣字典D₂分别采用匹配追踪算法OMP逼近所述的特征向量v，得到感兴趣字典D₁对应的重构向量v₁和不感兴趣字典D₂对应的重构向量v₂，然后按照如下公式获得感兴趣字典D₁对应的重构误差e₁和不感兴趣字典D₂对应的重构误差e₂；该匹配追踪算法OMP参见：Y.C.Pati，R.Rezaiifar，and P.S.“OrthogonalMatching Pursuit：Recursive Function Approximat ion with Applications to WaveletDecomposition”IEEE 1993；

e₁＝|v-v₁|

e₂＝|v-v₂|

如果e₁＜e₂则认为该像素点q为感兴趣像素点，标记类标为1，如果e₁≥e₂则该像素点q为不感兴趣点，标记类标为0；

(5.3)将原始图像F中类标为0的像素点的灰度值赋值为0，保持原始图像F中类标为1的像素点的灰度值不变，得到脂肪图F₁，如图5所示。

步骤6.切除脂肪组织的边缘。

首先检测F₁中影像信息的最外层边缘，然后以F₁中坐标为(256，256)的像素为中心点O，沿最外层边缘一周向中心点O以30个像素大小为半径缩进，得到感兴趣脂肪图F₂，如图6所示。

步骤7.填充感兴趣脂肪组织中的淋巴结空洞。

首先对感兴趣脂肪图F₂的每个像素点，以该像素点为中心，将0°到360°方向均分为32个方向，如果某个方向50个像素大小的半径上存在灰度值非0的像素点，且超过28个以上的方向满足条件，则将该像素点灰度值赋值为原始图像F中对应的灰度值，得到感兴趣区域检测结果图F₃，如图7所示。

步骤8.输出感兴趣区域检测结果F₃。

本发明的效果可以通过以下对胃部CT图像的仿真数据进一步说明：

1.实验条件

本发明的仿真在windows 7，SPI，CPU Pentium(R)4，基本频率2.4GHZ，软件平台为MatlabR2010a运行，仿真选用的胃部CT图像来自北京肿瘤医院影像数据，且本发明采用的测试图像均有北京肿瘤医院放射科医生进行淋巴结标注的标准图像，根据对已标注的淋巴结的遗漏情况评价本发明系统的有效性。实验中感兴趣字典D₁的原子数m₁取值范围40-60，迭代次数n₁取值范围15-20，稀疏度L₁＝4；不感兴趣字典D₂的原子数m₂取值范围30-45，迭代次数n₂取值范围10-15，稀疏度L₂＝2。

2.仿真内容及结果

本实验对2幅胃部CT图像按照以上条件进行仿真，仿真结果如图8，其中图8(a)和图8(b)为医生标注了淋巴结的标准图像，图8(c)和图8(d)为用本发明检测结果。从图8可见，对2幅存在淋巴结的胃部CT图像本发明都有效地去除了肝脏等无关信息并且得到的检测感兴趣区域中很好的保留了淋巴结信息。

以上结果表明：本发明在去除冗余信息的同时，很好的保留了医生感兴趣的淋巴结信息，是一种能有效检测胃部CT图像感兴趣区域的检测系统。

Claims (4)

1.一种基于字典学习的胃部CT图像感兴趣区域检测系统，包括：

训练图像块生成模块，用于从医院提供的25幅图像中随机选择10幅作为训练图像，并在每幅图像中截取32个感兴趣图像块和36个不感兴趣图像块，其中每个图像块大小为5×5，共得到感兴趣组320个图像块和不感兴趣组360个图像块；

训练图像块特征提取模块，用于分别对得到的两组图像块中的每个图像块提取15维的梯度特征值和25维的灰度特征值，每个图像块对应的得到一个40维的特征向量，用感兴趣图像块组320个图像块得到的320个40维的特征向量组成一个行数为40、列数为320的感兴趣矩阵X₁，用不感兴趣图像块组360个图像块得到的360个40维的特征向量组成一个行数为40、列数为360的不感兴趣矩阵X₂；

字典的生成模块，用于对感兴趣矩阵X₁和不感兴趣矩阵X₂采用字典学习方法K-SVD分别生成感兴趣字典D₁和不感兴趣字典D₂；

测试图像输入模块，用于输入待检测感兴趣区域的原始图像F；

脂肪组织检测模块，以原始图像F的每个像素点q为中心取5×5的邻域得到像素块Q，对像素块Q提取15维的梯度特征值和25维的灰度特征值，组成一个40维的特征向量v，用感兴趣字典D₁和不感兴趣字典D₂分别采用匹配追踪算法OMP逼近特征向量v,得到感兴趣字典D₁对应的重构向量v₁和不感兴趣字典D₂对应的重构向量v₂，然后按照如下公式获得感兴趣字典D₁对应的重构误差e₁和不感兴趣字典D₂对应的重构误差e₂：

e₁＝|v-v₁|

e₂＝|v-v₂|

如果e₁<e₂则认为该像素点q为感兴趣像素点，标记类标为1，如果e₁≥e₂则该像素点q为不感兴趣点，标记类标为0；将原始图像F中类标为0的像素点的灰度值赋值为0，保持原始图像F中类标为1的像素点的灰度值不变，得到脂肪图F₁；

脂肪组织边缘切除模块，用于切除脂肪图F₁中最外层的脂肪组织，即检测F₁中影像信息的最外层边缘，并以F₁中坐标为（256,256）的像素为中心点O，沿最外层边缘一周向中心点O以30个像素大小为半径缩进，得到感兴趣脂肪图F₂；

淋巴结填充模块，用于填充感兴趣脂肪图F₂中的淋巴结空洞，即对感兴趣脂肪图F₂的每个像素点，以该像素点为中心，将0°到360°方向均分为32个方向，如果某个方向50个像素大小的半径上存在灰度值非0的像素点，且超过28个以上的方向，则将该像素点灰度值赋值为原始图像F中对应的灰度值，得到感兴趣区域检测结果图F₃；

感兴趣区域输出模块，输出显示感兴趣区域检测结果图F₃。

2.一种基于字典学习的胃部CT图像感兴趣区域检测方法，包括：

(1)训练图像块生成步骤，从医院提供的25幅图像中随机选择10幅作为训练图像，并在每幅图像中截取32个感兴趣图像块和36个不感兴趣图像块，其中每个图像块像素大小为5×5，共得到感兴趣组320个图像块和不感兴趣组360个图像块；

(2)训练图像块特征提取步骤，分别对得到的两组图像块中的每个图像块提取15维的梯度特征值和25维的灰度特征值，每个图像块对应的得到一个40维的特征向量，用感兴趣图像块组320个图像块得到的320个40维的特征向量组成一个行数为40、列数为320的感兴趣矩阵X₁，用不感兴趣图像块组360个图像块得到的360个40维的特征向量组成一个行数为40、列数为360的不感兴趣矩阵X₂；

(3)字典的生成步骤，用于对感兴趣矩阵X₁和不感兴趣矩阵X₂采用字典学习方法K-SVD分别生成感兴趣字典D₁和不感兴趣字典D₂；

(4)测试图像输入步骤，输入待检测感兴趣区域的原始图像F；

(5)脂肪组织检测步骤，以原始图像F的每个像素点为中心取5×5的邻域得到像素块Q，对像素块Q提取15维的梯度特征值和25维的灰度特征值，组成一个40维的特征向量v，用感兴趣字典D₁和不感兴趣字典D₂分别采用匹配追踪算法OMP逼近特征向量v,得到感兴趣字典D₁对应的重构向量v₁和不感兴趣字典D₂对应的重构向量v₂，然后按照如下公式获得感兴趣字典D₁对应的重构误差e₁和不感兴趣字典D₂对应的重构误差e₂：

e₁＝|v-v₁|

e₂＝|v-v₂|

如果e₁<e₂则认为该像素点为感兴趣像素点，标记类标为1，如果e₁≥e₂则该像素点为不感兴趣点，标记类标为0；对于类标为0的像素点，将原始图像F中该像素点的灰度值赋值为0，对于类标为1的像素点，保持该像素点的灰度值为原始图像F中的灰度值，得到脂肪图F₁；

(6)脂肪组织边缘切除步骤，用于切除脂肪图F₁中最外层的脂肪组织，即检测F₁中影像信息的最外层边缘，并以F₁中坐标为（256,256）的像素为中心点O，沿最外层边缘一周向中心点O以30个像素大小为半径缩进，得到感兴趣脂肪图F₂；

(7)淋巴结填充步骤，用于填充感兴趣脂肪图F₂中的淋巴结空洞，即对感兴趣脂肪图F₂的每个像素点，以该像素点为中心，将0°到360°方向均分为32个方向，如果某个方向50个像素大小的半径上存在灰度值非0的像素点，且超过28个以上的方向，则将该像素点灰度值赋值为原始图像F中对应的灰度值，得到感兴趣区域检测结果图F₃；

(8)感兴趣区域输出步骤，输出显示感兴趣区域检测结果图F₃。

3.根据权利要求2所述的方法，其中步骤（3）所述的对感兴趣矩阵X₁采用字典学习方法K-SVD生成感兴趣字典D₁，按如下步骤进行：

3.1.1)设感兴趣字典D₁的原子数为m₁，m₁的取值范围为40-60，循环次数为n₁，n₁的取值范围为15-20，稀疏度为L₁，L₁＝4；

3.1.2)将感兴趣矩阵X₁的列向量表示为x_1i i＝1,2,3,...,N₁，N₁为感兴趣矩阵X₁中包含的样本数目，将感兴趣字典D₁初始化为感兴趣矩阵X₁的1至m₁列，并将感兴趣字典D₁的列向量表示为d_1k，k＝1,2,3,...,m₁；

3.1.3)利用匹配追踪算法OMP求解以下优化问题，获得一组m₁维的列向量β_1i：

min||x_1i-D₁β_1i||² ₂   s.t||β_1i||₀＜L₁，i＝1,2,3,...,N₁

β_1i

用这组m₁维的列向量β_1i组成一个m₁×N₁维的矩阵A₁，将A₁按行分解为m₁个N₁维的行向量α_1k，α_1k即为列向量d_1k对应的稀疏表示系数，k＝1,2,3,...,m₁；

3.1.4)对感兴趣字典D₁中的列向量d_1k，k＝1,2,3,...,m₁及其稀疏表示系数α_1k，i＝1,2,3,...,N₁求解以下优化问题，获得误差矩阵E_1k：

arg min||E_1k-d_1kα_1k||₂；

d_1k,α_1k

3.1.5)通过奇异值分解方法SVD正交分解误差矩阵E_1k，得到两个相互正交的矩阵U_1k和V_1k，以及一个对角矩阵Δ_1k：

SVD(E_1k)＝U_1kΔ_1kV_1k ^T

其中T为矩阵的转置符号；

3.1.6)更新不感兴趣字典D₁的列向量d_1k及其稀疏表示系数α_1k，d_1k＝U_1k(:,1)，α_1k＝Δ_1k(1,1)V_1k(1,:)，k＝1,2,3,...,m₁，其中U_1k(:,1)为U_1k的第一行，V_1k(1,:)为V_1k的第一列；

3.1.7)返回到3.1.4）循环执行n₁次；

3.1.8)用最后更新的d_1k组成感兴趣字典D₁，k＝1,2,3,...,m₁。

4.根据权利要求2所述的方法，其中步骤（3）所述的对不感兴趣矩阵X₂采用字典学习方法K-SVD生成不感兴趣字典D₂，按如下步骤进行：

3.2.1)设不感兴趣字典D₂的原子数为m₂，m₂的取值范围为30-45，循环次数为n₂，n₂的取值范围为10-15，稀疏度为L₂，L₂＝2；

3.2.2)将不感兴趣矩阵X₂的列向量表示为x_2i i＝1,2,3,...,N₂，N₂为不感兴趣矩阵X₂中包含的样本数目，将不感兴趣字典D₂初始化为不感兴趣矩阵X₂的1至m₂列，并将不感兴趣字典D₂的列向量表示为d_2k k＝1,2,3,...,m₂；

3.2.3)利用匹配追踪算法OMP求解以下优化问题，获得一组m₂维的列向量β_2i：

min||x_2i-D_2oβ_2i||² ₂   s.t||β_2i||₀＜L₂，i＝1,2,3,...,N₂

β_2i

用这组m₂维的列向量β_2i组成一个m₂×N₂维的矩阵A₂，将A₂按行分解为m₂个N₂维的行向量α_2k，α_2k即为列向量d_2k对应的稀疏表示系数，k＝1,2,3,...,m₂；

3.2.4)对不感兴趣字典D₂中的列向量d_2k，k＝1,2,3,...,m₂及其稀疏表示系数α_2k，i＝1,2,3,...,N₂求解以下优化问题，获得误差矩阵E_2k：

arg min||E_2k-d_2kα_2k||₂

d_2k,α_2k

3.2.5)通过奇异值分解方法SVD正交分解E_2k，得到两个相互正交的矩阵U_2k和V_2k，以及一个对角矩阵Δ_2k：

SVD(E_2k)＝U_2kΔ_2kV_2k ^T

其中T为矩阵的转置符号；

3.2.6)更新不感兴趣字典D₂的列向量d_2k及其稀疏表示系数α_2k，d_2k＝U_2k(:,1)，α_2k＝Δ_2k(1,1)V_2k(1,:)，k＝1,2,3,...,m₁，其中U_2k(:,1)为U_2k的第一行，V_2k(1,:)为V_2k的第一列；

3.2.7)返回到3.2.4）循环执行n₂次；

3.2.8)用最后更新的d_2k组成不感兴趣字典D₂，k＝1,2,3,...,m₂。

Images