CN103400385B - 稀疏动态集成选择的胃部ct图像疑似淋巴结提取方法 - Google Patents

Abstract

本发明公开了一种稀疏动态集成选择的胃部CT图像疑似淋巴结提取方法，属医学图像处理领域，主要解决疑似淋巴结区域提取时有效背景信息确定困难和复杂性高的问题。其实现过程为：对胃部CT图像运用交互式分割方法提取出脂肪组织区域；对已提取出的脂肪组织区域运用均值漂移进行过分割；提取该过分割区域的灰度直方图特征，组成待分类样本集；利用训练样本学习字典和分类器集成系统；对每一个原子生成原子集成系统；对待分类样本进行稀疏编码并根据原子集成系统输出最终分类结果；将相同类别的过分割区域合并，进而获得胃部CT图像疑似淋巴结区域。本发明能在不标记背景情况下自动提取脂肪组织，并有效地降低了疑似淋巴结区域提取的时间复杂度。

Description

稀疏动态集成选择的胃部CT图像疑似淋巴结提取方法

技术领域

本发明属于医学图像处理技术领域，特别是涉及医学CT图像分割和分类，具体是一种稀疏动态集成选择的胃部CT图像疑似淋巴结提取方法。可用于胃部脂肪组织CT图像分割和分类，可以用于其他类型的CT图像分割和分类，还可用于分割或分类其他类型的图像。

背景技术

胃癌在全球恶性肿瘤死亡率中排名第二，其发展迅速、易于转移的特点是导致死亡率居高不下的重要原因。淋巴结转移是影响胃癌预后的重要独立因素，内外科治疗前需要尽可能准确的了解淋巴结情况以确定治疗方案及评价预后。淋巴结主要分布在胃壁周围的脂肪组织内，因而准确地分割出脂肪组织是非常重要的。当前CT是常用的影像学手段，要实现脂肪组织区域中的淋巴结提取，首先要从中提取脂肪组织区域。

由于胃部CT图像的结构和纹理非常复杂，因而自动提取脂肪组织仍旧是一个具有挑战性的任务。而手动提取又比较费时，因而不适于临床应用。因此采用交互式分割的方法提取脂肪组织更加合适。当前大部分交互式分割的方法需要标明目标和背景的主要特征。然而在临床应用中，由于脂肪组织周围包括多种脏器和组织，放射师或医生很难确定哪一部分背景对于脂肪组织的提取是有效的。

淋巴结主要分布在胃壁周围的脂肪组织内，要找到对应的淋巴结，就要提取出疑似淋巴结区域，也就是疑似淋巴结区域和胃部脂肪组织区域分别开来。近年来，越来越多的分类方法通过监督方法实现。其原因如下：(1)能够从手动分类的图像中提取知识并将其应用于新的测试图像，这有助于性能的提升；(2)监督的分类方法不需要模型初始化和特别的优化策略。在基于监督的方法中，多分类器集成是最有效的方法之一，并且已经成功应用于多个领域。动态集成选择是多分类器集成的最新成果，由于其能够取得更好的分类性能，因而受到了广泛关注，但是现有技术中在采用动态集成选择实现脂肪组织分类时，计算复杂度较高，需要耗费大量的时间。

发明内容

为了弥补上述已有技术的不足和更加有效地提取出疑似淋巴结区域，本发明提出了一种稀疏动态集成选择的胃部CT图像疑似淋巴结提取方法。本发明不仅能在不标记背景的情况下自动、有效地提取出胃部CT图像中的疑似淋巴结区域，而且能极大地降低计算复杂度。

为实现上述目的，本发明提出一种基于稀疏动态集成选择的胃部CT图像疑似淋巴结区域提取方法，胃部CT图像疑似淋巴结区域提取包括有如下步骤：

步骤1，提取一副胃部CT图像；

步骤2，对该胃部CT图像人为标记部分脂肪组织，运用均值漂移进行整体图像的初始分割，分割为未标记区域集和已标记脂肪区域集，然后采用灰度直方图作为特征将与已标记区域相邻并且相似的未标记区域迭代标记，最后将重新标定的标记区域集合提取，重新标定的标记区域集合包含人为标记脂肪组织区域以及其连通区域的脂肪组织区域；

步骤3，对已提取的脂肪组织区域再根据其灰度值运用均值漂移进行过分割，达到将脂肪组织区域初始化；

步骤4，提取脂肪组织的每个过分割区域灰度直方图特征，每个过分割区域的灰度直方图特征为一组数据，脂肪组织区域中的所有过分割区域构成待分类样本集，其中待分类样本集包括疑似淋巴结区域和胃部脂肪组织区域；

步骤5，运用稀疏动态集成选择方法，将稀疏表示引用到动态集成选择中，对已提取的脂肪组织区域待分类样本集进行分类；

步骤6，将同一类别的过分割区域合并为一个分割区域，获得胃部CT图像疑似淋巴结区域。

当前大部分交互式分割的方法需要标明目标和背景的主要特征，本发明采用一种基于目标信息的交互式分割方法提取脂肪组织，不同于其他交互式分割方法，本方法仅仅需要标记部分脂肪组织，而背景部分完全不需要标记。针对现有技术中在采用动态集成选择实现脂肪组织分类时，计算复杂度较高，需要耗费大量的时间，本发明采用的稀疏动态集成方法实现分类，能够取得较好的分类性能，有效地降低计算的复杂度。

本发明的实现在于，步骤5所述的运用稀疏动态集成选择方法对已提取的脂肪组织区域待分类样本集进行分类过程包括训练阶段和测试阶段：

在训练阶段，首先为脂肪组织学习一个字典，然后为字典中的每个原子选择一组分类器，组成该原子的集成分类器，即原子集成系统；在测试阶段，将过分割的脂肪组织的每一个区域利用字典和对应的稀疏系数表示，然后由所选择的原子集成系统的输出通过投票决定最终的结果。

训练阶段

5.1从一些已经存在成功分类的脂肪组织已标记图像中选取训练样本，该训练样本记作X＝{(x_i，y_i)|x_i∈R^F，y_i∈{1，2，...，L}，i＝1，2，...，r}，这里x_i是从脂肪组织已标记图像中提取样本的灰度直方图特征，y_i是样本的标记，F是所提灰度直方图特征的维数，L是分割的类别数，r是所提样本的数量；

5.2为已提取的待分类脂肪组织学习一个字典，从训练样本中提取初始字典 P为字典的原子数，该原子指字典D^I中的第i个列向量，从每一类样本中分别选择原子，然后运用K-SVD算法进行训练，经过训练得到的字典表示为D＝[d₁，d₂，...，d_P]，其中d_i，i＝1，2，...，P为学习得到的字典原子；

5.3利用训练数据X，采用集成分类器生成方法产生分类器集成系统C＝{C₁，C₂，...，C_m}，其中C_i，i＝1，2，...，m为基分类器，m是基分类器的个数；

5.4对任意一个原子d_p，采用K近邻方法自适应的从训练样本X中选择一组近邻样本集

5.5利用分类器集成系统C中的基分类器对近邻样本集进行分类标记，并将标记结果与样本标准标记做比对，若通过某个基分类器得到的标记与近邻样本集合中样本的标准标记一致，则将基分类器纳入原子d_p对应的原子集成系统SC_p，SC_p∈C，若没有一个基分类器能够将样本集合中所有样本正确划分，那么令K＝K-1，转置5.4继续执行，这个过程会迭代执行直到至少一个基分类器被选择出来；

5.6迭代执行过程5.4-5.5，直至所有原子d_p找到对应的原子集成系统SC_p，p＝1，2，...，P，训练阶段结束，进入测试阶段；

测试阶段

5.7x代表已提取脂肪组织中的一个过分割区域的灰度直方图特征，即一个待分类样本，稀疏系数α通过下式优化求得：

$\underset{\mathrm{\α}}{\min }{\left|\right|x-\mathrm{D\α}\left|\right|}_2^2\mathrm{Subjectto}{\left|\right|\mathrm{\α}\left|\right|}_0\≤t$

其中，t表示稀疏阈值，即能产生非零个数的最大数目，优化过程利用正交匹配追踪实现，稀疏系数α中的非零系数提取出来作为权重向量，权重向量记作β＝[β₁，β₂，...β_N]^T，N是非零系数的数量，同时提取出过分割区域x相应的原子集成系统集 ${\mathrm{SC}}^x=\{{\mathrm{SC}}_1^x,{\mathrm{SC}}_2^x,...,{\mathrm{SC}}_N^x\};$

5.8待分类样本x输入到SC^x中的每一个原子集成系统中，使用每个运用投票方式对x进行分类，得到N个标记向量，将N个标记向量利用权重向量β加权求和，得到x的标记其中为原子集成系统对x输出的标记向量，最终分类结果由决定，为f^x的第i个元素；

5.9迭代执行过程5.7-5.8，直到所有的已提取脂肪组织中所有过分割区域分类完成。

现有技术采用动态集成选择实现脂肪组织分类，未应用稀疏表示这一概念，计算复杂度较高，需要耗费大量的时间。本发明引进字典学习稀疏表示方法，充分利用标记数据训练分类器，得到分类集成系统，从训练数据中学习字典，然后对字典中原子进行动态集成选择产生原子集成系统，接着使用字典实现待分类图像的稀疏表示，结合原子集成系统的输出通过投票决定最终结果，从而实现胃部脂肪组织中疑似淋巴结区域的快速、准确的提取。

本发明与现有的技术相比具有以下优点：

(1)本发明在提取疑似淋巴结区域时采用一种基于目标信息的交互式分割方法，该方法只需要输入脂肪组织的信息，而不需要输入背景信息就能实现有效地提取，这样避免了有效背景信息的确定。

(2)本发明运用稀疏动态集成选择方法，结合数据的稀疏表示，不再需要对每一个待分类样本进行集成系统的动态选择，与传统动态集成选择算法相比，不仅能取得较好的分类性能，而且有效地降低计算的复杂度。

附图说明

图1为本发明的胃部CT图像疑似淋巴结区域提取流程图；

图2为稀疏动态集成选择方法的训练阶段流程图；

图3为稀疏动态集成选择方法的测试阶段流程图；

图4为胃部组织的CT图像一，其中图4(a)为原始图像，图4(b)为输入交互式信息之后的结果，图4(c)为准确的脂肪组织区域提取结果，图4(e)为本发明所采用方法的脂肪组织区域提取结果，图4(d)为图4(c)对应的局部放大图，图4(f)为图4(e)对应的局部放大图；

图5为胃部组织的CT图像二，其中图5(a)为原始图像，图5(b)为输入交互式信息之后的结果，图5(c)为准确的脂肪组织区域提取结果，图5(e)为本发明所采用方法的脂肪组织区域提取结果，图5(d)为图5(c)对应的局部放大图，图5(f)为图5(e)对应的局部放大图；

图6为胃部组织的CT图像三，其中图6(a)为原始图像，6(b)为输入交互式信息之后的结果，图6(c)为准确的脂肪组织区域提取结果，图6(e)为本发明所采用方法的脂肪组织区域提取结果，图6(d)为图6(c)对应的局部放大图，图6(f)为图6(e)对应的局部放大图；

图7为三种算法在胃部组织CT图像四的疑似淋巴结区域提取结果，其中图7(a)为胃部组织的原始CT图像，图7(b)为胃部CT图像脂肪组织中准确的疑似淋巴结区域的局部放大图，图7(c)为基于K近邻的动态集成选择的疑似淋巴结区域提取结果，图7(e)为基于局部精确的动态分类器选择的疑似淋巴结区域提取结果，图7(g)为本发明方法疑似淋巴结区域提取结果，图7(d)为图7(c)对应的结果的局部放大图，图7(f)为图7(e)对应的结果的局部放大图，图7(h)为图7(g)对应的结果的局部放大图；

图8为三种算法在胃部组织CT图像五的疑似淋巴结区域提取结果，其中图8(a)为胃部组织的原始CT图像，图8(b)为胃部CT图像脂肪组织中准确的疑似淋巴结区域的局部放大图，图8(c)为基于K近邻的动态集成选择的疑似淋巴结区域提取结果，图8(e)为基于局部精确的动态分类器选择的疑似淋巴结区域提取结果，图8(g)为本发明方法的疑似淋巴结区域提取结果，图8(d)为图8(c)对应的结果的局部放大图，图8(f)为图8(e)对应的结果的局部放大图，图8(h)为图8(g)对应的结果的局部放大图；

图9为三种算法在胃部组织CT图像六的疑似淋巴结区域提取结果，其中图9(a)为胃部组织的原始CT图像，图9(b)胃部CT图像脂肪组织中准确的疑似淋巴结区域的局部放大图，图9(c)为基于K近邻的动态集成选择的疑似淋巴结区域提取结果，图9(e)为基于局部精确的动态分类器选择的疑似淋巴结区域提取结果，图9(g)为本发明方法的疑似淋巴结区域提取结果，图9(d)为图9(c)对应的结果的局部放大图，图9(f)为图9(e)对应的结果的局部放大图，图9(h)为图9(g)对应的结果的局部放大图；

图10为三种方法分类精度的比较曲线图；

图11为三种方法计算复杂度的比较曲线图。

具体实施方式

下面结合附图和实施例对本发明再做说明。

实施例1

本发明是一种稀疏动态集成选择的胃部CT图像疑似淋巴结提取方法，当前CT图像是常用的影像学手段，要实现CT图像脂肪组织区域中的疑似淋巴结区域提取，首先要从中提取脂肪组织区域。淋巴结主要分布在胃壁周围的脂肪组织内，因而准确地分割脂肪组织是首要的。

本发明对胃部脂肪组织的图像进行疑似淋巴结区域提取的流程如图1所示。具体描述如下：

步骤1，提取一副胃部CT图像，参见图4(a)。本例中采用的胃部CT图像，图像来源于北京肿瘤医院，每一种CT图像由512x512个像素，所有图像处理实验均在MATLAB2009a实验平台上实现。

步骤2，对该胃部CT图像人为标记部分脂肪组织，其中人为标记见图4(b)中右侧对比图4(a)中多出的白色标线，基于此点，运用均值漂移进行整体图像的初始分割，本例中采用称之为EDISON系统的软件实现基于均值漂移的初始分割，将原始胃部CT图像分割为未标记区域集和已标记脂肪区域集，然后采用灰度直方图作为特征将与已标记区域相邻并且相似的未标记区域迭代标记，最后将重新标定的标记区域集合提取，重新标定的标记区域集合包含人为标记脂肪组织区域以及其连通区域的脂肪组织区域，提取结果为图4(e)、4(f)中白色区域所示。

将与已标记区域相邻并且相似的未标记区域迭代标记过程包括以下内容：

2.1对于每一个区域，包括人工标记区域和未标记区域，将整个灰度分为16份，即将0～255的灰度平均分成16份，并且将其归一化到[0，1]，形成灰度直方图特征。

2.2在人工标记了部分脂肪组织后，整个胃部CT图像包括两部分：已标记脂肪组织区域 $F=\{R_1^F,...,R_i^F,...,R_I^F\}$ 和未标记区域 $N=\{R_1^N,...,R_j^N,...,R_J^N\},$ 对每一个已标记区域假设已标记区域有M个邻接区域{A₁，...，A_m，...，A_M}，区域A_m是已标记区域的邻接区域，对每一个邻接区域找到其K个邻接区域 $S_{A_m}=\{S_1^{A_m},...S_k^{A_m},...,S_K^{A_m}\},$ 显然 $R_i^F\∈S_{A_m}.$

2.3对未标记区域和已标记的脂肪组织区域之间的相似性采用巴氏系数(Bhattacharyya)测量，假设Hist_R表示一个区域R的归一化直方图，那么与其相邻区域Q的相似性ρ(R，Q)采用如下公式：

$\mathrm{\ρ}(R,Q)=\underset{i=1}{\overset{16}{\mathrm{\Σ}}}\sqrt{{\mathrm{Hist}}_R^i*{\mathrm{Hist}}_Q^i}$

这里表示Q的直方图，ρ(R，Q)越高两个区域的相似性越高，A_m与中的每一个区域的相似性用表示，如果结果满足

$\mathrm{\ρ}(A_m,R_i^F)=\underset{k=1,...,K}{\max }\mathrm{\ρ}(A_m,S_k^{A_m}),$

A_m和将合并成一个区域，并且A_m被标记成脂肪组织，否则两区域不合并，即性质相同的标记为同一区域。

2.4迭代执行步骤2.2-2.3，直到没有新的区域可以合并；

2.5所有未标记区域即为背景，标记区域为提取出的脂肪组织区域，提取结果为图4(e)所示，4(e)为本发明所采用方法的脂肪提取结果，4(f)是对应的结果的局部放大图。

步骤3，对已提取的脂肪组织区域再根据其灰度值运用均值漂移实现初始化过分割，达到将脂肪组织区域初始化，其中过分割区域包含疑似淋巴结区域。具体也是采用EDISON系统软件实现基于均值漂移的进行过分割。

步骤4，提取脂肪组织的每个过分割区域灰度直方图特征，每个过分割区域的灰度直方图特征为一组数据，脂肪组织区域中的所有过分割区域构成待分类样本集，实现方法同样是将整个灰度分为16份，即将0～255的灰度平均分成16份，并且将其归一化到[0，1]。

步骤5，运用稀疏动态集成选择方法，将稀疏表示引用到动态集成选择中，对已提取脂肪组织区域的待分类样本集进行分类。由于脂肪组织内部分布有疑似淋巴结区域，因此将提取脂肪组织的过分割区域分成不同的类别，其中不同类别的过分割区域中包含疑似淋巴结区域。

步骤6，将同一类别的过分割区域合并为一个大区域，获得胃部CT图像中的疑似淋巴结区域。也就是说在将胃部CT图像中存在的疑似淋巴结区域提取并显示出来。

由于胃部CT图像的结构和纹理非常复杂，因而自动提取脂肪组织仍旧是一个具有挑战性的任务。而手动提取比较费时，因此采用交互式分割的方法提取脂肪组织更加合适。当前大部分交互式分割的方法需要标明目标和背景的主要特征。由于脂肪组织周围包括多种脏器和组织，放射师或医生很难确定哪一部分背景对于脂肪组织的提取是有效的。本发明提出的一种基于稀疏动态集成选择的胃部CT图像疑似淋巴结区域提取方法，针对胃部CT图像中的脂肪组织的提取过程不需要标记背景信息，便可以进行准确的脂肪组织的提取以及获得胃部脂肪组织中疑似淋巴结区域。

实施例2

稀疏动态集成选择的胃部CT图像疑似淋巴结提取方法同实施例1，其中步骤5所述的运用稀疏动态集成选择方法对已提取的脂肪组织区域待分类样本集进行分类的过程包括训练阶段和测试阶段：

训练阶段的流程图如图2所示，具体过程为：

5.1从一些已经存在成功分类的脂肪组织已标记图像中选取训练样本，该训练样本记作X＝{(x_i，y_i)|x_i∈R^F，y_i∈{1，2，...，L}，i＝1，2，...，r}，这里x_i是从脂肪组织已标记图像中提取样本的灰度直方图特征，y_i是样本的标记，F是所提灰度直方图特征的维数，L是分割的类别数，r是所提样本的数量；选取的训练样本数应大于分割类别数。

5.2为已提取的待分类脂肪组织学习一个字典，从训练样本中提取初始字典 初始字典的原子，P为字典的原子数，为了保持字典的过完备性，从每一类样本中分别选择原子，然后运用K-SVD算法进行训练，经过训练得到的字典表示为D＝[d₁，d₂，...，d_P]，其中d_i，i＝1，2，...，P为学习得到的字典原子。其中K-SVD算法包括稀疏编码和原子更新两步，具体操作如下：

5.2a稀疏编码阶段采用正交匹配追踪OMP算法，完成训练样本的稀疏编码

$\underset{\begin{array}{cc}D& A\end{array}}{\min }{\left|\right|X-D^{I}A\left|\right|}_F^{2}s.t.{\left|a_i\right|}_0\≤t;$

其中X为需要稀疏表示的训练样本集，D^I为初始字典，A为样本经字典稀疏表示后得到的稀疏系数矩阵，a_i为稀疏系数矩阵A的第i列，t为a_i中的非零元素个数，成为稀疏。

5.2b对字典D^I中所有原子P为字典中原子数目，进行如下更新，该原子指字典D^I中的第i个列向量。

首先，从所有训练样本X中找出使用原子样本集合ω_i＝{k|1≤k≤r，aⁱ(k)≠0}，样本集合ω_i共有n_ω个元素，其中aⁱ为对样本集X稀疏编码后得到的稀疏矩阵A的第i行。

接着，去除原子的影响，并计算字典与稀疏矩阵乘积对所有训练样本X的重构误差矩阵E_i： $E_i=X-\underset{k\≠i}{\mathrm{\Σ}}{d}_k^t{a}^k.$

然后，依据集合ω_i中的数据，选取误差矩阵E_i中对应的n_ω个列向量，组成特异误差矩阵

最后，对特异误差矩阵应用矩阵奇异值分解并用矩阵U的第一列替换要更新的原子用数据Δ(1，1)乘以矩阵V的第一个列向量得到一个新的向量，利用该新的向量替换aⁱ，aⁱ为稀疏矩阵A的第i行。

5.2c重复步骤5.2b直到完成所有原子的更新，得到字典D。

5.3利用训练数据X，采用集成分类器生成方法产生分类器集成系统C＝{C₁，C₂，...，C_m}，其中C_i，i＝1，2，...，m为基分类器，m是基分类器的个数。

5.4对任意一个原子d_p，采用K近邻方法自适应的从训练样本X中选择一组近邻样本集

5.5利用分类器集成系统C中的基分类器对近邻样本集进行分类标记，并将标记结果与样本标准标记做比对，若通过某个基分类器得到的标记与近邻样本集合中样本的标准标记一致，则将基分类器纳入原子d_p对应的原子集成系统SC_p，SC_p∈C，若没有一个基分类器能够将样本集合中所有样本正确划分，那么令K＝K-1，转置5.4继续执行，这个过程会迭代执行直到至少一个基分类器被选择出来。

5.6迭代执行过程5.4-5.5，直至所有原子d_p全部找到对应的原子集成系统SC_p，p＝1，2，...，P，训练阶段结束，进入测试阶段。

测试阶段的流程图如图3所示，具体过程为：

5.7x代表已提取脂肪组织中的一个过分割区域的灰度直方图特征，即一个待分类样本，稀疏系数α通过下式优化求得：

$\underset{\mathrm{\α}}{\min }{\left|\right|x-\mathrm{D\α}\left|\right|}_2^2\mathrm{Subjectto}{\left|\right|\mathrm{\α}\left|\right|}_0\≤t$

其中，t表示稀疏阈值，即能产生非零个数的最大数目，优化过程利用正交匹配追踪实现，稀疏系数α中的非零系数提取出来作为权重向量，权重向量记作β＝[β₁，β₂，...β_N]^T，N是非零系数的数量，提取稀疏系数α中的非零系数的同时提取出过分割区域x相应的原子集成系统集

5.8待分类样本x输入到SC^x中的每一个原子集成系统中，使用每个运用投票方式对x进行分类，得到N个标记向量，将N个标记向量利用权重向量β加权求和，得到x的标记其中为原子集成系统对x输出的标记向量，最终分类结果由决定，为f^x的第i个元素；

5.9迭代执行过程5.7-5.8，直到所有的已提取脂肪组织中所有过分割区域分类完成。

本发明在测试阶段，使用字典实现待分割图像的稀疏表示，结合原子集成系统的输出通过投票决定最终结果，不再需要对每一个待分类样本进行集成系统的动态选择，实现胃部脂肪组织中疑似淋巴结区域和脂肪组织区域的快速、准确的分别开，从而有效的提取出胃部脂肪组织中的疑似淋巴结区域。

实施例3

稀疏动态集成选择的胃部CT图像疑似淋巴结提取方法同实施例1-2，本例采用来源于北京肿瘤医院的胃部CT图像通过仿真实验验证本发明的有效性。每一种图像由512x512个像素，选取3幅图像来实验，所有实验均在MATLAB2009a实验平台上实现。图4-图6为三张图像的脂肪组织提取结果图。在图4-图6中，对于每幅图中，(a)为原始图像，(b)为输入交互式信息之后的结果，(c)为准确的脂肪组织区域提取结果，(e)为本发明所采用方法的脂肪组织区域提取结果，(d)为(c)对应的局部放大图，(f)为(e)对应的局部放大图。图4-图6每幅图像中的(c)和(e)的相似性、(d)和(f)的相似性都非常高，包括面积和轮廓包络，可见本发明采用方法的脂肪提取结果与真实脂肪提取结果接近，同时本发明的提取过程不需要标记背景信息，本发明是在不标记背景信息的条件下，有效地将脂肪组织提取出来的，过程简洁方便。

实施例4

稀疏动态集成选择的胃部CT图像疑似淋巴结提取方法同实施例1-2，本例中采用的胃部CT图像来源于北京肿瘤医院，每一种图像由512x512个像素，选取3幅图像来实验，所有实验均在MATLAB2009a实验平台上实现。

本例中采用bagging产生基分类器。除此之外，为了说明本发明的性能，利用另外两种分类方法作对比：第一种对比分类方法为基于局部精确的动态分类器选择算法，第二种对比分了方法是基于K近邻的动态集成选择算法，包括本发明在内以上三种方法均采用K近邻作为个体分类器，所产生的基分类器的数量m＝100。对于本发明的方法，50％的训练样本作为初始字典，并且稀疏阈值t＝2。脂肪组织中主要包括有脂肪组织和疑似淋巴结组织两部分，因而将其分成两类，即L＝2。训练样本通过手动标记得到，两类训练样本的数量分别为1022粒和1500粒。图7-图9为三种方法的疑似淋巴结区域提取结果，对于每幅图中，(a)为原始图像，(b)为准确结果的局部放大图，(c)为基于K近邻的动态集成选择的疑似淋巴结区域提取结果，(e)为基于局部精确的动态分类器选择的疑似淋巴结区域提取结果，(g)为本发明方法的疑似淋巴结区域提取结果，(d)为(c)对应的结果的局部放大图，(f)为(e)对应的结果的局部放大图，(h)为(g)对应的结果的局部放大图。将图7-图9每幅图像中的(b)与(d)、(f)、(h)相对比，(h)与(b)有最高的相似度，即本发明的方法取得与准确疑似淋巴结具有最高的相似性，也就是最好的分类结果。

参见图8，其中8(a)为胃部组织的原始CT图像，图8(b)为胃部CT图像脂肪组织中准确的疑似淋巴结区域的局部放大图，在图8(b)白色脂肪组织区域中间、右上角和右下角部分几乎没有灰色疑似淋巴结区域，但是图8(d)和图8(f)的对应部分却有很多误提取的灰色疑似淋巴结区域，在图8(b)白色脂肪组织区域左下角部分提取出两个灰色疑似淋巴结区域，而图8(d)和图8(f)的对应部分却错误提取出更多的灰色疑似淋巴结区域。本发明的提取结果为图8(h)所示，与图8(b)对照只有本发明的提取结果最为接近，图像相似度最高。

又见图9，其中图9(a)为胃部组织的原始CT图像，图9(b)为胃部CT图像脂肪组织中疑似淋巴结区域准确提取结果的局部放大图，对比图9(b)左边白色脂肪区域图像中其上部无灰色疑似淋巴结区域，而图9(d)和图9(f)在对应部分提取并显示出了灰色疑似淋巴结区域，本发明的提取结果为图9(h)所示，在本发明的结果中对应部分没有出现灰色疑似淋巴结区域。对比图9(b)右边白色脂肪区域中间提取出的灰色淋巴结区域边缘，图9(d)和图9(f)的对应部分边缘轮廓有很大不同，有更多的错误划分，与图9(b)对照只有本发明的提取结果最为接近，图像相似度最高。

实验证明本发明的技术方案取得了更好的分割结果。

实施例5

稀疏动态集成选择的胃部CT图像疑似淋巴结提取方法同实施例1-2。

本例中仍采用实施例4的两种对比方法，同样包括本发明方法在内三种方法均采用bagging产生基分类器，K近邻作为个体分类器，所产生的基分类器的数量m＝100。本发明采用50％的训练样本作为初始字典，并且稀疏阈值t＝2。脂肪组织中主要包括脂肪和疑似淋巴结两部分，因而将其分成两类，即L＝2。训练样本通过手动标记得到，两类训练样本的数量分别为1022粒和1500粒。

本例通过实验做出定量分析。参见图10，图10为包括本发明的三种方法在50幅图像上的分类精度的实验结果曲线图，由图看出，本发明的准确率保持在80％之上，其正确率曲线始终保持高的准确率和好的平稳性。表1为50幅图像分类精度的均值和标准差，从表中看出，本发明在拥有较高均值的情况下有最低的标准差。综合来看，分类精度优于其他两种方法。

本发明的另一个优势是较低的计算复杂度。统计三种方法在50幅图像上分类的计算时间，如图11所示。从图中看出，本发明的计算时间曲线位于另两条曲线之下，时间控制在100s之内，远远低于另外两种方法的计算时间，由此看出本发明具有较低的计算复杂度。

表1三种方法的分割精度

	比较方法1	比较方法2	本发明方法
				均值	0.9161	0.9050	0.9509
标准差	0.0429	0.0457	0.0329

本发明公开了一种稀疏动态集成选择的胃部CT图像疑似淋巴结提取方法，属医学图像处理领域，主要解决疑似淋巴结区域提取时有效背景信息确定困难和复杂性高的问题。其实现过程为：对胃部CT图像运用交互式分割方法提取出脂肪组织区域；对已提取出的脂肪组织区域运用均值漂移进行过分割；提取该过分割区域的灰度直方图特征，组成待分类样本集；利用训练样本学习字典和分类器集成系统；对每一个原子生成原子集成系统；对待分类样本进行稀疏编码并根据原子集成系统输出最终分类结果；将相同类别的过分割区域合并，进而获得胃部CT图像疑似淋巴结区域。本发明能在不标记背景情况下自动提取脂肪组织，并有效地降低了疑似淋巴结区域提取的时间复杂度。

Claims (2)

1.一种基于稀疏动态集成选择的胃部CT图像疑似淋巴结区域提取方法，胃部CT图像疑似淋巴结区域提取包括有如下步骤：

步骤1，提取一副胃部CT图像；

步骤2，采用基于目标信息的交互分割方法提取脂肪组织，对该胃部CT图像人为标记无疑确定的部分脂肪组织，运用均值漂移进行整体图像的初始分割，分割为未标记区域集和已标记脂肪区域集，然后采用灰度直方图作为特征将与已标记区域相邻并且相似的未标记区域迭代标记，最后将重新标定的标记区域集合提取，重新标定的标记区域集合包含人为标记脂肪组织区域以及其连通区域的脂肪组织区域；

步骤3，对已提取的脂肪组织区域再根据其灰度值运用均值漂移实现初始化过分割，达到将脂肪组织区域初始化，其中过分割区域包含疑似淋巴结区域；

步骤4，提取脂肪组织的每个过分割区域灰度直方图特征，每个过分割区域的灰度直方图特征为一组数据，脂肪组织区域中的所有过分割区域构成待分类样本集，其中待分类样本集包含有疑似淋巴结区域；

步骤5，运用稀疏动态集成选择方法，将稀疏表示引用到动态集成选择中，对已提取的脂肪组织区域待分类样本集进行分类，分类的过程包括训练阶段和测试阶段：

训练阶段

5.1从一些已经存在成功分类的脂肪组织已标记图像中选取训练样本，该训练样本记作X＝{(x_i，y_i)|x_i∈R^F，y_i∈{1，2，...，L}，i＝1，2，...，r}，这里x_i是从脂肪组织已标记图像中提取样本的灰度直方图特征，y_i是样本的标记，F是所提灰度直方图特征的维数，L是分割的类别数，r是所提样本的数量；

5.2为已提取的待分类脂肪组织学习一个字典，从训练样本中提取初始字典 $D^I=\[d_1^I,d_2^I,...,d_P^I\],$ $d_i^I,i=1,2,...,P,$ P为字典的原子数，该原子指字典D^I中的第i个列向量，从每一类样本中分别选择原子，然后运用K-SVD算法进行训练，经过训练得到的字典表示为D＝[d₁，d₂，...，d_P]，其中d_i，i＝1，2，...，P为学习得到的字典原子；

5.3利用训练数据X，采用集成分类器生成方法产生分类器集成系统C＝{C₁，C₂，...，C_m}，其中C_i，i＝1，2，...，m为基分类器，m是基分类器的个数；

5.4对任意一个原子d_p，采用K近邻方法自适应的从训练样本X中选择一组近邻样本集

5.5利用分类器集成系统C中的基分类器对近邻样本集进行分类标记，并将标记结果与样本标准标记做比对，若通过某个基分类器得到的标记与近邻样本集合中样本的标准标记一致，则将基分类器纳入原子d_p对应的原子集成系统SC_p，SC_p∈C，若没有一个基分类器能够将样本集合中所有样本正确划分，那么令K＝K-1，转置5.4继续执行，这个过程会迭代执行直到至少一个基分类器被选择出来；

5.6迭代执行过程5.4-5.5，直至所有原子d_p找到对应的原子集成系统SC_p，p＝1，2，...，P，训练阶段结束，进入测试阶段；

测试阶段

5.7x代表已提取脂肪组织中的一个过分割区域的灰度直方图特征，即一个待分类样本，稀疏系数α通过下式优化求得：

$\begin{array}{ccc}\underset{\mathrm{\α}}{min}\left|\right|x-D\mathrm{\α}|{|}_2^2& Subjectto& \left|\right|\mathrm{\α}|{|}_0\≤t\end{array}$

其中，t表示稀疏阈值，即能产生非零个数的最大数目，优化过程利用正交匹配追踪实现，稀疏系数α中的非零系数提取出来作为权重向量，权重向量记作β＝[β₁，β₂，...β_N]^T，N是非零系数的数量，同时提取出过分割区域x相应的原子集成系统集 ${\mathrm{SC}}^x=\{{\mathrm{SC}}_1^x,{\mathrm{SC}}_2^x,...,{\mathrm{SC}}_N^x\};$

5.8待分类样本x输入到SC^x中的每一个原子集成系统中，使用每个运用投票方式对x进行分类，得到N个标记向量，将N个标记向量利用权重向量β加权求和，得到x的标记其中为原子集成系统对x输出的标记向量，最终分类结果由决定，f_i ^x为f^x的第i个元素；

5.9迭代执行过程5.7-5.8，直到所有的已提取脂肪组织中所有过分割区域分类完成；

步骤6，将同一类别的过分割区域合并为一个分割区域，获得胃部CT图像疑似淋巴结区域。

2.根据权利要求1所述的基于稀疏动态集成选择的胃部CT图像疑似淋巴结区域提取方法，其特征在于，其中步骤2所述的将与已标记区域相邻并且相似的未标记区域迭代标记的过程包括以下步骤：

2.1对于每一个区域，包括人工标记区域和未标记区域，将整个灰度分为16份，即将0～255的灰度平均分成16份，并且将其归一化到[0，1]，形成灰度直方图特征；

2.2在人工标记了部分脂肪组织后，整个胃部CT图像包括两部分：已标记脂肪组织区域 $F=\{R_1^F,...,R_i^F,...,R_I^F\}$ 和未标记区域 $N=\{R_1^N,...,R_j^N,...,R_J^N\},$ 对每一个已标记区域假设已标记区域有M个邻接区域{A₁，...，A_m，...，A_M}，区域A_m是已标记区域的邻接区域，对每一个邻接区域A_m，找到其K个邻接区域 $S_{A_m}=\{S_1^{A_m},...S_k^{A_m},...,S_K^{A_m}\},$ 显然 $R_i^F\∈S_{A_m};$

2.3对未标记区域和已标记的脂肪组织区域之间的相似性采用巴氏系数测量，假设Hist_R表示一个区域R的归一化直方图，那么与其相邻区域Q的相似性ρ(R，Q)采用如下公式：

$\mathrm{\ρ}(R,Q)=\underset{i=1}{\overset{16}{\Σ}}\sqrt{{\mathrm{Hist}}_R^i*{\mathrm{Hist}}_Q^i}$

这里表示Q的直方图，ρ(R，Q)越高两个区域的相似性越高，A_m与中的每一个区域的相似性用表示，如果结果满足

$\mathrm{\ρ}(A_m,R_i^F)=\underset{k=1,...,K}{max}\mathrm{\ρ}(A_m,S_k^{A_m}),$

A_m和将合并成一个区域，并且A_m被标记成脂肪组织，否则两区域不合并，即性质相同的标记为同一区域；

2.4迭代执行步骤2.2-2.3，直到没有新的区域可以合并；

2.5所有未标记区域即为背景，标记区域为提取出的脂肪组织区域。