CN103617623A - 全表示半监督快速谱聚类的医学图像分割方法及系统 - Google Patents
全表示半监督快速谱聚类的医学图像分割方法及系统 Download PDFInfo
- Publication number
- CN103617623A CN103617623A CN201310667423.4A CN201310667423A CN103617623A CN 103617623 A CN103617623 A CN 103617623A CN 201310667423 A CN201310667423 A CN 201310667423A CN 103617623 A CN103617623 A CN 103617623A
- Authority
- CN
- China
- Prior art keywords
- medical image
- definition
- formula
- clustering
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003709 image segmentation Methods 0.000 title claims abstract description 34
- 230000003595 spectral effect Effects 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 230000007246 mechanism Effects 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 7
- 239000003814 drug Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 4
- ZVKAMDSUUSMZES-NZQWGLPYSA-N OS II Natural products CC(=O)N[C@H]1[C@H](OC[C@@H](O)[C@@H](O)[C@@H](O)CO)O[C@H](CO)[C@H](O[C@H]2O[C@H](CO)[C@@H](O)[C@H](O)[C@H]2O)[C@@H]1O[C@@H]3O[C@H](CO)[C@@H](O)[C@H](O)[C@H]3O ZVKAMDSUUSMZES-NZQWGLPYSA-N 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 210000003484 anatomy Anatomy 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007170 pathology Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
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。
Description
技术领域
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
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。
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。
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。
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-link或Cannot-link)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。
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。
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(Field Programmable 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 aProgrammable 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
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。
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。
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:
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m×n=N,m和n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=[x1;x2;...;xN],其中xi为数据特征向量,i=1.2......N;
步骤4:进行圈画区域参照信息的All-In-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:
其中L是拉普拉斯矩阵,y是聚类指示向量,e是元素全为1的向量,yT和eT分别是y和e的转置,K+和K-分别是引入的正、负参照和二次项,λ+和λ_分别是正、负参照和二次项的系数,
将式(3)和(4)代入式(6)得:
步骤6:将式(7)目标函数表达式进行整理得式(8)
步骤7:将式(8)改写为约束型最小包含球(CCMEB)形式得式(9)
步骤8:基于核心集最小包含球快速逼近策略估算式(9)的最终解y;
步骤9:图示化聚类指示向量y,并根据存在的较明显的水平线数目决定聚类分割的实际类别数c;
步骤10:基于K均值聚类算法将聚类指示分量yi,i=1,...,N划分成c个子集,这些子集即对应原始医学图像被分割成的c个不同区域,即成。
本发明所采用的另一技术方案是,一种实现上述方法的医学图像分割系统,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IO、LCD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,LCD驱动器外接LCD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。
本发明的有益效果是,针对当前医学图像分割的实际需求,首先提出了全表示半监督快速谱聚类的医学图像分割方法,然后基于该方法和Nios II架构设计了一套人机交互式智能医学图像分割软硬件系统,该系统整体上具有相对集成化高、成本低、速度快和分割效果佳的特点,同时支持医务人员进行辅助信息输入,具有良好的人机交互能力。
附图说明
图1是本发明的医学图像分割方法流程示意图;
图2是本发明方法中的步骤8的具体流程示意图;
图3是实现本发明方法的医学图像分割系统构建示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
为了描述方便,对本发明方法中所涉及到的术语进行如下定义:
定义1:数据集X={x1,x2,...,xN}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(总量);
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7:聚类指示向量y=[y1,y2,...,yN]T为聚类算法的最终解,其指示数据集X中的每个数据点的类属,yi与yj越接近表示它们越趋向同一类,反之异类;
定义8:定义参照集CS的正参照和K+为:
定义9:定义参照集CS的负参照和K-为:
定义10:中心约束型最小包含球(Center-Constrained Minimal EnclosedBall,CCMEB)是指在某扩展空间内能包含指定数据集内所有数据点的最小半径的球体,其对应式(5)所示的二次规划形式为:
参照图1,本发明全表示半监督快速谱聚类的医学图像分割方法,基于前述的定义,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m×n=N,m和n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,此处的N与定义1中的N是同一概念,两者数值相等;
步骤2:依据医学常识和病理经验,医务人员通过触摸屏在该医学图像中(选择几个区域)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=[x1;x2;...;xN],其中xi为数据特征向量,i=1.2......N;
步骤3.1:对位置为(i,j)的像素点,记其灰度值为gij;
步骤3.2:对位置为(i,j)的像素点,记其空间位置特征为lij=[i/m,j/n];
步骤3.3:设置Gabor滤波器参数,频率覆盖范围Ul=0.05,Uh=0.4,尺度数S=4,方向数K=6,该四个参数是根据工程经验总结的通用参数值,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tij;
步骤4:进行圈画区域参照信息的All-In-One形式表示;
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(All-In-One Representation)能力。
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:
其中L是拉普拉斯矩阵,y是聚类指示向量,e是元素全为1的向量,yT和eT分别是y和e的转置,K+和K-分别是引入的正、负参照和二次项,λ+和λ_分别是正、负参照和二次项的系数。
参照集CS的正参照和K+表示所有属于同一区域的数据点的聚类指示分量之差异度平方和,按照聚类分割的原则,其应该尽可能小,即与之相反,负参照和K-代表所有属于不同区域的数据点的聚类指示分量之间的差异度平方和,其应该尽可能大,即
将式(3)和(4)代入式(6)得:
步骤6:将式(7)目标函数表达式进行整理得式(8):
步骤7:将式(8)改写为约束型最小包含球(CCMEB)形式得式(9):
步骤8:基于核心集最小包含球快速逼近策略估算式(9)的最终解y
式(9)的二次规划计算时间开销为O(N3),对于大规模数据集,显然无法保证实时性,而对于CCMEB问题,基于核心集的最小包含球快速逼近策略能够保证估算聚类指示向量y的渐进时间开销仅与样本容量成线性关系,这就有效保证了医学图像分割的实时性指标,参照图2,该步骤细分流程如下:
步骤8.2:设t为迭代计数器,且初值为0,从数据集Z中任取10个数据点初始化为核心集Q0,按照式(10)计算此时的CCMEB的中心点c0和半径r0,则有:
步骤8.3:在扩展的特征空间,若Z中所有数据点都被球体CCMEB(ct,(1+10-6)rt)包围,其中10-6为允许的近似误差,则转到步骤8.7;
步骤8.4:在扩展的特征空间中找球外离球心ct最近的点,记为z′,距离计算公式按照式(11),令Qt+1=Qt∪{z′},则有:
步骤8.5:再以式(10)计算当前CCMEB,即CCMEB(Qt+1),令
步骤8.6:将t增1,跳转到步骤8.3;
步骤8.7:迭代过程终止,返回参照指示向量y*=yt和核心集Q=Qt;
步骤8.8:依据参照指示向量y*,使用经典K近邻分类方法确定Z-Q中数据点的类别,从而得到最终完整聚类指示向量y;
步骤9:图示化聚类指示向量y,并根据存在的较明显的水平线数目决定聚类分割的实际类别数c;
步骤10:基于K均值聚类算法(K-means)将聚类指示分量yi,i=1,...,N划分成c个子集,这些子集即对应原始医学图像被分割成的c个不同区域,即成。
本发明的人机交互式医学图像分割系统,基于上述全表示半监督快速谱聚类医学图像分割方法和Nios II SoPC架构进行设计。该系统硬件上是一台终端,优选友晶公司的TRDB_LTM触摸屏和以Cyclone II系列EP2C35 FPGA芯片为核心的开发板。为了搭建SoPC系统,利用Avalon总线及三态桥总线结构在Fast型Nios II软核周围挂上所需的外围器件,主要部件包括以下几个:
1)SDRAM控制器用于连接外部SDRAM模块,作为系统主存储器使用;
2)Flash控制器连接Flash设备,以便存储必要程序和数据,如本发明基于C语言编写的全表示半监督快速谱聚类医学图像分割模块;
3)FPGA内部的自定义LTM控制器和SD卡控制器用于与Nios II软核交互配置,以实现操作触摸屏以及读写SD卡。SD卡主要用于存储通过网络从上位机获得的医学原图及其分割后的结果;触摸屏则提供给医务人员圈画用于医学图像分割的辅助参照信息;
3)以太网控制器连接以太网网络芯片(如DM9000A),用于实现以太网互联和通信,本发明用于从上位机获得医学图像;
4)通用IO接口为用户提供LED灯、按键等,利于操控系统;
5)JTAG UART模块用于程序的下载和在线调试;
6)LCD驱动器用于连接LCD显示终端;
7)利用用户自定义指令和C2H加速,能够提高系统中核心程序的执行效率,硬件层面增强医学图像分割的实时性。
如图3所示,是本发明人机交互式医学图像分割系统的SoPC实施例结构示意图,包括一个FPGA模块,在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IO、LCD驱动器、定时器、LTM控制器、C2H加速、SD卡控制器、以太网控制器、JTAG UART模块和Nios II软核;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,LCD驱动器外接LCD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。
人机交互式医学图像分割系统以Nios II IDE为基本开发平台,基于移植的μC/OS II多任务实时操作系统(内核)以及μC/GUI图形库和用户自定义接口控制模块(主要包括自定义SD卡控制器模块及TRDB-LTM控制器模块)等,预置有界面友好实用、操作快捷方便的触摸屏人机交互式医学图像分割系统软件。
μC/OS II是一种通用的实时内核,具有可移植、可裁剪、抢占式、实时等特点。该系统目前已经被移植到Nios II处理器中。μC/OS II提供下列服务:信号量以及消息传递、存储器管理、任务(线程)管理、时间管理等。
μC/GUI图形库中设置有专门的接收鼠标、键盘、触摸屏等外设输入的接口。
TRDB-LTM控制器模块可完成显示多种图形、图像、文字,并可实现动画效果。
自定义SD卡控制器模块分别完成初始化、读扇区、写扇区和执行普通SD命令的功能。
基于上述的下层服务功能,全表示半监督快速谱聚类医学图像分割模块等应用程序能够为医学图像分割提供良好的执行环境和方便的操控性能。
本发明的全表示半监督快速谱聚类医学图像分割方法在实现时,首先使用Matlab语言编写程序进行仿真调试;然后使用灰度医学影像进行参数设定和程序优化处理;最后使用C语言重写代码以提高程序的执行性能。在SoPC Builder中,将系统所需要的硬件模块全部添加并用Avalon总线分配连接后,就能够生成SoPC系统。生成的SoPC系统集成到Quartus II整体硬件设计中,再编译、链接,便可生成最终的SOF文件,将此文件下载到开发板,即完成人机交互式医学图像分割系统的整体硬件设置。
Claims (7)
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m×n=N,m和n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=[x1;x2;...;xN],其中xi为数据特征向量,i=1.2......N;
步骤4:进行圈画区域参照信息的All-In-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:
s.t. eTy=1,y≥0
其中L是拉普拉斯矩阵,y是聚类指示向量,e是元素全为1的向量,yT和eT分别是y和e的转置,K+和K-分别是引入的正、负参照和二次项,λ+和λ_分别是正、负参照和二次项的系数,
将式(3)和(4)代入式(6)得:
s.t. eTy=1,y≥0
步骤6:将式(7)目标函数表达式进行整理得式(8)
s.t. eTy=1,y≥0
由于参照集CS的正参照和K+与负参照和K-均是聚类指示向量y的二次项形式,因此将它们与原拉普拉斯矩阵L相整合生成新的正定矩阵
步骤7:将式(8)改写为约束型最小包含球(CCMEB)形式得式(9)
步骤8:基于核心集最小包含球快速逼近策略估算式(9)的最终解y;
步骤9:图示化聚类指示向量y,并根据存在的较明显的水平线数目决定聚类分割的实际类别数c;
步骤10:基于K均值聚类算法将聚类指示分量yi,i=1,...,N划分成c个子集,这些子集即对应原始医学图像被分割成的c个不同区域,即成。
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={x1,x2,...,xN}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7:聚类指示向量y=[y1,y2,...,yN]T为聚类算法的最终解,其指示数据集X中的每个数据点的类属,yi与yj越接近表示它们越趋向同一类,反之异类;
定义8:定义参照集CS的正参照和K+为:
定义9:定义参照集CS的负参照和K-为:
定义10:中心约束型最小包含球是指在某扩展空间内能包含指定数据集内所有数据点的最小半径的球体,其对应式(5)所示的二次规划形式为:
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gij;
步骤3.2:对位置为(i,j)的像素点,记其空间位置特征为lij=[i/m,j/n];
步骤3.3:设置Gabor滤波器参数,频率覆盖范围Ul=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tij;
步骤3.5:对临时大规模高维特征矩阵进行特征归一化处理,统一特征量纲;
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0,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0,从数据集Z中任取10个数据点初始化为核心集Q0,按照式(10)计算此时的CCMEB的中心点c0和半径r0,则有:
步骤8.3:在扩展的特征空间,若Z中所有数据点都被球体CCMEB(ct,(1+10-6)rt)包围,其中10-6为允许的近似误差,则转到步骤8.7;
步骤8.4:在扩展的特征空间中找球外离球心ct最近的点,记为z′,距离计算公式按照式(11),令Qt+1=Qt∪{z′},则有:
步骤8.5:再以式(10)计算当前CCMEB,即CCMEB(Qt+1),令
步骤8.6:将t增1,跳转到步骤8.3;
步骤8.7:迭代过程终止,返回参照指示向量y*=yt和核心集Q=Qt;
步骤8.8:依据参照指示向量y*,使用经典K近邻分类方法确定Z-Q中数据点的类别,从而得到最终完整聚类指示向量y。
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IO、LCD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,LCD驱动器外接LCD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Nios II IDE,基于移植的μC/OS II多任务实时操作系统以及μC/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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310667423.4A CN103617623B (zh) | 2013-12-10 | 2013-12-10 | 全表示半监督快速谱聚类的医学图像分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310667423.4A CN103617623B (zh) | 2013-12-10 | 2013-12-10 | 全表示半监督快速谱聚类的医学图像分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103617623A true CN103617623A (zh) | 2014-03-05 |
CN103617623B CN103617623B (zh) | 2016-03-16 |
Family
ID=50168327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310667423.4A Expired - Fee Related CN103617623B (zh) | 2013-12-10 | 2013-12-10 | 全表示半监督快速谱聚类的医学图像分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103617623B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942779A (zh) * | 2014-03-27 | 2014-07-23 | 南京邮电大学 | 一种基于图论和半监督学习相结合的图像分割方法 |
CN104523269A (zh) * | 2015-01-15 | 2015-04-22 | 江南大学 | 一种面向癫痫脑电信号迁移环境的自适应识别方法 |
CN105139414A (zh) * | 2015-09-29 | 2015-12-09 | 盐城工学院 | 用于x光片图像数据的聚类集成方法 |
CN111523597A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 目标识别模型训练方法、装置、设备以及存储介质 |
CN111540475A (zh) * | 2020-04-26 | 2020-08-14 | 电子科技大学 | 一种基于半监督学习技术的中医治法规律挖掘方法 |
CN112966567A (zh) * | 2021-02-05 | 2021-06-15 | 深圳市品致信息科技有限公司 | 一种基于pca和聚类和k近邻的坐标定位方法、系统、存储介质、终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030175720A1 (en) * | 2002-03-18 | 2003-09-18 | Daniel Bozinov | Cluster analysis of genetic microarray images |
CN101299243A (zh) * | 2008-06-27 | 2008-11-05 | 西安电子科技大学 | 基于免疫谱聚类的图像分割方法 |
CN103426175A (zh) * | 2013-08-23 | 2013-12-04 | 西安电子科技大学 | 基于特征值度量谱聚类的极化sar图像分割方法 |
-
2013
- 2013-12-10 CN CN201310667423.4A patent/CN103617623B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030175720A1 (en) * | 2002-03-18 | 2003-09-18 | Daniel Bozinov | Cluster analysis of genetic microarray images |
CN101299243A (zh) * | 2008-06-27 | 2008-11-05 | 西安电子科技大学 | 基于免疫谱聚类的图像分割方法 |
CN103426175A (zh) * | 2013-08-23 | 2013-12-04 | 西安电子科技大学 | 基于特征值度量谱聚类的极化sar图像分割方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942779A (zh) * | 2014-03-27 | 2014-07-23 | 南京邮电大学 | 一种基于图论和半监督学习相结合的图像分割方法 |
CN104523269A (zh) * | 2015-01-15 | 2015-04-22 | 江南大学 | 一种面向癫痫脑电信号迁移环境的自适应识别方法 |
CN105139414A (zh) * | 2015-09-29 | 2015-12-09 | 盐城工学院 | 用于x光片图像数据的聚类集成方法 |
CN105139414B (zh) * | 2015-09-29 | 2017-02-22 | 盐城工学院 | 用于x光片图像数据的聚类集成方法 |
CN111523597A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 目标识别模型训练方法、装置、设备以及存储介质 |
CN111523597B (zh) * | 2020-04-23 | 2023-08-25 | 北京百度网讯科技有限公司 | 目标识别模型训练方法、装置、设备以及存储介质 |
CN111540475A (zh) * | 2020-04-26 | 2020-08-14 | 电子科技大学 | 一种基于半监督学习技术的中医治法规律挖掘方法 |
CN111540475B (zh) * | 2020-04-26 | 2022-10-21 | 电子科技大学 | 一种基于半监督学习技术的中医治法规律挖掘方法 |
CN112966567A (zh) * | 2021-02-05 | 2021-06-15 | 深圳市品致信息科技有限公司 | 一种基于pca和聚类和k近邻的坐标定位方法、系统、存储介质、终端 |
CN112966567B (zh) * | 2021-02-05 | 2021-12-10 | 深圳市品致信息科技有限公司 | 一种基于pca和聚类和k近邻的坐标定位方法、系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103617623B (zh) | 2016-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Saouli et al. | Fully automatic brain tumor segmentation using end-to-end incremental deep neural networks in MRI images | |
Díaz-Pernil et al. | Membrane computing and image processing: a short survey | |
AlZu’bi et al. | Parallel implementation for 3d medical volume fuzzy segmentation | |
Wan et al. | Automated grading of breast cancer histopathology using cascaded ensemble with combination of multi-level image features | |
Jiang et al. | Learning efficient, explainable and discriminative representations for pulmonary nodules classification | |
CN103617623B (zh) | 全表示半监督快速谱聚类的医学图像分割方法及系统 | |
Akkus et al. | Deep learning for brain MRI segmentation: state of the art and future directions | |
Harrison et al. | Machine learning for auto-segmentation in radiotherapy planning | |
Rehman et al. | Texture based localization of a brain tumor from MR-images by using a machine learning approach | |
Mangin et al. | A framework to study the cortical folding patterns | |
Shao et al. | Locally-constrained boundary regression for segmentation of prostate and rectum in the planning CT images | |
Pan et al. | Cell detection in pathology and microscopy images with multi-scale fully convolutional neural networks | |
Loménie et al. | Point set morphological filtering and semantic spatial configuration modeling: Application to microscopic image and bio-structure analysis | |
CN109949304B (zh) | 图像检测学习网络的训练和获取方法、图像检测装置和介质 | |
DE102021110051A1 (de) | Bildkennzeichnung mit einem oder mehreren neuronalen netzen | |
Wu et al. | uRP: An integrated research platform for one-stop analysis of medical images | |
Lu et al. | Computer aided diagnosis using multilevel image features on large-scale evaluation | |
Singh et al. | A study on convolution neural network for breast cancer detection | |
Cao et al. | An automatic breast cancer grading method in histopathological images based on pixel-, object-, and semantic-level features | |
Saueressig et al. | Exploring graph-based neural networks for automatic brain tumor segmentation | |
Tian et al. | Radiomics and its clinical application: artificial intelligence and medical big data | |
Chakraborty et al. | Dynamically learned PSO based neighborhood influenced fuzzy c-means for pre-treatment and post-treatment organ segmentation from CT images | |
Waqas et al. | Brain tumor segmentation and surveillance with deep artificial neural networks | |
Bindu et al. | Automated brain tumor detection and segmentation using modified UNet and ResNet model | |
Lim et al. | Regional context-sensitive support vector machine classifier to improve automated identification of regional patterns of diffuse interstitial lung disease |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160316 |