CN105225234A - 基于支持向量机mri图像分割的肺部肿瘤识别方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，尤其涉及一种基于支持向量机MRI图像分割的肺部肿瘤识别方法。它主要是增加了一个非线性优化模型，将已经分割好的图像经过非线性优化模型优化，采用这种方法得到的分割图像准确度较高，进而使得肺部肿瘤的识别准确度更高。

Description

基于支持向量机MRI图像分割的肺部肿瘤识别方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于支持向量机MRI图像分割的肺部肿瘤识别方法。

背景技术

医学图像分割是提取影像图像中特殊组织的定量信息所不可缺少的手段，同时也是图像三维重建和可视化的前提。分割后的图像被广泛地应用于各种场合，如病变组织的定位及诊断，解剖结构的学习，计算机指导手术和三维可视化等。

MRI(核磁共振成像)图像是医用图像的重要组成部分之一，但是由于MRI图像存在一定程度的噪声，所以我们需要对原始MRI图像进行预处理，以便获得更好的像质，提高处理的精度，得到理想的分割效果。

现有技术主要采用基于支持向量机(SupportVectorMachines,SVMs)的边缘定位法来解决边缘检测时的伪边缘问题，同时利用自适应的自动选取种子点的区域膨胀法对图像进行分割，提高图像分割的准确度。但是采用这种方法得到的分割图像的准确度还是不够高。

发明内容

本发明所要解决的技术问题是：提供一种基于支持向量机MRI图像分割的肺部肿瘤识别方法，采用这种方法得到的分割图像准确度较高，进而使得肺部肿瘤的识别准确度更高。

本发明所采用的技术方案是：一种基于支持向量机肺部MRI图像分割方法，它包括以下步骤：

(1)、建立已知肺部MRI图像的标准信噪比数据合集；

(2)、获取待分割的肺部MRI图像，并且将其转换为灰度图像；

(3)、利用SVM的边缘定位法对步骤(2)得到的灰度图像进行边缘检测；

(4)、对步骤(3)检测出的各条边缘进行特征提取，然后构建SVM分类器对提取的特征参数进行边缘定位，分类出肺部不同组织边缘；

(5)、从步骤(4)获得的肺部不同组织边缘的3*3邻域，随机选取多个像素值在230-250范围内的点作为生长点，并设定一个预设阈值T；

(6)、采用步骤(5)得到的生长点为核心，判断其3*3的邻域内的非生长点是否满足相似性原则，若满足则将该非生长点加入到生长点合集中，若不满足则舍去该非生长点，直到所有的非生长点都判断完毕后，将生长区域分割出来得到肺部MRI分割图像；

(7)、将步骤(6)得到的分割图像以3*3邻域的模式，分块依次输入到非线性优化模型，得到输出信噪比数据合集，其中所述的非线性优化模型如下：

$\frac{ds}{dt}=A\×sin(2{\mathrm{\πf}}_{0}t+\mathrm{\ψ})+img\left(t\right)+ns-{\mathrm{ms}}^3+\sqrt{2\mathrm{\α}}\mathrm{\ξ}\left(t\right);$

式中，A为信号幅度；f₀为周期信号频率；ψ为周期信号初相位；s为布朗粒子运动坐标；t为布朗粒子运动时间；A×sin(2πf₀t+ψ)为随机共振周期性输入信号函数；img(t)为3*3邻域输入图像；m和n为双稳态势垒实参数；α为噪声强度；ξ(t)为均值为0的高斯白噪声，其自相关函数E[ξ(t)ξ(0)]＝2αδ(t)，其强度为α，δ(t)为单位脉冲函数；

(8)、将步骤(7)得到的输出信噪比数据合集与步骤(1)得到的标准信噪比数据合集相比，若相似度≥90％，在判断优化成功；若相似度＜90％，则判断优化不成功，返回步骤(2)继续进行分割与优化。

步骤(1)中建立已知肺部MRI图像的标准信噪比数据合集包括以下具体步骤：

A、通过传统方法分割多个肺部MRI图像；

B、通过医生肉眼观察判断步骤A分割后的图像是否准确，若准确则归入到正确图像集中；

C、计算步骤B中正确图像集中的所有分割图像的信噪比数据合集，然后取平均值得到标准信噪比数据合集。

采用以上方法与现有技术相比，本发明具有以下优点：采用基于支持向量机的边缘定位法来解决边缘检测时的伪边缘问题，同时利用自适应的自动选取种子点的区域膨胀法对图像进行分割，最后再采用非线性优化模型修剪过度膨胀的区域，增补欠膨胀区域，并且还与现有技术得到的标准肺部MRI分割图像做对比，最后得到优化后的肺部MRI分割图像，得到分割图像准确度较高，且采用这种分割图像对肺部肿瘤的识别准确度较高。

附图说明

图1为原始灰度图像。

图2为采用传统方法得到的分割图像。

图3为采用本发明方法得到的分割图像。

图4为本发明基于支持向量机MRI图像分割的肺部肿瘤识别方法中噪声强度与信噪比的关系图。

具体实施方式

以下结合附图与具体实施方式对本发明做进一步描述，但是本发明不仅限于以下具体实施方式。

一种基于支持向量机MRI图像分割的肺部肿瘤识别方法，即一种肺部肿瘤识别过程中使用的基于支持向量机MRI图像分割方法，其实质是一种肺部MRI图像的分割优化方法，它包括以下步骤：

(1)、建立已知肺部MRI图像的标准信噪比数据合集；

A、通过传统方法分割多个肺部MRI图像；所述传统方法为标记分水岭法，也可以是其他常规的图像分割方法；

B、通过医生肉眼观察判断步骤A分割后的图像是否准确，若准确则归入到正确图像集中；

所述判断步骤A分割后的图像是否准确是指医生通过经验来判断是否将肺部的各个组织分离开来了，若是完全分割开来了，则判断是正确的，若有些组织分割时被破坏了或者没有将两个组织分割开来，则判断是不正确的；

C、计算步骤B中正确图像集中的所有分割图像的信噪比数据合集，然后取平均值得到标准信噪比数据合集。信噪比是通过计算分割图像中有用像素点的灰度值与无用像素点的灰度值作对比得到的。

(2)、获取待分割的肺部MRI图像，并且将其转换为灰度图像；

(3)、利用SVM的边缘定位法对步骤(2)得到的灰度图像进行边缘检测；

肿瘤组织是具有一定轮廓的，而这个轮廓的灰度值基本是一致的，因此我们就把这个灰度值的轮廓作为灰度图像的边缘，等同于感兴趣区域初始轮廓。

计算每幅图像序列的梯度幅值和梯度直方图，根据Gonzalez和Woods提出的迭代步骤确定出高梯度区域和低梯度区域的最佳分割阈值t＝45，然后计算高、低梯度区域的均值和方差μ₁(t)＝1.5、μ₀(t)＝1.1、σ₁ ²＝12.1和σ₀ ²＝9.7，从而计算高阈值τ_h＝251和低阈值τ_l＝174。最后运用Canny算子检测每幅图像边缘。

(4)、对步骤(3)检测出的各条边缘进行特征提取，然后构建SVM分类器对提取的特征参数进行边缘定位，分类出肺部不同组织边缘；

肺部组织主要包括肺泡、气管、支气管、左肺、右肺等等。

本实施例中首先另取某位患者的肺部MRI序列图像，进行边缘检测后的边缘进行标记，将肺泡边缘标记为1，非肺泡边缘标记为0。该患者一共取得512个样本边缘作为训练集。测试集选用另外20张该患者的MRI图像，每张5个样本，共100个样本作为测试集。接着对训练样本与测试样本的边缘特征进行归一化处理，SVM的核函数选择径向基核函数K(x_i，x_j)＝exp(-γ||x_i-x_j||²)，并使用粒子群算法对SVM的惩罚参数C和核参数γ进行优化，然后用训练样本构建二分类SVM分类器。

最后用测试集样本进行分类，得出肺泡边缘和非肺泡边缘，并只选择显示肺泡边缘。

(5)、从步骤(4)获得的肺部不同组织边缘的3*3邻域，随机选取多个像素值在230-250范围内的点作为生长点，并设定一个预设阈值T；

所述预设阈值T的取值范围为250-330；

(6)、采用步骤(5)得到的生长点为核心，判断其3*3的邻域内的非生长点是否满足相似性原则，若满足则将该非生长点加入到生长点合集中，若不满足则舍去该非生长点，直到所有的非生长点都判断完毕后，将生长区域分割出来得到肺部MRI分割图像；

相似性原则的判断公式为max|f_xy-m|(x，y∈R)＜T，其中f_xy表示坐标位置为(x，y)的非种子点的像素值，x为点的x坐标值，y为点的y坐标值，m表示所有种子点的像素均值，R表示生长区域种子点3*3邻域内各个点的坐标集合；

(7)、将步骤(6)得到的分割图像以3*3邻域的模式，分块依次输入到非线性优化模型，得到输出信噪比数据合集，其中所述的非线性优化模型如下：

$\frac{ds}{dt}=A\×sin(2{\mathrm{\πf}}_{0}t+\mathrm{\ψ})+img\left(t\right)+ns-{\mathrm{ms}}^3+\sqrt{2\mathrm{\α}}\mathrm{\ξ}\left(t\right);$

式中，A为信号幅度；f₀为周期信号频率；ψ为周期信号初相位；s为布朗粒子运动坐标；t为布朗粒子运动时间；A×sin(2πf₀t+ψ)为随机共振周期性输入信号函数；img(t)为3*3邻域输入图像；m和n为双稳态势垒实参数；α为噪声强度；ξ(t)为均值为0的高斯白噪声，其自相关函数E[ξ(t)ξ(0)]＝2αδ(t)，其强度为α，δ(t)为单位脉冲函数；

在实际分析中，保持固定周期信号参数A＝4、f₀＝1Hz、ψ＝0不变，并使得噪声强度α取值范围为[0,400]，此时令双稳态势垒参数n＝1，并使m在[1,10]之内进行步进为0.1的变化，同时监控系统输出信噪比，当输出信噪比曲线产生特征峰并且峰值为最大值时，即可以确定m＝6.5，此时各项参数为最优化选择。

因此可以得到输出信噪比，式中s为布朗粒子运动坐标；A为信号幅度；α为噪声强度。

然后也可以根据这个输出信噪比合集得到优化后的分割图像。

这个计算的目的是优化图像分割之后边缘信息，有利于提高分割的准确度，如图4所示：在某个噪声强度激励下，系统输出信噪比达到最优化条件，也就是输出信噪比出现了极大值，在极大值情况下，是满足图像的最优化分割的。

(8)、将步骤(7)得到的输出信噪比数据合集与步骤(1)得到的标准信噪比数据合集相比，若相似度≥90％，在判断优化成功；若相似度＜90％，则判断优化不成功，返回步骤(2)继续进行分割与优化。

这个比较是首先在输出信噪比合集里面取出一个信噪比值，然后在标准信噪比合集中与前者相对应位置取出一个信噪比值，将两者相减取绝对值，然后将差值的绝对值除以之前的标准信噪比合集中取出的信噪比值，再乘以100％，最后将所有得到的值取平均值，判断是否小于10％。

Claims (2)

1.一种基于支持向量机MRI图像分割的肺部肿瘤识别方法，其特征在于，它包括以下步骤：

(1)、建立已知肺部MRI图像的标准信噪比数据合集；

(2)、获取待分割的肺部MRI图像，并且将其转换为灰度图像；

(3)、利用SVM的边缘定位法对步骤(2)得到的灰度图像进行边缘检测；

(4)、对步骤(3)检测出的各条边缘进行特征提取，然后构建SVM分类器对提取的特征参数进行边缘定位，分类出肺部不同组织边缘；

(5)、从步骤(4)获得的肺部不同组织边缘的3*3邻域，随机选取多个像素值在230-250范围内的点作为生长点，并设定一个预设阈值T；

(6)、采用步骤(5)得到的生长点为核心，判断其3*3的邻域内的非生长点是否满足相似性原则，若满足则将该非生长点加入到生长点合集中，若不满足则舍去该非生长点，直到所有的非生长点都判断完毕后，将生长区域分割出来得到肺部MRI分割图像；

(7)、将步骤(6)得到的分割图像以3*3邻域的模式，分块依次输入到非线性优化模型，得到输出信噪比数据合集，其中所述的非线性优化模型如下：

$\frac{ds}{dt}=A\×sin(2{\mathrm{\πf}}_{0}t+\mathrm{\ψ})+img\left(t\right)+ns-{\mathrm{ms}}^3+\sqrt{2\mathrm{\α}}\mathrm{\ξ}\left(t\right);$

式中，A为信号幅度；f₀为周期信号频率；ψ为周期信号初相位；s为布朗粒子运动坐标；t为布朗粒子运动时间；A×sin(2πf₀t+ψ)为随机共振周期性输入信号函数；img(t)为3*3邻域输入图像；m和n为双稳态势垒实参数；α为噪声强度；ξ(t)为均值为0的高斯白噪声，其自相关函数E[ξ(t)ξ(0)]＝2αδ(t)，其强度为α，δ(t)为单位脉冲函数；

(8)、将步骤(7)得到的输出信噪比数据合集与步骤(1)得到的标准信噪比数据合集相比，若相似度≥90％，在判断优化成功；若相似度＜90％，则判断优化不成功，返回步骤(2)继续进行分割与优化。

2.根据权利要求1所述的基于支持向量机MRI图像分割的肺部肿瘤识别方法，其特征在于：步骤(1)中建立已知肺部MRI图像的标准信噪比数据合集包括以下具体步骤：

A、通过传统方法分割多个肺部MRI图像；

B、通过医生肉眼观察判断步骤A分割后的图像是否准确，若准确则归入到正确图像集中；

C、计算步骤B中正确图像集中的所有分割图像的信噪比数据合集，然后取平均值得到标准信噪比数据合集。