CN106778829A - 一种主动学习的肝脏损伤类别的图像检测方法 - Google Patents

Abstract

本发明公开了一种主动学习的肝脏损伤类别的图像检测方法，具体步骤包括：步骤1，使用肝脏主动形状模型从腹部医学图像集中定位并提取肝脏目标区域；步骤2，定义和提取肝脏目标区域中像素点的方向模式特征向量和灰度幅度变化模式特征向量；步骤3，基于肝脏目标区域中像素点局部密度和到更大密度像素点最小距离二维空间的肝脏像素密度聚类中心定义和聚类划分；步骤4，基于肝脏像素密度聚类边缘、聚类中心和聚类划分的主动学习方法进行肝脏损伤类别的图像检测。

Description

一种主动学习的肝脏损伤类别的图像检测方法

技术领域

本发明属于计算机图像处理领域，特别涉及一种主动学习的肝脏损伤类别的图像检测方法。

背景技术

随着交通事业的快速发展，交通事故等引起的腹部损伤呈不断上升的趋势，特别是肝脏因弹性较差，容易导致暴力性损伤。此外，临床中有许多病理性损伤，如甲肝、乙肝等病毒或一些药物和化学物质引起的肝脏损伤，或肝脏肿瘤、心功能不全导致肝脏淤血，或某些先天性肝脏疾病等引起的肝脏损伤。暴力性或病理性损伤会让肝脏受累，而且可能会累及更多器官，对人体造成更大的伤害，严重威胁到患者的生命安全和身体健康。肝脏损伤检测为后续治疗方案的制定和选择提供重要依据，在临床中具有重要的意义。

临床中医生借助医学图像肉眼观察和临床经验检测肝脏损伤。Kakihara利用增强型CT(Computerized Tomography)图像人工分析损伤的大小、形状和位置，检测由蛔虫感染引起的内脏幼虫移动症肝脏损伤。为了克服灌注CT图像的高辐射缺陷，Wang在双能量CT上分析了虚拟光谱曲线的肝脏损伤定量特征。Purysko利用增强型MRI(Magnetic ResonanceImaging)图像人工分析了良性、肿瘤和肝细胞癌的肝脏损伤特征。Matthias Eiber比较了扩散加权的MRI和多层螺旋CT两种模态图像对人工检测肝脏损伤准确率的影响。目前，医学图像人工肝脏损伤检测会面临几个方面的问题：

(1)暴力性肝脏损伤，常伴有腹腔积血、积液、胃肠内容物及气体等干扰，加之患者体位不能配合，这些干扰信号增加了肝脏损伤检测的难度。而病理性肝脏损伤，临床症状及患者体征表现通常不够明显，导致损伤检测面临挑战。

(2)人工检测方式存在信息利用率不高(如CT有4096级灰度，而人眼的灰度分辨率仅约40级)，且人工长时间大量读图容易产生疲倦而导致准确率降低等问题。

(3)肝脏损伤呈现多样性，人工检测受个人经验限制，检测存在错误或遗漏。此外，研究表明当肝脏损伤小于20毫米时，人工检测的准确率急剧降低。

临床中肝脏损伤病人越来越多，建立一个健壮、客观和可重复的计算机辅助工具以提高肝脏损伤检测的效率和准确率，具有重要的临床意义和价值。

近年来，国内外开始探索基于计算机辅助的肝脏损伤自动检测研究，取得了一些阶段性成果。Bilello使用阈值方法分割肝脏实质，研究支持向量机(Support VectorMachine,SVM)方法分类肝脏实质的空洞和缺口检测损伤。Kumar使用模糊C均值方法分割肝脏肿瘤区域，研究神经网络分类器识别恶性和良性肿瘤。Masuda用EM(Expectationmaximization)算法和高斯混合模型检测肝脏损伤。Milizer使用三级连接概率Boosting树分类肝脏实质和损伤。Pescia使用AdaBoost学习技术，线性组合3个弱分类器构成肝脏损伤检测的强分类器。Wu使用深度学习方法分类肝脏良性和恶性损伤。尽管这些方法在肝脏损伤检测中取得到了阶段性成果，但是还存在几个问题：

(1)大多数方法需要手工标注大量肝脏损伤样本，在临床中很难满足。且肝脏损伤检测需要在肝脏目标区域上提取高维特征，高维空间的数据非常稀少，需要的样本量呈指数级增长。

(2)大多数方法需要损伤类别数作为先验知识，只能把肝脏损伤分为有或无损伤，恶性或良性损伤，低密度或高密度损伤等2类。事实上，暴力性或病理性肝脏损伤存在多种可能，固定损伤的类别数限制了肝脏损伤自动检测的使用范围。

发明内容

为解决上述技术问题，本发明提出一种主动学习的肝脏损伤类别的图像检测方法。其特征在于该方法利用利用肝脏主动形状模式，最优匹配，特征定义和提取、密度聚类和主动学习等技术实现了肝脏损伤的图像检测方法。该方法只需要专家手工标注少量代表性的肝脏损伤，且可以检测多种类型的损伤。具体步骤包括：

步骤1，使用肝脏主动形状模型从医院采集或网上公开的腹部医学图像测试集中定位并提取肝脏目标区域，腹部医学图像测试集中包含腹部医学图像；

步骤2，定义和提取肝脏目标区域中像素点的方向模式特征向量和灰度幅度变化模式特征向量；

步骤3，基于肝脏目标区域中像素点局部密度和到更大密度像素点最小距离二维空间的肝脏像素密度聚类中心定义和聚类划分；

步骤4，基于肝脏像素密度聚类边缘、聚类中心和聚类划分的主动学习方法进行肝脏损伤类别的图像检测。

本发明步骤1包括：

肝脏主动形状模型的几何形状参数包括平移量t、旋转量r和缩放量s，以及纹理缩放参数，所述纹理缩放参数包括全局增缩参数u和偏差参数w；将上述几何形状参数记为模型参数p，p＝{t,r,s,u,w}，模型参数对应的增量为Δp，Δp＝{Δt,Δr,Δs,Δu,Δw}，Δt表示平移量t的增量，Δr表示旋转量r的增量，Δs表示缩放量s的增量，Δu表示全局增缩参数u的增量，Δw表示偏差参数w的增量，通过如下公式对模型参数p进行k次线性模型迭代更新：

其中，i取值范围为1～k，当经过k次线性模型迭代更新后，肝脏模板(由TimCootes提出的主动形状模型(Active Shape Model，ASM)从医院采集或网上公开的训练集中训练出肝脏模型，软件可以从网站http://personalpages.manchester.ac.uk/staff/timothy.f.cootes/下载)与腹部医学图像的部分区域均方差最小时，定位并提取此腹部医学图像区域为肝脏目标区域

本发明步骤2包括以下步骤：

步骤2-1，假设提取的肝脏目标区域中像素点I_c及其8邻域像素点的空间关系如表1所示：

表1

I6	I7	I8
			I5	Ic	I1
I4	I3	I2

其中，I₁、I₂、I₃、I₄、I₅、I₆、I₇和I₈为像素点I_c的邻域像素点，分别计算以像素点I_c的4邻域像素点I₁、I₃、I₅和I₇为中心的五个方向的灰度差；

步骤2-2，分别计算以像素点I_c,的4邻域像素点I₁、I₃、I₅和I₇为中心的方向模式数特征，构造像素点I_c的方向模式特征向量{f_c,1,f_c,2,f_c,3,f_c,4}，即统计4邻域像素点在5个方向中灰度差小于0的个数：

f_c,1＝Num(D₁<0,D₂<0,D₃<0,D₄<0,D₅<0)，

其中D₁为像素点I₈和像素点I₁的灰度差，D₂为像素点I₇和像素点I₁的灰度差，D₃为像素点I_c和像素点I₁的灰度差，D₄为像素点I₃和像素点I₁的灰度差，D₅为像素点I₂和像素点I₁的灰度差；

f_c,2＝Num(D₆<0,D₇<0,D₈<0,D₉<0,D₁₀<0)，

其中D₆为像素点I₂和像素点I₃的灰度差，D₇为像素点I₁和像素点I₃的灰度差，D₈为像素点I_c和像素点I₃的灰度差，D₉为像素点I₅和像素点I₃的灰度差，D₁₀为像素点I₄和像素点I₃的灰度差；

f_c,3＝Num(D₁₁<0,D₁₂<0,D₁₃<0,D₁₄<0,D₁₅<0)，

其中，D₁₁为像素点I₄和像素点I₅的灰度差，D₁₂为像素点I₃和像素点I₅的灰度差，D₁₃为像素点I_c和像素点I₅的灰度差，D₁₄为像素点I₇和像素点I₅的灰度差，D₁₅为像素点I₆和像素点I₅的灰度差；

f_c,4＝Num(D₁₆<0,D₁₇<0,D₁₈<0,D₁₉<0,D₂₀<0)，

其中，D₁₆为像素点I₆和像素点I₇的灰度差，D₁₇为像素点I₅和像素点I₇的灰度差，D₁₈为像素点I_c和像素点I₅的灰度差，D₁₉为像素点I₁和像素点I₇的灰度差，D₂₀为像素点I₈和像素点I₇的灰度差。

步骤2-3，计算像素点I_c的4邻域像素点I₁、I₃、I₅和I₇为中心的五个方向幅度变化模式数特征构造像素点I_c的灰度幅度变化模式特征向量{g_c,1,g_c,2,g_c,3,g_c,4}，即统计4邻域数据点I₁、I₃、I₅和I₇五个方向的幅度变化值大于像素点I_c五个方向的幅度变化值的个数：

其中，M_1,1表示像素点I₁与相邻的像素点I₈、I₇、I_c、I₃和I₂的灰度幅度变化值，计算公式为：

M_1,2表示像素点I_c与相邻的像素点I₈、I₇、I₁、I₃和I₂的灰度幅度变化值，计算公式为：

其中，E₁为像素点I₈和像素点I_c的灰度差，E₂为像素点I₇和像素点I_c的灰度差，E₃为像素点I_c和像素点I₁的灰度差，E₄为像素点I₃和像素点I_c的灰度差，E₅为像素点I₂和像素点I_c的灰度差。

其中M_3,1表示像素点I₃与相邻的像素点I₂、I₁、I_c、I₅和I₄的灰度幅度变化值，计算公式为：

其中M_3,2表示像素点I_c与相邻的像素点I₂、I₁、I₃、I₅和I₄的灰度幅度变化值，计算公式为

其中E₆为像素点I₅和像素点I_c的灰度差，E₇为像素点I₄和像素点I_c的灰度差。

其中M_5,1表示像素点I₅与相邻的像素点I₄、I₃、I_c、I₇和I₆的灰度幅度变化值，计算公式为：

其中M_5,2表示像素点I_c与相邻的像素点I₄、I₃、I₅、I₇和I₆的灰度幅度变化值，计算公式为：

其中E₈为像素点I₆和像素点I_c的灰度差。

其中，M_7,1表示像素点I₇与相邻的像素点I₆、I₅、I_c、I₁和I₈的幅度变化值，计算公式为：

其中M_7,2表示像素点I_c与相邻的像素点I₆、I₅、I₇、I₁和I₈的幅度变化值，计算公式为：

本发明步骤3包括以下步骤：

步骤3-1，计算肝脏目标区域中所有像素点高维特征之间的欧氏距离：

设步骤1中定位和提取的的肝脏目标区域共有N个像素点v₁,v₂,…,v_N，根据步骤2提取每个像素点的方向模式特征向量和灰度幅度变化模式特征向量，计算任意两个像素点v_m和v_n之间的欧氏距离d_m,n为：

其中f_m,l表示像素点v_m的第l个方向模式特征，f_n,l表示像素点v_n的第l个方向模式特征，g_m,l表示像素点v_m的第l个灰度幅度变化模式特征，g_n,l表示像素点v_n的第l个灰度幅度变化模式特征；

步骤3-2，计算每个像素点的局部密度和每个像素点到比其密度更大的像素点的最小距离：

局部密度ρ_i定义为像素点v_i到周围相邻像素点的距离小于阈值d_c(本发明，阈值d_c取所有像素点的相互距离中由小到大排列的第3％的位置)的像素点个数，通过如下公式计算像素点v_i的局部密度ρ_i：

其中函数d_i,j表示像素点v_i到v_j的欧氏距离。

通过如下公式计算像素点v_i到任意比它密度大的像素点v_j的最小距离δ_i：

其中ρ_j表示像素点v_j的局部密度。

步骤3-3，基于两维参数空间的肝脏像素密度聚类中心定义和聚类划分：

肝脏像素密度聚类中心Clusters定义为局部密度大于密度阈值ρ_c，且与比其密度更大的像素点的距离大于最小距离阈值δ_c的像素点：

Clusters＝{i|(ρ_i>ρ_c)&(δ_i>δ_c)}，

本发明中，密度阈值ρ_c取最大密度的25％，即最小距离阈值δ_c取最大距离的25％，即

确定聚类中心后，聚类的类别数为密度聚类中心的个数，除聚类中心像素点以外的像素点划分到距离聚类中心最近的聚类簇中。

本发明步骤4包括：聚类边缘Edges定义为局部密度小于密度阈值ρ_c，且与比其密度更大的像素点的距离大于最小距离阈值δ_c的像素点：

Edges＝{i|(ρ_i<ρ_c)&(δ_i>δ_c)}，

选择聚类边缘的像素点作为最不确定性样本集，让影像专家手工标注这些像素点，并添加到标注过的数据集；选择步骤3-3定义的聚类中心的像素点作为最有代表性的样本集，让影像专家手工标注这些像素点，标注聚类中心的像素点的损伤类别，并添加到标注过的数据集；与聚类中心同簇的没有标注过的像素点直接标注为聚类中心的损伤类别。

肝脏图像的形状变化较大，一般图像分割方法很难定位和提取。本发明采用基于形状先验知识的肝脏主动形状模型可以准确地定位肝脏在腹部图像中的位置。通过肝脏形状的平移、旋转和缩放，以及纹理的增缩和偏差分析，可以精确定的分割出肝脏。肝脏的实质和损伤区别可以通过局部纹理特征表现出来，传统的局部特征主要利用相邻像素的灰度值，忽略了方向模式和幅度变化模式等局部特征。为此，本发明采用了肝脏像素的局部五个方向模式和幅度变化模式的纹理特征。现有的肝脏损伤检测方法需要手工标注大量的训练样本，且损伤类别有限。本发明通过把像素点的高维空间转换到二维参数空间，实现了基于肝脏像素密度聚类主动学习方法的肝脏损伤类别的图像检测。只需要专家手工标注最有代表性的聚类中心样本，以及最不确定性的聚类边缘样本，且能检测多种类别的损伤。

综上，本发明利用肝脏图像的客观成像规律，在处理步骤中，采用了一些符合这些规律的计算机图像处理方法进行组合。相比以往手工检测的方法，得到了更加客观和准确的损伤检测结果，相比以外计算机辅助检测方法，大大地降低了训练样本量，提高了适用性和效率，属于专利法的保护范围。

有益效果：(1)本发明提出了肝脏像素的方向模式特征向量和灰度幅度变化模式特征向量。一方面，避免了现有局部特征一般都考虑所有相邻像素且仅考虑像素的灰度值，没有考虑方向的变化模式。另一方面，幅度变化模式体现了更多的纹理细节变化，更加适合肝脏微小损伤的特征。

(2)本发明提出了把肝脏高维特征映射到二维参数空间的肝脏像素密度聚类方法。统计一定距离范围内像素点的个数作为局部密度，简单有效。最小距离是局部密度的函数，适合任意形状的聚类。基于二维参数的密度聚类定义和划分，可以快速地把所有的肝脏像素聚类成不同的模式。

(3)基于肝脏像素密度聚类的主动学习方法，提出了新的主动学习代表性元素抽取方法和最不确定性的度量策略。基于主动学习的肝脏损伤只需要专家手工标注少量代表性样本的损伤类别，节约了大量的人力和财力。本发明结合了主动可变模型，医学图像分割，特征定义与提取，肝脏像素密度聚类和主动学习等技术，实现了只需要少量标注样本的肝脏损伤图像检测方法，对医学图像的临床应用有着很高的应用价值。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述或其他方面的优点将会变得更加清楚。

图1为本发明流程图。

图2为数据点Ic及其8邻域数据点的空间关系。

具体实施方式

下面结合附图对发明的技术内容进行详细说明：

本方法分为肝脏目标区域提取、特征定义和提取、肝脏像素密度聚类和主动学习检测四个部分，具体的工作流程如图1所示。

(一)使用肝脏主动形状模型从腹部医学图像集中定位并提取肝脏目标区域。

假设肝脏主动形状模型的几何形状参数：平移量t、旋转量r和缩放量s，以及纹理缩放参数：全局增缩u和偏差w，这些模型参数记为p＝{t,r,s,u,w}，模型参数的增量Δp＝{Δt,Δr,Δs,Δu,Δw}，经过k次线性模型迭代更新：

调整参数后的肝脏模板与腹部医学图像的区域均方差最小时，定位并提取腹部图像的对应区域为肝脏。

(二)定义和提取肝脏像素点的方向模式特征向量和灰度幅度变化模式特征向量。

假设提取的像素点Ic及其8邻域数据点的空间关系如图2所示，方向模式特征向量的详细步骤如下：

(21)对于每个以像素点Ic为中心的3×3方块，计算Ic的4邻域像素点(I₁，I₃，I₅，I₇)为中心的五个方向的灰度差。

像素点I₁与相邻的I₈、I₇、I_c、I₃和I₂五个像素点的灰度差：即D₁为像素点I₈和像素点I₁的灰度差，D₂为像素点I₇和像素点I₁的灰度差，D₃为像素点I_c和像素点I₁的灰度差，D₄为像素点I₃和像素点I₁的灰度差，D₅为像素点I₂和像素点I₁的灰度差；

像素点I₃与相邻的I₂、I₁、I_c、I₅和I₄五个像素点的灰度差，即D₆为像素点I₂和像素点I₃的灰度差，D₇为像素点I₁和像素点I₃的灰度差，D₈为像素点I_c和像素点I₃的灰度差，D₉为像素点I₅和像素点I₃的灰度差，D₁₀为像素点I₄和像素点I₃的灰度差；

像素点I₅与相邻的I₄、I₃、I_c、I₇和I₆五个像素点的灰度差，即D₁₁为像素点I₄和像素点I₅的灰度差，D₁₂为像素点I₃和像素点I₅的灰度差，D₁₃为像素点I_c和像素点I₅的灰度差，D₁₄为像素点I₇和像素点I₅的灰度差，D₁₅为像素点I₆和像素点I₅的灰度差；

像素点I₇与相邻的I₆、I₅、I_c、I₁和I₈五个像素点的灰度差，即D₁₆为像素点I₆和像素点I₇的灰度差，D₁₇为像素点I₅和像素点I₇的灰度差，D₁₈为像素点I_c和像素点I₅的灰度差，D₁₉为像素点I₁和像素点I₇的灰度差，D₂₀为像素点I₈和像素点I₇的灰度差。

(22)定义和计算Ic的4邻域像素点(I₁，I₃，I₅，I₇)为中心的五个方向模式数特征，构造像素点I_c的方向模式特征向量{f_c,1,f_c,2,f_c,3,f_c,4}，即统计4邻域像素点在5个方向中灰度差小于0的个数：

f_c,1＝Num(D₁<0,D₂<0,D₃<0,D₄<0,D₅<0)

f_c,2＝Num(D₆<0,D₇<0,D₈<0,D₉<0,D₁₀<0)

f_c,3＝Num(D₁₁<0,D₁₂<0,D₁₃<0,D₁₄<0,D₁₅<0)

f_c,4＝Num(D₁₆<0,D₁₇<0,D₁₈<0,D₁₉<0,D₂₀<0)

(23)计算Ic的4邻域像素点(I₁，I₃，I₅，I₇)为中心的五个方向的幅度变化模式数特征：

像素点I₁与相邻的像素点I₈、I₇、I_c、I₃和I₂的幅度变化值M_1,1：

像素点I_c与相邻的像素点I₈、I₇、I₁、I₃和I₂的幅度变化值M_1,2：

其中，E₁为像素点I₈和像素点I_c的灰度差，E₂为像素点I₇和像素点I_c的灰度差，E₃为像素点I_c和像素点I₁的灰度差，E₄为像素点I₃和像素点I_c的灰度差，E₅为像素点I₂和像素点I_c的灰度差。

像素点I₃与相邻的像素点I₂、I₁、I_c、I₅和I₄的幅度变化值M_3,1：

计算像素点I_c与相邻的像素点I₂、I₁、I₃、I₅和I₄的幅度变化值M_3,2：

计算像素点I₅与相邻的像素点I₄、I₃、I_c、I₇和I₆的幅度变化值M_5,1：

计算像素点I_c与相邻的像素点I₄、I₃、I₅、I₇和I₆的幅度变化值M_5,2

其中E₈为像素点I₆和像素点I_c的灰度差。

计算像素点I₇与相邻的像素点I₆、I₅、I_c、I₁和I₈的幅度变化值M_7,1：

计算像素点I_c与相邻的像素点I₆、I₅、I₇、I₁和I₈的幅度变化值M_7,2：

(24)定义和计算I_c的4邻域像素点(I₁，I₃，I₅，I₇)为中心的五个方向幅度变化模式数特征,构造像素点I_c的灰度幅度变化模式特征向量{g_c,1,g_c,2,g_c,3,g_c,4}，4邻域数据点(I₁，I₃，I₅，I₇)五个方向的幅度变化值大于I_c五个方向的幅度变化值的个数。

(三)基于肝脏像素局部密度和到更大密度数据点的最小距离的二维空间的肝脏像素密度聚类中心定义和聚类划分。

步骤31，计算所有像素点高维特征之间的欧氏距离。

设步骤1从医院采集或网上公开的腹部医学图像中定位和提取的肝脏图像集共有N个像素点v₁,v₂,…,v_N，根据步骤2提取每个像素点的方向模式特征向量和灰度幅度变化模式特征向量。任意两个像素点v_m和v_n之间的欧氏距离为：

其中f_m,l表示像素点v_m的第l个方向模式特征，f_n,l表示像素点v_n的第l个方向模式特征，g_m,l表示像素点v_m的第l个灰度幅度变化模式特征，g_n,l表示像素点v_n的第l个灰度幅度变化模式特征；

步骤32，计算每个数据点的参数：局部密度和到更大密度数据点的最小距离。

局部密度ρ_i定义为像素点v_i到周围相邻像素点的距离小于阈值d_c的像素点个数：

其中函数d_i,j表示像素点v_i到v_j的欧氏距离。本发明中，阈值d_c为所有像素点的相互距离中由小到大排列的第3％的位置。

参数δ_i表示像素点v_i到任何比它密度大的像素点v_j的最小距离：

步骤33，基于两维参数空间的肝脏像素密度聚类中心定义和聚类划分。

密度聚类中心定义为，局部密度大于密度阈值ρ_c，且距离比其密度更大的像素点大于距离阈值δ_c的像素点。

Clusters＝{i|(ρ_i>ρ_c)&(δ_i>δ_c)} (8)

本发明中密度阈值ρ_c取最大密度的25％，即距离阈值δ_c取最大距离的25％，即

确定聚类中心后，聚类的类别数为密度聚类中心的个数，除聚类中心像素点以外的像素点划分到距离聚类中心最近的聚类簇中。

(四)基于肝脏像素密度聚类边缘、中心和聚类划分的主动学习方法进行肝脏损伤类别的图像检测。

聚类边缘定义为：局部密度小于密度阈值ρ_c，且距离比其密度更大的像素点大于距离阈值δ_c的像素点。

Edges＝{i|(ρ_i<ρ_c)&(δ_i>δ_c)} (9)

选择聚类边缘的像素点作为最不确定性样本集，标注这些像素点的损伤，并添加到标注过的数据集。选择聚类中心的像素点作为最有代表性的样本集，标注这些像素点的损伤，并添加到标注过的数据集。与聚类中心同簇的没有标注过的像素点直接标注为聚类中心的肝脏损伤。

本发明提供了一种主动学习的肝脏损伤图像检测方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (5)

1.一种主动学习的肝脏损伤类别的图像检测方法，其特征在于，包括以下步骤：

步骤1，使用肝脏主动形状模型从腹部医学图像测试集中定位并提取肝脏目标区域，腹部医学图像测试集中包含腹部医学图像；

步骤2，定义和提取肝脏目标区域中像素点的方向模式特征向量和灰度幅度变化模式特征向量；

步骤3，基于肝脏目标区域中像素点局部密度和到更大密度像素点最小距离二维空间的肝脏像素密度聚类中心定义和聚类划分；

步骤4，基于肝脏像素密度聚类边缘、聚类中心和聚类划分的主动学习方法进行肝脏损伤类别的图像检测。

2.根据权利要求1所述的方法，其特征在于，步骤1包括：

肝脏主动形状模型的几何形状参数包括平移量t、旋转量r和缩放量s，以及纹理缩放参数，所述纹理缩放参数包括全局增缩参数u和偏差参数w；将上述几何形状参数记为模型参数p，p＝{t,r,s,u,w}，模型参数对应的增量为Δp，Δp＝{Δt,Δr,Δs,Δu,Δw}，通过如下公式对模型参数p进行k次线性模型迭代更新：

$p\&LeftArrow;p+\underset{i=1}{\overset{k}{\&Sigma;}}{\mathrm{\&Delta;p}}_i,$

其中，i取值范围为1～k，当经过k次线性模型迭代更新后，肝脏模板与腹部医学图像的部分区域均方差最小时，定位并提取此腹部医学图像区域为肝脏目标区域。

3.根据权利要求2所述的方法，其特征在于，步骤2包括以下步骤：

步骤2-1，假设提取的肝脏目标区域中像素点I_c及其8邻域像素点的空间关系如下表所示：

I₆ I₇ I₈ I₅ I_c I₁ I₄ I₃ I₂

其中，I₁、I₂、I₃、I₄、I₅、I₆、I₇和I₈为像素点I_c的邻域像素点，分别计算以像素点I_c的4邻域像素点I₁、I₃、I₅和I₇为中心的五个方向的灰度差；

步骤2-2，分别计算以像素点I_c的4邻域像素点I₁、I₃、I₅和I₇为中心的方向模式数特征，构造像素点I_c的方向模式特征向量{f_c,1,f_c,2,f_c,3,f_c,4}，即统计4邻域像素点在5个方向中灰度差小于0的个数：

f_c,1＝Num(D₁<0,D₂<0,D₃<0,D₄<0,D₅<0)，

其中D₁为像素点I₈和像素点I₁的灰度差，D₂为像素点I₇和像素点I₁的灰度差，D₃为像素点I_c和像素点I₁的灰度差，D₄为像素点I₃和像素点I₁的灰度差，D₅为像素点I₂和像素点I₁的灰度差；

f_c,2＝Num(D₆<0,D₇<0,D₈<0,D₉<0,D₁₀<0)，

其中D₆为像素点I₂和像素点I₃的灰度差，D₇为像素点I₁和像素点I₃的灰度差，D₈为像素点I_c和像素点I₃的灰度差，D₉为像素点I₅和像素点I₃的灰度差，D₁₀为像素点I₄和像素点I₃的灰度差；

f_c,3＝Num(D₁₁<0,D₁₂<0,D₁₃<0,D₁₄<0,D₁₅<0)，

其中，D₁₁为像素点I₄和像素点I₅的灰度差，D₁₂为像素点I₃和像素点I₅的灰度差，D₁₃为像素点I_c和像素点I₅的灰度差，D₁₄为像素点I₇和像素点I₅的灰度差，D₁₅为像素点I₆和像素点I₅的灰度差；

f_c,4＝Num(D₁₆<0,D₁₇<0,D₁₈<0,D₁₉<0,D₂₀<0)，

其中，D₁₆为像素点I₆和像素点I₇的灰度差，D₁₇为像素点I₅和像素点I₇的灰度差，D₁₈为像素点I_c和像素点I₅的灰度差，D₁₉为像素点I₁和像素点I₇的灰度差，D₂₀为像素点I₈和像素点I₇的灰度差；

步骤2-3，计算像素点I_c的4邻域像素点I₁、I₃、I₅和I₇为中心的五个方向幅度变化模式数特征，构造像素点I_c的灰度幅度变化模式特征向量{g_c,1,g_c,2,g_c,3,g_c,4}，即统计4邻域数据点I₁、I₃、I₅和I₇五个方向的幅度变化值大于像素点I_c五个方向的幅度变化值的个数：

$g_{c,1}=G(M_{1,1},M_{1,2})=\left\{\begin{array}{cc}1& M_{1,1}>M_{1,2}\\ 0& else\end{array}\right.,$

其中，M_1,1表示像素点I₁与相邻的像素点I₈、I₇、I_c、I₃和I₂的灰度幅度变化值，计算公式为：

$M_{1,1}=\sqrt{{D_1}^2+{D_2}^2+{D_3}^2+{D_4}^2+{D_5}^2},$

M_1,2表示像素点I_c与相邻的像素点I₈、I₇、I₁、I₃和I₂的灰度幅度变化值，计算公式为：

$M_{1,2}=\sqrt{{E_1}^2+{E_2}^2+{E_3}^2+{E_4}^2+{E_5}^2},$

其中，E₁为像素点I₈和像素点I_c的灰度差，E₂为像素点I₇和像素点I_c的灰度差，E₃为像素点I_c和像素点I₁的灰度差，E₄为像素点I₃和像素点I_c的灰度差，E₅为像素点I₂和像素点I_c的灰度差；

$g_{c,2}=G(M_{3,1},M_{3,2})=\left\{\begin{array}{cc}1& M_{3,1}>M_{3,2}\\ 0& else\end{array}\right.,$

其中，M_3,1表示像素点I₃与相邻的像素点I₂、I₁、I_c、I₅和I₄的灰度幅度变化值，计算公式为：

$M_{3,1}=\sqrt{{D_6}^2+{D_7}^2+{D_8}^2+{D_9}^2+{D_{10}}^2},$

其中，M_3,2表示像素点I_c与相邻的像素点I₂、I₁、I₃、I₅和I₄的灰度幅度变化值，计算公式为：

$M_{3,2}=\sqrt{{E_5}^2+{E_3}^2+{E_4}^2+{E_6}^2+{E_7}^2},$

其中，E₆为像素点I₅和像素点I_c的灰度差，E₇为像素点I₄和像素点I_c的灰度差；

$g_{c,3}=G(M_{5,1},M_{5,2})=\left\{\begin{array}{cc}1& M_{5,1}>M_{5,2}\\ 0& else\end{array}\right.,$

其中M_5,1表示像素点I₅与相邻的像素点I₄、I₃、I_c、I₇和I₆的灰度幅度变化值，计算公式为：

$M_{5,1}=\sqrt{{D_{11}}^2+{D_{12}}^2+{D_{13}}^2+{D_{14}}^2+{D_{15}}^2},$

其中M_5,2表示像素点I_c与相邻的像素点I₄、I₃、I₅、I₇和I₆的灰度幅度变化值，计算公式为：

$M_{5,2}=\sqrt{{E_7}^2+{E_4}^2+{E_6}^2+{E_2}^2+{E_8}^2},$

其中，E₈为像素点I₆和像素点I_c的灰度差；

$g_{c,4}=G(M_{7,1},M_{7,2})=\left\{\begin{array}{cc}1& M_{7,1}>M_{7,2}\\ 0& else\end{array}\right.,$

其中，M_7,1表示像素点I₇与相邻的像素点I₆、I₅、I_c、I₁和I₈的幅度变化值，计算公式为：

$M_{7,1}=\sqrt{{D_{16}}^2+{D_{17}}^2+{D_{18}}^2+{D_{19}}^2+{D_{20}}^2},$

其中M_7,2表示像素点I_c与相邻的像素点I₆、I₅、I₇、I₁和I₈的幅度变化值，计算公式为：

$M_{7,2}=\sqrt{{E_8}^2+{E_6}^2+{E_2}^2+{E_3}^2+{E_1}^2}.$

4.根据权利要求3所述的方法，其特征在于，步骤3包括以下步骤：

步骤3-1，计算肝脏目标区域中所有像素点高维特征之间的欧氏距离：

设步骤1中定位和提取的肝脏目标区域共有N个像素点v₁,v₂,…,v_N，根据步骤2提取每个像素点的方向模式特征向量和灰度幅度变化模式特征向量，计算任意两个像素点v_m和v_n之间的欧氏距离d_m,n为：

$d_{m,n}=\sqrt{\underset{l=1}{\overset{4}{\&Sigma;}}{(f_{m,l}-f_{n,l})}^2+\underset{l=1}{\overset{4}{\&Sigma;}}{(g_{m,l}-g_{n,l})}^2};$

其中f_m,l表示像素点v_m的第l个方向模式特征，f_n,l表示像素点v_n的第l个方向模式特征，g_m,l表示像素点v_m的第l个灰度幅度变化模式特征，g_n,l表示像素点v_n的第l个灰度幅度变化模式特征；

步骤3-2，计算每个像素点的局部密度和每个像素点到比其密度更大的像素点的最小距离：

局部密度ρ_i定义为像素点v_i到周围相邻像素点的距离小于阈值d_c的像素点个数，通过如下公式计算像素点v_i的局部密度ρ_i：

${\mathrm{\&rho;}}_i=\underset{j=1}{\overset{N}{\&Sigma;}}\mathrm{\&chi;}(d_{i,j}-d_c),$

其中函数d_i,j表示像素点v_i到v_j的欧氏距离；

通过如下公式计算像素点v_i到任意比它密度大的像素点v_j的最小距离δ_i：

${\mathrm{\&delta;}}_i=\underset{j:{\mathrm{\&rho;}}_j>{\mathrm{\&rho;}}_i}{min}\left(d_{i,j}\right);$

其中ρ_j表示像素点v_j的局部密度；

步骤3-3，基于两维参数空间的肝脏像素密度聚类中心定义和聚类划分：

肝脏像素密度聚类中心Clusters定义为局部密度大于密度阈值ρ_c，且与比其密度更大的像素点的距离大于最小距离阈值δ_c的像素点：

Clusters＝{i|(ρ_i>ρ_c)&(δ_i>δ_c)}，

确定聚类中心后，聚类的类别数为密度聚类中心的个数，除聚类中心像素点以外的像素点划分到距离聚类中心最近的聚类簇中。

5.根据权利要求4所述的方法，其特征在于，步骤4包括：聚类边缘Edges定义为局部密度小于密度阈值ρ_c，且与比其密度更大的像素点的距离大于最小距离阈值δ_c的像素点：

Edges＝{i|(ρ_i<ρ_c)&(δ_i>δ_c)}，

选择聚类边缘的像素点作为最不确定性样本集，标注聚类边缘的像素点的损失类别，并添加到标注过的数据集；

选择步骤3-3定义的聚类中心的像素点作为最有代表性的样本集，标注聚类中心的像素点的损伤类别，并添加到标注过的数据集；

与聚类中心同簇的没有标注过的像素点直接标注为聚类中心的损伤类别。