CN109086810A - 一种基于模糊聚类的电阻抗层析成像优化算法 - Google Patents

一种基于模糊聚类的电阻抗层析成像优化算法 Download PDF

Info

Publication number
CN109086810A
CN109086810A CN201810798091.6A CN201810798091A CN109086810A CN 109086810 A CN109086810 A CN 109086810A CN 201810798091 A CN201810798091 A CN 201810798091A CN 109086810 A CN109086810 A CN 109086810A
Authority
CN
China
Prior art keywords
pixel
feature
fuzzy clustering
electrical impedance
matrix
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.)
Pending
Application number
CN201810798091.6A
Other languages
English (en)
Inventor
李奇
岳士弘
高晓峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201810798091.6A priority Critical patent/CN109086810A/zh
Publication of CN109086810A publication Critical patent/CN109086810A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种基于模糊聚类的电阻抗层析成像优化算法，步骤如下：(1)得到电阻抗层析成像的图像矩阵；(2)从图像矩阵中提取代表每个像素信息的特征，特征一：均值向量，即为每个像素点所对应的各个边界电压值的均值；特征二：方差矩阵，在均值矩阵的基础上，计算每个像素点的方差，每个像素点的2维特征向量形成特征矩阵；(3)将特征矩阵作为模糊聚类算法的输入数据集进行模糊聚类，进而得到每个像素点的隶属度值，表征每个像素点对每一类的隶属度大小；根据隶属度矩阵进行类别的归属判断。

Description

一种基于模糊聚类的电阻抗层析成像优化算法
技术领域
本发明属于电学层析成像图像重建算法领域，具体涉及一种基于模糊聚类的电阻抗层析成像优化算法。
背景技术
电学层析成像(ElectricalTomography,简称ET)技术是一种重建被测敏感场域内部电学特性分布的技术，以其无辐射、非侵入性、响应迅速、成本低廉等优势在医学临床监护和工业测量等领域有着广阔的应用前景。在电阻层析成像(ERT)中，利用阵列电极对被测物场施加电流激励，测量边界电压数据，进而重建被测场域内的电导率分布。以16电极的电阻层析成像传感器为例，采用相邻电流激励、相邻电压测量的方式。在每次激励下，除去激励电极，共有13个测量值。如：以1、2号电极作为激励电极，测量3、4，4、5，5、6......15、16电极对上的电压信号。共有16次激励，即有13×16＝208个测量值。为了兼顾时间分辨率及空间分辨率，一般将被测敏感场域划分为812个像素点。电阻层析成像图像重建问题即为求解这812个像素点的灰度值。传统的线性反投影算法(LBP)即为根据边界电压值和被测场域投影区的关系进行电压数据的反投，但由于硬件设备的限制，导致反投数据远远少于需要求解的灰度值，使得重建图像有较大的伪影，目标及背景的边界模糊，空间分辨率较差。
发明内容
本发明的目的是提供一种可以减少伪影，具有更高的空间分辨率的电阻抗层析成像优化算法。本发明的技术方案如下：
一种基于模糊聚类的电阻抗层析成像优化算法，从传感器采集得到的边界电压值中提取有用信息，形成特征向量，进而进行聚类分析，方法如下：
(1)得到电阻抗层析成像的图像矩阵；
(2)从图像矩阵中提取代表每个像素信息的特征，特征一：均值向量，即为每个像素点所对应的各个边界电压值的均值；特征二：方差矩阵，在均值矩阵的基础上，计算每个像素点的方差，每个像素点的2维特征向量形成特征矩阵；
(3)将特征矩阵作为模糊聚类算法的输入数据集进行模糊聚类，进而得到每个像素点的隶属度值，表征每个像素点对每一类的隶属度大小；
(4)根据隶属度矩阵进行类别的归属判断。
本发明由于采取以上技术方案，其具有以下优点：
1、与传统的LBP算法相比，本发明算法减少了伪影，使目标与背景之间的界限更加清晰，提高了成像的空间分辨率。
2、聚类算法采用模糊聚类算法而非传统的硬划分算法，使得目标边缘更加平滑，贴近实际边缘。
附图说明
图1为本发明计算像素点方差时的示意图；
图2为本发明的算法流程图；
图3为本发明的实施例中原始被测物场模型图；
图4为对图3仿真模型用LBP算法进行图像重建的结果；
图5为对图3仿真模型用本发明的算法进行图像重建的结果。
具体实施方式
本发明的目的是克服现有图像重建算法空间分辨率较低的不足，提出了一种基于模糊聚类的电阻抗层析成像优化算法。模糊聚类的对象是一组数据的集合，通过提取数据的特征向量来对数据进行划分，使类内差别较小，类间差异较大。基于模糊聚类的电阻抗层析成像优化算法从传感器采集得到的边界电压值中提取有用信息，形成特征向量，进而进行聚类分析。由于ERT成像独特的背景，可将812个像素点分成2类，其中一类代表目标，另外一类代表背景。
对于每一个像素点而言，每次激励时有且仅有一个投影区覆盖该像素点，16次循环激励后每个像素点有16个边界电压值与之相对应，形成一个16维的向量，整幅图像形成812×16的矩阵。为了有效地对数据点进行聚类，从812×16的矩阵中提取代表每个像素信息的特征。本发明为每个像素点选取两个特征。特征一：均值向量。即为每个像素点所对应的16个边界电压值的均值。特征二：方差矩阵。在均值矩阵的基础上，计算每个像素点的方差，如图1所示。图1表示以点(i，j)为中心的9个像素点，ave(i,j)表示像素点(i，j)的均值，该点的方差如公式(1)所示：
每个像素点的2维特征向量形成812×2的特征矩阵，将特征矩阵作为模糊聚类算法的输入数据集进行模糊聚类，进而得到每个像素点的隶属度值，表征每个像素点对每一类的隶属度大小。最后根据隶属度矩阵进行类别的归属判断。图2为算法流程图。
下面结合附图和实施例对本发明的进行详细的描述。
在Comsol和Matlab计算软件中对本发明所提供的一种基于模糊聚类的电阻抗层析成像优化算法进行仿真实验。实验方法如下：
1、在Comsol中设计仿真模型，如图3所示。红色部分表示目标，蓝色部分表示背景。其中，被测场域圆心坐标为(0,0)，半径为0.5cm。目标为圆形，圆心坐标为(0,0.65)，半径为0.2cm。
2、用matlab对求解后的模型进行计算，得到208个边界电压数据。
3、分配反投电压数据。将边界电压值按照投影区进行反投，每个像素点得到16个反投的电压值。
4、计算特征向量矩阵。计算每个像素点的ave及var值，进而形成812×2的特征向量矩阵。
5、执行模糊聚类算法。对上述4中的特征向量矩阵执行模糊聚类算法，得到隶属度矩阵。
6、重建图像。根据隶属度矩阵对每个像素点进行类别的划分，进而对被测场域进行图像重建。
针对图3的仿真模型，分别用LBP及本发明的算法进行图像重建，如图4及图5所示。其中，图4为用LBP算法进行图像重建的结果，图5为用本发明算法进行图像重建的结果。
由仿真实验结果可以看出，本发明所提供基于模糊聚类的电阻抗层析成像优化算法与传统的LBP算法相比减少了伪影，具有更高的空间分辨率。

Claims (1)

1.一种基于模糊聚类的电阻抗层析成像优化算法，从传感器采集得到的边界电压值中提取有用信息，形成特征向量，进而进行模糊聚类分析。方法如下：
(1)得到电阻抗层析成像的图像矩阵；
(2)从图像矩阵中提取代表每个像素信息的特征，特征一：均值向量，即为每个像素点所对应的各个边界电压值的均值；特征二：方差矩阵，在均值矩阵的基础上，计算每个像素点的方差，每个像素点的2维特征向量形成特征矩阵；
(3)将特征矩阵作为模糊聚类算法的输入数据集进行模糊聚类，进而得到每个像素点的隶属度值，表征每个像素点对每一类的隶属度大小；
(4)根据隶属度矩阵进行类别的归属判断。
CN201810798091.6A 2018-07-19 2018-07-19 一种基于模糊聚类的电阻抗层析成像优化算法 Pending CN109086810A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810798091.6A CN109086810A (zh) 2018-07-19 2018-07-19 一种基于模糊聚类的电阻抗层析成像优化算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810798091.6A CN109086810A (zh) 2018-07-19 2018-07-19 一种基于模糊聚类的电阻抗层析成像优化算法

Publications (1)

Publication Number Publication Date
CN109086810A true CN109086810A (zh) 2018-12-25

Family

ID=64838023

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810798091.6A Pending CN109086810A (zh) 2018-07-19 2018-07-19 一种基于模糊聚类的电阻抗层析成像优化算法

Country Status (1)

Country Link
CN (1) CN109086810A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110827215A (zh) * 2019-10-21 2020-02-21 天津大学 一种基于模糊聚类的ert图像重建伪影去除方法
CN114469046A (zh) * 2020-10-23 2022-05-13 北京华睿博视医学影像技术有限公司 电阻抗成像方法、系统、存储介质以及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104605851A (zh) * 2015-02-16 2015-05-13 天津大学 一种电阻抗层析成像系统的数据采集方法
CN105701824A (zh) * 2016-01-14 2016-06-22 天津大学 基于圆弧形网格剖分的电学层析图像重建方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104605851A (zh) * 2015-02-16 2015-05-13 天津大学 一种电阻抗层析成像系统的数据采集方法
CN105701824A (zh) * 2016-01-14 2016-06-22 天津大学 基于圆弧形网格剖分的电学层析图像重建方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHENGLONG YU等: "An Effective Measured Data Preprocessing Method in Electrical Impedance Tomography", 《TH SCIENTIFI WORLD JOURNAL》 *
QI LI等: "The Optimization of ET by FCM and Its Variants", 《PROCEEDINGS OF THE 2018 13TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION》 *
YUE SHIHONG等: "Clustering mechanism for electric tomography imaging", 《SCIENCE CHINA》 *
包秀娟: "聚类有效性指标结构分析及应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
赵晶: "电学层析聚类成像质量评估研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110827215A (zh) * 2019-10-21 2020-02-21 天津大学 一种基于模糊聚类的ert图像重建伪影去除方法
CN114469046A (zh) * 2020-10-23 2022-05-13 北京华睿博视医学影像技术有限公司 电阻抗成像方法、系统、存储介质以及电子设备

Similar Documents

Publication Publication Date Title
Shrivastava et al. Exploring the color feature power for psoriasis risk stratification and classification: A data mining paradigm
Woods et al. Malignant‐lesion segmentation using 4D co‐occurrence texture analysis applied to dynamic contrast‐enhanced magnetic resonance breast image data
Guo et al. A new method of detecting micro-calcification clusters in mammograms using contourlet transform and non-linking simplified PCNN
Liu et al. A spatial-aware joint optic disc and cup segmentation method
Mahalakshmi et al. Detection of brain tumor by particle swarm optimization using image segmentation
Xu et al. Convolutional-neural-network-based approach for segmentation of apical four-chamber view from fetal echocardiography
Cui et al. Bidirectional cross-modality unsupervised domain adaptation using generative adversarial networks for cardiac image segmentation
CN110706826A (zh) 一种基于视频图像的非接触式的实时多人心率和血压测量方法
Deepak et al. Visual saliency based bright lesion detection and discrimination in retinal images
CN108717694A (zh) 基于模糊c均值聚类的电阻抗层析成像图像质量评价方法
CN102175625A (zh) 一种癌细胞识别方法
CN108960341B (zh) 一种面向脑网络的结构化特征选择方法
Qian et al. Identifying regional cardiac abnormalities from myocardial strains using nontracking-based strain estimation and spatio-temporal tensor analysis
Hung et al. Suppressed fuzzy-soft learning vector quantization for MRI segmentation
CN109086810A (zh) 一种基于模糊聚类的电阻抗层析成像优化算法
CN109935321A (zh) 基于功能核磁共振影像数据的抑郁症患者转为双相情感障碍的风险预测模型
CN108596228B (zh) 一种基于无监督模糊系统的脑功能磁共振图像分类方法
Kumar et al. Computer-aided automated discrimination of Alzheimer's disease and its clinical progression in magnetic resonance images using hybrid clustering and game theory-based classification strategies
Liu et al. Patch-driven tongue image segmentation using sparse representation
Senthilkumaran et al. Brain image segmentation
Liang et al. Scale-invariant structure saliency selection for fast image fusion
Feng et al. Multimodal medical image fusion based on visual saliency map and multichannel dynamic threshold neural P systems in sub-window variance filter domain
CN109493395A (zh) 基于保形变换的开放式电阻抗层析成像图像重建方法
Xu et al. Left ventricle segmentation based on a dilated dense convolutional networks
Hu et al. A skin lesion segmentation method based on saliency and adaptive thresholding in wavelet domain

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181225