CN111784676A - 一种用于肝脏ct影像的特征提取与分割新方法 - Google Patents

一种用于肝脏ct影像的特征提取与分割新方法 Download PDF

Info

Publication number
CN111784676A
CN111784676A CN202010630550.7A CN202010630550A CN111784676A CN 111784676 A CN111784676 A CN 111784676A CN 202010630550 A CN202010630550 A CN 202010630550A CN 111784676 A CN111784676 A CN 111784676A
Authority
CN
China
Prior art keywords
sample
network
feature extraction
liver
segmentation
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
CN202010630550.7A
Other languages
English (en)
Inventor
常炳国
姜群
石华龙
张芬奇
常雨馨
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.)
Hunan University
Original Assignee
Hunan 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 Hunan University filed Critical Hunan University
Priority to CN202010630550.7A priority Critical patent/CN111784676A/zh
Publication of CN111784676A publication Critical patent/CN111784676A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/23Clustering techniques
    • G06F18/232Non-hierarchical techniques
    • G06F18/2321Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/25Determination of region of interest [ROI] or a volume of interest [VOI]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/26Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10081Computed x-ray tomography [CT]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • G06T2207/30056Liver; Hepatic

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种用于肝脏CT影像的特征提取与分割新方法,包括获取肝脏肿瘤CT图像数据并重采样;采用模糊聚类方法划分图像数据的感兴趣区域,得到感兴趣区域作为质心并获取核心学习样本;对核心学习样本进行预处理;采用强化学习搜索基线网络形成自适应三维卷积深度学习网络;采用样本数据对自适应三维卷积深度学习网络进行训练得到特征提取与分割模型;采用特征提取与分割模型对肝脏CT图像进行特征提取和分割。本发明不需要人工标定条件,能够提取到更加高级的抽象特征,能够自动高效地进行肝脏图像的特征分割,而且特征分割效率更高;同时本发明的可靠性高,实用性好。

Description

一种用于肝脏CT影像的特征提取与分割新方法
技术领域
本发明具体涉及一种用于肝脏CT影像的特征提取与分割新方法。
背景技术
随着社会、经济、教育、科技的快速发展,人们对自身健康的关注度也越来越高,科学检查预防疾病是提高生活质量和健康的重要措施。肝脏的CT图像包括了肝脏影像的像素值、纹理形态、纹理分布区域、方向特征、几何特征、边缘清晰度等特征,在医学领域具有极为重要的作用。随着人工智能算法的发展和创新应用,部分研究将人工智能算法用于肝脏影像分割和特征提取。
现有的技术中,有研究采用熵局部均匀性和灰度水平分布这三个纹理特征对肝脏CT图像进行分类;有研究基于一阶和二阶灰度统计特征的纹理测度和统计神经网络分类算法,将肝脏超声图像分为正常组织和非正常组织。有研究采用共生矩阵的纹理特征训练概率神经网络分类器区分CT平扫图像;有研究用力量差异方法的分形描述算子,结合模糊C-均值分类器将肝脏的B超图像进行分类。有研究采用基于分形维数的方法提取肝CT图像纹理特征。有研究采用小波生成的纹理特征训练支持向量机,对肝脏的CT图像进行分类。有研究采用非张量积小波滤波器组分解图像,对分解后的低频子带系数再用高斯拟合法提取纹理全局特征,同时提取了局部灰度和共生矩阵纹理特征。有研究针对肝脏肿瘤三期扫描的CT图像特点,对比动脉期、静脉期或者平衡期的兴趣区以及其他区域的灰度均值。
但是,现有的技术方案中,均存在一个明显的缺点:在进行肝脏图像的特征提取和分割时,全面依赖于对原始CT图像的人工准确标定,即需要人工准确标定的数据作为分割模型学习样本;明显的,大量的人工标定工作使得学习样本集合的规模受到较大限制;同时,若要增加样本的几个规模,就要付出大量专业医生人力资源,费时费力,而且可行性较差。同时,现有的技术方案,大多基于多特征融合方法、基于奇异值分解和小波变换方法,对于特征的提取效率低,而且挖掘到的信息有限,使得提取和分割的效果并不理想。
发明内容
本发明的目的在于提供一种无需大量专业人员标定样本数据、提取和分割的结果较为理想、可靠性高且实用性好的用于肝脏CT影像的特征提取与分割新方法。
本发明提供的这种用于肝脏CT影像的特征提取与分割新方法,包括如下步骤:
S1.获取肝脏肿瘤CT图像数据;
S2.对步骤S1获取的图像数据进行重采样;
S3.采用模糊聚类方法划分步骤S2得到的图像数据的感兴趣区域,从而得到感兴趣区域作为质心,并获取核心学习样本;
S4.对步骤S3得到的核心学习样本进行预处理;
S5.采用强化学习搜索基线网络,从而形成自适应三维卷积深度学习网络;
S6.采用步骤S4得到的样本数据,对步骤S5得到的自适应三维卷积深度学习网络进行训练,从而得到特征提取与分割模型;
S7.采用步骤S6得到的特征提取与分割模型,对肝脏CT图像进行特征提取和分割,从而得到最终的特征提取和分割结果。
步骤S2所述的对步骤S1获取的图像数据进行重采样,具体为对步骤S1获取的图像数据进行重采样,从而使得图像数据满足1pix/mm的要求。
步骤S3所述的模糊聚类方法,具体包括如下步骤:
A.采用如下算式作为深度学习海量样本模糊化的表达式:
A={(μA(xi),xi)|xi∈X}
式中A为有限个样本对象的模糊集合;X为样本空间;xi为样本空间中的一个样本对象;μA(xi)为隶属度函数,表示样本对象xi隶属于集合A的程度,且取值范围为[0,1];
B.采用如下公式作为模糊聚类的表达式:
Figure BDA0002568480340000031
式中c为聚类数;n为样本数;U为将n个样本数分为c组,并输出的c行n列的矩阵;ci为模糊组I的聚类中心;dij=||ci-xj||,为第I个聚类中心与第j个数据点之间的欧几里的距离;μij为第i个数据对应第j类的隶属度;m为一个大于1的加权指数;
C.采用如下算式作为模糊聚类表达式J(U,c1,...ci,...,cc)的目标函数:
Figure BDA0002568480340000032
式中
Figure BDA0002568480340000033
为J(U,c1,...ci,...,cc)的目标函数;λj为n个约束式的拉格朗日乘数;
D.将步骤C得到的目标函数分别对ci和uij求偏导,且令偏导为0,从而得到目标函数
Figure BDA0002568480340000034
的极小值的必要条件表达为:
Figure BDA0002568480340000041
Figure BDA0002568480340000042
E.采用如下算式作为模糊聚类误差的计算表达式:
E(x)=∑iθi(xi)+∑ijθij(xi,yj)
式中E(x)为能量函数且由一元势函数和二元势函数构成,且E(x)越小时预测的类别标签越准确;xi和yj为像素点;一元势函数用于衡量像素点的类别概率;二元势函数用于描述像素点和像素点之间的关系;
F.采用如下算式作为二元势函数的表达式:
Figure BDA0002568480340000043
式中μ(xi,yj)表示标签项约束像素间传导,且只有相同标签条件下能量才能够相互传导;km(fi,fj)为特征函数,且以特征的形式表示了不同像素之间的紧密度;
G.采用如下算式作为表面核和平滑核表达式:
Figure BDA0002568480340000044
式中ω1为权重系数;||pi-pj||为图像像素点之间的距离;σα为方差;σβ为方差;ω2为权重系数;σγ为方差。
步骤S4所述的对步骤S3得到的核心学习样本进行预处理,具体为对核心学习样本进行数据增强、三维坐标轴旋转、三维坐标轴翻转和三维坐标轴平移,从而达到扩展训练样本规模和训练样本优化分布的目的。
步骤S5所述的自适应三维卷积深度学习网络,具体包括如下步骤:
a.采用如下算式作为训练输出残差计算公式:
Figure BDA0002568480340000051
式中EN为全部训练集上输入与输出的误差;n=1~N,为深度学习模型样本总量;k=1~C,表示分类种类;
Figure BDA0002568480340000052
表示第n个样本对应的标签的第k维的值;
Figure BDA0002568480340000053
表示第n个样本对应的网络输出的第k个输出;
b.采用如下算式作为自适应三维卷积深度学习网络的卷积层灵敏度计算公式:
Figure BDA0002568480340000054
式中
Figure BDA0002568480340000055
表示第l层第j个通道的灵敏度;
Figure BDA0002568480340000056
表示第i个隐藏层第个j通道的值;up()为上采样操作;f'()为求导;
Figure BDA0002568480340000057
为第(l+1)层第j个通道的乘性偏置;j为网络学习与误差传递通道;l为深度学习网络层;
c.采用如下公式作为临近点信息操作效率表达式:
E(x)=∑iθi(xi)+∑ijθij(xi,yj)
式中θij(xi,yj)为二元势函数,用于描述像素点和像素点之间的关系,且
Figure BDA0002568480340000058
μ(xi,yj)为标签兼容项,它约束了像素间传导的条件,只有相同标签(label)条件下,能量才可以相互传导;ωm为权重参数;km(fi,fj)为高斯核,用于度量像素点i和j的特征向量相似度的一个高斯权重项。
步骤S5所述的采用强化学习搜索基线网络,从而形成自适应三维卷积深度学习网络,具体包括如下步骤:
(1)设置搜索空间,并限制网络层的层数;所述网络层包括多层卷积层、多层池化层和全连接层;
(2)确定搜索目标,并设定自适应三维卷积深度学习网络的精确度、内存占用量和每秒浮点运算次数;
(3)训练样本集数据,并搜索最优的网络结构。
步骤(3)所述的搜索最优的网络结构,具体为采用如下步骤进行搜索:
1)令d=αθ,w=βθ,r=γθ;其中θ为比例系数,d为网络深度,w为网络宽度,r为图像尺寸;
2)在满足条件:α*β22≤δ的前提下,搜索网络结构,使得模型的精度最高;其中δ为设定的阈值;
3)在保证α、β和γ不变的条件下,改变θ的值,使得参数d、w和r等比例缩放,并在设定的允许条件下,使得参数θ最大,从而保证模型的精度。
本发明提供的这种用于肝脏CT影像的特征提取与分割新方法,通过学习海量医学CT影像数据,发现数据和关联类别之间的统计特征分布;不需要人工标定条件,消除了人为主观因素的影响,而且能够提取到更加高级的抽象特征;同时,基于CNN的特征分割应用能够自动高效地进行肝脏图像的特征分割;最后,本发明方法的自适应三维卷积深度学习网络能够挖掘到医学图像中潜在的非线性关系,特征分割效率更高;本发明方法无需大量专业人员标定样本数据、提取和分割的结果较为理想、可靠性高且实用性好。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明方法的实施例的原始CT影像示意图。
图3为本发明方法的实施例采用二维分割方法的效果示意图。
图4为本发明方法的实施例采用本发明提供的分割方法的效果示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图:本发明提供的这种用于肝脏CT影像的特征提取与分割新方法,包括如下步骤:
S1.获取肝脏肿瘤CT图像数据;具体为采用PYDICOM工具软件读入DCM格式肝脏肿瘤CT影像;
S2.对步骤S1获取的图像数据进行重采样;具体为对步骤S1获取的图像数据进行重采样,从而使得图像数据满足1pix/mm的要求;
S3.采用模糊聚类方法划分步骤S2得到的图像数据的感兴趣区域,从而得到感兴趣区域作为质心,并获取核心学习样本;
其中,模糊聚类方法具体包括如下步骤:
A.采用如下算式作为深度学习海量样本模糊化的表达式:
A={(μA(xi),xi)|xi∈X}
式中A为有限个样本对象的模糊集合;X为样本空间;xi为样本空间中的一个样本对象;μA(xi)为隶属度函数,表示样本对象xi隶属于集合A的程度,且取值范围为[0,1];
B.采用如下公式作为模糊聚类的表达式:
Figure BDA0002568480340000071
式中c为聚类数;n为样本数;U为将n个样本数分为c组,并输出的c行n列的矩阵;ci为模糊组I的聚类中心;dij=||ci-xj||,为第I个聚类中心与第j个数据点之间的欧几里的距离;μij为第i个数据对应第j类的隶属度;m为一个大于1的加权指数;
C.采用如下算式作为模糊聚类表达式J(U,c1,...ci,...,cc)的目标函数:
Figure BDA0002568480340000081
式中
Figure BDA0002568480340000082
为J(U,c1,...ci,...,cc)的目标函数;λj为n个约束式的拉格朗日乘数;
D.将步骤C得到的目标函数分别对ci和uij求偏导,且令偏导为0,从而得到目标函数
Figure BDA0002568480340000083
的极小值的必要条件表达为:
Figure BDA0002568480340000084
Figure BDA0002568480340000085
E.采用如下算式作为模糊聚类误差的计算表达式:
E(x)=∑iθi(xi)+∑ijθij(xi,yj)
式中E(x)为能量函数且由一元势函数和二元势函数构成,且E(x)越小时预测的类别标签越准确;xi和yj为像素点;一元势函数用于衡量像素点的类别概率;二元势函数用于描述像素点和像素点之间的关系;
F.采用如下算式作为二元势函数的表达式:
Figure BDA0002568480340000086
式中μ(xi,yj)表示标签项约束像素间传导,且只有相同标签条件下能量才能够相互传导;km(fi,fj)为特征函数,且以特征的形式表示了不同像素之间的紧密度;
G.采用如下算式作为表面核和平滑核表达式:
Figure BDA0002568480340000091
式中ω1为权重参数;||pi-pj||为两个像素之间的距离;σα为方差;σβ为方差;ω2为权重参数;σγ为方差;
S4.对步骤S3得到的核心学习样本进行预处理;具体为对核心学习样本进行数据增强、三维坐标轴旋转、三维坐标轴翻转和三维坐标轴平移,从而达到扩展训练样本规模和训练样本优化分布的目的;
S5.采用强化学习搜索基线网络,从而形成自适应三维卷积深度学习网络;
三维卷积深度学习网络结构可自适应调节隐层数,输入端和输出端特征层尺寸相同,形成对称结构模型;每个卷积层三维卷积核数量逐渐增加,设置卷积核步长逐渐减小三维矩阵的尺度;中间层三维卷积核尺度逐渐减少,通过上采样逐渐增大三维矩阵的尺度;为了避免浅层网络特征信息的丢失,通过每间隔几层就将第n层的feature map与倒数第n层的feature map叠加,用叠加后的feature map进行卷积计算;模型输出mask map,mask map的每个像素值代表属于肝脏肿瘤分布概率;
所述的自适应三维卷积深度学习网络,具体包括如下步骤:
a.采用如下算式作为训练输出残差计算公式:
Figure BDA0002568480340000092
式中EN为全部训练集上输入与输出的误差;n=1~N,为深度学习模型样本总量;k=1~C,表示分类种类;
Figure BDA0002568480340000093
表示第n个样本对应的标签的第k维的值;
Figure BDA0002568480340000094
表示第n个样本对应的网络输出的第k个输出;
b.采用如下算式作为自适应三维卷积深度学习网络的卷积层灵敏度计算公式:
Figure BDA0002568480340000101
式中
Figure BDA0002568480340000102
表示第l层第j个通道的灵敏度;
Figure BDA0002568480340000103
表示第i个隐藏层第j个通道的值;up()为上采样操作;f'()为求导;
Figure BDA0002568480340000104
为第(l+1)层第j个通道的乘性偏置;j为网络学习与误差传递通道;l为深度学习网络层;
c.采用如下公式作为临近点信息操作效率表达式:
E(x)=∑iθi(xi)+∑ijθij(xi,yj)
式中θij(xi,yj)为二元势函数,用于描述像素点和像素点之间的关系,且
Figure BDA0002568480340000105
μ(xi,yj)为标签兼容项,它约束了像素间传导的条件,只有相同标签(label)条件下,能量才可以相互传导;ωm为权重参数;km(fi,fj)为高斯核,用于度量像素点i和j的特征向量相似度的一个高斯权重项。
经过池化层构造新尺度,通过上采样与特征提取部分进行相同尺度融合,获得上下文信息;多尺度的融合丰富了细节信息,提高分割的精度;
此外,形成自适应三维卷积深度学习网络,具体包括如下步骤:
(1)设置搜索空间,并限制网络层的层数;所述网络层包括多层卷积层、多层池化层和全连接层;搜索空间具有多叉结构,支持使用的基于残差的res-block以及densenet中基于密集连接的dense-block;
(2)确定搜索目标,并设定自适应三维卷积深度学习网络的精确度、内存占用量和每秒浮点运算次数;
(3)训练样本集数据,并搜索最优的网络结构;具体为采用如下步骤进行搜索:
1)令d=αθ,w=βθ,r=γθ;其中θ为比例系数,d为网络深度,w为网络宽度,r为图像尺寸;
2)在满足条件:α*β22≤δ的前提下,搜索网络结构,使得模型的精度最高;其中δ为设定的阈值;
3)在保证α、β和γ不变的条件下,改变θ的值,使得参数d、w和r等比例缩放,并在设定的允许条件下,使得参数θ最大,从而保证模型的精度;
在具体实施时,运用海量CT影像无标签数据从底层开始逐层向上分层训练各层参数;训练第一层,训练时先学习第一层的参数,把第一层的输出作为第二层的输入,依次类推,直至训练到最顶层得到各层的参数,是无监督训练过程;通过对更新海量CT影像数据集训练,提高分割模型的特征分割效率和精度;三维卷积深度学习肝脏图像特征分割模型应用,提高了准确率和效率;本发明设计了复合缩放方法,平衡了海量CT影像的宽度、深度信息和图像分辨率;通过增加卷积核通道数扩展网络结构,优化固定资源限制下基线模型在不同缩放维度之间的关系,运用缩放系数把基线网络扩展到目标模型;
S6.采用步骤S4得到的样本数据,对步骤S5得到的自适应三维卷积深度学习网络进行训练,从而得到特征提取与分割模型;
S7.采用步骤S6得到的特征提取与分割模型,对肝脏CT图像进行特征提取和分割,从而得到最终的特征提取和分割结果。
以下结合一个具体实施例,对本发明方法进行进一步说明:
如图2所示为该实施例的原始CT图像;采用二维图像分割方法和本发明提出的新分割方法的效果比较如图3和图4所示。图3为二维分割方法得到的分割效果,图4为采用本发明方法产生的分割效果。可以明显看到,原始的CT图像中,肝脏部位分成了两个区域。使用普通方法只能分割出靠左的面积较大的区域,本发明方法由于利用三维的数据,即结合该层图像的上下邻接图层的先验信息,能够将居中位置的区域也分割出来,相比较传统方法,更具有鲁棒性,特征提取更加明显,而且分割效果更好。

Claims (7)

1.一种用于肝脏CT影像的特征提取与分割新方法,包括如下步骤:
S1.获取肝脏肿瘤CT图像数据;
S2.对步骤S1获取的图像数据进行重采样;
S3.采用模糊聚类方法划分步骤S2得到的图像数据的感兴趣区域,从而得到感兴趣区域作为质心,并获取核心学习样本;
S4.对步骤S3得到的核心学习样本进行预处理;
S5.采用强化学习搜索基线网络,从而形成自适应三维卷积深度学习网络;
S6.采用步骤S4得到的样本数据,对步骤S5得到的自适应三维卷积深度学习网络进行训练,从而得到特征提取与分割模型;
S7.采用步骤S6得到的特征提取与分割模型,对肝脏CT图像进行特征提取和分割,从而得到最终的特征提取和分割结果。
2.根据权利要求1所述的一种用于肝脏CT影像的特征提取与分割新方法,其特征在于步骤S2所述的对步骤S1获取的图像数据进行重采样,具体为对步骤S1获取的图像数据进行重采样,从而使得图像数据满足1pix/mm的要求。
3.根据权利要求2所述的一种用于肝脏CT影像的特征提取与分割新方法,其特征在于步骤S3所述的模糊聚类方法,具体包括如下步骤:
A.采用如下算式作为深度学习海量样本模糊化的表达式:
A={(μA(xi),xi)|xi∈X}
式中A为有限个样本对象的模糊集合;X为样本空间;xi为样本空间中的一个样本对象;μA(xi)为隶属度函数,表示样本对象xi隶属于集合A的程度,且取值范围为[0,1];
B.采用如下公式作为模糊聚类的表达式:
Figure FDA0002568480330000021
式中c为聚类数;n为样本数;U为将n个样本数分为c组,并输出的c行n列的矩阵;ci为模糊组I的聚类中心;dij=||ci-xj||,为第I个聚类中心与第j个数据点之间的欧几里的距离;μij为第i个数据对应第j类的隶属度;m为一个大于1的加权指数;
C.采用如下算式作为模糊聚类表达式J(U,c1,...ci,...,cc)的目标函数:
Figure FDA0002568480330000022
式中
Figure FDA0002568480330000023
为J(U,c1,...ci,...,cc)的目标函数;λj为n个约束式的拉格朗日乘数;
D.将步骤C得到的目标函数分别对ci和uij求偏导,且令偏导为0,从而得到目标函数
Figure FDA0002568480330000024
的极小值的必要条件表达为:
Figure FDA0002568480330000025
Figure FDA0002568480330000026
E.采用如下算式作为模糊聚类误差的计算表达式:
E(x)=∑iθi(xi)+∑ijθij(xi,yj)
式中E(x)为能量函数且由一元势函数和二元势函数构成,且E(x)越小时预测的类别标签越准确;xi和yj为像素点;一元势函数用于衡量像素点的类别概率;二元势函数用于描述像素点和像素点之间的关系;
F.采用如下算式作为二元势函数的表达式:
Figure FDA0002568480330000031
式中μ(xi,yj)表示标签项约束像素间传导,且只有相同标签条件下能量才能够相互传导;km(fi,fj)为特征函数,且以特征的形式表示了不同像素之间的紧密度;
G.采用如下算式作为表面核和平滑核表达式:
Figure FDA0002568480330000032
式中ω1为权重参数;||pi-pj||为两个像素之间的距离;σα为方差;σβ为方差;ω2为权重参数;σγ为方差。
4.根据权利要求3所述的一种用于肝脏CT影像的特征提取与分割新方法,其特征在于步骤S4所述的对步骤S3得到的核心学习样本进行预处理,具体为对核心学习样本进行数据增强、三维坐标轴旋转、三维坐标轴翻转和三维坐标轴平移,从而达到扩展训练样本规模和训练样本优化分布的目的。
5.根据权利要求4所述的一种用于肝脏CT影像的特征提取与分割新方法,其特征在于步骤S5所述的自适应三维卷积深度学习网络,具体包括如下步骤:
a.采用如下算式作为训练输出残差计算公式:
Figure FDA0002568480330000033
式中EN为全部训练集上输入与输出的误差;n=1~N,为深度学习模型样本总量;k=1~C,表示分类种类;
Figure FDA0002568480330000034
表示第n个样本对应的标签的第k维的值;
Figure FDA0002568480330000035
表示第n个样本对应的网络输出的第k个输出;
b.采用如下算式作为自适应三维卷积深度学习网络的卷积层灵敏度计算公式:
Figure FDA0002568480330000041
式中
Figure FDA0002568480330000042
表示第l层第j个通道的灵敏度;
Figure FDA0002568480330000043
表示第i个隐藏层第j通道的值;up()为上采样操作;f'()为求导;
Figure FDA0002568480330000044
为第(l+1)层第j个通道的乘性偏置;j为网络学习与误差传递通道;l为深度学习网络层;
c.采用如下公式作为临近点信息操作效率表达式:
E(x)=∑iθi(xi)+∑ijθij(xi,yj)
式中θij(xi,yj)为二元势函数,用于描述像素点和像素点之间的关系,且
Figure FDA0002568480330000045
μ(xi,yj)为标签兼容项,它约束了像素间传导的条件,只有相同标签(label)条件下,能量才可以相互传导;ωm为权重参数;km(fi,fj)为高斯核,用于度量像素点i和j的特征向量相似度的一个高斯权重项。
6.根据权利要求5所述的一种用于肝脏CT影像的特征提取与分割新方法,其特征在于步骤S5所述的采用强化学习搜索基线网络,从而形成自适应三维卷积深度学习网络,具体包括如下步骤:
(1)设置搜索空间,并限制网络层的层数;所述网络层包括多层卷积层、多层池化层和全连接层;
(2)确定搜索目标,并设定自适应三维卷积深度学习网络的精确度、内存占用量和每秒浮点运算次数;
(3)训练样本集数据,并搜索最优的网络结构。
7.根据权利要求6所述的一种用于肝脏CT影像的特征提取与分割新方法,其特征在于步骤(3)所述的搜索最优的网络结构,具体为采用如下步骤进行搜索:
1)令d=αθ,w=βθ,r=γθ;其中θ为比例系数,d为网络深度,w为网络宽度,r为图像尺寸;
2)在满足条件:α*β22≤δ的前提下,搜索网络结构,使得模型的精度最高;其中δ为设定的阈值;
3)在保证α、β和γ不变的条件下,改变θ的值,使得参数d、w和r等比例缩放,并在设定的允许条件下,使得参数θ最大,从而保证模型的精度。
CN202010630550.7A 2020-07-03 2020-07-03 一种用于肝脏ct影像的特征提取与分割新方法 Pending CN111784676A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010630550.7A CN111784676A (zh) 2020-07-03 2020-07-03 一种用于肝脏ct影像的特征提取与分割新方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010630550.7A CN111784676A (zh) 2020-07-03 2020-07-03 一种用于肝脏ct影像的特征提取与分割新方法

Publications (1)

Publication Number Publication Date
CN111784676A true CN111784676A (zh) 2020-10-16

Family

ID=72758156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010630550.7A Pending CN111784676A (zh) 2020-07-03 2020-07-03 一种用于肝脏ct影像的特征提取与分割新方法

Country Status (1)

Country Link
CN (1) CN111784676A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362309A (zh) * 2021-06-08 2021-09-07 澳门大学 一种吸收剂量获取方法、装置、存储介质及电子设备
CN116824525A (zh) * 2023-08-29 2023-09-29 中国石油大学(华东) 一种基于交通道路影像的图像信息提取方法
CN118196641A (zh) * 2024-05-17 2024-06-14 江西匠制科技有限公司 基于ai的区域排放特征水质污染溯源方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105741267A (zh) * 2016-01-22 2016-07-06 西安电子科技大学 聚类引导深度神经网络分类的多源图像变化检测方法
CN109934122A (zh) * 2019-02-21 2019-06-25 北京以萨技术股份有限公司 一种基于深度学习的遥感影像船舶检测方法
CN110598763A (zh) * 2019-08-27 2019-12-20 南京云计趟信息技术有限公司 一种图像识别方法、装置及终端设备
CN110619641A (zh) * 2019-09-02 2019-12-27 南京信息工程大学 一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105741267A (zh) * 2016-01-22 2016-07-06 西安电子科技大学 聚类引导深度神经网络分类的多源图像变化检测方法
CN109934122A (zh) * 2019-02-21 2019-06-25 北京以萨技术股份有限公司 一种基于深度学习的遥感影像船舶检测方法
CN110598763A (zh) * 2019-08-27 2019-12-20 南京云计趟信息技术有限公司 一种图像识别方法、装置及终端设备
CN110619641A (zh) * 2019-09-02 2019-12-27 南京信息工程大学 一种基于深度学习的三维乳腺癌核磁共振图像肿瘤区域的自动分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姚锡凡: "《制造物联网技术》", 31 December 2018 *
张向荣: "《人工智能前沿技术丛书 模式识别》", 30 September 2019 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113362309A (zh) * 2021-06-08 2021-09-07 澳门大学 一种吸收剂量获取方法、装置、存储介质及电子设备
CN113362309B (zh) * 2021-06-08 2024-04-02 澳门大学 一种吸收剂量获取方法、装置、存储介质及电子设备
CN116824525A (zh) * 2023-08-29 2023-09-29 中国石油大学(华东) 一种基于交通道路影像的图像信息提取方法
CN116824525B (zh) * 2023-08-29 2023-11-14 中国石油大学(华东) 一种基于交通道路影像的图像信息提取方法
CN118196641A (zh) * 2024-05-17 2024-06-14 江西匠制科技有限公司 基于ai的区域排放特征水质污染溯源方法

Similar Documents

Publication Publication Date Title
CN109523521B (zh) 基于多切片ct图像的肺结节分类和病灶定位方法和系统
CN113706487B (zh) 基于自监督特征小样本学习的多器官分割方法
CN110309860B (zh) 基于卷积神经网络对肺结节的恶性程度进行分类的方法
CN111784676A (zh) 一种用于肝脏ct影像的特征提取与分割新方法
CN112862792B (zh) 一种用于小样本图像数据集的小麦白粉病孢子分割方法
CN111462116A (zh) 基于影像组学特征的多模态参数模型优化融合方法
CN107194937A (zh) 一种开放环境下中医舌象图像分割方法
CN113570627B (zh) 深度学习分割网络的训练方法及医学图像分割方法
CN107301643B (zh) 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法
CN113344864A (zh) 一种基于深度学习的超声甲状腺结节良恶性预测方法
CN117541844B (zh) 一种基于超图学习的弱监督组织病理学全切片图像分析方法
CN112906813A (zh) 一种基于密度聚类和胶囊神经网络的浮选工况识别方法
CN112926696A (zh) 一种基于注意力图的可解释局部迁移互学习方法
CN117557579A (zh) 一种空洞金字塔协同注意力机制助力无监督超像素分割方法及系统
CN115100406B (zh) 一种基于超像素处理的权重信息熵模糊c均值聚类方法
CN112465062A (zh) 一种基于流形学习和秩约束的聚类方法
CN111210447B (zh) 一种苏木精-伊红染色病理图像层次分割的方法及终端
CN114332572A (zh) 基于显著图引导分层密集特征融合网络用于提取乳腺病变超声图像多尺度融合特征参数方法
CN115937540A (zh) 基于Transformer编码器的图像匹配方法
CN117036288A (zh) 一种面向全切片病理图像的肿瘤亚型诊断方法
CN109947960B (zh) 基于深度卷积的人脸多属性联合估计模型构建方法
CN114022494A (zh) 一种基于轻型卷积神经网络和知识蒸馏的中医舌图像自动分割方法
CN116309477A (zh) 一种基于神经网络的城墙多光谱成像病害无损检测方法
CN116188428A (zh) 一种桥接多源域自适应的跨域组织病理学图像识别方法
CN111428778B (zh) 一种胎儿颜面部标准切面自动分类法

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

Application publication date: 20201016

RJ01 Rejection of invention patent application after publication