一种基于BEC预测模型的图像分割方法技术

本发明专利技术提供一种基于BEC预测模型的图像分割方法，通过建立应用于图像分割的SVM模型，然后基于BEC理论引入BEC公式以代替SVM的高斯核函数，简化BEC核函数中常数的值，得到大脑神经胶质瘤图像分割的预测模型，进行实际图像分割。本发明专利技术模型新颖，与传统的图像分割方法相比有较低的时间复杂度和更高的效率，BEC核函数基于量子力学中的BEC理论，较高斯核函数更为新颖，更符合自然规律，BEC核函数是n次幂指数的函数，高斯核函数是2n次幂指数的函数，计算上有着先天的低复杂度与高效率的优势。

An Image Segmentation Method Based on BEC Prediction Model

The present invention provides an image segmentation method based on BEC prediction model. By establishing SVM model applied to image segmentation, and then introducing BEC formula to replace the Gauss kernel function of SVM based on BEC theory, the constant value of BEC kernel function is simplified, the prediction model of brain glioma image segmentation is obtained, and the actual image segmentation is carried out. Compared with the traditional image segmentation method, the proposed method has lower time complexity and higher efficiency. Based on the BEC theory in quantum mechanics, the BEC kernel function is more novel and more in line with the natural law. The BEC kernel function is a function of the n power exponent, and the Gauss kernel function is a function of the 2n power exponent. It has inherent low complexity and high efficiency in calculation. Advantages.

【技术实现步骤摘要】
一种基于BEC预测模型的图像分割方法
本专利技术属于医学图像分割
，具体涉及一种基于BEC预测模型的图像分割方法。
技术介绍
玻色-爱因斯坦凝聚(Bose–EinsteinCondensate，BEC)是由玻色和爱因斯坦发现的量子基态，它描述了在冷却到极低温度(量子临界点)时，玻色子原子的统计分布。在主流量子理论中，BEC被认为是波函数坍塌的实验证明，它证明了叠加态的特征态坍塌成单一物质状态，而且叠加坍塌的量子主流理论与微观粒子有关。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。在大脑图像分割中，输入的大脑图像是已知的，例如神经胶质瘤的图像形状特征是一个不清晰的轮廓，最多可见的囊性或环增强，可以通过人工观察来判断分割目标轮廓的精度。然而，输入和输出阶段之间的分割过程不是一个固定的过程，而是通过预测或应用从其他研究领域借鉴的理论来实现的。神经胶质瘤是一种被认为是由刺激性因素引起的肿瘤，如辐射、核、化学和微生物污染以及电磁辐射。基于发现玻色-爱因斯坦凝聚(Bose–EinsteinCondensate，BEC)的进展与胶质瘤脑肿瘤的形成之间的关系，肿瘤细胞可以用量子力学理论来模拟。图像评估参数P(Precision，准确率)、R(Recall，召回率)和F(F-measure，正确率和召回率的调和平均值)用于评估和比较测试结果中的一致性、准确性和灵敏度。一个完美的图像分割方法应该能产生1的P值，1的R值和1的F值。即所有的前台像素都在测试中被正确地分类，并且这个度量大约是当它们相似的时候的平均值。
技术实现思路
本专利技术的目的在于提供了一种基于BEC预测模型的图像分割方法，使图像分割更符合自然规律，有较低的时间复杂度和更高的效率。本专利技术的目的是这样实现的：一种基于BEC预测模型的图像分割方法，具体的实现步骤如下：步骤1.建立应用于图像分割的SVM模型；步骤2.基于BEC理论引入BEC公式以代替SVM的高斯核函数；步骤3.简化BEC核函数中常数的值，得到大脑神经胶质瘤图像分割的预测模型，进行实际图像分割。步骤2所述的BEC公式为量子力学中玻色-爱因斯坦凝聚，Bose–EinsteinCondensate，BEC理论的演变过程与肿瘤神经胶质瘤生成原因的相似性生成的。步骤2所述的BEC核函数的公式为：其中，x1-x2表示图像中的一个节点像素，KB表示玻耳兹曼常数，KB＝1.3806488×10-23(J/K)，参数T表示BEC温度，μ表示化学势。步骤3所述的大脑图像分割预测模型公式为：其中，x1-x2表示一个节点的位置，T表示粒子的温度，μ表示化学势，,参数T和μ是根据图像的类型而固定。本专利技术的有益效果在于：模型新颖，与传统的图像分割方法相比有较低的时间复杂度和更高的效率，BEC核函数基于量子力学中的BEC理论，较高斯核函数更为新颖，更符合自然规律，BEC核函数是n次幂指数的函数，高斯核函数是2n次幂指数的函数，计算上有着先天的低复杂度与高效率的优势。附图说明图1为SVM分别使用BEC核函数(左)和使用高斯核函数(右)的随机节点分割图。图2为胶质瘤图像(左)，BEC图像(中)以及SVM中BEC核函数分割图像(右)。图3为SVM分别使用BEC核函数(左)和使用高斯核函数(右)的随机节点分割图。图4为SVM分别使用BEC核函数(左)和高斯核函数(右)的Fisheriris节点分割图。图5为实际实验测试大脑神经胶质瘤图像分割图。图6为本专利技术与其他方法的对比。图7为本专利技术的方法流程图。具体实施方式下面结合附图对本专利技术做进一步的描述：实施例1步骤1.建立应用于图像分割的SVM模型；步骤2.基于BEC理论引入BEC公式以代替SVM的高斯核函数；步骤3.简化BEC核函数中常数的值，得到大脑神经胶质瘤图像分割的预测模型，进行实际图像分割。步骤2所述的BEC公式为量子力学中玻色-爱因斯坦凝聚，Bose–EinsteinCondensate，BEC理论的演变过程与肿瘤神经胶质瘤生成原因的相似性生成的。步骤2所述的BEC核函数的公式为：其中，x1-x2表示图像中的一个节点像素，KB表示玻耳兹曼常数，KB＝1.3806488×10-23(J/K)，参数T表示BEC温度，μ表示化学势。BEC核函数的具体推导过程为：引入BEC公式，假设有一个理想气体由N个玻色子组成，在体积V的容器中，当N个玻色子处于平衡状态时，它们满足了玻色-爱因斯坦统计数据的方程：其中，n(εi)表示在平衡状态下有εi能的粒子数,μ给出了化学势，μ≤0。KB代表玻耳兹曼常数，KB＝1.3806488×10-23(J/K)，T是粒子的温度，Tc是量子临界温度，Tc＝0Kor-273.15℃，如果有T≤Tc,就会出现BEC状态。通常，在图像分割中，分割超平面通常由一个分离的核函数表示，例如，径向基函数(Gaussian)或S核函数。SVM公式的高斯核函数如下所示：通常，方差σ＝0.125，μ是期望值。使用BEC公式代替SVM公式的高斯核，其中εi粒子可由神经胶质瘤图像中的x1-x2一个节点像素来表示，将其命名为BEC核函数：有两个参数可能在BEC核函数中产生变化，T和μ。参数T是指BEC温度，而在图像分割中T的值通过实验得到证实。实际上，T是负的，在0以下，而T的范围是根据BEC的范围产生的，从0到10。T的值越低，BEC现象就越明显。另一个参数μ能由实验决定，根据BEC的物理特性，它的范围从0到7。步骤3所述的大脑图像分割预测模型公式为，省略BEC核函数公式中KB1.38×10-23的值，替换为1.38，得到大脑图像分割的预测模型：其中，x1-x2表示一个节点的位置，T表示粒子的温度，μ表示化学势，,参数T和μ是根据图像的类型而固定。实验仿真结果分析：1.在MATLAB中使用SVM测试BEC核函数集群图像节点的效果以及是否出现类似于神经胶质瘤的自然形状。在图1中，一组随机节点被分为两个维度的两个不同的类。一类节点形成一个中心圆形中心区域，另一类是不同半径的环形区域。2.从图1和图2中能观察到SVM的BEC核函数的中心圆的形状看起来更像神经胶质瘤的形状，比高斯核函数更能模拟神经胶质瘤。同时在神经胶质瘤图像中，BEC的图像和由BEC核函数的分割图像都具有一个类似于外环区域的中心区域的基本外观。3.图3显示的的测试结果表明BEC核函数能够将所有红色的节点聚集在一起，而高斯核函数却遗漏了部分红色节点。4.图4的测试使用了一个Fisheriris节点集，在所展示的测试结果中证实了BEC核函数在集群映像中是可行的。BEC核函数函数的集群比高斯核函数函数更精确，因为一些节点没有被高斯核函数正确地分类。5.图5展示了本专利技术在大脑图像分割中的实际应用效果。6.本专利技术在图像分割的实际实验测试中的图像评估参数与其他方法的比较如图6所示。实验结果表明：本专利技术提出的使用BEC核函数的预测模型的图像分割方法是可行的，而且从实际的图像分割实验测试中得到的图像评估参数P，R，F与其他实验方法相比较来看，本专利技术的图像分割方法是一种更好的图像分割方法。实施例2本专利技术属于医学图像分割领域，具体涉及一种基于BEC理论，使用基本文档来自技高网...

【技术保护点】
1.一种基于BEC预测模型的图像分割方法，其特征在于，具体的实现步骤如下：步骤1.建立应用于图像分割的SVM模型；步骤2.基于BEC理论引入BEC公式以代替SVM的高斯核函数；步骤3.简化BEC核函数中常数的值，得到大脑神经胶质瘤图像分割的预测模型，进行实际图像分割。

【技术特征摘要】
1.一种基于BEC预测模型的图像分割方法，其特征在于，具体的实现步骤如下：步骤1.建立应用于图像分割的SVM模型；步骤2.基于BEC理论引入BEC公式以代替SVM的高斯核函数；步骤3.简化BEC核函数中常数的值，得到大脑神经胶质瘤图像分割的预测模型，进行实际图像分割。2.根据权利要求1所述的一种基于BEC预测模型的图像分割方法，其特征在于：步骤2所述的BEC公式为量子力学中玻色-爱因斯坦凝聚，Bose–EinsteinCondensate，BEC理论的演变过程与肿瘤神经胶质瘤生成原因...

【专利技术属性】
技术研发人员：张天驰，张菁，陈仲怡，李腾飞，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江,23