一种基于CT图像的肝实质分割方法技术

本发明专利技术公开了一种基于CT图像的肝实质分割方法，包括如下步骤：纹理特征提取：采用灰度共生矩阵的方法提取CT图像的纹理特征；建立BP神经网络：首先提取BP网络的特征输入向量，然后调整网络初始权值，再确定BP网络节点数，最后建立BP网络；图像分割：使用导师信号对网络进行充分训练，训练好的BP网络的权值及阈值根据训练样本进行调整，用于对CT图像序列进行分割；图像后期处理：首先选取一张分割后的图片，手工选取一个肝脏区域中的像素作为种子点，然后进行区域生长，再进行孔洞填充，最后比对孔洞填充，得到最终的分割图像，该方法具有较强的自学习性及自适应性，可大大减轻图像处理工作量，能有效的区分各组织。

【技术实现步骤摘要】

本专利技术涉及CT
，具体涉及一种基于CT图像的肝实质分割方法。
技术介绍
在医学图像处理中，如何利用计算机准确将CT图像中的中肝实质分割出来，是一个难度很大的问题。为了准确得到肝组织的边界，可采用手工勾划的方式，对肝实质进行分割。然而，一般一套病人CT图像有150-400张左右，单纯靠手工进行分割工作量巨大，而且难以精确分割出肝实质，操作者的经验以及图像本身质量都会影响到分割效果，如果借助于计算机进行图像分割，则可大大减轻图像处理工作量，由于人体生物组织十分复杂，且灰度相差不明显，传统图像分割方法如阈值法，不能有效的区分各组织；而区域生长法，则存在着分割边界不平滑、容易溢出的问题。
技术实现思路
为了解决上述的问题，本专利技术提供了一种基于CT图像的肝实质分割方法，通过提取图像中肝实质的纹理特征，采用BP神经网络方法对CT图像肝实质进行分割，该方法具有较强的自学习性及自适应性，可以有效解决
技术介绍
中的问题。为了实现上述目的，本专利技术采用的技术方案如下：一种基于CT图像的肝实质分割方法，包括如下步骤：(1)纹理特征提取：采用灰度共生矩阵的方法提取CT图像的纹理特征；(2)建立BP神经网络：首先提取BP网络的特征输入向量，然后调整网络初始权值，再确定BP网络节点数，最后建立BP网络；(3)图像分割：使用导师信号对网络进行充分训练，训练好的BP网络的权值及阈值根据训练样本进行调整，用于对CT图像序列进行分割；(4)图像后期处理：首先选取一张分割后的图片，手工选取一个肝脏区域中的像素作为种子点，然后进行区域生长，区域生长出来的部分中间有孔洞，再进行孔洞填充，最后比对孔洞填充，得到最终的分割图像；进一步地，所述灰度共生矩阵方法是建立在估计图像的二阶组合条件概率密度函数基础上的纹理分析方法，在纹理图像中，某个方向上相隔一定距离的一对像元灰度出现的统计规律，具体反映这个图像的纹理特性。进一步地，所述BP神经网络是使用误差反向传播算法进行训练的多层前馈网络。进一步地，所述BP网络的特征输入向量通过提取肝实质的纹理信息作为输入向量。进一步地，所述网络初始权值调整到足够小，使各节点的净输入在零点附近，加快网络训练速度。进一步地，所述BP神经网络包括输入层、输出层及隐层，输入层的节点数为输入向量的特征值，输出层的节点数为1，其表示分割后的图像的背景，所述隐层的节点数为输入层的节点数减去输出层7倍的输出节点数。进一步地，所述BP网络的建立通过将确定的BP网络节点数作为参数，建立隐层传递函数，选用双曲正切S形函数。本专利技术有益效果为：本专利技术通过提取图像中肝实质的纹理特征，采用BP神经网络方法对CT图像肝实质进行分割，该方法具有较强的自学习性及自适应性，可大大减轻图像处理工作量，能有效的区分各组织。具体实施方式根据下述实施例，可以更好的理解本专利技术。然而，本领域的技术人员容易理解，实施例所描述的内容仅用于说明本专利技术，而不应当也不会限制权利要求书中所详细描述的本专利技术。实施例：一种基于CT图像的肝实质分割方法，包括如下步骤：(1)纹理特征提取：采用灰度共生矩阵的方法提取CT图像的纹理特征；(2)建立BP神经网络：首先提取BP网络的特征输入向量，然后调整网络初始权值，再确定BP网络节点数，最后建立BP网络；(3)图像分割：使用导师信号对网络进行充分训练，训练好的BP网络的权值及阈值根据训练样本进行调整，用于对CT图像序列进行分割；(4)图像后期处理：首先选取一张分割后的图片，手工选取一个肝脏区域中的像素作为种子点，然后进行区域生长，区域生长出来的部分中间有孔洞，再进行孔洞填充，最后比对孔洞填充，得到最终的分割图像；进一步地，所述灰度共生矩阵方法是建立在估计图像的二阶组合条件概率密度函数基础上的纹理分析方法，在纹理图像中，某个方向上相隔一定距离的一对像元灰度出现的统计规律，具体反映这个图像的纹理特性。进一步地，所述BP神经网络是使用误差反向传播算法进行训练的多层前馈网络。进一步地，所述BP网络的特征输入向量通过提取肝实质的纹理信息作为输入向量。进一步地，所述网络初始权值调整到足够小，使各节点的净输入在零点附近，加快网络训练速度。进一步地，所述BP神经网络包括输入层、输出层及隐层，输入层的节点数为输入向量的特征值，输出层的节点数为1，其表示分割后的图像的背景，所述隐层的节点数为输入层的节点数减去输出层7倍的输出节点数。进一步地，所述BP网络的建立通过将确定的BP网络节点数作为参数，建立隐层传递函数，选用双曲正切S形函数。具体的：本专利技术图像的纹理特征描述了在图像中反复出现的局部模式和它们的排列规则，反映了宏观意义上灰度变化的一些规律；图像的纹理可以定义为规律性或随机性重复显示的某种图像基元。图像中局部不规则而宏观有规律的特性称之为纹理；提取CT图像的纹理特征的方法使用了灰度共生矩阵。灰度共生矩阵方法是建立在估计图像的二阶组合条件概率密度函数基础上的纹理分析方法，已经有了较长的研究历史，也是当前人们公认的一种重要的纹理分析方法；在纹理图像中，某个方向上相隔一定距离的一对像元灰度出现的统计规律，应当能具体反映这个图像的纹理特性。可以用一对像元的灰度共生矩阵来描述这个规律，进而由共生矩阵计算出一些参数定量来描述这个纹理的特性。本专利技术中灰度共生矩阵是由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两象素之间会存在一定的灰度关系，即图像中灰度的空间相关特性，灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的常用方法；灰度共生矩阵生成：灰度直方图是对图像上单个象素具有某个灰度进行统计的结果，而灰度共生矩阵是对图像上保持某距离的两象素分别具有某灰度的状况进行统计得到的，取图像(N×N)中任意一点(x，y)及偏离它的另一点(x+a，y+b)，设该点对的灰度值为(g1，g2)。令点(x，y)在整个画面上移动，则会得到各种(g1，g2)值，设灰度值的级数为k，则(g1，g2)的组合共有k的平方种。对于整个画面，统计出每一种(g1，g2)值出现的次数，然后排列成一个方阵，再用(g1，g2)出现的总次数将它们归一化为出现的概率P(g1，g2)，这样的方阵称为灰度共生矩阵。距离差分值(a，b)取不同的数值组合，可以得到不同本文档来自技高网...

【技术保护点】
一种基于CT图像的肝实质分割方法，其特征在于，包括如下步骤：(1)纹理特征提取：采用灰度共生矩阵的方法提取CT图像的纹理特征；(2)建立BP神经网络：首先提取BP网络的特征输入向量，然后调整网络初始权值，再确定BP网络节点数，最后建立BP网络；(3)图像分割：使用导师信号对网络进行充分训练，训练好的BP网络的权值及阈值根据训练样本进行调整，用于对CT图像序列进行分割；(4)图像后期处理：首先选取一张分割后的图片，手工选取一个肝脏区域中的像素作为种子点，然后进行区域生长，区域生长出来的部分中间有孔洞，再进行孔洞填充，最后比对孔洞填充，得到最终的分割图像。

【技术特征摘要】
1.一种基于CT图像的肝实质分割方法，其特征在于，包括如下步骤：
(1)纹理特征提取：采用灰度共生矩阵的方法提取CT图像的纹理特
征；
(2)建立BP神经网络：首先提取BP网络的特征输入向量，然后调
整网络初始权值，再确定BP网络节点数，最后建立BP网络；
(3)图像分割：使用导师信号对网络进行充分训练，训练好的BP
网络的权值及阈值根据训练样本进行调整，用于对CT图像序列进行分割；
(4)图像后期处理：首先选取一张分割后的图片，手工选取一个肝
脏区域中的像素作为种子点，然后进行区域生长，区域生长出来的部分中
间有孔洞，再进行孔洞填充，最后比对孔洞填充，得到最终的分割图像。
2.如权利要求1所述的一种基于CT图像的肝实质分割方法，其特征
在于，所述灰度共生矩阵方法是建立在估计图像的二阶组合条件概率密度
函数基础上的纹理分析方法，在纹理图像中，某个方向上相隔一定距离的
一对像元灰度出现的统计规律，具体反映这个图像的纹理特性。
3.如权利要求1所...

【专利技术属性】
技术研发人员：于翠妮，孙燕新，韩景奇，尹喜玲，韩月华，赵钢，王明帅，
申请(专利权)人：于翠妮，
类型：发明
国别省市：山东;37