一种基于支持向量机算法的脑水肿分割方法及系统技术方案

本发明专利技术提供一种基于支持向量机算法的脑水肿分割方法及系统，应用于医疗诊断技术领域，该方法包括：利用若干第一类出血性脑卒中病人的CT图像和磁共振T2加权图像，基于支持向量机算法训练分类器；利用分类器，对第二类出血性脑卒中病人的CT图像分割脑水肿；其中，第一类出血性脑卒中病人既具有CT图像，也具有磁共振T2加权图像；第二类出血性脑卒中病人只有CT图像而没有磁共振T2加权图像。本发明专利技术利用少量同时具有CT图像与磁共振T2加权图像的出血性脑卒中病人联合建模，通过学习，建立由CT图像特征识别CT上脑水肿的分类器，用于那些只有CT图像而无磁共振T2加权图像的出血性脑卒中病人，得到更高的脑水肿分割精度。

【技术实现步骤摘要】

本专利技术涉及医疗诊断
，具体地，涉及一种基于支持向量机(SupportVectorMachine，SVM)算法的脑水肿分割方法及系统。
技术介绍
出血性脑卒中(IntracerebralHemorrhage,ICH)是死亡率及致残率最高的脑卒中，对其量化将有助于制定合适的治疗策略。出血后的脑水肿是二次损伤，对治疗策略及预后都极其重要。临床上，检测ICH患者水肿的金标准是磁共振成像(MagneticResonanceImaging,MRI)T2加权图像，然而ICH患者的发病的突然性和紧急性限制了MRI在ICH急救中的使用；同时，MRI的成像时间长，费用高，也是其难以广泛使用的因素之一。对于出血性脑卒中病人的脑水肿量化，由于病情的紧急，ICH病人在临床的首选成像是计算机X线断层扫描(ComputedTomography,CT)，现有的研究均是基于CT图像的量化。但是，CT图像上水肿与周围组织的界限模糊，直接基于CT确定水肿比较困难，分割精度也比较低。
技术实现思路
本专利技术实施例的主要目的在于提供一种基于支持向量机算法的脑水肿分割方法及系统，以提高从CT图像上分割脑水肿的精度。为了实现上述目的，本专利技术实施例提供一种基于支持向量机算法的脑水肿分割方法，包括：利用若干第一类出血性脑卒中病人的CT图像和磁共振T2加权图像，基于支持向量机算法训练分类器；利用所述分类器，对第二类出血性脑卒中病人的CT图像分割脑水肿；其中，所述第一类出血性脑卒中病人既具有CT图像，也具有磁共振T2加权图像；所述第二类出血性脑卒中病人只有CT图像而没有磁共振T2加权图像。相应的，本专利技术还提供一种基于支持向量机算法的脑水肿分割系统，包括：训练单元，用于利用若干第一类出血性脑卒中病人的CT图像和磁共振T2加权图像，基于支持向量机算法训练分类器；识别单元，用于利用所述分类器，对第二类出血性脑卒中病人的CT图像分割脑水肿；其中，所述第一类出血性脑卒中病人既具有CT图像，也具有磁共振T2加权图像；所述第二类出血性脑卒中病人只有CT图像而没有磁共振T2加权图像。借助于上述技术方案，本专利技术利用少量同时具有CT图像与磁共振T2加权图像的出血性脑卒中病人联合建模，通过学习，建立由CT图像特征识别CT上脑水肿的分类器，用于那些只有CT图像而无磁共振T2加权图像的出血性脑卒中病人，得到更高的脑水肿分割精度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术提供的基于支持向量机算法的脑水肿分割方法的流程示意图；图2是预处理阶段的流程示意图；图3是同一出血性脑卒中病人的CT图像与磁共振T2加权图像的配准图示；图4是支持向量机训练阶段的流程示意图；图5是选定负样本的流程示意图；图6是组成负样本的两个子部分图示；图7是支持向量机识别过程的流程示意图；图8是分割CT图像脑水肿的图示比较；图9是本专利技术提供的基于支持向量机算法的脑水肿分割系统的结构框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术提供一种基于支持向量机算法的脑水肿分割方法，如图1所示，该方法包括：步骤S1，利用若干第一类出血性脑卒中病人的CT图像和磁共振T2加权图像，基于支持向量机算法训练分类器。步骤S2，利用分类器，对第二类出血性脑卒中病人的CT图像分割脑水肿。其中，第一类出血性脑卒中病人既具有CT图像，也具有磁共振T2加权图像；第二类出血性脑卒中病人只有CT图像而没有磁共振T2加权图像。现有方法的最大局限是没有很好地利用先验知识。近来，机器学习理论和应用得到了飞速的发展，为提高脑水肿分割精度奠定了良好的基础。本专利技术利用少量同时具有CT图像与磁共振T2加权图像的出血性脑卒中病人联合建模，通过学习，建立由CT图像特征识别CT上脑水肿的分类器，用于那些只有CT图像而无磁共振T2加权图像的出血性脑卒中病人，得到更高的脑水肿分割精度。一、训练阶段图1所示的方法中，步骤S1可具体分为两个阶段：预处理阶段、支持向量机训练阶段。其中，支持向量机训练阶段是关键，包括选用同时具有CT图像和磁共振T2加权图像的出血性脑卒中病人的数据，以及计算合适的特征向量。以下对这两个阶段分别进行介绍。1.预处理阶段如图2所示，预处理阶段包括如下过程：1.1颅骨和背景的去除以及脑组织的提取步骤S21，从第一类出血性脑卒中病人的CT图像中去除背景以及颅骨对应的图像部分，提取脑组织对应的图像部分，得到预处理CT图像；从第一类出血性脑卒中病人的磁共振T2加权图像中去除背景以及颅骨对应的图像部分，提取脑组织对应的图像部分，得到预处理磁共振T2加权图像。具体的，CT图像的颅骨去除和脑组织的提取有很多方法可以实现，可采用一种由专利技术人提出的方法(HuQM,QianGY,AzizA,NowinskiWL.Segmentationofbrainfromcomputedtomographyheadimages.Proceedingsofthe2005IEEEEngineeringinMedicineandBiology27thAnnualConference:155-1～155-4,Shanghai,China,September1-4,2005.)实现：利用模糊C-均值算法得到脑的灰度范围进行二值化、利用形态学腐蚀断开脑与非脑组织的空间连接、找到前景最大连通区域作为候选脑组织、对候选脑组织进行相同结构元的膨胀、利用空间相关性去除眼眶下方的非脑组织(如肌肉等)，得到最终的脑组织。对于磁共振图像的脑组织提取，可手动去除颅骨和背景。1.2磁共振T2加权图像和CT图像的配准步骤S22，通过对预处理CT图像和预处理磁共振T2加权图像配准，在预处理CT图像中划分出异常区域；异常区域对应脑组织的血肿部位和水肿部位。由于CT图像和磁共振图像存在尺寸和空间位置上的差异，需要对CT图像和磁共振图像进行初始的配准，在这里选择CT图像为参考本文档来自技高网...

【技术保护点】
一种基于支持向量机算法的脑水肿分割方法，其特征在于，包括：利用若干第一类出血性脑卒中病人的CT图像和磁共振T2加权图像，基于支持向量机算法训练分类器；利用所述分类器，对第二类出血性脑卒中病人的CT图像分割脑水肿；其中，所述第一类出血性脑卒中病人既具有CT图像，也具有磁共振T2加权图像；所述第二类出血性脑卒中病人只有CT图像而没有磁共振T2加权图像。

【技术特征摘要】
1.一种基于支持向量机算法的脑水肿分割方法，其特征在于，包括：
利用若干第一类出血性脑卒中病人的CT图像和磁共振T2加权图像，基于支持向量机算
法训练分类器；
利用所述分类器，对第二类出血性脑卒中病人的CT图像分割脑水肿；
其中，所述第一类出血性脑卒中病人既具有CT图像，也具有磁共振T2加权图像；所述
第二类出血性脑卒中病人只有CT图像而没有磁共振T2加权图像。
2.根据权利要求1所述的方法，其特征在于，所述的利用若干第一类出血性脑卒中病
人的CT图像和磁共振T2加权图像，基于支持向量机算法训练分类器，包括：
从所述第一类出血性脑卒中病人的CT图像中去除背景以及颅骨对应的图像部分，提取
脑组织对应的图像部分，得到预处理CT图像；
从所述第一类出血性脑卒中病人的磁共振T2加权图像中去除背景以及颅骨对应的图
像部分，提取脑组织对应的图像部分，得到预处理磁共振T2加权图像；
通过对所述预处理CT图像和所述预处理磁共振T2加权图像配准，在所述预处理CT图
像中划分出异常区域；所述异常区域对应脑组织的血肿部位和水肿部位；
通过分析所述预处理CT图像的灰度统计信息和纹理统计特征，构造样本训练的特征向
量，并对所述样本训练的特征向量进行归一化处理；
将所述预处理CT图像中的异常区域选定为正样本；
根据临床诊断标准，对所述预处理CT图像中异常区域以外的区域采样以选定负样本；
利用所述正样本和所述负样本组成训练样本；
选择核函数形式及其参数、惩罚系数，并寻优得到最佳参数；
利用所述最佳参数、归一化处理后的所述样本训练的特征向量，对所述训练样本进行
训练，得到分类器。
3.根据权利要求2所述的方法，其特征在于，所述的从所述第一类出血性脑卒中病人
的CT图像中去除背景以及颅骨对应的图像部分，提取脑组织对应的图像部分，包括：
利用模糊C-均值算法得到脑的灰度范围进行二值化；
利用形态学腐蚀断开脑组织与非脑组织的空间连接；
找到前景最大连通区域作为候选脑组织；
对候选脑组织进行相同结构元的膨胀；
利用空间相关性去除眼眶下方的非脑组织，得到脑组织对应的图像部分。
4.根据权利要求2所述的方法，其特征在于，所述的通过对所述预处理CT图像和所述
预处理磁共振T2加权图像配准，包括：
选择所述预处理CT图像为参考图像，所述预处理磁共振T2加权图像为浮动图像；
选择仿射变换为形变模型，互信息为相似度准则进行优化，参照洞察力分割和注册工
具包ITK进行配准。
5.根据权利要求2所述的方法，其特征在于，所述的样本训练的特征向量包括：
局部自适应阈值；
3×3邻域像素的灰度均值；
3×3邻域像素的灰度中值；
3×3邻域像素的灰度方差；
5×5邻域像素的灰度均值；
5×5邻域像素的灰度中值；
5×5邻域像素的灰度方差；
以及，0°、45°、90°、135°四个方向的灰度共生矩阵的如下特征值：角二阶矩、对比度、
相关性、反差矩、和均值、差均值、方差、和方差、差方差、熵、和熵、差熵。
6.根据权利要求2所述的方法，其特征在于，所述的根据临床诊断标准，对所述预处
理CT图像中异常区域以外的区域采样以选定负样本，包括：
将所述预处理CT图像中异常区域以外的区域选定为初始负样本；
对所述预处理CT图像中的异常区域进行形态学膨胀操作，将其膨胀至原始大小的第一
设定倍数，并将膨胀后覆盖区域与所述初始负样本的重叠区域选定为负样本第一子部分；
在所述初始负样本中所述负样本第一子部分以外的区域中，随机选择大小等于所述预
处理CT图像中异常区域的第二设定倍数的区域，选定为负样本第二子部分；
利用所述负样本第一子部分与所述负样本第二子部分共同组成负样本。
7.根据权利要求2所述的方法，其特征在于，所述的选择核函数形式及其参数，包括：
选择径向基函数和参数gamma。
8.根据权利要求2所述的方法，其特征在于，所述的寻优得到最佳参数，包括：采用
交叉验证法进行寻优。
9.根据权利要求2所述的方法，其特征在于，所述的利用所述分类器，对第二类出血
性脑卒中病人的CT图像分割脑水肿，包括：
从所述第二类出血性脑卒中病人的CT图像中去除背景以及颅骨对应的图像部分，提取
脑组织对应的图像部分，得到测试样本；
计算所述测试样本的特征向量，并对所述测试样本的特征向量进行归一化处理；
利用所述分类器、归一化处理后的所述测试样本的特征向量，对所述测试样本进行分
类预测，分割出异常区域并识别异常区域中的水肿部位。
10.根据权利要求9所述的方法，其特征在于，所述的识别异常区域中的水肿部位，
具体包括：
将含有血肿的异常区域判定为有效区域，有效区域的大小减去血肿的大小为水肿；对
于不含血肿的异常区域，设对应的Z坐标为z0，若在z0-1或z0+1的轴向切片上有水肿区域且
在空间上有重叠，则该区域全部被判定为水肿区域，其他的异常区域将被判定为无效区域；
最后的水肿区域...

【专利技术属性】
技术研发人员：胡庆茂，陈明扬，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东;44