基于半监督学习的脑部CT图像出血区域分割方法及系统技术方案

本发明专利技术公开了一种基于半监督学习的脑部CT图像出血区域分割方法，所述方法包含半监督模型训练阶段和基于半监督模型的出血区域分割阶段；半监督模型训练阶段用于训练半监督模型；基于半监督模型的出血区域分割阶段包括对需要进行颅内出血区域分割的二维CT图像序列进行格式转换，将二维CT图像重建到三维空间，然后利用超体素算法将三维图像划分成大小相近的超体素，以每个超体素为样本提取特征，最后根据特征通过训练好的半监督模型将超体素分成前景和背景两部分。本发明专利技术通过引入半监督学习算法以及以超体素代替像素进行运算等途径有效地提高了出血区域检测的准确性。

【技术实现步骤摘要】

本专利技术涉及机器学习和图像处理领域，尤其涉及一种基于半监督学习的脑部CT图像出血区域分割方法及系统。
技术介绍
颅内出血(ICH)是最严重的急性脑血管疾病中的一种，同时也是急性神经紊乱疾病，如偏瘫等的重要发病诱因。因此，对于临床治疗来说，颅内出血的早期诊断具有重要意义。同临床表现相比，可以进行无创伤检测的计算机断层(CT)扫描和磁共振成像(MRI)扫描可以更直接、更准确地反映颅内出血的严重程度和演化趋势。同时又因为CT检测的费用要比MRI检测的费用少得多，所以大多数人患者会选择CT检测的方式。在CT图像中新鲜血肿通常显示为边界模糊的高亮度区域。通常情况下，血肿的形状为肾形，圆形或不规则形，并常常被低密度水肿包围。现在的出血区域检测方法主要集中于模糊C均值聚类(FCM)或以规则为基础的区域分类等算法。然而，这些方法有两个缺点。首先，这些方法中的大多数使用了非常简单的分割算法，诸如聚类和阈值等，虽然这些方法可能在自然图像处理过程中表现良好，但在复杂的情况下，如出血区域与脑组织重叠或出血的边缘没有足够的辨别度时，这些方法的效果并不好。其次，现有的算法大多仅适用于处理二维图像。但CT成像本文档来自技高网...

【技术保护点】
一种基于半监督学习的脑部CT图像出血区域分割方法，其特征在于，该方法包括以下步骤：(1)训练Tri‑training模型；(2)基于Tri‑training模型的出血区域分割；所述步骤1包括以下子步骤：(1.1)转换CT图像格式：从计算机断层扫描设备或数据库中获取包含出血区域的CT图像序列，截取像素值的有效区间，转换成常用的bmp或jpg图像处理格式。(1.2)标记训练样本：将CT图像序列分为两部分，一部分序列作为有标记样本集，另一部分作为无标记样本集，针对有标记样本，手动标出出血区域，其中出血区域标记为1，其余部分标记为0。(1.3)图像三维重建：将CT图像序列重建到三维区间，通过三维滤波去...

【技术特征摘要】
1.一种基于半监督学习的脑部CT图像出血区域分割方法，其特征在于，该方法包括以下步骤：(1)训练Tri-training模型；(2)基于Tri-training模型的出血区域分割；所述步骤1包括以下子步骤：(1.1)转换CT图像格式：从计算机断层扫描设备或数据库中获取包含出血区域的CT图像序列，截取像素值的有效区间，转换成常用的bmp或jpg图像处理格式。(1.2)标记训练样本：将CT图像序列分为两部分，一部分序列作为有标记样本集，另一部分作为无标记样本集，针对有标记样本，手动标出出血区域，其中出血区域标记为1，其余部分标记为0。(1.3)图像三维重建：将CT图像序列重建到三维区间，通过三维滤波去除噪声，得到三维矩阵。(1.4)超体素分割：对重建得到的三维矩阵，应用三维简单线性迭代聚类算法(3DSLIC)对其进行分割，得到规则排列的超体素。该步骤具体为：(1.4.1)计算三维矩阵中的体素总数N，确定要划分的超体素个数K，计算超体素的初始边长以Ns为步长在三个维度上均匀抽样，作为初始的聚类中心Ck＝[gk,xk,yk,zk]T，其中，gk为第k个聚类中心的灰度值，xk,yk,zk为第k个聚类中心的位置坐标。(1.4.2)在以聚类中心点为中...

【专利技术属性】
技术研发人员：胡浩基，孙明杰，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33