一种用于肝脏CT影像的特征提取与分割新方法技术

本发明专利技术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。本发明专利技术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；同时本发明专利技术的可靠性高，实用性好。

【技术实现步骤摘要】
一种用于肝脏CT影像的特征提取与分割新方法
本专利技术具体涉及一种用于肝脏CT影像的特征提取与分割新方法。
技术介绍
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本文档来自技高网...

【技术保护点】
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：/nS1.获取肝脏肿瘤CT图像数据；/nS2.对步骤S1获取的图像数据进行重采样；/nS3.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；/nS4.对步骤S3得到的核心学习样本进行预处理；/nS5.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；/nS6.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；/nS7.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...

【技术特征摘要】
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：



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：



式中为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，从而得到目标函数的极小值的必要条件表达为：






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：



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；...

【专利技术属性】
技术研发人员：常炳国，姜群，石华龙，张芬奇，常雨馨，
申请(专利权)人：湖南大学，
类型：发明
国别省市：湖南;43