一种基于神经网络改进的RSG肝脏CT图像交互式分割算法制造技术

本发明专利技术提出一种基于一维卷积神经网络改进的区域生长算法对肝脏CT图像进行交互式分割，通过神经网络统筹考虑像素的灰度值、空间信息、不同梯度值等多种信息作为生长规则，提高了区域生长法的稳定性，增强了算法对边缘复杂结构的分割能力。具体步骤如下：首先是图像预处理，提取CT图像序列集中含有肝脏的切片，使用窗口算法将CT图像转化为灰度图像；然后是图像边缘检测，计算像素在不同边缘检测算子下的梯度值作为该像素的特征，形成像素特征向量；接下来是构建网络模型，提取训练数据集，训练网络模型；最后是分割，将训练好的卷积神经网络模型作为区域生长算法的生长准则，利用鼠标点击肝脏区域产生初始分割结果，利用形态学方法进行填充孔洞得到最终结果。

【技术实现步骤摘要】
一种基于神经网络改进的RSG肝脏CT图像交互式分割算法
本专利技术提出一种基于一维卷积神经网络改进的区域生长算法（RegionSeedsGrowing，RSG）对肝脏CT图像进行交互式分割，通过神经网络统筹考虑像素的灰度值、空间信息、不同梯度值等多种信息作为生长规则，提高了区域生长法的稳定性，增强了算法对边缘复杂结构的分割能力。
技术介绍
CT是无侵害性的器官体外成像手段，由于其成像速度较快、分辨力较高、效果较好，已经成为临床医生进行医疗诊断不可或缺的重要手段，可视化技术与医学图像分析结合，在对肝脏疾病的诊断中占有主导地位。通过对肝脏CT图像进行分割，提取出肝脏组织并获得相应的特征信息，医生可以很直观地了解患者肝脏内部的详细情况，对诊断及下一步治疗计划的制定起到关键作用。当前的分割方法可以分为三类：手动，半自动和全自动。手动分割方法繁琐，耗时，并且可能受到观察者间和观察者内部变异性的影响。需要将图像的每个像素手动分配到其类别，尽管可以通过该技术获得非常准确的结果，但是所需的时间将限制一些任务转换成临床实践。对于某些任务，单个案例的手动分本文档来自技高网...

【技术保护点】
1.一种基于神经网络改进的RSG肝脏CT图像交互式分割算法，其特征在于，包括以下步骤：/nStep1：图像预处理，提取CT图像序列集中含有肝脏的切片，使用窗口算法(W/L)将CT图像转化为灰度图像；/nStep2：图像边缘检测，计算像素在不同边缘检测算子下的梯度值作为该像素的特征，形成像素特征向量；/nStep3：构建网络模型，提取训练数据集，训练网络模型，该网络以一对像素特征向量为输入，以两像素的关联度系数为输出；/nStep4：分割，将训练好的卷积神经网络模型作为区域生长算法的生长准则，利用鼠标点击肝脏区域产生初始分割结果，利用形态学方法进行填充孔洞得到最终结果。/n

【技术特征摘要】
1.一种基于神经网络改进的RSG肝脏CT图像交互式分割算法，其特征在于，包括以下步骤：
Step1：图像预处理，提取CT图像序列集中含有肝脏的切片，使用窗口算法(W/L)将CT图像转化为灰度图像；
Step2：图像边缘检测，计算像素在不同边缘检测算子下的梯度值作为该像素的特征，形成像素特征向量；
Step3：构建网络模型，提取训练数据集，训练网络模型，该网络以一对像素特征向量为输入，以两像素的关联度系数为输出；
Step4：分割，将训练好的卷积神经网络模型作为区域生长算法的生长准则，利用鼠标点击肝脏区域产生初始分割结果，利用形态学方法进行填充孔洞得到最终结果。


2.根据权利要求1所述的一种基于神经网络改进的RSG肝脏CT图像交互式分割算法，其特征在于，所述Step1中的具体过程如下：
Step1.1提取切片：
数据集包括原始CT图像和分割标签，在标签图像中，专业人员已经将13个腹部器官与数字一一对应，其中肝脏对应的数字为6；切片T满足：Start+5<T<End-5，其中Start表示标签图像序列集中最早出现数字6的序列号，End表示标签图像序列集中最后出现数字6的序列号；
Step1.2图像转换：
使用Window-Leveling(W/L)窗口算法处理后该像素点的值g(i)为：



其中：，，肝脏组织的CT值通常位于50～250之间，取ww=200，wl=150。


3.根据权利要求1所述的一种基于神经网络改进的RSG肝脏CT图像交互式分割算法，其特征在于，所述Step2中的具体过程如下：
Step2对图像分别进行Sobel算子、Roberts算子、Canny算子、Gabor算子、Sobel_h算子、Sobel_v算子、Robert_neg_diag算子滤波...

【专利技术属性】
技术研发人员：张丽娟，章润，李东明，李阳，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：吉林;22