基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法技术

本发明专利技术提出了一种基于多核学习与超像素核低秩表示的脑肿瘤区域图像分割方法，选取训练数据集并标注相应的标签；对多模态脑肿瘤核磁共振测试图像进行预处理，并进行多模态融合；对T1‑C模态的图像进行熵率分割，获得融合图像的超像素分割；基于所获超像素构造超像素核；基于所获超像素核和训练数据集及相应的标签，通过多核学习算法获得最优超像素核；对高维核特征空间进行核低秩表示建模，并基于所获最优超像素核求解模型，获得测试图像的表示系数矩阵；基于所获表示系数矩阵，计算脑肿瘤图像中各测试样本属于各个类别的残差，确定测试样本的类别标签。本发明专利技术除了对训练样本规模要求较低外，在脑肿瘤区域的分割精度上也优于现有的一些分割方法。

【技术实现步骤摘要】
基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法
本专利技术涉及医学图像处理领域，具体涉及一种基于多核学习与超像素核低秩表示的多模态脑肿瘤核磁共振图像分割方法。
技术介绍
与脑肿瘤有关的医疗病例显著增加，使之成为儿童和成人共同感染的最常见的肿瘤形式之一，从脑肿瘤病人的脑图像中分割出脑肿瘤病变区域并对该区域进行定量测量以及3维可视化受到越来越多的重视。脑肿瘤分割的目标是将肿瘤区域与正常脑组织分开，并将诸如水肿，坏死和活动性肿瘤等肿瘤组织划分为符合预定标准的空间连续区域。核磁共振成像技术因对人体没有损伤、对软组织有非常高的分辨率以及参数易调节等特点已被广泛应用于脑疾病的临床治疗。临床常用的核磁共振图像模态包括T1权重模态，T2权重模态，FLAIR模态，和T1-c模态。基于多模态融合的脑肿瘤MR图像分割技术一直以来都是医学图像处理领域的一个研究热点。
技术实现思路
本专利技术的目的在于提出一种具有较高精度的基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法。实现本专利技术目的的技术解决方案为：一种基于多核学习与超像素核低本文档来自技高网...

【技术保护点】
1.一种基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法，其特征在于，包括以下步骤：/n步骤1，输入多模态脑肿瘤核磁共振测试图像，获取训练数据集以及相应的标签；/n步骤2，对多模态脑肿瘤核磁共振测试图像进行预处理，包括配准和归一化，并进行多模态融合，获得多模态脑肿瘤融合数据；/n步骤3，对T1-C模态图像进行熵率分割，获得多模态脑肿瘤融合数据的超像素分割结果；/n步骤4，基于步骤3所获的超像素构造超像素核；/n步骤5，基于步骤4所获的超像素核和训练数据集及相应的标签，通过多核学习算法获得最优超像素核；/n步骤6，对核特征空间进行低秩表示建模，并基于步骤5所获的最优超像素核利用交替方向乘子法求...

【技术特征摘要】
1.一种基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法，其特征在于，包括以下步骤：
步骤1，输入多模态脑肿瘤核磁共振测试图像，获取训练数据集以及相应的标签；
步骤2，对多模态脑肿瘤核磁共振测试图像进行预处理，包括配准和归一化，并进行多模态融合，获得多模态脑肿瘤融合数据；
步骤3，对T1-C模态图像进行熵率分割，获得多模态脑肿瘤融合数据的超像素分割结果；
步骤4，基于步骤3所获的超像素构造超像素核；
步骤5，基于步骤4所获的超像素核和训练数据集及相应的标签，通过多核学习算法获得最优超像素核；
步骤6，对核特征空间进行低秩表示建模，并基于步骤5所获的最优超像素核利用交替方向乘子法求解模型，获得测试图像的表示系数矩阵；
步骤7，基于步骤6所获的测试图像的表示系数矩阵，计算各测试样本属于各个类别的残差，确定各测试样本的类别标签。


2.根据权利要求1所述的基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法，其特征在于，步骤1中，输入多模态脑肿瘤核磁共振测试图像，获取训练数据集以及相应的标签，具体方法为：输入多模态脑肿瘤核磁共振测试图像，在T1-c模态的一帧图像上选取各类别样本的训练数据集并标注相应的标签。


3.根据权利要求1所述的基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法，其特征在于，步骤4中，基于步骤3所获的超像素构造超像素核，具体方法为：
设多模态脑肿瘤融合数据X的超像素分割为{X1,X2,L,XP}，其中Xi表示生成的第i个超像素，xk(i)表示Xi中的第k个像素，设φ′:X→H为输入空间X到高维Hilbert空间H的映射，即φ′(xk(i))为经高维映射后所获得的图像新特征，对每一像素xk(i)，通过其所在核特征空间上的基于超像素的均值滤波提取出空间邻域信息φ(xk(i))，即：



其中，xm(i)和Ni分别表示超像素Xi中的第m个像素和所含像素数，从而，xk(i)与xs(j)的超像素核为：



其中，κ(xm(i),xn(j))表示表示高斯RBF核，σ表示核尺度。


4.根据权利要求1所述的基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法，其特征在于，步骤5中，基于步骤4所获超像素核和训练数据集及相应的标签，通过多核学习算法获得最优超像素核，具体方法为：
步骤5.1：选取RBF核函数中核尺度σ值域范围[σmin,σmax]，以及M个尺度σmin＝σ1＜σ2＜L＜σM＝σmax，基于步骤4的超像素核计算M个核矩阵Gi；
步骤5.2：将每一核矩阵Gi按相同规则向量化为列向量v(Gi)，并构造矩阵GSP＝[v(G1),v(G2),L,v(GM)]T；
步骤5.3：通过奇异值分解求解问题确定最优权向量
目标函数为：
其对偶问题为
其中W∈RM×p表示特征映射后的矩阵空间，Z是W生成的线性子空间上的投影矩阵，Ip为p阶单位矩阵，对该对偶问题通过奇异值分解求解最大方差投影向量，也即核函数的最优权向量
步骤5.4：通过公式计算最优核函数；
步骤5.5：通过公式计算最优超像素核。...

【专利技术属性】
技术研发人员：葛婷，牟善祥，詹天明，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32