【技术实现步骤摘要】
本专利技术涉及一种基于强化学习的、增量的医学图像分割方法。
技术介绍
对图像目标的精确分割是医学图像模式识别的重要基础之一。在肺癌细胞识别的应用中，大多数的肺癌细胞图像中细胞核与胞浆之间对比度较低，细胞核边缘与背景之间的边界模糊，再加上背景杂质噪声的影响，这都使得很难对肺癌细胞图像进行较精确的分割。传统的图像分割方法主要分为基于阈值的分割和基于梯度的分割。前者对于具有多峰灰度直方图的图像，不能准确的分割出目标区域。而后者对于目标和背景灰度接近的情况，同样不能很好的分割出目标区域。除此之外，由于肺癌细胞病理图像的图像采集有很大的差异性，这导致普通图象分割方法很难适应如此复杂的环境。目前，强化学习已被广泛应用于预测，智能控制，图像处理等诸多领域。与传统图像分割方法相比，具有增量学习能力，能够适应复杂环境，对医学肺癌细胞图像做出正确的分割。
技术实现思路
专利技术目的本专利技术的目的是针对现有技术的不足，提供一种能够做出正确的分割的。技术方案本专利技术通过不同的图像样本，根据定义的状态，动作和奖赏，通过强化学习与环境的交互进行学习，采用试错的方式学习最优行为策略。最终形...
【技术保护点】
一种基于强化学习的医学图像分割方法，其特征在于该方法包括以下步骤：（１）初始化Ｑ矩阵，Ｑ矩阵以二维数组形式记录在当前状态以及所有后继状态下以策略π去选择动作做获得的累积奖赏；（２）对新样本图像采用ｓｏｂｅｌ算子进行边缘检测， 得到边缘图像；（３）对新样本图像进行类间方差最大分割，得到包含细胞核和胞浆的二值图像；（４）定义状态Ｓ为当前阈值分割结果的目标轮廓边缘和ｓｏｂｅｌ边缘检测得到的边缘相重叠的比值Ｅ以及当前阈值分割结果的目标区域面积与类间方差最 大法分割出来的目标区域面积重合的比值Ｆ，即Ｓ＝（Ｅ×Ｆ）；定义动作为...
【技术特征摘要】
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。