【技术实现步骤摘要】
一种基于多成分邻域的小数据甲状腺超声图像分割方法
[0001]本专利技术涉及一种人体甲状腺超声图像分割方法，具体涉及一种通过多成分邻域对初步分割结果进行改进的小数据甲状腺超声图像分割方法。
技术介绍
[0002]甲状腺是可影响人体发育、代谢、心血管健康、神经健康的重要内分泌腺体，严重的甲状腺疾病会严重影响人类正常生活，甚至带走人们的生命。近年来，国家医疗水平不断提高，人们对甲状腺疾病越发关注，针对甲状腺疾病逐渐从医院检查步入社会普查。在甲状腺普查中，医疗任务对检测人员的技术水平、检测手段的快速实惠有了更高的要求，而超声作为医学影像技术具有检测费用较低、无辐射、速度快等优点，完美与甲状腺检测的医疗需求相匹配。同时，对甲状腺进行腺体分割，更可以在普查中为经验不足的医生提供大量形状测量信息，辅助医生或检查人员对超声图像进行分析，具有极其重要的医疗意义。
[0003]传统的甲状腺腺体分割严重依赖于专业医师的个人经验，通常需要对每个图像样本进行手工绘制，这种方式耗时耗力，且分割精度与医生经验成正比，易出现分割不精确的情况。在机...
【技术保护点】
【技术特征摘要】
1.一种基于多成分邻域的小数据甲状腺超声图像分割方法，其特征在于所述方法包括如下步骤：步骤一：加载甲状腺超声原始成分图像，为每幅图像匹配对应的图像分割标签并划分原始成分数据集，然后提取边缘成分图像和超像素成分图像，得到边缘成分图像训练集和超像素成分图像训练集；步骤二：利用多成分数据集训练三个U
‑
Net分割算法，以获得初步分割结果和多成分分割输出，进而提取多成分小邻域特征F
x,y
,f
x,y
并配以像素二分类标签；步骤三：在多成分邻域极限学习机中完成特征融合、最小冗余度
‑
最大相关度特征筛选和极限学习机训练，获取像素分类结果并重构，以获得増补性分割结果；步骤四：利用増补性分割结果，改进初步分割结果的边缘环形关注区域，以获取改进的最终分割结果。2.根据权利要求1所述的基于多成分邻域的小数据甲状腺超声图像分割方法，其特征在于所述步骤一的具体步骤如下：步骤一一、加载全部甲状腺超声原始成分图像其中代表第*幅原始成分图像，共计X幅，并为每幅原始成分图像按相同的列队匹配图像分割标签其中代表第*幅分割图像标签；步骤一二、在保证来自同一甲状腺的图像被划分到相同子集的情况下，按照数据划分规则将全部甲状腺超声原始成分图像划分为具有M幅原始成分图像的训练集和具有N幅原始成分图像的测试集以构成原始成分数据集；步骤一三、基于步骤一二构建的原始成分数据集，利用索贝尔算子处理原始成分图像，得到边缘成分图像随后，为全部提取的边缘成分图像按相同列队配以边缘成分图像L
image
，以构成边缘成分图像训练集和边缘成分图像测试集步骤一四、基于步骤一二构建的原始成分数据集，利用简单线性聚类处理原始成分图像，得到超像素成分图像T
SP
、t
SP
，在完成迭代i次后，原始成分图像的全部P像素点被聚类为K个超像素，以获得超像素成分图像T
SP
、t
SP
；随后，为全部提取的超像素成分图像按相同列队配以边缘成分图像L
image
，以构成超像素成分图像训练集和超像素成分图像测试集3.根据权利要求2所述的基于多成分邻域的小数据甲状腺超声图像分割方法，其特征在于所述T
*Sobel
的计算公式如下：
所述原始成分图像中像素点p(x,y)的亮度计算公式如下：所述原始成分图像中像素点p(x,y)的亮度计算公式如下：式中，l(
·
)为像素亮度，cc
j
为聚类中心点，cc
*
为某像素距离最近的聚类中心点，为步长，x和y分别为像素的横纵坐标，x
j
和y
j
分别为聚类中心的横纵坐标。4.根据权利要求1所述的基于多成分邻域的小数据甲状腺超声图像分割方法，其特征在于所述步骤二的具体步骤如下：步骤二一、利用步骤一中获取的原始成分图像训练集T
US
、边缘成分图像训练集T
Sobel
和超像素成分图像训练集T
SP
，分别训练一个U
‑
Net，训练后获得三个深度学习分割算法和步骤二二、基于步骤一中获取的原始成分测试集t
US
，通过获取初步分割结果R
Pre
，同时，基于和倒数第一层之前的算法，记为和利用甲状腺多成分图像数据集t
US
、t
Sobel
和t
SP
获取多成分甲状腺分割输出O
US
、O
Sobel
和O
SP
；步骤二三、基于步骤二二获取的多成分甲状腺分割输出O
US
、O
Sobel
和O
SP
，首先在每个分割输出的四个边上向外扩充个像素，提取边长为Q的方形的多成分小邻域特征F
x,y
,f
x,y
...
【专利技术属性】
技术研发人员：陈逸飞，李欣然，章欣，李丹丹，王艳，沈毅，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：
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。