一种基于改进随机游走算法的GGO肺结节分割方法技术

本发明专利技术提出了一种基于改进随机游走算法的GGO肺结节的分割方法，属于肺结节治疗技术领域，本发明专利技术提出将纹理与空间位置信息加入来定义随机游走的权值，充分利用图像信息；在能量函数中添加数据项，建立未标记点与标记点的联系，提高了分割的精度；提出了种子点自动选取的方法，使本发明专利技术使用起来更加简单快速。实验表明本发明专利技术算法对GGO肺结节有较高的分割准确性，有较大的现实实用价值。有较大的现实实用价值。有较大的现实实用价值。

【技术实现步骤摘要】
一种基于改进随机游走算法的GGO肺结节分割方法


[0001]本专利技术涉及肺结节治疗
，具体涉及一种基于改进随机游走算法的GGO肺结节分割方法。

技术介绍

[0002]根据2022年最新癌症统计数据，肺癌发病率极高，死亡率也一直非常高，给人类平均寿命带来了巨大危害。肺癌的早期及时发现诊断治疗可以有效地缓解病人的病情，改善病人的生活质量，减小肺癌的死亡率。肺结节的良恶性判断可以及时的发现早期肺癌。由于低剂量螺旋CT的全国的广泛应用，早期肺癌的发现和治疗更为方便精准，肺结节都几乎能够被检测出来，对于多数种类的肺结节，手术有望得到根治性效果。对肺结节的分割和三维重建可以有效地帮助医生判断肺结节的良恶性，如果大量的肺结节都由医生手动分割，这样则效率低下，需要大量的人力。因此，对于肺结节的分割方法国内外有大量的研究，但是对于GGO结节的分割效果并不是很好，并且GGO结节具有边缘模糊、影像略透明，特征不明显等特性。GGO结节的恶性度更高，因此，对GGO结节的分割研究具有重要的实用价值。
[0003]近年来，对肺结节的分割研究一直是热门，也有了好多的肺结节分割方法，主要有阈值法、聚类的方法和活动轮廓等方法，其中聚类的方法对灰度均匀的实性结节分割较好，对于GGO结节分割精度不够高。Sun等提出了一种基于点滤波器和高斯混合模型隐马尔可夫随机场的方法对磨玻璃状肺结节进行分割。Li等提出了一种基于小波能量自适应局部能量和基于K
‑
最近邻估计方法自适应地选择局部能量模型的分割方法分割得到磨玻璃状肺结节，Zhang等采用马尔科夫随机场能量和贝叶斯概率差的分割方法对磨玻璃状肺结节进行分割。
[0004]随机游走算法是一种基于图论的半自动图像分割方法，随机游走图像分割将图像抽象为图论中的赋权图，根据图的权值和度定义了一个转移概率，图的权值反应随机游走者沿着这条边游走的概率。然后以图结构中顶点间沿着边相互转移的概率作为分割的标准，按照概率的大小来分割出图像的前景和背景，因此边上的权值表示从当前节点到相邻结点的概率，边上的权值可以解释为像素间的相似度。随机游走算法已成功应用于医学图像的多种组织分割，以及其它图像分割应用领域。随机游走仅采用灰度信息作为度量特征，对于对比度低、灰度不均匀的GGO结节分割效果较差。随机游走算法需要选取大量的种子点，以提高分割准确率，但是人工选取则是一项非常繁琐的事情。
[0005]因此，提供一种针对图像信息种子点自动选取的基于改进随机游走算法的GGO肺结节分割方法，以解决上述现有存在的问题。

技术实现思路

[0006]有鉴于此，本专利技术提供一种基于改进随机游走算法的GGO肺结节分割方法。
[0007]为解决上述技术问题，本专利技术提供一种基于改进随机游走算法的GGO肺结节分割方法，包括以下步骤：
[0008]步骤1、纹理特征提取，获取像素的纹理值；使用Gabor滤波器提取图像的纹理信息；
[0009]步骤2、结合图像的灰度、纹理、空间坐标重新定义随机游走的权值；引入空间位置信息和步骤1提取的纹理特征，重新定义加权矩阵，构造新的权函数；
[0010]步骤3、种子点的自动获取；
[0011]步骤4、建立未标记点与已标记点的联系，构建新的加权矩阵作为平滑项加入到随机游走的能量函数中并求解随机游走。
[0012]进一步的，步骤1的具体内容如下：
[0013]使用二维Gabor函数实数部分调制的高斯函数作为最终的滤波器；如式(7)所示：
[0014][0015]u＝(i
‑
i0)cosθ+(j
‑
j0)sinθ
[0016]v＝
‑
(i
‑
i0)sinθ+(j
‑
j0)cosθ
[0017]式中：i0和j0表示滤波器中心坐标；方差σ决定了滤波器的大小；γ为空间纵横比，决定了Gabor函数形状的椭圆率，当γ＝1时，形状是圆形，该值为0.5；
[0018]参数f用来描述滤波器最佳空间频率，σf决定了线性滤波器的空间频率带宽；参数θ表示滤波器的最佳朝向，决定了滤波器的最优响应方向，θ取不同值，可以得到一组滤波器，使用四个最优朝向，θ＝[0，45，90，135]；表示Gabor核函数中余弦函数的相位参数，它的取值范围为
‑
180
°
到180
°
，其中，0
°
与180
°
对应的方程与原点对称，
‑
90
°
和90
°
的方程关于原点成中心对称。
[0019]进一步的，所述四个最优朝向和一个空间频率组成的滤波器与原图进行卷积，得到四幅纹理特征图像；则对于原图像上的每个节点vi∈V，经过纹理特征提取后得到一个包含4个元素的特征向量Ri。
[0020]进一步的，步骤2的具体内容如下：
[0021]将图像映射为加权无向图G＝(V，E，W)，其中V为顶点集合，E表示相邻像素点间构成的无向边的集合，W为相邻像素的相似性矩阵，将纹理信息和空间位置坐标作为度量特征来定义权值；纹理信息改进后的权函数定义如下：
[0022][0023]其中，g
i
和g
j
分别表示像素点i和j的灰度值，h
i
和h
j
分别表示像素点i和j的空间坐标，R
i
和R
j
分别表示与像素点i和j对应的纹理特征向量；β1、β2、β3为特征系数。
[0024]进一步的，步骤3中，采用OPENCV库中封装的函数，基于阈值变换完成对肺结节的粗滤分割；在分割得到的区域内计算结节中心到边界的最大测地线距离，将最大测地线距离到结节中心区域，选取此区域内的点为肺结节种子点；在此区域外的合适阈值范围外选取背景种子点，实现种子点的自动选取。
[0025]进一步的，步骤4中，为了使用种子点信息，提高分割精度，重定义能量函数为：
[0026]D(x)＝∑
(i，j)∈E
D1(x
i
，x
j
)+∑
i∈V
D2(x
i
)(9)
[0027]D1(x
i
，x
j
)＝W
ij
(x
i
‑
x
j
)2(10)
[0028]其中，D1(x
i
，x
j
)为平滑项；
[0029]D2(x
i
)为数据项。
[0030]进一步的，步骤4中，为了使种子点信息影响到到每个像素点，对每个非种子点的像素点都建立与最相似种子点之间的联系，使用式(11)选择前景点集和背景点集中最相似的点，并建立连接关系；
[0031][0032]其中，i∈V、m∈{F,B}，F为前景种子点集合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进随机游走算法的GGO肺结节分割方法，其特征在于,包括以下步骤：步骤1、纹理特征提取，获取像素的纹理值；使用Gabor滤波器提取图像的纹理信息；步骤2、结合图像的灰度、纹理、空间坐标重新定义随机游走的权值；引入空间位置信息和步骤1提取的纹理特征，重新定义加权矩阵，构造新的权函数；步骤3、种子点的自动获取；步骤4、建立未标记点与已标记点的联系，构建新的加权矩阵作为平滑项加入到随机游走的能量函数中并求解随机游走。2.根据权利要求1所述的基于改进随机游走算法的GGO肺结节分割方法，其特征在于，步骤1的具体内容如下：使用二维Gabor函数实数部分调制的高斯函数作为最终的滤波器；如式(7)所示：u＝(i
‑
i
o
)cosθ+(j
‑
j0)sinθv＝
‑
(i
‑
i0)sinθ+(j
‑
j0)cosθ式中：i0和j0表示滤波器中心坐标；方差σ决定了滤波器的大小；γ为空间纵横比，决定了Gabor函数形状的椭圆率，当γ＝1时，形状是圆形，该值为0.5；参数f用来描述滤波器最佳空间频率，σf决定了线性滤波器的空间频率带宽；参数θ表示滤波器的最佳朝向，决定了滤波器的最优响应方向，θ取不同值，可以得到一组滤波器，使用四个最优朝向，θ＝[0，45，90，135]；表示Gabor核函数中余弦函数的相位参数，它的取值范围为
‑
180
°
到180
°
，其中，0
°
与180
°
对应的方程与原点对称，
‑
90
°
和90
°
的方程关于原点成中心对称。3.根据权利要求2所述的基于改进随机游走算法的GGO肺结节分割方法，其特征在于，所述四个最优朝向和一个空间频率组成的滤波器与原图进行卷积，得到四幅纹理特征图像；则对于原图像上的每个节点vi∈V，经过纹理特征提取后得到一个包含4个元素的特征向量Ri。4.根据权利要求1所述的基于改进随机游走算法的GGO肺结节分割方法，其特征在于，步骤2的具体内容如下：在高斯权函数的基础上还考虑了纹理特征和空间位置特征信息，将图像映射为加权无向图G＝(V，E，W)，其中V为顶点集合，E表示相邻像素点间构成的无向边的集合，W为相邻像素的相似性矩阵，将纹理信息和空间位置坐标作为度量特征来定义权值；重定义的权函数如下：其中，g
i
和g
j
分别表示像素点i和j的灰度值，h
i
和h
j
分别表示像素点i和j的空间坐标，R
i
和R
j
分别表示与像素点i和j对应的纹理特征向量；β1、β2、β3为特征系数。5.根据权利要求1所述的基于改进随机游走算法的G...

【专利技术属性】
技术研发人员：薛良，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：