一种基于优化SFLA和聚类的脑出血CT图像血块提取方法技术

本发明专利技术公开一种基于优化SFLA和聚类的脑出血CT图像血块提取方法，针对脑出血CT图像中的聚集特点及复杂的空间位置和形状，首先，提出了脑出血聚类算法和改进的混合蛙跳跃算法(MSFLA)对脑出血CT图像进行分割，有效提高了收敛速度和全局优化能力，得到了脑出血二值分割结果；然后建立了颅内血块提取框架(采用基于自适应窗口的二维前缀求和消除算法)去除脑部无关组织，最后通过判断血块和颅骨的空间位置，利用区域形态学操作，实现了高效、精准的提取血块，提取轮廓更加细节，减少诊断误差。减少诊断误差。减少诊断误差。

【技术实现步骤摘要】
一种基于优化SFLA和聚类的脑出血CT图像血块提取方法


[0001]本专利技术涉及医学图像分割领域，尤其是一种基于优化SFLA和聚类的脑出血CT图像血块提取方法。

技术介绍

[0002]脑出血是一种突发性脑疾病，通常是指颅内血管破裂引起的出血现象，死亡率、致残率及复发率高。脑出血的无创检查通常采用CT成像技术，通过扫描脑部结构，查看是否存在血肿、出血位置和出血量，并检查是否有脑移位或破入脑室等情况，脑出血CT图像血块的快速识别和提取对于协助医生临床诊断具有重要作用。
[0003]目前，已有应用于医学图像病灶提取的方法。青蛙跳跃算法(SFLA)作为一种有效的元启发式方法，可以有效地处理医学图像，但是存在着收敛速度慢、优化精度低等问题。Chen等人提出了一种具有水平和垂直交叉搜索的集成多策略驱动的混合青蛙跳跃算法，通过实现水平和垂直交叉搜索机制，提高了传统SFLA分割多阈值图像的能力，但仅对乳腺浸润性导管癌有效。Kollem等人提出了一种基于优化的支持向量机(SVM)的概率模糊c
‑
均值聚类算法，是采用改进的概率模糊c均值聚类算法对增强后的一次去噪图像进行分割。然而，由于脑出血的血块形状和空间位置不规则，同时可能会出现血块与颅骨黏连的情况，因此采用现有方法提取脑出血CT图像血块，存在着血块定位不够准确和清晰以及提取效率低等问题。

技术实现思路

[0004]本专利技术是为了解决现有技术所存在的上述技术问题，提供一种基于优化SFLA和聚类的脑出血CT图像血块提取方法。
[0005]本专利技术的技术解决方案是：一种基于优化SFLA和聚类的脑出血CT图像血块提取方法，按照如下步骤进行：
[0006]步骤1.通过优化的SFLA和聚类对脑出血CT图像进行分割，输出脑出血二值图像；
[0007]步骤2.采用颅内血块提取框架中的基于自适应窗口的二维前缀求和消除算法，去除图像中的脑部无关组织；
[0008]步骤3.通过判断血块和颅骨的空间位置，利用区域形态学操作并设置面积参数，提取血块；
[0009]步骤4.显示提取结果。
[0010]所述步骤1优选如下：
[0011]步骤1.1输入脑出血CT图像，确定脑出血图像聚类中心的数量c，随机选择c个初始聚类中心H＝{H1,H2,...,H
c
}，将脑出血CT图像的像素集表示为由n个像素块构成的青蛙种群X＝{X
i
}，i＝1...n，像素块X
i
内的k个聚类中心表示为x
i1
,x
i2
,...x
ik
，x
ik
∈H；
[0012]步骤1.2以初始聚类中心H为聚类分类的基础，将每个像素块中的像素划分为聚类，经过反复迭代计算，得到新类的聚类中心，聚类目标函数E如式(1)所示：
[0013][0014]式中n
i
为像素块X
i
的像素点数；
[0015]构造适应度函数如式(2)所示：
[0016][0017]步骤1.3以适应度函数f计算像素块X
i
的适应度值，其中适应度最好的值为X
g
；
[0018]步骤1.4将n个像素块划分为r个子组，每个子组包含o块，即n＝r
×
o，子组中适应度最好的值为X
b
，适应度最差的值为X
w
；
[0019]步骤1.5在子组局部搜索，即X
w
进行更新，具体更新步骤如下：
[0020]步骤1.5.1第j块上定义新的移动距离D
j
'为：
[0021]D
j
'＝ωD
j
+rand(0,1)
×
(X
b
‑
X
w
)
ꢀꢀꢀ
(3)
[0022]所述j∈1...n，式中D
j
表示上一次移动的距离，ω为惯性权值系数，ω
Max
和ω
Min
表示惯性权值系数的初始值和结束值，t为当前的迭代次数，T为总迭代次数，rand(0,1)是一个介于0到1之间的随机数；
[0023]按照公式(4)计算更新后的适应度最差的值NX
w
：
[0024]NX
w
＝OX
w
+D
j
',D
Max
≥D
j
≥
‑
D
Max
ꢀꢀꢀ
(4)
[0025]式中OX
w
为更新前的适应度最差的值，D
Max
表示最大步长；
[0026]如果NX
w
优于OX
w
，则以NX
w
替代OX
w
并进行步骤1.5.2，否则进行步骤1.5.3；
[0027]步骤1.5.2判断是否达到局部最大迭代次数，是，合并并混合所有块，进行步骤1.6，否则，返回步骤1.5；
[0028]步骤1.5.3在第j块上定义新的移动距离D
j”为：
[0029]D
j”＝rand(0,1)
×
(X
g
‑
X
w
)
ꢀꢀꢀ
(5)
[0030]按照公式(6)计算更新后的适应度最差的值NX
w
：
[0031]NX
w
＝OX
w
+D
j
”ꢀꢀꢀ
(6)
[0032]如果NX
w
优于OX
w
，则以NX
w
替代OX
w
并进行步骤1.5.2，否则进行步骤1.5.4；
[0033]步骤1.5.4判断D
j”的计算是否达到设定次数，是，随机生成一个新的解来替换X
w
和D
j
'∈[
‑
D
Max
,D
Max
]，然后让D
j
＝D'
j
，返回步骤1.5.2，否，返回步骤1.5.3；
[0034]步骤1.6判断是否达到全局最大迭代次数，否，返回步骤1.4，是，输出脑出血二值图像I；
[0035]所述步骤2优选如下：
[0036]结合脑出血二值图像I，得到元素分别为1和0的矩阵，将矩阵中元素1的数量相加后，设置自适应窗口值{W,H,θ}，逐行遍历元素；若窗口中元素1的总数小于当前设置的窗口阈值s，则窗口的中心元素为脑部无关组织，消除脑部无关组织得到二值脑出血图像U；
[0037]所述步骤3优选如下：
[0038]标记二值脑出血图像U的黏连区域，对应标签的值为1,2,.本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于优化SFLA和聚类的脑出血CT图像血块提取方法，其特征在于按照如下步骤进行：步骤1.通过优化的SFLA和聚类对脑出血CT图像进行分割，输出脑出血二值图像；步骤2.采用颅内血块提取框架中的基于自适应窗口的二维前缀求和消除算法，去除图像中的脑部无关组织；步骤3.通过判断血块和颅骨的空间位置，利用区域形态学操作并设置面积参数，提取血块；步骤4.显示提取结果。2.根据权利要求1所述的基于优化SFLA和聚类的脑出血CT图像血块提取方法，其特征在于：所述步骤1如下：步骤1.1输入脑出血CT图像，确定脑出血图像聚类中心的数量c，随机选择c个初始聚类中心H＝{H1,H2,...,H
c
}，将脑出血CT图像的像素集表示为由n个像素块构成的青蛙种群X＝{X
i
}，i＝1...n，像素块X
i
内的k个聚类中心表示为x
i1
,x
i2
,...x
ik
，x
ik
∈H；步骤1.2以初始聚类中心H为聚类分类的基础，将每个像素块中的像素划分为聚类，经过反复迭代计算，得到新类的聚类中心，聚类目标函数E如式(1)所示：式中n
i
为像素块X
i
的像素点数；构造适应度函数如式(2)所示：步骤1.3以适应度函数f计算像素块X
i
的适应度值，其中适应度最好的值为X
g
；步骤1.4将n个像素块划分为r个子组，每个子组包含o块，即n＝r
×
o，子组中适应度最好的值为X
b
，适应度最差的值为X
w
；步骤1.5在子组局部搜索，即X
w
进行更新，具体更新步骤如下：步骤1.5.1第j块上定义新的移动距离D
j
'为：D
j
'＝ωD
j
+rand(0,1)
×
(X
b
‑
X
w
)
ꢀꢀꢀꢀꢀꢀ
(3)所述j∈1..n.，式中D
j
表示上一次移动的距离，ω为惯性权值系数，ω
Max
和ω
Min
表示惯性权值系数的初始值和结束值，t为当前的迭代次数，T为总迭代次数，rand(0,1)是一个介于0到1之间的随机数；按照公式(4)计算更新后的适应度最差的值NX
w
：NX
w
＝OX
w
+D
j
',D
Max
≥D
j
≥
‑
D
Max
ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)式中...

【专利技术属性】
技术研发人员：方玲玲，姜雨萌，
申请(专利权)人：辽宁师范大学，
类型：发明
国别省市：