一种用于腹部CT图像的识别方法技术

本发明专利技术涉及图像数据处理领域，具体涉及一种用于腹部CT图像的识别方法。获取腹部CT灰度图像并对像素点进行聚类，得到多个簇类；对每个簇类进行边缘检测，获取每个簇类中边缘像素点的个数；获取每个簇类的分散程度；获取每个簇类的满意度，将满意度小于阈值的簇类作为第一簇类；获取第一簇类的质心调整距离对质心进行更新，并以更新后的聚类中心点重新聚类，依次迭代，直至簇类的满意度满足预设条件，获取此时的多个簇类；根据多个簇类对腹部CT灰度图像进行分割，根据分割后图像中的像素点进行器官识别。本发明专利技术通过调整聚类中心点，并获取每个簇类的满意度作为调整的判断依据，能够有效解决聚类过程中出现局部最优的问题。解决聚类过程中出现局部最优的问题。解决聚类过程中出现局部最优的问题。

【技术实现步骤摘要】
一种用于腹部CT图像的识别方法


[0001]本专利技术涉及图像数据处理
，具体涉及一种用于腹部CT图像的识别方法。

技术介绍

[0002]随着医疗中对于医学影像的使用日渐增多，对于CT（计算机断层显像）图像的分割在医学影像处理领域因其可以辅助治疗，辅助判断而越来越重要，在图像分割的各种手段中，神经网络因为需要大量数据进行训练模型而使用成本过高，因此需要通过一些无监督学习的方法进行图像分割的方式，而图像分割和对象提取是聚类分析的主要应用方面，其主要目的是按事物间的相似性对给定事物进行区分和分类，使每一类中的元素尽可能具有相同的特性，不同聚类之间的特性差别尽可能的大，其中K
‑
means聚类算法作为聚类算法的中最简单、快速的一种，受到了广泛的使用。
[0003]在实际应用中发现K
‑
means聚类算法在大数据量时的扩展性和效率都较理想，但是在使用K
‑
means聚类方法对CT图像进行处理时，因为K
‑
means算法的原因，聚类中心的初始化时，有可能会陷入局部最优或者产生空类的情况，导致图像中部分簇类中的样本点少，且在图像中的位置十分分散，其中多是边缘点等情况，会严重影响图像的分割，导致后续通过神经网络进行图像识别时识别效率较差或识别精度存在误差，在医学领域中会造成严重的后果。

技术实现思路

[0004]为了解决现有技术中利用K
‑
means聚类算法CT图像进行识别时会出现局部最优，导致后续图像识别效率较差，识别精度存在误差的问题，本专利技术提供一种用于腹部CT图像的识别方法，包括：获取腹部CT灰度图像并对像素点进行聚类，得到多个簇类；对每个簇类进行边缘检测，获取每个簇类中边缘像素点的个数；获取每个簇类的分散程度；获取每个簇类的满意度，将满意度小于阈值的簇类作为第一簇类；获取第一簇类的质心调整距离；对第一簇类的质心进行更新，并以更新后的聚类中心点重新聚类，依次迭代，直至簇类的满意度满足预设条件，获取此时的多个簇类；根据多个簇类对腹部CT灰度图像进行分割，根据分割后图像中的像素点进行器官识别。本专利技术通过调整聚类中心点，并获取每个簇类的满意度作为调整的判断依据，能够有效解决聚类过程中出现局部最优的问题。
[0005]本专利技术采用如下技术方案，一种用于腹部CT图像的识别方法，包括：获取腹部CT灰度图像，并对腹部CT灰度图像进行边缘检测，得到腹部CT灰度图像中的边缘像素点；对腹部CT灰度图像中的像素点进行聚类，得到多个簇类，获取每个簇类中边缘像素点的个数；根据每个簇类中两两像素点之间的距离获取每个簇类的分散程度；根据每个簇类中像素点的个数、边缘像素点的个数以及每个簇类的分散程度获取每个簇类的满意度，并将满意度小于阈值的簇类作为第一簇类；
根据每个第一簇类的质心与其相邻满意度大于阈值的簇类的质心之间的距离，以及每个第一簇类的满意度获取每个第一簇类的质心调整距离；根据每个第一簇类的质心调整距离对每个第一簇类的质心的位置进行调整，并以调整后的质心重新进行聚类，依次迭代，直至重新聚类后每个簇类的满意度未发生改变，得到腹部CT灰度图像中的多个最终簇类；根据最终簇类对腹部CT灰度图像进行分割，得到多个分割区域，利用神经网络对每个分割区域进行器官识别。
[0006]进一步的，一种用于腹部CT图像的识别方法，获取每个簇类的满意度的方法为：将每个簇类中像素点的个数、边缘像素点的个数以及每个簇类的分散程度分别进行归一化处理；获取归一化后每个簇类中边缘点个数与每个簇类的分散程度的乘积；根据归一化后每个簇类中像素点个数与该乘积的比值得到每个簇类的满意度。
[0007]进一步的，一种用于腹部CT图像的识别方法，获取每个第一簇类的质心调整距离的方法为：获取每个第一簇类相邻的满意度大于阈值的簇类，并获取每个第一簇类的质心与其相邻的满意度大于阈值的簇类质心的最大距离；根据每个第一簇类的满意度以及每个第一簇类的质心与其相邻的满意度大于阈值的簇类质心的最大距离获取每个第一簇类的质心调整距离。
[0008]进一步的，一种用于腹部CT图像的识别方法，以调整后的质心重新进行聚类，依次迭代，还包括：设定平均阈值和最低阈值，获取每次迭代后所有簇类的满意度；当迭代后所有簇类的满意度均值小于平均阈值时，停止迭代；当迭代后存在簇类的满意度小于最低阈值时，停止迭代。
[0009]进一步的，一种用于腹部CT图像的识别方法，获取腹部CT灰度图像之后，还包括：利用高斯滤波对腹部CT灰度图像进行降噪处理。
[0010]进一步的，一种用于腹部CT图像的识别方法，对腹部CT灰度图像中的像素点进行聚类的方法为：随机选择K个初始聚类中心，利用K
‑
means聚类算法对腹部CT灰度图像中的像素点进行聚类，得到K个初始簇类。
[0011]本专利技术的有益效果是：本专利技术结合聚类后每个簇类中的像素点数量、边缘像素点数量以及簇类中像素点的分散程度来获取每个簇类的满意度，能够准确体现出每个簇类的聚类情况，从而根据每个簇类的满意度的大小对每个簇类进行验证，筛选出不符合条件的簇类调整质心位置，并重新进行聚类验证其收敛情况，相较于传统聚类，通过满意程度验证其在全局考量中是否为最优情况，计算简单且效果明确，能够有效地避免聚类结果出现局部最优的情况。
附图说明
[0012]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本
专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0013]图1为本专利技术实施例的一种用于腹部CT图像的识别方法结构示意图。
具体实施方式
[0014]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0015]如图1所示，给出了本专利技术实施例的一种用于腹部CT图像的识别方法结构示意图，包括：101.获取腹部CT灰度图像并进行聚类，得到多个簇类。
[0016]获取腹部CT灰度图像之后，还包括：对腹部CT灰度图像进行高斯滤波处理。
[0017]本专利技术通过计算机断层扫描技术获取腹部的体素图像，并截取需要进行图像分割的截面图像，然后将获取的截面图像转化为灰度图，本专利技术采用高斯滤波对图像进行轻微的降噪，从而使得图像更加平滑，降低边缘点灰度变化不均匀对聚类结果的影响。
[0018]将获取的原始灰度图像在灰度数轴上进行K
‑
means聚类，选择初始化的k个样本作为初始聚类中心，针对数据集中的每个样本计算它到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中，从而得到多个簇类。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于腹部CT图像的识别方法，其特征在于，包括：获取腹部CT灰度图像，并对腹部CT灰度图像进行边缘检测，得到腹部CT灰度图像中的边缘像素点；对腹部CT灰度图像中的像素点进行聚类，得到多个簇类，获取每个簇类中边缘像素点的个数；根据每个簇类中两两像素点之间的距离获取每个簇类的分散程度；根据每个簇类中像素点的个数、边缘像素点的个数以及每个簇类的分散程度获取每个簇类的满意度，并将满意度小于阈值的簇类作为第一簇类；根据每个第一簇类的质心与其相邻满意度大于阈值的簇类的质心之间的距离，以及每个第一簇类的满意度获取每个第一簇类的质心调整距离；根据每个第一簇类的质心调整距离对每个第一簇类的质心的位置进行调整，并以调整后的质心重新进行聚类，依次迭代，直至重新聚类后每个簇类的满意度未发生改变，得到腹部CT灰度图像中的多个最终簇类；根据最终簇类对腹部CT灰度图像进行分割，得到多个分割区域，利用神经网络对每个分割区域进行器官识别。2.根据权利要求1所述的一种用于腹部CT图像的识别方法，其特征在于，获取每个簇类的分散程度的方法为：根据每个簇类中每个像素点到其它像素点的距离均值之和，与每个簇类中像素点的数量的比值获取每个簇类的分散程度。3.根据权利要求1所述的一种用于腹部CT图像的识别方法，其特征在于，获取每个簇类的满意度的方法为：将每个簇类中像素点的个数、边缘像素点的个数以及每个簇类的分散程度...

【专利技术属性】
技术研发人员：张向怀，方芳，赵开会，吴思，
申请(专利权)人：吉林省禹语网络科技有限公司，
类型：发明
国别省市：