获取CT图像中肿瘤位置和轮廓的数据处理系统及电子设备技术方案

本公开提供了一种获取CT图像中肿瘤位置和轮廓的数据处理系统及电子设备，采集CT图像，利用粒子群优化算法对采集到的CT图像进行图像分割，得到分割后的CT图像数据矩阵；建立QSOFM分类器模型，利用分割后的CT图像数据矩阵进行模型训练；利用QSOFM分类器模型对CT图像中的肿瘤癌变种类进行识别，基于多连通区域分割方法获取CT图像中癌变肿瘤的位置和轮廓信息；本公开对图像的分割更加细致减少了冗杂数据，使得自动穿刺装置对CT图像中的肿瘤识别率更高，对肿瘤位置的定位更加快速和准确，提高了自动穿刺装置的自动化程度，为计算机辅助治疗打下了基础。

【技术实现步骤摘要】
获取CT图像中肿瘤位置和轮廓的数据处理系统及电子设备
本公开涉及图像处理
，特别涉及一种获取CT图像中肿瘤位置和轮廓的数据处理系统及电子设备。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
，并不必然构成现有技术。目前来说，基于图像的肿瘤识别方法有多种多样，且大多数方法的识别效果都比较出众，最常用的有基于卷积神经网络的识别方法、传统滑窗方法和特征值法等。本公开专利技术人在研究中发现，随着计算机技术和机器人技术的进一步发展，一些基础的医疗操作慢慢由机械装置所代替，比如，医院的放疗室在对肿瘤进行放疗治疗时，需要对肿瘤进行穿刺处理，而这些装置目前还无法对获取的CT图像进行有效的数据处理以得到CT图像中的肿瘤位置和轮廓信息，从而限制着自动穿刺装置的发展。因此，如何快速精确的对CT图像进行数据处理和分析，实现对CT图像中肿瘤进行定位识别和轮廓分割以提高医疗自动化设备的自动化水平是一个迫切需要解决的技术问题。
技术实现思路
为了解决现有技术的不足，本公开提供了获取一种获取CT图像中肿瘤位置和轮廓的数据处理系统及电子设备，利用粒子群优化算法、基于量子的自组织特征映射神经网络分类器模型和基于多连通区域分割的方法，实现了对图像更加细致的分割，减少了冗杂数据，进而能够快速的获取到CT图像中肿瘤位置和轮廓，提高医疗自动化装置的自动化水平。为了实现上述目的，本公开采用如下技术方案：第一方面，本公开提供了一种获取CT图像中的肿瘤位置和边缘轮廓的数据处理系统；一种获取CT图像中的肿瘤位置和边缘轮廓的数据处理系统，步骤如下：预处理模块，被配置为采集CT图像，利用粒子群优化算法对采集到的CT图像进行图像分割，得到分割后的CT图像数据矩阵；模型构建模块，被配置为建立QSOFM分类器模型，利用分割后的CT图像数据矩阵进行模型训练；数据处理模块，被配置为利用QSOFM分类器模型对CT图像中的肿瘤癌变种类进行识别，基于多连通区域分割方法获取CT图像中癌变肿瘤的位置和轮廓信息。作为可能的一些实现方式，所述预处理模块中利用粒子群优化算法对采集到的CT图像进行分割，具体为：(1-1)建立图像分割的能量最小化控制点泛化函数，并产生粒子群；(1-2)计算粒子群算法的适应度函数，产生每个粒子的适应度值；(1-3)将每个粒子的适应度值与粒子的个体最优值和粒子群的个体最优值进行比较，如果粒子的适应度值更优，则代替粒子的个体最优值和粒子群的个体最优值；(1-4)根据正交试验机制产生辅助最优点；(1-5)计算线性递减权重；(1-6)计算粒子群的新位置和速度，并计算其适应度值；(1-7)如果粒子群的迭代次数超过最大迭代次数，则粒子群的搜索过程终止；(1-8)根据粒子群的个体最优值得到问题的能量最小化控制点；(1-9)根据能量最小化控制点对图像进行分割。作为可能的一些实现方式，所述QSOFM分类器模型的训练方法具体为：(2-1)初始化QSOFM分类器模型的系统参数，进行参数设置；(2-2)利用经过粒子群优化算法处理后的CT图像数据矩阵对QSOFM分类器模型进行聚类训练，得到可以用于分类识别的QSOFM分类器模型；(2-3)任意选取多张肿瘤CT图像，利用训练好的QSOFM分类器模型判断CT图像上的肿瘤是正常类、癌变类或未知类。作为进一步的限定，所述步骤(2-1)中，根据竞争节点数为255、领域半径为5、学习速率为1.0、阈值为2.0、无监督训练步数为100和有监督训练步数为100进行参数设置。作为进一步的限定，所述步骤(2-3)中，任意选取多张CT图像，构建待测试CT图像样本矩阵，经过粒子群优化算法计算之后生成特征数据矩阵，并输入到QSOFM分类器模型中。作为可能的一些实现方式，所述数据处理模块还用于对利用粒子群优化算法分割之后的CT图像的高灰度值区域的连通域进行分割和编号。作为进一步的限定，对连通区域进行分割时，计算各个连通域的型心，按照型心位置对连通区域进行分割，同时使用外接矩形框选中连通区域，并将其按顺序进行编号。作为更进一步的限定，将编号标记后的图像复制为与连通区域数量相同的份数，并对其按顺序进行编号，对和图像编号相同的连通区域进行填充；其中对图像的编号规则和对连通区域的编号规则相同。进一步的，在对编号之后的连通区域依次填充时，在不影响其他连通域的情况下，对所选连通区域进行填充；进一步的，在对图像填充完毕之后，将填充后的图像输入到QSOFM分类器模型，并记录图像处理结果显示为正常的图像编号，该编号所对应的连通区域代表CT图像中肿瘤的位置。作为更进一步的限定，保留所记录编号的连通区域，同时对其他的连通区域进行填充和处理，得到所有图像处理结果显示为正常的图像编号，将填充后的图像与原CT图像进行对比，得到原CT图像中肿瘤的位置和轮廓信息。第二方面，本公开提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现本公开所述的获取CT图像中肿瘤位置和轮廓的数据处理系统的数据处理方法。第三方面，本公开提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现本公开所述的获取CT图像中肿瘤位置和轮廓的数据处理系统的数据处理方法。与现有技术相比，本公开的有益效果是：本公开利用粒子群优化算法、基于量子的自组织特征映射神经网络分类器模型(QSOFM分类器模型)和基于多连通区域分割的方法，对图像的分割更加细致减少了冗杂数据，使得医疗自动化设备对CT图像中的肿瘤识别率更高，对肿瘤位置的定位更加快速和准确。本公开所述的QSOFM分类器模型是基于量子神经网络搭建的，使得在对CT图像进行处理和识别的时候有更快的处理速度和更大的存储空间，减少了检索时间优化了检索效果。本公开通过多连通区域分割的方法，在已知肿瘤存在的情况下，进一步对CT图像进行分割处理，获取CT图像中的肿瘤位置信息和边缘轮廓信息，提高了自动穿刺装置的自动化程度，为计算机辅助治疗打下了基础。附图说明图1为本公开实施例1所述的获取CT图像中的肿瘤位置和轮廓信息的数据处理系统的结构示意图。图2为本公开实施例1所述的粒子群优化算法对CT图像进行分割的流程图。图3为本公开实施例1所述的QSOFM分类器模型的训练和识别的流程图。图4为本公开实施例1所述的获取CT图像中的肿瘤位置和轮廓信息的数据处理系统的数据处理方法流程图。具体实施方式应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明本文档来自技高网...

【技术保护点】
1.一种获取CT图像中的肿瘤位置和边缘轮廓的数据处理系统，其特征在于，包括：/n预处理模块，被配置为采集CT图像，利用粒子群优化算法对采集到的CT图像进行图像分割，得到分割后的CT图像数据矩阵；/n模型构建模块，被配置为建立QSOFM分类器模型，利用分割后的CT图像数据矩阵进行模型训练；/n数据处理模块，被配置为利用QSOFM分类器模型对CT图像中的肿瘤癌变种类进行识别，基于多连通区域分割方法获取CT图像中癌变肿瘤的位置和轮廓信息。/n

【技术特征摘要】
1.一种获取CT图像中的肿瘤位置和边缘轮廓的数据处理系统，其特征在于，包括：
预处理模块，被配置为采集CT图像，利用粒子群优化算法对采集到的CT图像进行图像分割，得到分割后的CT图像数据矩阵；
模型构建模块，被配置为建立QSOFM分类器模型，利用分割后的CT图像数据矩阵进行模型训练；
数据处理模块，被配置为利用QSOFM分类器模型对CT图像中的肿瘤癌变种类进行识别，基于多连通区域分割方法获取CT图像中癌变肿瘤的位置和轮廓信息。


2.如权利要求1所述的获取CT图像中的肿瘤位置和边缘轮廓的数据处理系统，其特征在于，所述预处理模块利用粒子群优化算法对采集到的CT图像进行分割，具体为：
(1-1)建立图像分割的能量最小化控制点泛化函数，并产生粒子群；
(1-2)计算粒子群算法的适应度函数，产生每个粒子的适应度值；
(1-3)将每个粒子的适应度值与粒子的个体最优值和粒子群的个体最优值进行比较，如果粒子的适应度值更优，则代替粒子的个体最优值和粒子群的个体最优值；
(1-4)根据正交试验机制产生辅助最优点；
(1-5)计算线性递减权重；
(1-6)计算粒子群的新位置和速度，并计算其适应度值；
(1-7)如果粒子群的迭代次数超过最大迭代次数，则粒子群的搜索过程终止；
(1-8)根据粒子群的个体最优值得到问题的能量最小化控制点；
(1-9)根据能量最小化控制点对图像进行分割。


3.如权利要求1所述的获取CT图像中的肿瘤位置和边缘轮廓的数据处理系统，其特征在于，所述QSOFM分类器模型的训练具体为：
(2-1)初始化QSOFM分类器模型的系统参数，进行参数设置；
(2-2)利用经过粒子群优化算法处理后的CT图像数据矩阵对QSOFM分类器模型进行聚类训练，得到可以用于肿瘤分类识别的QSOFM分类器模型；
(2-3)任意选取多张肿瘤CT图像，利用训练好的QSOFM分类器模型判断CT图像上的肿瘤是正常类、癌变类或未知类。


4.如权利要求3所述的获取CT图像中的肿瘤位置和边缘轮廓的数据处理系统，其特征在于，所述步骤(2-1)中，根据竞争节点...

【专利技术属性】
技术研发人员：袁双虎，李玮，孟祥伟，于清溪，刘宁，魏玉春，李莉，李潇箫，刘长民，于金明，
申请(专利权)人：山东省肿瘤防治研究院山东省肿瘤医院，山东大学，
类型：发明
国别省市：山东;37