一种基于聚类的医疗图像上结节的分割方法技术

本发明专利技术涉及图像处理技术领域，具体为一种基于聚类的医疗图像上结节的分割方法，包括：使用大致位置和范围将结节从原图中裁剪出来，获得结节的图像信息(image)，获取裁剪图像image的宽(w)高(h)，计算image的中心点C(w/2，h/2)；将图像每个位置都作为一个样本。该基于聚类的医疗图像上结节的分割方法，本方法分割所依据的先验医疗知识有结节的像素不同于周围像素和结节一般以圆形出现，和常见的聚类和区域增长相比，更多地使用了目标的形状信息，和神经网络的方式相比也不需要标注数据训练，本方法旨在引入分割对象固定的形状信息使用聚类的方法分割，不局限于具体的形状描述函数，不局限于具体的特征权重值。不局限于具体的特征权重值。不局限于具体的特征权重值。

【技术实现步骤摘要】
一种基于聚类的医疗图像上结节的分割方法


[0001]本专利技术涉及图像处理
，具体为一种基于聚类的医疗图像上结节的分割方法。

技术介绍

[0002]目前常用分割的方法是利用神经网络比如maskrcnn和Unet，或者是传统的方法比如区域增长算法，神经网络的方式获得分割区域依赖标签的准确性，但是大量的准确的分割标签的成本较高，区域增长算法可以依赖图像中的像素信息获取比较准确的分割边界，但是计算量较大，面对复杂的情况难以找到合适的增长规则，比如DR中结节被骨头部分覆盖时。
[0003]聚类的方法也经常被用作分割，但是通常的聚类也是根据像素信息将图像像素接近的区域提取出来，在这些传统方法没有使用到结节的形态特征信息，在本方法中，需要提前知道结节的大致位置和大小，利用结节的形状和像素特征对结节进行分割，一般用于fasterrcnn和YOLO等目标检测算法找到结节之后将结节准确位置分割出来，或者是在粗略标记中生成更准确的边界。

技术实现思路

[0004](一)解决的技术问题
[0005]针对现有技术的不足，本专利技术提供了一种基于聚类的医疗图像上结节的分割方法，具备获取分割结果，不依赖分割标签等优点，解决了通常的聚类也是根据像素信息将图像像素接近的区域提取出来。在这些传统方法没有使用到结节的形态特征信息，在本方法中，需要提前知道结节的大致位置和大小的问题。
[0006](二)技术方案
[0007]为实现上述目的，本专利技术提供如下技术方案：一种基于聚类的医疗图像上结节的分割方法，包括：使用大致位置和范围将结节从原图中裁剪出来，获得结节的图像信息(image)，获取裁剪图像image的宽(w)高(h)，计算image的中心点C(w/2，h/2)；将图像每个位置都作为一个样本，每个样本的信息使用两个特征表示，第一个特征是该位置距离中心点的距离，第二个特征是该位置的像素值，标准化特征的范围，使得两个特征值的范围在0
‑
1之间，根据裁剪图像像素分布设定特征值的权重，将特征值赋予不同权重，使用聚类方法将所有样本聚成2类，将和中心点同一类的样本定义为前景，将另一类定义为背景获取分割掩码mask，使用平均池化使得mask的边缘更加光滑。
[0008]优选的，令所述集合R代表整个图像区域，对R的分割可看作将R分成若干个满足以下5个条件的非空子集(子区域)R1，R2，....，Rn；
[0009]①
[0010]②
对所有的i和j，i≠j，有R
i
∩R
j
＝φ；
[0011]③
对i＝1，2，
…
，n，有P(Ri)＝TRUE；
[0012]④
对i≠j，有P(Ri∪Rj)＝FALSE；
[0013]⑤
对i＝1，2，
…
，n，Ri是连通域。
[0014]优选的，其中所述灰度阈值分割法的处理函数如下：
[0015][0016]f(x，y)是原始图像的像素值，g(x，y)是处理后的黑白图像的像素值。灰度阈值，分割法是一种非线性的运算。如果图像像素值大于我们所设置的阈值，则将这个像素灰度值设置为255，反之将其灰度值设置为0。
[0017]优选的，所述定义非空点集V＝V(G)和V中元素的无序对的一个集合E＝E(G)构成了图的二元组，记为G＝(V(G)，E(G))简记为G＝(V，E)，V(Vertex)中的元素称为顶点。
[0018]优选的，其中所述K
‑
均值聚类算法(Kmeans，KM)算法是通过正交初始化方法来初始化，则相似性矩阵W几乎是对角阵，并且如果它的大小和单个节点的度差别不是太大，则Y的行向量矩阵群接近K标准正交特征向量。
[0019]优选的，利用JAVA调用R，利用R中K
‑
MEANS算法对矩阵信息进行分类获得新的矩阵，最终把矩阵信息转化成图片，实现对图片的处理。
[0020]一种基于聚类的医疗图像上结节的分割方法，包括以下步骤：
[0021]步骤一.获取指定区域的图像，并裁剪出新图像img，记录img的宽w高h；
[0022]步骤二.按行列遍历图像像素，每一个像素作为一个样本，记录样本信息，位置信息location为当前位置(line，column)到中心位置(w/2，h/2)的距离，像素信息当前位置图像中的像素pixel；共同组成当前位置样本的特征向量(distance，pixel)；
[0023]步骤三.特征向量归一化：采用平移和压缩范围的方式，vi＝(vi
‑
minv)/(maxv
‑
minv)，其中vi是特征值，minv是该特征值在整个图像中的最小值，maxv是该特征值在整个图像中的最大值；
[0024]步骤四.获取裁剪图像的像素分布，将像素值范围均分为25组，将每组中像素的频数作为y，每组中值作为x，使用4次多项式拟合像素分布函数；
[0025]步骤五.求像素分布函数在像素值范围内的极值，若存在2个极大值，且极大值和极小值的差值较大，则将形状特征和像素特征的权重比值设定为1:2；若存在一个极大值没有极小值，则将形状特征和像素特征的权重比值设定为2:1；否则将比值设定为1:1；
[0026]步骤六.特征向量加权；
[0027]步骤七.将所有样本使用K
‑
means方法聚成两类，即随机选择2个初始簇中心，所有样本分配到欧几里得距离最近的簇中，更新两个族中心。重复分配样本和更新族中心的步骤直到族中心不发生变化，若提供的区域过大或者过小，需要指定两个类别的样本比例；
[0028]步骤八.将聚类的结果按照位置还原到图像中，将和中心点类别相同的定义为前景，另一类定义为背景；
[0029]步骤九.使用平均池化方法模糊边界，使得最终分割结果更自然：按照聚类产生的位置产生二值图(0，v)，使用数层3x3的卷积核，步长为1平均池化层对二值图进行模糊化的处理，使用阈值(0.9xv)找到新的前景的位置，获取更光滑的边界。
[0030](三)有益效果
[0031]与现有技术相比，本专利技术提供了一种基于聚类的医疗图像上结节的分割方法，具
备以下有益效果：
[0032]该基于聚类的医疗图像上结节的分割方法，本方法分割所依据的先验医疗知识有结节的像素不同于周围像素和结节一般以圆形出现，和常见的聚类和区域增长相比，更多地使用了目标的形状信息，和神经网络的方式相比也不需要标注数据训练，本方法旨在引入分割对象固定的形状信息使用聚类的方法分割，不局限于具体的形状描述函数，不局限于具体的特征权重值。
附图说明
[0033]图1为本专利技术提出的一种基于聚类的医疗图像上结节的分割方法流程示意图。
具体实施方式
[0034]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发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于聚类的医疗图像上结节的分割方法，其特征在于，包括：使用大致位置和范围将结节从原图中裁剪出来，获得结节的图像信息(image)，获取裁剪图像image的宽(w)高(h)，计算image的中心点C(w/2，h/2)；将图像每个位置都作为一个样本，每个样本的信息使用两个特征表示，第一个特征是该位置距离中心点的距离，第二个特征是该位置的像素值，标准化特征的范围，使得两个特征值的范围在0
‑
1之间，根据裁剪图像像素分布设定特征值的权重，将特征值赋予不同权重，使用聚类方法将所有样本聚成2类，将和中心点同一类的样本定义为前景，将另一类定义为背景获取分割掩码mask，使用平均池化使得mask的边缘更加光滑。2.根据权利要求1所述的一种基于聚类的医疗图像上结节的分割方法，其特征在于：令所述集合R代表整个图像区域，对R的分割可看作将R分成若干个满足以下5个条件的非空子集(子区域)R1，R2，....，Rn；
①②
对所有的i和j，i≠j，有R
i
∩R
j
＝φ；
③
对i＝1，2，
…
，n，有P(Ri)＝TRUE；
④
对i≠j，有P(Ri∪Rj)＝FALSE；
⑤
对i＝1，2，
…
，n，Ri是连通域。3.根据权利要求1所述的一种基于聚类的医疗图像上结节的分割方法，其特征在于：其中所述灰度阈值分割法的处理函数如下：f(x，y)是原始图像的像素值，g(x，y)是处理后的黑白图像的像素值。灰度阈值，分割法是一种非线性的运算。如果图像像素值大于我们所设置的阈值，则将这个像素灰度值设置为255，反之将其灰度值设置为0。4.根据权利要求1所述的一种基于聚类的医疗图像上结节的分割方法，其特征在于：所述定义非空点集V＝V(G)和V中元素的无序对的一个集合E＝E(G)构成了图的二元组，记为G＝(V(G)，E(G))简记为G＝(V，E)，V(Vertex)中的元素称为顶点。5.根据权利要求1所述的一种基于聚类的医疗图像上结节的分割方法，其特征在于：其中所述K
‑
均值聚类算法(Kmeans，KM)算法是通过正交初始化方法来初始化，则...

【专利技术属性】
技术研发人员：肖谦，刘远明，权申文，郭琳，
申请(专利权)人：深圳市智影医疗科技有限公司，
类型：发明
国别省市：