[发明专利]前列腺KVCT图像的病变区域分割方法

权利要求书

1.前列腺KVCT图像的病变区域分割方法，包括如下步骤：

(1)输入待分类的前列腺KVCT图像S；

(2)输入与前列腺KVCT图像S对应的掩膜图像，以减掉KVCT图像S中前列腺以外的区域，得到感兴趣区域图像S_O；

(3)将感兴趣区域S_O每一个像素取9×9窗口得到像素块，统计每个像素块的灰度-梯度共生矩阵H^z，进而计算每个像素块的15维纹理特征T^z，1≤z≤N_p，N_p为总像素块数，这15维纹理特征T^z包括：小梯度优势T₁、大梯度优势T₂、灰度分布不均匀性T₃、梯度分布不均匀性T₄、能量T₅、灰度均值T₆、梯度均值T₇、灰度标准差T₈、梯度标准差T₉、相关性T₁₀、灰度熵T₁₁、梯度熵T₁₂、混合熵T₁₃、差分矩T₁₄和逆差分矩T₁₅；

(4)从感兴趣区域S_O中随机选择1/5像素块，在对所选的每个像素块上设置病变与正常标记，再用这些像素块训练支撑矢量机SVM分类器；

(5)使用训练好的支撑矢量机SVM分类器对感兴趣区域S_O中剩余的像素块进行分类，得到前列腺KVCT图像的病变区域。

2.根据权利要求1所述的前列腺KVCT图像的病变区域分割方法，其中步骤(3)所述的计算每个像素块的15维纹理特征T^z，其具体公式如下：

小梯度优势：T1=[Σi=1NhΣj=1NgH(i,j)j2]/[Σi=1NhΣj=1NgH(i,j)],]]>

大梯度优势：T2=[Σi=1NhΣj=1Ngj2H(i,j)]/[Σi=1NhΣj=1NgH(i,j)],]]>

灰度分布不均匀性：T3={Σi=1Nh[Σj=1NgH(i,j)]2}/[Σi=1NhΣj=1NgH(i,j)],]]>

梯度分布不均匀性：T4={Σi=1Ng[Σj=1NhH(i,j)]2}/[Σi=1NhΣj=1NgH(i,j)],]]>

能量：T5=Σi=1NhΣj=1Ng[P(i,j)]2,]]>

灰度均值：T6=Σi=1Nhi·[Σj=1NgP(i,j)],]]>

梯度均值：T7=Σi=1Ngj·[Σi=1NhP(i,j)],]]>

灰度标准差：T8={Σi=1Nh(i-T6)2[Σj=1NgP(i,j)]2}1/2,]]>

梯度标准差：T9={Σj=1Ng(j-T7)2[Σi=1NhP(i,j)]2}1/2,]]>

相关性：T10=1T8T9Σi=1NhΣj=1Ng(i-T6)(j-T7)P(i,j),]]>

灰度熵：T11=-{Σi=1Nh[Σj=1NgP(i,j)]·log[Σj=1NgP(i,j)]},]]>

梯度熵：T12=-{Σj=1Ng[Σi=1NhP(i,j)]·log[Σi=1NhP(i,j)]},]]>

混合熵：T13=-Σi=1NhΣj=1NgP(i,j)·logP(i,j),]]>

差分矩：T14=-Σi=1NhΣj=1Ng(i,j)2·P(i,j),]]>

逆差分矩：T15=-Σi=1NhΣj=1Ng11+(i-j)2·P(i,j),]]>

其中，1≤i≤N_h，1≤j≤N_g，i为灰度值，j为梯度值，N_h为最大灰度值，N_g为最大梯度值，H(i,j)是灰度共生矩阵H^z中的元素，其代表灰度值为i、梯度值为j的像素点，P(i,j)为以像素块的总像素点数归一化后的概率，P(i,j)＝H(i,j)/N，N为一个像素块中的总像素点数。

3.根据权利要求1所述的前列腺KVCT图像的病变区域分割方法，其中所述步骤(4)中用带有病变与正常标记的像素块训练支撑矢量机SVM分类器，按如下步骤进行：

3a)设置支撑矢量机SVM核函数为线性核；

3b)输入所选像素块的15维纹理特征T^z及相应病变或正常标记，训练出支撑矢量机SVM分类器的分类面。