[发明专利]基于KECA特征降维和聚类的HRCT周围神经分割

说明书

本发明公开了一种基于KECA特征降维和聚类的HRCT周围神经分割方法，包括以下步骤：首先，利用非下采样Contourlet变换和广义高斯混合模型对神经HRCT图像进行增强；然后，基于Gabor小波对增强后的图像进行特征提取；在此基础上，采用KECA算法对图像的部分采样数据点进行降维分析，找出降维所需的相关信息；结合KECA算法的特点，利用采样外点扩展算法OSE实现整幅图像所有数据点的特征降维；最后，针对降维后不同类别数据的分布特点，利用改进的KECA谱聚类算法进行聚类分割。本发明利用KECA算法的特点和采样外点扩展算法OSE，减少了图像中的冗余信息对分割结果的影响，在没有医学先验知识和人工干预的情况下，比较准确的实现了HRCT图像的分割。

技术领域

本发明涉及一种基于KECA特征降维和聚类的HRCT周围神经分割方法，广泛应用于HRCT切片图像中周围神经等组织的提取。

背景技术

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提取出感兴趣目标的技术和过程。也就是根据组织与背景的先验知识，对图像中感兴趣的组织进行定位、标记，然后将组织从背景中分离出来。对图像中目标区域的识别和解释、物景分析以及图像的分块处理都具有重要的意义。

周围神经高分辨率CT图像(High-Resolution Computed Tomography,HRCT)来源于各种影像设备。尽管HRCT图像的分辨率已经达到较高的要求，但是由于周围神经具有管状结构细而长的特征、包含的切片层次较多、涵盖的颜色层次丰富并具有渐变性、且神经组织与周围脂肪组织的颜色对比度较小，周围神经没有类似于血管系统的管道空间可以借助灌注技术加以显示，需要在切面上进行染色后才能与其他组织区分，为图像的分割带来很多困难。另外，以前周围神经的分割经常是用手工绘制出各神经束的边缘，实际操作中往往需要较多的人工干预，这不仅导致现有周围神经束分割工作量大且精度不高，而且使重建出来的神经没有很好的参考价值。

目前，医学图像分割方法大致可分为以下几类：基于区域的分割方法、边缘检测方法、区域与边界技术相结合的方法、基于模糊集理论的方法、基于人工神经网络(Artificial Neural Network,ANN)的方法等。基于区域的分割算法利用图像中不同对象间特征的不连续性和同一对象内部特征的相似性来达到图像分割的目的。该方法实现简单，当不同类物体的特征相差很大时，能够有效的对图像进行分割。但是该方法往往会造成过度分割。边缘检测方法试图通过检测不同区域边缘上的像素灰度值来解决图像分割问题。按照处理顺序可分为串行边缘检测和并行边缘检测，在串行边缘检测中，当前像素是否属于欲检测的边缘取决于先前像素的检测结果；而在并行边缘检测中，一个像素是否属于检测的边缘只与当前像素及其相邻像素有关，这样可同时对图像中的所有像素进行检测，因而称为并行边缘检测。若在基于区域的框架中没有包括决策阶段对边界的措施，可能导致噪声边界和对象内部出现空洞，将基于区域信息的方法与边缘检测的方法结合起来，就构成了区域与边界技术相结合的方法，怎样结合才能充分发挥各自的优势，获得较好的分割结果是该方法研究的重点。图像分割是典型的结构不良问题，而模糊集理论具有描述不良问题的能力，所以将模糊理论引入到图像处 理与分析领域，提出了基于模糊集理论的分割方法，具体包括模糊阈值分割方法、模糊聚类分割方法和模糊连接度分割方法等。基于人工神经网络ANN的方法通过模拟生物特性是人类大脑的学习过程，它由大量并行的节点构成，每个节点都能执行一些基本的计算。学习过程通过调整节点间的连接关系以及连接权值来实现。

尽管目前有很多分割方法，但是鉴于神经组织相对于其他组织的特殊性，提出一种针对神经组织的分割算法，使其能够准确分割出神经组织很有必要。

发明内容

本发明的目的是针对上述技术中存在的不足，提供一种基于KECA特征降维和聚类的HRCT周围神经分割方法，该方法克服了传统分割方法中人工干预度高、分割结果不精确等问题，能够较快速准确地分割出神经组织，满足实际临床需求。