[发明专利]一种基于聚类算法和卷积神经网络的肺实质提取方法

说明书

本发明提出一种基于聚类算法和卷积神经网络的肺实质提取方法，本发明采用聚类算法对肺部CT图像进行预处理，得到CT图像的肺实质区域和非肺实质区域的数据集，将已知的肺部CT图像的数据集划分为训练集和验证集，将未知的肺部CT图像的数据集作为测试集；建立卷积神经网络模型，采用训练集和验证集数据对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；将测试集输入训练后的卷积神经网络模型中，得到CT图像肺实质区域，实现了对未知患者的肺部CT图像进行肺实质区域提取功能，并对下一阶段自动搜寻肺癌区域垒下基础，有助于下一阶段的肺癌提取、分类。

技术领域

本发明属于医学图像处理技术领域，具体涉及一种基于聚类算法和卷积神经网络的肺实质提取方法。

背景技术

在组织学里，肺组织分为肺实质和肺间质两部分，肺实质即肺内支气管的各级分支及其终末的大量肺泡结构，肺间质为结缔组织及血管、淋巴管、神经等。为了评估与研究肺容积、肺癌，往往医生需要第一步知道肺实质情况，肺实质的准确分割作为进一步研究肺内各器官功能的组织及病变，对医生起着十分重要的作用。

在图像的研究和应用的过程中，人们往往仅对图像中的某些部分感兴趣。这些部分常称为目标，他们一般对应图像中特定的具有独特性质的区域。为了辨别和分析目标，需要将这些区域分离提取出来，在此基础上进一步利用。图像分割就是将图像分成各具特色的区域并提取出感兴趣目标的技术和过程。经典的图像分割方法如阈值法、区域增长、边缘检测、聚类和神经网络技术等。

阈值分割是最古老的分割技术，也是最简单实用的。许多情况下，图像中目标区域与背景区域或者说不同区域之间其灰度值存在差异，此时可以将灰度的均一性作为依据进行分割，通常受噪声影响较大。

边缘检测算法比较适合边缘灰度值过渡比较显著且噪声较小的简单图像的分割。对于边缘比较复杂以及存在较强噪声的图像，则面临抗噪性和检测精度的矛盾。若提高检测精度，则噪声产生的伪边缘会导致不合理的轮廓：若提高抗噪性，则会产生轮廓漏检和位置偏差。

聚类分析是模式识别中非监督模式识别的一个重要分支。根据数据集合的内部结构将其分成不同的类别，使得同一类内样本的特征尽可能相似，而属于不同类别的样本点的差异尽可能大。

基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。这种方法需要大量的训练数据。神经网络存在巨量的连接，容易引入空间信息，能较好地解决图像中的噪声和不均匀问题。选择何种网络结构是这种方法要解决的主要问题。

综上所述，目前已提出的分割方法大都针对具体问题，且各有所长，并没有一种通用标准。针对肺实质分割，本发明提出了一种利用聚类生成数据训练的卷积神经网络，无阈值的自动化分割肺实质区域，高效且准确。

发明内容

针对现有技术的不足，本发明提出一种基于聚类算法和卷积神经网络的肺实质提取方法。

一种基于聚类算法和卷积神经网络的肺实质提取方法，包括以下步骤：

步骤1：采用聚类算法对肺部CT图像进行预处理，得到CT图像的肺实质区域和非肺实质区域的数据集，将已知的肺部CT图像的数据集划分为训练集和验证集，将未知的肺部CT图像的数据集作为测试集；

步骤1.1：将肺部CT图像进行标准化处理，对标准化后的肺部CT图像进行分割，分割为尺寸为A的图像小块；

步骤1.2：采用Kmeans算法分别对尺寸为A的图像小块的CT值平均值和CT值最小值进行聚类，将其聚类为低密度组织和高密度组织两类；

步骤1.3：将对图像小块的CT值平均值的聚类结果和图像小块的CT值最小值的聚类结果进行十字检验，去除CT图像的背景区域；