[发明专利]一种基于心脏CT图像和机器学习的心脏左腔区域分割方法

权利要求书

1.一种基于心脏CT图像和机器学习的心脏左腔区域分割方法，其特征在于，包括以下步骤：

步骤一、利用基于阈值的图像分割算法将心脏CT图像进行分割，得到图像中含氧血流的区域，该区域包括左腔区域；

步骤二、通过区域生长算法在步骤一的结果中进行三维区域生长，得到心脏左腔图像分割结果，然后从这个结果中生成心脏左腔区域表面的三维网格；

步骤三、将心脏左腔区域三维网格进行过分割生成小片；

步骤四、对心脏左腔亚结构小片进行训练；

步骤五、对心脏左腔亚结构小片进行特征计算；

步骤六、利用基于有监督分类方法将心脏左腔区域三维网格分割成若干个心脏左腔区域亚结构网格；

所述步骤一中，通过混合高斯函数拟合心脏CT图像的灰度直方图，得到分割阈值对心脏CT图像进行分割，所用混合高斯函数的形式为：其中，a₁、b₁、c₁分别表示第一个高斯函数的幅值、均值以及方差的大小，另外七个高斯函数中a、b、c的含义与第一个高斯函数中参数的含义相同；

所述步骤二中，通过区域生长算法在步骤一的结果中进行三维区域生长，得到心脏左腔图像分割结果，然后抽取分割结果的表面生成心脏左腔区域三维网格；

所述步骤三中，使用基于蚁群优化的网格分割方法将心脏左腔区域三维网格进行过分割生成若干小片；

所述步骤四中，利用交互工具对步骤三产生的小片人工进行标记，得到每个小片的分类标号；

所述步骤五中，选取每个小片中网格点的局部特征，包括但不限于四个特征属性即平均测地线距离、尺度不变的热核特征、形状直径函数、高斯曲率的直方图作为小片的局部特征；添加小片的上下文特征，上下文特征包括但不限于相邻小片的局部特征；小片空间信息包括但不限于小片中网格点三维坐标值的直方图；小片的局部特征、上下文特征和空间信息一起构建小片的输入特征向量；

所述步骤六中，使用有监督分类方法对小片进行分类有两个阶段：模型训练学习、模型的应用；模型训练学习是对训练样本通过步骤一、二、三得到训练样本的小片，然后计算小片的局部特征、上下文特征和空间信息来构建输入特征向量，结合步骤四得到的小片的分类信息对有监督分类模型进行训练，得到模型参数，模型的应用是对测试样本通过步骤一、二、三得到测试样本的小片，然后计算小片的局部特征、上下文特征和空间信息来构建输入特征向量；然后利用训练好的有监督分类模型对测试样本的小片进行分类，分类的结果就是小片的分类；心脏三维网格的每个网格点都得到分类后，即形成心脏左腔区域亚结构。