[发明专利]一种基于BEC预测模型的图像分割方法

说明书

本发明提供一种基于BEC预测模型的图像分割方法，通过建立应用于图像分割的SVM模型，然后基于BEC理论引入BEC公式以代替SVM的高斯核函数，简化BEC核函数中常数的值，得到大脑神经胶质瘤图像分割的预测模型，进行实际图像分割。本发明模型新颖，与传统的图像分割方法相比有较低的时间复杂度和更高的效率，BEC核函数基于量子力学中的BEC理论，较高斯核函数更为新颖，更符合自然规律，BEC核函数是n次幂指数的函数，高斯核函数是2n次幂指数的函数，计算上有着先天的低复杂度与高效率的优势。

技术领域

本发明属于医学图像分割技术领域，具体涉及一种基于BEC预测模型的图像分割方法。

背景技术

玻色-爱因斯坦凝聚(Bose–Einstein Condensate，BEC)是由玻色和爱因斯坦发现的量子 基态，它描述了在冷却到极低温度(量子临界点)时，玻色子原子的统计分布。在主流量子 理论中，BEC被认为是波函数坍塌的实验证明，它证明了叠加态的特征态坍塌成单一物质状 态，而且叠加坍塌的量子主流理论与微观粒子有关。

现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基 于边缘的分割方法以及基于特定理论的分割方法等。在大脑图像分割中，输入的大脑图像是 已知的，例如神经胶质瘤的图像形状特征是一个不清晰的轮廓，最多可见的囊性或环增强， 可以通过人工观察来判断分割目标轮廓的精度。然而，输入和输出阶段之间的分割过程不是 一个固定的过程，而是通过预测或应用从其他研究领域借鉴的理论来实现的。

神经胶质瘤是一种被认为是由刺激性因素引起的肿瘤，如辐射、核、化学和微生物污染 以及电磁辐射。基于发现玻色-爱因斯坦凝聚(Bose–Einstein Condensate，BEC)的进展与胶 质瘤脑肿瘤的形成之间的关系，肿瘤细胞可以用量子力学理论来模拟。

图像评估参数P(Precision，准确率)、R(Recall，召回率)和F(F-measure，正确率和 召回率的调和平均值)用于评估和比较测试结果中的一致性、准确性和灵敏度。一个完美的 图像分割方法应该能产生1的P值，1的R值和1的F值。即所有的前台像素都在测试中被正确地分类，并且这个度量大约是当它们相似的时候的平均值。

发明内容

本发明的目的在于提供了一种基于BEC预测模型的图像分割方法，使图像分割更符合自 然规律，有较低的时间复杂度和更高的效率。

本发明的目的是这样实现的：

一种基于BEC预测模型的图像分割方法，具体的实现步骤如下：

步骤1.建立应用于图像分割的SVM模型；

步骤2.基于BEC理论引入BEC公式以代替SVM的高斯核函数；

步骤3.简化BEC核函数中常数的值，得到大脑神经胶质瘤图像分割的预测模型，进行实 际图像分割。

步骤2所述的BEC公式为量子力学中玻色-爱因斯坦凝聚，Bose–EinsteinCondensate， BEC理论的演变过程与肿瘤神经胶质瘤生成原因的相似性生成的。

步骤2所述的BEC核函数的公式为：

其中，x₁-x₂表示图像中的一个节点像素，K_B表示玻耳兹曼常数，K_B＝1.3806488×10^-23(J/K)， 参数T表示BEC温度，μ表示化学势。

步骤3所述的大脑图像分割预测模型公式为：

其中，x₁-x₂表示一个节点的位置，T表示粒子的温度，μ表示化学势，,参数T和μ是根据 图像的类型而固定。