[发明专利]基于PCANet深度学习模型下的自动分割方法

说明书

本发明公开了一种基于PCANet深度学习模型下的图像自动分割方法，该方法具体包括以下步骤：(1)将待分割的图像依次经过预处理、超像素聚类处理、第一PCANet网络的处理、以及第一SVM分类器的处理后得到粗分割后的图像；粗分割后的图像即二值化的预分割图像；(2)将步骤(1)得到的粗分割后的图像依次经过第二PCANet网络的处理、以及第二SVM分类器的处理后得到精分割后的图像，精分割后的图像即二值化的最终分割图像，由此完成图像的自动分割。本发明通过对该自动分割方法的整体数据处理流程、以及相应自动分割系统的框架结构进行控制，将超像素与PCANet网络结合实现图像的自动分割，可大大提高诸如钼靶肿块的分割精度与鲁棒性。

技术领域

本发明属于图像处理与分析中的图像分割领域，更具体地，涉及一种基于PCANet深度学习模型下的自动分割方法(具体是基于两级PCANet深度学习模型的钼靶肿块的自动分割方法)，相应的，也可以得到基于PCANet深度学习模型下的自动分割系统，尤其适用于钼靶肿块的自动分割。

背景技术

医学影像技术是现代医学中的重要组成部分，对疾病的诊断和治疗有着革命性的意义。以乳腺癌为例，乳腺癌一直以来是威胁全球女性身心健康的恶性疾病之一，因此对乳腺组织进行早期异常组织的检测与筛排十分的重要。在诊断技术上，乳腺钼靶X摄影技术具有检测空间分辨率高，对肿块组织灵敏度高，并且具有无创、微辐射等特点，是目前公认的检测乳腺癌最有效的手段之一。但乳腺组织中存在的腺体、结缔组织、脂肪等密度相似的软组织往往使得钼靶图像中的病灶区隐匿其中难以辨别，加之人工阅片具有一定的主观性、随机性，因此乳腺肿块检测的准确率低一直是医学诊断中的难题。随着计算机视觉的迅速发展与大数据共享的产生，利用计算机为辅助诊断工具，给放射医师提供一定的参考诊断信息，帮助甚至代劳手动勾画影像中发生病理变化的组织，有效地减少诊断中因为视觉疲劳和疏忽造成的漏诊与误诊。当然，除了上述在疾病诊断上的关键应用外，医学影像技术也存在非疾病诊断方面的应用，如科学研究等方面的应用等。

图像分割的目标是在对待分割区域内部，根据一定特征准则，对其进行类别划分以得到分割的结果。基于计算机辅助检测系统大体上分为四部分：预处理，提取感兴趣区域，特征提取，区域分类。

目前，用于图像分割领域的方法大体上分为以下几种：第一类是基于灰度阈值的方法，根据目标图像的直方图将图像划分为前景区与背景区，接下来再根据提取出区域的圆形度、面积、标准差等特征来去除假阳性区域，然而这类方法特征指标较少，过分依赖初始的灰度信息，当环境与不同病人的图像灰度信息出现较大变化时，分割效果往往很差，因此不具有较强的鲁棒性，目前多应用在图像的预处理部分。第二类是基于边缘的方法，以水平集分割为代表，该方法计算图像中的梯度信息来构建能量泛函数，建立与曲线收缩与扩充强度的一定关系，曲线在演变过程中与变化剧烈的边界贴合得到最终的分割结果，但该法往往对图像中的突变干扰信息十分敏感并且难以检测出边界模糊不清的肿块区域，此外该法初始化区域的选取十分关键，往往需要人为干预，不能达到真正意义上的自动分割。第三类是基于聚类的方法，它是首先指定多个聚类中心，在一定范围下将图像中所有的点归入其中，重新计算新的聚类中心，重复迭代直到满足某个准则的最优则达到最终的结果，但由于乳腺肿块的大小与形态差异很大，单一地使用聚类的方法无法达到理想的分割精度。第四类是基于深度学习的分割方法，最典型是使用卷积神经网络对输入图像进行特征提取最终达到分割的效果，但卷积神经网络常常面临巨大调参工作与冗余数据量的难题，且过于深的网络存在梯度消失的缺陷，故不利于实现精准的图像分割。

发明内容

针对现有技术的以上缺陷或改进需求，本发明的目的在于提供一种基于PCANet深度学习模型下的钼靶肿块的自动分割方法，其中通过对该自动分割方法的整体数据处理流程、以及相应自动分割系统的框架结构进行控制，将超像素与PCANet网络结合实现图像的自动分割，并对自动分割方法中各个关键处理步骤(包括预处理、超像素聚类处理、PCANet网络的处理、SVM分类器的处理步骤等)细节数据处理过程等进行优选控制，可大大提高诸如钼靶肿块的分割精度与鲁棒性。