[发明专利]基于边缘敏感的SLIC和二次密度聚类的GGO分割方法

说明书

本发明提供一种基于边缘敏感的SLIC和二次密度聚类的GGO分割方法，包括以下步骤：设置参数k选择所述肺部图像的中心点作为初始聚类中心点对所述肺部图像进行边缘检测并通过log边缘检测算子判断每个所述超像素块内是否含有图像边缘；判断所述图像边缘是否与所述超像素块边缘闭合；删除原始的聚类中心，并将所述图像的区域质心作为新的初始聚类中心；超像素聚类并根据特征定位GGO；重新计算所述邻域矩阵，获取完整的GGO。本发明提出了基于边缘敏感的SLIC和二次密度聚类相结合的算法对GGO进行分割。本发明能够更好的贴和图像边界且具有较高的准确率和有效性，具有较高的使用价值。

技术领域

本发明涉及分割方法技术领域，具体而言，尤其涉及基于边缘敏感的SLIC和二次密度聚类的GGO分割方法。

背景技术

2019年1月，国家癌症中心发表了最新的全国癌症统计数据，数据结果显示2015年全国的恶性肿瘤新发病例数达392.9万例，其中肺癌发病率占全国首位，发病病例高达78.7万。肺癌已严重威胁到人们的生命健康。目前，CT(Computer Tomography)是早期肺癌检测中最为有效的医学影像检查手段之一。随着科技水平的不断进步，医学影像切片的厚度越来越小，使得最终获得的切片数据量越来越大，导致放射科医生每天要阅读数以千计的CT图像，高的阅读量与诊断结果的准确率就产生了矛盾。为了尽量减少在前期由于主观因素而造成的漏诊、误诊现象，出现了计算机辅助诊断(computer aided diagnosis，CAD)系统，CAD系统可以综合分析肺部医学图像，给医师提供“第二意见”。

肺癌在早期时一般表现为肺结。近年来，已有大量针对于实质性结节分割算法的研究，而对磨玻璃型肺结节(Ground Glass Opacity,GGO)结节的研究却很少，且研究发现GGO的癌变率远远高于其他实质型结节。因此，分割GGO结节对于肺癌的筛选和诊断具有更高的应用价值。

2003年，在Ren等人首次提出超像素的概念，在近几年逐渐兴起，并成为目标识别、智能解释、目标跟踪、图像分割、人工智能等领域的研究热点。Achanta等人通过对目前超像素算法的比较分析提出一种简单有效的超像素分割方法——简单的线性迭代聚类(SimpleLinear Iterative Clustering，SLIC)。该算法在区域紧密度、规则度以及算法的复杂度和准确率上都优于其他超像素方法，但在边缘贴和性上表现欠佳。DBSCAN是一种基于密度的空间聚类算法，该算法将达到一定密度阈值的块划分成多个区域，并在含有较多噪声或干扰的数据中找到相近的块并将其聚为一类。综上，且可能由于GGO密度分布不均匀，导致一次密度聚类不能将其完整的分为一类。

发明内容

根据上述提出的技术问题，而提供一种基于边缘敏感的SLIC和二次密度聚类的GGO分割方法。本发明主要利用基于边缘敏感的SLIC和二次密度聚类的GGO分割方法，包括以下步骤：

步骤S1：初始状态下，设置参数k，k表示将肺部图像分为大小相等、分布均匀的超像素，并选择所述肺部图像的中心点作为初始聚类中心点，选择初始超像素块与GGO的大小最为相似的k＝1000；

步骤S2：对所述肺部图像进行边缘检测，并通过log边缘检测算子判断每个所述超像素块内是否含有图像边缘；

步骤S3：对含有图像边缘的超像素块，判断所述图像边缘是否与所述超像素块边缘闭合，若不闭合则延长至距离最近的超像素块边缘使之闭合；若闭合则进入下一步；

步骤S4：对含有图像边缘的所述超像素块，删除原始的聚类中心，并将所述图像的区域质心作为新的初始聚类中心；对不含有图像边缘的超像素块，保留其原始聚类中心不变；

步骤S5：在每个中心的2S×2S邻域内对属于该区域的像素进行搜索，计算距离D，将所有的像素点归为邻近的区域中心；

步骤S6：更新聚类中心为区域均值，并计算新旧聚类中心的剩余误差；