[发明专利]一种基于单像素特征的医学图像分割方法

说明书

本发明公开了一种基于单像素特征的医学图像分割方法，涉及图像处理技术领域，方法包括图像获取、变换域转换、单像素特征提取、构建分类器、像素点类别判别和后处理，本发明通过提取基于单像素的大量灰度、纹理等高维特征，结合机器学习中分类器方法，以区分正常组织与病变组织，有效解决肿瘤弱边界难以准确分割的问题。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种基于单像素特征的医学图像分割方法。

背景技术

图像分割技术是图像处理与分析领域的复杂而关键的步骤，已广泛应用于医学图像中边界提取、区域分割等。但是，人体结构复杂，病灶与正常组织交错生长，边界不清晰，呈现“弱”边界性质，对病灶的分割提出了重要的挑战。虽然弱边界区域可能很小，但可能对手术方案影响较大，因此如何针对弱边界进行分割是目前的研究热点。

目前，主流的分割方法主要包括：基于图谱的分割方法、基于轮廓的分割方法、基于图论的分割方法、基于学习的分割方法。由于肿瘤的生长模式是任意的、浸润性的，因此没有固定的大小、形状，此类特性极大影响前三种方法的分割性能。基于机器学习的分割方法能够依据某种决策规则，通过在特征空间中将特征向量划分到不同的类区域，来实现未知特征向量的属性判断，可以更好的针对弱边界进行分割。但目前基于学习的分割方法，大都利用图像中像素的灰度信息，而忽略了像素间的灰度变化关系，以及图像变换域的特征。

发明内容

本发明实施例提供了一种基于单像素特征的医学图像分割方法，可以解决现有技术中存在的问题。

本发明提供了一种基于单像素特征的医学图像分割方法，包括以下步骤：

获取医学图像；

对获取的原始图像进行变换域转换，获得多个变换域的分量图像；

在原始图像和所有分量图像中，提取各像素点的单像素特征；

对提取的单像素特征进行特征选择获取最优特征子集，获得最优特征子集后使用该特征子集构建训练集，并利用训练集建立SVM分类器；

利用SVM分类器判别原始图像中每个像素点的类别，从而完成肿瘤区域的分割。

本发明中的一种基于单像素特征的医学图像分割方法，通过提取基于单像素的大量灰度、纹理等高维特征，结合机器学习中分类器方法，以区分正常组织与病变组织，有效解决肿瘤弱边界难以准确分割的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明中方法的流程图；

图2为膀胱图像预处理生成的疑似肿瘤区域的示意图；

图3为采用本发明的方法对膀胱图像分割的结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1，本发明提供了一种基于单像素特征的医学图像分割方法，包括以下步骤：

(1)获取医学图像，如CT、MRI、超声等图像；

(2)对获取的原始图像进行变换域转换，如小波变换、拉普拉斯变换等，从而获得多个变换域的分量图像；