[发明专利]基于机器学习的能量泛函模型的医学图像病变区域分割方法

权利要求书

1.一种基于机器学习的能量泛函模型的医学图像病变区域分割方法，其特征在于按照如下步骤进行：

步骤1：初始化Gabor变换的特征数组参数值，将特征数组做置零处理；同时，将输入医学图像的上1/2部分作为测试集，下1/2部分作为训练集，分别对训练集中的训练图像和测试集中的测试图像进行Gabor变换，所述Gabor变换的一般表达式如下：

复数形式：

实数部分：

虚数部分：

式(1)、(2)、(3)中，λ代表正弦波波长，θ表示滤波器方向，ψ代表初始相位，σ代表高斯函数的标准差，即尺度宽度，γ代表空间纵横比，其中x'＝xcosθ+ysinθ，y'＝-xsinθ+ycosθ；

设正弦波的频率：滤波器的方向：高斯函数标准差：σ_x＝σ_y＝2；ψ＝0；

改变参数σ，θ和f的值，通过三重循环实现不同的参数执行多种Gabor变换，同时进行图像二维卷积运算，提取训练图像和测试图像的特征信息features；

步骤2：采用glmfit算法构造基于广义线性机器学习的模型

式(4)中，features为训练图像经过Gabor变换提取的特征；trainingAns(:)为二值训练图像；'normal'表示该逻辑模型是正态分布；

步骤3：构造基于能量泛函的病变区域分割模型：

利用广义线性机器学习的模型构建分割医学图像病灶区域的能量泛函模型

式(5)中，水平集φ表示医学图像病变区域边界的有符号距离函数；E_smooth(φ)和分别是光滑项和数据项，具体定义如下：

式(6)中：δ_α(·)为正则化的狄克拉函数，权重b与图像梯度成反比；

式(7)中：c_o和分别表示病变区域灰度均值和学习模型，c_b和代表正常组织区域的灰度均值和学习模型；

最后，求解能量泛函模型取得最小值时对应的水平集形式：

式(8)中t为演化时间步长；

根据梯度下降流方法：