[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

说明书

本发明公开了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，首先利用Gabor变换和广义线性机器学习方法对医学图像进行处理，捕捉到病变区域和正常组织区域的区分性描述，获得基于病变区域的学习模型；然后在此基础上构建能量泛函模型，对医学图像病变区域进行分割。解决了机器学习方法对标签数据较敏感和能量泛函会陷入局部极小值的问题，能够很好地分割含有复杂背景的医学图像，同时有效保留病灶区域的特征信息，为医生进行病变区域诊断的准确性提供可靠的保障。

技术领域

本发明涉及医学图像分割领域，尤其是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。

背景技术

美国医学界于2011年首次提出“精准医疗”方案，该方案结合人类对疾病机制的认知以及相关的医学数据信息技术，对疾病进行精准的分类及诊断，是一种因人因病而异、愈加精准的医疗方式。但由于医学成像设备差异、人体内部结构复杂等因素，在获取医学图像的时候通常会出现灰度分布不均匀、边缘模糊、噪声强度大等特性。现有的医学图像自动分割方法对病变区域的组织分辨力不够，进而不能对图像中病变区域的边界进行准确预测。另外，病变区域在医学图像中经常会与其它正常部位混淆，这在很大程度上也增加了分割算法的难度。究其原因主要为两个方面，一是简单特征无法准确地描述包含病灶的区域，二是传统的分割方法不足以准确地从图像中区分出病灶区域和背景区域。

基于广义线性模型的机器学习分割算法是一种浅层学习方式，虽然不需要大量数据集进行训练，但是会对标签数据比较敏感。基于能量泛函模型的分割算法，存在初始化问题，并且在演化过程中会出现能量泛函局部极小值的问题。迄今为止，并没有关于将基于广义线性模型的机器学习分割算法与基于能量泛函模型的分割算法相结合应用于医学图像病变区域分割的相关报道。

发明内容

本发明是为了解决现有技术所存在的上述技术问题，提供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。

本发明的技术解决方案是：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'＝x cosθ+y sinθ，y'＝-x sinθ+y cosθ；

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