[发明专利]基于字典学习的胃部CT图像感兴趣区域检测系统

摘要

本发明公开了一种基于字典学习的胃部CT图像感兴趣区域检测方法，主要解决现有胃部CT图像中包含无关信息较多的问题。整个系统包括：训练单元和测试单元；训练单元，首先生成训练图像块，再对训练图像块提取特征值组成感兴趣矩阵和不感兴趣矩阵，最后采用字典学习方法训练得到感兴趣字典和不感兴趣字典；测试单元，先输入待测试图像，再对待测试图像进行脂肪组织的检测，并去除脂肪组织边缘，最后对脂肪组织中的淋巴结空洞进行填充，得到包含淋巴结的感兴趣区域，并输出检测结果。本发明能有效去除胃部CT图像的无关信息，保留医生感兴趣的淋巴结，可用于医学图像的处理。

主权项

一种基于字典学习的胃部CT图像感兴趣区域检测系统，包括：训练图像块生成模块，用于从医院提供的25幅图像中随机选择10幅作为训练图像，并在每幅图像中截取32个感兴趣图像块和36个不感兴趣图像块，其中每个图像块大小为5×5，共得到感兴趣组320个图像块和不感兴趣组360个图像块；训练图像块特征提取模块，用于分别对得到的两组图像块中的每个图像块提取15维的梯度特征值和25维的灰度特征值，每个图像块对应的得到一个40维的特征向量，用感兴趣图像块组320个图像块得到的320个40维的特征向量组成一个行数为40、列数为320的感兴趣矩阵X1，用不感兴趣图像块组360个图像块得到的360个40维的特征向量组成一个行数为40、列数为360的不感兴趣矩阵X2；字典的生成模块，用于对感兴趣矩阵X1和不感兴趣矩阵X2采用字典学习方法K‑SVD分别生成感兴趣字典D1和不感兴趣字典D2；测试图像输入模块，用于输入待检测感兴趣区域的原始图像F；脂肪组织检测模块，以原始图像F的每个像素点q为中心取5×5的邻域得到像素块Q，对像素块Q提取15维的梯度特征值和25维的灰度特征值，组成一个40维的特征向量v，用感兴趣字典D1和不感兴趣字典D2分别采用匹配追踪算法OMP逼近特征向量v，得到逼近误差e1和e2，如果e1＜e2则认为该像素点q为感兴趣像素点，标记类标为1，如果e1≥e2则该像素点q为不感兴趣点，标记类标为0；将原始图像F中类标为0的像素点的灰度值赋值为0，保持原始图像F中类标为1的像素点的灰度值不变，得到脂肪图F1；脂肪组织边缘切除模块，用于切除脂肪图F1中最外层的脂肪组织，即检测F1中影像信息的最外层边缘，并以F1中坐标为(256，256)的像素为中心点O，沿最外层边缘一周向中心点O以30个像素大小为半径缩进，得到感兴趣脂肪图F2；淋巴结填充模块，用于填充感兴趣脂肪图F2中的淋巴结空洞，即对感兴趣脂肪 图F2的每个像素点，以该像素点为中心，将0°到360°方向均分为32个方向，如果某个方向50个像素大小的半径上存在灰度值非0的像素点，且超过28个以上的方向满足条件，则将该像素点灰度值赋值为原始图像F中对应的灰度值，得到感兴趣区域检测结果图F3；感兴趣区域输出模块，输出显示感兴趣区域检测结果图F3。