基于关联图的联合降维和半监督聚类的脑图像分割方法

文献发布时间：2023-06-19 13:49:36

技术领域

本发明涉及数字图像处理领域，尤其涉及基于关联图的联合降维和半监督聚类的脑图像分割方法。

背景技术

近年来，借助机器学习的迅猛发展势头，计算机辅助诊断技术在临床工作中展现出强大的生命力。医学图像聚类作为计算机辅助诊断领域中应用最为广泛的一门技术体系，可以实现对医学图像中病症的筛查和病灶的检测分类，对于人类健康福祉具有重要意义。目前常见的医学影像主要有电子计算机断层扫描、核磁共振成像技术、超声等。核磁共振成像作为当前临床应用范围较广的影像技术之一，具有较高的软组织分辨率、操作性强、无创伤、多方位成像等优势。将核磁共振技术运用到脑部疾病的诊断中，使检测结果更为全面、准确。

传统的聚类算法主要对数据集本身进行聚类分析，会忽略数据集带有的少量标记信息的指导作用，而半监督聚类可将监督信息与聚类算法结合，更有效地指导数据的聚类过程。研究表明，高质量的监督信息不仅可以指导未标注样本进行正确聚类，提高聚类结果的准确性，还可以加快聚类的收敛速度。在实际高维核磁共振脑图像分割应用中，收集大量缺少标记的数据相当容易，而为这些样本提供标记相对困难。但医师容易预先给出一些样本的配对信息，譬如：不明确具有多少组织区域，但圈画了一些区域的样本，或者进一步地依据病例学知识和人体解破学，医师圈画出若干样本并指明他们是否属于同类组织。这一情形属于成对约束的半监督聚类问题。如安计勇等人提出了一种基于AP聚类与Renyi熵融合的自训练半监督方法。该模型通过AP聚类分析与Renyi熵来共同标记无标签样本的标签类别，筛选置信度高的无标签样本扩充原有训练集进行自训练的迭代(“基于半监督学习的蛋白质相互作用预测模型”，计算机技术与发展.2021年07月)；朱恒东等人提出自适应半监督邻域聚类算法，一方面引入监督矩阵与距离度量结合构造合理的相似矩阵，另一方面充分利用监督信息通过标签信息矩阵与流形正则项结合调整模型(“自适应半监督邻域聚类算法”，山东大学学报(工学版).2021年07月)；唐飞等人提出了一种基于半监督谱聚类的最优解断面搜索方法(专利申请号：201410308754.3)；钱鹏江等人提出了一种全表示半监督快速谱聚类的医学图像分割方法及系统(专利申请号：201310667423.4)生成基于全表示半监督机制的图论松弛聚类模型。

但至今为止此领域的研究工作尚不成熟，另外，这些方法对高维核磁共振脑图像往往效果不佳。这是因为虽然高维数据中存在大量的信息，但并不是所有的信息都是有价值的，直接对高维数据进行处理，会造成计算复杂、需要存储空间大、识别精度不高等问题。数据降维是将高维数据映射到一个保持数据本身固有结果的低维空间，能有效解决上述问题。数据降维就是指将维欧式空间R

因此，根据高维核磁共振脑图像的高维特性，研究联合降维技术和半监督聚类分析技术为一体的图像分割方法对于提高核磁共振脑图像的分割效果有积极意义。

发明内容

本发明所要解决的技术问题是：利用现有的医师提供的少量样本的配对信息，又通过构建有向和无向关联图挖掘样本间的潜在数据结构，将数据降维到合适的低维空间，使得同一类别内的样本的关联度尽量高，不同类别内的样本的关联度尽量低；联合降维技术和半监督聚类技术在一个目标函数中，可以使得降维和聚类效果同时达到最佳。

本发明所采用的技术方案：一种基于关联图的联合降维和半监督聚类的脑图像分割方法，包括：

步骤1：对核磁共振脑图像进行预处理，去除脑图像中的非脑组织部分；

步骤2：提取脑图像中的特征属性，构建包含n个像素特征维数为d的数据集X＝[x

步骤3：医师通过触摸屏在图像中圈画，圈画区域记为CS，选取CS中的部分数据特征向量并标识配对信息，任意的一个特征向量对表示为(x

步骤4：构建数据集X上的配对关联矩阵Y，Y中的第i行第j列元素Y

其中，1≤i≤n，1≤j≤n；

步骤5：构建数据集X上的无向边图E，X中的每个特征向量表示为一个节点，构建每个节点x

步骤6：构建无向关联矩阵F∈R

其中，尺度参数σ是正常数；

步骤7：构建数据集X上的有向边图V，如果

步骤8：构建有向边图V上任意两个节点x

步骤9：构建基于有向近邻交集K

其中，x

步骤10：基于配对关联矩阵Y、无向关联矩阵F和有向关联矩阵S对数据集X进行特征降维，得到特征向量集

包括以下子步骤：

步骤10.1：将数据集X、矩阵Y、S和F代入目标函数，如式(4)所示：

其中，Q∈R

步骤10.2：固定G，更新目标式中的Q，求解式(4)的Q的一阶导数为0得到Q的更新表达式为：

其中，D

步骤10.3：固定Q，更新目标式中的G，使用拉格朗日乘子法关于G的目标式可以表示为：

其中，Φ＝[Φ

步骤10.4：判断是否达到迭代最大次数，若否，则返回执行所述的步骤10.2；若是，则执行所述的步骤10.5；

步骤10.5：对Q矩阵按行计算||Q

步骤10.6：根据得到的m个行向量的序号对应取出X中的m个行向量，构建新的特征数据集

步骤11：在

本发明产生的有益效果是：

1、通过降维技术，将高维的核磁共振脑图像特征映射到低维空间，为找到合适的低维空间，能达到同一类别内的样本的关联度高和不同类别内的样本的关联度低的聚类效果，一方面使用已获取的由医师提供的少量样本的配对信息；另一方面构建无向边图和有向边图，创新性地建立样本间的配对关联矩阵、无向关联矩阵和有向关联矩阵，挖掘样本间的潜在数据结构；

2、与常见的降维技术和聚类技术分阶段完成不同，本发明将降维技术和半监督聚类技术联合在一个目标函数中，数据的降维依据聚类的效果而定，聚类效果也能在映射的低维空间中达到最优；

3、提出的基于关联图的联合降维和半监督聚类方法获得的特征向量进行优化聚类，并最终获得最优核磁共振脑图像的分割效果。

附图说明

图1为本发明基于关联图的联合降维和半监督聚类的脑图像分割方法的流程图；

图2是本发明一个实施例的去除脑图像中的非脑组织部分后的图像；

图3是实施例的通过医师由触摸屏在图像中圈画后的图像；

图4是本实施例得到的图2的分割结果图，(a)脑脊液、(b)灰质、(c)白质。

具体实施方式

下面结合附图和实施例对本发明作进一步说明，此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

在一个较佳实施例中，本发明的主要分割任务是划分人脑中三种重要的脑组织：灰质、白质、脑脊液，其余部分均为背景。图1是本发明所述的方法步骤流程图，该方法包括如下11个步骤。

步骤1：一个实施例的原始的核磁共振脑图像的像素是256×256，对核磁共振脑图像进行预处理，脑图像可以分为脑组织结构和非脑组织结构，其中脑组合主要包括灰质、白质和脑脊液；非脑组织主要是头骨、眼球等。本实施主要分割任务是划分三种脑组织，留存每张脑图像的脑组织部分，同时去除脑图像中的非脑组织部分，去除非脑组织部分的一个实施例的灰度图如图2所示；

步骤2：采用纹理分析方法提取到的脑图像属性特征，包括：灰度共生矩阵(co-occurrence matrix)、Gabor纹理特征、灰度游程长度矩阵(gray level run-lengthmatrix)、局部二进制模式矩阵(local binary pattern)，共计319个纹理特征，构建包含n个样本维数为d的特征数据集X＝[x

步骤3：医师通过触摸屏在图像中圈画，图3是通过医师由触摸屏在图像中圈画后的图像的一个实施例，圈画区域记为CS，选取CS中的部分数据特征向量并标识配对信息，任意的一个特征向量对表示为(x