【摘要】：基于肺部CT圖像灰度不均勻、紋理變化大的特點,文章提出一種超像素與隨機(jī)森林相結(jié)合的肺部CT圖像分割算法。該算法首先采用閾值和形態(tài)濾波的方法對圖像進(jìn)行預(yù)處理;再通過TurboPixels算法將圖像分割為超像素;然后運用灰度共生矩陣提取超像素的紋理特征,并融合灰度特征形成特征矩陣;最后基于特征矩陣和隨機(jī)森林算法獲取分割圖像。實驗結(jié)果表明,該文提出的分割算法對肺部CT圖像處理具有一定的有效性,健康肺部圖像的分割準(zhǔn)確率為98.07%,病變圖像的準(zhǔn)確率為96.23%,且該算法具有全自動、高準(zhǔn)確率、魯棒性好等特點。
【圖文】：

ｐ）是一種從給定的訓(xùn)練集中有放回的均勻抽樣。一個自助樣本集生長為一棵分類樹，如果獨立抽樣ｋ次，將會生成相互獨立的自助樣本集ｋ個，可以用于訓(xùn)練隨機(jī)森林中的ｋ棵分類樹。（２）在分類樹的每一節(jié)點處，從Ｍ個總屬性中隨機(jī)選擇ｍ個屬性（ｍ≤Ｍ），根據(jù)這ｍ個屬性計算最佳的分裂方式。（３）每棵樹在生長過程中不進(jìn)行剪枝操作直至完整。（４）決策樹在預(yù)測新數(shù)據(jù)時，由多數(shù)投票決定分類結(jié)果并評估其誤差。２肺部ＣＴ圖像分割算法肺部ＣＴ圖像分割算法流程如圖１所示。圖１基于復(fù)合超像素技術(shù)的肺部ＣＴ圖像分割算法３３４合肥工業(yè)大學(xué)學(xué)報（自然科學(xué)版）第４０卷

所提的方法包括以下３個算法步驟：超像素分割、特征提取和隨機(jī)森林分類。２．１超像素分割為保證后續(xù)肺部ＣＴ圖像的分割效果，首先通過閾值法將肺部圖像周圍含氣組織（主要為支氣管等）去除，然后在此基礎(chǔ)上采用Ｔｕｒｂｏｐｉｘｅｌｓ算法來獲取超像素。該方法采用基于幾何流的水平集，通過初始種子點之間的相互碰撞［２９］，最后實現(xiàn)超像素圖像分割，如圖２所示。圖２超像素分割實驗結(jié)果過分割并不是簡單地使用超像素對肺部ＣＴ圖像進(jìn)行處理，其中也要考慮超像素的塊數(shù)。超像素塊數(shù)過多或過少會導(dǎo)致圖像信息的不足或交叉，從而失去超像素應(yīng)具有的作用，影響分割結(jié)果。本文算法基于圖片尺寸和經(jīng)驗選擇１５００塊超像素。２．２特征提取基于運算效率和計算復(fù)雜度的考慮，本文采用了灰度共生矩陣來獲得超像素紋理特征，同時融合灰度特征形成特征矩陣�；叶裙采仃囀且环N統(tǒng)計方法，通常用于描述圖像的紋理信息。通過計算特定值的像素對在空間中交替產(chǎn)生的灰度關(guān)系創(chuàng)建一個灰度共生矩陣［３１］。盡管灰度共生矩陣可以提�。保捶N紋理特征且具有不錯的分類能力，但是過多的特征會增加計算的復(fù)雜度，影響特征提取的速率。文獻(xiàn)［３２］表明，熵、相關(guān)度、能量、對比度這４個特征分類精度是有效可靠且不相關(guān)的，因此，本文選取這４種特征表達(dá)圖像的信息特征。（１）熵。熵值是一種度量圖像隨機(jī)性的標(biāo)量，熵值越大表示隨機(jī)性越強(qiáng)，圖像也就越復(fù)雜。ＥＮＴ＝∑ｈ∑ｈｍｈｋｌｇｍｈｋ（５）（２）相關(guān)度。相關(guān)度是指各個元素在灰度共生矩陣中行或列方向上的相似程度。元素之間的像素值差距越大相關(guān)度就越小，反之亦然。ＣＯＲ＝∑ｈ

算法以其獨有的特點在當(dāng)今機(jī)器學(xué)習(xí)領(lǐng)域得到了廣泛的應(yīng)用和研究［３３］。隨機(jī)森林算法是一種由多個決策樹集成的學(xué)習(xí)方法。在分類過程中對于每一個變量都可以給出一個評價來確定該變量的重要性，對于遺失的數(shù)據(jù)依然能夠?qū)崿F(xiàn)有效估計，測試中訓(xùn)練好的隨機(jī)森林可以為其他數(shù)據(jù)所用，提高了運算效率�；谝陨蟽�(yōu)點，選擇隨機(jī)森林作為分類器。肺實質(zhì)區(qū)域標(biāo)記為１，非實質(zhì)區(qū)域標(biāo)記為０，通過隨機(jī)森林提取出預(yù)測的標(biāo)記超像素，然后將所有屬于同一類別并且相鄰的超像素進(jìn)行合并，實現(xiàn)肺部ＣＴ圖像的分割，如圖３所示。圖３隨機(jī)森林分類實驗結(jié)果３實驗及其分析３．１數(shù)據(jù)集ＩＬＤｓ（ＩｎｔｅｒｓｔｉｔｉａｌＬｕｎｇＤｉｓｅａｓｅｓ）是日內(nèi)瓦大學(xué)醫(yī)院一個公開的肺部圖像數(shù)據(jù)庫。這個數(shù)據(jù)庫收集了１２８名患者的肺部ＣＴ圖像，所有的圖３３５第３期楚陪陪，等：基于復(fù)合超像素技術(shù)的肺部ＣＴ圖像分割算法

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 康莊;鄧曉剛;呂慶文;;基于“催化劑”的圖像分割算法研究[J];醫(yī)療衛(wèi)生裝備;2007年11期

2 趙海英;彭宏;楊一帆;;基于邊緣形態(tài)變換的彩色織物圖像分割算法[J];中國體視學(xué)與圖像分析;2011年01期

3 林盤,鄭崇勛,楊勇,閻相國,顧建文;一種魯棒的人腦組織核磁共振圖像分割算法研究[J];電子與信息學(xué)報;2005年09期

4 白楊;;基于SAPSO優(yōu)化三維Otsu方法的醫(yī)學(xué)圖像分割算法(英文)[J];中國組織工程研究與臨床康復(fù);2008年22期

5 馬義德,戴若蘭,李廉,吳承虎;生物細(xì)胞圖像分割技術(shù)的進(jìn)展[J];生物醫(yī)學(xué)工程學(xué)雜志;2002年03期

6 鄧富強(qiáng);龐全;;一種改進(jìn)的模糊C-均值(FCM)彩色圖像分割算法[J];機(jī)電工程;2010年09期

7 李彬;陳武凡;;基于馬爾可夫場的多發(fā)性硬化癥MR圖像分割算法[J];生物醫(yī)學(xué)工程學(xué)雜志;2009年04期

8 陳姿羽;黃靖;李偉鵬;;一種改進(jìn)的自適應(yīng)譜聚類圖像分割算法[J];南方醫(yī)科大學(xué)學(xué)報;2012年05期

9 趙英紅;胡磊;孫存杰;平杰;;一種自適應(yīng)宮頸細(xì)胞顯微圖像分割算法[J];軍事醫(yī)學(xué);2012年12期

10 李s

本文編號：2787095