CN107845098A - 基于随机森林和模糊聚类的肝癌图像全自动分割方法 - Google Patents

Abstract

本发明公开了一种基于随机森林和模糊聚类的肝癌CT图像全自动分割方法。该方法主要有两个过程：图像预处理和病灶区域分割。预处理阶段，通过曲率滤波去除CT图像的噪声，同时保持图像的边缘不模糊。肿瘤图像分割阶段，先通过提取特征样本训练随机森林，然后对要分割的图像逐个像素点进行分类得到粗分割结果，再通过模糊聚类和形态学算子，进一步得到最终的肿瘤分割结果。本分割方法不需要调整参数，能分割不同时期的肝癌CT图像，具有全自动、精度高和应用广的特点，在肝癌术前规划和精准治疗中具有广泛的应用前景。

Description

基于随机森林和模糊聚类的肝癌图像全自动分割方法

技术领域

本发明属于医学图像处理处理领域，具体的说涉及CT(计算机断层扫描)图像中肝脏肿瘤的分割。

背景技术

肝脏是人体内以代谢功能为主的一个器官，在身体里面起着新陈代谢、储存肝糖、生物转化等重要作用。但肝脏也是病变高发的部位，肝癌可以分为原发性肝癌和转移性肝癌两大类，对身体危害极大，而且病变多样。CT (计算机断层扫描) 技术是目前临床最常用的肝癌影像学诊断技术之一，通过CT扫描，医生可以获得一系列不同时期（平扫期、静脉期、动脉期和延迟期）的肝脏的二维CT切片。临床医生在根据病人的CT影像制定手术计划时需要确定肿瘤的位置、大小和数量等信息，如果由医生手工分割病灶，非常耗时耗力，因此需要开发计算机辅助的肝癌自动分割算法。已有的最新技术（CN 105931224 A 基于随机森林算法的肝脏平扫CT图像病变识别方法）只有识别功能，仅适用于平扫期的肝脏CT图像，临床应用范围有限，而且从图像中识别病灶过程中，没有通过图像预处理来去除图像中固有的噪声，从而可能会影响后续的识别效果。临床肝癌的CT诊疗过程中通常会产生四期：平扫期、静脉期、动脉期和延迟期的图像，如何建立一个鲁棒的算法能同时处理四期的肝癌CT图像，从中分割出肝脏肿瘤，仍然是一个需要解决的重要问题。

发明内容

本发明要解决的技术问题是提供一种能适用于临床中不同时期的肝癌CT图像，而且可以直接得到肿瘤分割结果的全自动方法。

为了达到上述目的，本发明提供一种基于随机森林和模糊聚类的肝癌CT图像全自动分割方法，包括下述步骤：步骤一：通过曲率滤波对原始的肝脏CT图像进行预处理，去除其中的噪声和灰度不均匀，并且保持边界；步骤二：利用图像的金标准，从步骤一预处理后的图像中提取肝脏、肿瘤和背景三类图像，并使得三类图像的样本数量相同；步骤三：分别提取三类图像的灰度特征和纹理特征，并通过计算每个特征的信息增益率选出前30%最具有区分度的特征；步骤四：将步骤三中的特征向量输入到随机森林中训练，通过调整随机森林中树的棵树和最大深度，选出训练效果最好的随机森林；步骤五：用训练好的随机森林分类器对待分割的图像逐个像素点进行判断，将图像分为正常肝脏、肿瘤和背景；步骤六：对步骤五中的粗分割结果进一步改进，将粗分割得到的肝脏和肿瘤合并，取出最大的连通区域，用形态学闭算子填充空洞；步骤七： 对步骤六中的结果进行模糊聚类，从中取出灰度值较小的结果作为肿瘤，用形态学开算子去除小的干扰得到最终肿瘤分割结果。

进一步地，在步骤一中，采用曲率滤波来进行预处理，比经典的高斯滤波、均值滤波等去噪效果更好，其有益效果是保持边缘不模糊，而且速度很快。

进一步地，在步骤二中，利用金标准将肝脏CT图像分为三类，其中标签1对应正常肝脏，标签2对应肿瘤，标签3对应背景，并通过随机抽样使得三类样本数量相同，其有益效果是构建了可以提取特征的样本库。

进一步地，在步骤三中，分别提取了三类图像的灰度特征和纹理特征。其中灰度特征包括局部区域灰度的加和以及均值；纹理特征包括灰度共生矩阵，局部二值模式，Gabor滤波，Robert特征，Hog特征，Haar-like特征，局部熵，局部灰度范围和局部标准差。通过计算每个特征的信息增益率选出部分具有较大区分度的特征，其有益效果是得到具有强区分度的特征池。

进一步地，在步骤四中，不断做尝试，选出随机森林训练效果最佳的树的棵数和树的深度，其有益效果是得到分类性能最好的分类器。

进一步地，在步骤七中，通过模糊聚类和形态学算子处理的方法，其有益效果是得到了更为精确的肿瘤分割结果。

本发明与现有技术相比，其显著优点：1）引入曲率滤波作为预处理，比传统的滤波器去噪效果更好，计算速度快，而且能保持边缘不被模糊，从而有效的提升了后续分割过程的鲁棒性和精准度； 2）综合考虑了不同尺度全面的灰度和纹理特征，并进行了特征筛选，使得通过提取的特征训练得到的分类器精度更高，适用范围更广；3）综合运用了随机森林和模糊聚类的方法，能处理多时期不同的肝癌CT图像，整个分割过程全自动，不需要人工干预，也无需调整参数，鲁棒性高。

附图说明

图1为本发明具体实施流程图。

图2为示例原图和曲率滤波去噪后的结果。(a) 原图，(b) 去噪结果图。

图3为随机森林分类得到感兴趣区域以及模糊聚类的结果。

图4为在模糊聚类基础上形态学处理的结果。

图5为其他示例的分割结果。

具体实施方式

下面结合附图对本发明作进一步说明。

结合图1，输入肝脏CT图像，大小为512×512×120，通过以下变分模型进行去噪

其中表示2D图像区域，表示当前去噪的图像，把图像看成三维曲面，和分别表示该曲面的两个主曲率，表示高斯曲率。通过区域分解法，可以求解此模型，迭代15次即可实现对图像的去噪，原图以及去噪后的图像如图2。

根据训练集中图像的金标准（肝脏和肿瘤的分割结果），可以将原图分为肝脏、肿瘤和背景三类。分别提取三类图像的灰度特征和纹理特征。其中灰度特征包括局部区域灰度的加和以及均值；纹理特征包括灰度共生矩阵，局部二值模式，Gabor滤波，Robert特征，Hog特征，Haar-like特征，局部熵，局部灰度范围和局部标准差。为了使得提取不同尺度的特征，采用了5×5和11×11两种窗口，共计得到382维特征。这么多特征很可能会有冗余特征，因此对特征做了进一步筛选。

信息增益率可以衡量特征的区分度，为了从得到的382维特征中剔除冗余特征，计算了每一维特征的信息增益，从中选出了116维信息增益最高的特征样本，包括局部区域灰度的加和以及均值，灰度共生矩阵，Gabor滤波，Robert特征，局部熵，局部灰度范围和局部标准差。

将筛选后的特征样本70%用于训练随机森林，剩余30%留作测试。为了得到分类效果最好的随机森林，分别选取了1到20棵树训练随机森林，最终选15棵树作为随机森林中树的棵数，实验中也发现，增加更多的树，测试的精度只有很少的提升。

对要分割的图像，利用训练好的随机森林将其中的像素点逐个分类，得到肿瘤的粗分割结果。但此时会有一些干扰组织也被分割了出来，需要进一步优化。

将肿瘤和肝脏的粗分割结果合并，从中取出最大的连通区域作为感兴趣区域，里面仅包含正常肝脏和肿瘤，排除了周围组织的干扰。

由于正常肝脏和肿瘤在灰度上具有区分度，通过模糊聚类即可从感兴趣区域中将两者分开。灰度值较小的一类为肿瘤，结果如图3。

从图3中可以发现，通过聚类得到的肿瘤，有很多小的干扰需要去掉，进一步通过形态学开算子去掉小的干扰，得到最终的肿瘤分割结果，结果如图4。其他一些肿瘤的分割结果如图5。

Claims (3)

1.一种基于随机森林和模糊聚类的肝癌CT图像全自动分割方法，其特征在于，包括下述步骤：

步骤一：通过曲率滤波对原始的肝脏CT图像进行预处理，去除其中的噪声和灰度不均匀，并且保持图像中原有边界清晰；

步骤二：利用肝癌CT图像分割的金标准，从步骤一预处理后的图像中提取肝脏、肿瘤和背景三类图像，并使得三类图像的样本数量相同；

步骤三：分别提取三类图像的灰度特征和纹理特征，并通过计算每个特征的信息增益率选出前30%-50%最具区分度的特征；

步骤四：将步骤三中选出的特征向量输入到随机森林中训练，通过调整随机森林中树的棵数和最大深度，得到训练效果最优的随机森林分类器；

步骤五：用训练好的随机森林分类器对要分割的图像逐个像素点进行判断，将图像分为正常肝脏、肿瘤和背景三部分；

步骤六：对步骤五中的粗分割结果进一步改进，将粗分割得到的肝脏和肿瘤合并，取出最大的连通区域，用形态学闭算子填充空洞；

步骤七： 对步骤六中的结果进行基于灰度值的模糊聚类，从中取出灰度值最小的部分作为肿瘤，用形态学开算子去除小的孤立点得到最终肿瘤分割结果。

2.根据权利要求1所述的基于随机森林和模糊聚类的肝癌CT图像全自动分割方法，其特征在于，所述的步骤一中采用曲率滤波来进行预处理。

3.根据权利要求1所述的基于随机森林和模糊聚类的肝癌CT图像全自动分割方法，其特征在于：在所述的步骤三中，采用两种不同的窗口提取三类图像的灰度特征和纹理特征，其中灰度特征包括局部区域灰度的加和以及均值；纹理特征包括灰度共生矩阵、局部二值模式、Gabor滤波、Robert特征、Hog特征、Haar-like特征、局部熵、局部灰度范围和局部标准差。