基于复合超像素技术的肺部CT图像分割算法

发布时间：2020-08-09 12:07

【摘要】：基于肺部CT图像灰度不均匀、纹理变化大的特点,文章提出一种超像素与随机森林相结合的肺部CT图像分割算法。该算法首先采用阈值和形态滤波的方法对图像进行预处理;再通过TurboPixels算法将图像分割为超像素;然后运用灰度共生矩阵提取超像素的纹理特征,并融合灰度特征形成特征矩阵;最后基于特征矩阵和随机森林算法获取分割图像。实验结果表明,该文提出的分割算法对肺部CT图像处理具有一定的有效性,健康肺部图像的分割准确率为98.07%,病变图像的准确率为96.23%,且该算法具有全自动、高准确率、鲁棒性好等特点。
【图文】：

图像分割算法,肺部,像素,分类树

ｐ）是一种从给定的训练集中有放回的均匀抽样。一个自助样本集生长为一棵分类树，如果独立抽样ｋ次，将会生成相互独立的自助样本集ｋ个，可以用于训练随机森林中的ｋ棵分类树。（２）在分类树的每一节点处，从Ｍ个总属性中随机选择ｍ个属性（ｍ≤Ｍ），根据这ｍ个属性计算最佳的分裂方式。（３）每棵树在生长过程中不进行剪枝操作直至完整。（４）决策树在预测新数据时，由多数投票决定分类结果并评估其误差。２肺部ＣＴ图像分割算法肺部ＣＴ图像分割算法流程如图１所示。图１基于复合超像素技术的肺部ＣＴ图像分割算法３３４合肥工业大学学报（自然科学版）第４０卷

像素图,像素,实验结果,灰度共生矩阵

所提的方法包括以下３个算法步骤：超像素分割、特征提取和随机森林分类。２．１超像素分割为保证后续肺部ＣＴ图像的分割效果，首先通过阈值法将肺部图像周围含气组织（主要为支气管等）去除，然后在此基础上采用Ｔｕｒｂｏｐｉｘｅｌｓ算法来获取超像素。该方法采用基于几何流的水平集，通过初始种子点之间的相互碰撞［２９］，最后实现超像素图像分割，如图２所示。图２超像素分割实验结果过分割并不是简单地使用超像素对肺部ＣＴ图像进行处理，其中也要考虑超像素的块数。超像素块数过多或过少会导致图像信息的不足或交叉，从而失去超像素应具有的作用，影响分割结果。本文算法基于图片尺寸和经验选择１５００块超像素。２．２特征提取基于运算效率和计算复杂度的考虑，本文采用了灰度共生矩阵来获得超像素纹理特征，同时融合灰度特征形成特征矩阵。灰度共生矩阵是一种统计方法，通常用于描述图像的纹理信息。通过计算特定值的像素对在空间中交替产生的灰度关系创建一个灰度共生矩阵［３１］。尽管灰度共生矩阵可以提取１４种纹理特征且具有不错的分类能力，但是过多的特征会增加计算的复杂度，影响特征提取的速率。文献［３２］表明，熵、相关度、能量、对比度这４个特征分类精度是有效可靠且不相关的，因此，本文选取这４种特征表达图像的信息特征。（１）熵。熵值是一种度量图像随机性的标量，熵值越大表示随机性越强，图像也就越复杂。ＥＮＴ＝∑ｈ∑ｈｍｈｋｌｇｍｈｋ（５）（２）相关度。相关度是指各个元素在灰度共生矩阵中行或列方向上的相似程度。元素之间的像素值差距越大相关度就越小，反之亦然。ＣＯＲ＝∑ｈ

森林分类,实验结果

算法以其独有的特点在当今机器学习领域得到了广泛的应用和研究［３３］。随机森林算法是一种由多个决策树集成的学习方法。在分类过程中对于每一个变量都可以给出一个评价来确定该变量的重要性，对于遗失的数据依然能够实现有效估计，测试中训练好的随机森林可以为其他数据所用，提高了运算效率。基于以上优点，选择随机森林作为分类器。肺实质区域标记为１，非实质区域标记为０，通过随机森林提取出预测的标记超像素，然后将所有属于同一类别并且相邻的超像素进行合并，实现肺部ＣＴ图像的分割，如图３所示。图３随机森林分类实验结果３实验及其分析３．１数据集ＩＬＤｓ（ＩｎｔｅｒｓｔｉｔｉａｌＬｕｎｇＤｉｓｅａｓｅｓ）是日内瓦大学医院一个公开的肺部图像数据库。这个数据库收集了１２８名患者的肺部ＣＴ图像，所有的图３３５第３期楚陪陪，等：基于复合超像素技术的肺部ＣＴ图像分割算法

【相似文献】