开云优惠体育网页版入口

专利名称：基于机器学习的CT影像肿瘤病变区域检测方法

专利类型：发明专利

专利申请号：CN202411246556.9

专利申请（专利权）人：渭南市第二医院
权利人地址：陕西省渭南市临渭区朝阳大街东段2号

专利发明（设计）人：杜拥护,房冰,吴农田,任婉君,李安娜

专利摘要：本发明涉及图像处理技术领域，尤其涉及一种基于机器学习的CT影像肿瘤病变区域检测方法，该方法获取患者的肺部CT影像，得到对应的灰度图像；获取灰度图像中像素点在预设邻域范围内的邻域像素点，根据像素点与邻域像素点之间的灰度值差异，获取灰度差异度；根据灰度差异度得到邻域像素点的灰度权重，根据像素点与邻域像素点之间的距离得到邻域像素点的距离权重，根据灰度权重对距离权重进行优化，得到像素点的自适应权重；根据每个像素点的自适应权重，对灰度图像中的所有像素点进行均值漂移聚类，得到灰度图像中的肺部肿瘤区域，提高了利用均值漂移算法对CT影像中肿瘤区域提取的准确性。

主权利要求：
1.基于机器学习的CT影像肿瘤病变区域检测方法，其特征在于，所述基于机器学习的CT影像肿瘤病变区域检测方法包括：获取患者的肺部CT影像，对所述肺部CT影像进行灰度化处理，得到所述肺部CT影像的灰度图像；
针对所述灰度图像中任一像素点，获取所述像素点在预设邻域范围内的邻域像素点，取任一邻域像素点为目标邻域像素点，根据所述像素点与所述目标邻域像素点之间的灰度值差异，获取所述像素点与所述目标邻域像素点之间的灰度差异度；
根据所述灰度差异度，得到所述目标邻域像素点的灰度权重，根据所述像素点与所述目标邻域像素点之间的距离得到距离权重，根据所述灰度权重，对所述距离权重进行优化，得到所述目标邻域像素点的自适应权重；
获取所述像素点的预设邻域范围内的每个邻域像素点的自适应权重，根据所述灰度图像中的每个像素点的预设邻域范围内的每个邻域像素点的自适应权重，对所述灰度图像中的所有像素点进行均值漂移聚类，得到至少一个簇类，根据每个所述簇类中包含的像素点的灰度值，获取所述灰度图像中的肺部肿瘤区域；
所述根据所述像素点与所述目标邻域像素点之间的灰度值差异，获取所述像素点与所述目标邻域像素点之间的灰度差异度，包括：获取所述像素点的预设邻域范围内的所有像素点的第一灰度值均值以及第一灰度值方差，计算所述像素点的灰度值与所述第一灰度值均值之间的第一差值绝对值，计算所述第一差值绝对值与所述第一灰度值方差之间的乘积，得到所述像素点的预设邻域范围内的第一灰度分布关联系数；
根据所述目标邻域像素点的预设邻域范围内的所有像素点的灰度值，获取所述目标邻域像素点的预设邻域范围内的第二灰度分布关联系数；
计算所述第一灰度分布关联系数和所述第二灰度分布关联系数之间的差值绝对值，得到所述像素点与所述目标邻域像素点之间的灰度差异度；
所述根据所述目标邻域像素点的预设邻域范围内的所有像素点的灰度值，获取所述目标邻域像素点的预设邻域范围内的第二灰度分布关联系数，包括：获取所述目标邻域像素点的预设邻域范围内的所有像素点的第二灰度值均值以及第二灰度值方差，计算所述目标邻域像素点的灰度值与所述第二灰度值均值之间的第二差值绝对值，计算所述第二差值绝对值与所述第二灰度值方差之间的乘积，得到所述目标邻域像素点的预设邻域范围内的第二灰度分布关联系数；
所述根据所述灰度权重，对所述距离权重进行优化，得到所述目标邻域像素点的自适应权重，包括：将所述灰度权重与所述距离权重之间的乘积作为所述目标邻域像素点的自适应权重。
2.根据权利要求1所述的基于机器学习的CT影像肿瘤病变区域检测方法，其特征在于，所述根据所述灰度差异度，得到所述目标邻域像素点的灰度权重，包括：将所述灰度差异度进行归一化得到灰度差异度归一化值；
将所述灰度差异度归一化值作为高斯核函数的自变量，得到所述目标邻域像素点的灰度权重。
3.根据权利要求1所述的基于机器学习的CT影像肿瘤病变区域检测方法，其特征在于，所述根据所述像素点与所述目标邻域像素点之间的距离得到距离权重，包括：根据所述像素点以及所述目标邻域像素点的坐标，获取所述像素点与所述目标邻域像素点之间的距离，将所述距离进行归一化得到距离归一化值；
将所述距离归一化值作为高斯核函数的自变量，得到所述目标邻域像素点的距离权重。
4.根据权利要求1所述的基于机器学习的CT影像肿瘤病变区域检测方法，其特征在于，所述根据每个所述簇类中包含的像素点的灰度值，获取所述灰度图像中的肺部肿瘤区域，包括：计算每个所述簇类中包含的所有像素点的灰度值均值，将所述灰度值均值最大对应的簇类作为肿瘤簇类，将所述肿瘤簇类中包含的所有像素点组成的区域作为所述灰度图像中的肺部肿瘤区域。 说明书 : 基于机器学习的CT影像肿瘤病变区域检测方法技术领域[0001] 本发明涉及图像处理技术领域，尤其涉及一种基于机器学习的CT影像肿瘤病变区域检测方法。背景技术[0002] CT是一种影像学检查方法，通过计算机断层扫描来判断胸肺疾病。它作为一种常用的医学影像技术，能够提供高分辨率的身体内部结构信息，但从CT影像中自动检测肿瘤区域是一项复杂的任务。由于CT影像本身存在影像噪声，且肿瘤会出现边界不清晰或形状复杂等情况，判断时存在较多干扰。均值漂移聚类算法是一种无参数的统计迭代算法，可以根据CT影像中像素点的密度进行聚类得到肿瘤病变区域，排除噪声点干扰。[0003] 传统方式下使用均值漂移聚类算法时，根据样本点到其他数据点之间的距离对偏移均值设定权重系数，由于肿瘤区域的像素点与其邻域像素点之间存在灰度相似度高和相对距离近的分布关系，所以在使用均值漂移聚类算法对肿瘤区域进行提取时，如果仅根据样本点到其他数据点之间的距离对偏移均值设定权重系数，会导致提取的肿瘤区域的准确性降低。[0004] 因此，如何利用均值漂移算法提高对CT影像中肿瘤区域提取的准确性成为亟需解决的问题。发明内容[0005] 有鉴于此，本发明实施例提供了一种基于机器学习的CT影像肿瘤病变区域检测方法，以解决如何利用均值漂移算法提高对CT影像中肿瘤区域提取的准确性的问题。[0006] 本发明实施例中提供了一种基于机器学习的CT影像肿瘤病变区域检测方法，该方法包括以下步骤：[0007] 获取患者的肺部CT影像，对所述肺部CT影像进行灰度化处理，得到所述肺部CT影像的灰度图像；[0008] 针对所述灰度图像中任一像素点，获取所述像素点在预设邻域范围内的邻域像素点，取任一邻域像素点为目标邻域像素点，根据所述像素点与所述目标邻域像素点之间的灰度值差异，获取所述像素点与所述目标邻域像素点之间的灰度差异度；[0009] 根据所述灰度差异度，得到所述目标邻域像素点的灰度权重，根据所述像素点与所述目标邻域像素点之间的距离得到距离权重，根据所述灰度权重，对所述距离权重进行优化，得到所述目标邻域像素点的自适应权重；[0010] 获取所述像素点的预设邻域范围内的每个邻域像素点的自适应权重，根据所述灰度图像中的每个像素点的预设邻域范围内的每个邻域像素点的自适应权重，对所述灰度图像中的所有像素点进行均值漂移聚类，得到至少一个簇类，根据每个所述簇类中包含的像素点的灰度值，获取所述灰度图像中的肺部肿瘤区域。[0011] 进一步的，所述根据所述像素点与所述目标邻域像素点之间的灰度值差异，获取所述像素点与所述目标邻域像素点之间的灰度差异度，包括：[0012] 获取所述像素点的预设邻域范围内的所有像素点的第一灰度值均值以及第一灰度值方差，计算所述像素点的灰度值与所述第一灰度值均值之间的第一差值绝对值，计算所述第一差值绝对值与所述第一灰度值方差之间的乘积，得到所述像素点的预设邻域范围内的第一灰度分布关联系数；[0013] 根据所述目标邻域像素点的预设邻域范围内的所有像素点的灰度值，获取所述目标邻域像素点的预设邻域范围内的第二灰度分布关联系数；[0014] 计算所述第一灰度分布关联系数和所述第二灰度分布关联系数之间的差值绝对值，得到所述像素点与所述目标邻域像素点之间的灰度差异度。[0015] 进一步的，所述根据所述目标邻域像素点的预设邻域范围内的所有像素点的灰度值，获取所述目标邻域像素点的预设邻域范围内的第二灰度分布关联系数，包括：[0016] 获取所述目标邻域像素点的预设邻域范围内的所有像素点的第二灰度值均值以及第二灰度值方差，计算所述目标邻域像素点的灰度值与所述第二灰度值均值之间的第二差值绝对值，计算所述第二差值绝对值与所述第二灰度值方差之间的乘积，得到所述目标邻域像素点的预设邻域范围内的第二灰度分布关联系数。[0017] 进一步的，所述根据所述灰度差异度，得到所述目标邻域像素点的灰度权重，包括：[0018] 将所述灰度差异度进行归一化得到灰度差异度归一化值；[0019] 将所述灰度差异度归一化值作为高斯核函数的自变量，得到所述目标邻域像素点的灰度权重。[0020] 进一步的，所述根据所述像素点与所述目标邻域像素点之间的距离得到距离权重，包括：[0021] 根据所述像素点以及所述目标邻域像素点的坐标，获取所述像素点与所述目标邻域像素点之间的距离，将所述距离进行归一化得到距离归一化值；[0022] 将所述距离归一化值作为高斯核函数的自变量，得到所述目标邻域像素点的距离权重。[0023] 进一步的，所述根据所述灰度权重，对所述距离权重进行优化，得到所述目标邻域像素点的自适应权重，包括：[0024] 将所述灰度权重与所述距离权重之间的乘积作为所述目标邻域像素点的自适应权重。[0025] 进一步的，所述根据每个所述簇类中包含的像素点的灰度值，获取所述灰度图像中的肺部肿瘤区域，包括：[0026] 计算每个所述簇类中包含的所有像素点的灰度值均值，将所述灰度值均值最大对应的簇类作为肿瘤簇类，将所述肿瘤簇类中包含的所有像素点组成的区域作为所述灰度图像中的肺部肿瘤区域。[0027] 本发明实施例与现有技术相比存在的有益效果是：[0028] 本发明获取患者的肺部CT影像，对所述肺部CT影像进行灰度化处理，得到所述肺部CT影像的灰度图像；针对所述灰度图像中任一像素点，获取所述像素点在预设邻域范围内的邻域像素点，取任一邻域像素点为目标邻域像素点，根据所述像素点与所述目标邻域像素点之间的灰度值差异，获取所述像素点与所述目标邻域像素点之间的灰度差异度；根据所述灰度差异度，得到所述目标邻域像素点的灰度权重，根据所述像素点与所述目标邻域像素点之间的距离得到距离权重，根据所述灰度权重，对所述距离权重进行优化，得到所述目标邻域像素点的自适应权重；获取所述像素点的预设邻域范围内的每个邻域像素点的自适应权重，根据所述灰度图像中的每个像素点的预设邻域范围内的每个邻域像素点的自适应权重，对所述灰度图像中的所有像素点进行均值漂移聚类，得到至少一个簇类，根据每个所述簇类中包含的像素点的灰度值，获取所述灰度图像中的肺部肿瘤区域。其中，对肺部CT影像进行去噪得到灰度图像，并获取灰度图像中每个像素点的坐标，选择灰度图像中的任一像素点，获取该像素点邻域范围内的邻域像素点，由于肿瘤区域的像素点与其邻域像素点之间存在灰度相似度高和相对距离近的分布关系，所以对每个邻域像素点计算灰度权重以及距离权重，根据灰度权重对距离权重进行优化，得到自适应权重，使得在使用均值漂移聚类算法时，能够将属于肿瘤区域的像素点可以更好的聚集在一起，得到多个簇类，根据每个簇类中包含的像素点的灰度值均值得到肺部肿瘤区域，根据灰度权重对距离权重进行优化，提高了利用均值漂移算法对CT影像中肿瘤区域提取的准确性。附图说明[0029] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。[0030] 图1是本发明实施例一提供的一种基于机器学习的CT影像肿瘤病变区域检测方法的方法流程图。具体实施方式[0031] 下面详细描述本公开的实施例，所述实施例的示例在附图中示出。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。[0032] 需要说明的是，本公开的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与本公开的一些方面相一致的装置和方法的例子。[0033] 为了说明本发明的技术方案，下面通过具体实施例来进行说明。[0034] 参见图1，是本发明实施例一提供的一种基于机器学习的CT影像肿瘤病变区域检测方法的方法流程图，如图1所示，该方法可以包括：[0035] 步骤S101，获取患者的肺部CT影像，对肺部CT影像进行灰度化处理，得到肺部CT影像的灰度图像。[0036] 首先通过CT扫描获取患者的肺部CT影像，为了减少噪声带来的不必要的计算与干扰，采用双边滤波技术来减少肺部CT影像中的噪声并保持边缘，然后将去噪后的肺部CT影像转化为灰度图像，其中，双边滤波技术为现有技术，此处不再赘述。[0037] 使用OpenCV读取灰度图像，得到灰度图像中每个像素点的灰度值以及坐标，其中，OpenCV为现有技术，此处不再赘述。[0038] 步骤S102，针对灰度图像中任一像素点，获取像素点在预设邻域范围内的邻域像素点，取任一邻域像素点为目标邻域像素点，根据像素点与目标邻域像素点之间的灰度值差异，获取像素点与目标邻域像素点之间的灰度差异度。[0039] 传统方式下使用均值漂移聚类算法对灰度图像中的像素点进行聚类得到肿瘤区域，其中，均值漂移聚类算法的基本步骤为：步骤1，初始确定一个中心点，计算预设半径为D的圆形空间内所有的点与中心点的距离；步骤2，根据圆形空间内每个点与中心点的距离计算权重，对每个点与中心点的距离加权得到加权距离，计算整个圆形空间内所有加权距离的平均值，得到一个加权偏移均值；步骤3，将中心点移动到加权偏移均值的位置；步骤4，重复移动，直到移动后的点与原来的点的位置变化量小于预设阈值，聚类结束。[0040] 但由于肿瘤区域与非肿瘤区域存在区别特征，即肿瘤区域的像素点与其邻域像素点之间存在灰度相似度高和相对距离近的分布关系，且肿瘤相对呈现团簇状，所以仅根据每个点与中心点之间的距离计算权重，会导致提取的肿瘤区域的准确性降低。因此，本发明实例中对均值漂移聚类算法的步骤2进行优化：根据灰度图像中像素点与其邻域像素点的距离大小和灰度关系赋予每个像素点不同的权重，使得在使用均值漂移聚类算法时，能够将属于肿瘤区域的像素点可以更好地聚集在一起，从而达到准确分割的目的，其中，均值漂移聚类算法为现有技术，此处不再赘述。[0041] 以灰度图像中任一像素点为例，将该像素点作为中心像素点，在本发明实例中，预设邻域范围为以该中心像素点为中心，大小为 的窗口，以中心像素点为中心，构建一个 的窗口，窗口内的像素点为中心像素点的邻域像素点。[0042] 其中，取第i个邻域像素点（即目标邻域像素点），获取中心像素点与第i个邻域像素点之间的灰度关系包括：[0043] （1）获取所述像素点的预设邻域范围内的所有像素点的第一灰度值均值以及第一灰度值方差，计算所述像素点的灰度值与所述第一灰度值均值之间的第一差值绝对值，计算所述第一差值绝对值与所述第一灰度值方差之间的乘积，得到所述像素点的预设邻域范围内的第一灰度分布关联系数；[0044] 在一实施方式中，获取中心像素点的灰度值，将以中心像素点为中心构建的窗口记为第一窗口，根据中心像素点的灰度值、第一窗口中包含的所有像素点的灰度值均值以及灰度值方差获取第一窗口的灰度分布关联系数，即中心像素点的邻域范围内的第一灰度分布关联系数，则第一灰度分布关联系数的计算公式为：[0045][0046] 其中， 表示中心像素点所在窗口（即第一窗口）的灰度分布关联系数，即第一灰度分布关联系数， 表示绝对值符号， 表示中心像素点的灰度值， 表示第一窗口中所有像素点的灰度值均值，即第一灰度值均值， 表示第一窗口中所有像素点的灰度值方差，即第一灰度值方差。[0047] 需要说明的是， 的值越。得髦行南袼氐愕幕叶戎涤肫渲芪袼氐愕幕叶戎档牟钜煸叫。 的值越小。[0048] （2）根据所述目标邻域像素点的预设邻域范围内的所有像素点的灰度值，获取所述目标邻域像素点的预设邻域范围内的第二灰度分布关联系数，包括：[0049] 获取所述目标邻域像素点的预设邻域范围内的所有像素点的第二灰度值均值以及第二灰度值方差，计算所述目标邻域像素点的灰度值与所述第二灰度值均值之间的第二差值绝对值，计算所述第二差值绝对值与所述第二灰度值方差之间的乘积，得到所述目标邻域像素点的预设邻域范围内的第二灰度分布关联系数。[0050] 在一实施方式中，以第i个邻域像素点为中心，构建一个 的窗口，窗口内的像素点为第i个邻域像素点的邻域像素点，将以第i个邻域像素点为中心构建的窗口记为第二窗口，获取第i个邻域像素点的灰度值，计算第二窗口中包含的所有像素点的灰度值均值以及灰度值方差，根据第i个邻域像素点的灰度值、第二窗口中包含的所有像素点的灰度值均值以及灰度值方差获取第二窗口的灰度分布关联系数，即第i个邻域像素点的邻域范围内的第二灰度分布关联系数，则第二灰度分布关联系数的计算公式为：[0051][0052] 其中， 表示第i个邻域像素点所在窗口（即第二窗口）的灰度分布关联系数，即第二灰度分布关联系数， 表示绝对值符号， 表示第i个邻域像素点的灰度值， 表示第二窗口中所有像素点的灰度值均值，即第二灰度值均值， 表示第二窗口中所有像素点的灰度值方差，即第二灰度值方差。[0053] 需要说明的是， 的值越。得鞯趇个邻域像素点的灰度值与其周围像素点的灰度值的差异越。 的值越小。[0054] （3）计算所述第一灰度分布关联系数和所述第二灰度分布关联系数之间的差值绝对值，得到所述像素点与所述目标邻域像素点之间的灰度差异度。[0055] 在一实施方式中，根据第一灰度分布关联系数和第二灰度分布关联系数，得到中心像素点与第i个邻域像素点之间的灰度差异度，则中心像素点与第i个邻域像素点之间的灰度差异度的计算公式为：[0056][0057] 其中， 表示中心像素点与第i个邻域像素点之间的灰度差异度， 表示中心像素点所在窗口（即第一窗口）的灰度分布关联系数，即第一灰度分布关联系数， 表示第i个邻域像素点所在窗口（即第二窗口）的灰度分布关联系数，即第二灰度分布关联系数，表示绝对值符号。[0058] 需要说明的是， 的值越。得髦行南袼氐愕牧谟蚍段诘南袼氐愕幕叶戎涤氲趇个邻域像素点的邻域范围内的灰度值差异越。 的值越。杂χ行南袼氐阌氲趇个邻域像素点之间的灰度分布的差异性越。凑饬礁鱿袼氐阍诰植糠段诘幕叶戎档南嗨贫仍酱，在灰度图像中这两个像素点越有可能为同一类型的像素点。[0059] 步骤S103，根据灰度差异度，得到目标邻域像素点的灰度权重，根据像素点与目标邻域像素点之间的距离得到距离权重，根据灰度权重，对距离权重进行优化，得到目标邻域像素点的自适应权重。[0060] 由于患者的肺部CT影像中存在正常空腔区域、肿瘤区域和正常组织区域等多种不同的区域，属于同一区域的任一像素点与其邻域像素点之间的灰度值相似度较大且相对距离较近，所以根据像素点与其邻域像素点之间的灰度差异度，对像素点与其邻域像素点之间的距离进行优化，为邻域像素点赋予优化后的自适应权重，使得在根据自适应权重对灰度图像中每个像素点进行均值漂移聚类的过程中，属于同一区域的像素点能够更准确地聚集在一起，从而达到准确分割的目的。[0061] 其中，第i个邻域像素点的自适应权重的获取包括：[0062] （1）根据所述灰度差异度，得到所述目标邻域像素点的灰度权重，包括：[0063] 将所述灰度差异度进行归一化得到灰度差异度归一化值；[0064] 将所述灰度差异度归一化值作为高斯核函数的自变量，得到所述目标邻域像素点的灰度权重。[0065] 在一实施方式中，根据步骤S102获取中心像素点与每个邻域像素点之间的灰度差异度，由于每个灰度差异度的尺度大小不同，不利于后续计算，所以需要对其进行线性归一化处理，得到灰度差异度归一化值，其中，线性归一化为现有技术，此处不再赘述。[0066] 则第i个邻域像素点的灰度差异度归一化值的计算公式为：[0067][0068] 其中， 表示中心像素点与第i个邻域像素点之间的灰度差异度归一化值，norm（）表示线性归一化函数， 表示中心像素点与第i个邻域像素点之间的灰度差异度。[0069] 进一步的，将中心像素点与第i个邻域像素点之间的灰度差异度归一化值作为高斯核函数的自变量，得到第i个邻域像素点的灰度权重，则第i个邻域像素点的灰度权重的计算公式为：[0070][0071] 其中， 表示第i个邻域像素点的灰度权重， 表示中心像素点与第i个邻域像素点之间的灰度差异度归一化值， 表示高斯核函数的标准差，exp（）表示以自然常数e为底的指数函数。[0072] 需要说明的是， 的取值为1，此处不做限制，实施者可根据实施场景设置， 的值越。得髦行南袼氐阌氲趇个邻域像素点之间的灰度差异度越。叶戎迪嗨贫仍酱，越可能属于同一个区域，进而在后续对中心像素点进行均值漂移聚类的过程中，其第i个邻域像素点的贡献越大，对应第i个邻域像素点的灰度权重越大，即 的值越大。[0073] （2）根据所述像素点与所述目标邻域像素点之间的距离得到距离权重，包括：[0074] 根据所述像素点以及所述目标邻域像素点的坐标，获取所述像素点与所述目标邻域像素点之间的距离，将所述距离进行归一化得到距离归一化值；[0075] 将所述距离归一化值作为高斯核函数的自变量，得到所述目标邻域像素点的距离权重。[0076] 在一实施方式中，根据中心像素点以及第i个邻域像素点的坐标，计算中心像素点与第i个邻域像素点之间的欧氏距离，则中心像素点与第i个邻域像素点之间的欧氏距离的计算公式为：[0077][0078] 其中， 表示中心像素点与第i个邻域像素点之间的欧氏距离， 表示第i个邻域像素点的横坐标值， 表示第i个邻域像素点的纵坐标值， 表示中心像素点的横坐标值，表示中心像素点的纵坐标值。[0079] 需要说明的是， 的值越。蛘 的值越。得髦行南袼氐阌氲趇个邻域像素点之间的距离越。 的值越。饬礁鱿袼氐阍诳占浞植忌显较嗨，在图像中这两个像素点越有可能为同一类型的像素点。[0080] 同理，获取中心像素点与其每个邻域像素点之间的欧氏距离，对每个欧氏距离进行线性归一化处理，得到距离归一化值，其中，线性归一化为现有技术，此处不再赘述。[0081] 则第i个邻域像素点的距离归一化值的计算公式为：[0082][0083] 其中， 表示中心像素点与第i个邻域像素点之间的距离归一化值，norm（）表示线性归一化函数， 表示中心像素点与第i个邻域像素点之间的欧氏距离。[0084] 将中心像素点与第i个邻域像素点之间的距离归一化值作为高斯核函数的自变量，得到第i个邻域像素点的距离权重，则第i个邻域像素点的距离权重的计算公式为：[0085][0086] 其中， 表示第i个邻域像素点的距离权重， 表示中心像素点与第i个邻域像素点之间的距离归一化值， 表示高斯核函数的标准差，exp（）表示以自然常数e为底的指数函数。[0087] 需要说明的是， 的取值为1，此处不做限制，实施者可根据实施场景设置， 的值越。得髦行南袼氐阌氲趇个邻域像素点之间的距离越近，进而第i个邻域像素点的距离权重越大，即 的值越大。[0088] （3）根据所述灰度权重，对所述距离权重进行优化，得到所述目标邻域像素点的自适应权重，包括：[0089] 将所述灰度权重与所述距离权重之间的乘积作为所述目标邻域像素点的自适应权重。[0090] 在一实施方式中，根据第i个邻域像素点的灰度权重，对第i个邻域像素点的距离权重进行优化，得到第i个邻域像素点的自适应权重，则自适应权重的计算公式为：[0091][0092] 其中， 表示第i个邻域像素点的自适应权重， 表示第i个邻域像素点的距离权重， 表示第i个邻域像素点的灰度权重， 表示中心像素点与第i个邻域像素点之间的距离归一化值， 表示中心像素点与第i个邻域像素点之间的灰度差异度归一化值，表示高斯核函数的标准差，exp（）表示以自然常数e为底的指数函数。[0093] 需要说明的是， 的取值为1，此处不做限制，实施者可根据实施场景设置， 的值越。得髦行南袼氐阌氲趇个邻域像素点之间的距离越近，第i个邻域像素点的距离权重 的值越大，进而第i个邻域像素点的自适应权重 的值越大； 的值越。得髦行南袼氐阌氲趇个邻域像素点之间的灰度差异度越。叶戎迪嗨贫仍酱，第i个邻域像素点的灰度权重 的值越大，进而第i个邻域像素点的自适应权重 的值越大。[0094] 步骤S104，获取像素点的预设邻域范围内的每个邻域像素点的自适应权重，根据灰度图像中的每个像素点的预设邻域范围内的每个邻域像素点的自适应权重，对灰度图像中的所有像素点进行均值漂移聚类，得到至少一个簇类，根据每个簇类中包含的像素点的灰度值，获取灰度图像中的肺部肿瘤区域。[0095] 根据步骤S102和步骤S103获取中心像素点的邻域范围内每个邻域像素点的自适应权重，即第一窗口中包含的所有像素点的自适应权重，同理获取灰度图像中每个像素点的邻域范围内的每个邻域像素点的自适应权重，根据每个自适应权重得到对应邻域像素点的加权向量，进而根据每个邻域像素点的加权向量，得到中心像素点的加权偏移均值，至此，完成了对均值漂移聚类算法中的步骤2的优化，得到优化后的加权偏移均值，进一步的，将中心像素点移动到加权偏移均值的位置（即步骤3），设置步骤4中的预设阈值为0.35，此处不做限制，实施者可根据实施场景设置，每次漂移后，计算移动后的点与原来的点的位置变化量，若位置变化量小于0.35，则聚类结束，得到多个簇类。[0096] 进一步的，在得到多个簇类后，每个簇类分别代表不同的区域，例如正常空腔区域，肿瘤区域，正常组织区域等，由于肺部肿瘤区域的阴影密度与正常组织部分有较为明显的差异，所以通过对比每个簇类中包含的像素点的灰度值，即可获取肿瘤区域。[0097] 其中，根据每个簇类中包含的像素点的灰度值，获取肺部肿瘤区域，包括：[0098] 计算每个所述簇类中包含的所有像素点的灰度值均值，将所述灰度值均值最大对应的簇类作为肿瘤簇类，将所述肿瘤簇类中包含的所有像素点组成的区域作为所述灰度图像中的肺部肿瘤区域。[0099] 计算每个簇类中包含的所有像素点的灰度值均值，选择灰度值均值最大对应的簇类作为肿瘤簇类，肿瘤簇类中包含的所有像素点组成的区域，即为灰度图像中的肺部肿瘤区域。至此，完成利用均值漂移算法对CT影像中肿瘤区域的准确提取。[0100] 值得说明的是，本发明的重点在于：如何优化均值漂移聚类算法中的加权偏移均值，以提高利用均值漂移算法对CT影像中肿瘤区域提取的准确性。根据加权偏移均值，使用均值漂移聚类算法得到肺部肿瘤区域属于现有技术，此处不再赘述。[0101] 综上所述，本发明获取患者的肺部CT影像，对所述肺部CT影像进行灰度化处理，得到所述肺部CT影像的灰度图像；针对所述灰度图像中任一像素点，获取所述像素点在预设邻域范围内的邻域像素点，取任一邻域像素点为目标邻域像素点，根据所述像素点与所述目标邻域像素点之间的灰度值差异，获取所述像素点与所述目标邻域像素点之间的灰度差异度；根据所述灰度差异度，得到所述目标邻域像素点的灰度权重，根据所述像素点与所述目标邻域像素点之间的距离得到距离权重，根据所述灰度权重，对所述距离权重进行优化，得到所述目标邻域像素点的自适应权重；获取所述像素点的预设邻域范围内的每个邻域像素点的自适应权重，根据所述灰度图像中的每个像素点的预设邻域范围内的每个邻域像素点的自适应权重，对所述灰度图像中的所有像素点进行均值漂移聚类，得到至少一个簇类，根据每个所述簇类中包含的像素点的灰度值，获取所述灰度图像中的肺部肿瘤区域。其中，对肺部CT影像进行去噪得到灰度图像，并获取灰度图像中每个像素点的坐标，选择灰度图像中的任一像素点，获取该像素点邻域范围内的邻域像素点，由于肿瘤区域的像素点与其邻域像素点之间存在灰度相似度高和相对距离近的分布关系，所以对每个邻域像素点计算灰度权重以及距离权重，根据灰度权重对距离权重进行优化，得到自适应权重，使得在使用均值漂移聚类算法时，能够将属于肿瘤区域的像素点可以更好的聚集在一起，得到多个簇类，根据每个簇类中包含的像素点的灰度值均值得到肺部肿瘤区域，根据灰度权重对距离权重进行优化，提高了利用均值漂移算法对CT影像中肿瘤区域提取的准确性。[0102] 以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

专利地区：陕西

专利申请日期：2024-09-06

专利公开日期：2024-11-08

专利公告号：CN118762018B