本發(fā)明涉及機(jī)器學(xué)習(xí)和圖像處理領(lǐng)域，尤其涉及一種基于半監(jiān)督學(xué)習(xí)的腦部CT圖像出血區(qū)域分割方法及系統(tǒng)。

背景技術(shù)：

顱內(nèi)出血(ICH)是最嚴(yán)重的急性腦血管疾病中的一種，同時(shí)也是急性神經(jīng)紊亂疾病，如偏癱等的重要發(fā)病誘因。因此，對(duì)于臨床治療來(lái)說(shuō)，顱內(nèi)出血的早期診斷具有重要意義。同臨床表現(xiàn)相比，可以進(jìn)行無(wú)創(chuàng)傷檢測(cè)的計(jì)算機(jī)斷層(CT)掃描和磁共振成像(MRI)掃描可以更直接、更準(zhǔn)確地反映顱內(nèi)出血的嚴(yán)重程度和演化趨勢(shì)。同時(shí)又因?yàn)镃T檢測(cè)的費(fèi)用要比MRI檢測(cè)的費(fèi)用少得多，所以大多數(shù)人患者會(huì)選擇CT檢測(cè)的方式。在CT圖像中新鮮血腫通常顯示為邊界模糊的高亮度區(qū)域。通常情況下，血腫的形狀為腎形，圓形或不規(guī)則形，并常常被低密度水腫包圍。

現(xiàn)在的出血區(qū)域檢測(cè)方法主要集中于模糊C均值聚類(FCM)或以規(guī)則為基礎(chǔ)的區(qū)域分類等算法。然而，這些方法有兩個(gè)缺點(diǎn)。首先，這些方法中的大多數(shù)使用了非常簡(jiǎn)單的分割算法，諸如聚類和閾值等，雖然這些方法可能在自然圖像處理過(guò)程中表現(xiàn)良好，但在復(fù)雜的情況下，如出血區(qū)域與腦組織重疊或出血的邊緣沒(méi)有足夠的辨別度時(shí)，這些方法的效果并不好。其次，現(xiàn)有的算法大多僅適用于處理二維圖像。但CT成像是一個(gè)三維的過(guò)程，因此會(huì)產(chǎn)生一系列的平行掃描圖像幀，而2維分割算法會(huì)忽略掉一些重要的幀間信息。但使用機(jī)器學(xué)習(xí)以及3D分割的方法可以避免這些問(wèn)題，增強(qiáng)對(duì)復(fù)雜情況的處理能力，更好的利用這些在2D方法中被忽視了的幀間信息。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于針對(duì)目前醫(yī)學(xué)圖像分割領(lǐng)域內(nèi)現(xiàn)有技術(shù)的不足，提供了一種基于半監(jiān)督學(xué)習(xí)的腦部CT圖像出血區(qū)域分割方法及系統(tǒng)。本發(fā)明運(yùn)行效率高，對(duì)CT圖像中的噪聲、偽影有較強(qiáng)的魯棒性，分割得到的結(jié)果準(zhǔn)確率高。

為實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明采用的技術(shù)方案如下：一種基于半監(jiān)督學(xué)習(xí)的腦部CT圖像出血區(qū)域分割方法，包含步驟1：訓(xùn)練Tri-training模型和步驟2：基于Tri-training模型的出血區(qū)域分割；

所述步驟1，Tri-training模型訓(xùn)練階段包括以下步驟：

(1.1)轉(zhuǎn)換CT圖像格式：從計(jì)算機(jī)斷層掃描設(shè)備或者數(shù)據(jù)庫(kù)中獲取包含出血區(qū)域的CT圖像序列，截取像素值的有效區(qū)間，轉(zhuǎn)換成常用的bmp或jpg圖像處理格式。

(1.2)標(biāo)記訓(xùn)練樣本：將CT圖像序列分為兩部分，一部分序列作為有標(biāo)記樣本集，另一部分作為無(wú)標(biāo)記樣本集，針對(duì)有標(biāo)記樣本，手動(dòng)標(biāo)出出血區(qū)域，其中出血區(qū)域標(biāo)記為1，其余部分標(biāo)記為0。

(1.3)圖像三維重建：將CT圖像序列重建到三維區(qū)間，通過(guò)三維濾波去除噪聲，得到三維矩陣。

(1.4)超體素分割：對(duì)重建得到的三維矩陣，應(yīng)用三維簡(jiǎn)單線性迭代聚類算法(3DSLIC)對(duì)其進(jìn)行分割，得到規(guī)則排列的超體素。該步驟包括以下子步驟：

(1.4.1)計(jì)算三維矩陣中的體素總數(shù)N，確定要?jiǎng)澐值某w素個(gè)數(shù)K，計(jì)算超體素的初始邊長(zhǎng)以N_s為步長(zhǎng)在三個(gè)維度上均勻抽樣，作為初始的聚類中心C_k＝[g_k,x_k,y_k,z_k]^T，其中，g_k為第k個(gè)聚類中心的灰度值，x_k,y_k,z_k為第k個(gè)聚類中心的位置坐標(biāo)。

(1.4.2)在以聚類中心點(diǎn)為中心的3×3×3鄰域范圍內(nèi)，選取梯度最小點(diǎn)作為新的聚類中心點(diǎn)，梯度G_(x,y,z)計(jì)算方法如下：

G_(x,y,z)＝[g_(x+1,y,z)-g_(x-1,y,z)]²+[g_(x,y+1,z)-g_(x,y-1,z)]²+[g_(x,y,z+1)-g_(x,y,z-1)]²其中，g_(x+1,y,z)表示坐標(biāo)_(x+1,y,z)處的像素值，g_(x-1,y,z)等同理。

(1.4.3)初始化體素標(biāo)簽l(i)＝-1，體素到聚類中心的距離d(i)＝+∞，相鄰的兩次聚類中心的差異閾值為threshold；

(1.4.4)以每個(gè)聚類中心點(diǎn)C_k為中心，在2N_s×2N_s×2N_s的鄰域范圍內(nèi)計(jì)算體素i到聚類中心C_k的距離D(i,C_k)，其中p，q為調(diào)解參數(shù)，g_i，x_i，y_i，z_i分別為體素i的像素值和三維坐標(biāo)。

$D(i,C_k)=\sqrt{\frac{{(g_i-g_k)}^2}{p^2}+\frac{{\left(\right(x_i-x_k)+(y_i-y_k)+(z_i-z_k\left)\right)}^2}{q^2}}$

如果D(i,C_k)≤d(i)，令體素的標(biāo)簽l(i)＝k，體素到聚類中心的距離d(i)＝D(i,C_k)。

(1.4.5)對(duì)每個(gè)聚類中心點(diǎn)的鄰域都計(jì)算完距離后，根據(jù)體素標(biāo)簽計(jì)算新的聚類中心點(diǎn)C_k(new)：

$C_{k\left(new\right)}=\frac{1}{N_k}\underset{l\left(i\right)=k}{\Σ}\{g_i,x_i,y_i,z_i\}$

其中，N_k表示屬于第k個(gè)聚類中心的體素的總個(gè)數(shù)。

(1.4.6)計(jì)算新聚類中心和原聚類中心之間的差異E：

$E=\frac{1}{K}\underset{k=1}{\overset{K}{\Σ}}\left|\right|C_k-C_{k\left(new\right)}\left|\right|$

更新聚類中心C_k＝C_k(new)，如果差異E≤threshold，結(jié)束循環(huán)，反之，重復(fù)步驟(1.4.4)到步驟(1.4.6)，直到差異E≤threshold。

(1.4.7)對(duì)于有標(biāo)簽體素集，統(tǒng)計(jì)每個(gè)超體素內(nèi)的體素標(biāo)簽，選擇體素最多的標(biāo)簽作為整個(gè)超體素的標(biāo)簽。

(1.5)提取特征：對(duì)每個(gè)超體素，提取超體素的灰度直方圖作為特征?；叶戎狈綀D的統(tǒng)計(jì)范圍為[G_median-40，G_median+80]，特征總數(shù)為40。其中G_median表示CT圖像中腦部區(qū)域的灰度中值，由統(tǒng)計(jì)得到。

(1.6)訓(xùn)練半監(jiān)督模型：用有標(biāo)簽樣本和無(wú)標(biāo)簽樣本一起訓(xùn)練構(gòu)成tri-training模型的三個(gè)不同類型的分類器。該步驟包括以下子步驟：

(1.6.1)對(duì)有標(biāo)記樣本集進(jìn)行可重復(fù)取樣以獲得三個(gè)有標(biāo)記訓(xùn)練樣本集，三個(gè)訓(xùn)練樣本集分別用來(lái)訓(xùn)練產(chǎn)生一個(gè)分類器，這里的三個(gè)分類器分別為人工神經(jīng)網(wǎng)絡(luò)(ANN),支持向量機(jī)(SVM)和隨機(jī)森林(RF)。其中ANN分類器是一個(gè)標(biāo)準(zhǔn)的三層神經(jīng)網(wǎng)絡(luò)，隱層節(jié)點(diǎn)數(shù)為20，激活函數(shù)為sigmoid函數(shù)。SVM分類器是通過(guò)LIBSVM工具箱實(shí)現(xiàn)的，核函數(shù)為高斯徑向基函數(shù)，參數(shù)C設(shè)定為1。RF分類器的樹(shù)數(shù)量為100。

(1.6.2)三個(gè)分類器分別對(duì)無(wú)標(biāo)記樣本集進(jìn)行標(biāo)注，如果兩個(gè)分類器對(duì)同一個(gè)未標(biāo)記樣本的標(biāo)簽預(yù)測(cè)相同，用該標(biāo)簽標(biāo)記這個(gè)樣本，然后將其加入第三個(gè)分類器的有標(biāo)記訓(xùn)練樣本集；

(1.6.3)用更新過(guò)的有標(biāo)記訓(xùn)練樣本集再次訓(xùn)練三個(gè)分類器；

(1.6.4)重復(fù)步驟(1.6.2)、(1.6.3)直到分類器的參數(shù)不再發(fā)生變化。

所述基于Tri-training模型的出血區(qū)域分割階段包括以下步驟：

(2.1)轉(zhuǎn)換CT圖像格式：對(duì)于從計(jì)算機(jī)斷層掃描設(shè)備中導(dǎo)出的包含出血區(qū)域的CT圖像序列，截取像素值的有效區(qū)間，轉(zhuǎn)換成常用的計(jì)算機(jī)圖像處理格式。

(2.2)圖像三維重建：將CT圖像重建到三維區(qū)間，通過(guò)三維濾波去除噪聲，得到三維矩陣。

(2.3)超體素分割：對(duì)重建得到的三維矩陣，應(yīng)用三維簡(jiǎn)單線性迭代聚類算法(3DSLIC)對(duì)其進(jìn)行分割，得到規(guī)則排列的超體素。該步驟具體方法同上一階段的超體素分割步驟(1.4.1)到步驟(1.4.6)。

(2.4)提取特征：對(duì)每個(gè)超體素，提取超體素的灰度直方圖作為特征?；叶戎狈綀D的統(tǒng)計(jì)范圍為[G_median-40，G_median+80]，特征總數(shù)為40。

(2.5)分類樣本：用步驟(1.1)到(1.6)中訓(xùn)練好的tri-training分類器分類超體素，即為每一個(gè)超體素分配一個(gè)標(biāo)簽，其中出血區(qū)域標(biāo)簽t_i＝1，其他區(qū)域標(biāo)簽t_i＝0。

(2.6)三維重建：將所有t_i＝1的超體素在三維空間進(jìn)行重建，通過(guò)去噪，平滑等處理得到出血區(qū)域的三維顯示，實(shí)現(xiàn)腦部CT圖像出血區(qū)域的分割。

一種基于半監(jiān)督學(xué)習(xí)的腦部CT圖像出血區(qū)域分割系統(tǒng)，包括圖像預(yù)處理模塊，超體素劃分模塊，特征提取模塊，分類模塊和三維重建模塊。所述圖像預(yù)處理模塊對(duì)二維CT圖像序列進(jìn)行格式轉(zhuǎn)換，簡(jiǎn)單圖像處理并將二維圖像存儲(chǔ)到三維矩陣。所述超體素劃分模塊將三維矩陣劃分為超體素。所述特征提取模塊包括計(jì)算灰度直方圖模塊和計(jì)算標(biāo)簽?zāi)K。所述分類模塊包括訓(xùn)練分類器模塊和分類樣本模塊，在訓(xùn)練過(guò)程中用于訓(xùn)練分類器，在實(shí)際應(yīng)用過(guò)程中將超體素分為前景部分和背景部分。所述三維重建模塊將屬于前景的超體素在三維空間進(jìn)行重建。

進(jìn)一步地，所述圖像預(yù)處理模塊從計(jì)算機(jī)斷層掃描設(shè)備或者數(shù)據(jù)庫(kù)中獲取包含出血區(qū)域的CT圖像，截取像素值的有效區(qū)間，轉(zhuǎn)換成常用的計(jì)算機(jī)圖像處理格式，并將二維圖像序列存儲(chǔ)到三維矩陣。

進(jìn)一步地，所述超體素劃分模塊應(yīng)用三維簡(jiǎn)單線性迭代聚類算法(3DSLIC)對(duì)三維矩陣進(jìn)行分割，得到規(guī)則排列的超體素作為樣本。

進(jìn)一步地，所述特征提取模塊包括計(jì)算灰度直方圖模塊和計(jì)算標(biāo)簽?zāi)K：計(jì)算灰度直方圖模塊提取超體素的灰度直方圖作為超體素的特征；計(jì)算標(biāo)簽?zāi)K用于訓(xùn)練過(guò)程中計(jì)算樣本的標(biāo)簽。

進(jìn)一步地，所述特征分類模塊包括訓(xùn)練分類器模塊和分類樣本模塊：訓(xùn)練分類器模塊在tri-training模型下，用樣本訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)(ANN),支持向量機(jī)(SVM)和隨機(jī)森林(RF)三個(gè)分類器；分類樣本模塊根據(jù)超體素特征，運(yùn)用訓(xùn)練好的三個(gè)分類器組合而成的tri-training模型分類超體素。

進(jìn)一步地，所述三維重建模塊將分類得到的出血區(qū)域超體素重建到三維空間并顯示。

本發(fā)明的有益效果是：

1、CT圖像的前期處理方法簡(jiǎn)單，不需要像常規(guī)算法一樣提取顱內(nèi)結(jié)構(gòu)。

2、灰度直方圖作為超體素特征在可區(qū)分性的前提下簡(jiǎn)單易提取。

3、加入超體素劃分模塊減小了孤立的噪聲點(diǎn)對(duì)分割的影響，增強(qiáng)了算法的魯棒性的同時(shí)大幅度降低了分類算法的運(yùn)算數(shù)據(jù)量。

4、三個(gè)不同分類器的引入增強(qiáng)了tri-training分類模型的分類準(zhǔn)確率。

5、tri-training分類模型充分利用了少量有標(biāo)記數(shù)據(jù)和大量無(wú)標(biāo)記數(shù)據(jù)。

6、本發(fā)明通過(guò)將CT圖像從二維空間轉(zhuǎn)換到三維空間，充分利用了CT圖像之間的幀間信息。

附圖說(shuō)明

圖1為本發(fā)明方法在一種實(shí)施方式中的流程圖；

圖2為格式轉(zhuǎn)換后得到的二維CT圖像；

圖3為CT圖像劃分為超體素后截取的二維圖像；

圖4為出血區(qū)域中某個(gè)超體素的灰度直方圖；

圖5為背景區(qū)域中某個(gè)超體素的灰度直方圖；

圖6為分割得到的出血區(qū)域的二維截圖；

圖7為分割得到的出血區(qū)域的三維圖像；

圖8為本發(fā)明系統(tǒng)在一種實(shí)施方式中的結(jié)構(gòu)示意圖；

圖9為本發(fā)明系統(tǒng)中圖像預(yù)處理模塊的結(jié)構(gòu)示意圖；

圖10為本發(fā)明系統(tǒng)中圖像預(yù)處理模塊的結(jié)構(gòu)示意圖。

具體實(shí)施方式

本發(fā)明適用于醫(yī)學(xué)顱腦CT圖像中的出血區(qū)域分割，是一種基于半監(jiān)督學(xué)習(xí)和三維超體素的腦部CT圖像出血區(qū)域分割方法。

本發(fā)明流程圖如圖1，主要包括包含Tri-training模型訓(xùn)練階段和基于Tri-training模型的出血區(qū)域分割階段。

其中Tri-training模型訓(xùn)練階段包括以下步驟：

(1.1)轉(zhuǎn)換CT圖像格式：從計(jì)算機(jī)斷層掃描設(shè)備或者數(shù)據(jù)庫(kù)中獲取包含出血區(qū)域的CT圖像序列，截取像素值的有效區(qū)間，轉(zhuǎn)換成常用的計(jì)算機(jī)圖像處理格式。圖2即為CT圖像轉(zhuǎn)換格式后得到的圖像。

(1.2)標(biāo)記訓(xùn)練樣本：將CT圖像序列分為兩部分，一部分序列作為有標(biāo)記樣本集，另一部分作為無(wú)標(biāo)記樣本集，針對(duì)有標(biāo)記樣本，手動(dòng)標(biāo)出出血區(qū)域，其中出血區(qū)域標(biāo)記為1，其余部分標(biāo)記為0。

(1.3)圖像三維重建：將CT圖像序列重建到三維區(qū)間，通過(guò)三維濾波去除噪聲，得到三維矩陣。

(1.4)超體素分割：對(duì)重建得到的三維矩陣，應(yīng)用三維簡(jiǎn)單線性迭代聚類算法(3DSLIC)對(duì)其進(jìn)行分割，得到規(guī)則排列的超體素。該步驟包括以下子步驟：

(1.4.1)計(jì)算三維矩陣中的體素總數(shù)N，確定要?jiǎng)澐值某w素個(gè)數(shù)K，計(jì)算超體素的初始邊長(zhǎng)以N_s為步長(zhǎng)在三個(gè)維度上均勻抽樣，作為初始的聚類中心C_k＝[g_k,x_k,y_k,z_k]^T，其中，g_k為第k個(gè)聚類中心的灰度值，x_k,y_k,z_k為第k個(gè)聚類中心的位置坐標(biāo)。

(1.4.2)在以聚類中心點(diǎn)為中心的3×3×3鄰域范圍內(nèi)，選取梯度最小點(diǎn)作為新的聚類中心點(diǎn)，梯度G_(x,y,z)計(jì)算方法如下：

G_(x,y,z)＝[g_(x+1,y,z)-g_(x-1,y,z)]²+[g_(x,y+1,z)-g_(x,y-1,z)]²+[g_(x,y,z+1)-g_(x,y,z-1)]²其中，g_(x+1,y,z)表示坐標(biāo)(x+1,y,z)處的像素值，g_(x-1,y,z)等同理。

(1.4.3)初始化體素標(biāo)簽l(i)＝-1，體素到聚類中心的距離d(i)＝+∞，相鄰的兩次聚類中心的差異閾值為threshold；

(1.4.4)以每個(gè)聚類中心點(diǎn)C_k為中心，在2N_s×2N_s×2N_s的鄰域范圍內(nèi)計(jì)算體素i到聚類中心C_k的距離D(i,C_k)，其中p，q為調(diào)解參數(shù)，g_i，x_i，y_i，z_i分別為體素i的像素值和三維坐標(biāo)。

$D(i,C_k)=\sqrt{\frac{{(g_i-g_k)}^2}{p^2}+\frac{{\left(\right(x_i-x_k)+(y_i-y_k)+(z_i-z_k\left)\right)}^2}{q^2}}$

如果D(i,C_k)≤d(i)，令體素的標(biāo)簽l(i)＝k，體素到聚類中心的距離d(i)＝D(i,C_k)。

(1.4.5)對(duì)每個(gè)聚類中心點(diǎn)的鄰域都計(jì)算完距離后，根據(jù)體素標(biāo)簽計(jì)算新的聚類中心點(diǎn)C_k(new)：

$C_{k\left(new\right)}=\frac{1}{N_k}\underset{l\left(i\right)=k}{\Σ}\{g_i,x_i,y_i,z_i\}$

其中，N_k表示屬于第k個(gè)聚類中心的體素的總個(gè)數(shù)。

(1.4.6)計(jì)算新聚類中心和原聚類中心之間的差異E：

$E=\frac{1}{K}\underset{k=1}{\overset{K}{\Σ}}\left|\right|C_k-C_{k\left(new\right)}\left|\right|$

更新聚類中心C_k＝C_k(new)，如果差異E≤threshold，結(jié)束循環(huán)，反之，重復(fù)步驟(1.4.4)到步驟(1.4.6)，直到差異E≤threshold。圖3為劃分為超體素后的二維截圖。

(1.4.7)對(duì)于有標(biāo)簽體素集，統(tǒng)計(jì)每個(gè)超體素內(nèi)的體素標(biāo)簽，選擇體素最多的標(biāo)簽作為整個(gè)超體素的標(biāo)簽。

(1.5)提取特征：對(duì)每個(gè)超體素，提取超體素的灰度直方圖作為特征。灰度直方圖的統(tǒng)計(jì)范圍為[G_median-40，G_median+80]，特征總數(shù)為40。其中G_median表示CT圖像中腦部區(qū)域的灰度中值，由統(tǒng)計(jì)得到。圖4，5為從前景和背景中隨機(jī)抽取的兩個(gè)超體素的灰度直方圖。

(1.6)訓(xùn)練半監(jiān)督模型：用有標(biāo)簽樣本和無(wú)標(biāo)簽樣本一起訓(xùn)練構(gòu)成tri-training模型的三個(gè)不同類型的分類器。該步驟包括以下子步驟：

(1.6.1)對(duì)有標(biāo)記樣本集進(jìn)行可重復(fù)取樣以獲得三個(gè)有標(biāo)記訓(xùn)練樣本集，三個(gè)訓(xùn)練樣本集分別用來(lái)訓(xùn)練產(chǎn)生一個(gè)分類器，這里的三個(gè)分類器分別為人工神經(jīng)網(wǎng)絡(luò)(ANN),支持向量機(jī)(SVM)和隨機(jī)森林(RF)。其中ANN分類器是一個(gè)標(biāo)準(zhǔn)的三層神經(jīng)網(wǎng)絡(luò)，隱層節(jié)點(diǎn)數(shù)為20，激活函數(shù)為sigmoid函數(shù)。SVM分類器是通過(guò)LIBSVM工具箱實(shí)現(xiàn)的，核函數(shù)為高斯徑向基函數(shù)，參數(shù)C設(shè)定為1。RF分類器的樹(shù)數(shù)量為100。

(1.6.2)三個(gè)分類器分別對(duì)無(wú)標(biāo)記樣本集進(jìn)行標(biāo)注，如果兩個(gè)分類器對(duì)同一個(gè)未標(biāo)記樣本的標(biāo)簽預(yù)測(cè)相同，用該標(biāo)簽樣本這個(gè)標(biāo)記，然后將其加入第三個(gè)分類器的有標(biāo)記訓(xùn)練樣本集；(1.6.3)用更新過(guò)的有標(biāo)記訓(xùn)練樣本集再次訓(xùn)練三個(gè)分類器；

(1.6.4)重復(fù)步驟(1.6.2)(1.6.3)直到分類器的參數(shù)不再發(fā)生變化。

Tri-training模型的出血區(qū)域分割階段包括以下步驟：

(2.1)轉(zhuǎn)換CT圖像格式：對(duì)于從計(jì)算機(jī)斷層掃描設(shè)備中導(dǎo)出的包含出血區(qū)域的CT圖像序列，截取像素值的有效區(qū)間，轉(zhuǎn)換成常用的計(jì)算機(jī)圖像處理格式。

(2.2)圖像三維重建：將CT圖像重建到三維區(qū)間，通過(guò)三維濾波去除噪聲，得到三維矩陣。

(2.3)超體素分割：對(duì)重建得到的三維矩陣，應(yīng)用三維簡(jiǎn)單線性迭代聚類算法(3DSLIC)對(duì)其進(jìn)行分割，得到規(guī)則排列的超體素。該步驟具體方法同上一階段的超體素分割步驟(4.1)到(4.6)。

(2.4)提取特征：對(duì)每個(gè)超體素，提取超體素的灰度直方圖作為特征?；叶戎狈綀D的統(tǒng)計(jì)范圍為[G_median-40，G_median+80]，特征總數(shù)為40。

(2.5)分類樣本：用訓(xùn)練好的tri-training分類器分類超體素，即為每一個(gè)超體素分配一個(gè)標(biāo)簽，出血區(qū)域標(biāo)簽t_i＝1，其他區(qū)域標(biāo)簽t_i＝0。圖6為分割后得到結(jié)果的二維截圖。

(2.6)三維重建：將所有t_i＝1的超體素在三維空間進(jìn)行重建，通過(guò)去噪，平滑等處理得到出血區(qū)域的三維顯示，實(shí)現(xiàn)腦部CT圖像出血區(qū)域的分割。圖7為實(shí)例1三維的分割結(jié)果。

本發(fā)明系統(tǒng)模塊結(jié)構(gòu)圖如圖8，包括圖像預(yù)處理模塊，超體素劃分模塊，特征提取模塊，分類模塊和三維重建模塊。其中圖像預(yù)處理模塊對(duì)二維CT圖像序列進(jìn)行格式轉(zhuǎn)換，簡(jiǎn)單圖像處理并將二維圖像存儲(chǔ)到三維矩陣。超體素劃分模塊將三維矩陣劃分為超體素。所述特征提取模塊包括計(jì)算灰度直方圖模塊和計(jì)算標(biāo)簽?zāi)K。所述分類模塊包括訓(xùn)練分類器模塊和分類樣本模塊，在訓(xùn)練過(guò)程中用于訓(xùn)練分類器，在實(shí)際應(yīng)用過(guò)程中將超體素分為前景部分和背景部分。三維重建模塊將屬于前景的超體素在三維空間進(jìn)行重建。

圖像預(yù)處理模塊從計(jì)算機(jī)斷層掃描設(shè)備或者數(shù)據(jù)庫(kù)中獲取包含出血區(qū)域的CT圖像，截取像素值的有效區(qū)間，轉(zhuǎn)換成常用的計(jì)算機(jī)圖像處理格式，并將二維圖像序列存儲(chǔ)到三維矩陣。

超體素劃分模塊應(yīng)用三維簡(jiǎn)單線性迭代聚類算法(3DSLIC)對(duì)三維矩陣進(jìn)行分割，得到規(guī)則排列的超體素作為樣本。

如圖9所示，特征提取模塊包括以下子模塊：

計(jì)算灰度直方圖模塊：提取超體素的灰度直方圖作為超體素的特征。

計(jì)算標(biāo)簽?zāi)K：訓(xùn)練過(guò)程中用于計(jì)算樣本的標(biāo)簽。

如圖10所示，分類模塊包括以下子模塊：

訓(xùn)練分類器模塊：在tri-training模型下，用樣本訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)(ANN),支持向量機(jī)(SVM)和隨機(jī)森林(RF)三個(gè)分類器

分類樣本模塊：根據(jù)超體素特征，運(yùn)用訓(xùn)練好的三個(gè)分類器組合而成的tri-training模型分類超體素。

三維重建模塊將分類得到的出血區(qū)域超體素重建到三維空間并顯示。