技術(shù)特征：

1.一種基于半監(jiān)督學(xué)習(xí)的腦部CT圖像出血區(qū)域分割方法，其特征在于，該方法包括以下步驟：

(1)訓(xùn)練Tri-training模型；

(2)基于Tri-training模型的出血區(qū)域分割；

所述步驟1包括以下子步驟：

(1.1)轉(zhuǎn)換CT圖像格式：從計(jì)算機(jī)斷層掃描設(shè)備或數(shù)據(jù)庫中獲取包含出血區(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，另一部分作為無標(biāo)記樣本集，針對有標(biāo)記樣本，手動標(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，通過三維濾波去除噪聲，得到三維矩陣。

(1.4)超體素分割：對重建得到的三維矩陣，應(yīng)用三維簡單線性迭代聚類算法(3DSLIC)對其進(jìn)行分割，得到規(guī)則排列的超體素。該步驟具體為：

(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以N_s為步長在三個(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分類器的樹數(shù)量為100。

(1.6.2)三個(gè)分類器分別對無標(biāo)記樣本集進(jìn)行標(biāo)注，如果兩個(gè)分類器對同一個(gè)未標(biāo)記樣本的標(biāo)簽預(yù)測相同，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。

所述步驟2包括以下子步驟：

(2.1)從計(jì)算機(jī)斷層掃描設(shè)備中導(dǎo)出包含出血區(qū)域的CT圖像；

(2.2)轉(zhuǎn)換CT圖像格式：對于步驟(2.1)獲取的的CT圖像，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。

(2.3)圖像三維重建：將CT圖像重建到三維區(qū)間，通過三維濾波去除噪聲，得到三維矩陣。

(2.4)超體素分割：對重建得到的三維矩陣，應(yīng)用三維簡單線性迭代聚類算法(3DSLIC)對其進(jìn)行分割，得到規(guī)則排列的超體素。

(2.5)提取特征：對每個(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。

(2.6)分類樣本：用通過步驟(1.1)-(1.6)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。

(2.7)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。

2.一種實(shí)現(xiàn)權(quán)利要求1所述方法的基于半監(jiān)督學(xué)習(xí)的腦部CT圖像出血區(qū)域分割系統(tǒng)，其特征在于，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)處理模塊對二維CT圖像序列進(jìn)行格式轉(zhuǎn)換、簡單圖像處理并將二維圖像存儲到三維矩陣。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)練過程中用于訓(xùn)練分類器，在實(shí)際應(yīng)用過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。

3.如權(quán)利要求2所述的一種基于半監(jiān)督學(xué)習(xí)的腦部CT圖像出血區(qū)域分割系統(tǒng)，其特征在于，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bmp或jpg圖像處理格式，并將二維圖像序列存儲到三維矩陣。

4.如權(quán)利要求2所述的一種基于半監(jiān)督學(xué)習(xí)的腦部CT圖像出血區(qū)域分割系統(tǒng)，其特征在于，所述超體素劃分模塊應(yīng)用三維簡單線性迭代聚類算法對三維矩陣進(jìn)行分割，得到規(guī)則排列的超體素作為樣本。

5.如權(quán)利要求2所述的一種基于半監(jiān)督學(xué)習(xí)的腦部CT圖像出血區(qū)域分割系統(tǒng)，其特征在于，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)練過程中計(jì)算樣本的標(biāo)簽。

6.如權(quán)利要求2所述的一種基于半監(jiān)督學(xué)習(xí)的腦部CT圖像出血區(qū)域分割系統(tǒng)，其特征在于，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),支持向量機(jī)和隨機(jī)森林三個(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。

7.如權(quán)利要求2所述的一種基于半監(jiān)督學(xué)習(xí)的腦部CT圖像出血區(qū)域分割系統(tǒng)，其特征在于，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。