多幀CT圖像數(shù)據(jù)的測序數(shù)據(jù)挖掘與規(guī)律分析

何擁軍+駱嘉偉+余愛民

摘 要： 針對多幀CT圖像進行病理診斷中容易出現(xiàn)數(shù)據(jù)挖掘信息冗余導(dǎo)致誤判的問題，提出一種基于CT圖像序列關(guān)聯(lián)輪廓線特征提取及批處理的多幀CT圖像數(shù)據(jù)的測序數(shù)據(jù)挖掘方法。首先對采集的多幀CT圖像進行去噪和特征優(yōu)化處理，然后采用Sobel算子模板進行CT圖像測序數(shù)據(jù)的模板匹配，基于邊緣先驗知識進行輪廓線套索搜索，并采用連續(xù)批處理方法進行多幀CT圖像的連續(xù)測序數(shù)據(jù)挖掘與分析，提高處理效率。最后進行仿真分析，結(jié)果表明，采用該方法進行多幀CT圖像處理，能準確提取圖像輪廓線特征，實現(xiàn)測序數(shù)據(jù)的準確挖掘，且運算效率較高。

關(guān)鍵詞： CT圖像； 數(shù)據(jù)挖掘； 批處理； 輪廓線特征提取

中圖分類號： TN911.73?34； TP391.41 文獻標識碼： A 文章編號： 1004?373X（2017）14?0106?03

Abstract： Because the pathological diagnosis with multi?frame CT image may result in the erroneous judgment due to the redundant data mining information， a sequencing data mining method of multi?frame CT image data is put forward， which is based on the extraction and batch processing of the association contour line feature of CT image. The collected multi?frame CT image is performed with denoising and feature optimization. The Sobel operator template is adopted to match the template of the CT image sequencing data. The contour line is searched on the basis of edge prior knowledge. The continuous batch processing method is employed to mine and analyze the continuous sequencing data of the multi?frame CT image， and improve the processing efficiency. The simulation analysis results show that the method can extract the feature of image contour line accurately for multi?frame CT image processing， mine the sequencing data exactly， and has high operation efficiency.

Keywords： multi?frame CT image； data mining； batch processing； contour line feature extraction

隨著圖像處理技術(shù)的發(fā)展，采用圖像特征分析方法進行醫(yī)學(xué)診斷成為當(dāng)前病例分析的重要工具，常見的醫(yī)學(xué)圖像有CT圖像、B超圖像和X光圖像等[1]，CT圖像是CT用X射線束對人體的骨骼和器官進行光學(xué)造影和掃描二乘的圖像，把數(shù)字矩陣中的每個數(shù)字轉(zhuǎn)為由黑到白小塊，構(gòu)成CT圖像的體素，存貯于磁盤或光盤中[2?3]。CT圖像為病例分析和診斷提供了強大的數(shù)據(jù)支撐和直觀影像，在CT圖像采集中，需要進行多幀掃描和采集，需要對多幀掃描的CT圖像進行排序和信息特征提取，實現(xiàn)測序數(shù)據(jù)挖掘，提高CT圖像的分析效率和能力，研究多幀CT圖像數(shù)據(jù)的測序數(shù)據(jù)挖掘與規(guī)律分析方法在醫(yī)生精確獲取病人病情方面具有重要意義。

1 多幀CT圖像預(yù)處理

1.1 多幀CT圖像采集處理

目前對多幀CT圖像邊緣提取及采集采用的是計算機輔助檢測系統(tǒng)CAD結(jié)合小波變換[4]，在CT成像的成像過程中，用一個或幾個閾值進行圖像的灰度邊緣分解，手工初始化邊緣點進行CT成像，傳統(tǒng)的多幀CT圖像進行病理診斷中容易出現(xiàn)數(shù)據(jù)挖掘信息噪聲干擾導(dǎo)致誤判的問題[5]。為了實現(xiàn)多幀CT圖像數(shù)據(jù)的定向區(qū)域生長分析[6]，本文提出一種基于CT圖像序列關(guān)聯(lián)輪廓線特征提取及批處理的多幀CT圖像數(shù)據(jù)的測序數(shù)據(jù)挖掘方法，首先采用套索模型進行原始CT圖像的采集，使用Sobel算子來對多個區(qū)域范圍的CT圖像進行區(qū)域劃分[7]，Sobel算子的模板為的矩陣，分為x方向和y方向，得到基于Sobel算子套索模型的CT圖像采集模板見圖1。

在圖1所示的套索模型中，對套索模型的輪廓線進行曲線擬合，曲線是光滑連續(xù)的，圖像特征分布的任意一個點為，進行多幀CT圖像的測序數(shù)據(jù)挖掘，在進行CT圖像采集中，為了減少后續(xù)迭代變形的影響，定義套索模型的Snake函數(shù)進行曲率漸進控制，表示為：

1.2 多幀CT圖像去噪特征優(yōu)化處理

為了提高多幀CT圖像的測序數(shù)據(jù)挖掘能力，需要對采集的圖像進行信息增強去噪處理，CT圖像的測序數(shù)據(jù)分布的灰度區(qū)域，設(shè)置為模型，對該項進行歸一化，得到CT圖像輪廓特征點區(qū)域像素值為：

對采集的多幀CT圖像采用高頻小波分解，對圖像中每一個套索模型進行特征匹配，得到輪廓線套索模型檢索的灰度最大值為：

CT圖像邊緣檢測的能量分布定義為：

式中：為提取初始化點，接近提取的初始化點的控制點具有較小的能量值。采用Snake模型對初始輪廓特征進行邊緣降噪[8]，得到CT圖像按關(guān)聯(lián)性特征匹配度為：

計算算子梯度信息，分辨出特征輪廓線的噪點，采用灰度勢能匹配方法，初始化輪廓像素點，得到多幀CT圖像去噪特征輸出表達為：

式中，表示CT圖像活動輪廓線當(dāng)前的灰值。

2 多幀CT圖像測序數(shù)據(jù)挖掘改進實現(xiàn)

在上述進行了多幀CT圖像的降噪特征優(yōu)化預(yù)處理的基礎(chǔ)上，多幀CT圖像進行病理診斷中容易出現(xiàn)數(shù)據(jù)挖掘信息冗余導(dǎo)致誤判的問題，進行多幀CT圖像測序數(shù)據(jù)挖掘優(yōu)化設(shè)計。本文提出一種基于CT圖像序列關(guān)聯(lián)輪廓線特征提取及批處理的多幀CT圖像數(shù)據(jù)的測序數(shù)據(jù)挖掘方法，進行測序數(shù)據(jù)挖掘改進和CT圖像的特征信息提取與規(guī)律分析。

2.1 CT圖像測序數(shù)據(jù)的模板匹配計算

采用Sobel算子模板進行CT圖像測序數(shù)據(jù)的模板匹配。CT圖像測序數(shù)據(jù)的匹配Sobel算子模板建模為：

式中：表示輸入的多幀CT圖像；表示特征融合輸出；表示像素點之間的噪聲，成像的像素特征點估計值滿足。結(jié)合圖像的采集結(jié)果，進行CT圖像的分類處理，圖像分類特征提取之前，為了提高分類精度，采用Sobel算子模板建立統(tǒng)計分布模型表示為：

式中，為多幀CT圖像的局部方差，。從CT圖像測序數(shù)據(jù)的模板匹配的統(tǒng)計分布結(jié)果進行測序數(shù)據(jù)挖掘。

2.2 測序數(shù)據(jù)挖掘的連續(xù)批處理

根據(jù)上述Sobel算子模板匹配結(jié)果，基于邊緣先驗知識進行輪廓線套索神經(jīng)網(wǎng)絡(luò)搜索[9]，并采用連續(xù)批處理方法進行多幀CT圖像的連續(xù)測序數(shù)據(jù)挖掘與分析，具體步驟如下：

（1） 設(shè)，讀入第一張CT圖像，對圖像中的像素進行控制點計算和目標輪廓提取。

（2） 定義搜索區(qū)域，設(shè)置為，手工給出初始輪廓的某個點為，采用連續(xù)性掃描方法進行梯度融合和模板匹配，記其鄰域里的任意一個點為，得到兩幀CT圖像之間的兩個像素點的灰度差異值。

（3） 計算圖像的梯度值，以為中心進行邊緣灰度數(shù)據(jù)檢索，記其鄰域里的任意一個點為，得到多幀CT圖像的測序數(shù)據(jù)的灰度值。

（4） 如果，找到邊緣向量，否則跳轉(zhuǎn)步驟（2），直到找到CT圖像的邊緣，執(zhí)行完為止。

測序數(shù)據(jù)挖掘連續(xù)批處理算法的實現(xiàn)流程見圖2。

3 仿真實驗分析

仿真實驗的硬件環(huán)境為Intel2.3 GHz CPU，2 GB內(nèi)存。采用Matlab進行圖像處理分析，實現(xiàn)對多幀CT圖像的測序數(shù)據(jù)挖掘仿真實驗。Sobel算子模板鄰域大小為7，CT采集的像素值為1 200×800。測試樣本為某市三甲醫(yī)院提供的10套CT圖像共500張，CT圖像為多幀圖像，以其中一組圖像為測試樣本，得到原圖如圖3所示。對采集的多幀CT圖像進行去噪處理，實現(xiàn)信息增強，得到增強結(jié)果如圖4所示。

從圖4可見，采用本文方法進行圖像去噪和特征優(yōu)化處理，提高了CT圖像中輪廓線的套索能力，邊緣信息特征分布較為明顯。以此為基礎(chǔ)進行邊緣輪廓特征提取和圖像的測序數(shù)據(jù)挖掘，圖5給出了不同方法進行多幀CT圖像的邊緣輪廓特征提取結(jié)果對比。

分析圖5結(jié)果得知，采用本文方法能有效提取到CT圖像真實的邊緣，實現(xiàn)序列關(guān)聯(lián)先驗知識分析，以此實現(xiàn)測序數(shù)據(jù)挖掘，表1給出了不同方法下進行CT圖像數(shù)據(jù)挖掘的運算時間對比。

分析表1結(jié)果得知，隨著幀數(shù)的增大，運算時間地增加，采用本文方法進行圖像處理和數(shù)據(jù)挖掘以及采用連續(xù)批處理方法進行處理，在運算時間開銷的增長上要低于傳統(tǒng)方法，提高了圖像處理的效率。

4 結(jié) 語

為了提高CT圖像處理性能，本文提出一種基于CT圖像序列關(guān)聯(lián)輪廓線特征提取及批處理的多幀CT圖像數(shù)據(jù)的測序數(shù)據(jù)挖掘方法，對采集的多幀CT圖像進行去噪和特征優(yōu)化處理，采用連續(xù)批處理方法進行多幀CT圖像的連續(xù)測序數(shù)據(jù)挖掘與分析，提高處理效率。研究結(jié)果表明，采用該方法進行多幀CT圖像處理能準確提取圖像輪廓線特征，實現(xiàn)測序數(shù)據(jù)的準確挖掘，且運算效率較高，性能優(yōu)于傳統(tǒng)方法。

參考文獻

[1] 蘭紅，張璐.分水嶺優(yōu)化的Snake模型肝臟圖像分割[J].中國圖象圖形學(xué)報，2012，17（7）：873?879.

[2] KIRCHNER G， KOIDL F， FRIEDERICH F， et al. Laser measurements to space debris from Graz SLR station [J]. Advances in space research， 2013， 51（1）： 21?24.

[3] 李計添，何永強，陳財森，等.一種基于灰度投影算法的車載電子穩(wěn)像方法[J].紅外技術(shù)，2010，32（6）：328?332.

[4] 杜輝.基于小波變換的彩色圖像中快速人臉檢測算法[J].科技通報，2012，28（12）：89?90.

[5] 馬建倉，孟凡路.多小波在振動信號降噪中的應(yīng)用[J].計算機仿真，2010，27（8）：48?51.

[6] 程明，黃曉陽，黃紹輝，等.定向區(qū)域生長算法及其在血管分割中的應(yīng)用[J].中國圖象圖形學(xué)報，2011，16（1）：44?49.

[7] JIANG Junzheng， ZHOU Fang. Iterative design of two?dimensional critically sampled MDFT modulated filter banks [J]. Signal processing， 2013， 93（11）： 3124?3132.

[8] RAJAPAKAHA N， MADANAYAKE A， BRUTON L T. 2D space?time wave?digital multi?fan filter banks for signals consisting of multiple plane waves [J]. Multidimensional systems and signal processing， 2014， 25（1）： 17?39.

[9] 高紅民，李臣明，周惠，等.神經(jīng)網(wǎng)絡(luò)敏感性分析的高光譜遙感影像降維與分類方法[J].電子與信息學(xué)報，2016，38（11）：2715?2723.