本发明提供了一种基于图像分析的肺移植活性等级判断方法，属于医学图像分析技术领域。具体采用肺移植后采集到的图像为输入对象，首先对肺移植患者术后检查CT模态图像进行全肺分割，然后针对分割得到的感兴趣区域提取高维度影像特征进行定量分析，然后采用提出的中位数均值特征降维方法实现对特征的变换，找到最佳的低维度特征进行图像分类，实现患者肺移植康等级分类。本发明创新性的提出采用中位数均值化特征变换方法实现特征降维，同时在降维中通过算法优化保留关键信息，将大量的特征信息转化为少量的特征向量，减少特征冗余，从而提高了模型的预测精度。
1.一种基于图像分析的肺移植活性等级判断方法，其特征在于包含如下步骤：步骤S100肺部图像自动分割处理；
步骤S200：肺部特征提取处理，用于预处理后的患者肺移植检查的CT图像进行融合特征提取，采用形状大小特征、纹理特征、小波特征进行融合特征；
步骤S300采用改进的中位数去均值化特征变化方法和主特征值分析实现特征降维及进行特征优化分析；
步骤S400：肺移植活性等级分类输出，基于上述基于改进算法进行特征降维及优化分析后的特征向量，采用多层感知机进行图像分类，分类模型的最后层采用softmax函数得到每张肺移植术后检查图像分类结果；
其中在步骤S300中，设有n个样本，每个样本有d个特征，共分为k类,k＝4，第i类有ni个样本，分别计算四类样本的均值，肺移植活性等级为四个等级，分别表示为i＝1,2,3,4，ni表示第i类的样本总数，则第i类对应的类内均值 ：ni表示第i类的样本总数，xij表示第i类中第j个样本，则第i类对应的类内均方距离定义为 其中m,j＝1,2,...,ni,m≠j，然后对每i＝1,2,3,4类中的样本进行去均值化更新：然后对四类样本的类内均方距离，求其中位数，将其定义为式中Median函数求四类均方距离的中位数；
根据四类样本的均值，求解类内特征向量的类内离散度矩阵Si定义为：其中 表示一范数，ni表示第i类的样本总数，xij表示第i类中第j个样本，xi是第i类样本的均值；
同理，将计算的类内样本和总体中值差异的向量定义为Mi，其定义为：其中 表示一范数，ni表示第i类的样本总数，xij表示第i类中第j个样本， 是第i类样本的中位数向量；
式中ni表示第i类的样本总数，为第i类对应的均值， 为四类样本类内均方距离的中位数，为了解决分析中存在的类别不平衡问题，对于样本集中的每个类，计算其样本的类内离散度矩阵Si，然后将类内离散度矩阵加权求和，得到样本总体的协方差矩阵Sw：其中k代表样本类别数，ni表示第i类的样本总数，Si表示第i类内离散度矩阵然后，计算投影向量w使得样本在w方向上的方差最大，即最大化类间离散度矩阵Sb和样本总体协方差矩阵Sw之间的准则函数J(w)：式中w为投影向量，Sb是类间离散度矩阵，Sw是样本总体协方差矩阵；
在求解过程中，令wSww＝1，使wSbw值最大，将其变形为等式约束下的极值问题：T T
式中α为引入的约束变量，对其求导并令其导数为0可求得特征变换的投影方向：式中 是总体协方差矩阵Sw的逆矩阵，ni表示第i类的样本总数，为第i类对应的均*值， 为四类样本类内均方距离的中位数，基于w 变换后的第i类样本特征集合为其中s为缩减后的维度；
在找到投影方向的同时，为了避免特征投影后信息的缺失，需找到所有四类样本中关键特征，利用下述处理误差函数求解每一类别中的主要特征，针对第i类样本集合为：{xi1,...,xni}，其中 是第i类样本集合的均值，其中 定义为：
设将特征维度降到d′＜d，则有对xij的近似： 将最小二乘准则函数定义为： 为二范数，对J(e)进行推导可得：
在上式中， 是样本集合的均值，ni第i类样本的样本数，令则 在条 件 的 约 束 下，可 通 过对 求 导 数 ：则有 为了使准则函数最小，可求得其从大到小的特征值，并对其进行排序，选择d′个依次最大的特征值对应的特征向量构成新的特征集合：最终针对第i＝1,2,3,4类的筛选得到的特征为： 其中s为提出的中位数去均值化特征变化方法缩减后的维度，d′是主特征值分析降维后的特征维度。
2.根据权利要求1所述的肺移植活性等级判断方法，其特征在于：步骤S400中，每张肺移植术后检查图像分类结果包含四种恢复状态等级：1)恢复优良；2)恢复良好；3)恢复一般；4)恢复较差。
3.根据权利要求2所述的肺移植活性等级判断方法，其特征在于：所有图像的预测结果会划分为对应的四个状态，根据模型的输出状态最终实现肺移植患者术后康复情况的预测评估。
4.根据权利要求3所述的肺移植活性等级判断方法，其特征在于所述步骤S100包含以下步骤：步骤S110：图像预处理，将输入的待分类肺部CT图像进行预处理，包括灰度拉伸、直方图均衡化，以增强影像的对比度和清晰度。
5.根据权利要求4所述的肺移植活性等级判断方法，其特征在于：所述其特征在于所述步骤S100还包含：步骤S120：区域生长，利用区域生长算法，将影像中肺部区域进行初步分割，该算法基于种子点和相似度准则，从种子点开始向周围生长，直到达到肺部边缘；同时，对于非肺部区域的误分割，采用形态学处理进行去除。
6.根据权利要求5所述的肺移植活性等级判断方法，其特征在于所述步骤S100还包含以下步骤：步骤S130：形态学处理，利用形态学处理算法，对初步分割得到的肺部区域进行膨胀和腐蚀操作，以消除分割中出现的空洞和小孔，并减少分割误差；
步骤S140：分水岭分割，利用分水岭分割算法，对肺部区域进行进一步分割，该算法基于图像梯度信息，将图像分割成不同的区域，并标记出每个区域的边界；同时，通过连接小的区域，减少分割误差；
步骤S150：后处理，对分割后得到的肺部区域进行后处理，包括去除误分割的部分、填补空洞操作，最终得到完整的肺部分割结果。
7.一种计算机设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至6任一项所述的方法。
一种基于图像分析的肺移植活性等级判断方法
技术领域
[0001] 本发明属于医学图像分析技术领域，针对CT模态的图像，本发明具体涉及一种基于图像分析的肺移植活性等级判断方法。
背景技术
[0002] 肺移植是一种治疗肺部疾病的有效方法。在肺移植后，术后康复情况的评估和监测对于患者的治疗和康复至关重要。传统的康复评估主要依赖于临床体征和病史记录，缺乏客观量化指标，且由于不同医生经验水平有差异，不同医生之间的评估结果可能存在差异性。因此，基于医学影像学的计算机辅助定量分析方法成为一种重要的辅助诊断手段。
发明内容
[0003] 本发明的目的在于解决上述现有技术中存在的难题，提供一种基于图像分析的肺移植活性等级判断方法。本发明是通过以下技术方案实现的：
[0004] 该方法肺移植活性等级判断采集的评估图像不限于CT、磁共振MRI，本发明以CT模态为例，技术方案具体包含以下处理步骤：
[0005] 步骤S100肺部图像自动分割处理，包含以下步骤：
[0006] 步骤S110：图像预处理，将输入的待分类肺部CT图像进行预处理，包括灰度拉伸、直方图均衡化，以增强影像的对比度和清晰度。
[0007] 步骤S120：区域生长，利用区域生长算法，将影像中肺部区域进行初步分割。该算法基于种子点和相似度准则，从种子点开始向周围生长，直到达到肺部边缘。同时，对于非肺部区域的误分割，采用形态学处理进行去除。
[0008] 步骤S130：形态学处理，利用形态学处理算法，对初步分割得到的肺部区域进行膨胀和腐蚀操作，以消除分割中出现的空洞和小孔，并减少分割误差。
[0009] 步骤S140：分水岭分割，利用分水岭分割算法，对肺部区域进行进一步分割。该算法基于图像梯度信息，将图像分割成不同的区域，并标记出每个区域的边界。同时，通过连接小的区域，减少分割误差。
[0010] 步骤S150：后处理，对分割后得到的肺部区域进行后处理，包括去除误分割的部分、填补空洞等操作，最终得到完整的肺部分割结果。
[0011] 本发明中的肺部自动分割方法可以快速、准确地实现对肺部CT图像的分割，有效提高了肺部疾病的诊断效率和准确性。
[0012] 步骤S200：肺部特征提取处理，用于预处理后的患者肺移植检查的CT图像进行融合特征提取，本发明采用形状大小特征、纹理特征、小波特征进行融合特征，具体包括以下几个步骤：
[0013] S210形状大小特征提取：使用现有的图像处理方法，提取肺移植图像中的肺部轮廓，计算轮廓的面积、周长、体积的形状大小特征。
[0014] S220纹理特征提取：利用现有的纹理分析方法，计算肺移植图像中肺部组织的纹理特征。本发明采用灰度共生矩阵(GLCM)方法计算图像的对比度、能量、熵、相关性等纹理特征。
[0015] S230小波特征提取：采用小波变换对肺移植图像进行分解，提取不同尺度和方向的小波系数，从中获取不同的频率信息。通过计算每个小波系数的均值、方差等统计特征，得到小波特征向量。
[0016] 通过上述特征提取处理，提取肺移植图像中的形状大小特征、纹理特征、小波特征，为后续的特征降维和图像分类模块提供丰富的特征信息，进而基于改进算法进行特征降维及优化分析。
[0017] 步骤S300：基于改进算法进行特征降维及优化分析，本发明的特征降维模块采用改进的中位数去均值化特征变化方法和主特征值分析实现特征降维及特征优化处理，然后采用多层感知器实现分类。设本发明有n个样本，每个样本有m个特征，共分为k类，第i类有ni个样本，分别计算四类样本的均值，本发明针对肺移植活性等级以四个等级的分类为例，i＝1,2,3,4，ni表示第i类的样本总数，则第i类对应的类内均方距离
[0018] ni表示第i类的样本总数，xij表示第i类中第j个样本。
[0019] 则第i类对应的类内均方距离定义为 其中m,j＝1,2,...,K,i≠j，
[0020]
[0021] 然后对每i＝1,2,3,4类中的样本进行去均值化更新：
[0022] 然 后 对 四 类 点 的 均 值 ，求 其 中 位 数 ，将 其 定 义 为式中Median函数求四类均方距离的中位数。
[0023] 根据四类的中位数，求解类内特征向量的关联性，将计算样本和类内均值差异的关联性向量Si定义为：
[0024]
[0025] 其中|·|表示一范数，ni表示第i类的样本总数，xij表示第i类中第j个样本， 是第i类样本的平均向量。
[0026] 同理，将计算的类内样本和总体中值差异的向量定义为Mi，其定义为：
[0027]
[0028] 其中|·|表示一范数，ni表示第i类的样本总数，xij表示第i类中第j个样本，是第i类样本的中位数向量。
[0029] 本发明中需要计算类间离散度矩阵Sb，将其定义为：
[0030]
[0031] 式中ni表示第i类的样本总数， 为第i类对应的均值， 为四类样本均值的中位数，为了解决分析中存在的类别不平衡问题，对于样本集中的每个类，计算其样本的协方差矩阵Si，然后将协方差矩阵加权求和，得到样本总体的协方差矩阵Sw：
[0032]
[0033] 其中k代表样本类别数，ni表示第i类的样本总数，Si表示第i类内离散度矩阵
[0034] 然后，计算投影向量w使得样本在w方向上的方差最大，即最大化类间离散度矩阵Sb和样本总体协方差矩阵Sw之间的准则函数J(w)：
[0035] 式中w为投影向量，Sb是类间离散度矩阵，Sw是样本总体协方差矩阵。
[0036] 在求解过程中，令wTSww＝1，使wTSbw值最大，将其变形为等式约束下的极值问题：
[0037] L(w,α)＝wTSbw‑α(wTSww‑1)，
[0038] 式中α为引入的约束变量，对其求导并令其导数为0可求得特征变换的投影方向：
[0039]
[0040] 式中 是总体协方差矩阵Sw的逆矩阵(假设Sw非奇异)，ni表示第i类的样本总数，*为第i类对应的均值， 为四类样本均值的中位数，基于w 变换后的第i类特征集合为
其中ni′为缩减后的维度。
[0041] 在找到投影方向的同时，为了避免特征投影后信息的缺失，需找到所有四类样本中关键特征，本发明利用下述处理误差函数求解每一类别中的主要特征，假设针对第i类样T本集合为：{x1,…,xn}，其中xi＝(x1,…,xd)，m是样本集合的均值，假设 其中
{ei}定义为：
[0042]
[0043] 设本发明将特征维度降到d′＜d，则有对x的近似： 将最小二乘准则2
函数定义为： ||·||为二范数，对J(e)进行推导可得：
[0044]
[0045] 在上式中，m是样本集合的均值，n是样本数，令
[0046] 则 在上述条件||ei||＝1的约束下，可通过对ei求导数：则有Aei＝λiei，为了使准则函数最小，可求得其从大到小的特征
值，并对其进行排序，本发明选择d′个依次最大的特征值对应的特征向量构成新的特征集合： 其中
[0047] 基于上述本发明提出的特征提取方式，最终针对第i＝1,2,3,4类的筛选得到的特征为： 其中ni′为本发明提出的中位数去均值化特征变化方法缩减后的维度，d′是主特征值分析降维后的特征维度。
[0048] 步骤S400：肺移植活性等级分类输出，基于上述基于改进算法进行特征降维及优化分析后的特征向量，采用多层感知机进行图像分类，分类模型的最后层采用softmax函数得到每张肺移植术后检查图像分类结果。每张肺移植术后检查图像分类结果包含四种恢复状态等级：1)恢复优良；2)恢复良好；3)恢复一般；4)恢复较差。所有图像的预测结果会划分为对应的四个状态，根据模型的输出状态最终实现肺移植患者术后康复情况的预测评估。
[0049] 除此之外，本申请还提供了一种基于图像分析的肺移植活性等级判断方法对应的计算设备以及计算机可读存储介质，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现上述肺移植活性等级判断方法。
[0050] 与现有技术相比，本发明的有益效果是：本发明提出一种针对对肺移植患者术后检查CT模态图像进肺移植活性等级分类的技术框架；行全肺分割，然后针对分割得到的感兴趣区域提取高维度影像特征进行定量分析，提出的中位数均值化特征变换方法实现特征降维，同时在降维中通过算法优化保留关键信息，将大量的特征信息转化为少量的特征向量，减少特征冗余，从而提高了模型的预测精度。
附图说明
[0051] 图1为本发明提出的基于图像分析的肺移植活性等级判断方法流程图。
具体实施方式
[0052] 下面结合附图1对本发明作进一步详细描述：
[0053] 在本实施例中肺移植活性等级判断采集的评估图像不限于CT、磁共振MRI，本发明以CT模态为例，首先收集1000例术后CT图像，并标注肺移植活性等级，将600例数据划分为训练集，200例划分为验证集，200例划分为测试集。通过患者肺移植检查的CT图像进行预测分析，最终根据预测结果对图像进行康复等级分类。本发明采用肺移植后采集到的CT图像为输入对象，旨在通过对CT模态进行信息挖掘，基于得到的关联信息进行建模分析，实现患者肺移植康复情况个性化定量预测评估。具体包含以下处理步骤：
[0054] 步骤S100肺部图像自动分割处理，包含以下步骤：
[0055] 步骤S110：图像预处理，将输入的待分类肺部CT图像进行预处理，包括灰度拉伸、直方图均衡化，以增强影像的对比度和清晰度。
[0056] 步骤S120：区域生长，利用区域生长算法，将影像中肺部区域进行初步分割。该算法基于种子点和相似度准则，从种子点开始向周围生长，直到达到肺部边缘。同时，对于非肺部区域的误分割，采用形态学处理进行去除。
[0057] 步骤S130：形态学处理，利用形态学处理算法，对初步分割得到的肺部区域进行膨胀和腐蚀操作，以消除分割中出现的空洞和小孔，并减少分割误差。
[0058] 步骤S140：分水岭分割，利用分水岭分割算法，对肺部区域进行进一步分割。该算法基于图像梯度信息，将图像分割成不同的区域，并标记出每个区域的边界。同时，通过连接小的区域，减少分割误差。
[0059] 步骤S150：后处理，对分割后得到的肺部区域进行后处理，包括去除误分割的部分、填补空洞等操作，最终得到完整的肺部分割结果。
[0060] 本发明中的肺部自动分割方法可以快速、准确地实现对肺部CT图像的分割，有效提高了肺部疾病的诊断效率和准确性。
[0061] 步骤S200：肺部特征提取处理，用于预处理后的患者肺移植检查的CT图像进行融合特征提取，本发明采用形状大小特征、纹理特征、小波特征进行融合特征，具体包括以下几个步骤：
[0062] S210形状大小特征提取：使用现有的图像处理方法，提取肺移植图像中的肺部轮廓，计算轮廓的面积、周长、体积的形状大小特征。
[0063] S220纹理特征提取：利用现有的纹理分析方法，计算肺移植图像中肺部组织的纹理特征。本发明采用灰度共生矩阵(GLCM)方法计算图像的对比度、能量、熵、相关性等纹理特征。
[0064] S230小波特征提取：采用小波变换对肺移植图像进行分解，提取不同尺度和方向的小波系数，从中获取不同的频率信息。通过计算每个小波系数的均值、方差等统计特征，得到小波特征向量。
[0065] 通过上述特征提取处理，提取肺移植图像中的形状大小特征、纹理特征、小波特征，为后续的特征降维和图像分类模块提供丰富的特征信息，进而基于改进算法进行特征降维及优化分析。
[0066] 步骤S300：基于改进算法进行特征降维及优化分析，本发明的特征降维模块采用改进的中位数去均值化特征变化方法和主特征值分析实现特征降维，然后采用多层感知器实现分类。设本发明有n个样本，每个样本有m个特征，共分为k类，第i类有ni个样本，分别计算四类样本的均值，本发明针对肺移植活性等级以四个等级的分类为例，i＝1,2,3,4，ni表示第i类的样本总数，则第i类对应的类内均方距离
[0067] ni表示第i类的样本总数，xij表示第i类中第j个样本。
[0068] 则第i类对应的类内均方距离定义为 其中m,j＝1,2,...,K,i≠j，
[0069]
[0070] 然后对每i＝1,2,3,4类中的样本进行去均值化更新：
[0071] 然 后 对 四 类 点 的 均 值 ，求 其 中 位 数 ，将 其 定 义 为式中Median函数求四类均方距离的中位数。
[0072] 根据四类的中位数，求解类内特征向量的关联性，将计算样本和类内均值差异的关联性向量Si定义为：
[0073]
[0074] 其中|·|表示一范数，ni表示第i类的样本总数，xij表示第i类中第j个样本， 是第i类样本的平均向量。
[0075] 同理，将计算的类内样本和总体中值差异的向量定义为Mi，其定义为：
[0076]
[0077] 其中|·|表示一范数，ni表示第i类的样本总数，xij表示第i类中第j个样本，是第i类样本的中位数向量。
[0078] 本发明中需要计算类间离散度矩阵Sb，将其定义为：
[0079]
[0080] 式中ni表示第i类的样本总数， 为第i类对应的均值， 为四类样本均值的中位数，为了解决分析中存在的类别不平衡问题，对于样本集中的每个类，计算其样本的协方差矩阵Si，然后将协方差矩阵加权求和，得到样本总体的协方差矩阵Sw：
[0081]
[0082] 其中k代表样本类别数，ni表示第i类的样本总数，Si表示第i类内离散度矩阵
[0083] 然后，计算投影向量w使得样本在w方向上的方差最大，即最大化类间离散度矩阵Sb和样本总体协方差矩阵Sw之间的准则函数J(w)：
[0084] 式中w为投影向量，Sb是类间离散度矩阵，Sw是样本总体协方差矩阵。
[0085] 在求解过程中，令wTSww＝1，使wTSbw值最大，将其变形为等式约束下的极值问题：
[0086] L(w,α)＝wTSbw‑α(wTSww‑1)，
[0087] 式中α为引入的约束变量，对其求导并令其导数为0可求得特征变换的投影方向：
[0088]
[0089] 式中 是总体协方差矩阵Sw的逆矩阵(假设Sw非奇异)，ni表示第i类的样本总数，*为第i类对应的均值， 为四类样本均值的中位数，基于w 变换后的第i类特征集合为
其中ni′为缩减后的维度。
[0090] 在找到投影方向的同时，为了避免特征投影后信息的缺失，需找到所有四类样本中关键特征，本发明利用下述处理误差函数求解每一类别中的主要特征，假设针对第i类样T本集合为：{x1,…,xn}，其中xi＝(x1,…,xd)，m是样本集合的均值，假设 其中
{ei}定义为：
[0091]
[0092] 设本发明将特征维度降到d′＜d，则有对x的近似： 将最小二乘准则2
函数定义为： ·||为二范数，对J(e)进行推导可得：
[0093]
[0094] 在上式中，m是样本集合的均值，n是样本数，令
[0095] 则 在上述条件|ei|＝1的约束下，可通过对ei求导数：则有Aei＝λiei，为了使准则函数最小，可求得其从大到小的特征
值，并对其进行排序，本发明选择d′个依次最大的特征值对应的特征向量构成新的特征集合： 其中
[0096] 基于上述本发明提出的特征提取方式，最终针对第i＝1,2,3,4类的筛选得到的特征为： 其中ni′为本发明提出的中位数去均值化特征变化方法缩减后的维度，d′是主特征值分析降维后的特征维度。
[0097] 步骤S400：肺移植活性等级分类输出，基于上述基于改进算法进行特征降维及优化分析后的特征向量，采用多层感知机进行图像分类，分类模型的最后层采用softmax函数得到每张肺移植术后检查图像分类结果。每张肺移植术后检查图像分类结果包含四种恢复状态等级：1)恢复优良；2)恢复良好；3)恢复一般；4)恢复较差。所有图像的预测结果会划分为对应的四个状态，根据模型的输出状态最终实现肺移植患者术后康复情况的预测评估。
[0098] 除此之外，本申请还提供了一种基于图像分析的肺移植活性等级判断方法对应的计算设备以及计算机可读存储介质，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现上述肺移植活性等级判断方法。
[0099] 在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0100] 在本发明的描述中，除非另有说明，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0101] 最后应说明的是，上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。
