多幀CT圖像數據的測序數據挖掘與規律分析

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數據挖掘信息冗余導致誤判的問題，提出一種基于CT圖像序列關聯輪廓線特征提取及批處理的多幀CT圖像數據的測序數據挖掘方法。首先對采集的多幀CT圖像進行去噪和特征優化處理，然后采用Sobel算子模板進行CT圖像測序數據的模板匹配，基于邊緣先驗知識進行輪廓線套索搜索，并采用連續批處理方法進行多幀CT圖像的連續測序數據挖掘與分析，提高處理效率。最后進行仿真分析，結果表明，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，實現測序數據的準確挖掘，且運算效率較高。

關鍵詞： CT圖像； 數據挖掘； 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

隨著圖像處理技術的發展，采用圖像特征分析方法進行醫學診斷成為當前病例分析的重要工具，常見的醫學圖像有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造影和掃描二乘的圖像，把數字矩陣中的每個數字轉為由黑到白小塊，構成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據支撐和直觀影像，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，實現測序數據挖掘，提高CT圖像的分析效率和能力，研究多幀CT圖像數據的測序數據挖掘與規律分析方法在醫生精確獲取病人病情方面具有重要意義。

1 多幀CT圖像預處理

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CAD結合小波變換[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，傳統的多幀CT圖像進行病理診斷中容易出現數據挖掘信息噪聲干擾導致誤判的問題[5]。為了實現多幀CT圖像數據的定向區域生長分析[6]，本文提出一種基于CT圖像序列關聯輪廓線特征提取及批處理的多幀CT圖像數據的測序數據挖掘方法，首先采用套索模型進行原始CT圖像的采集，使用Sobel算子來對多個區域范圍的CT圖像進行區域劃分[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圖像的測序數據挖掘，在進行CT圖像采集中，為了減少后續迭代變形的影響，定義套索模型的Snake函數進行曲率漸進控制，表示為：

1.2 多幀CT圖像去噪特征優化處理

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

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圖像按關聯性特征匹配度為：

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圖像活動輪廓線當前的灰值。

2 多幀CT圖像測序數據挖掘改進實現

在上述進行了多幀CT圖像的降噪特征優化預處理的基礎上，多幀CT圖像進行病理診斷中容易出現數據挖掘信息冗余導致誤判的問題，進行多幀CT圖像測序數據挖掘優化設計。本文提出一種基于CT圖像序列關聯輪廓線特征提取及批處理的多幀CT圖像數據的測序數據挖掘方法，進行測序數據挖掘改進和CT圖像的特征信息提取與規律分析。

2.1 CT圖像測序數據的模板匹配計算

采用Sobel算子模板進行CT圖像測序數據的模板匹配。CT圖像測序數據的匹配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。結合圖像的采集結果，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圖像測序數據的模板匹配的統計分布結果進行測序數據挖掘。

2.2 測序數據挖掘的連續批處理

根據上述Sobel算子模板匹配結果，基于邊緣先驗知識進行輪廓線套索神經網絡搜索[9]，并采用連續批處理方法進行多幀CT圖像的連續測序數據挖掘與分析，具體步驟如下：

（1） 設，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） 定義搜索區域，設置為，手工給出初始輪廓的某個點為，采用連續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據檢索，記其鄰域里的任意一個點為，得到多幀CT圖像的測序數據的灰度值。

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

測序數據挖掘連續批處理算法的實現流程見圖2。

3 仿真實驗分析

仿真實驗的硬件環境為Intel2.3 GHz CPU，2 GB內存。采用Matlab進行圖像處理分析，實現對多幀CT圖像的測序數據挖掘仿真實驗。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，實現信息增強，得到增強結果如圖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。以此為基礎進行邊緣輪廓特征提取和圖像的測序數據挖掘，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果對比。

分析圖5結果得知，采用本文方法能有效提取到CT圖像真實的邊緣，實現序列關聯先驗知識分析，以此實現測序數據挖掘，表1給出了不同方法下進行CT圖像數據挖掘的運算時間對比。

分析表1結果得知，隨著幀數的增大，運算時間地增加，采用本文方法進行圖像處理和數據挖掘以及采用連續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方法，提高了圖像處理的效率。

4 結 語

為了提高CT圖像處理性能，本文提出一種基于CT圖像序列關聯輪廓線特征提取及批處理的多幀CT圖像數據的測序數據挖掘方法，對采集的多幀CT圖像進行去噪和特征優化處理，采用連續批處理方法進行多幀CT圖像的連續測序數據挖掘與分析，提高處理效率。研究結果表明，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，實現測序數據的準確挖掘，且運算效率較高，性能優于傳統方法。

參考文獻

[1] 蘭紅，張璐.分水嶺優化的Snake模型肝臟圖像分割[J].中國圖象圖形學報，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像方法[J].紅外技術，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.定向區域生長算法及其在血管分割中的應用[J].中國圖象圖形學報，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.神經網絡敏感性分析的高光譜遙感影像降維與分類方法[J].電子與信息學報，2016，38（11）：2715?2723.