多帧CT图像数据的测序数据挖掘与规律分析
何拥军+骆嘉伟+余爱民
摘 要： 针对多帧CT图像进行病理诊断中容易出现数据挖掘信息冗余导致误判的问题，提出一种基于CT图像序列关联轮廓线特征提取及批处理的多帧CT图像数据的测序数据挖掘方法。首先对采集的多帧CT图像进行去噪和特征优化处理，然后采用Sobel算子模板进行CT图像测序数据的模板匹配，基于边缘先验知识进行轮廓线套索搜索，并采用连续批处理方法进行多帧CT图像的连续测序数据挖掘与分析，提高处理效率。最后进行仿真分析，结果表明，采用该方法进行多帧CT图像处理，能准确提取图像轮廓线特征，实现测序数据的准确挖掘，且运算效率较高。
关键词： CT图像； 数据挖掘； 批处理； 轮廓线特征提取
中图分类号： TN911.73?34； TP391.41 文献标识码： A 文章编号： 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
随着图像处理技术的发展，采用图像特征分析方法进行医学诊断成为当前病例分析的重要工具，常见的医学图像有CT图像、B超图像和X光图像等[1]，CT图像是CT用X射线束对人体的骨骼和器官进行光学造影和扫描二乘的图像，把数字矩阵中的每个数字转为由黑到白小块，构成CT图像的体素，存贮于磁盘或光盘中[2?3]。CT图像为病例分析和诊断提供了强大的数据支撑和直观影像，在CT图像采集中，需要进行多帧扫描和采集，需要对多帧扫描的CT图像进行排序和信息特征提取，实现测序数据挖掘，提高CT图像的分析效率和能力，研究多帧CT图像数据的测序数据挖掘与规律分析方法在医生精确获取病人病情方面具有重要意义。
1 多帧CT图像预处理
1.1 多帧CT图像采集处理
目前对多帧CT图像边缘提取及采集采用的是计算机辅助检测系统CAD结合小波变换[4]，在CT成像的成像过程中，用一个或几个阈值进行图像的灰度边缘分解，手工初始化边缘点进行CT成像，传统的多帧CT图像进行病理诊断中容易出现数据挖掘信息噪声干扰导致误判的问题[5]。为了实现多帧CT图像数据的定向区域生长分析[6]，本文提出一种基于CT图像序列关联轮廓线特征提取及批处理的多帧CT图像数据的测序数据挖掘方法，首先采用套索模型进行原始CT图像的采集，使用Sobel算子来对多个区域范围的CT图像进行区域划分[7]，Sobel算子的模板为的矩阵，分为x方向和y方向，得到基于Sobel算子套索模型的CT图像采集模板见图1。
在图1所示的套索模型中，对套索模型的轮廓线进行曲线拟合，曲线是光滑连续的，图像特征分布的任意一个点为，进行多帧CT图像的测序数据挖掘，在进行CT图像采集中，为了减少后续迭代变形的影响，定义套索模型的Snake函数进行曲率渐进控制，表示为：
1.2 多帧CT图像去噪特征优化处理
为了提高多帧CT图像的测序数据挖掘能力，需要对采集的图像进行信息增强去噪处理，CT图像的测序数据分布的灰度区域，设置为模型，对该项进行归一化，得到CT图像轮廓特征点区域像素值为：
对采集的多帧CT图像采用高频小波分解，对图像中每一个套索模型进行特征匹配，得到轮廓线套索模型检索的灰度最大值为：
CT图像边缘检测的能量分布定义为：
式中：为提取初始化点，接近提取的初始化点的控制点具有较小的能量值。采用Snake模型对初始轮廓特征进行边缘降噪[8]，得到CT图像按关联性特征匹配度为：
计算算子梯度信息，分辨出特征轮廓线的噪点，采用灰度势能匹配方法，初始化轮廓像素点，得到多帧CT图像去噪特征输出表达为：
式中，表示CT图像活动轮廓线当前的灰值。
2 多帧CT图像测序数据挖掘改进实现
在上述进行了多帧CT图像的降噪特征优化预处理的基础上，多帧CT图像进行病理诊断中容易出现数据挖掘信息冗余导致误判的问题，进行多帧CT图像测序数据挖掘优化设计。本文提出一种基于CT图像序列关联轮廓线特征提取及批处理的多帧CT图像数据的测序数据挖掘方法，进行测序数据挖掘改进和CT图像的特征信息提取与规律分析。
2.1 CT图像测序数据的模板匹配计算
采用Sobel算子模板进行CT图像测序数据的模板匹配。CT图像测序数据的匹配Sobel算子模板建模为：
式中：表示输入的多帧CT图像；表示特征融合输出；表示像素点之间的噪声，成像的像素特征点估计值满足。结合图像的采集结果，进行CT图像的分类处理，图像分类特征提取之前，为了提高分类精度，采用Sobel算子模板建立统计分布模型表示为：
式中，为多帧CT图像的局部方差，。从CT图像测序数据的模板匹配的统计分布结果进行测序数据挖掘。
2.2 测序数据挖掘的连续批处理
根据上述Sobel算子模板匹配结果，基于边缘先验知识进行轮廓线套索神经网络搜索[9]，并采用连续批处理方法进行多帧CT图像的连续测序数据挖掘与分析，具体步骤如下：
（1） 设，读入第一张CT图像，对图像中的像素进行控制点计算和目标轮廓提取。
（2） 定义搜索区域，设置为，手工给出初始轮廓的某个点为，采用连续性扫描方法进行梯度融合和模板匹配，记其邻域里的任意一个点为，得到两帧CT图像之间的两个像素点的灰度差异值。
（3） 计算图像的梯度值，以为中心进行边缘灰度数据检索，记其邻域里的任意一個点为，得到多帧CT图像的测序数据的灰度值。
（4） 如果，找到边缘向量，否则跳转步骤（2），直到找到CT图像的边缘，执行完为止。
测序数据挖掘连续批处理算法的实现流程见图2。
3 仿真实验分析
仿真实验的硬件环境为Intel2.3 GHz CPU，2 GB内存。采用Matlab进行图像处理分析，实现对多帧CT图像的测序数据挖掘仿真实验。Sobel算子模板邻域大小为7，CT采集的像素值为1 200×800。测试样本为某市三甲医院提供的10套CT图像共500张，CT图像为多帧图像，以其中一组图像为测试样本，得到原图如图3所示。对采集的多帧CT图像进行去噪处理，实现信息增强，得到增强结果如图4所示。
从图4可见，采用本文方法进行图像去噪和特征优化处理，提高了CT图像中轮廓线的套索能力，边缘信息特征分布较为明显。以此为基础进行边缘轮廓特征提取和图像的测序数据挖掘，图5给出了不同方法进行多帧CT图像的边缘轮廓特征提取结果对比。
分析图5结果得知，采用本文方法能有效提取到CT图像真实的边缘，实现序列关联先验知识分析，以此实现测序数据挖掘，表1给出了不同方法下进行CT图像数据挖掘的运算时间对比。
分析表1结果得知，随着帧数的增大，运算时间地增加，采用本文方法进行图像处理和数据挖掘以及采用连续批处理方法进行处理，在运算时间开销的增长上要低于传统方法，提高了图像处理的效率。
4 结 语
为了提高CT图像处理性能，本文提出一种基于CT图像序列关联轮廓线特征提取及批处理的多帧CT图像数据的测序数据挖掘方法，对采集的多帧CT图像进行去噪和特征优化处理，采用连续批处理方法进行多帧CT图像的连续测序数据挖掘与分析，提高处理效率。研究结果表明，采用该方法进行多帧CT图像处理能准确提取图像轮廓线特征，实现测序数据的准确挖掘，且运算效率较高，性能优于传统方法。
参考文献
[1] 兰红，张璐.分水岭优化的Snake模型肝脏图像分割[J].中国图象图形学报，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] 李计添，何永强，陈财森，等.一种基于灰度投影算法的车载电子稳像方法[J].红外技术，2010，32（6）：328?332.
[4] 杜辉.基于小波变换的彩色图像中快速人脸检测算法[J].科技通报，2012，28（12）：89?90.
[5] 马建仓，孟凡路.多小波在振动信号降噪中的应用[J].计算机仿真，2010，27（8）：48?51.
[6] 程明，黄晓阳，黄绍辉，等.定向区域生长算法及其在血管分割中的应用[J].中国图象图形学报，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] 高红民，李臣明，周惠，等.神经网络敏感性分析的高光谱遥感影像降维与分类方法[J].电子与信息学报，2016，38（11）：2715?2723.
摘 要： 针对多帧CT图像进行病理诊断中容易出现数据挖掘信息冗余导致误判的问题，提出一种基于CT图像序列关联轮廓线特征提取及批处理的多帧CT图像数据的测序数据挖掘方法。首先对采集的多帧CT图像进行去噪和特征优化处理，然后采用Sobel算子模板进行CT图像测序数据的模板匹配，基于边缘先验知识进行轮廓线套索搜索，并采用连续批处理方法进行多帧CT图像的连续测序数据挖掘与分析，提高处理效率。最后进行仿真分析，结果表明，采用该方法进行多帧CT图像处理，能准确提取图像轮廓线特征，实现测序数据的准确挖掘，且运算效率较高。
关键词： CT图像； 数据挖掘； 批处理； 轮廓线特征提取
中图分类号： TN911.73?34； TP391.41 文献标识码： A 文章编号： 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
随着图像处理技术的发展，采用图像特征分析方法进行医学诊断成为当前病例分析的重要工具，常见的医学图像有CT图像、B超图像和X光图像等[1]，CT图像是CT用X射线束对人体的骨骼和器官进行光学造影和扫描二乘的图像，把数字矩阵中的每个数字转为由黑到白小块，构成CT图像的体素，存贮于磁盘或光盘中[2?3]。CT图像为病例分析和诊断提供了强大的数据支撑和直观影像，在CT图像采集中，需要进行多帧扫描和采集，需要对多帧扫描的CT图像进行排序和信息特征提取，实现测序数据挖掘，提高CT图像的分析效率和能力，研究多帧CT图像数据的测序数据挖掘与规律分析方法在医生精确获取病人病情方面具有重要意义。
1 多帧CT图像预处理
1.1 多帧CT图像采集处理
目前对多帧CT图像边缘提取及采集采用的是计算机辅助检测系统CAD结合小波变换[4]，在CT成像的成像过程中，用一个或几个阈值进行图像的灰度边缘分解，手工初始化边缘点进行CT成像，传统的多帧CT图像进行病理诊断中容易出现数据挖掘信息噪声干扰导致误判的问题[5]。为了实现多帧CT图像数据的定向区域生长分析[6]，本文提出一种基于CT图像序列关联轮廓线特征提取及批处理的多帧CT图像数据的测序数据挖掘方法，首先采用套索模型进行原始CT图像的采集，使用Sobel算子来对多个区域范围的CT图像进行区域划分[7]，Sobel算子的模板为的矩阵，分为x方向和y方向，得到基于Sobel算子套索模型的CT图像采集模板见图1。
在图1所示的套索模型中，对套索模型的轮廓线进行曲线拟合，曲线是光滑连续的，图像特征分布的任意一个点为，进行多帧CT图像的测序数据挖掘，在进行CT图像采集中，为了减少后续迭代变形的影响，定义套索模型的Snake函数进行曲率渐进控制，表示为：
1.2 多帧CT图像去噪特征优化处理
为了提高多帧CT图像的测序数据挖掘能力，需要对采集的图像进行信息增强去噪处理，CT图像的测序数据分布的灰度区域，设置为模型，对该项进行归一化，得到CT图像轮廓特征点区域像素值为：
对采集的多帧CT图像采用高频小波分解，对图像中每一个套索模型进行特征匹配，得到轮廓线套索模型检索的灰度最大值为：
CT图像边缘检测的能量分布定义为：
式中：为提取初始化点，接近提取的初始化点的控制点具有较小的能量值。采用Snake模型对初始轮廓特征进行边缘降噪[8]，得到CT图像按关联性特征匹配度为：
计算算子梯度信息，分辨出特征轮廓线的噪点，采用灰度势能匹配方法，初始化轮廓像素点，得到多帧CT图像去噪特征输出表达为：
式中，表示CT图像活动轮廓线当前的灰值。
2 多帧CT图像测序数据挖掘改进实现
在上述进行了多帧CT图像的降噪特征优化预处理的基础上，多帧CT图像进行病理诊断中容易出现数据挖掘信息冗余导致误判的问题，进行多帧CT图像测序数据挖掘优化设计。本文提出一种基于CT图像序列关联轮廓线特征提取及批处理的多帧CT图像数据的测序数据挖掘方法，进行测序数据挖掘改进和CT图像的特征信息提取与规律分析。
2.1 CT图像测序数据的模板匹配计算
采用Sobel算子模板进行CT图像测序数据的模板匹配。CT图像测序数据的匹配Sobel算子模板建模为：
式中：表示输入的多帧CT图像；表示特征融合输出；表示像素点之间的噪声，成像的像素特征点估计值满足。结合图像的采集结果，进行CT图像的分类处理，图像分类特征提取之前，为了提高分类精度，采用Sobel算子模板建立统计分布模型表示为：
式中，为多帧CT图像的局部方差，。从CT图像测序数据的模板匹配的统计分布结果进行测序数据挖掘。
2.2 测序数据挖掘的连续批处理
根据上述Sobel算子模板匹配结果，基于边缘先验知识进行轮廓线套索神经网络搜索[9]，并采用连续批处理方法进行多帧CT图像的连续测序数据挖掘与分析，具体步骤如下：
（1） 设，读入第一张CT图像，对图像中的像素进行控制点计算和目标轮廓提取。
（2） 定义搜索区域，设置为，手工给出初始轮廓的某个点为，采用连续性扫描方法进行梯度融合和模板匹配，记其邻域里的任意一个点为，得到两帧CT图像之间的两个像素点的灰度差异值。
（3） 计算图像的梯度值，以为中心进行边缘灰度数据检索，记其邻域里的任意一個点为，得到多帧CT图像的测序数据的灰度值。
（4） 如果，找到边缘向量，否则跳转步骤（2），直到找到CT图像的边缘，执行完为止。
测序数据挖掘连续批处理算法的实现流程见图2。
3 仿真实验分析
仿真实验的硬件环境为Intel2.3 GHz CPU，2 GB内存。采用Matlab进行图像处理分析，实现对多帧CT图像的测序数据挖掘仿真实验。Sobel算子模板邻域大小为7，CT采集的像素值为1 200×800。测试样本为某市三甲医院提供的10套CT图像共500张，CT图像为多帧图像，以其中一组图像为测试样本，得到原图如图3所示。对采集的多帧CT图像进行去噪处理，实现信息增强，得到增强结果如图4所示。
从图4可见，采用本文方法进行图像去噪和特征优化处理，提高了CT图像中轮廓线的套索能力，边缘信息特征分布较为明显。以此为基础进行边缘轮廓特征提取和图像的测序数据挖掘，图5给出了不同方法进行多帧CT图像的边缘轮廓特征提取结果对比。
分析图5结果得知，采用本文方法能有效提取到CT图像真实的边缘，实现序列关联先验知识分析，以此实现测序数据挖掘，表1给出了不同方法下进行CT图像数据挖掘的运算时间对比。
分析表1结果得知，随着帧数的增大，运算时间地增加，采用本文方法进行图像处理和数据挖掘以及采用连续批处理方法进行处理，在运算时间开销的增长上要低于传统方法，提高了图像处理的效率。
4 结 语
为了提高CT图像处理性能，本文提出一种基于CT图像序列关联轮廓线特征提取及批处理的多帧CT图像数据的测序数据挖掘方法，对采集的多帧CT图像进行去噪和特征优化处理，采用连续批处理方法进行多帧CT图像的连续测序数据挖掘与分析，提高处理效率。研究结果表明，采用该方法进行多帧CT图像处理能准确提取图像轮廓线特征，实现测序数据的准确挖掘，且运算效率较高，性能优于传统方法。
参考文献
[1] 兰红，张璐.分水岭优化的Snake模型肝脏图像分割[J].中国图象图形学报，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] 李计添，何永强，陈财森，等.一种基于灰度投影算法的车载电子稳像方法[J].红外技术，2010，32（6）：328?332.
[4] 杜辉.基于小波变换的彩色图像中快速人脸检测算法[J].科技通报，2012，28（12）：89?90.
[5] 马建仓，孟凡路.多小波在振动信号降噪中的应用[J].计算机仿真，2010，27（8）：48?51.
[6] 程明，黄晓阳，黄绍辉，等.定向区域生长算法及其在血管分割中的应用[J].中国图象图形学报，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] 高红民，李臣明，周惠，等.神经网络敏感性分析的高光谱遥感影像降维与分类方法[J].电子与信息学报，2016，38（11）：2715?2723.
