本发明涉及图像分割，具体涉及一种基于胸外科ct影像的智能分割方法。
背景技术：
1、胸外科ct（computed tomography，计算机断层扫描）是一种医学影像技术，通过使用x射线和计算机技术创建详细的横截面图像，此技术可用于诊断肺部疾病，例如肺组织病变中的肺部感染、肺部肿瘤、肺部炎症等。胸外科ct影像在临床实践中扮演着重要的角色，为医生提供了详细的解剖学信息，有助于精确诊断和有效治疗，因此需要格外重视胸外科ct影像的图像分割。
2、在基于k-means聚类对胸肺部ct影像支气管区域图像进行分割时，胸肺部ct影像中存在部分噪声，聚类k值的选取在一定程度上决定了支气管区域的聚类效果，但是人为给定或通过现有算法计算得到的聚类k值存在一定误差，其导致无法得到最大程度的支气管区域，即胸外科ct影像的支气管区域分割准确度低下。
技术实现思路
1、为了解决上述胸外科ct影像的支气管区域分割准确度低下的技术问题，本发明的目的在于提供一种基于胸外科ct影像的智能分割方法，所采用的技术方案具体如下：
2、本发明一个实施例提供了一种基于胸外科ct影像的智能分割方法，该方法包括以下步骤：
3、获取患者的胸外科ct影像，对胸外科ct影像进行预处理获得肺部区域图像；设置预设数目个聚类k值，根据灰度相似性对肺部区域图像进行聚类处理，确定每个聚类k值对应的簇集合；
4、根据每个聚类k值对应的簇集合的每个簇内各个子簇的形态特征、轮廓特征和延伸特征，确定各个子簇属于支气管簇的可能性；所述支气管簇由支气管区域内的像素点组成；
5、根据各个子簇属于支气管簇的可能性获得每个聚类k值对应的属于支气管区域的目标簇；
6、根据每个聚类k值对应的属于支气管区域的目标簇，分析目标簇内所有子簇的方向相似性、分布离散程度以及支气管簇占比程度，确定每个聚类k值对应的聚类满意度；
7、根据每个聚类k值对应的聚类满意度，对肺部区域图像进行支气管区域分割处理获得患者的支气管区域图像。
8、进一步地，根据每个聚类k值对应的簇集合的每个簇内各个子簇的形态特征、轮廓特征和延伸特征，确定各个子簇属于支气管簇的可能性，包括：
9、对于任意一个子簇，对子簇进行凸包检测获得子簇的最小凸多边形，根据子簇的最小凸多边形的周长和面积、子簇的周长，分析子簇的形态特征，确定子簇属于支气管簇的第一可能因子；
10、使用8-链码对子簇进行处理获得各个链码，根据每个相邻链码的夹角角度，分析子簇的轮廓特征，确定子簇属于支气管簇的第二可能因子；
11、利用pca方法对子簇进行主成分分析，获得最大主成分向量与最小主成分向量；将最大主成分向量的模长与最小主成分向量的模长的比值，作为子簇属于支气管簇的第三可能因子；
12、计算子簇属于支气管簇的第一可能因子、第二可能因子以及第三可能因子的乘积，对三个可能因子的乘积进行归一化处理，将归一化处理后的乘积作为子簇属于支气管簇的可能性。
13、进一步地，根据子簇的最小凸多边形的周长和面积、子簇的周长，分析子簇的形态特征，确定子簇属于支气管簇的第一可能因子，包括：
14、将子簇的最小凸多边形的面积与最小凸多边形的周长的比值作为第一比值，将子簇的最小凸多边形的面积与子簇的周长的比值作为第二比值，计算第一比值和第二比值的差值绝对值，将两个比值的差值绝对值作为子簇属于支气管簇的第一可能因子。
15、进一步地，所述子簇属于支气管簇的第二可能因子的计算公式为：
16、；式中，为子簇属于支气管簇的第二可能因子，n为子簇对应的链码个数，k为相邻链码的夹角角度序号，为第k个相邻链码的夹角角度，cos为余弦函数。
17、进一步地，根据各个子簇属于支气管簇的可能性获得每个聚类k值对应的属于支气管区域的目标簇，包括：
18、将可能性大于预设可能性阈值的子簇确定为支气管簇，获得每个聚类k值对应的簇集合的每个簇内的各个支气管簇；
19、对于任意一个簇，根据簇内所有子簇的个数、支气管簇的个数、所有子簇的总面积和所有支气管簇的总面积，确定簇属于支气管区域的目标簇的概率；
20、对于任意一个聚类k值，获取聚类k值对应的簇集合的每个簇属于支气管区域的目标簇的概率，将最大概率对应的簇作为聚类k值对应的属于支气管区域的目标簇。
21、进一步地，根据簇内所有子簇的个数、支气管簇的个数、所有子簇的总面积和所有支气管簇的总面积，确定簇属于支气管区域的目标簇的概率，包括：
22、将支气管簇的个数与所有子簇的个数的比值作为第三比值，将所有支气管簇的总面积和所有子簇的总面积的比值作为第四比值，计算第三比值和第四比值的乘积；对第三比值和第四比值的乘积进行归一化处理，将归一化处理后的数值作为簇属于支气管区域的目标簇的概率。
23、进一步地，根据每个聚类k值对应的属于支气管区域的目标簇，分析目标簇内所有子簇的方向相似性、分布离散程度以及支气管簇占比程度，确定每个聚类k值对应的聚类满意度，包括：
24、对于任意一个聚类k值，对聚类k值对应的属于支气管区域的目标簇内任意两个子簇的最大主成分向量进行余弦映射后，获得各个余弦相似度，将各个余弦相似度的平均值作为第一聚类满意因子；
25、计算聚类k值对应的属于支气管区域的目标簇内任意两个子簇之间的欧氏距离，获得各个欧氏距离，将各个欧氏距离的平均值作为第二聚类满意因子；计算目标簇内支气管簇与非支气管簇的数量比值，将支气管簇与非支气管簇的数量比值作为第三聚类满意因子；
26、计算第一聚类满意因子、第二聚类满意因子和第三聚类满意因子的乘积，将三个聚类满意因子的乘积确定为聚类k值对应的聚类满意度。
27、进一步地，所述非支气管簇是除支气管簇以外的其他子簇。
28、进一步地，根据每个聚类k值对应的聚类满意度，对肺部区域图像进行支气管区域分割处理获得患者的支气管区域图像，包括：
29、将最大聚类满意度对应的聚类k值确定为肺部区域图像的最优聚类k值，将最优聚类k值对应的目标簇对应到肺部区域图像中，进行支气管区域的分割处理，获得患者的支气管区域图像。
30、进一步地，对胸外科ct影像进行预处理获得肺部区域图像，包括：
31、对胸外科ct影像进行灰度化和滤波处理，获得灰度化和滤波处理后的胸外科ct影像，作为第一图像；利用otsu算法对所述第一图像进行分割，获得分割后的图像，作为第二图像；利用形态学闭运算对所述第二图像进行图像处理，获得第三图像；使用连通域检测第三图像，获得肺部轮廓连通域；将肺部轮廓连通域与胸外科ct影像相乘，得到肺部区域图像。
32、本发明具有如下有益效果：
33、本发明提供了一种基于胸外科ct影像的智能分割方法，在基于k-means对肺部区域图像进行支气管区域分割时，针对聚类k值选取不当所导致的支气管区域分割效果不佳的问题，通过多个不同的聚类k值对应的聚类结果，确定每个聚类k值对应的属于支气管区域的目标簇；进而根据目标簇与支气管区域聚类特征的贴合程度，量化每个聚类k值对应的聚类满意度；从而基于聚类满意度，对肺部区域图像进行支气管区域分割处理获得患者的支气管区域图像，其使得聚类k值的选取更贴合对应图像的成像水平特征，有助于提高肺部支气管区域分割的准确性与完整性。
1.一种基于胸外科ct影像的智能分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于胸外科ct影像的智能分割方法，其特征在于，根据每个聚类k值对应的簇集合的每个簇内各个子簇的形态特征、轮廓特征和延伸特征，确定各个子簇属于支气管簇的可能性，包括：
3.根据权利要求2所述的一种基于胸外科ct影像的智能分割方法，其特征在于，根据子簇的最小凸多边形的周长和面积、子簇的周长，分析子簇的形态特征，确定子簇属于支气管簇的第一可能因子，包括：
4.根据权利要求2所述的一种基于胸外科ct影像的智能分割方法，其特征在于，所述子簇属于支气管簇的第二可能因子的计算公式为：
5.根据权利要求2所述的一种基于胸外科ct影像的智能分割方法，其特征在于，根据各个子簇属于支气管簇的可能性获得每个聚类k值对应的属于支气管区域的目标簇，包括：
6.根据权利要求5所述的一种基于胸外科ct影像的智能分割方法，其特征在于，根据簇内所有子簇的个数、支气管簇的个数、所有子簇的总面积和所有支气管簇的总面积，确定簇属于支气管区域的目标簇的概率，包括：
7.根据权利要求5所述的一种基于胸外科ct影像的智能分割方法，其特征在于，根据每个聚类k值对应的属于支气管区域的目标簇，分析目标簇内所有子簇的方向相似性、分布离散程度以及支气管簇占比程度，确定每个聚类k值对应的聚类满意度，包括：
8.根据权利要求7所述的一种基于胸外科ct影像的智能分割方法，其特征在于，所述非支气管簇是除支气管簇以外的其他子簇。
9.根据权利要求1所述的一种基于胸外科ct影像的智能分割方法，其特征在于，根据每个聚类k值对应的聚类满意度，对肺部区域图像进行支气管区域分割处理获得患者的支气管区域图像，包括：
10.根据权利要求1所述的一种基于胸外科ct影像的智能分割方法，其特征在于，对胸外科ct影像进行预处理获得肺部区域图像，包括：
