CN101551855A - 自适应核匹配追踪辅助诊断系统及其辅助诊断方法 - Google Patents

Abstract

本发明公开了一种基于自适应核匹配追踪辅助诊断系统及方法，它属于图像处理技术领域。整个系统包括：影像预处理模块，完成原始影像去冗余以及直方图均衡化增强处理；影像特征提取模块，对输入的影像完成灰度共生矩阵和Hu矩特征提取；影像自适应核匹配追踪分类诊断模块通过影像标识样本训练子模块、影像未标识样本测试子模块、影像自适应因子调节模块，对输入有标识的训练影像集分类诊断，采用弱势样本诊断识别率与设定的阈值比较，调整自适应因子，得到最终的训练分类器，使用最终的训练分类器对未标识的测试样本分类产生最终的诊断结果。本发明具有识别精度高、运算量小的优点，可用于对医疗卫生，普查工作，人口健康管理领域。

Description

自适应核匹配追踪辅助诊断系统及其辅助诊断方法

技术领域

本发明属于图像处理技术领域，特别是涉及医学影像诊断，可用于医疗卫生，普查工作，人口健康管理。

背景技术

各种医学图像如X光、CT、MRI等，已经成为医学临床诊断、病理跟踪、教育科研的重要依据与线索。医学图像由于其个体差异大、图像模糊不均匀、噪声以及病理类别繁多等因素影响，导致医学图像的诊断成为一个十分复杂而又迫切需要解决的问题。现在，快速、准确地采用语义信息和内容相结合的多级识别方法确定医学图像类别，已成为当前医学图像数据库研究的方法之一。其中基于内容的医学图像分类是当前的研究热点，可以用于计算机智能辅助诊断，达到提高诊断效率和准确性的目的。利用数字化乳腺X线图像识别分类器，可快速识别良性和恶性的病变，大大提高检索相似案例的效率。数据挖掘技术在医学图像诊断中的应用也是最近开始受到学术界关注的重要研究方向之一，并已取得了一定的成果。在胃癌检测方面，CT及MRI可无创、直观的显示胃癌局域淋巴结，目前常用于胃癌的临床术前N分期评价，其中N分期包括N0、N1、N2、N3、N4等五个分期，判断结果主要由胃周淋巴结数目多少得到。实际评价过程中由于胃周淋巴结多达数十乃至上百枚，在这种胃周复杂结构的背景下，读片检出淋巴结的准确性明显受限，同时胃癌医学影像存在个体差异极大、标记样本数目较少以及癌变样本在总样本中分布不均匀等因素，导致CT对N分期的预测准确率仍然较低。

发明内容

本发明目的在于克服上述已有技术的不足，针对医学影像个体差异大、数据标签少以及数据分布不平衡等问题，提出了一种基于不平衡医学影像的自适应核匹配追踪辅助诊断系统及其辅助诊断方法，以提高分类器识别率，从而有效提高诊断的准确率。

为实现上述目的，本发明提供自适应核匹配追踪辅助诊断系统，包括：

影像预处理模块，完成原始影像去冗余以及直方图均衡化增强处理，并将处理后的结果传输给影像特征提取模块；

影像特征提取模块，对输入的影像完成灰度共生矩阵和Hu矩特征提取，再将其提取结果传输至影像自适应核匹配追踪分类诊断模块；

影像自适应核匹配追踪分类诊断模块，对输入的有标记的不平衡影像数据样本进行多次学习，利用得到的分类器对未标识的影像数据进行识别，输出最终诊断结果。

所述的影像自适应核匹配追踪分类诊断模块包括：

影像标识样本训练子模块，完成有标签影像样本的训练，生成影像诊断分类器，并将该分类器传输给影像自适应因子调节子模块；

影像自适应因子调节子模块，根据输入的弱势样本诊断识别率与设定常量的比对，调节自适应因子S_i，再将带有自适应因子的影像诊断分类器传至影像未标识样本测试子模块；

影像未标识样本测试子模块，完成对输入的分类器的无标签影像样本分类，获得未标记样本的诊断标签，输出这些样本的诊断识别结果。

为实现上述目的，本发明提供自适应核匹配追踪辅助诊断方法，包括如下步骤：

(1)采用直方图均衡化和均方差标准化方法，对原始影像集进行切割与增强处理；

(2)对增强处理后的影像集提取其灰度共生矩阵和Hu矩特征；定义有标识的训练样本集合{(x₁，u₁)..(x_i，u_i).，(x_l，u_l)}，其中，x_i表示第i个有标识训练样本的特征，u_i的表示有标识训练样本的标识，i表示第i个有标识训练样本；

(3)对所有的有标识训练样本x_i赋予给定的自适应因子S_i，得到具有权重值的有标识的训练样本{(x₁′，u₁)，..(x_i′，u_i)，..(x_l′，u_l)}，其中，x′_i表示加入自适应因子S_i后第i个有标识训练样本的特征；

(4)对有标识的训练样本{x′₁，..x′_i...，x′_l}进行核匹配追踪分类诊断，得到各有标识训练样本诊断结果{y₁，..y_i.，y_l}，并将这些有标识训练样本中弱势样本的诊断结果与实际弱势样本的结果相比较，得到一个训练分类器和弱势样本的诊断识别率；

(5)将弱势样本诊断识别率与所设定的阈值δ比较，当弱势样本诊断识别率小于所设定的阈值时进行步骤(6)，否则进行步骤(7)；

(6)将自适应因子S_i按照设定调节准则进行调整，并根据调整后的自适应因子S_i′，对所有标识训练样本进行核匹配追踪分类，得到一个分类器和弱势样本诊断识别率，重复步骤(5)；

(7)采用最后得到的分类器对未标识的测试样本进行分类，得到未标识弱势样本的最终诊断结果。

自适应核匹配追踪辅助诊断方法对医学影像中影像数据分布不平衡的弱势样本具有显著的诊断效果，该方法结合反馈罚函数机制，较好地解决了医学影像中噪声、组织干扰导致诊断识别率较低的问题，该方法对医疗工作人员的重点病症诊断具有很好的借鉴意义。

本发明与现有的技术相比具有以下优点：

1、本发明采用核匹配追踪方法对医学影像进行辅助诊断，核匹配追踪方法具有较高的识别精度；

2、本发明采用核匹配追踪方法对医学影像进行辅助诊断，运算量小、运行效率高；

3、本发明充分考虑实际医学影像中存在的数据分布不平衡的问题，在分类诊断过程中采用自适应因子，可提高不平衡数据中弱势样本的识别率；

仿真结果表明，对乳腺X影像采用本发明的自适应核匹配追踪辅助诊断方法，不平衡数据中弱势样本的识别率可提高50％以上。

附图说明

图1本发明的医学影像辅助诊断系统示意图；

图2是本发明的医学影像辅助诊断流程图；

图3是本发明采用的原始乳腺X影像图；

图4是本发明对图3进行去冗余后的乳腺X影像图；

图5是本发明对图4采用直方图均衡化和均方差标准化方法后的乳腺X影像图；

具体实施方式

参照图1，本发明的影像医学辅助诊断系统主要包括：影像预处理模块、影像特征提取模块和影像自适应核匹配追踪分类诊断模块。

影像预处理模块，用于完成原始影像去冗余以及直方图均衡化增强处理，并将处理后的影像传输给影像特征提取模块；

影像特征提取模块对输入的影像完成灰度共生矩阵和Hu矩特征提取，再将其提取结果传至影像自适应核匹配追踪分类诊断模块；

影像自适应核匹配追踪分类诊断模块包括：影像标识样本训练子模块、影像自适应因子调节子模块和影像未标识样本测试子模块。该影像标识样本训练子模块，完成有标签影像样本的训练，生成影像诊断分类器和有标识的弱势样本的识别率，将该分类器传输给影像自适应因子调节子模块；该影像自适应因子调节子模块将输入的有标识的弱势样本诊断识别率与设定常量的比对，调节自适应因子，再将带有自适应因子的影像诊断分类器传至影像未标识样本测试子模块；该影像未标识样本测试子模块完成对输入的分类器的无标签影像样本测试，获得未标记样本的诊断识别率，输出未标识的测试弱势样本的最终诊断结果。

本发明的影像医学辅助诊断系统，对输入的原始影像完成原始影像去冗余以及直方图均衡化增强处理后，对处理后的影像完成灰度共生矩阵和Hu矩特征提取，根据提取的特征得到有标识的训练样本集，对有标识的训练样本集采用核匹配追踪方法进行训练，得到一个训练分类器和有标识的弱势样本的识别率，比较有标识的弱势样本诊断识别率与设定的阈值，调整自适应因子，产生最终的训练分类器，使用最终的训练分类器对未标识的测试样本分类产生最终的诊断结果。

参照图2，本发明的影像医学辅助诊断方法，包括如下步骤：

步骤1：采用直方图均衡化和均方差标准化方法，对原始医学影像集中的医学影像进行切割与增强处理，得到视觉效果较好的医学影像集。

1a)输入原始医学影像，其大小为M×N，图3为原始乳腺X影像集中的一幅原始乳腺X影像，其大小1024×1024；

1b)对输入的原始医学影像采用图像水平和垂直的计算机自动切割方法，切除图像的背景和图像中存在的人为印记，得到切割后的医学影像，如图4所示；

1c)对切割后的医学影像采用直方图均衡化和均方差标准化方法去除噪声，得到具有较好视觉效果的医学影像；

步骤2：对得到的视觉效果较好的医学影像进行灰度共生矩阵特征和Hu矩特征提取。

A.提取灰度共生矩阵四个特征的过程如下：

A1)对得到的视觉效果较好的医学影像，生成灰度共生矩阵p_ij(s，θ)，其中θ的取值为4个离散的方向：0°，45°，90°，135°，s∈[1，size]，size表示视觉效果较好的医学影像的长度或宽度；

A2)根据得到的灰度共生矩阵，对视觉效果较好的医学影像提取四个特征，分别为：

角二阶矩： $f_1=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}{p}^2(i,j)$

熵： $f_2=-\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}p(i,j)\log p(i,j)$

同质区： $f_3=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}p(i,j)/{[1+{(i-j)}^2]}^2$

非相似性： $f_4=\underset{i=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}|i-j|p(i,j);$

B.提取Hu矩七个特征的具体过程如下：

B1)在得到的视觉效果较好的医学影像上，计算点(x，y)处的(p+q)阶矩m_pq及(p+q)阶中心矩μ_pq：

$m_{\mathrm{pq}}=\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}{x}^p{y}^{q}f(x,y)$

${\mathrm{\μ}}_{\mathrm{pq}}=\underset{x=0}{\overset{M-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}{(x-x_c)}^p{(y-y_c)}^{q}f(x,y)$

式中，f(x，y)表示点(x，y)处的像素值，(x_c，y_c)表示视觉效果较好的医学影像的重心坐标；

B2)根据得到的点(x，y)处的(p+q)阶矩m_pq及(p+q)阶中心矩μ_pq，按照下式计算点(x，y)处的归一化中心矩：

${\mathrm{\η}}_{\mathrm{pq}}={\mathrm{\μ}}_{\mathrm{pq}}/{\mathrm{\μ}}_{\mathrm{oo}}^r$

式中，μ_oo ^r表示点(x，y)的零阶γ阶矩，γ＝(p+q)/2+1；

B3)利用点(x，y)处的归一化中心矩，提取视觉效果较好的医学影像的七个Hu矩特征，分别定义为φ₁，φ₂，…，φ₇，即：

φ₁＝η₂₀+η₀₂

${\mathrm{\φ}}_2={({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})}^2+{4\mathrm{\η}}_{11}^2$

φ₃＝(η₃₀-3η₁₂)²+(3η₂₁-η₀₃)²

φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)²

φ₅＝(η₃₀-3η₁₂)(η₃₀+η₁₂)φ_x+(η₀₃-3η₂₁)(η₂₁+η₀₃)φ_y

φ₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₀₃+η₂₁)²]+4η₁₁(η₃₀+η₁₂)(η₀₃+η₂₁)

φ₇＝(3η₂₁-η₀₃)(η₃₀+η₁₂)φ_x+(η₃₀-3η₁₂)(η₀₃+η₂₁)φ_y，

      φ_x＝(η₃₀+η₁₂)²-3(η₀₃-3η₂₁)²

其中，

                                        。

      φ_y＝(η₀₃+η₂₁)²-3(η₃₀-η₁₂)²

步骤3：根据对视觉效果较好的医学影像提取的特征，得到有标识的训练样本集和具有权重值的有标识的训练样本集。

3a)将提取的特征作为有标识的训练样本集：

T＝{(x_i，u_i)|x_i∈Rⁿ，u_i∈{1，2，…，c}，i＝1，…，l}

式中，x_i表示n维实数空间中的一个样本，u_i是其标识，c为类别数，u_i∈[1，c]，且u_i为整数；l为有标识的训练样本的个数；

3b)对有标识训练样本集中的每一个训练样本x_i赋予给定的自适应因子S_i，得到具有权重值的有标识的训练样本集：

T′＝{(x₁′，u₁)，..(x_i′，u_i)，..(x_l′，u_l)}

式中，x′_i表示加入自适应因子S_i后第i个有标识训练样本；

步骤4：采用核匹配追踪方法，对有标识的训练样本集T进行训练，得到一个训练分类器和有标识的弱势样本的识别率R。

步骤5：将有标识的弱势样本识别率R与给定阈值δ进行比较，当R≥δ时，进行步骤6，否则，对自适应因子S_i进行调整，得到最终的训练分类器。

对自适应因子S_i的调整过程如下：

5a)对有标识的弱势样本充分学习，增大自适应因子S_i，增大后的自适应因子是S_i′＝1+R；对有标识的非弱势样本进行粗略学习，减小自适应因子S_i，减小后的自适应因子是S_i′＝1-R；

5b)根据调整后的自适应因子S_i′，对所有的有标识的训练样本进行核匹配追踪分类，得到一个新的训练分类器和弱势样本诊断识别率R′，重复步骤(5)。

步骤6：采用得到的最终训练分类器，对未标识的测试样本集进行分类诊断，得到未标识弱势样本的最终诊断结果。

本发明的效果可以通过以下对乳腺X影像仿真数据进一步说明：

1、仿真条件

本发明的仿真在windows XP，SPI，CPU Pentium(R)4，基本频率2.4GHZ，软件平台为Matlab7.0.1运行。仿真选用的原始乳腺X影像来源于公共数据集MIAS，共获取150幅原始乳腺X影像。

2、仿真结果

图5为采用直方图均衡化和均方差标准化方法后，乳腺X影像集中的一幅视觉效果较好的乳腺X影像。

对本发明仿真医学乳腺X影像诊断的具体实施过程是：

(1)取图5处理后的视觉效果较好的乳腺X影像集，对该乳腺X影像集的各乳腺X影像进行特征提取；

(2)根据提取的特征，对视觉效果较好的医学影像进行核匹配追踪分类诊断，得到一个训练分类器和有标识的弱势乳腺X影像的识别率；

(3)将有标识的弱势样本识别率R与给定阈值δ进行比较，调整自适应因子S_i；

(4)根据调整后的自适应因子S_i′，对所有的有标识的训练乳腺X影像进行核匹配追踪分类，得到最终训练分类器；

(5)采用得到的最终训练分类器，对未标识的测试乳腺X影像集进行分类诊断，得到未标识乳腺X影像集的测试样本的最终诊断结果。

仿真结果如表1所示。其中，KMP表示传统的核匹配追踪算法，AKMP表示自适应核匹配追踪算法，训练和测试样本之比为1∶2，P表示训练分类器的核函数参数值，Rate1表示正确识别的弱势样本占总弱势样本的比例，Rate2表示正确识别的弱势样本占总样本的比例。

表1自适应核匹配追踪辅助诊断实验

从表1可见，该仿真对Hu矩和GLCM特征提取后，对弱势样本采用KMP和AKMP进行分类诊断，从正确识别的弱势样本占总弱势样本的比例Rate1可见，AKMP比KMP弱势样本识别率有很大提高，从正确识别的弱势样本占总样本的比例Rate2可见，AKMP比KMP弱势样本识别率也有较大提高。

上述整个医学乳腺X影像诊断过程，均通过计算机程序实现其功能，完成对医学乳腺X影像的辅助诊断。

该实例是在以本发明技术方案为前提下进行实施的，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。

Claims (5)

1、一种基于不平衡医学影像的自适应核匹配追踪辅助诊断系统，包括：

影像预处理模块，完成原始影像去冗余以及直方图均衡化增强处理，并将处理后的结果传输给影像特征提取模块；

影像特征提取模块，对输入的影像完成灰度共生矩阵和Hu矩特征提取，再将其提取结果传输至影像自适应核匹配追踪分类诊断模块；

影像自适应核匹配追踪分类诊断模块，对输入的影像进行不平衡影像数据中弱势样本的分类识别，输出最终诊断结果。

2.根据权利要求书1所述的自适应核匹配追踪辅助诊断系统，其中影像自适应核匹配追踪分类诊断模块包括：

影像标识样本训练子模块，完成有标签影像样本的训练，生成影像诊断分类器，并将该分类器传输给影像未标识样本测试子模块；

影像自适应因子调节子模块，根据输入的弱势样本诊断识别率与设定常量的比对，调节自适应因子S_i，再将带有自适应因子的影像诊断分类器传输至影像未标识样本测试子模块；

影像未标识样本测试子模块，完成对输入的分类器的无标签影像样本测试，获得未标记样本的诊断标签，输出未标识的测试样本的诊断结果。

3.一种基于不平衡医学影像的自适应核匹配追踪辅助诊断方法，包括如下步骤：

(1)采用直方图均衡化和均方差标准化方法，对原始影像数据集进行切割与增强处理，得到视觉效果较好的医学影像集；

(2)对得到的视觉效果较好的医学影像集提取其灰度共生矩阵和Hu矩特征；定义有标签的训练样本集合{(x₁，u₁)..(x_i，u_i).，(x_l，u_l)}，其中，x_i表示第i个有标签训练样本的特征，u_i的表示有标识训练样本的标签，i表示第i个有标识训练样本；未标识的测试样本集合{v₁，..v_i，..v_m}，m为未标识的测试样本的个数；

(3)对所有的有标识训练样本x_i赋予给定的自适应因子S_i，得到具有权重值的有标识的训练样本{(x′₁，u₁)，..(x′_i，u_i)，..(x′_l，u_l)}，其中，x_i′表示加入自适应因子S_i后第i个有标识训练样本的特征；

(4)对有标签的训练样本{x′₁，..x′_i...，x′_l}进行核匹配追踪分类诊断，得到各有标识训练样本诊断结果{y₁，..y_i.，y_l}，并将这些有标识训练样本中弱势样本的诊断结果与实际弱势样本的结果相比较，得到一个训练分类器和弱势样本的诊断识别率；

(5)将弱势样本诊断识别率与所设定的阈值δ比较，当弱势样本诊断识别率小于所设定的阈值时进行步骤(6)，否则进行步骤(7)；

(6)将自适应因子S_i按照设定调节准则进行调整，并根据调整后的自适应因子S_i′，对所有标识训练样本进行核匹配追踪分类，得到一个训练分类器和弱势样本诊断识别率，重复步骤(5)；

(7)采用最后得到的训练分类器对未标识的测试样本{v₁，..v_i，..v_m}进行测试，得到未标识样本的最终诊断结果。

4.根据权利要求书3所述的自适应核匹配追踪辅助诊断方法，其中步骤6所述的将自适应因子S_i按照设定调节准则进行调整，按如下过程进行：

4a)对特别关注的弱势样本对应的基函数样本充分学习，增大自适应因子S_i权重值，增大后的权重值是S_i′＝1+R，R是弱势样本诊断识别率；

4b)对一般的基函数样本进行粗略学习，减小自适应因子S_i权重值，减小后的权重值是S_i′＝1-R。

5.根据权利要求书3所述的自适应核匹配追踪辅助诊断方法，其中步骤7所述的采用最终的训练分类器对未标识的测试样本{v₁，..v_i，..v_l}进行测试，得到未标识弱势样本的最终诊断结果，具体实现如下：

5a)将动态变化后的自适应因子S′_i作为最终训练分类器各训练样本的权重值；

5b)得到最终带有权重值S′_i的自适应分类器，采用该分类器对未标识的测试样本进行诊断，得到未标识测试样本的诊断识别结果；

5c)从未标识测试样本的分类结果中统计弱势样本的分类结果，得到弱势样本的最终诊断结果。

Images