CN101609452B - 用于医学图像目标辨识的模糊svm反馈测度方法 - Google Patents

Abstract

本发明公开了一种用于医学图像目标辨识的模糊SVM反馈测度方法，包括：1)对特征数据库中的医学图像数据进行窗宽窗位调整、滤波；2)提取步骤1)处理后的医学图像的硬特征；3)将步骤2)提取的硬特征转换成模糊特征，存入特征数据库中；4)选取一个待比较的医学图像并提取其模糊特征，计算待比较医学图像和特征数据库中的医学图像的模糊相似度，根据模糊相似度的大小，对特征数据库中的医学图像进行排序，按照由高到低的顺序输出M幅图像；5)将这M幅一次输出图像的模糊特征带入到基于模糊特征SVM相关反馈模型中进行计算，重新计算待比较医学图像和特征数据库中所有医学图像的模糊相似度，再输出N幅图像。本发明可有效选取所需医学图像。

Description

用于医学图像目标辨识的模糊SVM反馈测度方法

技术领域

本发明涉及一种图像处理方法，特别是涉及一种用于医学图像目标辨识的模糊SVM(支持向量机，Support Vector Machine)反馈测度方法，该方法适用于医学图像的检索。

背景技术

随着医学数字化影像设备在临床中的日益广泛应用，电子病历和图像归档通信系统(PACS)方面的技术不断发展，临床上每天都会产生大量图像数据(较大的医院每天的图像数据有10G之多)。如何有效地组织、管理和输出医学图像是当前迫切需要解决的问题。在临床中，在对未确诊临床图像进行诊断和在教学浏览研究中，若能通过输出技术找出和该带病灶图像内容基本相同的已诊断图像，将大大提高临床诊断的可靠性和资料收集的完整性。传统基于文本方式的数据库管理方式已经渐渐无法满足这种需要，为此基于内容的图像输出(Content-Based ImageRetrieval，CBIR)技术成为近年来该领域中的研究热点。

大多数CBIR系统使用图像的灰度、颜色、纹理全局特征，这些特征能较好地表征一幅图像，在CBIR系统采用全局特征来对图像进行分类是有效的，但是它们并不能很好地表达图像的局部特征，，对于病灶检测常常无能为力。为此研究人员采用分割技术来实现带病灶脑部医学图像的输出。但是在临床中，精确的病灶分割事先须对带病灶图像进行配准，优质的配准技术一般耗时较长，且临床数据一般层间距较厚，为找到最合适的模版，配准时需人工干预。这种方法处理CBIR系统中海量图像数据是不合适的；采用常规的无监督的分割算法，由于无须人工干预，速度快，在一些CBIR系统中得到应用。但是这种分割方法显然不够精确，仅采用分割的局部特征进行输出，常常得到不好的结果。基于模糊特征的输出方法通过柯西隶属度函数引入模糊特征来表达分割的不精确性，减少分割的不精确性对输出的影响。这种方法在对自然彩色图像输出的时候是有效的，但是在对医学图像输出却效果不好。因为医学图像往往只是灰度图像，包含的信息比彩色图像少的多，因而采用常用的一些灰度、纹理和形状特征难以很好地对医学图像进行表达。为解决这个问题，相关反馈算法近年来被广泛关注。所谓相关反馈就是：第一次输出后，用户在系统返回的图像中选出他认为与提供的图像相关的或是不相关的图像，系统根据这些反馈图像来优化特征进而得到更好的输出结果。权重调整算法和基于机器学习的SVM算法是两类常用的相关反馈算法。权重调整算法通过解一个优化问题得到一个内权重和外权重来优化特征，使得正例图像在空间上相对更加靠拢来优化输出。但是该方法一般只使用正例图像，而没有利用到负例图像的任何信息。SVM算法可以通过正例图像和负例图像的学习，将特征映射到更高维的空间并构造一个优化的判决平面来优化输出。但是SVM算法对正例和负例的选择比较敏感，选择不好有时会得到不好的结果。研究人员采用了bagging和随机采样技术来解决这个问题，该方法对负例图像的数目和特征向量的维数都有要求，限制了它的使用。

发明内容

本发明的目的是提供一种用于医学图像目标辨识的模糊SVM反馈测度方法，该测度方法与传统测度方法相比，具有很高的鲁棒性。

本发明的上述目的通过如下技术方案来实现的：一种用于医学图像目标辨识的模糊SVM反馈测度方法，它包括如下步骤：

1)对特征数据库中的每一幅医学图像进行医学图像窗宽窗位调整、滤波；

2)提取步骤1)处理后的医学图像的硬特征；

3)利用指数隶属度函数将步骤2)提取的硬特征转换成模糊特征，存入特征数据库中，

其中，上述的指数隶属度函数如下所示：

$E\left(x\right)=\exp (-\frac{{|x-\mathrm{\μ}|}^2}{2{\mathrm{\σ}}^2})$

其中，μ表示硬特征中心，σ和硬特征分布均方差成正比；

4)选取一个待比较的医学图像，利用上述步骤1)到3)相同的处理步骤来提取待比较医学图像的模糊特征，计算待比较医学图像的模糊特征和特征数据库中的医学图像的模糊特征的模糊相似度，根据模糊相似度的大小，对特征数据库中输出的医学图像进行排序，按照模糊相似度由高到低的顺序输出M幅图像，这M幅图像称之为一次输出图像，其中模糊相似度按照从高到低前50％的图像称之为一次相关图像，后50％的图像称之为一次非相关图像；

该步骤中，采用如下公式来并计算待比较医学图像的模糊特征和特征数据库中的医学图像的模糊特征的模糊相似度：

其中，对于上述指数隶属函数定义的如下模糊集合A和B：

$F_A\left(x\right)=\exp (-\frac{{|x-{\mathrm{\μ}}_A|}^2}{2{\mathrm{\σ}}_A^2}),$ $F_B\left(x\right)=\exp (-\frac{{|x-{\mathrm{\μ}}_B|}^2}{2{\mathrm{\σ}}_B^2})$

它们之间的模糊相似度为

5)将这M幅一次输出图像的模糊特征带入到基于模糊特征SVM相关反馈模型中进行计算，重新计算获取待比较医学图像和特征数据库中所有医学图像的模糊相似度，按照模糊相似度由高到低的顺序输出N幅图像，这N幅图像称之为二次输出图像。

所述步骤5)中的模糊特征SVM相关反馈模型及其处理过程如下：

(5a)通过最大化待比较医学图像和一次相关图像的模糊相似度的加权乘积得到外权重项uⁱ和内权重项矩阵Wⁱ；

(5b)在得到外权重项uⁱ和内权重项矩阵Wⁱ后，构造SVM核函数，该SVM核函数的模型如下：

$k(x_i,x_j)=d=\exp \left({\stackrel{\→}{u}}^T\stackrel{\→}{g}\right)$

$\stackrel{\→}{g}={[g_1,\·\·\·,g_m,\·\·\·,g_M]}^T$

$g_m=\frac{{\left(x_i^m\right)}^T{W}^m{x}_j^m}{2{({\mathrm{\σ}}_i^m+{\mathrm{\σ}}_j^m)}^2}$

$x_i=[x_i^1,...,x_i^m,...,x_i^M]$

其中，

表示组成图像Iⁱ的全局特征x_i的第m个特征向量；

表示全局特征x_i的第m个特征向量的模糊参数；

(5c)利用SVM核函数对这M幅一次输出图像进行学习并构造分类器得到支持向量、乘子α_n和偏移α_n；

(5d)对特征数据库中的每一幅医学图像I^j，

求其得分函数

(5e)对待比较医学图像I^Q，求其得分函数

(5f)重新计算特征数据库中每一幅医学图像I^j和待比较医学图像I^Q的模糊相似度D^j：

D^j＝s_jexp{-2k(x_Q-x_j，x_Q-x_j)}

s_j为分类判别符，当score(I^Q)和score(Iⁱ)同号时取1，异号时取-1；

(5g)根据模糊相似度D^j的大小对特征数据库中的医学图像重新进行排序，输出前N幅医学图像。

本发明可以做如下改进：该方法还包括步骤6)：

不断重复步骤5)的处理过程，将步骤5)获得的输出图像的模糊特征带入到基于模糊特征SVM相关反馈模型中进行计算，重新计算待比较医学图像和特征数据库中所有医学图像的模糊相似度，输出最后与待比较医学图像相似度高的前L幅医学图像。

本发明中，步骤6)是步骤5)的循环迭代过程，其处理过程和步骤5)的处理过程一样，步骤5)获得的二次输出图像中模糊相似度按照从高到低前50％的图像称之为二次相关图像，后50％的图像称之为二次非相关图像；将步骤5)获得的所有的二次输出图像的模糊特征带入到基于模糊特征SVM相关反馈模型中进行计算，重新计算待比较医学图像和特征数据库中所有医学图像的模糊相似度，按照模糊相似度由高到低的顺序再输出多幅图像，步骤6)的循环迭代可以根据需要进行一次或两次或多次迭代，最后输出与待比较医学图像相似度高的L幅医学图像。

本发明可以作如下改进：在步骤1)之前采用高斯滤波对输入图像进行预处理，以降低噪声对图像处理的影响，具体通过线性变换(I-I_min)×255/(I_max-I_min)将所有像素点的灰度值变换到0～255的范围内，其中，I为图像灰度值，Imin为图像灰度的最小值，Imax为图像灰度的最大值。

本发明所述步骤2)中的硬特征包括灰度直方图特征、不变矩形状特征、Gabor纹理特征和方向直方图特征。

与现有技术相比，本发明具有以下有益效果：

(1)现有技术采用模糊特征进行输出，能够反应特征表达的不确定性，本发明采用硬特征输出有更好的效果。

(2)本发明通过最大化待比较医学图像和相关图像的模糊相似度的加权乘积得到外权重向量uⁱ和内权重Wⁱ矩阵，用uⁱ和Wⁱ来优化模糊特征向量，在优化过程中利用到了基于指数隶属度函数的模糊特征计算简单且易于扩展的特性，使得该优化结果是个解析解，解析解运算速度很快。

(3)本发明中得到的优化特征向量定义一个新的核函数，使用相关和不相关图像，去训练一个基于该核函数的SVM判决函数，从而最终实现相关反馈。常规的SVM相关反馈算法，没有对特征向量优化，使得该算法对样本的选取非常敏感，当样本选取不好时可能得到十分不好的结果。如图2、3中的实验表明，相比SVM算法中使用的常规核函数，本发明核函数能够得到更好的结果。

附图说明

图1为本发明的流程图；

图2为对10幅不同图像进行输出实验，在返回图像数为50时的平均查准率曲线；图中所标“无反馈”是第一次输出的平均查准率曲线，“权重调整SVM”是采用本发明相关反馈算法得到的平均查准率曲线，“SVM”是采用常规SVM算法得到的平均查准率曲线；

图3为对10幅不同图像进行输出实验，在返回图像数为100时的平均查准率曲线，从结果中可以看到随着返回图像的增加，SVM的不稳定性导致的一些不理想的结果使得平均输出性能大为下降。

具体实施方式

一种用于医学图像目标辨识的模糊SVM反馈测度方法，如图1所示包括如下具体步骤：

步骤1，预处理步骤，从医院PACS系统中读入医学图像，采用高斯滤波对输入图像进行预处理，以降低噪声对图像处理的影响，具体通过线性变换(I-I_min)×255/(I_max-I_min)将所有像素点的灰度值变换到0～255的范围内，其中，I为图像灰度值，Imin为图像灰度的最小值，Imax为图像灰度的最大值；

步骤1，对特征数据库中的医学图像数据进行医学图像窗宽窗位调整、滤波；

步骤2，提取步骤2处理后的医学图像的硬特征，这些硬特征包括灰度直方图特征、不变矩形状特征、Gabor纹理特征和方向直方图特征；

步骤3，利用指数隶属度函数将步骤2提取的硬特征转换成模糊特征，存入特征数据库中；

其中，上述的指数隶属度函数如下所示：

$E\left(x\right)=\exp (-\frac{{|x-\mathrm{\μ}|}^2}{2{\mathrm{\σ}}^2})$

其中，μ表示硬特征中心，σ和硬特征分布均方差成正比；

步骤4，选取一个待比较的医学图像，利用上述步骤1)到3)相同的处理步骤来提取待比较医学图像的模糊特征，计算待比较医学图像的模糊特征和特征数据库中的医学图像的模糊特征的模糊相似度，根据模糊相似度的大小，对特征数据库系统中输出的医学图像进行排序，按照由高到低的顺序输出相似度高的80～100幅图像，这些幅图像称之为一次输出图像，其中模糊相似度按照从高到低前50％的图像称之为一次相关图像，后50％的图像称之为一次非相关图像；

该步骤中，采用如下公式来并计算待比较医学图像的模糊特征和特征数据库中的医学图像的模糊特征的模糊相似度：

其中，对于上述指数隶属函数定义的如下模糊集合A和B：

$F_A\left(x\right)=\exp (-\frac{{|x-{\mathrm{\μ}}_A|}^2}{2{\mathrm{\σ}}_A^2}),$ $F_B\left(x\right)=\exp (-\frac{{|x-{\mathrm{\μ}}_B|}^2}{2{\mathrm{\σ}}_B^2})$

它们之间的模糊相似度为

步骤5，将这些幅一次输出图像的模糊特征带入到基于模糊特征SVM相关反馈模型算法中进行计算，重新计算待比较医学图像和特征数据库中所有医学图像的模糊相似度，按照模糊相似度由高到低的顺序输出50～80幅图像，这些幅图像称之为二次输出图像；

上述步骤5)中的模糊特征SVM相关反馈模型及其处理过程如下：

(5a)通过最大化待比较医学图像和一次相关图像的模糊相似度的加权乘积得到外权重项uⁱ和内权重项矩阵Wⁱ；

(5b)在得到外权重项uⁱ和内权重项矩阵Wⁱ后，构造SVM核函数，该SVM核函数的模型如下：

$k(x_i,x_j)=d=\exp \left({\stackrel{\→}{u}}^T\stackrel{\→}{g}\right)$

$\stackrel{\→}{g}={[g_1,\·\·\·{,g}_m,\·\·\·,g_M]}^T$

$g_m=\frac{{\left(x_i^m\right)}^T{W}^m{x}_j^m}{2{({\mathrm{\σ}}_i^m+{\mathrm{\σ}}_j^m)}^2}$

$x_i=[x_i^1,...,x_i^m,...,x_i^M]$

其中，

表示组成图像Iⁱ的全局特征x_i的第m个特征向量；

表示全局特征x_i的第m个特征向量的模糊参数；

(5c)利用SVM核函数对这80～100幅一次输出图像进行学习并构造分类器得到支持向量、乘子α_n和偏移b；

(5d)对特征数据库系统中的每一幅医学图像I^j，

求其得分函数

(5e)对待比较医学图像I^Q，求其得分函数

(5f)重新计算特征数据库中每一幅医学图像I^j和待比较医学图像I^Q的模糊相似度D^j：

D^j＝s_jexp{-2k(x_Q-x_j，x_Q-x_j)}

s_j为分类判别符，当score(I^Q)和score(Iⁱ)同号时取1，异号时取-1；

(5g)根据模糊相似度D^j的大小对特征数据库中的医学图像重新由高到低进行排序，输出前50～80幅医学图像；

步骤6，不断重复步骤5)的处理过程，将步骤5)获得的输出图像的模糊特征带入到基于模糊特征SVM相关反馈模型算法中进行计算，重新计算待比较医学图像和特征数据库中所有医学图像的模糊相似度，最后输出与待比较医学图像相似度高的前10～30幅医学图像。

步骤6)可根据实际需要进行选取，如果步骤5)输出的图像就满足要求，则无需步骤6)，步骤6)也可以根据实际需要确定进行循环迭代的次数。

在本发明的实施方式不限于此，上述一些参数的获得也可以用类似的计算公式获得，特征选取、模糊特征参数等，在此不一一列举；根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，本发明还可以做出其它多种形式的等效修改、替换或变更，均可实现本发明目的。

Claims (7)

1.一种用于医学图像目标辨识的模糊SVM反馈测度方法，其特征在于包括如下步骤：

1)对特征数据库中的每一幅医学图像进行医学图像窗宽窗位调整、滤波；

2)提取步骤1)处理后的医学图像的硬特征；所述的硬特征包括平均灰度特征、不变矩形状特征、Gabor纹理特征、方向直方图特征；

3)利用指数隶属度函数将步骤2)提取的硬特征转换成模糊特征，存入特征数据库中，

其中，上述的指数隶属度函数如下所示：

$E\left(x\right)=\exp (-\frac{{|x-\mathrm{\μ}|}^2}{2{\mathrm{\σ}}^2})$

其中，μ表示硬特征中心，σ和硬特征分布均方差成正比；

4)选取一个待比较的医学图像，利用上述步骤1)到3)相同的处理步骤来提取待比较医学图像的模糊特征，计算待比较医学图像和特征数据库中的医学图像的模糊相似度，根据模糊相似度的大小，对特征数据库中的医学图像进行排序，按照相似度由高到低的顺序输出M幅图像，这M幅图像称之为一次输出图像，其中模糊相似度按照从高到低前50％的图像称之为一次相关图像，后50％的图像称之为一次非相关图像；

该步骤中，采用如下公式来并计算待比较医学图像的模糊特征和特征数据库中的医学图像的模糊特征的模糊相似度：

其中，对于上述指数隶属函数定义的如下模糊集合A和B：

$F_A\left(x\right)=\exp (-\frac{{|x-{\mathrm{\μ}}_A|}^2}{2{\mathrm{\σ}}_A^2}),$ $F_B\left(x\right)=\exp (-\frac{{|x-{\mathrm{\μ}}_B|}^2}{2{\mathrm{\σ}}_B^2})$

它们之间的模糊相似度为

5)将这M幅一次输出图像的模糊特征带入到基于模糊特征SVM相关反馈模型算法中，重新计算获取待比较医学图像和特征数据库中所有医学图像的模糊相似度，按照模糊相似度由高到低的顺序输出N幅图像，这N幅图像称之为二次输出图像。

2.根据权利要求1所述的反馈测度方法，其特征在于：所述步骤5)中的模糊特征SVM相关反馈模型及其处理过程如下：

(5a)通过最大化待比较医学图像和一次相关图像的模糊相似度的加权乘积得到外权重项和内权重项矩阵；

(5b)在得到外权重项和内权重项矩阵后，构造SVM核函数；

(5c)利用SVM核函数对这M幅一次输出图像进行学习并构造分类器得到支持向量、乘子和偏移；

(5d)对特征数据库中的每一幅医学图像，求其得分函数；

(5e)对待比较医学图像，求其得分函数；

(5f)重新计算特征数据库中每一幅医学图像和待比较医学图像的模糊相似度；

(5g)根据模糊相似度的大小对特征数据库中的医学图像重新由高到低进行排序，输出前N幅图像。

3.根据权利要求1所述的反馈测度方法，其特征在于：该方法还包括步骤6)：

不断重复步骤5)的处理过程，将步骤5)输出图像的模糊特征带入到基于模糊特征SVM相关反馈模型算法中，重新计算获取待比较医学图像和特征数据库中所有医学图像的模糊相似度，最后输出与待比较医学图像相似度高的前L幅医学图像。

4.根据权利要求1所述的反馈测度方法，其特征在于：在步骤1)之前采用高斯滤波对输入的医学图像进行预处理。

5.根据权利要求1所述的反馈测度方法，其特征在于：上述步骤3)是利用指数隶属度函数将硬特征转换成模糊特征。

6.根据权利要求1所述的反馈测度方法，其特征在于：所述的M值为80～100，N值为50～80。

7.根据权利要求3所述的反馈测度方法，其特征在于：所述的L值为10～30。

Images