CN102096804A - 骨扫描中肿瘤骨转移的图像识别方法 - Google Patents

Abstract

一种图像处理技术领域的骨扫描中肿瘤骨转移的图像识别方法，通过提取人体全身骨扫描图像，检测正反面信息。根据图像信息找到参考点，定位人体关键部位，将图像分成多个主要大块。在每个区域中采用各自的ARC热点检测算法，将热点区域提取出来。针对热点检测结果和原始图像，提取特征向量。然后针对提取的特征向量使用SVM训练模型。测试和修改所得的分类模型，同时对识别结果进行检验匹配和人体校准。从而得出正确的诊断报告。本发明与其他肿瘤骨转移的图像识别方法相比，提高了热点检测精确度和病患识别的准确度，弥补了国内在这一新兴领域的空白，同时为国内肿瘤骨转移诊断确立统一的诊断标准。

Description

骨扫描中肿瘤骨转移的图像识别方法

技术领域

本发明涉及一种图像处理技术领域的方法，具体是一种骨扫描中肿瘤骨转移的图像识别方法。

背景技术

肿瘤研究以及治愈肿瘤病患是世界各个政府目前非常重视的问题，也是我国建设和谐社会的一个重要方面。每年我国发生肿瘤新病例约160万，死亡130万。在死亡的每100人中，约有18个人死于恶性肿瘤。肿瘤骨转移是恶性肿瘤最严重的危害之一，也是肿瘤病人临床死亡的主要原因。骨转移是晚期肿瘤的常见疾病，许多类型的恶性肿瘤都可能发生骨转移，一旦发生骨转移，多数病人无法有效医治。

由于临床常规骨扫描流程中，操作流程和患者个体间差异性，基于不同医师读图经验的肉眼判断标准不确定性，使得骨转移诊断准确率受限。同时大流量的患者使临床医生的工作量不断上升，临床上迫切需要一种辅助诊断的图像识别系统，将骨转移诊疗标准化的同时，提高诊疗的准确性和效率。

经国内外专利和论文的检索发现，国内尚未发现该方面综合研究的报道，国外部分国家刚开展这方面的研究。May Sadik等人于2009年发表于Nuclear Medical上的论文improved classification of planar whole body bone scans using a computer-assisted diagnosis system(改进的基于计算机辅助诊断系统的平面全身骨扫描识别方法)开发了一套全自动的骨扫描图像分析软件。主要工作是利用主动形状模型方法对全身图像进行分割为4个区域、通过区域阈值获得可疑病灶并提取45个特征向量输入到两组人工神经网络进行分类识别，但是该算法对假阴性的识别存在严重问题。Jia-YannHuang等人于2007年发表在IEEE Transactions on Nuclear Science上的论文A Set of Image Processing Algorithms for Computer-Aided Diagnosis in Nuclear Medicine Whole Body Bone Scan Images(一组基于核医学全身骨扫描图像的计算机辅助诊断图像处理算法)，提出了简易的区域定位方法：利用灰度统计方法将人体分为23个区域，并对每个区域进行热点检测进行了初步尝试。Luka Sajn等人于2007年发表于Computerized Medical Imaging and Graphics上的论文Computerized segmentation and diagnostics of whole-body bone scintigrams(基于全身骨扫描的分割与诊断)提出了一种模板修正的方法，找到身体参考点和头部定位点，建立人体模板。通过调整某些身体畸形的病患模型，从而更好地适于热点检测。但是并没有提出有效的热点检测和识别方法。

发明内容

本发明的目的在于针对现有技术的不足，提出一种在骨扫描中肿瘤骨转移的图像识别方法，建立自动的CADs系统，结合肿瘤骨转移的图像诊断标准，定位人体区域，定位病灶并区分病灶的良恶性，快速精确提取病灶点特征，自动对骨转移图像进行识别，以弥补国内目前对骨扫描识别的空白。

为实现上述目的，本发明首先提取人体全身骨扫描图像，检测正反面信息。根据图像信息找到参考点，定位人体关键部位，将图像分成五个主要大块。在每个区域中采用各自的ARC热点检测算法(Adaptive Region-Specific and Characteristic-Maximum-Based Hot Spot Detection Algorithm)，将热点区域提取出来。针对热点检测结果和原始图像，提取特征向量。然后针对提取的特征向量使用SVM训练模型。测试和修改所得的分类模型，同时对识别结果进行检验匹配和人体校准。从而得出正确的诊断报告，为医生提供一个准确的参考，有效缩短了医生诊断时间，减轻了病人的痛苦。

本发明是通过以下技术方案实现的，本发明包括以下步骤：

第一步，把医院PET-CT扫描得到的初始影像数据传入到计算机，确认前身扫描图像和后身扫描图像，然后使用高斯滤波函数对骨扫描影像去噪，并对数据进行标准归一化，使灰度变化在指定的范围内；

第二步，对第一步处理后得到的骨扫描影像数据，利用前身扫描图像和后身扫描图像的对称关系和人体特征关系，使用自适应的人体定位方法对骨扫描影像数据按照：头部、胸腔、脊柱、肩膀、盆腔和四肢共六个人体区块进行标定；

第三步，对第二步所得到的各个区域的骨扫描影像数据进行遍历并寻找局部最大值点作为可疑热点的候选点，然后对所有的候选点进行八邻域递归搜索，即将其周围像素大于给定值的连通域初步标记为可疑热点，再对得到的可疑热点进行筛选，将连通域面积低于特定阈值和位于干扰区域的可疑热点移除，得到热点区域的相关信息；

第四步，对初始影像数据和第三步得到的热点区域的相关信息进行特征描述，并根据可疑热点的空间信息，纹理信息和颜色信息提取特征向量后采用SVM分类方法学习训练分类器并建立模型，然后根据标准模型来实现对热点区域的分类识别；当模型识别出热点区域之后，对诊断出的热点区域进行体位校准，且当校准正确时确定准确的肿瘤骨转移病变位置。

所述的高斯滤波函数具体为：

其中：r是模糊半径r²＝u²+v²，σ是正态分布的标准偏差。

所述的自适应的人体定位方法具体包括以下步骤：

2.1)定位头顶参考线：从上到下遍历图像数据p(x，y)，将不为零的第一行为头顶参考线L_head；

2.2)定位脖子参考线：从L_head往下遍历的15％＊H，从左边和右边分别找到第一个不为零的点l(x，y)和r(x，y)，其中H为图像高度，数组distance(l，r)为l(x，y)与r(x，y)之间的横向距离，找到distance(l，r)最小值，则该两点所在参考线为脖子参考线L_neck，

L_neck＝mark.(min(distance(l，r)_j＝r_x.j-l_x.j))

j＝1，…，25％*height；    ；

2.3)定位肩膀参考点：往下遍历图像数据10％＊H，计算每一行的distance(l，r)，将大于distance(l，r)_neck约为4倍左右的行确定为肩膀参考线L_shoulder，

$L_{\mathrm{shoulder}}=\mathrm{mark}.\left(\frac{\mathrm{dis}\tan \mathrm{ce}{(l,r)}_{\mathrm{shoulder}}}{\mathrm{dis}\tan \mathrm{ce}{(l,r)}_{\mathrm{neck}}}\right)>\mathrm{\γ};$

2.4)定位腋窝参考点：往下遍历10％＊H，纵坐标依旧保持为l_shoulder和r_shoulder，找到第一行为零的行，并标记为腋窝参考点P_armpit；

2.5)定位腰椎参考线：往下遍历25％＊H，计算每一行distance(l，r)，找到数组最小值，并将所在行标记为腰椎参考线L_lumbar，

2.6)定位胸骨参考区域：计算腋窝参考点所在行最大灰度值所在的位置点P_sternum，并且把该点设置为区域生长的种子点，使用区域生长法，可依将脊柱区域分割出来，并将分割出来的区域定位R_sternum；

2.7)定位脊柱参考区域：计算腰椎参考线L_lumbar所在行最大灰度值所在的位置点P_lumbar，并且把该点设置为区域生长的种子点，使用区域生长法，将脊柱区域分割出来，将分割出来的胸腔定为R_thorax，脊柱区域定为R_spine；

2.8)定位盆腔参考线：从L_lumbar往下遍历，计算每一行的灰度统计，比较出有一行少于上一行的灰度统计数50％时，将此行标记为L_pelvis，

2.9)定位其余参考点：往下遍历其余区域，因为其余区域发生肿瘤骨转移的几率非常小，所以不需要进行小区域分割，将所有参考点连线。

所述的第三步具体包括以下步骤：

3.1)以图像左上角为坐标原点建立坐标系，确定局部最大值点，记分割后待检测的骨扫描图像(i，j)处的像素值为s(i，j)，当点(i，j)满足：s(i，j)≥s(j+l，j+m)，其中l，m分别可取-1，0，1，s(i，j)≥Threshold，Threshold为选定的热点阈值，则将其定义为局部最大值点(Local Maximum Point)，对待检测区域进行依次遍历查找，得到所有的局部最大值点，将其坐标值保存在队列localmax中；

3.2)对队列localmax中任意一个局部最大值点a，其像素值为a(i，j)，进行八邻域递归搜索，当对b满足b(i，j)≥ratio×T，则认为该像素点b同样属于包含a病灶区域，是可疑热点，其中T＝min(Threshold，a(i，j))，ratio为比例因子；

3.3)设置与待检测图像大小一致的标记数组mark，用来标记是否属于病灶区域，并将该数组清零，将队列localmax的各个元素对应标记数组坐标值置为-1，mark(i，j)的butong取值代表的意义为：mark(i，j)＝0表示s(i，j)不属于病灶区；mark(i，j)＝1表示s(i，j)属于病灶区，mark(i，j)＝-1表示s(i，j)属于局部最大值点且尚未被进行局部搜索；

3.4)当队列localmax为空，则跳到步骤3.7)，当localmax不为空，则取出当前队列的第一个元素，放入堆栈stackmax当中，并计算当前的局部阈值T；

3.5)当堆栈stackmax不为空，取出栈顶的第一个元素的坐标，对其八邻域的各个像素点进行判定，对于满足b(m，n)≥ratio×T且mark(m，n)＝0的点，将其标记数组mark(m，n)的值置为1，并将(m，n)的坐标值压入堆栈stackmax，对于满足b(m，n)≥ratio×T且mark(m，n)＝1的点，将其标记数组mark(m，n)的值置为1，并将(m，n)的坐标值压入堆栈stackmax；

3.6)重复步骤3.5)，直到stackmax为空，返回步骤3.4)；

3.7)对原始数据进行遍历，当存在坐标(x，y)满足mark(x，y)＝0且s(x，y)＞＝ThresAll，则将坐标(x，y)插入队列localmax当中，其中ThresAll为预先设定的全局阈值；当不存在这样的坐标(x，y)，认为热点基本全部标记，转到步骤3.8)；

3.8)对标记数组mark进行遍历，令

$\mathrm{hotspot}(i,j)=\left\{\begin{array}{cc}s(i,j)& \mathrm{mark}(i,j)=1\\ 0& \mathrm{mark}(i,j)=0\end{array}\right.;$

遍历hotspot矩阵的所有连通域，设其中面积最大的连通域为maxarea，当maxarea占整个胸腔面积的比值大于10％，认为是脊柱上端，是特征提取的常见干扰之一，应当予以去除，对于所有像素和小于10的连通区域，由于其面积太小，也不认为属于可疑病灶，同样应当排除，经过上述处理，最终得到的hotspot数组即为检测到的热点区域。

所述的体征向量通过以下方式进行提取：从前身数据和后身数据中，针对于每一个标定的人体区块，提取相应的特征向量来描述该区块正面、背面图像的热点区域以及热点区域与周围环境区域之间的联系，并作为SVM分类器的输入来对图像进行识别分类，

所述的分类识别具体是指：

4.1)对提取的特征向量数据进行归一化处理，将较大的数值范围收缩到[0，1]区间上；

4.2)选择RBF作为该分类器的核函数：K(x_i，x_j)＝exp(-γ‖x_i-x_j||²)γ＞0.

4.3)采用交互验证的方法选择最优的惩罚因子c和核函数参数g，其中：c是一个自定义的惩罚因子，它控制对错分样本惩罚的程度，K折交叉验证就是将训练集合分成k个大小相同的子集，其中一个子集用于测试，其它k-1个子集用于对分类器进行训练，并采用交互验证进行网格搜索以获取最优参数；

4.4)选取c，g的取值范围c∈[2^-2，2⁴]，g∈[2^-4，2⁴]，并以log₂c，log₂g建立坐标系，同时选择相应的变化步长cstep，gstep；然后对每对参数(log₂c，log₂g)产生的准确率进行搜索，相同准确率的参数对连接成线；最后寻求获得最高准确率时的参数对，并将此参数赋给模型以提高预测精度；

4.5)利用类标签及处理过的特征向量建立SVM最优模型。

本发明与现有技术相比的显著效果在于：提出了针对于亚洲人身体特征的自适应体定位算法和ARC热点检测算法，实现了高准确度检测热点病变的目标，并通过训练SVM模型用于识别新扫描肿瘤骨转移图像。本发明定位准确度高，自适应能力强，实现准确识别不同病患扫描图像，弥补了国内在这一新兴领域的空白，同时骨扫描影像的自动骨转移灶识别为国内肿瘤骨转移诊断确立统一的诊断标准，可为医生提供临床诊断参考，大大减少了医生诊断病患的负担，提高了诊疗效率，减轻了病患痛苦。

附图说明

图1为本发明方法流程图。

图2为区域提取和热点检测结果图。

图3为区域分割图。

图4为胸骨和脊柱分割图。

图5为SVM分类准确率曲线。

具体实施方式

以下结合附图和实施例对本发明的技术方案作进一步详细说明。以下实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例。

如图1所示，首先提取人体全身骨扫描图像，检测正反面信息。根据图像信息找到参考点，定位人体关键部位，将图像分成五个主要大块。在每个区域中采用各自的ARC热点检测算法，将热点区域提取出来。针对热点检测结果和原始图像，提取特征向量。然后针对提取的特征向量使用SVM训练模型。测试和修改所得的分类模型，同时对识别结果进行检验匹配和人体校准。从而得出正确的诊断报告。具体实施步骤如下(实施例使用matlab语言编程)：

1)影像采集和数据预处理

采集的实验数据来自医院PET-CT，将设备扫描图像传入到计算机中。首先检验数据完整性，读入前身数据和后身数据。使用高斯滤波方法对采集设备和其他因素生成的噪声去掉。高斯滤波函数为：

$G(u,v)=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}{e}^{-(u^2+v^2)/\left(2{\mathrm{\σ}}^2\right)}$

其中r是模糊半径，r²＝u²+v²，σ是正态分布的标准偏差。在二维空间中，这个公式生成的曲面的等高线是从中心开始呈正态分布的同心圆。分布不为零的像素组成的卷积矩阵与原始图像做变换。每个像素的值都是周围相邻像素值的加权平均。原始像素的值有最大的高斯分布值，所以有最大的权重，相邻像素随着距离原始像素越来越远，其权重也越来越小。这样进行模糊处理比其它的均衡模糊滤波器更高地保留了边缘效果。

2)区域分割与提取

骨扫描图像经过第一步的预处理后，本步骤寻找图像中的关键点，提取关键部位，从而实现人体不同区域的定位和分割。具体定位和分割算法如下：

a)定位头顶参考线：从上到下遍历图像数据p(x，y)，将不为零的第一行为头顶参考线L_head。

b)定位脖子参考线：从L_head往下遍历的15％＊H，从左边和右边分别找到第一个不为零的点l(x，y)和r(x，y)，其中H为图像高度。数组distance(l，r)为l(x，y)与r(x，y)之间的横向距离，找到distance(l，r)最小值，则该两点所在参考线为脖子参考线L_neck。

L_neck＝mark.(min(distance(l，r)_j＝r_x.j-l_x.j))

j＝1，…，25％*height；

c)定位肩膀参考点：往下遍历图像数据10％＊H，计算每一行的distance(l，r)，将大于distance(l，r)_neck约为4倍左右的行确定为肩膀参考线L_shoulder。

$L_{\mathrm{shoulder}}=\mathrm{mark}.\left(\frac{\mathrm{dis}\tan \mathrm{ce}{(l,r)}_{\mathrm{shoulder}}}{\mathrm{dis}\tan \mathrm{ce}{(l,r)}_{\mathrm{neck}}}\right)>\mathrm{\γ}$

d)定位腋窝参考点：往下遍历10％＊H，纵坐标依旧保持为l_shoulder和r_shoulder，找到第一行为零的行，并标记为腋窝参考点P_armpit。

e)定位腰椎参考线：往下遍历25％＊H，计算每一行distance(l，r)，找到数组最小值，并将所在行标记为腰椎参考线L_lumbar。

L_lumbar＝mark.(min(distance(l，r)_j＝r_x.j-l_x.j))

j＝Y_P.armpit，…，Y_P.armpit+25％*height；

f)定位胸骨参考区域：计算腋窝参考点所在行最大灰度值所在的位置点P_sternum，并且把该点设置为区域生长的种子点。使用区域生长法，可依将脊柱区域分割出来，并将分割出来的区域定位R_sternum。

g)定位脊柱参考区域：计算腰椎参考线L_lumbar所在行最大灰度值所在的位置点P_lumbar，并且把该点设置为区域生长的种子点。使用区域生长法，将脊柱区域分割出来，将分割出来的胸腔定为R_thorax，脊柱区域定为R_spine，所得效果图见图4

h)定位盆腔参考线：从L_lumbar往下遍历，计算每一行的灰度统计，比较出有一行少于上一行的灰度统计数50％时，将此行标记为L_pelvis。

$L_{\mathrm{pelvis}}=\mathrm{mark}.(\mathrm{\λ}=\frac{{\mathrm{\Σ}}_{i=0}^{\mathrm{row}}p(i,{\mathrm{row}}_j)}{{\mathrm{\Σ}}_{i=0}^{\mathrm{row}}p(i,{\mathrm{row}}_{j-1})})$

i)定位其余参考点：往下遍历其余区域，因为其余区域发生肿瘤骨转移的几率非常小，所以不需要进行小区域分割。

将上述得到的所有参考点相应连线，即得到分割后的人体区域信息，该结果用在下一步的热点监测和特征提取中。经过此步骤所得效果图为图3。

3)ARC热点检测算法

经过区域分割得到图像在本步骤之中用来检测可疑病灶，本发明采取了一种基于区域自适应阈值(ARC)的算法来进行热点区域的检测，具体的热点检测算法如下：

a)以图像左上角为坐标原点建立坐标系，确定局部最大值点。记分割后待检测的骨扫描图像(i，j)处的像素值为s(i，j)，若点(i，j)满足

i.s(i，j)≥s(j+l，j+m)，其中l，m分别可取-1，0，1

ii.s(i，j)≥Threshold，Threshold为选定的热点阈值

则将其定义为局部最大值点(Local Maximum Point)。

对待检测区域进行依次遍历查找，得到所有的局部最大值点，将其坐标值保存在队列localmax中。

b)对队列localmax中任意一个局部最大值点a，其像素值为a(i，j)，进行八邻域递归搜索，若对b满足b(i，j)≥ratio×T，则认为该像素点b同样属于包含a病灶区域，是可疑热点。

其中T＝min(Threshold，a(i，j))，ratio为比例因子。

c)设置与待检测图像大小一致的标记数组mark，用来标记是否属于病灶区域，并将该数组清零。将队列localmax的各个元素对应标记数组坐标值置为-1。mark(i，j)的butong取值代表的意义为：mark(i，j)＝0表示s(i，j)不属于病灶区；mark(i，j)＝1表示s(i，j)属于病灶区，mark(i，j)＝-1表示s(i，j)属于局部最大值点且尚未被进行局部搜索。

d)若队列localmax为空，则跳到步骤g。若localmax不为空，则取出当前队列的第一个元素，放入堆栈stackmax当中，并计算当前的局部阈值T。

e)若堆栈stackmax不为空，取出栈顶的第一个元素的坐标，对其八邻域的各个像素点进行判定，对于满足b(m，n)≥ratio×T 且mark(m，n)＝0的点，将其标记数组mark(m，n)的值置为1，并将(m，n)的坐标值压入堆栈stackmax。对于满足b(m，n)≥ratio×T且mark(m，n)＝1的点，将其标记数组mark(m，n)的值置为1，并将(m，n)的坐标值压入堆栈stackmax。

f)重复步骤e，直到stackmax为空。返回步骤d。

g)对原始数据进行遍历，若存在坐标(x，y)满足mark(x，y)＝0且s(x，y)＞＝ThresAll，则将坐标(x，y)插入队列localmax当中，其中ThresAll为预先设定的全局阈值；若不存在这样的坐标(x，y)，认为热点基本全部标记，转到步骤h。

h)对标记数组mark进行遍历，令

$\mathrm{hotspot}(i,j)=\left\{\begin{array}{cc}s(i,j)& \mathrm{mark}(i,j)=1\\ 0& \mathrm{mark}(i,j)=0\end{array}\right.$

遍历hotspot矩阵的所有连通域，设其中面积最大的连通域为maxarea，若maxarea占整个胸腔面积的比值大于10％，认为是脊柱上端，是特征提取的常见干扰之一，应当予以去除。对于所有像素和小于10的连通区域，由于其面积太小，也不认为属于可疑病灶，同样应当排除。

经过上述处理，最终得到的hotspot数组即为检测到的热点区域，所得效果图如图2(e)(f)所示。

4)体征提取与训练SVM分类器

从前身数据和后身数据中，针对于每一个标定的人体区块，提取相应的特征向量来描述该区块正面、背面图像的热点区域以及热点区域与周围环境区域之间的联系。这些特征通过一定的图像处理技术得到，并作为SVM分类器的输入来对图像进行识别分类。特征向量如表1所示：

表1

采用SVM分类器对提取的特征向量进行分类。为了提高SVM分类器的精度，应该首先对数据进行预处理，然后选择最佳核函数，再选择最优惩罚因子与核函数参数对样本集进行训练生成SVM，最后用测试集对模型进行测试。具体实现可由以下几个步骤完成：

a)对提取的特征向量数据进行归一化处理，将较大的数值范围收缩到[0，1]区间上，减少计算量，使函数收敛速度更快。

b)选择RBF(radial basis function)作为该分类器的核函数。RBF函数如下：

K(x_i，x_j)＝exp(-γ‖x_i-x_j||²)γ＞0

此RBF核将样本映射到一个更高维的空间，能够处理类和特征向量之间的非线性关系。

而且RBF核函数参数少，模型复杂度低。

c)采用k折交互验证的方法选择最优的惩罚因子和核函数参数。

c是一个自定义的惩罚因子，它控制对错分样本惩罚的程度，c越小，惩罚越小，那么训练误差就越大；而c越大，对错分样本的约束程度就越大，但是这样会使分类间隔的权重相对变小，系统的泛化能力变差。K折交叉验证就是将训练集合分成k个大小相同的子集。其中一个子集用于测试，其它k-1个子集用于对分类器进行训练。这样每个子集都被预测过一次，交叉验证的正确率是k次正确分类数据百分比的平均值。交叉验证防止过拟合的问题。在该分类器中，采用交互验证进行网格搜索以获取最优参数。如附图5所示，首先选取c，g的取值范围c∈[2^-2，2⁴]，g∈[2^-4，2⁴]，并以log₂c，log₂g建立坐标系，同时选择相应的变化步长cstep，gstep然后对每对参数(log₂c，log₂g)产生的准确率进行搜索，相同准确率的参数对连接成线；最后寻求获得最高准确率时的参数对，并将此参数赋给模型以提高预测精度。

d)利用类标签及处理过的特征向量建立SVM最优模型。

e)对上述模型进行测试，并根据具体情况进行改进。

Claims (6)

1.一种骨扫描中肿瘤骨转移的图像识别方法，其特征在于，包括如下具体步骤：

第一步，把医院PET-CT扫描得到的初始影像数据传入到计算机，确认前身扫描图像和后身扫描图像，然后使用高斯滤波函数对骨扫描影像去噪，并对数据进行标准归一化，使灰度变化在指定的范围内；

第二步，对第一步处理后得到的骨扫描影像数据，利用前身扫描图像和后身扫描图像的对称关系和人体特征关系，使用自适应的人体定位方法对骨扫描影像数据按照：头部、胸腔、脊柱、肩膀、盆腔和四肢共六个人体区块进行标定；

第三步，对第二步所得到的各个区域的骨扫描影像数据进行遍历并寻找局部最大值点作为可疑热点的候选点，然后对所有的候选点进行八邻域递归搜索，即将其周围像素大于给定值的连通域初步标记为可疑热点，再对得到的可疑热点进行筛选，将连通域面积低于特定阈值和位于干扰区域的可疑热点移除，得到热点区域的相关信息；

第四步，对初始影像数据和第三步得到的热点区域的相关信息进行特征描述，并根据可疑热点的空间信息，纹理信息和颜色信息提取特征向量后采用SVM分类方法学习训练分类器并建立模型，然后根据标准模型来实现对热点区域的分类识别；当模型识别出热点区域之后，对诊断出的热点区域进行体位校准，且当校准正确时确定准确的肿瘤骨转移病变位置。

2.根据权利要求1所述的骨扫描中肿瘤骨转移的图像识别方法，其特征是，所述的高斯滤波函数具体为：

其中：r是模糊半径r²＝u²+v²，σ是正态分布的标准偏差。

3.根据权利要求1所述的骨扫描中肿瘤骨转移的图像识别方法，其特征是，所述的自适应的人体定位方法具体包括以下步骤：

2.1)定位头顶参考线：从上到下遍历图像数据p(x，y)，将不为零的第一行为头顶参考线L_head；

2.2)定位脖子参考线：从L_head往下遍历的15％＊H，从左边和右边分别找到第一个不为零的点l(x，y)和r(x，y)，其中H为图像高度，数组distance(l，r)为l(x，y)与r(x，y)之间的横向距离，找到distance(l，r)最小值，则该两点所在参考线为脖子参考线L_neck，

L_neck＝mark.(min(distance(l，r)_j＝r_x.j-l_x.j))

j＝1，…，25％*height；      ；

2.3)定位肩膀参考点：往下遍历图像数据10％＊H，计算每一行的distance(l，r)，将大于distance(l，r)_neck约为4倍左右的行确定为肩膀参考线L_shoulder，

$L_{\mathrm{shoulder}}=\mathrm{mark}.\left(\frac{\mathrm{dis}\tan \mathrm{ce}{(l,r)}_{\mathrm{shoulder}}}{\mathrm{dis}\tan \mathrm{ce}{(l,r)}_{\mathrm{neck}}}\right)>\mathrm{\γ};$

2.4)定位腋窝参考点：往下遍历10％＊H，纵坐标依旧保持为l_shoulder和r_shoulder，找到第一行为零的行，并标记为腋窝参考点P_armpit；

2.5)定位腰椎参考线：往下遍历25％＊H，计算每一行distance(l，r)，找到数组最小值，并将所在行标记为腰椎参考线L_lumbar，

2.6)定位胸骨参考区域：计算腋窝参考点所在行最大灰度值所在的位置点P_sternum，并且把该点设置为区域生长的种子点，使用区域生长法，可依将脊柱区域分割出来，并将分割出来的区域定位R_sternum；

2.7)定位脊柱参考区域：计算腰椎参考线L_lumbar所在行最大灰度值所在的位置点P_lumbar，并且把该点设置为区域生长的种子点，使用区域生长法，将脊柱区域分割出来，将分割出来的胸腔定为R_thorax，脊柱区域定为R_spine；

2.8)定位盆腔参考线：从L_lumbar往下遍历，计算每一行的灰度统计，比较出有一行少于上一行的灰度统计数50％时，将此行标记为L_pelvis，

2.9)定位其余参考点：往下遍历其余区域，因为其余区域发生肿瘤骨转移的几率非常小，所以不需要进行小区域分割，将所有参考点连线。

4.根据权利要求1所述的骨扫描中肿瘤骨转移的图像识别方法，其特征是，所述的第三步具体包括以下步骤：

3.1)以图像左上角为坐标原点建立坐标系，确定局部最大值点，记分割后待检测的骨扫描图像(i，j)处的像素值为s(i，j)，当点(i，j)满足：s(i，j)≥s(j+l，j+m)，其中l，m分别可取-1，0，1，s(i，j)≥Threshold，Threshold为选定的热点阈值，则将其定义为局部最大值点(Local Maximum Point)，对待检测区域进行依次遍历查找，得到所有的局部最大值点，将其坐标值保存在队列localmax中；

3.2)对队列localmax中任意一个局部最大值点a，其像素值为a(i，j)，进行八邻域递归搜索，当对b满足b(i，j)≥ratio×T，则认为该像素点b同样属于包含a病灶区域，是可疑热点，其中T＝min(Threshold，a(i，j))，ratio为比例因子；

3.3)设置与待检测图像大小一致的标记数组mark，用来标记是否属于病灶区域，并将该数组清零，将队列localmax的各个元素对应标记数组坐标值置为-1，mark(i，j)的butong取值代表的意义为：mark(i，j)＝0表示s(i，j)不属于病灶区；mark(i，j)＝1表示s(i，j)属于病灶区，mark(i，j)＝-1表示s(i，j)属于局部最大值点且尚未被进行局部搜索；

3.4)当队列localmax为空，则跳到步骤3.7)，当localmax不为空，则取出当前队列的第一个元素，放入堆栈stackmax当中，并计算当前的局部阈值T；

3.5)当堆栈stackmax不为空，取出栈顶的第一个元素的坐标，对其八邻域的各个像素点进行判定，对于满足b(m，n)≥ratio×T且mark(m，n)＝0的点，将其标记数组mark(m，n)的值置为1，并将(m，n)的坐标值压入堆栈stackmax，对于满足b(m，n)≥ratio×T且mark(m，n)＝1的点，将其标记数组mark(m，n)的值置为1，并将(m，n)的坐标值压入堆栈stackmax；

3.6)重复步骤3.5)，直到stackmax为空，返回步骤3.4)；

3.7)对原始数据进行遍历，当存在坐标(x，y)满足mark(x，y)＝0且s(x，y)＞＝ThresAll，则将坐标(x，y)插入队列localmax当中，其中ThresAll为预先设定的全局阈值；当不存在这样的坐标(x，y)，认为热点基本全部标记，转到步骤3.8)；

3.8)对标记数组mark进行遍历，令

$\mathrm{hotspot}(i,j)=\left\{\begin{array}{cc}s(i,j)& \mathrm{mark}(i,j)=1\\ 0& \mathrm{mark}(i,j)=0\end{array}\right.;$

遍历hotspot矩阵的所有连通域，设其中面积最大的连通域为maxarea，当maxarea占整个胸腔面积的比值大于10％，认为是脊柱上端，是特征提取的常见干扰之一，应当予以去除，对于所有像素和小于10的连通区域，由于其面积太小，也不认为属于可疑病灶，同样应当排除，经过上述处理，最终得到的hotspot数组即为检测到的热点区域。

5.根据权利要求1所述的骨扫描中肿瘤骨转移的图像识别方法，其特征是，所述的体征向量通过以下方式进行提取：从前身数据和后身数据中，针对于每一个标定的人体区块，提取相应的特征向量来描述该区块正面、背面图像的热点区域以及热点区域与周围环境区域之间的联系，并作为SVM分类器的输入来对图像进行识别分类。

6.根据权利要求1所述的骨扫描中肿瘤骨转移的图像识别方法，其特征是，所述的分类识别具体是指：

4.1)对提取的特征向量数据进行归一化处理，将较大的数值范围收缩到[0，1]区间上；

4.2)选择RBF作为该分类器的核函数：K(x_i，x_j)＝exp(-γ‖x_i-x_j||²)γ＞0；

4.3)采用交互验证的方法选择最优的惩罚因子c和核函数参数g，其中：c是一个自定义的惩罚因子，它控制对错分样本惩罚的程度，K折交叉验证就是将训练集合分成k个大小相同的子集，其中一个子集用于测试，其它k-1个子集用于对分类器进行训练，并采用交互验证进行网格搜索以获取最优参数；

4.4)选取c，g的取值范围c∈[2^-2，2⁴]，g∈[2^-4，2⁴]，并以log₂c，log₂g建立坐标系，同时选择相应的变化步长cstep，gstep；然后对每对参数(1og₂c，log₂g)产生的准确率进行搜索，相同准确率的参数对连接成线；最后寻求获得最高准确率时的参数对，并将此参数赋给模型以提高预测精度；

4.5)利用类标签及处理过的特征向量建立SVM最优模型。

Images