CN104573742A - 医学图像分类方法和系统 - Google Patents

Abstract

本发明提供一种医学图像分类方法和系统，其方法包括：获取图像模板；分割所述图像模板中组织位置对称分布的两个感兴趣区域，获取所述两个感兴趣区域的标准图谱；将所述图像模板和所述标准图谱分别配准到图像样本总库中的每个第一图像上；基于配准后的标准图谱，分割获取所述每个第一图像中的所述两个感兴趣区域；计算所述每个第一图像中的所述两个感兴趣区域的第一偏侧性向量；利用所述第一偏侧性向量训练图像数据分类器，获取训练后的图像数据分类器。本发明提供了一种可适用于除脑部图像以外的针对医学图像进行分类和处理的方法，特别适用于脑部医学图像的分类，其方法简单、操作简便。

Description

医学图像分类方法和系统

技术领域

本发明涉及医学图像筛选或分类技术，特别是涉及一种医学图像分类方法和系统。

背景技术

目前，对医学图像进行图像筛选或分类的技术，主要是基于脑部图像上的筛选和分类领域，而针对脑部图像的筛选和分类方法，通常是基于MRI(磁共振图像)和PET(正电子发射计算机断层扫描图像)图像，MRI和PET图像分别从结构和功能方面提供了神经病理信息，将MRI和PET进行信息融合能使计算机辅助诊断得到进一步的提高。基于MRI和PET图像进行医学图像分类时通常需要比较复杂的预处理步骤。例如，其中一种预处理步骤，即首先对MRI和PET图像分别进行预处理：将MRI图像分割为灰质、白质和脑脊液并配准到一个模板空间(也称为标准空间)，接着计算MRI图像的组织密度图谱；将PET图像配准到相同的模板空间。然后利用基于体素的形态学分析法找出脑部的显著区域，从MRI图像的显著区域中提取组织密度值，从PET图像对应区域中提取体素值，把两类信息结合起来作为图像特征，输入支持向量机(SVM)，从而实现分类。又例如，另一种方法，同样先对MRI和PET图像各自进行了预处理，把所有MRI和PET图像配准到一个共同的模板空间，然后从MRI和PET图像的整个脑部区域取得灰度值和体素值，用多核学习方法将两组信息结合同时实现分类。另外，还有其他方法也使用了多核学习方法进行信息融合，其算法与前一算法的不同之处在于该方法利用了张量分解算法进行特征提取。

综上可见，目前现有技术还未存在针对其他医学图像的分类和筛选技术，且就算是基于脑部图像的筛选和分类，也存在较为复杂的预处理步骤，需要基于两种图像的配合，操作不便，推广度也不高。所以，现有技术还有待进一步提高。

发明内容

基于此，有必要针对现有技术中存在的问题，提供一种医学图像分类方法和系统，其提供了一种可适用于除脑部图像以外的针对医学图像进行分类和处理的方法，特别适用于脑部医学图像的分类，其方法简单、操作简便。

一种医学图像分类方法，其包括：

获取图像模板；

分割所述图像模板中组织位置对称分布的两个感兴趣区域，获取所述两个感兴趣区域的标准图谱；

将所述图像模板和所述标准图谱分别配准到图像样本总库中的每个第一图像上；

基于配准后的标准图谱，分割获取所述每个第一图像中的所述两个感兴趣区域；

计算所述每个第一图像中的所述两个感兴趣区域的第一偏侧性向量；

利用所述第一偏侧性向量训练图像数据分类器，获取训练后的图像数据分类器；

将所述图像模板和所述标准图谱分别配准到待分类图像样本库中的每个第二图像上；

基于配准后的标准图谱，分割获取所述每个第二图像中的所述两个感兴趣区域；

计算所述每个第二图像中的所述两个感兴趣区域的第二偏侧性向量；

将所述第二偏侧性向量作为特征向量输入所述训练后的图像数据分类器。

在其中一个实施例中，所述获取图像模板的步骤包括：

初始步骤：将参考图像样本库中的每个第三图像分别配准到所述参考图像样本库中的其中一个第三图像上，获取多个配准后的第三图像；

均值计算步骤：计算所述多个配准后的第三图像的均值，获取参考图像；

图像配准步骤：将所述参考图像样本库中的每个第三图像分别配准到所述参考图像，获取所述多个配准后的第三图像；

重复执行所述均值计算步骤和所述图像配准步骤，直到相邻两次执行所述均值计算步骤输出的参考图像之差满足预设条件，输出最后一次获得的参考图像作为所述图像模板。

在其中一个实施例中，所述预设条件为：相邻两次执行所述均值计算步骤输出的参考图像之差的范数是否小于等于预设阈值。

在其中一个实施例中，所述分割所述图像模板中组织位置对称分布的两个感兴趣区域获取所述两个感兴趣区域的标准图谱的过程包括：

分割所述图像模板中组织位置对称分布的两个感兴趣区域；

基于所述两个感兴趣区域，分割获得所述两个感兴趣区域中至少一个子特征区域的图谱；

汇总所述两个感兴趣区域中所有子特征区域的图谱，生成所述两个感兴趣区域的标准图谱。

在其中一个实施例中，所述计算所述每个第一图像或第二图像中的所述两个感兴趣区域的第一偏侧性向量或第二偏侧性向量的过程包括：

针对所述每个图像中的所述两个感兴趣区域，分别计算所述两个感兴趣区域内每个子特征区域的体积；

根据计算获取的所述每个子特征区域的体积，计算所述两个感兴趣区域中相应子特征区域的体积之差与体积之和的比值；

汇总所述两个感兴趣区域中所有子特征区域对应的所述比值，形成该图像中所述两个感兴趣区域的偏侧性向量。

在其中一个实施例中，所述基于配准后的标准图谱，分割获取所述每个第一图像或第二图像中的所述两个感兴趣区域过程包括：

将所述配准后的标准图谱作为掩膜，分割所述每个第一图像或每个第二图像，获取所述每个第一图像或每个第二图像上的所述两个感兴趣区域。

一种医学图像分类系统，其包括：

模板提取模块，用于获取图像模板；

感兴趣区域分割模块，用于分割所述图像模板中组织位置对称分布的两个感兴趣区域，获取所述两个感兴趣区域的标准图谱；

第一配准模块，用于将所述图像模板和所述标准图谱分别配准到图像样本总库中的每个第一图像上；

第一分割模块，用于基于配准后的标准图谱，分割获取所述每个第一图像中的所述两个感兴趣区域；

第一计算模块，用于计算所述每个第一图像中的所述两个感兴趣区域的第一偏侧性向量；

训练模块，用于利用所述第一偏侧性向量训练图像数据分类器，获取训练后的图像数据分类器；

第二配准模块，用于将所述图像模板和所述标准图谱分别配准到待分类图像样本库中的每个第二图像上；

第二分割模块，用于基于配准后的标准图谱，分割获取所述每个第二图像中的所述两个感兴趣区域；

第二计算模块，用于计算所述每个第二图像中的所述两个感兴趣区域的第二偏侧性向量；及

输入模块，用于将所述第二偏侧性向量作为特征向量输入所述训练后的图像数据分类器。

在其中一个实施例中，所述模板提取模块包括：

初始单元，用于将参考图像样本库中的每个第三图像分别配准到所述参考图像样本库中的其中一个第三图像上，获取多个配准后的第三图像；

均值计算单元，用于计算所述多个配准后的第三图像的均值，获取参考图像；

图像配准单元，用于将所述参考图像样本库中的每个第三图像分别配准到所述参考图像，获取所述多个配准后的第三图像；

迭代单元，用于重复调用所述均值计算单元和所述图像配准单元，直到相邻两次执行所述均值计算单元输出的参考图像之差满足预设条件，输出最后一次获得的参考图像作为所述图像模板。

在其中一个实施例中，所述第一计算模块和第二计算模块均包括以下单元：

体积计算单元，用于针对所述每个图像中的所述两个感兴趣区域，分别计算所述两个感兴趣区域内每个子特征区域的体积；

比值计算，用于根据计算获取的所述每个子特征区域的体积，计算所述两个感兴趣区域中相应子特征区域的体积之差与体积之和的比值；和

汇总单元，用于汇总所述两个感兴趣区域中所有子特征区域对应的所述比值，形成该图像中所述两个感兴趣区域的偏侧性向量。

在其中一个实施例中，所述感兴趣区域分割模块包括：

第一单元，用于分割所述图像模板中组织位置对称分布的两个感兴趣区域；

第二单元，用于基于所述两个感兴趣区域，分割获得所述两个感兴趣区域中至少一个子特征区域的图谱；和

第三单元，用于汇总所述两个感兴趣区域中所有子特征区域的图谱，生成所述两个感兴趣区域的标准图谱。

本发明利用了组织位置对称分布区域的特点获取相应的偏侧性向量，来对图像数据分类器进行了训练，然后利用训练后的图像数据分类器对医学图像进行分类，其提供了一种可适用于除脑部图像以外的针对医学图像进行分类和处理的方法，特别适用于脑部医学图像的分类，其只需要基于磁共振图像，方法简单、操作简便、易于推广。

附图说明

图1为本发明方法的一个实施例的流程示意图；

图2为本发明方法的另一个实施例的流程示意图；

图3为本发明系统的一个实施例结构示意图。

具体实施方式

本发明基于磁共振成像技术，本发明利用了组织位置对称分布区域的特点获取相应的偏侧性向量，来对图像数据分类器进行了训练，然后利用训练后的图像数据分类器对医学图像进行分类，其提供了一种可适用于除脑部图像以外的针对医学图像进行分类和处理的方法，特别适用于脑部医学图像的分类，其只需要基于磁共振图像，方法简单、操作简便、易于推广。以下将结合附图详细说明本发明的各个实施例。

如图1所示，本发明的一个实施例中提供了一种医学图像分类方法，其包括以下步骤：

在步骤100中，获取图像模板。本实施例中的图像模板可以是预先设定的图像样本总库中的一个图像，而该图像模板将作为与下述待分类图像样本库进行比对的参考，例如，如果本发明的方法用于医用脑部图像的分类，则该图像模块可以是选用现有的脑部图像模板，如ICBM模板、avg152模板等。当然，本文也提供了一种自定义图像模板的方法，具体参见以下实施例。在本发明的一个实施例中，如图2所示，上述步骤100中的获取图像模板的步骤包括以下步骤：

初始步骤101：将参考图像样本库中的每个第三图像分别配准到上述参考图像样本库中的其中一个第三图像上，获取多个配准后的第三图像；

均值计算步骤102：计算上述多个配准后的第三图像的均值，获取参考图像；

图像配准步骤103：将上述参考图像样本库中的每个第三图像分别配准到上述参考图像，获取上述多个配准后的第三图像；

步骤104，判断相邻两次执行上述均值计算步骤输出的参考图像之差是否满足预设条件，若是，则输出最后一次获得的参考图像作为上述图像模板，若否，则重复执行上述均值计算步骤102和上述图像配准步骤103，直到相邻两次执行上述均值计算步骤输出的参考图像之差满足预设条件。

例如，从参考图像样本库{N₁,N₂,...,N_m}中随机选择一个第三图像N_i,i∈{1,2,...,m}，将参考图像样本库{N₁,N₂,...,N_m}中的所有第三图像分别线性配准到N_i，得到第一次配准后的多个第三图像{N₁',N₂',...,N_m'}，求多个配准后的第三图像{N₁',N₂',...,N_m'}的均值，得到第一次配准过程对应的参考图像T₁；再次将参考图像样本库{N₁,N₂,...,N_m}中的所有第三图像分别线性配准到T₁，得到第二次配准后的多个第三图像{N₁″,N₂″,...,N_m″}，求{N₁″,N₂″,...,N_m″}的均值，得第二次配准对应的参考图像T₂；再将参考图像样本库{N₁,N₂,...,N_m}中的所有第三图像分别线性配准到T₂，得到第三次配准后的多个第三图像{N″′₁，N″′₂,...,N″′_m}，求{N″′₁，N″′₂,...,N″′_m}的均值，得第三次配准对应的参考图像T₃；重复上述步骤，可以获得多个参考图像T_j,j∈{1,2,...,n}，其中n表示配准次数。

为了选择出合适的参考图像作为图像模板，判断相邻两次获得的参考图像之差是否满足下述公式(1)所示的预设条件：

||T_j-T_j-1||≤σ  (1)

其中，σ为预设阈值，||·||表示取范数。

因此，上述预设条件是指：相邻两次执行上述均值计算步骤输出的参考图像之差的范数是否小于等于预设阈值，若满足此预设条件，则图像模板T_N＝最后一次获得的参考图像T_j。

在步骤110中，分割上述图像模板中组织位置对称分布的两个感兴趣区域，获取上述两个感兴趣区域的标准图谱L_N。这里提到的组织位置对称分布包括近似对称分布(下文同)。例如，如果本发明的方法用于医用脑部图像的分类，则组织位置对称分布的两个感兴趣区域可以是左脑和右脑两个半球对应的图像区域；如果本发明的方法用于医用肾脏图像的分类，则组织位置对称分布的两个感兴趣区域可以是左、右肾脏区域；如果本发明的方法用于医用子宫图像的分类，则组织位置对称分布的两个感兴趣区域可以是子宫图像区域中对称分布的两部分组织区域，等等，凡是存在组织位置对称分布或近似对称分布的医学图像均可以采用本发明的方法进行分类。

此外，为了便于计算后续步骤中的偏侧性向量，在本发明的一个实施例中，基于上述两个感兴趣区域分别包含的至少一个子特征区域，则在步骤110中包括以下步骤：

首先，分割上述图像模板中组织位置对称分布的两个感兴趣区域；

其次，基于所述两个感兴趣区域，分割获得上述两个感兴趣区域中至少一个子特征区域的图谱；

最后，汇总上述两个感兴趣区域中所有子特征区域的图谱，生成上述两个感兴趣区域的标准图谱L_N。

又如，如果本发明的方法用于医用脑部图像的分类，则上述提到子特征区域可以是左、右脑半球图像区域中的海马体区域、杏仁核区域、内嗅皮层区域、海马旁回区域、及扣带回区域等等；如果本发明的方法用于医用子宫图像的分类，则上述提到子特征区域可以是左、右输卵管图像区域和左、右卵巢图像区域。同理，凡是存在组织位置对称分布或近似对称分布的医学图像均可按照组织结构划分多个子特征区域。

在步骤120中，将上述图像模板和上述标准图谱分别配准到图像样本总库中的每个第一图像上。

这一过程中主要是：将上述图像模板分别配准到图像样本总库{N₁,N₂,...,N_m,A₁,A₂,...,A_n}中的所有第一图像上，此处的配准方法为线性配准或非线性配准。同时将上述两个感兴趣区域的标准图谱L_N共配准到所有第一图像上。这里的共配准是指：将图像模板配准到每个第一图像上得到的形变矩阵或形变场加于标准图谱，使标准图谱分别与每个第一图像空间匹配(下文同)，于是标准图谱L_N只有一个，共配准后的标准图谱应与被配准的图像个数相同，即将上述两个感兴趣区域的标准图谱L_N共配准到所有第一图像上，获得与第一图像个数相同的配准后的标准图谱

优选地，图像样本总库{N₁,N₂,...,N_m,A₁,A₂,...,A_n}包括上述参考图像样本库{N₁,N₂,...,N_m}和与下述待分类图像样本库中部分图像具有相同特征属性的类别图像样本库{A₁,A₂,...,A_n}。这里指的具有相同特征属性包括图像中部分区域的组织特征相同等等情况，优选地，具有相同特征属性指在图像中上述两个感兴趣区域内的部分区域组织特征相同。

在步骤130中，基于配准后的标准图谱，分割获取上述每个第一图像中的上述两个感兴趣区域。优选地，将上述配准后的标准图谱作为掩膜，分割上述图像样本总库{N₁,N₂,...,N_m,A₁,A₂,...,A_n}中的所有第一图像，获取上述每个第一图像的上述两个感兴趣区域L_k和L′_k，k∈{N₁,N₂,...,N_m,A₁,A₂,...,A_n}。

在步骤140中，计算上述每个第一图像中的上述两个感兴趣区域的第一偏侧性向量。本实施例中将两个感兴趣区域的偏侧性向量定义为：两个感兴趣区域中至少一个子特征区域的组织图像特征差别。于是，基于上述两个感兴趣区域分别包含的至少一个子特征区域，按照下述公式(2)计算偏侧性向量。

$\{\mathrm{\Δ}{V}_{k1},...,\mathrm{\Δ}{V}_{\mathrm{kw}},...,\mathrm{\Δ}{V}_{\mathrm{kW}}\}=\{\frac{{V_{k1}}^l-{V_{k1}}^r}{{V_{k1}}^l+{V_{k1}}^r},...,\frac{{V_{\mathrm{k\ω}}}^l-{V_k}^r}{{V_{\mathrm{kw}}}^l+{V_{\mathrm{kw}}}^r},...,\frac{{V_{\mathrm{kW}}}^l-{V_{\mathrm{kW}}}^r}{{V_{\mathrm{kW}}}^l+{V_{\mathrm{kW}}}^r}\}$   公式(2)

其中，{△V_k1,...,△V_kw,...,△V_kW}表示两个感兴趣区域中偏侧性向量，其中包含了W个子特征区域的组织图像特征差别，W表示感兴趣区域中子特征区域的总个数，w表示感兴趣区域中子特征区域的个数变量。

然而，每个子特征区域的组织图像特征差别利用下述公式(3)计算。

$\mathrm{\Δ}{V}_{\mathrm{kw}}=\frac{{V_{\mathrm{kw}}}^l-{V_{\mathrm{kw}}}^r}{{V_{\mathrm{kw}}}^l+{V_{\mathrm{kw}}}^r}$   公式(3)

其中，△V_kw表示第w个子特征区域的组织图像特征差别，V_kw ^l表示第一个感兴趣区域L_k中第w个子特征区域的体积，V_kw ^r表示第二个感兴趣区域L′_k中第w个子特征区域的体积。优选地，在步骤140中两个感兴趣区域的偏侧性向量为：汇总两个感兴趣区域中所有子特征区域对应的比值，该比值为此两个感兴趣区域L_k和L′_k中相应子特征区域的体积之差与体积之和的比值。

所以，上述步骤140中计算上述每个第一图像中的上述两个感兴趣区域的第一偏侧性向量的过程包括以下步骤：

首先，针对上述每个第一图像中的上述两个感兴趣区域L_k和L′_k，分别计算此两个感兴趣区域内每个子特征区域的体积；

然后，根据计算获取的每个子特征区域的体积，计算此两个感兴趣区域L_k和L′_k中相应子特征区域的体积之差与体积之和的比值；

其次，汇总上述两个感兴趣区域中所有子特征区域对应的上述比值，形成该每个第一图像中上述两个感兴趣区域的第一偏侧性向量。

在步骤150中，利用上述第一偏侧性向量训练图像数据分类器，获取训练后的图像数据分类器。优选地，这里的图像数据分类器采用SVM分类器。在本步骤中，将上述第一偏侧性向量作为输入图像数据分类器的特征向量，输入图像数据分类器，对图像数据分类器进行训练。

在步骤160中，将上述图像模板和上述标准图谱分别配准到待分类图像样本库中的每个第二图像上。优选地，将上述图像模板分别配准到待分类图像样本库{S₁,S₂,...,S_p}中的所有第二图像上，此处的配准方法为线性配准或非线性配准，同时将上述两个感兴趣区域的标准图谱L_N共配准到所有第二图像上，获得与第二图像个数相同的配准后的标准图谱{L₁,L₂,...,L_p}，此过程与上述步骤120中的过程相同。

在步骤170中，基于配准后的标准图谱，分割获取上述每个第二图像中的上述两个感兴趣区域。优选地，将上述配准后的标准图谱{L₁,L₂,...,L_p}作为掩膜，分割待分类图像样本库{S₁,S₂,...,S_p}中的每个第二图像上，获取上述每个第二图像的上述两个感兴趣区域L_k和L′_k，k∈{S₁,S₂,...,S_p}，与上述步骤130中的过程相同。

在步骤180中，计算上述每个第二图像中的上述两个感兴趣区域的第二偏侧性向量。同上述步骤140中的计算过程，基于上述公式(2)和公式(3)来计算第二偏侧性向量。优选地，上述步骤180中计算上述每个第二图像中的上述两个感兴趣区域的第二偏侧性向量的过程包括以下步骤：

首先，针对上述每个第二图像中的上述两个感兴趣区域L_k和L′_k，分别计算此两个感兴趣区域内每个子特征区域的体积；

然后，根据计算获取的每个子特征区域的体积，计算此两个感兴趣区域L_k和L′_k中相应子特征区域的体积之差与体积之和的比值；

其次，汇总此两个感兴趣区域中所有子特征区域对应的上述比值，形成该每个第二图像中两个感兴趣区域的第二偏侧性向量。

在步骤190中，将上述第二偏侧性向量作为特征向量输入上述训练后的图像数据分类器。优选地，将上述第二偏侧性向量作为特征向量，输入至利用上述第一偏侧性向量训练后的SVM分类器中。此外，在本发明的一个实施例中，利用模式分类算法构建图像数据分类器。当然，本发明的模型分类算法不限于SVM算法，可使用任何监督分类法。

基于上述方法，本发明还提供了一种医学图像分类系统1，其包括：

模板提取模块11，用于获取图像模板；

感兴趣区域分割模块12，用于分割所述图像模板中组织位置对称分布的两个感兴趣区域，获取所述两个感兴趣区域的标准图谱；

第一配准模块13，用于将所述图像模板和所述标准图谱分别配准到图像样本总库中的每个第一图像上；

第一分割模块14，用于基于配准后的标准图谱，分割获取所述每个第一图像中的所述两个感兴趣区域；

第一计算模块15，用于计算所述每个第一图像中的所述两个感兴趣区域的第一偏侧性向量；

训练模块16，用于利用所述第一偏侧性向量训练图像数据分类器，获取训练后的图像数据分类器；

第二配准模块17，用于将所述图像模板和所述标准图谱分别配准到待分类图像样本库中的每个第二图像上；

第二分割模块18，用于基于配准后的标准图谱，分割获取所述每个第二图像中的所述两个感兴趣区域；

第二计算模块19，用于计算所述每个第二图像中的所述两个感兴趣区域的第二偏侧性向量；及

输入模块20，用于将所述第二偏侧性向量作为特征向量输入所述训练后的图像数据分类器。

在本发明的一个实施例中，上述第一分割模块用于将所述配准后的标准图谱作为掩膜，分割所述每个第一图像，获取所述每个第一图像上的所述两个感兴趣区域。

在本发明的一个实施例中，上述第二分割模块用于将所述配准后的标准图谱作为掩膜，分割所述每个第二图像，获取所述每个第二图像上的所述两个感兴趣区域。

在本发明的一个实施例中，上述模板提取模块11包括以下单元：

初始单元，用于将参考图像样本库中的每个第三图像分别配准到所述参考图像样本库中的其中一个第三图像上，获取多个配准后的第三图像；

均值计算单元，用于计算所述多个配准后的第三图像的均值，获取参考图像；

图像配准单元，用于将所述参考图像样本库中的每个第三图像分别配准到所述参考图像，获取所述多个配准后的第三图像；

迭代单元，用于重复调用所述均值计算单元和所述图像配准单元，直到相邻两次执行所述均值计算单元输出的参考图像之差满足预设条件，输出最后一次获得的参考图像作为所述图像模板。优选地，所述预设条件为：相邻两次执行所述均值计算步骤输出的参考图像之差的范数是否小于等于预设阈值。

在本发明的一个实施例中，上述感兴趣区域分割模块12包括以下单元：

第一单元，用于分割所述图像模板中组织位置对称分布的两个感兴趣区域；

第二单元，用于基于所述两个感兴趣区域，分割获得所述两个感兴趣区域中至少一个子特征区域的图谱；和

第三单元，用于汇总所述两个感兴趣区域中所有子特征区域的图谱，生成所述两个感兴趣区域的标准图谱。

在本发明的一个实施例中，上述第一计算模块15和第二计算模块19均包括以下单元：

体积计算单元，用于针对所述每个图像中的所述两个感兴趣区域，分别计算所述两个感兴趣区域内每个子特征区域的体积；

比值计算，用于根据计算获取的所述每个子特征区域的体积，计算所述两个感兴趣区域中相应子特征区域的体积之差与体积之和的比值；和

汇总单元，用于汇总所述两个感兴趣区域中所有子特征区域对应的所述比值，形成该图像中所述两个感兴趣区域的偏侧性向量。

图1或图2为本发明一个实施例的方法流程示意图。应该理解的是，虽然图1或图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，图1或图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的进行组合实施的或者交换执行顺序实施例的。以上各个实施例在具体说明中仅只针对相应步骤的实现方式进行了阐述，然后在逻辑不相矛盾的情况下，上述各个实施例是可以相互组合的而形成新的技术方案的，而该新的技术方案依然在本具体实施方式的公开范围内。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品承载在一个非易失性计算机可读存储载体(如ROM、磁碟、光盘，服务器存储空间)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的系统结构和方法。

综上所述，本发明利用了组织位置对称分布区域的特点，获取图像样本总库中相应感兴趣区域的偏侧性指标，依此作为分类特征，来对图像数据分类器进行了训练，然后利用训练后的图像数据分类器对待分类图像样本库中的医学图像进行分类，其提供了一种可适用于除脑部图像以外的针对医学图像进行分类和处理的方法，特别适用于脑部医学图像的分类，其只需要基于磁共振图像，方法简单、操作简便、易于推广。此外本发明的方法和系统还提高了医用图像分类的敏感度和准确性，同时只需要一个时间点的图像扫描即可计算，提高了检测和分类效率。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种医学图像分类方法，其包括：

获取图像模板；

分割所述图像模板中组织位置对称分布的两个感兴趣区域，获取所述两个感兴趣区域的标准图谱；

将所述图像模板和所述标准图谱分别配准到图像样本总库中的每个第一图像上；

基于配准后的标准图谱，分割获取所述每个第一图像中的所述两个感兴趣区域；

计算所述每个第一图像中的所述两个感兴趣区域的第一偏侧性向量；

利用所述第一偏侧性向量训练图像数据分类器，获取训练后的图像数据分类器；

将所述图像模板和所述标准图谱分别配准到待分类图像样本库中的每个第二图像上；

基于配准后的标准图谱，分割获取所述每个第二图像中的所述两个感兴趣区域；

计算所述每个第二图像中的所述两个感兴趣区域的第二偏侧性向量；

将所述第二偏侧性向量作为特征向量输入所述训练后的图像数据分类器。

2.根据权利要求1所述的医学图像分类方法，其特征在于，所述获取图像模板的步骤包括：

初始步骤：将参考图像样本库中的每个第三图像分别配准到所述参考图像样本库中的其中一个第三图像上，获取多个配准后的第三图像；

均值计算步骤：计算所述多个配准后的第三图像的均值，获取参考图像；

图像配准步骤：将所述参考图像样本库中的每个第三图像分别配准到所述参考图像，获取所述多个配准后的第三图像；

重复执行所述均值计算步骤和所述图像配准步骤，直到相邻两次执行所述均值计算步骤输出的参考图像之差满足预设条件，输出最后一次获得的参考图像作为所述图像模板。

3.根据权利要求2所述的医学图像分类方法，其特征在于，所述预设条件为：相邻两次执行所述均值计算步骤输出的参考图像之差的范数是否小于等于预设阈值。

4.根据权利要求1所述的医学图像分类方法，其特征在于，所述分割所述图像模板中组织位置对称分布的两个感兴趣区域获取所述两个感兴趣区域的标准图谱的过程包括：

分割所述图像模板中组织位置对称分布的两个感兴趣区域；

基于所述两个感兴趣区域，分割获得所述两个感兴趣区域中至少一个子特征区域的图谱；

汇总所述两个感兴趣区域中所有子特征区域的图谱，生成所述两个感兴趣区域的标准图谱。

5.根据权利要求4所述的医学图像分类方法，其特征在于，所述计算所述每个第一图像或第二图像中的所述两个感兴趣区域的第一偏侧性向量或第二偏侧性向量的过程包括：

针对所述每个图像中的所述两个感兴趣区域，分别计算所述两个感兴趣区域内每个子特征区域的体积；

根据计算获取的所述每个子特征区域的体积，计算所述两个感兴趣区域中相应子特征区域的体积之差与体积之和的比值；

汇总所述两个感兴趣区域中所有子特征区域对应的所述比值，形成该图像中所述两个感兴趣区域的偏侧性向量。

6.根据权利要求1所述的医学图像分类方法，其特征在于，所述基于配准后的标准图谱，分割获取所述每个第一图像或第二图像中的所述两个感兴趣区域过程包括：

将所述配准后的标准图谱作为掩膜，分割所述每个第一图像或每个第二图像，获取所述每个第一图像或每个第二图像上的所述两个感兴趣区域。

7.一种医学图像分类系统，其特征在于，所述系统包括：

模板提取模块，用于获取图像模板；

感兴趣区域分割模块，用于分割所述图像模板中组织位置对称分布的两个感兴趣区域，获取所述两个感兴趣区域的标准图谱；

第一配准模块，用于将所述图像模板和所述标准图谱分别配准到图像样本总库中的每个第一图像上；

第一分割模块，用于基于配准后的标准图谱，分割获取所述每个第一图像中的所述两个感兴趣区域；

第一计算模块，用于计算所述每个第一图像中的所述两个感兴趣区域的第一偏侧性向量；

训练模块，用于利用所述第一偏侧性向量训练图像数据分类器，获取训练后的图像数据分类器；

第二配准模块，用于将所述图像模板和所述标准图谱分别配准到待分类图像样本库中的每个第二图像上；

第二分割模块，用于基于配准后的标准图谱，分割获取所述每个第二图像中的所述两个感兴趣区域；

第二计算模块，用于计算所述每个第二图像中的所述两个感兴趣区域的第二偏侧性向量；及

输入模块，用于将所述第二偏侧性向量作为特征向量输入所述训练后的图像数据分类器。

8.根据权利要求7所述的医学图像分类系统，其特征在于，所述模板提取模块包括：

初始单元，用于将参考图像样本库中的每个第三图像分别配准到所述参考图像样本库中的其中一个第三图像上，获取多个配准后的第三图像；

均值计算单元，用于计算所述多个配准后的第三图像的均值，获取参考图像；

图像配准单元，用于将所述参考图像样本库中的每个第三图像分别配准到所述参考图像，获取所述多个配准后的第三图像；

迭代单元，用于重复调用所述均值计算单元和所述图像配准单元，直到相邻两次执行所述均值计算单元输出的参考图像之差满足预设条件，输出最后一次获得的参考图像作为所述图像模板。

9.根据权利要求7所述的医学图像分类系统，其特征在于，所述第一计算模块和第二计算模块均包括以下单元：

体积计算单元，用于针对所述每个图像中的所述两个感兴趣区域，分别计算所述两个感兴趣区域内每个子特征区域的体积；

比值计算，用于根据计算获取的所述每个子特征区域的体积，计算所述两个感兴趣区域中相应子特征区域的体积之差与体积之和的比值；和

汇总单元，用于汇总所述两个感兴趣区域中所有子特征区域对应的所述比值，形成该图像中所述两个感兴趣区域的偏侧性向量。

10.根据权利要求7所述的医学图像分类系统，其特征在于，所述感兴趣区域分割模块包括：

第一单元，用于分割所述图像模板中组织位置对称分布的两个感兴趣区域；

第二单元，用于基于所述两个感兴趣区域，分割获得所述两个感兴趣区域中至少一个子特征区域的图谱；和

第三单元，用于汇总所述两个感兴趣区域中所有子特征区域的图谱，生成所述两个感兴趣区域的标准图谱。