CN105279508A - 一种基于kap有向图模型的医学图像分类方法 - Google Patents

一种基于kap有向图模型的医学图像分类方法 Download PDF

Info

Publication number
CN105279508A
CN105279508A CN201510566372.5A CN201510566372A CN105279508A CN 105279508 A CN105279508 A CN 105279508A CN 201510566372 A CN201510566372 A CN 201510566372A CN 105279508 A CN105279508 A CN 105279508A
Authority
CN
China
Prior art keywords
summit
kap
image
digraph
kap digraph
Prior art date
Application number
CN201510566372.5A
Other languages
English (en)
Inventor
潘海为
吴枰
韩启龙
谢晓芹
高琳琳
战宇
翟霄
李文博
Original Assignee
哈尔滨工程大学
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 哈尔滨工程大学 filed Critical 哈尔滨工程大学
Priority to CN201510566372.5A priority Critical patent/CN105279508A/zh
Publication of CN105279508A publication Critical patent/CN105279508A/zh

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/20Image acquisition
    • G06K9/32Aligning or centering of the image pick-up or image-field
    • G06K9/3233Determination of region of interest
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K9/00Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
    • G06K9/62Methods or arrangements for recognition using electronic means
    • G06K9/6267Classification techniques

Abstract

本发明属于医疗信息技术领域,具体涉及一种基于KAP有向图模型的医学图像分类方法。本发明包括:待分类图像提出分类请求:待分类图像应为原始医学图像数据;图像预处理过程:对原始医学图像提取感兴趣ROI区域,计算图像ROI区域的灰度直方图,得到图像ROI区域的灰度直方图的波谷列表,根据波谷列表对图像分级提取纹理特征,根据实际需要将得到的分级纹理图像规范化到统一的大小,并在纹理部位提取出图像的角点。本发明提出的面向纹理的角点提取方法有效的降低了角点的提取时间,同时由于纹理部位是图像中灰度变化最剧烈的位置,也是图像中反应信息量最重要的位置,进而提高了角点的代表性。

Description

-种基于KAP有向图模型的医学图像分类方法

技术领域

[0001] 本发明属于医疗信息技术领域,具体设及一种基于KAP有向图模型的医学图像分 类方法。

背景技术

[0002] 由于医学图像中蕴含着丰富的图像和医学信息,近年来面向医学图像的数据挖掘 技术成为医学和计算机交叉学科研究的热点。随着医疗数字化设备的快速发展,医学信息 数据库被广泛使用。病人的结构化文本信息,W及大量的非结构化医学图像信息,为医学图 像的数据挖掘提供了丰富的数据资源。医学图像可W有效的辅助医师在诊断过程中对病理 变化区域进行检测、定位W及判断它的良恶性,因此被广泛应用于临床诊断过程中。然而, 具有不同知识背景的医生即使对同一张医学图像可能存在不同的判断,所W,运用数据挖 掘方法研究医学图像分类算法,对辅助医生根据医学图像进行诊断,提高其效率和精度,具 有较高的学术价值和实际应用前景。

[0003] 目前,国内外在医学图像分类研究方面,主要采用的分类方法包括统计方法、神经 网络方法、模糊模式识别方法、机器学习方法等。已有的分类算法不能很好的描述医学图 像,造成分类的准确率较低和时间复杂度较高。医学图像的成像结果显示脑部CT图像拥 有良好的纹理特性并且图像间纹理角点的位置近似相同,基于运一脑部医学领域知识的指 导,提出了基于KAP有向图模型的医学图像分类方法。

发明内容

[0004] 本发明的目的是提出一种提高对医学图像分类的准确率的基于KAP有向图模型 的医学图像分类方法。 阳〇化]本发明的目的是运样实现的:

[0006] (1)待分类图像提出分类请求:待分类图像应为原始医学图像数据;

[0007] (2)图像预处理过程:对原始医学图像提取感兴趣R0I区域,计算图像R0I区域的 灰度直方图,得到图像R0I区域的灰度直方图的波谷列表,根据波谷列表对图像分级提取 纹理特征,根据实际需要将得到的分级纹理图像规范化到统一的大小,并在纹理部位提取 出图像的角点;

[000引做图像建模:利用提取到的角点并结合医学图像的具体特点,利用合法KAP有向 图和非法KAP有向图两种医学图像到KAP有向图的建模方法进行图像建模;

[0009] (4)多步图像匹配:通过KAP有向图间顶点粗粒度匹配方法、KAP有向图间顶点细 粒度匹配方法和KAP有向图间顶点匹配的优化方法,最终获得两张图像之间相同的顶点和 公共子图;

[0010] (5)医学图像分类:利用顶点的重要性作为顶点的权值,对KAP有向图间相同的顶 点进行加权求和作为两图的相似度,并采用投票机制进行分类,实现对医学图像的多步匹 配分类。

[0011] 所述角点为:高斯窗w在图像G上移动,获得2X2局部结构矩阵M,对该矩阵Μ求 取特征值λ1和λ2,建立度量函数R=detM-k(traceM)2,设定阔值Θ,当R〉Θ则该位置为 角点,反之则不是; 阳01引其中detM=λ1λ2,traceM=λ1+λ2,detM是矩阵Μ的行列式值,traceM是矩 阵Μ的迹,k是常量,取值为0.04,Θ为阔值。

[0013] 所述的合法KAP有向图和非法KAP有向图为:在KAP有向图中,若图中的每个顶点 Vi,i一(1,2,…,n},移动的范围均在其可移动范围内,则称此图为合法KAP有向图;若图中 存在任意一个或者多个顶点Vj,j一(1,2,…,n},移动的范围超出了其可移动范围,则称此 图为非法KAP有向图。

[0014] 所述的多步匹配分类为:首先,KAP有向图间顶点粗粒度匹配方法,用来返回两张 KAP有向图间顶点的初始匹配序列;然后,KAP有向图间顶点细粒度匹配方法,用来对KAP有 向图间的顶点进行进一步的匹配;最后,KAP有向图间顶点匹配的优化方法,包括伪同构结 构排除方法和遭误删顶点找回策略,从而准确的实现了KAP有向图的匹配过程,得到了KAP 有向图间相同的顶点和公共子图,利用顶点的重要性P作为顶点的权值,对KAP有向图间相 同的顶点进行加权求和作为两图的相似度,采用投票机制进行分类。

[0015] 本发明的有益效果在于:

[0016] 本发明提出的面向纹理的角点提取方法有效的降低了角点的提取时间,同时由于 纹理部位是图像中灰度变化最剧烈的位置,也是图像中反应信息量最重要的位置,进而提 高了角点的代表性。提出的KAP有向图模型,能够有效的描述医学图像的特征,而且从原始 的灰度图像到KAP有向图的构建过程也易操作,提高了本模型的实用价值。提出的多步匹 配分类算法能够准确的实现对医学图像的分类,有效的提高了分类的精度,从而提高医生 的诊断精度和缩短诊断时间。

附图说明

[0017] 图1是脑部CT图像纹理提取的过程;

[001引图2是图像建模的过程;

[0019] 图3是粗粒度匹配算法顶点匹配的示例;

[0020] 图4是细粒度匹配算法删除差异点的示例;

[0021] 图5是迭代效果示例;

[0022] 图6是伪同构结构处理示例。

具体实施方式

[0023] 下面结合附图和具体实施例对本发明作进一步的说明:

[0024] 本发明提出一种基于K最近邻纹理角点(KAP,Knearestnei曲bortenure angularpoints)有向图模型的医学图像分类方法,其特征在于利用一种新颖的KAP有向 图模型描述图像之间存在的关系,并利用其进行多步的匹配,进而实现医学图像的分类。 KAP有向图模型的定义是:首先对医学图像进行KAP有向图建模处理,给出医学图像中KAP 有向图模型的两个概念:合法KAP有向图和非法KAP有向图;然后提出了KAP有向图间顶 点粗粒度匹配算法、KAP有向图间顶点细粒度匹配算法和KAP有向图间顶点匹配的优化算 法。对于每一张待分类的图像,其分类过程是:首先对待分类图像进行纹理化处理,提取出 纹理部位的角点;然后针对提取到的角点,结合医学图像的固有特点,利用KAP有向图模型 来描述医学图像;接着根据KAP有向图间顶点粗粒度匹配算法、KAP有向图间顶点细粒度匹 配算法和KAP有向图间顶点匹配的优化算法的结合,准确的实现了KAP有向图的匹配,得到 了KAP有向图间相同的顶点;最后,利用顶点的重要性作为顶点的权值,对KAP有向图间相 同的顶点进行加权求和作为两图的相似度,并采用投票机制进行分类,W达到辅助医生诊 断的效果。本发明与传统医学图像分类技术相比,提高了分类结果的准确率。 阳0巧]本发明包括如下步骤:

[0026] (1)待分类图像提出分类请求:待分类图像应为原始医学图像数据; W27] 似图像预处理过程:对原始医学图像提取感兴趣区域(R0I,RegionOf Interest),计算图像ROI区域的灰度直方图,得到图像ROI区域的灰度直方图的波谷列表, 根据波谷列表对图像分级提取纹理特征,根据实际需要将得到的分级纹理图像规范化到统 一的大小,并在纹理部位提取出图像的角点;

[0028] (3)图像建模:利用提取到的角点并结合医学图像的具体特点,提出了医学图像 到KAP有向图的建模方法,包括合法KAP有向图和非法KAP有向图两种;

[0029] (4)多步匹配算法:提出了KAP有向图间顶点粗粒度匹配算法、KAP有向图间顶点 细粒度匹配算法和KAP有向图间顶点匹配的优化算法,最终可W获得两张图像之间相同的 顶点和公共子图;

[0030] (5)医学图像的分类算法:利用顶点的重要性作为顶点的权值,对KAP有向图间相 同的顶点进行加权求和作为两图的相似度,并采用投票机制进行分类,最终实现了对医学 图像的多步匹配分类。 阳〇3U 角点为:高斯窗W在图像G上移动,获得2 X 2局部结构矩阵M,对该矩阵Μ求取特 征值λl和λ2,建立度量函数R=detM-k(traceM)2,设定阔值白,如果R〉θ则该位置为角 点,反之则不是。

[0032]其中detM=λ1λ2,traceM=λ1+λ2,detM是矩阵Μ的行列式值,traceM是矩 阵Μ的迹,k是常量,取值为0.04, Θ为阔值。

[0033] 合法KAP有向图和非法KAP有向图为:在KAP有向图中,若图中的每个顶点Vi, i一 {1,2,…,η},移动的范围均在其可移动范围内,则称此图为合法KAP有向图。若图中存 在任意一个或者多个顶点V,,j一(1,2,…,η},移动的范围超出了其可移动范围,则称此图 为非法ΚΑΡ有向图。

[0034] 多步匹配分类为:首先,提出了ΚΑΡ有向图间顶点粗粒度匹配算法,用来返回两张 ΚΑΡ有向图间顶点的初始匹配序列;然后,提出了ΚΑΡ有向图间顶点细粒度匹配算法,用来 对ΚΑΡ有向图间的顶点进行进一步的匹配;最后,提出了ΚΑΡ有向图间顶点匹配的优化算 法,从而准确的实现了ΚΑΡ有向图的匹配过程,得到了ΚΑΡ有向图间相同的顶点和公共子 图。利用顶点的重要性Ρ作为顶点的权值,对ΚΑΡ有向图间相同的顶点进行加权求和作为 两图的相似度,采用投票机制进行分类。

[0035] ΚΑΡ有向图间顶点粗粒度匹配算法为:输入两张ΚΑΡ有向图G。和Gb,首先查找G。 图像中的所有顶点,根据顶点的重要性,获得每个顶点的可移动的范围。然后,查找Gb图像 中的所有顶点,判断Gb图像中顶点是否在G。图像中相应顶点的可移动范围。如果在其可移 动的范围,则对运两个顶点建立有序对,从而形成顶点匹配序列,最终进行返回。

[0036] KAP有向图间顶点细粒度匹配算法为:首先,依次遍历顶点集V中的顶点Vi,计 算出每个顶点的差值矩阵AQFV= IQFV-QFV'I、AHFV= IHFV-HFV'I。然后,利用公式 SUM[j]=SUM[j] + AQFV[i,j] + AHFV[i,j]}}计算出差值数组SUM[j],并对其进行排序,删 除差值最大的点W及图中所有的有向边。最后,重新构建KAP有向图,重复进行上面的步 骤,直至KAP有向图中所有顶点的差值数组均相同算法终止。

[0037] KAP有向图间顶点匹配的优化算法为:首先,W求出的公共子图为基础,消去公共 子图的有向边,只保留顶点,形成顶点集,此顶点集是模板图和对比图共有相同顶点的集 合。然后,在模板图中找到离相同顶点集中任意顶点最近的已经被删除的差异顶点,并把其 加入到顶点集中,重新构建KAP有向图。在对比图中同样按照距离由小至大的顺序加入一 个已经被删除的差异顶点,并把所有的差异顶点均遍历一遍,会分别形成一个KAP有向图, 判断其是否与模板图中的KAP有向图相同,如果相同则说明该差异顶点是被误删的顶点, 并把其重新加入到顶点集中。最后,重复上述过程,直到没有需要被加入的差异顶点算法终 止。 阳0測实施例1

[0039] 首先对医学图像进行预处理: W40] 1.对原始图像库中的每一张原始的脑部CT图像提取R0I区域;

[0041] 2.截取R0I区域并校正;

[00创 3.计算图像R0I区域灰度直方图的波谷分布情况,得到灰度直方图的波谷表;

[0043] 4.按照波谷表设置阔值对图像多次提取纹理,从而得到多级纹理图像; W44] 5.最后将多级纹理图像规范化为大小为C0LUMNXROW的图像; W45] 6.提取出纹理图像的角点;

[0046] 7.将提取到的角点的坐标存储在相应的坐标队列中;

[0047] 将预处理后的图像保存在相应的数据库中,经过W上过程,每一张原始图像均对 应一个纹理角点存储队列。首先,利用存储队列中的角点构建KAP有向图;然后,利用KAP 有向图间顶点粗粒度匹配算法、KAP有向图间顶点细粒度匹配算法和KAP有向图间顶点匹 配的优化算法实现KAP有向图间准确的匹配,得到了KAP有向图间相同的顶点和公共子图; 最后,利用顶点的重要性P作为顶点的权值,对KAP有向图间相同的顶点进行加权求和作为 两图的相似度,采用投票机制进行分类。

[0048] 具体的一次图像分类过程如下:

[0049] 1.对待分类医学图像MI提出分类请求;

[0050] 2.对待分类医学图像MI进行预处理,得到相应的规范化大小的纹理图像;

[0051] 3.利用面向纹理的角点提取方法提取出MI中纹理部位的角点,并存储在相应的 纹理存储队列中; 阳0巧4.与训练集中的图像进行粗粒度的匹配,返回顶点初始匹配序列;

[005引5.与训练集中的图像进行细粒度匹配,利用构建的KAP有向图模型对粗粒度匹配 的初始匹配序列进行调整,排除离散点的干扰;

[0054] 6.进行顶点匹配的优化处理,对部分被误删的顶点进行找回,从而获得两图的相 同的顶点和公共子图;

[0055] 7.利用顶点的重要性P作为顶点的权值,对KAP有向图间相同的顶点进行加权求 和作为两图的相似度,采用投票机制进行分类。

[0056] W上实例表明,本发明提出的基于KAP有向图模型的医学图像分类算法具有实际 的应用价值。

[0057] 本发明还有运样一些技术特征:

[0058] 1.关于KAP有向图中顶点的提取方法:

[0059]KAP有向图中的顶点即为纹理图像中纹理位置处提取的角点,纹理提取的具体的 步骤W图1中的图像为例,图1(a)是原始脑部CT图像,图像两侧白色的部分是噪声区域, 对分类的精度有着严重的影响,因此首先提取图1(a)的R0I区域,即去掉无用的白色区域 只保留有用的部分,如图1(b)所示。然后通过计算R0I区域的灰度直方图的波峰、波谷自动 的得到分级数组par比]。按照k层分级数组使用canny算法得到的分级纹理图像,图1(c) 是经过校正的分级纹理图像。为了便于后续的建模和分类过程,将该分级纹理图像规范化 为统一大小ColumnXRow的规范化大小纹理图像,本文采用Column= 161,Row= 151,如 图1(d)所示,最终得到了脑部CT图像中最重要区域的纹理信息。

[0060] 2.关于KAP有向图的定义:

[0061] 定义1.一个1(4口有向图本质上是一个五元组0=(¥,6,1,口,脚,其中¥是顶点 集合,E属于VXV的边集,且E为有向边,Μ:V- {1,2, ···,!!}为顶点分配标签函数,P: V- [(U]是顶点的重要性指数函数,N是Ni的集合,i一 {1,2,···,η}体现了KAP有向图 中每个顶点周边的空间结构。

[0062] 需要说明的是Ni代表距离顶点V1最近的Κ个顶点的集合{V1,V2,…,ViJ,运里不 包含顶点Vi本身。从顶点V1到距离其最近的K个顶点会分别建立有向边,有向边的方向是 从顶点Vi指向距离其最近的K个顶点。 阳06引图2所展示的是从纹理图像到KAP有向图建模的全过程,图2 (a)是纹理图像,图 2化)是图2 (a)红色虚线方框区域的放大图,图2(C)为图2化)纹理处的像素点集。图2(C) 经过T-Harris角点提取后,图像中的角点被标记出,同时角点的坐标也被获取,如图2(d) 中红色位置所示。然后,根据步骤V、E和P最终获得KAP有向图,如图2(e)所示。

[0064] 定义2.对于一张合法KAP有向图Gi,图中的任意一个或者多个顶点Vi,i一 {1,2,…,η},在其可移动范围内移动而形成图G2,G3…G。,由于图中顶点和顶点间的空 间结构并没有发生改变,所W我们称Gi,G2…G。是相同的KAP有向图。 W65] 定义3.在进行KAP有向图匹配时,存在KAP有向图集合M=咕,G2,…Gk…G。}, 选定一张KAP有向图Gk作为被匹配的对象,则称此KAP有向图为模板图灯G,Template Graph),其余KAP有向图称为对比图(CG,ContrastGraph)。

[0066] 定义4.Gi和G2为两张KAP有向图,V。是G1和G2公共子图的顶点,吓为顶点的重 要性权值,则称

Figure CN105279508AD00071

为图Gi和图G2的相似值。

[0067] 3.多步匹配分类算法的具体步骤:

[0068] 根据医学领域的知识可知,每个人脑部的构造是相同的,但是会在尺度上略有差 异,因此,即使对两个完全健康人的脑部同一脑层完成KAP有向图建模,KAP有向图间顶点 的位置也会略有差别,KAP有向图间顶点粗粒度匹配算法就是为了解决上述问题。

[0069] 图3红色圆圈范围代表顶点的可移动范围,在顶点的可移动范围内的顶点即为两 张图中相同的顶点,例如图3中标记为Vi和V' 1的顶点,没在顶点可移动范围内的顶点进 行随机匹配,在图中没有标注出。需要注意的问题是,当某个顶点同时在两个或多个顶点的 可移动范围内时,例如图3中V%点同时在两个红色圆圈内,算法会计算该顶点离运两个顶 点哪个更化则会判定其与最近的那个顶点建立有序化图3中V'7离V难,所WV都V' 7 建立有序对<V7,V' 7〉。当与两个或多个顶点距离相同时,算法会进行随机配对。

[0070] 从上文可W看出,算法对每个顶点进行了匹配,但运个阶段的匹配不够准确,在 KAP有向图间顶点细粒度匹配算法中,每张图内部顶点间的空间结构关系被考虑进来。因 此,代表顶点和顶点间空间结构关系的有向边就显得尤为重要。图4和图5所示是KAP有向 图间顶点细粒度匹配算法的过程。在KAP有向图中,根据图中的有向边可W构造两个NXN 的矩阵,分别为图中顶点的出度矩阵QFV和入度矩阵HFV,其中N为图中顶点的个数。具体 的构造方法如下: 阳〇7U 如果存在有向边Vi-Vj则令QFV[i,j]= 1,同时令HFV[j,U= 1。反么QFV[i,j] =0,HFV[j,i]= 0。 阳07引在KAP有向图G=(V,E,M,P,脚和G'= (ν',E,M',P',N')中,分别存在两个NXN的矩阵,对于有向图G记为QFV和HFV,有向图G'记为QFV'和HFV'。我们不难发现, KAP有向图间有向边的关系可W通过W下两个差值矩阵进行评价:出度差值矩阵AQFV= QFV-QFV'I和入度差值矩阵AHFV=IHFV-HFV'I。顶点间的出入度差异值越大说明顶 点周围有向边的分布越不相同,差异值为零说明顶点周围有向边的分布相同,即是匹配正 确的顶点。用U,表示最大差异顶点,U,的计算如下:

Figure CN105279508AD00081

[0073] 运是一个迭代的过程,每迭代一次会相应的消掉一个差异值最大的顶点,直到两 张KAP有向图中所有顶点周围有向边的分布完全相同算法终止。

[0074] 最后提出了KAP有向图顶点匹配的优化算法,主要是为了解决对于伪同构结构 造成的差异顶点无法排除的问题,如图5所示,图5(a)和图5(b)是经过若干次迭代处理 后形成的伪同构结构,两张图中的每个顶点周围的有向边的分布均是相同的,但是两张图 在结构上有着明显的差别,如图中Ve和V' 5顶点的位置。两张图的几何中屯、分别为:〇1和 〇2, W每个需要检测的顶点作为起始点、W KAP有向图的几何中屯、为终点建立一个向量,W 逆时针方向作为极坐标的正方向,构成一个极坐标系,两个伪同构结构的极坐标轴分别为

Figure CN105279508AD00082

如图5中的例子所示,图5 (a)中的Vs点W极坐标轴 巧^沿着逆时针的方向旋转可获得最近3个点的顺序集合为{V,,V4,VJ,图5化)中的点 W极坐标轴巧巧沿着逆时针的方向旋转可获得最近3个点的顺序集合为IV'e,V' 7,V'J, 从而可知运两个顶点的周围顶点的空间分布是不同的。因此,此顶点为两张KAP有向图中 差异的顶点,可W直接移除。最终得到了两图间准确的相同顶点和公共子图。利用脑部CT 图像间的公共子图作为分类的基础,来实现对脑部CT图像正异常的分类。分类方法采用了 投票机制,其具体的步骤如下:首先,循环调用算法1-3获得Τι与训练集中每张图像的公共 子图。然后,利用

Figure CN105279508AD00083

计算每张公共子图的相似值。最后,设定一个S值并进行初始化, 找出训练集中与待测试图像相似值最大的前s张图像,并统计运s张图像中是正常和异常 的数量。如果正常的数量大于异常的数量,则说明待检测图像是正常图像。反之,则说明待 检测图像是异常图像。

[00巧]本发明的关键在于使用KAP有向图模型建模理论对医学图像进行建模,从而利用 其进行多步的匹配分类。该方法较传统的医学图像分类方法相比优势在于:首先,充分考虑 医学图像本身的结构性和可变性。其次,提出的多步匹配分类方法,降低了图像分类的时间 复杂度,同时提高了分类的准确率。最后,本方法实现简单,拥有很强的实际应用价值。

Claims (4)

1. 一种基于KAP有向图模型的医学图像分类方法,其特征在于,包括如下步骤: (1)待分类图像提出分类请求:待分类图像应为原始医学图像数据; ⑵图像预处理过程:对原始医学图像提取感兴趣ROI区域,计算图像ROI区域的灰度 直方图,得到图像ROI区域的灰度直方图的波谷列表,根据波谷列表对图像分级提取纹理 特征,根据实际需要将得到的分级纹理图像规范化到统一的大小,并在纹理部位提取出图 像的角点; (3) 图像建模:利用提取到的角点并结合医学图像的具体特点,利用合法KAP有向图和 非法KAP有向图两种医学图像到KAP有向图的建模方法进行图像建模; (4) 多步图像匹配:通过KAP有向图间顶点粗粒度匹配方法、KAP有向图间顶点细粒度 匹配方法和KAP有向图间顶点匹配的优化方法,最终获得两张图像之间相同的顶点和公共 子图; (5) 医学图像分类:利用顶点的重要性作为顶点的权值,对KAP有向图间相同的顶点进 行加权求和作为两图的相似度,并采用投票机制进行分类,实现对医学图像的多步匹配分 类。
2. 根据权利要求1所述的一种基于KAP有向图模型的医学图像分类方法,其特征在于, 所述角点为:高斯窗W在图像G上移动,获得2 X 2局部结构矩阵M,对该矩阵Μ求取特征值 λ 2,建立度量函数R = detM_k(traceM)2,设定阈值Θ,当R>0则该位置为角点,反 之则不是; 其中detM= AJ^traceM: Ai+A^detM是矩阵Μ的行列式值,traceM是矩阵Μ的 迹,k是常量,取值为0.04, Θ为阈值。
3. 根据权利要求1所述的一种基于KAP有向图模型的医学图像分类方法,其特征在 于,所述的合法KAP有向图和非法KAP有向图为:在KAP有向图中,若图中的每个顶点Vp i - {1,2,…,η},移动的范围均在其可移动范围内,则称此图为合法KAP有向图;若图中存 在任意一个或者多个顶点U - {1,2,…,n},移动的范围超出了其可移动范围,则称此图 为非法KAP有向图。
4. 根据权利要求1所述的基于KAP有向图模型的医学图像分类方法,其特征是,所述的 多步匹配分类为:首先,KAP有向图间顶点粗粒度匹配方法,用来返回两张KAP有向图间顶 点的初始匹配序列;然后,KAP有向图间顶点细粒度匹配方法,用来对KAP有向图间的顶点 进行进一步的匹配;最后,KAP有向图间顶点匹配的优化方法,包括伪同构结构排除方法和 遭误删顶点找回策略,从而准确的实现了 KAP有向图的匹配过程,得到了 KAP有向图间相同 的顶点和公共子图,利用顶点的重要性P作为顶点的权值,对KAP有向图间相同的顶点进行 加权求和作为两图的相似度,采用投票机制进行分类。
CN201510566372.5A 2015-09-08 2015-09-08 一种基于kap有向图模型的医学图像分类方法 CN105279508A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510566372.5A CN105279508A (zh) 2015-09-08 2015-09-08 一种基于kap有向图模型的医学图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510566372.5A CN105279508A (zh) 2015-09-08 2015-09-08 一种基于kap有向图模型的医学图像分类方法

Publications (1)

Publication Number Publication Date
CN105279508A true CN105279508A (zh) 2016-01-27

Family

ID=55148491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510566372.5A CN105279508A (zh) 2015-09-08 2015-09-08 一种基于kap有向图模型的医学图像分类方法

Country Status (1)

Country Link
CN (1) CN105279508A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446923A (zh) * 2016-05-25 2017-02-22 哈尔滨工程大学 基于角点匹配的医学图像分类方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289681A (zh) * 2011-08-05 2011-12-21 上海邮政科学研究院 一种信封图像匹配方法
CN103226582A (zh) * 2013-04-08 2013-07-31 哈尔滨工程大学 一种基于不确定定点图的医学图像检索方法
CN103902988A (zh) * 2014-04-21 2014-07-02 梁爽 一种基于Modular积图与最大团的草图形状匹配方法
CN104298988A (zh) * 2014-08-21 2015-01-21 华南理工大学 一种基于视频图像局部特征匹配的财物保护方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289681A (zh) * 2011-08-05 2011-12-21 上海邮政科学研究院 一种信封图像匹配方法
CN103226582A (zh) * 2013-04-08 2013-07-31 哈尔滨工程大学 一种基于不确定定点图的医学图像检索方法
CN103902988A (zh) * 2014-04-21 2014-07-02 梁爽 一种基于Modular积图与最大团的草图形状匹配方法
CN104298988A (zh) * 2014-08-21 2015-01-21 华南理工大学 一种基于视频图像局部特征匹配的财物保护方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ANH H P H等: "Medical Image Classification and Symptoms Detection Using Fuzzy NARX Technique", 《ROC OF THE 4TH INTEMATIONAL CONFERENCE ON BIOMEDICAL ENGINEERING IN VIETNAM》 *
PAN H W等: "Brain CT Images Similarity Retrieval Method Based on Uncertain Location Graph", 《IEEE》 *
PING WU等: "Medical Image Classification Method Based on the", 《IEEE》 *
潘海为等: "基于图模型的医学像聚类算法", 《软件学报》 *
王华锋等: "基于纹理特征的测井图像分类算法研究", 《计算机研究与发展》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106446923A (zh) * 2016-05-25 2017-02-22 哈尔滨工程大学 基于角点匹配的医学图像分类方法
CN106446923B (zh) * 2016-05-25 2019-08-06 哈尔滨工程大学 基于角点匹配的医学图像分类方法

Similar Documents

Publication Publication Date Title
Kristan et al. The visual object tracking vot2017 challenge results
Yu et al. Mixed pooling for convolutional neural networks
Labbe et al. Appearance-based loop closure detection for online large-scale and long-term operation
Cummins et al. Appearance-only SLAM at large scale with FAB-MAP 2.0
Ghamisi et al. Automatic spectral–spatial classification framework based on attribute profiles and supervised feature extraction
Goodfellow et al. Multi-digit number recognition from street view imagery using deep convolutional neural networks
Xue et al. A fast detection method via region‐based fully convolutional neural networks for shield tunnel lining defects
Madani et al. Fast and accurate view classification of echocardiograms using deep learning
Kang et al. Extended random walker-based classification of hyperspectral images
JP2018523875A (ja) 車線認識のモデリング方法、装置、記憶媒体及び機器、並びに車線の認識方法、装置、記憶媒体及び機器
Unnikrishnan et al. Toward objective evaluation of image segmentation algorithms
dos Santos et al. A relevance feedback method based on genetic programming for classification of remote sensing images
Gosselin et al. Revisiting the fisher vector for fine-grained classification
Ren et al. Cue integration for figure/ground labeling
Gamanya et al. An automated satellite image classification design using object-oriented segmentation algorithms: A move towards standardization
Xie et al. Automated pulmonary nodule detection in CT images using deep convolutional neural networks
Yan et al. Ranking with uncertain labels
Xing et al. Diagnosing deep learning models for high accuracy age estimation from a single image
US9792689B2 (en) Posture estimating apparatus, posture estimating method and storing medium
Civco et al. A comparison of land use and land cover change detection methods
CN103116762B (zh) 一种基于自调制字典学习的图像分类方法
Miao et al. A semi-automatic method for road centerline extraction from VHR images
Thacker et al. Performance characterization in computer vision: A guide to best practices
Kim et al. Color–texture segmentation using unsupervised graph cuts
Huang et al. Building extraction from multi-source remote sensing images via deep deconvolution neural networks

Legal Events

Date Code Title Description
PB01 Publication
C06 Publication
SE01 Entry into force of request for substantive examination
C10 Entry into substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20160127

RJ01 Rejection of invention patent application after publication