CN106127263A - 基于三维特征提取的人脑磁共振图像分类识别方法及系统 - Google Patents
基于三维特征提取的人脑磁共振图像分类识别方法及系统 Download PDFInfo
- Publication number
- CN106127263A CN106127263A CN201610527599.3A CN201610527599A CN106127263A CN 106127263 A CN106127263 A CN 106127263A CN 201610527599 A CN201610527599 A CN 201610527599A CN 106127263 A CN106127263 A CN 106127263A
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- feature
- point
- dimensions
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于三维特征提取的人脑磁共振图像分类识别方法及系统,方法步骤包括对人脑磁共振图像进行降采样,提取三维特征描述向量并构建特征矩阵,通过三维特征描述向量在预设的码本来表征图像,然后将表征图像得到的特征通道向量融合并输入训练好的分类器进行分类决策,得到待识别的人脑磁共振图像对应的分类识别结果;系统包括降采样单元、特征提取单元、图像表征单元、特征通道融合单元和分类识别单元。本发明使得能够利用已有的磁共振图像以及标签信息预测新采集的磁共振图像的标签,具有分类精度高的优点,能够有效提高分类识别的正确率,能够为各种各样的疾病诊断提供强有力帮助。
Description
技术领域
本发明涉及人脑磁共振图像识别技术,具体涉及一种基于三维特征提取的人脑磁共振图像分类识别方法及系统。
背景技术
基于人脑磁共振成像数据的自动分类识别系统是一种利用人脑磁共振成像数据对其包含的感兴趣标签进行分类的系统。它通过以人脑磁共振成像数据为基础,采用三维特征提取的方法提取出图像中包含的特征,再根据已有的标签信息,对新的样本进行分类识别,从而可以实现神经类疾病的自动诊断识别。由于人脑磁共振成像数据对人脑的无创性以及高分辨率的空间特性,使得这项技术在临床诊断、人脑认知机理的研究、致病脑区的识别等得到了广泛的应用。人脑成像技术是这项自动分类识别系统的基础,现有的测量人脑信号的手段包括磁共振成像、正电子发射断层显像技术、脑电图、皮层脑电图、脑磁图、以及近红外光谱成像等等。磁共振成像技术作为一种活体脑功能成像技术,具有非侵入性,凭借其较理想的时空分辨率,迅速成为神经科学研究中应用最为广泛的脑成像技术。总的来说,研制出基于人脑磁共振成像数据的分类识别方法,是认知神经科学与计算机科学一个关键问题。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种能够根据采集到的磁共振图像数据以及之前收集的相关类型的磁共振数据,实现个体诊断,使得能够利用已有的磁共振图像以及标签信息,预测新采集的磁共振图像的标签,分类精度高,能够为各种各样的疾病诊断提供强有力帮助的基于三维特征提取的人脑磁共振图像分类识别方法及系统。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于三维特征提取的人脑磁共振图像分类识别方法,步骤包括:
1)对待识别的人脑磁共振图像进行降采样;
2)对降采样得到的各种分辨率的图像通过稠密采样剖分为感兴趣小块,将感兴趣小块细分为局部子块,根据图像中每一个点的空间梯度向量统计局部子块的三维特征描述向量,将局部子块的三维特征描述向量拼接得到感兴趣小块的三维特征描述向量,从而得到各种分辨率的图像的特征矩阵,所述特征矩阵中的列数为三维特征描述向量的维数、行数为剖分感兴趣小块的个数;
3)对降采样得到的各种分辨率的图像进行三维空间金字塔划分,其中三维空间金字塔划分是指将图像按照分辨率的不同进行不同尺度的空间划分,统计在三维空间金字塔划分中的每一个感兴趣小块的三维特征描述向量在码本中出现的频率次数,所述码本为训练人脑磁共振图像中的感兴趣小块的三维特征描述向量聚类得到的聚类中心,将统计得到的直方图作为该三维空间金字塔划分中一块的特征描述;对降采样得到的各种分辨率的图像,连接该分辨率的图像下所有三维空间金字塔划分块的特征描述得到用于表征该分辨率的图像的特征通道向量;
4)将各种分辨率的图像的特征通道向量融合;
5)将融合得到的结果输入训练好的分类器进行分类决策,得到待识别的人脑磁共振图像对应的分类识别结果。
优选地,所述步骤1)中进行降采样时,对测试集中的人脑磁共振图像采用不同采样因子进行降采样,得到采用不同采样因子对应的降采样图像,将降采样图像和原始人脑磁共振图像作为降采样得到的各种分辨率的图像;所述步骤2)中通过稠密采样剖分为感兴趣小块时,不同分辨率的图像进行稠密采样剖分的窗口大小不同。
优选地,所述步骤2)中根据图像中每一个点的空间梯度向量统计局部子块的三维特征描述向量的详细步骤包括:
2.1)计算图像中每一个点的空间梯度向量,所述空间梯度向量包含梯度大小和两个用于确定空间坐标系中一个点的位置的梯度方向;
2.2)将两个梯度方向量化到指定的B个方向带中;
2.3)将梯度大小作为加权因子,计算两个梯度方向的权重;
2.4)根据图像中每一个点的权重统计局部子块在两个梯度方向的加权梯度方向直方图,将局部子块在两个梯度方向的加权梯度方向直方图拼接得到局部子块的三维特征描述向量。
优选地,所述步骤2.1)中计算图像中每一个点的空间梯度向量时,梯度大小的计算函数表达式如式(1)所示,两个梯度方向的计算函数表达式如式(2)所示;
式(1)中,mijk表示点(i,j,k)的梯度大小,Ix(i,j,k)表示三维空间中的点(i,j,k)的_x方向的梯度大小,Iy(i,j,k)表示三维空间中的点(i,j,k)的y方向的梯度大小,Iz(i,j,k)表示三维空间中的点(i,j,k)的z方向的梯度大小;
式(2)中,θijk表示三维空间中的点(i,j,k)的梯度方向θ的值,表示三维空间中的点(i,j,k)的梯度方向的值,三维空间中的任意点(i,j,k)的位置由梯度大小mijk、梯度方向θ的值θijk、梯度方向的值确定,Ix(i,j,k)表示三维空间中的点(i,j,k)的x方向的梯度大小,Iy(i,j,k)表示三维空间中的点(i,j,k)的y方向的梯度大小,Iz(i,j,k)表示三维空间中的点(i,j,k)的z方向的梯度大小。
优选地,所述步骤2.2)中将两个梯度方向量化到指定的B个方向带中的函数表达式如式(3)所示;
式(3)中,Oijk表示三维空间中的点(i,j,k)的、梯度方向θ的值θijk经过量化后的结果,ceil(x)表示变量为x的取整函数,Φijk表示三维空间中的点(i,j,k)的梯度方向的值经过量化后的结果,B为指定的方向带的数量。
优选地,所述步骤2.3)中计算两个梯度方向的权重的函数表达式如式(4)所示;所述步骤2.4)中根据图像中每一个点的权重统计局部子块在两个梯度方向的加权梯度方向直方图的函数表达式如式(5)所示;
式(4)中,wδ,n,θ表示梯度方向θ的权重值,表示梯度方向的权重值,mijk是三维空间中的点(i,j,k)处的梯度大小,表示判断梯度方向θ在点(i,j,k)处量化后的值是否为n的判断结果,如果梯度方向θ在点(i,j,k)处量化后的值为n则判断结果为1,否则如果梯度方向θ在点(i,j,k)处量化后的值非n则判断结果为0,表示判断梯度方向在点(i,j,k)处量化后的值是否为n的判断结果,如果梯度方向在点(i,j,k)处量化后的值为n则判断结果为1,否则如果梯度方向在点(i,j,k)处量化后的值非0则判断结果为0,n表示直方图中的第n维,δ表示局部子块在图像中的区域;
式(5)中,Hδ,n,θ表示梯度方向θ的加权梯度方向直方图,表示梯度方向的加权梯度方向直方图,wδ,n,θ表示梯度方向θ的权重值,表示梯度方向的权重值,表示判断梯度方向θ在点(i,j,k)处量化后的值是否为n的判断结果,如果梯度方向θ在点(i,j,k)处量化后的值为n则判断结果为1,否则如果梯度方向θ在点(i,j,k)处量化后的值非n则判断结果为0,表示判断梯度方向在点(i,j,k)处量化后的值是否为n的判断结果,如果梯度方向在点(i,j,k)处量化后的值为n则判断结果为1,否则如果梯度方向在点(i,j,k)处量化后的值非0则判断结果为0,n表示加权梯度方向直方图中的第n维,δ表示局部子块在图像中的区域,Oijk表示三维空间中的点(i,j,k)的梯度方向θ的值θijk经过量化后的结果,Φijk表示三维空间中的点(i,j,k)的梯度方向的值经过量化后的结果,Nδ表示局部子块δ在图像中的区域中的点数目。
优选地,所述步骤4)的详细步骤包括:
4.1)采用式(6)所示函数表达式计算径向基函数RBF核在第ch个特征通道上的距离;
式(6)中,表示径向基函数RBF核在第ch个特征通道上的距离,和表示第i和第j个训练图像在第ch个特征通道上的图像表征,ch表示的是特征通道向量的序号;
4.2)将各种分辨率的图像的特征通道向量采用式(7)所示函数表达式进行融合;
式(7)中,K(Vi,Vj)表示Vi与Vj之间基于核函数的映射,Vi和Vj表示第i和第j个训练图像,和表示第i和第j个训练图像在第ch个特征通道上的图像表征,ch表示的是特征通道向量的序号,βch为融合特征通道向量对应在第ch个特征通道的核融合系数,表示径向基函数RBF核在第ch个特征通道上的距离,其中中间参数γ的函数表达式如式(8)所示;
式(8)中,ch表示的是特征通道向量的序号,N为训练样本的数目,βch为融合特征通道向量对应在第ch个特征通道的核融合系数,表示径向基函数RBF核在第ch个特征通道上的距离,和表示第i和第j个训练图像在第ch个特征通道上的图像表征。。
优选地,所述步骤5)中将融合得到的结果输入训练好的分类器进行分类决策时,对于测试样本x的判别函数如式(9)所示;
式(9)中,y(x)是测试样本x的标签,所述标签为测试样本x的类别信息,K(x)=(K(V1,Vx),…,K(VN,Vx)),K(Vi,Vx)表示测试样本x与第i个训练样本之间的核函数,其中i=1,…,N,K(x)代表了从测试样本x的原始空间到新的核空间的映射。
优选地,所述步骤5)中分类器的训练步骤如下:
S1)对训练集的人脑磁共振图像进行降采样;
S2)对降采样得到的各种分辨率的图像通过稠密采样剖分为感兴趣小块,将感兴趣小块细分为局部子块,根据图像中每一个点的空间梯度向量统计局部子块的三维特征描述向量,将局部子块的三维特征描述向量拼接得到感兴趣小块的三维特征描述向量,从而得到各种分辨率的图像的特征矩阵,所述特征矩阵中的列数为三维特征描述向量的维数、行数为剖分感兴趣小块的个数;
S3)将训练集的所有人脑磁共振图像训练样本的感兴趣小块的三维特征描述向量作为输入进行聚类,将聚类迭代终止时得到的聚类中心作为用于统计每一个感兴趣小块的三维特征描述向量频率次数的码本;
S4)对降采样得到的各种分辨率的图像进行三维空间金字塔划分,其中三维空间金字塔划分是指将图像按照分辨率的不同进行不同尺度的空间划分,统计在三维空间金字塔划分中的每一个感兴趣小块的三维特征描述向量在码本中出现的频率次数,所述码本为训练人脑磁共振图像中的感兴趣小块的三维特征描述向量聚类得到的聚类中心,将统计得到的直方图作为该三维空间金字塔划分中一块的特征描述;对降采样得到的各种分辨率的图像,连接该分辨率的图像下所有三维空间金字塔划分块的特征描述得到用于表征该分辨率的图像的特征通道向量;
S5)将各种分辨率的图像的特征通道向量融合;
S6)将融合得到的结果对分类器进行训练。
另一方面,本发明还提供一种基于三维特征提取的人脑磁共振图像分类识别系统,包括:
降采样单元,用于对待识别的人脑磁共振图像进行降采样;
特征提取单元,用于对降采样得到的各种分辨率的图像通过稠密采样剖分为感兴趣小块,将感兴趣小块细分为局部子块,根据图像中每一个点的空间梯度向量统计局部子块的三维特征描述向量,将局部子块的三维特征描述向量拼接得到感兴趣小块的三维特征描述向量,从而得到各种分辨率的图像的特征矩阵,所述特征矩阵中的列数为三维特征描述向量的维数、行数为剖分感兴趣小块的个数;
图像表征单元,用于对降采样得到的各种分辨率的图像进行三维空间金字塔划分,其中三维空间金字塔划分是指将图像按照分辨率的不同进行不同尺度的空间划分,统计在三维空间金字塔划分中的每一个感兴趣小块的三维特征描述向量在码本中出现的频率次数,所述码本为训练人脑磁共振图像中的感兴趣小块的三维特征描述向量聚类得到的聚类中心,将统计得到的直方图作为该三维空间金字塔划分中一块的特征描述;对降采样得到的各种分辨率的图像,连接该分辨率的图像下所有三维空间金字塔划分块的特征描述得到用于表征该分辨率的图像的特征通道向量;
特征通道融合单元,用于将各种分辨率的图像的特征通道向量融合;
分类识别单元,用于将融合得到的结果输入训练好的分类器进行分类决策,得到待识别的人脑磁共振图像对应的分类识别结果。
本发明基于三维特征提取的人脑磁共振图像分类识别方法具有下述优点:本发明通过对待识别的人脑磁共振图像进行降采样,将降采样得到的各种分辨率的图像进行提取三维特征描述向量并构建图像的特征矩阵,通过三维特征描述向量在预设的码本来表征图像得到用于表征该分辨率的图像的特征通道向量,然后将各种分辨率的图像的特征通道向量融合,将融合得到的结果输入训练好的分类器进行分类决策,得到待识别的人脑磁共振图像对应的分类识别结果,能够使得基于磁共振图像的分类算法精度得到提高,能够根据采集到的磁共振图像数据以及之前收集的相关类型的磁共振数据,实现个体诊断,使得能够利用已有的磁共振图像以及标签信息,预测新采集的磁共振图像的标签,分类精度高,有效提高分类识别的正确率,能够为各种各样的疾病诊断提供强有力帮助。
本发明基于三维特征提取的人脑磁共振图像分类识别系统为本发明基于三维特征提取的人脑磁共振图像分类识别方法完全对应的装置,因此同样也具有本发明基于三维特征提取的人脑磁共振图像分类识别方法的前述优点,在此不再赘述。
附图说明
图1为本发明实施例方法的基本原理流程示意图。
图2为本发明实施例中在三维空间中的坐标表示和梯度计算原理图。
图3为本发明实施例中用于计算三维梯度方向的三维单位矩阵滤波器示意图。
具体实施方式
如图1所示,本实施例基于三维特征提取的人脑磁共振图像分类识别方法的步骤包括:
1)对待识别的人脑磁共振图像(参见图1,来自测试集)进行降采样;
2)对降采样得到的各种分辨率的图像通过稠密采样剖分为感兴趣小块,将感兴趣小块细分为局部子块,根据图像中每一个点的空间梯度向量统计局部子块的三维特征描述向量,将局部子块的三维特征描述向量拼接得到感兴趣小块的三维特征描述向量,从而得到各种分辨率的图像的特征矩阵,特征矩阵中的列数为三维特征描述向量的维数、行数为剖分感兴趣小块的个数;
3)对降采样得到的各种分辨率的图像进行三维空间金字塔划分,其中三维空间金字塔划分是指将图像按照分辨率的不同进行不同尺度的空间划分,统计在三维空间金字塔划分中的每一个感兴趣小块的三维特征描述向量在码本中出现的频率次数,码本为训练人脑磁共振图像中的感兴趣小块的三维特征描述向量聚类得到的聚类中心,将统计得到的直方图作为该三维空间金字塔划分中一块的特征描述;对降采样得到的各种分辨率的图像,连接该分辨率的图像下所有三维空间金字塔划分块的特征描述得到用于表征该分辨率的图像的特征通道向量;
4)将各种分辨率的图像的特征通道向量融合;
5)将融合得到的结果输入训练好的分类器进行分类决策,得到待识别的人脑磁共振图像对应的分类识别结果。
本实施例中,步骤1)中进行降采样时,对测试集中的人脑磁共振图像采用不同采样因子进行降采样,得到采用不同采样因子对应的降采样图像,将降采样图像和原始人脑磁共振图像作为降采样得到的各种分辨率的图像,步骤2)中通过稠密采样剖分为感兴趣小块时,不同分辨率的图像进行稠密采样剖分的窗口大小不同。为了提取更多的局部信息以及利用三维空间信息,本实施例中对原始图像进行了降采样处理,采样因子分别为2和4,这样,每一个被试就得到了三个分辨率的图像,即原始图像、因子为2的降采样图像、因子为4的降采样图像。这里的降采样处理既针对已有的训练集的被试(训练分类器),也针对实际测试集的被试。将图像进行了剖分时,根据图像的分辨率不同,剖分采用的尺度也不同,在原始图像中剖分的尺度为8×8×8的小立方体,在因子为2的降采样图像中剖分尺度为6×6×6的小立方体,在因子为4的降采样图像中剖分的尺度为4×4×4的小立方体。本实施例中,将每一个感兴趣小块划分为更小的2×2×2的局部子块,因为这样的对于每一个感兴趣小块的划分能够使最终的三维特征描述向量包含更多的局部信息,同时增加分类识别的判别力。
本发明实施例的核心构思之一,即提供一种求取三维特征描述向量(三维特征描述子)的方法,通过提取磁共振图像中包含的三维空间信息,获取磁共振图像的三维特征描述向量,利用得到的三维特征描述向量构建码本,进而对每一个被试进行基于码本的图像表征,最后利用支持向量机分类器进行分类识别,对被试赋予标签信息。本实施例中,三维特征描述向量是三维加权梯度方向直方图,三维特征描述向量用来描述人脑在空间结构上的差异,这个三维特征描述向量是在二维描述子的基础上,加入了空间信息得到的,特别是包含人脑的复杂的空间结构,求取三维特征描述是无监督的过程,对于已有的训练集和实际的测试集中的被试都需要进行三维特征描述的计算。
本实施例中,步骤2)中根据图像中每一个点的空间梯度向量统计局部子块的三维特征描述向量的详细步骤包括:
2.1)计算图像中每一个点的空间梯度向量,空间梯度向量包含梯度大小和两个用于确定空间坐标系中一个点的位置的梯度方向,空间梯度向量通常包含了图像中大量的角点和边缘信息,这对于尺度和光照变化是非常鲁棒的;
2.2)将两个梯度方向量化到指定的B个方向带(空间坐标系)中;
2.3)将梯度大小作为加权因子,计算两个梯度方向的权重;
2.4)根据图像中每一个点的权重统计局部子块在两个梯度方向的加权梯度方向直方图,将局部子块在两个梯度方向的加权梯度方向直方图拼接得到局部子块的三维特征描述向量。
本实施例中,步骤2.1)中计算图像中每一个点的空间梯度向量时,梯度大小的计算函数表达式如式(1)所示,两个梯度方向的计算函数表达式如式(2)所示;
式(1)中,mijk表示点(i,j,k)的梯度大小,Ix(i,j,k)表示三维空间中的点(i,j,k)的_x方向的梯度大小,Iy(i,j,k)表示三维空间中的点(i,j,k)的y方向的梯度大小,Iz(i,j,k)表示三维空间中的点(i,j,k)的z方向的梯度大小;
式(2)中,θijk表示三维空间中的点(i,j,k)的梯度方向θ的值,表示三维空间中的点(i,j,k)的梯度方向的值,三维空间中的任意点(i,j,k)的位置由梯度大小mijk、梯度方向θ的值θijk、梯度方向的值确定,Ix(i,j,k)表示三维空间中的点(i,j,k)的x方向的梯度大小,Iy(i,j,k)表示三维空间中的点(i,j,k)的y方向的梯度大小,Iz(i,j,k)表示三维空间中的点(i,j,k)的z方向的梯度大小。
本实施例中,步骤2.2)中将两个梯度方向量化到指定的B个方向带中的函数表达式如式(3)所示;
式(3)中,Oijk表示三维空间中的点(i,j,k)的、梯度方向θ的值θijk经过量化后的结果,ceil(x)表示变量为x的取整函数(得到的是比x大的且距离它最近的整数值),Φijk表示三维空间中的点(i,j,k)的梯度方向的值经过量化后的结果,B为指定的方向带的数量。
在得到梯度大小和两个梯度方向之后,需要对梯度方向进行量化来构建直方图。直方图包含了梯度方向的信息并且对于描述图像有着统一的范式。为了增强加权梯度方向直方图的描述,本实施例选择梯度大小作为最终三维特征描述向量的加权因子,这种加权方法可以增强加权梯度方向直方图的判别性,因为有两个梯度方向,所以计算权重包含两个部分。本实施例中,步骤2.3)中计算两个梯度方向的权重的函数表达式如式(4)所示;步骤2.4)中根据图像中每一个点的权重统计局部子块在两个梯度方向的加权梯度方向直方图的函数表达式如式(5)所示;
式(4)中,wδ,n,θ表示梯度方向θ的权重值,表示梯度方向的权重值,mijk是三维空间中的点(i,j,k)处的梯度大小,表示判断梯度方向θ在点(i,j,k)处量化后的值是否为n的判断结果,如果梯度方向θ在点(i,j,k)处量化后的值为n则判断结果为1,否则如果梯度方向θ在点(i,j,k)处量化后的值非n则判断结果为0,表示判断梯度方向在点(i,j,k)处量化后的值是否为n的判断结果,如果梯度方向在点(i,j,k)处量化后的值为n则判断结果为1,否则如果梯度方向在点(i,j,k)处量化后的值非0则判断结果为0,n表示直方图中的第n维,δ表示局部子块在图像中的区域,其中Z为变量为x的取值范围,B为指定的方向带数量。
式(5)中,Hδ,n,θ表示梯度方向θ的加权梯度方向直方图,表示梯度方向的加权梯度方向直方图,wδ,n,θ表示梯度方向θ的权重值,表示梯度方向的权重值,表示判断梯度方向θ在点(i,j,k)处量化后的值是否为n的判断结果,如果梯度方向θ在点(i,j,k)处量化后的值为n则判断结果为1,否则如果梯度方向θ在点(i,j,k)处量化后的值非n则判断结果为0,表示判断梯度方向在点(i,j,k)处量化后的值是否为n的判断结果,如果梯度方向在点(i,j,k)处量化后的值为n则判断结果为1,否则如果梯度方向在点(i,j,k)处量化后的值非0则判断结果为0,n表示加权梯度方向直方图中的第n维,δ表示局部子块在图像中的区域,Oijk表示三维空间中的点(i,j,k)的梯度方向θ的值θijk经过量化后的结果,Φijk表示三维空间中的点(i,j,k)的梯度方向的值经过量化后的结果,Nδ表示局部子块δ在图像中的区域中的点数目。
加权梯度方向直方图包含了空间信息,并且权重能够使三维特征描述向量(三维特征描述子)更具有判别性,最终得到的三维特征描述向量是所有的8个局部子块的成分(三维特征描述向量)拼接起来得到的。在空间坐标系中,一个点能够通过一个半径和两个角度来唯一确定。如图2所示,m表示半径,θ和表示两个角度。从图2中,我们可以很容易得到的取值范围为[-π/2 π/2],θ的取值范围为[-π π]。参见图2,很容易得到θijk的取值范围为(-π π],那么(π+θijk)/2π∈(0 1],于是可以推导出B×(π+θijk)/2π∈(0 B],因此可推导出Oijk的取值范围为Oijk∈{x∈Z|1≤x≤B},n表示直方图中的第n维,n∈{x∈Z|1≤x≤B},δ表示局部子块在图像中的区域,δ∈{x∈Z|1≤x≤8},其中Z为变量为x的取值范围,B为指定的方向带数量。需要说明的是,Ix(i,j,k)、Iy(i,j,k)、Iz(i,j,k)既可以采用式(5-1)所示函数表达式进行计算,此外也可以根据需要采用如图3所示的三维单位矩阵滤波器对三维图像进行滤波得到。在数字图像处理中,提取某个方向的梯度通常采用的是构造该方向的滤波矩阵,利用滤波矩阵与原图像进行卷积,得到的卷积结果即为原图像在该方向上的梯度大小。如图3所示,本实施例中构造的是3*3*3的三维单位矩阵滤波器,分别包含三个方向,利用这个三维单位矩阵滤波器与原图像做三次卷积,即可得到原图像在三个方向上的梯度。
式(5-1)中,Ix(i,j,k)表示三维空间中的点(i,j,k)的_x方向的梯度大小,Iy(i,j,k)表示三维空间中的点(i,j,k)的y方向的梯度大小,Iz(i,j,k)表示三维空间中的点(i,j,k)的z方向的梯度大小,I(i+1,j,k)表示点(i+1,j,k)的梯度大小。
本实施例中,步骤3)的表征图像是以三维空间金字塔划分为基础的,其中三维空间金字塔划分是指将图像按照分辨率的不同进行不同尺度的空间划分,统计在三维空间金字塔划分中的每一个感兴趣小块的三维特征描述向量在码本中出现的频率次数,码本为训练人脑磁共振图像中的感兴趣小块的三维特征描述向量聚类得到的聚类中心。三维空间金字塔就是将一幅三维图像按照不同的尺度划分为图像块,接着利用每一个图像块在码本中的特征矩阵的频率来构造一个向量,用以表征每一个图像,对于每一个图像块,它统计特征在码本中出现的频率,然后得到一个向量。最终,将所有的向量连接成一个最终的表示,整个过程叫做表征图像。对已有的训练集和实际的测试集中的被试进行三维空间金字塔的划分,并利用得到的码本,对训练集和测试集中的被试进行表征图像的运算。
在本实施例中,步骤1)已经通过降采样创造三个分辨率的图像,现在要对不同分辨率的图像采用不同的尺度进行三维空间金字塔划分。进行三维空间金字塔划分得到的结果中:(1)第一层是处理最高分辨率的图像(即原始图像)。在这一层中,我们将整个图像剖分为4×4×4的局部子块。第二层是处理中间分辨率的图像,这些图像是在原始图像上用因子2进行降采样得到的。(2)在第二层中,中间分辨率的图像被剖分为3×3×3的局部子块。(3)对于第三层,最低分辨率的图像通过对原始图像以4为因子进行降采样得到的,并进行2×2×2的空间剖分。这种对于每一层剖分数目的考虑是基于图像的尺寸。原始的图像相对大一点,所以我们将它剖分得到更多的局部子块,而第三层是在最低分辨率的图像上完成的,这一层图像的分辨率最低,所以本实施例中选择了最小的剖分方式。对于每一个分辨率图像的每一个局部子块,本实施例中统计每一个局部子块内各点三维特征描述向量在码本中出现的频率次数,用统计得到的直方图作为这一个局部子块的特征描述。接着,在每一个分辨率的图像下,我们连接在这个分辨率下所有的局部子块的描述作为每一个被试最终的三维特征描述向量。这样,我们对于三个分辨率的图像就得到了三个用于分类的特征通道向量。
本实施例中,步骤4)的详细步骤包括:
4.1)采用式(6)所示函数表达式计算径向基函数RBF核在第ch个特征通道上的距离;
式(6)中,表示径向基函数RBF核在第ch个特征通道上的距离,和表示第i和第j个训练图像在第ch个特征通道上的图像表征,ch表示的是特征通道向量的序号;本实施例中,选择的是径向基函数(RBF)来解决非线性分类问题,此外也可以根据需要采用其他函数来解决非线性分类问题。
4.2)将各种分辨率的图像的特征通道向量采用式(7)所示函数表达式进行融合;
式(7)中,K(Vi,Vj)表示Vi与Vj之间基于核函数的映射,Vi和Vj表示第i和第j个训练图像,和表示第i和第j个训练图像在第ch个特征通道上的图像表征,ch表示的是特征通道向量的序号,βch为融合特征通道向量对应在第ch个特征通道的核融合系数,表示径向基函数RBF核在第ch个特征通道上的距离,其中中间参数γ的函数表达式如式(8)所示;
式(8)中,ch表示的是特征通道向量的序号,N为训练样本的数目,βch为融合特征通道向量对应在第ch个特征通道的核融合系数,表示径向基函数RBF核在第ch个特征通道上的距离,和表示第i和第j个训练图像在第ch个特征通道上的图像表征。在本实施例中,三个特征通道向量来源于三种分辨率的图像,所以ch=1,2,3,β=[β1,β2,β3]是融合三个特征通道的三个核的融合系数。
本实施例中,步骤5)中将融合得到的结果输入训练好的分类器进行分类决策时,对于测试样本x的判别函数如式(9)所示;
式(9)中,y(x)是测试样本x的标签,标签为测试样本x的类别信息,K(x)=(K(V1,Vx),…,K(VN,Vx)),K(Vi,Vx)表示测试样本x与第i个训练样本之间的核函数,其中i=1,…,N,K(x)代表了从测试样本x的原始空间到新的核空间的映射。
需要说明的是,本实施例中选择支持向量机(SVM)作为分类器,这种分类器的分类方法是寻找最大间隔超平面。这个间隔是分类超平面到最近训练样本间的距离,这些训练样本被称为支持向量。更大的间隔代表着更好的泛化性能。通过使用核策略,支持向量机分类器能够被用于解决非线性问题。核策略的想法是通过计算核函数将原始特征空间映射到高维的空间,接着寻找一个线性的分类超平面在高维特征空间中的拥有最大的间隔。值得一提的是核方法已经广泛的应用于基于支持向量机分类器的分类中,用于解决非线性分类问题,利用训练集构造支持向量机分类器分类器,将训练得到的分类器应用于测试集中,得到分类结果。但是,毫无疑问还可以根据需要采用其他的分类器,基于如式(9)所示的函数表达式来完成对于测试样本x的分类判别,其实施原理与本实施例相同,故在此不再赘述。
参见图1虚线左侧部分,本实施例中,步骤5)中分类器的训练步骤如下:
S1)对训练集的人脑磁共振图像进行降采样;
S2)对降采样得到的各种分辨率的图像通过稠密采样剖分为感兴趣小块,将感兴趣小块细分为局部子块,根据图像中每一个点的空间梯度向量统计局部子块的三维特征描述向量,将局部子块的三维特征描述向量拼接得到感兴趣小块的三维特征描述向量,从而得到各种分辨率的图像的特征矩阵,特征矩阵中的列数为三维特征描述向量的维数、行数为剖分感兴趣小块的个数;
S3)将训练集所有人脑磁共振图像训练样本的感兴趣小块的三维特征描述向量作为输入进行聚类,将聚类迭代终止时得到的聚类中心作为用于统计每一个感兴趣小块的三维特征描述向量频率次数的码本;
S4)对降采样得到的各种分辨率的图像进行三维空间金字塔划分,其中三维空间金字塔划分是指将图像按照分辨率的不同进行不同尺度的空间划分,统计在三维空间金字塔划分中的每一个感兴趣小块的三维特征描述向量在码本中出现的频率次数,码本为训练人脑磁共振图像中的感兴趣小块的三维特征描述向量聚类得到的聚类中心,将统计得到的直方图作为该三维空间金字塔划分中一块的特征描述;对降采样得到的各种分辨率的图像,连接该分辨率的图像下所有三维空间金字塔划分块的特征描述得到用于表征该分辨率的图像的特征通道向量;
S5)将各种分辨率的图像的特征通道向量融合;
S6)将融合得到的结果对分类器进行训练。
需要说明的是,上述训练分类器的步骤中,仅仅为步骤S3)生成码本、步骤S6)训练分类器的步骤与本实施例前述步骤1)~5)中对测试集进行现场分类识别方法不同,其余步骤均与本实施例前述步骤1)~5)中对测试集进行现场分类识别方法,故在此不再赘述。
本实施例中,步骤S3)将所有的感兴趣小块的三维特征描述向量作为输入进行聚类时,采用的是标准的k均值聚类方式,将所有的三维特征描述向量作为聚类算法的输入,设定聚类数目为K=400,将迭代中止时得到的聚类中心,作为后期表征图像的码本。这里构造码本的样本只来自于训练集。由于聚类算法是无监督算法,所以并不需要提供样本的标签信息。聚类算法并不直接将得到的聚类中心用于后续的分类,而是利用聚类得到的聚类中心,用于对图像的表征。本实施例中,步骤S3)的详细步骤包括:
S3.1)选取初始聚类中心;在得到的每一个感兴趣区域的三维特征描述向量之后,将所有被试的所有感兴趣区域的三维特征描述向量作为整体输入,从中随机选择K个样本作为初始的聚类中心,用于后续的聚类算法。
S3.2)判断新的聚类中心与原有聚类中心是否一致,或者是否到达迭代步数;若是,转S3.4),若不是,转S S3.3)。
S3.3)根据现有聚类中心,构建新的聚类中心;计算每个样本点到每一个聚类中心的距离,并根据距离的大小,将每一个样本点放到中心点离它最近的类中,并且以这个类中所有样本点的平均值作为这个类中新的聚类中心,转S3.2)。
S3.4)聚类完成;完成k均值聚类算法,以最终得到的聚类中心作为后续操作的码本。
与本发明实施例基于三维特征提取的人脑磁共振图像分类识别方法对应的基于三维特征提取的人脑磁共振图像分类识别系统可以通过计算机设备来实现的图像自动分类识别计算机程序框架。在应用时,首先利用训练集的人脑磁共振图像来对分类器进行训练,在训练好以后,输入测试集的人脑磁共振图像,即可实现对测试集中的人脑磁共振图像进行分类识别。本实施例中,基于三维特征提取的人脑磁共振图像分类识别系统包括:
降采样单元,用于对待识别的人脑磁共振图像进行降采样;
特征提取单元,用于对降采样得到的各种分辨率的图像通过稠密采样剖分为感兴趣小块,将感兴趣小块细分为局部子块,根据图像中每一个点的空间梯度向量统计局部子块的三维特征描述向量,将局部子块的三维特征描述向量拼接得到感兴趣小块的三维特征描述向量,从而得到各种分辨率的图像的特征矩阵,特征矩阵中的列数为三维特征描述向量的维数、行数为剖分感兴趣小块的个数;
图像表征单元,用于对降采样得到的各种分辨率的图像进行三维空间金字塔划分,其中三维空间金字塔划分是指将图像按照分辨率的不同进行不同尺度的空间划分,统计在三维空间金字塔划分中的每一个感兴趣小块的三维特征描述向量在码本中出现的频率次数,码本为训练人脑磁共振图像中的感兴趣小块的三维特征描述向量聚类得到的聚类中心,将统计得到的直方图作为该三维空间金字塔划分中一块的特征描述;对降采样得到的各种分辨率的图像,连接该分辨率的图像下所有三维空间金字塔划分块的特征描述得到用于表征该分辨率的图像的特征通道向量;
特征通道融合单元,用于将各种分辨率的图像的特征通道向量融合;
分类识别单元,用于将融合得到的结果输入训练好的分类器进行分类决策,得到待识别的人脑磁共振图像对应的分类识别结果。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于三维特征提取的人脑磁共振图像分类识别方法,其特征在于步骤包括:
1)对待识别的人脑磁共振图像进行降采样;
2)对降采样得到的各种分辨率的图像通过稠密采样剖分为感兴趣小块,且感兴趣小块被细分为局部子块,根据图像中每一个点的空间梯度向量统计局部子块的三维特征描述向量,将局部子块的三维特征描述向量拼接得到感兴趣小块的三维特征描述向量,从而得到各种分辨率的图像的特征矩阵,所述特征矩阵中的列数为三维特征描述向量的维数、行数为剖分感兴趣小块的个数;
3)对降采样得到的各种分辨率的图像进行三维空间金字塔划分,其中三维空间金字塔划分是指将图像按照分辨率的不同进行不同尺度的空间划分,统计在三维空间金字塔划分中的每一个感兴趣小块的三维特征描述向量在码本中出现的频率次数,所述码本为训练人脑磁共振图像中的感兴趣小块的三维特征描述向量聚类得到的聚类中心,将统计得到的直方图作为该三维空间金字塔划分中一个三维空间金字塔划分块的特征描述;对降采样得到的各种分辨率的图像,连接该分辨率的图像下所有三维空间金字塔划分块的特征描述得到用于表征该分辨率的图像的特征通道向量;
4)将各种分辨率的图像的特征通道向量融合;
5)将融合得到的结果输入训练好的分类器进行分类决策,得到待识别的人脑磁共振图像对应的分类识别结果。
2.根据权利要求1所述的基于三维特征提取的人脑磁共振图像分类识别方法,其特征在于,所述步骤1)中进行降采样时,对测试集中的人脑磁共振图像采用不同采样因子进行降采样,得到采用不同采样因子对应的降采样图像,将降采样图像和原始人脑磁共振图像作为降采样得到的各种分辨率的图像;所述步骤2)中通过稠密采样剖分为感兴趣小块时,不同分辨率的图像进行稠密采样剖分的窗口大小不同。
3.根据权利要求1所述的基于三维特征提取的人脑磁共振图像分类识别方法,其特征在于,所述步骤2)中根据图像中每一个点的空间梯度向量统计局部子块的三维特征描述向量的详细步骤包括:
2.1)计算图像中每一个点的空间梯度向量,所述空间梯度向量包含梯度大小和两个用于确定空间坐标系中一个点的位置的梯度方向;
2.2)将两个梯度方向量化到指定的B个方向带中;
2.3)将梯度大小作为加权因子,计算两个梯度方向的权重;
2.4)根据图像中每一个点的权重统计局部子块在两个梯度方向的加权梯度方向直方图,将局部子块在两个梯度方向的加权梯度方向直方图拼接得到局部子块的三维特征描述向量。
4.根据权利要求3所述的基于三维特征提取的人脑磁共振图像分类识别方法,其特征在于,所述步骤2.1)中计算图像中每一个点的空间梯度向量时,梯度大小的计算函数表达式如式(1)所示,两个梯度方向的计算函数表达式如式(2)所示;
式(1)中,mijk表示点(i,j,k)的梯度大小,Ix(i,j,k)表示三维空间中的点(i,j,k)的_x方向的梯度大小,Iy(i,j,k)表示三维空间中的点(i,j,k)的y方向的梯度大小,Iz(i,j,k)表示三维空间中的点(i,j,k)的z方向的梯度大小;
式(2)中,θijk表示三维空间中的点(i,j,k)的梯度方向θ的值,表示三维空间中的点(i,j,k)的梯度方向的值,三维空间中的任意点(i,j,k)的位置由梯度大小mijk、梯度方向θ的值θijk、梯度方向的值确定,Ix(i,j,k)表示三维空间中的点(i,j,k)的x方向的梯度大小,Iy(i,j,k)表示三维空间中的点(i,j,k)的y方向的梯度大小,Iz(i,j,k)表示三维空间中的点(i,j,k)的z方向的梯度大小。
5.根据权利要求3所述的基于三维特征提取的人脑磁共振图像分类识别方法,其特征在于,所述步骤2.2)中将两个梯度方向量化到指定的B个方向带中的函数表达式如式(3)所示;
式(3)中,Oijk表示三维空间中的点(i,j,k)的、梯度方向θ的值θijk经过量化后的结果,ceil(x)表示变量为x的取整函数,Φijk表示三维空间中的点(i,j,k)的梯度方向的值经过量化后的结果,B为指定的方向带的数量。
6.根据权利要求3所述的基于三维特征提取的人脑磁共振图像分类识别方法,其特征在于,所述步骤2.3)中计算两个梯度方向的权重的函数表达式如式(4)所示;所述步骤2.4)中根据图像中每一个点的权重统计局部子块在两个梯度方向的加权梯度方向直方图的函数表达式如式(5)所示;
式(4)中,wδ,n,θ表示梯度方向θ的权重值,表示梯度方向的权重值,mijk是三维空间中的点(i,j,k)处的梯度大小,表示判断梯度方向θ在点(i,j,k)处量化后的值是否为n的判断结果,如果梯度方向θ在点(i,j,k)处量化后的值为n则判断结果为1,否则如果梯度方向θ在点(i,j,k)处量化后的值非n则判断结果为0,表示判断梯度方向在点(i,j,k)处量化后的值是否为n的判断结果,如果梯度方向在点(i,j,k)处量化后的值为n则判断结果为1,否则如果梯度方向在点(i,j,k)处量化后的值非0则判断结果为0,n表示直方图中的第n维,δ表示局部子块在图像中的区域;
式(5)中,Hδ,n,θ表示梯度方向θ的加权梯度方向直方图,表示梯度方向的加权梯度方向直方图,wδ,n,θ表示梯度方向θ的权重值,表示梯度方向的权重值,表示判断梯度方向θ在点(i,j,k)处量化后的值是否为n的判断结果,如果梯度方向θ在点(i,j,k)处量化后的值为n则判断结果为1,否则如果梯度方向θ在点(i,j,k)处量化后的值非n则判断结果为0,表示判断梯度方向在点(i,j,k)处量化后的值是否为n的判断结果,如果梯度方向在点(i,j,k)处量化后的值为n则判断结果为1,否则如果梯度方向在点(i,j,k)处量化后的值非0则判断结果为0,n表示加权梯度方向直方图中的第n维,δ表示局部子块在图像中的区域,Oijk表示三维空间中的点(i,j,k)的梯度方向θ的值θijk经过量化后的结果,Φijk表示三维空间中的点(i,j,k)的梯度方向的值经过量化后的结果,Nδ表示局部子块δ在图像中的区域中的点数目。
7.根据权利要求1所述的基于三维特征提取的人脑磁共振图像分类识别方法,其特征在于,所述步骤4)的详细步骤包括:
4.1)采用式(6)所示函数表达式计算径向基函数RBF核在第ch个特征通道上的距离;
式(6)中,表示径向基函数RBF核在第ch个特征通道上的距离,Vi ch和表示第i和第j个训练图像在第ch个特征通道上的图像表征,ch表示的是特征通道向量的序号;
4.2)将各种分辨率的图像的特征通道向量采用式(7)所示函数表达式进行融合;
式(7)中,K(Vi,Vj)表示Vi与Vj之间基于核函数的映射,Vi和Vj表示第i和第j个训练图像,Vi ch和表示第i和第j个训练图像在第ch个特征通道上的图像表征,ch表示的是特征通道向量的序号,βch为融合特征通道向量对应在第ch个特征通道的核融合系数,表示径向基函数RBF核在第ch个特征通道上的距离,其中中间参数γ的函数表达式如式(8)所示;
式(8)中,ch表示的是特征通道向量的序号,N为训练样本的数目,βch为融合特征通道向量对应在第ch个特征通道的核融合系数,表示径向基函数RBF核在第ch个特征通道上的距离,Vi ch和表示第i和第j个训练图像在第ch个特征通道上的图像表征。
8.根据权利要求1所述的基于三维特征提取的人脑磁共振图像分类识别方法,其特征在于,所述步骤5)中将融合得到的结果输入训练好的分类器进行分类决策时,对于测试样本x的判别函数如式(9)所示;
式(9)中,y(x)是测试样本x的标签,所述标签为测试样本x的类别信息,K(x)=(K(V1,Vx),,K(VN,Vx)),K(Vi,Vx)表示测试样本x与第i个训练样本之间的核函数,其中i=1,…,N,K(x)代表了从测试样本x的原始空间到新的核空间的映射。
9.根据权利要求1所述的基于三维特征提取的人脑磁共振图像分类识别方法,其特征在于,所述步骤5)中分类器的训练步骤如下:
S1)对训练集的人脑磁共振图像进行降采样;
S2)对降采样得到的各种分辨率的图像通过稠密采样剖分为感兴趣小块,将感兴趣小块细分为局部子块,根据图像中每一个点的空间梯度向量统计局部子块的三维特征描述向量,将局部子块的三维特征描述向量拼接得到感兴趣小块的三维特征描述向量,从而得到各种分辨率的图像的特征矩阵,所述特征矩阵中的列数为三维特征描述向量的维数、行数为剖分感兴趣小块的个数;
S3)将训练集的所有人脑磁共振图像训练样本的感兴趣小块的三维特征描述向量作为输入进行聚类,将聚类迭代终止时得到的聚类中心作为用于统计每一个感兴趣小块的三维特征描述向量频率次数的码本;
S4)对降采样得到的各种分辨率的图像进行三维空间金字塔划分,其中三维空间金字塔划分是指将图像按照分辨率的不同进行不同尺度的空间划分,统计在三维空间金字塔划分中的每一个感兴趣小块的三维特征描述向量在码本中出现的频率次数,所述码本为训练人脑磁共振图像中的感兴趣小块的三维特征描述向量聚类得到的聚类中心,将统计得到的直方图作为该三维空间金字塔划分中一块的特征描述;对降采样得到的各种分辨率的图像,连接该分辨率的图像下所有三维空间金字塔划分块的特征描述得到用于表征该分辨率的图像的特征通道向量;
S5)将各种分辨率的图像的特征通道向量融合;
S6)将融合得到的结果对分类器进行训练。
10.一种基于三维特征提取的人脑磁共振图像分类识别系统,其特征在于包括:
降采样单元,用于对待识别的人脑磁共振图像进行降采样;
特征提取单元,用于对降采样得到的各种分辨率的图像通过稠密采样剖分为感兴趣小块,将感兴趣小块细分为局部子块,根据图像中每一个点的空间梯度向量统计局部子块的三维特征描述向量,将局部子块的三维特征描述向量拼接得到感兴趣小块的三维特征描述向量,从而得到各种分辨率的图像的特征矩阵,所述特征矩阵中的列数为三维特征描述向量的维数、行数为剖分感兴趣小块的个数;
图像表征单元,用于对降采样得到的各种分辨率的图像进行三维空间金字塔划分,其中三维空间金字塔划分是指将图像按照分辨率的不同进行不同尺度的空间划分,统计在三维空间金字塔划分中的每一个感兴趣小块的三维特征描述向量在码本中出现的频率次数,所述码本为训练人脑磁共振图像中的感兴趣小块的三维特征描述向量聚类得到的聚类中心,将统计 得到的直方图作为该三维空间金字塔划分中一块的特征描述;对降采样得到的各种分辨率的图像,连接该分辨率的图像下所有三维空间金字塔划分块的特征描述得到用于表征该分辨率的图像的特征通道向量;
特征通道融合单元,用于将各种分辨率的图像的特征通道向量融合;
分类识别单元,用于将融合得到的结果输入训练好的分类器进行分类决策,得到待识别的人脑磁共振图像对应的分类识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610527599.3A CN106127263A (zh) | 2016-07-06 | 2016-07-06 | 基于三维特征提取的人脑磁共振图像分类识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610527599.3A CN106127263A (zh) | 2016-07-06 | 2016-07-06 | 基于三维特征提取的人脑磁共振图像分类识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106127263A true CN106127263A (zh) | 2016-11-16 |
Family
ID=57282300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610527599.3A Pending CN106127263A (zh) | 2016-07-06 | 2016-07-06 | 基于三维特征提取的人脑磁共振图像分类识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127263A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590806A (zh) * | 2017-09-19 | 2018-01-16 | 陈烨 | 一种基于大脑医学成像的检测方法和系统 |
CN107818567A (zh) * | 2017-10-27 | 2018-03-20 | 中国人民解放军国防科技大学 | 一种基于皮层顶点云的大脑局部形态特征描述方法 |
CN108230294A (zh) * | 2017-06-14 | 2018-06-29 | 北京市商汤科技开发有限公司 | 图像检测方法、装置、电子设备和存储介质 |
CN109859184A (zh) * | 2019-01-29 | 2019-06-07 | 牛旗 | 一种连续扫描乳腺超声图像的实时检测与决策融合方法 |
CN110276408A (zh) * | 2019-06-27 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 3d图像的分类方法、装置、设备及存储介质 |
CN110604572A (zh) * | 2019-10-08 | 2019-12-24 | 江苏海洋大学 | 基于人脑特征图谱的脑活动状态识别方法 |
CN111341441A (zh) * | 2020-03-02 | 2020-06-26 | 刘四花 | 一种肠胃科病模型构建方法及诊断系统 |
CN111933281A (zh) * | 2020-09-30 | 2020-11-13 | 平安科技(深圳)有限公司 | 一种疾病分型的确定系统、方法、装置及存储介质 |
CN117556077A (zh) * | 2024-01-10 | 2024-02-13 | 深圳惟德精准医疗科技有限公司 | 文本图像模型的训练方法、相关方法及相关产品 |
CN117893528A (zh) * | 2024-03-13 | 2024-04-16 | 云南迪安医学检验所有限公司 | 一种心脑血管疾病分类模型的构建方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050069183A1 (en) * | 2003-09-26 | 2005-03-31 | Edward Ashton | Semi-automated measurement of anatomical structures using statistical and morphological priors |
CN105596004A (zh) * | 2015-12-28 | 2016-05-25 | 中国人民解放军国防科学技术大学 | 基于成组典型相关分析的脑功能磁共振成像盲源分离方法 |
-
2016
- 2016-07-06 CN CN201610527599.3A patent/CN106127263A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050069183A1 (en) * | 2003-09-26 | 2005-03-31 | Edward Ashton | Semi-automated measurement of anatomical structures using statistical and morphological priors |
CN105596004A (zh) * | 2015-12-28 | 2016-05-25 | 中国人民解放军国防科学技术大学 | 基于成组典型相关分析的脑功能磁共振成像盲源分离方法 |
Non-Patent Citations (1)
Title |
---|
LIN YUAN 等: "Gender Identification of Human Brain Image with A Novel 3D Descriptor", 《TRANSACTIONS ON COMPUTATIONAL BIOLOGY AND BIOINFORMATICS》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018228336A1 (zh) * | 2017-06-14 | 2018-12-20 | 北京市商汤科技开发有限公司 | 图像检测方法、装置、电子设备和存储介质 |
US11200416B2 (en) | 2017-06-14 | 2021-12-14 | Beijing Sensetime Technology Development Co., Ltd | Methods and apparatuses for image detection, electronic devices and storage media |
CN108230294A (zh) * | 2017-06-14 | 2018-06-29 | 北京市商汤科技开发有限公司 | 图像检测方法、装置、电子设备和存储介质 |
CN108230294B (zh) * | 2017-06-14 | 2020-09-29 | 北京市商汤科技开发有限公司 | 图像检测方法、装置、电子设备和存储介质 |
CN107590806B (zh) * | 2017-09-19 | 2021-06-01 | 陈烨 | 一种基于大脑医学成像的检测方法和系统 |
CN107590806A (zh) * | 2017-09-19 | 2018-01-16 | 陈烨 | 一种基于大脑医学成像的检测方法和系统 |
CN107818567B (zh) * | 2017-10-27 | 2018-11-13 | 中国人民解放军国防科技大学 | 一种基于皮层顶点云的大脑局部形态特征描述方法 |
CN107818567A (zh) * | 2017-10-27 | 2018-03-20 | 中国人民解放军国防科技大学 | 一种基于皮层顶点云的大脑局部形态特征描述方法 |
CN109859184A (zh) * | 2019-01-29 | 2019-06-07 | 牛旗 | 一种连续扫描乳腺超声图像的实时检测与决策融合方法 |
CN110276408A (zh) * | 2019-06-27 | 2019-09-24 | 腾讯科技(深圳)有限公司 | 3d图像的分类方法、装置、设备及存储介质 |
CN110276408B (zh) * | 2019-06-27 | 2022-11-22 | 腾讯科技(深圳)有限公司 | 3d图像的分类方法、装置、设备及存储介质 |
CN110604572A (zh) * | 2019-10-08 | 2019-12-24 | 江苏海洋大学 | 基于人脑特征图谱的脑活动状态识别方法 |
CN111341441A (zh) * | 2020-03-02 | 2020-06-26 | 刘四花 | 一种肠胃科病模型构建方法及诊断系统 |
CN111933281B (zh) * | 2020-09-30 | 2021-02-12 | 平安科技(深圳)有限公司 | 一种疾病分型的确定系统、方法、装置及存储介质 |
CN111933281A (zh) * | 2020-09-30 | 2020-11-13 | 平安科技(深圳)有限公司 | 一种疾病分型的确定系统、方法、装置及存储介质 |
CN117556077A (zh) * | 2024-01-10 | 2024-02-13 | 深圳惟德精准医疗科技有限公司 | 文本图像模型的训练方法、相关方法及相关产品 |
CN117556077B (zh) * | 2024-01-10 | 2024-05-03 | 深圳惟德精准医疗科技有限公司 | 文本图像模型的训练方法、相关方法及相关产品 |
CN117893528A (zh) * | 2024-03-13 | 2024-04-16 | 云南迪安医学检验所有限公司 | 一种心脑血管疾病分类模型的构建方法及装置 |
CN117893528B (zh) * | 2024-03-13 | 2024-05-17 | 云南迪安医学检验所有限公司 | 一种心脑血管疾病分类模型的构建方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106127263A (zh) | 基于三维特征提取的人脑磁共振图像分类识别方法及系统 | |
Sivaranjini et al. | Deep learning based diagnosis of Parkinson’s disease using convolutional neural network | |
Xue et al. | An application of transfer learning and ensemble learning techniques for cervical histopathology image classification | |
CN102737250B (zh) | 3d医学图像数据中对脊椎骨损伤自动检测的方法和系统 | |
CN106250914B (zh) | 基于结构稀疏多核学习的多模态数据特征筛选和分类方法 | |
CN107749061A (zh) | 基于改进的全卷积神经网络脑肿瘤图像分割方法及装置 | |
CN104200217B (zh) | 基于一种复合核函数的高光谱分类方法 | |
CN109522973A (zh) | 基于生成式对抗网络与半监督学习的医疗大数据分类方法及系统 | |
CN111047594A (zh) | 肿瘤mri弱监督学习分析建模方法及其模型 | |
CN108647741A (zh) | 一种基于迁移学习的图像分类方法和系统 | |
CN109528197A (zh) | 基于脑功能图谱的猴-人跨物种迁移进行精神疾病的个体化预测方法和系统 | |
CN106096641A (zh) | 一种基于遗传算法的多模态情感特征融合方法 | |
CN103646183A (zh) | 一种基于人工神经网络和多模态mri的阿尔茨海默病智能判别分析方法 | |
CN104484886B (zh) | 一种mr图像的分割方法及装置 | |
CN106096636A (zh) | 一种基于神经影像的进展型轻度认知功能障碍识别方法 | |
CN106600595A (zh) | 一种基于人工智能算法的人体特征尺寸自动测量方法 | |
CN112418337B (zh) | 基于脑功能超网络模型的多特征融合数据分类方法 | |
CN107145836A (zh) | 基于栈式边界辨别自编码器的高光谱图像分类方法 | |
Tian et al. | Hierarchical organization of the human subcortex unveiled with functional connectivity gradients | |
CN104598575B (zh) | 基于实时功能磁共振成像的脑机交互图像检索系统 | |
CN109118487A (zh) | 基于非下采样轮廓波变换和卷积神经网络的骨龄评估方法 | |
CN107403434A (zh) | 基于两阶段聚类的sar图像语义分割方法 | |
CN105989336A (zh) | 基于带权重的解卷积深度网络学习的场景识别方法 | |
CN110136133A (zh) | 一种基于卷积神经网络的脑肿瘤分割方法 | |
CN113902669A (zh) | 一种尿脱落细胞液基涂片的阅片方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161116 |
|
RJ01 | Rejection of invention patent application after publication |