CN106228180A - 一种肺部影像病灶的识别模型参数训练方法及识别方法 - Google Patents
一种肺部影像病灶的识别模型参数训练方法及识别方法 Download PDFInfo
- Publication number
- CN106228180A CN106228180A CN201610553806.2A CN201610553806A CN106228180A CN 106228180 A CN106228180 A CN 106228180A CN 201610553806 A CN201610553806 A CN 201610553806A CN 106228180 A CN106228180 A CN 106228180A
- Authority
- CN
- China
- Prior art keywords
- pulmonary
- medical image
- parameter
- focus
- image focus
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种肺部影像病灶的识别模型参数训练方法,该方法的过程是:先获取肺部医学影像样本,集成库;再采用灰度共生矩阵计算各个肺部医学影像的纹理特征数据,作为SVM分类器的训练参数;最后采用交叉验证优化SVM模型的参数,得到最优模型参数。然后训练方法得到最优模型参数的基础上,提出一种肺部影像病灶的识别方法,从而达到自动识别肺部医学影像病灶的目的,降低识别医学影像的工作量,提高工作效率及提升识别的精准度。本发明方法经实验论证:对8类肺部疾病的医学图像具有较好的识别率和误识率。
Description
技术领域
本发明属于图像处理领域,尤其涉及一种肺部影像病灶的识别模型参数训练方法及识别方法。
背景技术
随着医学影像设备的广泛应用,医学影像的计算机辅助诊断也在快速发展,计算机辅助诊断不仅可以提高放射科医生诊断的准确度,还可以减少医生们的工作量。近年来,医学影像识别技术也成为医生对医学影像进行判断和识别的辅助方法。
传统的医学影像识别主要是通过人工识别或是文字来识别的,随着医学影像数据的增多,人工识别或文字识别的工作量也越来越大,极大的降低了医生诊疗患者的效率。而传统分类方法如人工神经网络可以用于医学影像识别,但其通常采用统计学方法,在实际应用中容易产生过学习、局部极小点等问题。
SVM方法是1992-1995年提出的,经实践论证:该方法能很好的解决过学习、非线性、维数灾难和局部极小点问题等。因此,本发明采用成熟的SVM技术和基于图像纹理特征的方法,来自动识别肺部医学影像的病灶,提高医生诊断医学影像的工作效率。
发明内容
本发明的目的是克服现有医学影像病灶识别的效率低下、识别过程复杂的问题,从而提出了一种肺部影像病灶的识别模型参数训练方法及识别方法,达到自动识别肺部医学影像病灶的目的,来降低识别肺部医学影像的工作量,提高病灶识别的精准度及效率。
为实现上述目的,本发明提出一种肺部影像病灶的识别模型参数训练方法。该方法主要包括:先获取肺部医学影像样本,集成库;再采用灰度共生矩阵计算各个肺部医学影像的纹理特征数据,作为SVM分类器的训练参数;最后采用交叉验证优化SVM模型的参数,得到最优模型参数。
进一步地,所述计算肺部医学影像的纹理特征数据的方法包括。
A.将肺部医学影像样本生成灰度共生矩,是矩阵第i行j列元素,表示原始图像中点的灰度值为i,点的灰度值为j出现的频率,其中这两个点的关系见公式(1):
(1)
式中,为定义的方向,d为欧氏距离。
B.计算四个方向的共生矩阵,即能量见公式(2)、熵见公式(3)、惯性矩见公式(4)、相关见公式(5):
C.根据能量、熵、惯性矩和相关计算均值和标准差,作为8维纹理特征向量。
进一步地,所述A中的欧式距离取值为1,定义的方向取四个方向的值为。
进一步地,所述最优模型参数是指最优的SVM模型的参数C和gamma。
进一步地,所述交叉验证法优化SVM的参数,是指将训练医学影像数据分为k个子集,每次将k-1个子集用于训练,剩下的一个用于测试,迭代训练至所有子集都进行训练,然后计算k次平均泛化误差,选择泛化误差最小的参数为最优模型参数。
为实现上述目的,本发明提出一种肺部影像病灶的识别方法。该发明方法的步骤包括:
首先,获取肺部的医学影像;
其次,采用灰度共生矩阵计算肺部医学影像的纹理特征数据,作为最优SVM分类器的参数;
然后, 将肺部医学影像的纹理特征数据 ,到最优SVM模型中进行分类识别;
最后,输出肺部医学影像病灶的识别结果。
与现有技术相比,其有益效果:本发明通过训练肺部医学影像病灶的识别模型参数,从而能够自动的识别肺部医学影像中的病灶。该发明方法能够有效的加快识别过程及提高肺部影像病灶识别的准确率,能更好地辅助医生诊断和识别医学影像。
附图说明
图1是本发明的肺部影像病灶的识别模型参数训练方法实施例的流程图。
图2是本发明的肺部影像病灶的识别方法实施例的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
下面,对本发明的肺部影像病灶的识别模型参数训练方法实施例进行说明:
步骤1:获取大小为512*512的肺部医学影像样本,集成库。
步骤2:采用灰度共生矩阵计算各个肺部医学影像的纹理特征数据,作为SVM分类器的训练参数。
首先,将肺部医学影像样本生成灰度共生矩。其中,是矩阵第i行j列元素,表示原始图像中点的灰度值为i,点的灰度值为j出现的频率,其中这两个点的关系见公式(1):
(1)
式中,为定义的方向,d为欧氏距离,与反映要描述的纹理的频谱有关,由于肺部图像的纹理表现为微观纹理特征,因此,本发明取d的值为1,取四个方向的值为。
然后,计算四个方向的共生矩阵,即能量见公式(2)、熵见公式(3)、惯性矩见公式(4)、相关见公式(5):
。
最后,根据能量、熵、惯性矩和相关的数据计算均值和标准差,作为8维纹理特征向量。
步骤3:采用交叉验证优化SVM模型的参数,得到最优模型参数。
将训练医学影像数据分为k个子集,每次将k-1个子集用于训练,剩下的一个用于测试,迭代训练至所有子集都进行训练,然后计算k次平均泛化误差,选择泛化误差最小的参数为最优模型参数。
参照图2,示出本发明肺部影像病灶的识别方法实施例,包括以下步骤:
首先,获取大小为512*512的肺部医学影像;
其次,通过灰度共生矩阵计算肺部医学影像的纹理特征数据,作为最优SVM分类器的参数;
然后,将肺部医学影像的纹理特征数据 ,到最优SVM模型中进行分类识别;
最后,输出肺部医学影像病灶的识别结果。
为了验证本发明实用性,对1000张肺部医学图像进行仿真并计算识别率。计算结果如表1所示。
表1 识别率计算结果
正常肺 | 气胸 | 胸腔积液 | 整体 | |
识别率 | 95.8% | 88.9% | 80.4% | 80.5% |
从表1中可以看出,正常肺的识别率达到了95.8%,基本上可以判断是否正常肺;由于肺疾病有很多,例如肺癌、胸腔积液、气胸等,为了进一步地识别出是哪一种肺部疾病,相应地也计算了气胸和胸腔积液的识别率,分别达到了88.9%、80.4%,这说明了本发明方法基本上可以很好的识别出这两类肺部疾病。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种肺部影像病灶的识别模型参数训练方法,其特征在于,先获取肺部医学影像样本,集成库;再采用灰度共生矩阵计算各个肺部医学影像的纹理特征数据,作为SVM分类器的训练参数;最后采用交叉验证优化SVM模型的参数,得到最优模型参数。
2.根据权利要求1所述的一种肺部影像病灶的识别模型参数训练方法,其特征在于,所述计算肺部医学影像的纹理特征数据的方法包括:
A.将肺部医学影像样本生成灰度共生矩,是矩阵第i行j列元素,表示原始图像中点的灰度值为i,点的灰度值为j出现的频率,其中这两个点的关系见公式(1):
(1)
式中,为定义的方向,d为欧氏距离 ;
B.计算四个方向的共生矩阵,即能量见公式(2)、熵见公式(3)、惯性矩见公式(4)、相关见公式(5):
C.根据能量、熵、惯性矩和相关的数据计算均值和标准差,作为8维纹理特征向量。
3.根据权利要求2所述的一种肺部影像病灶的识别模型参数训练方法,其特征在于,所述 A中欧式距离取值为1,定义的方向取四个方向的值为。
4.根据权利要求1所述的一种肺部影像病灶的识别模型参数训练方法,其特征在于,所述的最优模型参数是指最优的SVM模型的参数C和gamma。
5.一种肺部影像病灶的识别方法 ,其特征在于,步骤包括:
首先,获取肺部的医学影像;
其次,采用灰度共生矩阵计算肺部医学影像的纹理特征数据,作为最优SVM分类器的参数;
然后, 将肺部医学影像的纹理特征数据 ,到最优SVM模型中进行分类识别;
最后,输出肺部医学影像病灶的识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610553806.2A CN106228180A (zh) | 2016-07-14 | 2016-07-14 | 一种肺部影像病灶的识别模型参数训练方法及识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610553806.2A CN106228180A (zh) | 2016-07-14 | 2016-07-14 | 一种肺部影像病灶的识别模型参数训练方法及识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106228180A true CN106228180A (zh) | 2016-12-14 |
Family
ID=57519314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610553806.2A Pending CN106228180A (zh) | 2016-07-14 | 2016-07-14 | 一种肺部影像病灶的识别模型参数训练方法及识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106228180A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107895369A (zh) * | 2017-11-28 | 2018-04-10 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置、存储介质及设备 |
WO2019052063A1 (zh) * | 2017-09-15 | 2019-03-21 | 深圳市前海安测信息技术有限公司 | 基于人工智能的医学影像分类处理系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334366A (zh) * | 2008-07-18 | 2008-12-31 | 中南大学 | 一种基于图像特征分析的浮选回收率预测方法 |
US20090252394A1 (en) * | 2007-02-05 | 2009-10-08 | Siemens Medical Solutions Usa, Inc. | Computer Aided Detection of Pulmonary Embolism with Local Characteristic Features in CT Angiography |
CN101833671A (zh) * | 2010-03-30 | 2010-09-15 | 西安理工大学 | 一种基于支持向量机的表面肌电信号多类别模式识别方法 |
CN103054563A (zh) * | 2013-01-06 | 2013-04-24 | 深圳先进技术研究院 | 血管壁病变检测方法 |
CN103185731A (zh) * | 2013-02-05 | 2013-07-03 | 南京农业大学 | 基于彩色图像纹理特征的检测牛肉嫩度的装置及其方法 |
CN103426156A (zh) * | 2012-05-15 | 2013-12-04 | 中国科学院声学研究所 | 一种基于svm分类器的sas图像分割方法及系统 |
CN103605958A (zh) * | 2013-11-12 | 2014-02-26 | 北京工业大学 | 一种基于灰度共生矩阵和小波分析的活体人脸检测方法 |
CN104881680A (zh) * | 2015-05-25 | 2015-09-02 | 电子科技大学 | 一种基于二维特征和三维特征融合的阿尔茨海默病及轻度认知功能障碍识别方法 |
-
2016
- 2016-07-14 CN CN201610553806.2A patent/CN106228180A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090252394A1 (en) * | 2007-02-05 | 2009-10-08 | Siemens Medical Solutions Usa, Inc. | Computer Aided Detection of Pulmonary Embolism with Local Characteristic Features in CT Angiography |
CN101334366A (zh) * | 2008-07-18 | 2008-12-31 | 中南大学 | 一种基于图像特征分析的浮选回收率预测方法 |
CN101833671A (zh) * | 2010-03-30 | 2010-09-15 | 西安理工大学 | 一种基于支持向量机的表面肌电信号多类别模式识别方法 |
CN103426156A (zh) * | 2012-05-15 | 2013-12-04 | 中国科学院声学研究所 | 一种基于svm分类器的sas图像分割方法及系统 |
CN103054563A (zh) * | 2013-01-06 | 2013-04-24 | 深圳先进技术研究院 | 血管壁病变检测方法 |
CN103185731A (zh) * | 2013-02-05 | 2013-07-03 | 南京农业大学 | 基于彩色图像纹理特征的检测牛肉嫩度的装置及其方法 |
CN103605958A (zh) * | 2013-11-12 | 2014-02-26 | 北京工业大学 | 一种基于灰度共生矩阵和小波分析的活体人脸检测方法 |
CN104881680A (zh) * | 2015-05-25 | 2015-09-02 | 电子科技大学 | 一种基于二维特征和三维特征融合的阿尔茨海默病及轻度认知功能障碍识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019052063A1 (zh) * | 2017-09-15 | 2019-03-21 | 深圳市前海安测信息技术有限公司 | 基于人工智能的医学影像分类处理系统及方法 |
CN107895369A (zh) * | 2017-11-28 | 2018-04-10 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置、存储介质及设备 |
CN107895369B (zh) * | 2017-11-28 | 2022-11-22 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Cephalometric landmark detection by attentive feature pyramid fusion and regression-voting | |
Wu et al. | Residual attention based network for hand bone age assessment | |
CN107977952A (zh) | 医学图像分割方法及装置 | |
CN108009222B (zh) | 基于较优视图和深度卷积神经网络的三维模型检索方法 | |
CN110969245B (zh) | 医学图像的目标检测模型训练方法和装置 | |
WO2020087838A1 (zh) | 血管壁斑块识别设备、系统、方法及存储介质 | |
Lei et al. | Automatic recognition of fetal facial standard plane in ultrasound image via fisher vector | |
CN109528230B (zh) | 一种基于多级变换网络的乳腺肿瘤分割方法及装置 | |
CN114582470A (zh) | 一种模型的训练方法、训练装置及医学影像报告标注方法 | |
CN110705565A (zh) | 淋巴结肿瘤区域识别方法与装置 | |
CN101551855A (zh) | 自适应核匹配追踪辅助诊断系统及其辅助诊断方法 | |
CN111681247B (zh) | 肺叶肺段分割模型训练方法和装置 | |
CN111080592B (zh) | 一种基于深度学习的肋骨提取方法及装置 | |
CN106844524A (zh) | 一种基于深度学习和Radon变换的医学图像检索方法 | |
Ma et al. | Combining population and patient-specific characteristics for prostate segmentation on 3D CT images | |
Yan et al. | Improved mask R-CNN for lung nodule segmentation | |
CN106228180A (zh) | 一种肺部影像病灶的识别模型参数训练方法及识别方法 | |
Rajamani et al. | Deformable attention (DANet) for semantic image segmentation | |
CN112001877A (zh) | 一种基于深度学习的甲状腺恶性结节检测方法 | |
CN103927540B (zh) | 一种基于生物视觉分层模型的不变特征提取方法 | |
CN110837844A (zh) | 基于ct图像不相似性特征的胰腺囊性肿瘤良恶性分类方法 | |
CN111126424A (zh) | 一种基于卷积神经网络的超声图像分类方法 | |
CN110969156A (zh) | 奶牛奶头检测卷积神经网络模型及其构建方法 | |
He et al. | Midcn: A multiple instance deep convolutional network for image classification | |
Mathina Kani et al. | Classification of skin lesion images using modified Inception V3 model with transfer learning and augmentation techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161214 |
|
RJ01 | Rejection of invention patent application after publication |