CN107330883A - 一种医学图像病变区域定位和分类方法 - Google Patents
一种医学图像病变区域定位和分类方法 Download PDFInfo
- Publication number
- CN107330883A CN107330883A CN201710538315.5A CN201710538315A CN107330883A CN 107330883 A CN107330883 A CN 107330883A CN 201710538315 A CN201710538315 A CN 201710538315A CN 107330883 A CN107330883 A CN 107330883A
- Authority
- CN
- China
- Prior art keywords
- lesion region
- image
- medical image
- sorting technique
- region positioning
- 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/44—Analysis of texture based on statistical description of texture using image operators, e.g. filters, edge density metrics or local histograms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种医学图像病变区域定位和分类方法,该方法包括如下步骤:步骤1:采集医学图像,将图像分为训练集和测试集;步骤2:对训练集图像提取WLD直方图信息,并依据直方图信息对训练集特征点进行标记,放入KNN分类器中训练分类器,用测试集图像对训练好的KNN分类器进行测试,完成医学图像病变区域的定位;步骤3:采用直方图门限法对定位后的图像进行分割,保留病变区域;步骤4:将分割好的图像放入CNN深度模型中进行特征提取,用SVM分类器进行病变区域特征分类并输出分类结果。当病变区域占整幅图像小部分时,本发明准确率显著提高。
Description
技术领域
本发明属于图像处理领域,具体涉及一种医学图像病变区域定位和分类方法。
背景技术
在医学领域中,病人机体上发生病变区域大部分是通过图像呈现给医生,医生通过对图 像分析来判断病人病情并加以诊断。随着计算机技术快速发展,它与医学成像技术结合越来 越紧密,计算机通过智能算法辅助分析医学图像,帮助医生快速分析病人病情,减轻医生工 作量同时大大提高诊断效率;随着智能医疗和在线医疗发展,计算机辅助分析医学图像技术 也融入其中,帮助病人和病人家属足不出户即能随时掌握病人病情。
由于医学图像的特殊性,有些病变区域大小只占整个图像的小部分。而现有对医学图像 进行智能分析,多直接用于分析整个原始图像,所提取特征许多与病变区域无关,严重影响 分类准确率。
发明内容
本发明目的是为了解决现有技术中存在的不足,提出了一种能提高分类准确率的医学图 像病变区域定位和分类方法。先对采集的医学图像进行病变区域定位、分割,然后将分割的 图像采用深度学习模型进行特征提取与分类。
其中,对采集的医学图像进行病变区域定位的具体方法为:将采集的医学图像分为训练 集和测试集,提取训练集图像WLD直方图特征信息,训练KNN分类器,然后用测试集图像 对训练好的KNN分类器进行测试,完成医学图像病变区域定位。
上述WLD直方图特征信息包括差异激励和梯度方向。
KNN分类器训练方法为:
A.根据提取的WLD直方图特征信息,对训练集图像特征点进行标记;
B.求未知点与标记点的距离,并按距离递增次序排序;
C.选取与未知点距离最小的k个点(k取3或5,优选3);
D.确定前k个点所在类别出现频率;
E.返回前k个点出现频率最高的类别作为当前点的预测分类。
对采集的医学图像进行病变区域分割时采用直方图门限法。
深度学习模型采用AlexNet模型。
该AlexNet模型包括八个层结构,分别为前五层卷积层和后三层全连接层;前五层中每 一个卷积层都包含ReLU激励函数进行非线性化处理,前五层中只对第1、2、5层采用了降 采样处理减少数据维度,防止过拟合;整个AlexNet模型前七层用于从分割好的图像中提取 高级特征,最后一层全连接层将提取的高级特征放入SVM分类器用于图像病变区域特征分 类并输出分类结果。
本发明相比现有技术具有以下优点:
1、提取训练集的WLD直方图特征信息,并结合KNN分类器,实现病变区域自动定位,该方法能有效的帮助医生和患者迅速找到病变区域。
2、病变特征分类之前先对病变区域分割,能有效提高分类准确率。
3、由于AlexNet模型在图像特征识别方面有显著效果,本发明采用该AlexNet模型,从 而提高分类效果。
附图说明
图1为本发明一种医学图像病变区域定位和分类方法流程图;
图2为AlexNet模型结构图;
图3为二维平面线性分类器示意图。
具体实施方式
下面结合附图对本发明进行详细说明。
本发明医学图像病变区域定位和分类方法,先对病变区域自动定位,再分割图像保留病 变区域,再将分割的图像用深度学习模型进行训练能大大提高分类的准确率,发明流程图如 图1所示。
具体步骤如下:
1)提取WLD直方图特征
对于给定图像,使用差异激励ξ和梯度方向θ来提取WLD直方图特征。
A.计算差异激励ξ
中心像素点与其所有邻域像素点之间灰度差值和用v00表示:
其中,p表示相邻点个数,vi表示相邻像素点灰度,vc表示中心像素点灰度;
由韦伯定律v00与vc比值用Gratio表示,即:
Gratio=v00/vc (2)
则关于中心像素点的差异激励ξ可表示为:
其中,如果ξ是正数,表示当前点比周围暗,反之则表示当前点比周围亮;为得到直方 图矩阵,将ξ分成J段,对于每个分段ξj=[qj,qj+1],上界qj=(j/J-0.5)π,下界 qj+1=((j+1)/J-0.5)π,其中j=0,1,2,...,J-1;
B.计算梯度方向θ
梯度方向θ可表示为:
θ=arctan(v11/v10) (4)
其中,v11表示中心像素点所在列邻域点的灰度值差;v10表示中心像素点所在行邻域点的 灰度值差;
给出映射函数g:θ→θ′,
其中,θ′为θ在映射g下的象,θ′∈[0,2π];
由量化函数h对θ′进行量化得θt:
其中,G为梯度方向量化位数,t为常数;
C.构建WLD直方图特征
利用计算出的差异激励和梯度方向,统计图像中具有相同θt且属于相同ξj的像素数,构 成二维直方图{WLD(ξj,θt)},最后将二维直方图按照行方向逐行串接得到一个一维直方图即 得到最终WLD直方图特征信息。
2)采用KNN分类器进行病变区域定位
训练KNN分类器分为如下几步:
A.根据提取的WLD直方图特征信息,对训练集图像特征点进行标记;
B.求未知点与标记点的距离,并按距离递增次序排序;
C.选取与未知点距离最小的k个点(k取3或5,优选3);
D.确定前k个点所在类别出现频率;
E.返回前k个点出现频率最高的类别作为当前点的预测分类。
3)分割图像,保留病变区域
采用直方图门限法对病变区域图像进行分割保留病变区域。
4)搭建卷积神经网络模型提取图像特征并分类
本发明深度学习模型采用AlexNet模型,模型结构如图2所示。
卷积层采用局部连接和全权值共享的方式完成对图像的卷积工作。卷积层的卷积工作可 表示为:
al=∑λlal-1+bl (7)
其中,al表示第l层神经网络输出,λl表示第l层权重,al-1表示第l-1层神经网络输出,bl表示第l层偏置且l=1,2,3...,L,L为输出层;
用ReLU激活函数对第l层输出值进行非线性化处理,表示为:
xl=f(al) (8)
其中,xl为非线性化处理后的输出值,f(al)=max(0,al)表示ReLU激活函数;
最后一层全连接层将上一层的数据放入SVM分类器中,代替AlexNet模型中原有的softmax分类器。其中SVM分类器工作原理如下:
线性分类器指在样本空间中找到一个超平面将两个异类数据分开,超平面用如下线性方 程表示:
wTx+s=0 (9)
其中w=(w1;w2;...;wd)为法向量,d为常数,T为转置符号,x为样本空间任意点,s为 位移量;则样本空间任意点x到超平面的距离r表示为:
若超平面能正确分类样本,即对(xi,yi)∈D满足
其中,xi表示样本属性,yi表示样本标签,D表示样本数据集。距离超平面最近的点被称为 “支持向量”,如图3所示。
两个异类到超平面的距离之和为其中||w||为w的1-范数且找出满 足(11)式的w和s,使δ最大,可用下式表达:
其中,yi(wTxi+b)≥1,i=1,2,...,m为约束条件,m表示样本数为常数,(12)式可变为:
用训练集图像确定超平面后,将测试集图像放入SVM分类器,最终分类结果为+1或-1。 在医学图像病变区域定位和分类方法应用中,若判定病变区域是否为黑色素瘤,+1表示分类 结果是。
Claims (7)
1.一种医学图像病变区域定位和分类方法,其特征在于:所述医学图像病变区域定位和分类方法通过对采集的医学图像进行病变区域定位、分割,然后将分割图像采用深度学习模型进行特征提取与分类。
2.根据权利要求1所述的医学图像病变区域定位和分类方法,其特征在于:对采集的医学图像进行病变区域定位步骤为:
第一步:将采集的医学图像分为训练集和测试集,提取训练集图像WLD直方图特征信息;
第二步:训练KNN分类器,再用测试集图像对训练好的KNN分类器进行测试,完成医学图像病变区域定位。
3.根据权利要求2所述的医学图像病变区域定位和分类方法,其特征在于:所述第一步WLD直方图特征信息包括差异激励和梯度方向。
4.根据权利要求2所述的医学图像病变区域定位和分类方法,其特征在于:所述第二步训练KNN分类器步骤为:
A.根据提取的WLD直方图特征信息,对训练集图像特征点进行标记;
B.求未知点与标记点的距离,并按距离递增次序排序;
C.选取与未知点距离最小的k个点,其中k取值为3或5;
D.确定前k个点所在类别出现频率;
E.返回前k个点出现频率最高的类别作为当前点的预测分类。
5.根据权利要求1所述的医学图像病变区域定位和分类方法,其特征在于:分割图像方法采用直方图门限法,分割后保留病变区域。
6.根据权利要求1所述的医学图像病变区域定位和分类方法,其特征在于:所述深度学习模型采用AlexNet模型。
7.根据权利要求6所述的医学图像病变区域定位和分类方法,其特征在于:所述AlexNet模型包括八层结构,分别为前五层卷积层和后三层全连接层;各卷积层都包含ReLU激励函数进行非线性化处理,前五层卷积层中第1、2、5层采用了降采样处理减少数据维度,防止过拟合;整个AlexNet模型的前七层用于从分割好的图像中提取高级特征,最后一层全连接层将提取的高级特征图像放入SVM分类器用于图像病变区域特征分类并输出分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710538315.5A CN107330883A (zh) | 2017-07-04 | 2017-07-04 | 一种医学图像病变区域定位和分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710538315.5A CN107330883A (zh) | 2017-07-04 | 2017-07-04 | 一种医学图像病变区域定位和分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107330883A true CN107330883A (zh) | 2017-11-07 |
Family
ID=60195724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710538315.5A Pending CN107330883A (zh) | 2017-07-04 | 2017-07-04 | 一种医学图像病变区域定位和分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330883A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053398A (zh) * | 2017-12-19 | 2018-05-18 | 南京信息工程大学 | 一种半监督特征学习的黑色素瘤自动检测方法 |
CN110689057A (zh) * | 2019-09-11 | 2020-01-14 | 哈尔滨工程大学 | 基于图像分割的降低神经网络训练样本量的方法 |
CN110974166A (zh) * | 2019-12-10 | 2020-04-10 | 中国科学院自动化研究所 | 基于k近邻局部连接网络的光学断层成像方法、系统 |
CN112437948A (zh) * | 2018-07-31 | 2021-03-02 | 奥林巴斯株式会社 | 图像诊断支援系统及图像诊断支援装置 |
CN112489003A (zh) * | 2020-11-25 | 2021-03-12 | 哈尔滨理工大学 | 一种基于深度学习的糖尿病视网膜病变区域定位检测方法 |
CN112819811A (zh) * | 2021-02-24 | 2021-05-18 | 上海商汤智能科技有限公司 | 图像分析方法及相关装置、电子设备、存储介质 |
WO2021164640A1 (zh) * | 2020-02-19 | 2021-08-26 | 京东方科技集团股份有限公司 | 视网膜图像识别方法及装置、电子设备、存储介质 |
CN113313203A (zh) * | 2021-06-22 | 2021-08-27 | 哈尔滨工程大学 | 一种基于可拓理论和深度学习的医学图像分类方法 |
CN117911704A (zh) * | 2024-03-14 | 2024-04-19 | 北京首信科技股份有限公司 | 基于神经网络的图像分割方法及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853509A (zh) * | 2010-06-11 | 2010-10-06 | 西安电子科技大学 | 基于Treelets和模糊C-均值聚类的SAR图像分割方法 |
CN103295234A (zh) * | 2013-05-17 | 2013-09-11 | 上海大图医疗科技有限公司 | 基于形变表面模型的医学图像分割系统及方法 |
CN106156793A (zh) * | 2016-06-27 | 2016-11-23 | 西北工业大学 | 结合深层特征提取和浅层特征提取的医学图像分类方法 |
-
2017
- 2017-07-04 CN CN201710538315.5A patent/CN107330883A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853509A (zh) * | 2010-06-11 | 2010-10-06 | 西安电子科技大学 | 基于Treelets和模糊C-均值聚类的SAR图像分割方法 |
CN103295234A (zh) * | 2013-05-17 | 2013-09-11 | 上海大图医疗科技有限公司 | 基于形变表面模型的医学图像分割系统及方法 |
CN106156793A (zh) * | 2016-06-27 | 2016-11-23 | 西北工业大学 | 结合深层特征提取和浅层特征提取的医学图像分类方法 |
Non-Patent Citations (3)
Title |
---|
杨晗: "基于消化道胶囊内窥镜影像的肿瘤检测及其初步定位研究", 《万方学位论文库》 * |
聂生东等: "基于模糊K-近邻规则的多谱磁共振脑图像分割方法的研究", 《中国生物医学工程学报》 * |
龙群芳等: "一种基于KNN纹理分类的超声图像自动分割方法", 《科技通报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053398A (zh) * | 2017-12-19 | 2018-05-18 | 南京信息工程大学 | 一种半监督特征学习的黑色素瘤自动检测方法 |
CN112437948A (zh) * | 2018-07-31 | 2021-03-02 | 奥林巴斯株式会社 | 图像诊断支援系统及图像诊断支援装置 |
CN110689057B (zh) * | 2019-09-11 | 2022-07-15 | 哈尔滨工程大学 | 基于图像分割的降低神经网络训练样本量的方法 |
CN110689057A (zh) * | 2019-09-11 | 2020-01-14 | 哈尔滨工程大学 | 基于图像分割的降低神经网络训练样本量的方法 |
CN110974166A (zh) * | 2019-12-10 | 2020-04-10 | 中国科学院自动化研究所 | 基于k近邻局部连接网络的光学断层成像方法、系统 |
CN110974166B (zh) * | 2019-12-10 | 2021-03-12 | 中国科学院自动化研究所 | 基于k近邻局部连接网络的光学断层成像方法、系统 |
WO2021164640A1 (zh) * | 2020-02-19 | 2021-08-26 | 京东方科技集团股份有限公司 | 视网膜图像识别方法及装置、电子设备、存储介质 |
US11967181B2 (en) | 2020-02-19 | 2024-04-23 | Boe Technology Group Co., Ltd. | Method and device for retinal image recognition, electronic equipment, and storage medium |
CN112489003A (zh) * | 2020-11-25 | 2021-03-12 | 哈尔滨理工大学 | 一种基于深度学习的糖尿病视网膜病变区域定位检测方法 |
CN112819811A (zh) * | 2021-02-24 | 2021-05-18 | 上海商汤智能科技有限公司 | 图像分析方法及相关装置、电子设备、存储介质 |
CN113313203A (zh) * | 2021-06-22 | 2021-08-27 | 哈尔滨工程大学 | 一种基于可拓理论和深度学习的医学图像分类方法 |
CN113313203B (zh) * | 2021-06-22 | 2022-11-01 | 哈尔滨工程大学 | 一种基于可拓理论和深度学习的医学图像分类方法 |
CN117911704A (zh) * | 2024-03-14 | 2024-04-19 | 北京首信科技股份有限公司 | 基于神经网络的图像分割方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330883A (zh) | 一种医学图像病变区域定位和分类方法 | |
CN111476292B (zh) | 医学图像分类处理人工智能的小样本元学习训练方法 | |
CN108268870B (zh) | 基于对抗学习的多尺度特征融合超声图像语义分割方法 | |
CN108492297B (zh) | 基于深度级联卷积网络的mri脑肿瘤定位与瘤内分割方法 | |
CN107506761A (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
CN110276745B (zh) | 一种基于生成对抗网络的病理图像检测算法 | |
Sharma et al. | Brain tumor segmentation using genetic algorithm and artificial neural network fuzzy inference system (ANFIS) | |
CN107506797A (zh) | 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法 | |
CN107945153A (zh) | 一种基于深度学习的路面裂缝检测方法 | |
CN107169974A (zh) | 一种基于多监督全卷积神经网络的图像分割方法 | |
CN106682569A (zh) | 一种基于卷积神经网络的快速交通标识牌识别方法 | |
Wu et al. | U-GAN: Generative adversarial networks with U-Net for retinal vessel segmentation | |
CN106780453A (zh) | 一种基于深度信任网络实现对脑肿瘤分割的方法 | |
CN108549912A (zh) | 一种基于机器学习的医学图像肺结节检测方法 | |
Perumal et al. | Lung cancer detection and classification on CT scan images using enhanced artificial bee colony optimization | |
Ramamurthy et al. | Deep learning based genome analysis and NGS-RNA LL identification with a novel hybrid model | |
JP2024027079A (ja) | 腫瘍微小環境を考慮した全スライド病理画像分類システム及び構築方法 | |
Riaz et al. | A Comprehensive Joint Learning System to Detect Skin Cancer | |
Guo et al. | LLTO: towards efficient lesion localization based on template occlusion strategy in intelligent diagnosis | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
Vinod et al. | Ensemble Technique for Brain Tumour Patient Survival Prediction | |
Perkonigg et al. | Detecting bone lesions in multiple myeloma patients using transfer learning | |
Sünkel et al. | Hybrid quantum machine learning assisted classification of COVID-19 from computed tomography scans | |
Somasundaram et al. | An efficient detection of kidney stone based on hdvs deep learning approach | |
Chandra et al. | A Novel Framework For Brain Disease Classification Using Quantum Convolutional Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171107 |