CN108742627A - 一种基于脑部医学图像融合分类的检测装置 - Google Patents

一种基于脑部医学图像融合分类的检测装置 Download PDF

Info

Publication number
CN108742627A
CN108742627A CN201810662565.4A CN201810662565A CN108742627A CN 108742627 A CN108742627 A CN 108742627A CN 201810662565 A CN201810662565 A CN 201810662565A CN 108742627 A CN108742627 A CN 108742627A
Authority
CN
China
Prior art keywords
signal
pixel
image
fusion
brain
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.)
Granted
Application number
CN201810662565.4A
Other languages
English (en)
Other versions
CN108742627B (zh
Inventor
罗洪梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Affiliated Hospital of Nantong University
Original Assignee
Chongqing Ao Technology Co Ltd
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 Chongqing Ao Technology Co Ltd filed Critical Chongqing Ao Technology Co Ltd
Priority to CN201810662565.4A priority Critical patent/CN108742627B/zh
Publication of CN108742627A publication Critical patent/CN108742627A/zh
Application granted granted Critical
Publication of CN108742627B publication Critical patent/CN108742627B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/0035—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for acquisition of images from more than one imaging mode, e.g. combining MRI and optical tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/037—Emission tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5247—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from an ionising-radiation diagnostic technique and a non-ionising radiation diagnostic technique, e.g. X-ray and ultrasound
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Optics & Photonics (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Neurology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本发明请求保护一种基于脑部医学图像融合分类的检测装置，其包括信号发生单元、发射天线与接收天线、信号采集单元以及信号处理显示单元，还包括脑部医学图像融合分类模块，所述信号采集单元与脑部医学图像融合分类模块相连接；所述信号发生单元为射频微波信号源，幅度、频率和相位均可调；信号发生单元产生激励信号与检测信号，分两路分别传输给发射天线与信号采集单元；本发明可以降低复杂度、提高融合图像的质量、提高分类精确度。

Description

一种基于脑部医学图像融合分类的检测装置
技术领域
本发明属于医疗图像处理技术领域，特别涉及一种基于脑部医学图像融合分类的检测装置。
背景技术
现有脑部医学图像融合技术主要对两种不同模态的医学图像，根据医学图像模态的不同，医学图像融合系统可以分为三种类型：解剖医学图像与解剖医学图像融合、解剖医学图像与功能医学图像融合以及功能医学图像与功能医学图像融合。MRI-PET和MRI-SPECT医学图像融合系统属于解剖医学图像与功能医学图像融合，该系统的输入图像是灰度和伪彩色。飞利浦公司推出的MRI-PET组合一体化套件将商用的MRI成像扫描仪和具有特殊屏蔽的PET结合起来，得到的图像对癌症转移的诊断及术前分期具有重要的临床价值。
由于像素级多尺度融合方法在不同尺度图像上直接对图像的像素值进行处理，能最大限度地保留输入图像的像素信息和提高融合图像的质量。因此，像素级多尺度方法在医学图像融合领域成为一个研究热点。目前，国内外主要从图像分解与重构方法和图像融合规则方法两个方面出发，提出新的像素级多尺度融合方法。在图像分解与重构方法方面，基于频域的图像融合方法利用傅里叶变换和傅里叶逆变换对图像信号进行不同尺度的分解与重构，但是该类方法具有时间复杂度高和运行时间长的特点，这与高实时性的医疗辅助诊断矛盾，并且对处理的实验平台硬件设施和软件设施要求非常高。后来，研究者们提出利用空域滤波器对图像进行处理来对输入图像进行多尺度分解与重构，该类方法虽然能快速地进行图像分解与重构，但是基于空域的图像融合方法抗噪性差。但是现有方法针对不同模态的医学图像采用同一种特征进行融合。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种降低复杂度、提高融合图像的质量、提高分类精确度的基于脑部医学图像融合分类的检测装置。
本发明的技术方案如下：
一种基于脑部医学图像融合分类的检测装置，包括信号发生单元、发射天线与接收天线、信号采集单元以及信号处理显示单元，还包括脑部医学图像融合分类模块，所述信号采集单元与脑部医学图像融合分类模块相连接；所述信号发生单元为射频微波信号源，幅度、频率和相位均可调；信号发生单元产生激励信号与检测信号，分两路分别传输给发射天线与信号采集单元；所述发射天线与接收天线之间为头颅，从发射天线发出电磁波信号穿过整个脑部区域后成为检测信号被接收天线捕获；所述信号采集单元由混频接收机以及A/D转换器构成，所述混频接收机接收由信号发生单元输出的参考信号和接收天线输出的检测信号，然后对信号进行下变频后通过A/D转换器变为数字信号，发送给信号处理显示单元和脑部医学图像融合分类模块；所述信号处理显示单元内部带有专用软件，包含信号处理单元与信号显示单元；所述信号处理单元装载有专用信号处理软件，对信号采集单元传输过来的参考信号以及检测信号进行鉴幅和鉴相；所述信号显示单元为显示设备，接收经信号处理单元后的信号并显示；所述信号发生单元的两个通道分别通过传输线与发射天线和信号采集单元的通道连接，接收天线通过传输线连接到信号采集单元另一个通道；所述信号采集单元通过传输线与信号处理显示单元连接；所有的传输线均采用射频同轴电缆；所述脑部医学图像融合分类模块包括以下模块：
数据预处理模块：获取信号采集单元所有的脑部医学信号，进行包括去除所述脑部医学信号中的基线和高频噪声在内的预处理步骤，并将其分为灰度解剖脑部医学信号和伪彩色功能脑部医学信号，分别标记为和
多尺度分解模块：在多尺度分解过程中，通过改变传播滤波器中高斯卷积核的大小，对对步骤1的两幅源图像和进行平滑处理，使用平滑处理对信号和进行多尺度分解，获得平滑图像和细节图像；对于平滑图像S采用信息熵进行加权融合得到融合平滑图像，而对于细节图像采用多特征进行融合得到融合细节图像FS；传播滤波器的原型为：Sp＝1/Zp∑t∈N(p)wp,t×It，其中，Sp为平滑后的图像，Zp为归一化因子，N(p)为以p为中心像素点的邻域，i表示像素点序列号，It为在坐标位置t的图像像素值，wp,t为传播滤波器权值；其中，传播滤波器权值的第一项表示利用与像素p和像素t邻接的像素之间的距离和高斯卷积核σa的高斯函数；传播滤波器权值的第二项表示利用与像素p邻接的所有像素距离和高斯卷积核σr的高斯函数；
重构融合模块：利用像素级上的简单运算对融合后的平滑图像FD和细节图像FS进行基于ADMM重构得到融合图像F；输出最终的融合图像F；
分类模块：并采用Adaboos分类器融合图像F进行分类，分类步骤包括：1)先通过对N个训练样本的学习得到第一个弱分类器；2)将分错的样本和其他的新数据一起构成一个新的N个的训练样本，通过对这个样本的学习得到第二个弱分类器；将1)和2)都分错了的样本加上其他的新样本构成另一个新的N个的训练样本，通过对这个样本的学习得到第三个弱分类器；最终经过提升的强分类器。即某个数据被分为哪一类要由各分类器权值决定。
进一步的，所述多尺度分解模块对于平滑图像S采用信息熵进行融合得到平滑图像FD采用的是香农提出的信息熵进行权值计算，其中信息熵函数主要利用像素值的概率分布来进行权重的排序，同一个值的像素总数越多表示该像素越重要即赋予该像素较大的权重，反之则赋予该像素较小的权重。
进一步的，所述预处理模块去除所述心电图医学图像中的基线和高频噪声在内的预处理步骤，具体包括：采用200ms和500ms带宽的中值滤波器去除ORS复合波和P&T波，并从原始信号中减去，即得到去除基线的信号图像。
进一步的，所述AdaBoost算法的具体步骤如下：
1.给定训练样本集S，其中X和Y分别对应于正例样本和负例样本；T为训练的最大循环次数；
2.初始化样本权重为1/n，即为训练样本的初始概率分布；
3.第一次迭代：
(1)训练样本的概率分布相当下，训练弱分类器；
(2)计算弱分类器的错误率；
(3)选取合适阈值，使得误差最小；
(4)更新样本权重；
经T次循环后，得到T个弱分类器，按更新的权重叠加，最终得到的强分类器。
本发明的有益效果
本发明采用滤波器和多特征方法进行MRI和SPECT两种不同模态的医学图像融合，利用不同高斯卷积核的传播滤波器将输入图像进行多尺度分解，该方法对图像进行平滑处理，提高平滑图像对噪声的鲁棒性。相对于传统的融合方法，利用亮度、方向以及相位特征来构造融合图像的权值，能获取输入图像更多的重要信息，进而为医生提供更精确的辅助诊疗信息。本发明提供的Adaboost分类器训练方法，其能够对弱学习得到的弱分类器的错误进行适应性调整。上述算法中迭代了T次的主循环，每一次循环根据当前的权重分布对样本x定一个分布P，然后对这个分布下的样本使用弱学习算法得到一个弱分类器，对于这个算法定义的弱学习算法，对所有的，都有，而这个错误率的上限并不需要事先知道，实际上。每一次迭代，都要对权重进行更新。更新的规则是：减小弱分类器分类效果较好的数据的概率，增大弱分类器分类效果较差的数据的概率。最终的分类器是个弱分类器的加权平均。
附图说明
图1是本发明提供优选实施例脑部医学图像融合分类模块的示意图；
图2是基于脑部医学图像融合分类的检测装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
如图2所示为一种基于脑部医学图像融合分类的检测装置，包括信号发生单元1、发射天线2-1与接收天线2-2、信号采集单元3以及信号处理显示单元4其特征在于，还包括脑部医学图像融合分类模块，所述信号采集单元3与脑部医学图像融合分类模块相连接；所述信号发生单元1为射频微波信号源，幅度、频率和相位均可调；信号发生单元1产生激励信号与检测信号，分两路分别传输给发射天线2-1与信号采集单元3；所述发射天线2-1与接收天线2-2之间为头颅，从发射天线2-1发出电磁波信号穿过整个脑部区域后成为检测信号被接收天线2-2捕获；所述信号采集单元3由混频接收机3-1以及A/D转换器3-2构成，所述混频接收机3-1接收由信号发生单元1输出的参考信号和接收天线2-2输出的检测信号，然后对信号进行下变频后通过A/D转换器3-2变为数字信号，发送给信号处理显示单元4和脑部医学图像融合分类模块；所述信号处理显示单元4内部带有专用软件，包含信号处理单元4-1与信号显示单元4-2；所述信号处理单元4-1装载有专用信号处理软件，对信号采集单元传输过来的参考信号以及检测信号进行鉴幅和鉴相；所述信号显示单元4-2为显示设备，接收经信号处理单元4-1后的信号并显示；所述信号发生单元1的两个通道分别通过传输线与发射天线2-1和信号采集单元3的通道连接，接收天线2-2通过传输线连接到信号采集单元3另一个通道；所述信号采集单元通过传输线与信号处理显示单元4连接；所有的传输线均采用射频同轴电缆；如图1所示，所述脑部医学图像融合分类模块包括以下模块：
数据预处理模块：获取信号采集单元3所有的脑部医学信号，进行包括去除所述脑部医学信号中的基线和高频噪声在内的预处理步骤，并将其分为灰度解剖脑部医学信号和伪彩色功能脑部医学信号，分别标记为和
多尺度分解模块：在多尺度分解过程中，通过改变传播滤波器中高斯卷积核的大小，对对步骤1的两幅源图像和进行平滑处理，使用平滑处理对信号和进行多尺度分解，获得平滑图像和细节图像；对于平滑图像S采用信息熵进行加权融合得到融合平滑图像，而对于细节图像采用多特征进行融合得到融合细节图像FS；传播滤波器的原型为：Sp＝1/Zp∑t∈N(p)wp,t×It，其中，Sp为平滑后的图像，Zp为归一化因子，N(p)为以p为中心像素点的邻域，i表示像素点序列号，It为在坐标位置t的图像像素值，wp,t为传播滤波器权值；其中，传播滤波器权值的第一项表示利用与像素p和像素t邻接的像素之间的距离和高斯卷积核σa的高斯函数；传播滤波器权值的第二项表示利用与像素p邻接的所有像素距离和高斯卷积核σr的高斯函数；
重构融合模块：利用像素级上的简单运算对融合后的平滑图像FD和细节图像FS进行基于ADMM重构得到融合图像F；输出最终的融合图像F；
分类模块：并采用Adaboos分类器融合图像F进行分类，分类步骤包括：1)先通过对N个训练样本的学习得到第一个弱分类器；2)将分错的样本和其他的新数据一起构成一个新的N个的训练样本，通过对这个样本的学习得到第二个弱分类器；将1)和2)都分错了的样本加上其他的新样本构成另一个新的N个的训练样本，通过对这个样本的学习得到第三个弱分类器；最终经过提升的强分类器。即某个数据被分为哪一类要由各分类器权值决定。
优选的，所述多尺度分解模块对于平滑图像S采用信息熵进行融合得到平滑图像FD采用的是香农提出的信息熵进行权值计算，其中信息熵函数主要利用像素值的概率分布来进行权重的排序，同一个值的像素总数越多表示该像素越重要即赋予该像素较大的权重，反之则赋予该像素较小的权重。
优选的，所述预处理模块去除所述心电图医学图像中的基线和高频噪声在内的预处理步骤，具体包括：采用200ms和500ms带宽的中值滤波器去除ORS复合波和P&T波，并从原始信号中减去，即得到去除基线的信号图像。
优选的，所述AdaBoost算法的具体步骤如下：
1.给定训练样本集S，其中X和Y分别对应于正例样本和负例样本；T为训练的最大循环次数；
2.初始化样本权重为1/n，即为训练样本的初始概率分布；
3.第一次迭代：
(1)训练样本的概率分布相当下，训练弱分类器；
(2)计算弱分类器的错误率；
(3)选取合适阈值，使得误差最小；
(4)更新样本权重；
经T次循环后，得到T个弱分类器，按更新的权重叠加，最终得到的强分类器。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (4)

1.一种基于脑部医学图像融合分类的检测装置，包括信号发生单元(1)、发射天线(2-1)与接收天线(2-2)、信号采集单元(3)以及信号处理显示单元(4)其特征在于，还包括脑部医学图像融合分类模块，所述信号采集单元(3)与脑部医学图像融合分类模块相连接；所述信号发生单元(1)为射频微波信号源，幅度、频率和相位均可调；信号发生单元(1)产生激励信号与检测信号，分两路分别传输给发射天线(2-1)与信号采集单元(3)；所述发射天线(2-1)与接收天线(2-2)之间为头颅，从发射天线(2-1)发出电磁波信号穿过整个脑部区域后成为检测信号被接收天线(2-2)捕获；所述信号采集单元(3)由混频接收机(3-1)以及A/D转换器(3-2)构成，所述混频接收机(3-1)接收由信号发生单元(1)输出的参考信号和接收天线(2-2)输出的检测信号，然后对信号进行下变频后通过A/D转换器(3-2)变为数字信号，发送给信号处理显示单元(4)和脑部医学图像融合分类模块；所述信号处理显示单元(4)内部带有专用软件，包含信号处理单元(4-1)与信号显示单元(4-2)；所述信号处理单元(4-1)装载有专用信号处理软件，对信号采集单元传输过来的参考信号以及检测信号进行鉴幅和鉴相；所述信号显示单元(4-2)为显示设备，接收经信号处理单元(4-1)后的信号并显示；所述信号发生单元(1)的两个通道分别通过传输线与发射天线(2-1)和信号采集单元(3)的通道连接，接收天线(2-2)通过传输线连接到信号采集单元(3)另一个通道；所述信号采集单元通过传输线与信号处理显示单元(4)连接；所有的传输线均采用射频同轴电缆；所述脑部医学图像融合分类模块包括以下模块：
数据预处理模块：获取信号采集单元(3)所有的脑部医学信号，进行包括去除所述脑部医学信号中的基线和高频噪声在内的预处理步骤，并将其分为灰度解剖脑部医学信号和伪彩色功能脑部医学信号，分别标记为和
多尺度分解模块：在多尺度分解过程中，通过改变传播滤波器中高斯卷积核的大小，对对步骤1的两幅源图像和进行平滑处理，使用平滑处理对信号和进行多尺度分解，获得平滑图像和细节图像；对于平滑图像S采用信息熵进行加权融合得到融合平滑图像，而对于细节图像采用多特征进行融合得到融合细节图像FS；传播滤波器的原型为：Sp＝1/Zp∑t∈N(p)wp,t×It，其中，Sp为平滑后的图像，Zp为归一化因子，N(p)为以p为中心像素点的邻域，i表示像素点序列号，It为在坐标位置t的图像像素值，wp,t为传播滤波器权值；其中，传播滤波器权值的第一项表示利用与像素p和像素t邻接的像素之间的距离和高斯卷积核σa的高斯函数；传播滤波器权值的第二项表示利用与像素p邻接的所有像素距离和高斯卷积核σr的高斯函数；
重构融合模块：利用像素级上的简单运算对融合后的平滑图像FD和细节图像FS进行基于ADMM重构得到融合图像F；输出最终的融合图像F；
分类模块：并采用Adaboos分类器融合图像F进行分类，分类步骤包括：1)先通过对N个训练样本的学习得到第一个弱分类器；2)将分错的样本和其他的新数据一起构成一个新的N个的训练样本，通过对这个样本的学习得到第二个弱分类器；将1)和2)都分错了的样本加上其他的新样本构成另一个新的N个的训练样本，通过对这个样本的学习得到第三个弱分类器；最终经过提升的强分类器。即某个数据被分为哪一类要由各分类器权值决定。
2.根据权利要求1所述的基于脑部医学图像融合分类的检测装置，其特征在于，所述多尺度分解模块对于平滑图像S采用信息熵进行融合得到平滑图像FD采用的是香农提出的信息熵进行权值计算，其中信息熵函数主要利用像素值的概率分布来进行权重的排序，同一个值的像素总数越多表示该像素越重要即赋予该像素较大的权重，反之则赋予该像素较小的权重。
3.根据权利要求1所述的多尺度多特征的心电图医学图像融合及分类方法，其特征在于，所述预处理模块去除所述心电图医学图像中的基线和高频噪声在内的预处理步骤，具体包括：采用200ms和500ms带宽的中值滤波器去除ORS复合波和P&T波，并从原始信号中减去，即得到去除基线的信号图像。
4.根据权利要求1所述的多尺度多特征的心电图医学图像融合及分类方法，其特征在于，
所述AdaBoost算法的具体步骤如下：
1.给定训练样本集S，其中X和Y分别对应于正例样本和负例样本；T为训练的最大循环次数；
2.初始化样本权重为1/n，即为训练样本的初始概率分布；
3.第一次迭代：
(1)训练样本的概率分布相当下，训练弱分类器；
(2)计算弱分类器的错误率；
(3)选取合适阈值，使得误差最小；
(4)更新样本权重；
经T次循环后，得到T个弱分类器，按更新的权重叠加，最终得到的强分类器。
CN201810662565.4A 2018-06-25 2018-06-25 一种基于脑部医学图像融合分类的检测装置 Active CN108742627B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810662565.4A CN108742627B (zh) 2018-06-25 2018-06-25 一种基于脑部医学图像融合分类的检测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810662565.4A CN108742627B (zh) 2018-06-25 2018-06-25 一种基于脑部医学图像融合分类的检测装置

Publications (2)

Publication Number Publication Date
CN108742627A true CN108742627A (zh) 2018-11-06
CN108742627B CN108742627B (zh) 2021-11-16

Family

ID=63976939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810662565.4A Active CN108742627B (zh) 2018-06-25 2018-06-25 一种基于脑部医学图像融合分类的检测装置

Country Status (1)

Country Link
CN (1) CN108742627B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110236518A (zh) * 2019-04-02 2019-09-17 武汉大学 基于神经网络的心电及心震信号联合分类的方法及装置
CN112257728A (zh) * 2020-11-12 2021-01-22 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备以及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101078776A (zh) * 2007-06-29 2007-11-28 西安奥华电子仪器有限责任公司 核测井数据多尺度处理方法
CN101441766A (zh) * 2008-11-28 2009-05-27 西安电子科技大学 基于多尺度几何分析的sar图像融合方法
US20140064636A1 (en) * 2007-11-29 2014-03-06 Sri International Multi-scale adaptive fusion with contrast normalization
CN104299216A (zh) * 2014-10-22 2015-01-21 北京航空航天大学 基于多尺度各向异性分解和低秩分析的多模态医学图像融合方法
CN106203487A (zh) * 2016-06-30 2016-12-07 北京航空航天大学 一种基于多核学习分类器融合的图像分类方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101078776A (zh) * 2007-06-29 2007-11-28 西安奥华电子仪器有限责任公司 核测井数据多尺度处理方法
US20140064636A1 (en) * 2007-11-29 2014-03-06 Sri International Multi-scale adaptive fusion with contrast normalization
CN101441766A (zh) * 2008-11-28 2009-05-27 西安电子科技大学 基于多尺度几何分析的sar图像融合方法
CN104299216A (zh) * 2014-10-22 2015-01-21 北京航空航天大学 基于多尺度各向异性分解和低秩分析的多模态医学图像融合方法
CN106203487A (zh) * 2016-06-30 2016-12-07 北京航空航天大学 一种基于多核学习分类器融合的图像分类方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ANDREWJ.ASMAN ET AL.: "Multi-atlas learner fusion: An efficient segmentation approach for large-scale data", 《MEDICAL IMAGE ANALYSIS》 *
何校栋等: "基于Adaboost算法的多特征融合肺部PET-CT图像的肿瘤分类方法", 《中国医学装备》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110236518A (zh) * 2019-04-02 2019-09-17 武汉大学 基于神经网络的心电及心震信号联合分类的方法及装置
CN112257728A (zh) * 2020-11-12 2021-01-22 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备以及存储介质
CN112257728B (zh) * 2020-11-12 2021-08-17 腾讯科技（深圳）有限公司 图像处理方法、装置、计算机设备以及存储介质

Also Published As

Publication number Publication date
CN108742627B (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
Lei et al. Skin lesion segmentation via generative adversarial networks with dual discriminators
Makaju et al. Lung cancer detection using CT scan images
Zong et al. Medical image fusion based on sparse representation of classified image patches
CN108985345A (zh) 一种基于肺部医学图像融合分类的检测装置
Kaucha et al. Early detection of lung cancer using SVM classifier in biomedical image processing
CN108898593B (zh) 一种基于腹部ct医学图像融合分类的检测装置
CN111583320B (zh) 融合深度卷积网络和影像组学特征的乳腺癌超声图分型方法、系统及存储介质
CN107977926A (zh) 一种改进神经网络的pet/mri异机脑部影像信息融合方法
US11462316B2 (en) Systems and methods for evaluating medical image
Bhalerao et al. A novel approach for detection of lung cancer using digital image processing and convolution neural networks
CN108742627A (zh) 一种基于脑部医学图像融合分类的检测装置
CN110660063A (zh) 多图像融合的肿瘤三维位置精准定位系统
CN110046544A (zh) 基于卷积神经网络的数字手势识别方法
Panda et al. Automated brain tumor detection using discriminative clustering based MRI segmentation
Li et al. BUSnet: A deep learning model of breast tumor lesion detection for ultrasound images
CN108898173B (zh) 一种多尺度多特征的心电图医学图像融合及分类方法
CN113486752A (zh) 基于心电信号的情感识别方法及系统
Zhuang et al. Tumor classification in automated breast ultrasound (ABUS) based on a modified extracting feature network
CN113421200A (zh) 基于多尺度变换与脉冲耦合神经网络的图像融合方法
Li et al. An impulse noise removal model algorithm based on logarithmic image prior for medical image
Kumar et al. Skin cancer segmentation with the aid of multi-class dilated D-net (MD2N) framework
Hardaha et al. A survey on convolutional neural networks for MRI analysis
Dai et al. Design of intelligent car based on WiFi video capture and OpenCV gesture control
Gopikha et al. Regularised Layerwise Weight Norm Based Skin Lesion Features Extraction and Classification.
Sheoran et al. An efficient anchor-free universal lesion detection in CT-scans

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
CB03 Change of inventor or designer information

Inventor after: Sun Chunfeng

Inventor after: Shen Chen

Inventor after: Bao Shanlei

Inventor after: Luo Hongmei

Inventor before: Luo Hongmei

CB03 Change of inventor or designer information
TA01 Transfer of patent application right

Effective date of registration: 20211102

Address after: 226001 No. 20 Xisi Road, Chongchuan District, Nantong City, Jiangsu Province

Applicant after: AFFILIATED HOSPITAL OF NANTONG University

Address before: 401120 25 Huyun Street, Yubei District, Chongqing

Applicant before: CHONGQING ZHIAO TECHNOLOGY CO.,LTD.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant