CN108804549B - 基于医学图像特征权重调整的眼底造影图像检索方法 - Google Patents
基于医学图像特征权重调整的眼底造影图像检索方法 Download PDFInfo
- Publication number
- CN108804549B CN108804549B CN201810488201.9A CN201810488201A CN108804549B CN 108804549 B CN108804549 B CN 108804549B CN 201810488201 A CN201810488201 A CN 201810488201A CN 108804549 B CN108804549 B CN 108804549B
- Authority
- CN
- China
- Prior art keywords
- fundus
- contrast image
- fundus contrast
- matrix
- feature matrix
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
- Eye Examination Apparatus (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种本发明基于医学图像特征权重调整的眼底造影检索方法,分别对眼底造影图像样本和待检索的眼底造影图像提取4个特征矩阵,根据预设的权重计算加权特征矩阵,然后计算待检索的眼底造影图像的加权特征矩阵和每张眼底造影图像样本的加权特征矩阵的相似度,选取相似度最大的K张眼底造影图像样本作为检索结果输出,如果对检索结果不满意,检索人员根据其检索偏好从检索结果中选取D张眼底造影图像样本,对特征矩阵的权重进行调整,重新计算待检索的眼底造影图像的加权特征矩阵,再次进行检索,如果检索结果还不满意,则继续调整权重,直至检索人员对检索结果满意为止。采用本发明可以使检索结果更符合用户的需求,提高检索性能。
Description
技术领域
本发明属于计算机视觉技术领域,更为具体地讲,涉及一种基于医学图像特征权重调整的眼底造影图像检索方法。
背景技术
随着计算机视觉、模式识别和多媒体等计算机科学技术的发展,人们希望能够和计算机进行更深度的交互活动,也希望计算机能够自动的感知人类世界。图像处理技术发挥着越来越重要的作用,针对图像处理技术的研究也在如火如荼的发展中。数字图像处理最基础、最重要的步骤之一就是图像特征提取,往往从各种媒体介质直接获取的图像不满足计算和分析的需求,需要对图像进行一系列的处理和分类标识等操作。
伴随多媒体数据出现的“维度灾难”问题,存在大量的不相关的、冗余的特征,对图像分析过程起到了干扰和噪声效果,影响了图像特征提取结果的性能。面对这类复杂图像数据的分析和处理的特点,图像特征提取技术也在不断的革新。如何由原始获取的特征经过线性或者非线性变换得到较少数目但表达能力更强的新特征,进而提取出高效能、鲁棒的特征在图像处理的研究和应用中尤为重要。
近年来,特征提取在目标识别、图像检索、图像配准、数据可视化、模式识别等领域都有广泛的应用,尤其是在医学领域的辅助诊断当中。当人体出现眼底病灶时,说明此时已经患上糖尿病或是心血管疾病,因此通过提取眼底病灶,可以在正常和异常之间做出明确鉴别,使对高血压病眼底的非荧光造影图像的研究标准化,而且通过对眼底病灶大小、范围、形状等分析,还可以定性地判断患病的程度,这些都大大加强了眼底检查优势,方便了高血压和糖尿病患者的病情分析,对高血压病和糖尿病的诊断及治疗具有重要的实践指导意义,推进了其标准化的进程。
就目前的图像检索系统而言,在眼底造影检索时,由于不同眼底造影图像的特征不尽相同,而检索人员对于检索结果的需求也不尽相同,很难满足所有需求。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于医学图像特征权重调整的眼底造影图像检索方法,根据用户对检索结果的偏好选择,分析用户偏好的特征类型,来调整不同特征的特征矩阵的权重系数,使检索结果更符合用户的需求,提高检索性能。
为实现上述发明目的,本发明基于医学图像特征权重调整的眼底造影图像检索方法的具体方法为:
S1:获取M张眼底造影图像样本,将每张图像样本归一化至预设尺寸;分别对每张眼底造影图像样本提取得到4个特征矩阵,包括灰度共生矩阵fm,1、Gabor特征矩阵fm,2、LBP特征矩阵fm,3和SIFT特征矩阵fm,4,m=1,2,…,M;根据预设的权重λi计算每张眼底造影图像样本的加权特征矩阵Fm,计算公式如下:
从而构成眼底造影图像样本特征库;
S2:将待检索的眼底造影图像归一化至预设尺寸,提取得到灰度共生矩阵灰度共生矩阵f1′、Gabor特征矩阵f2′、LBP特征矩阵f3′和SIFT特征矩阵f4′;将权重λi作为初始权重,计算待检索的眼底造影图像的加权特征矩阵F′,计算公式如下:
S3:计算待检索的眼底造影图像的加权特征矩阵F′和每张眼底造影图像样本的加权特征矩阵Fm的相似度,将眼底造影图像样本按相似度从大到小进行排序,将前K张眼底造影图像样本作为检索结果输出;
S4:检索人员判断检索结果是否满意,如果不满意,进入步骤S5,如果满意则检索结束;
S5:检索人员根据其检索偏好从检索结果中选取D张眼底造影图像样本;
S6:对于待检索的眼底造影图像和D张眼底造影图像样本,分别计算每个特征矩阵的方差,计算方法为:计算出特征矩阵每一维中元素的方差,将特征矩阵中所有维的方差进行平均得到特征矩阵的方差;记待检索的眼底造影图像每个特征矩阵的方差为Vi′,D张眼底造影图像样本每个特征矩阵的方差为Vd,i;根据以下公式计算待检索的眼底造影图像和D张眼底造影图像样本的每个特征矩阵方差之间的相似度值Si:
其中,Smax和Smin分别为4个相似度值Si中的最大值和最小值。
S7:根据调整后的权重重新计算待检索的眼底造影图像的加权特征矩阵F′,计算公式如下:
返回步骤S3。
本发明基于医学图像特征权重调整的眼底造影图像检索方法,分别对眼底造影图像样本和待检索的眼底造影图像提取4个特征矩阵,根据预设的权重计算加权特征矩阵,然后计算待检索的眼底造影图像的加权特征矩阵和每张眼底造影图像样本的加权特征矩阵的相似度,选取相似度最大的K张眼底造影图像样本作为检索结果输出,如果对检索结果不满意,检索人员根据其检索偏好从检索结果中选取D张眼底造影图像样本,对特征矩阵的权重进行调整,重新计算待检索的眼底造影图像的加权特征矩阵,再次进行检索,如果检索结果还不满意,则继续调整权重,直至检索人员对检索结果满意为止。采用本发明可以使检索结果更符合用户的需求,提高检索性能。
附图说明
图1是本发明基于医学图像特征权重调整的眼底造影图像检索方法的具体实施方式流程图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明基于医学图像特征权重调整的眼底造影图像检索方法的具体实施方式流程图。如图1所示,本发明基于医学图像特征权重调整的眼底造影图像检索方法的具体步骤包括:
S101:构建眼底造影图像样本特征库:
获取M张眼底造影图像样本,将每张图像样本归一化至预设尺寸。眼底造影图像样本的数量根据需要进行设置。然后分别对每张眼底造影图像样本提取得到4个特征矩阵,包括灰度共生矩阵fm,1、Gabor特征矩阵fm,2、LBP特征矩阵fm,3和SIFT特征矩阵fm,4,m=1,2,…,M。根据预设的权重λi计算每张眼底造影图像样本的加权特征矩阵Fm,计算公式如下:
从而构成眼底造影图像样本特征库。一般将权重设置为λ1=λ2=λ3=λ4=0.25。
当人体患有比较严重的心血管疾病,比如高血压、糖尿病等病症时,往往在眼底会产生眼底出血、眼底病变等情况,通常眼底会有黄白色的渗出物出现,在进行眼底拍照时,会检测出来,将其称为眼底病灶。根据眼底造影图像的特点,图像的局部纹理特征最具有参考性和准确性,能够充分反映出图像的信息。因此本发明中选用了四种特征矩阵,包括灰度共生矩阵、Gabor特征矩阵、LBP(Local Binary Pattern,局部二值模式)特征矩阵和SIFT(Scale-invariant feature transform,尺度不变特征变换)特征矩阵。灰度共生矩阵能充分反映出图像的灰度信息,有利于病变区域分割。Gabor特征矩阵采用Gabor滤波器获取,可以抽取空间局部频度特征,达到图像去噪的效果。LBP矩阵采用LBP局部二进制算法速度快,将图像特征用二进制表示。SIFT特征具有尺度不变特性,而且该算法有利于提取出眼底造影图像的血管分支分叉点,使检索效率提高。因此本发明充分考虑了眼底造影图像的特殊性,从图像特征和检索效率出发,选用以上4个特征进行眼底造影图像的特征表达。为了便于后续对特征矩阵进行加权,4个特征矩阵的大小应该一致。
S102:提取待检索图像特征:
将待检索的眼底造影图像归一化至预设尺寸,提取得到灰度共生矩阵灰度共生矩阵f1′、Gabor特征矩阵f2′、LBP特征矩阵f3′和SIFT特征矩阵f4′;将权重λi作为初始权重,计算待检索的眼底造影图像的加权特征矩阵F′,计算公式如下:
S103:眼底造影图像检索:
然后计算待检索的眼底造影图像的加权特征矩阵F′和每张眼底造影图像样本的加权特征矩阵Fm的相似度,将眼底造影图像样本按相似度从大到小进行排序,将前K张眼底造影图像样本作为检索结果输出。K的大小根据实际需要确定。
本实施例中,采用核函数来计算两个加权特征矩阵之间的余弦内积,从而得出相似度,其值越大,即代表相似度越大。
S104:检索人员判断检索结果是否满意,如果不满意,进入步骤S105,如果满意则检索结束。
S105:选择偏好检索结果:
检索人员根据其检索偏好从检索结果中选取D张眼底造影图像样本,D的大小可以由检索人员自行确定,显然D<K。
S106:调整特征矩阵权重:
接下来需要根据检索人员的检索偏好对特征矩阵的权重进行调整。其具体方法为:
对于待检索的眼底造影图像和D张眼底造影图像样本,分别计算每个特征矩阵的方差,计算方法为:计算出特征矩阵每一维(即每一列或每一行)中元素的方差,将特征矩阵中所有维的方差进行平均得到特征矩阵的方差。记待检索的眼底造影图像每个特征矩阵的方差为Vi′,D张眼底造影图像样本每个特征矩阵的方差为Vd,i。根据以下公式计算待检索的眼底造影图像和D张眼底造影图像样本的每个特征矩阵方差之间的相似度值Si:
其中,i=1,2,3,4。由于检索人员对检索结果存在偏好,因此在4个特征矩阵中,会有部分特征矩阵对应的相似度值Si较小。相似度值Si的数值越小,代表待检索的眼底造影图像和D张眼底造影图像样本的方差之间的差异越小,即这一类特征是检索人员偏好的特征类型,更倾向于使用该特征进行检索,应该增大其权重。权重调整的方法为:按照以下公式对4个相似度值Si进行归一化,得到归一化值
其中,Smax和Smin分别为4个相似度值Si中的最大值和最小值。
S107:重新计算待检索的眼底造影图像的加权特征矩阵:
根据调整后的权重重新计算待检索的眼底造影图像的加权特征矩阵F′,计算公式如下:
返回步骤S103。
为了更好地说明本发明的技术效果,采用FIRE视网膜图像数据集进行实验验证,统计特征矩阵权重调整前后的召回率和平均检索精度。特征矩阵权重调整前的召回率为79.3%、平均检索精度为0.81,进行一次特征矩阵权重调整后的召回率为87.4%、平均检索精度为0.86。多次进行特征矩阵权重调整后中,召回率稳定在95%。可见,采用本发明可以有效提高眼底造影图像检索的检索性能。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种基于医学图像特征权重调整的眼底造影图像检索方法,其特征在于,包括以下步骤:
S1:获取M张眼底造影图像样本,将每张图像样本归一化至预设尺寸;分别对每张眼底造影图像样本提取得到4个特征矩阵,包括灰度共生矩阵fm,1、Gabor特征矩阵fm,2、LBP特征矩阵fm,3和SIFT特征矩阵fm,4,m=1,2,…,M;根据预设的权重λi计算每张眼底造影图像样本的加权特征矩阵Fm,计算公式如下:
从而构成眼底造影图像样本特征库;
S2:将待检索的眼底造影图像归一化至预设尺寸,提取得到灰度共生矩阵灰度共生矩阵f1′、Gabor特征矩阵f2′、LBP特征矩阵f3′和SIFT特征矩阵f4′;将权重λi作为初始权重,计算待检索的眼底造影图像的加权特征矩阵F′,计算公式如下:
S3:然后计算待检索的眼底造影图像的加权特征矩阵F′和每张眼底造影图像样本的加权特征矩阵Fm的相似度,将眼底造影图像样本按相似度从大到小进行排序,将前K张眼底造影图像样本作为检索结果输出;
S4:检索人员判断检索结果是否满意,如果不满意,进入步骤S5,如果满意则检索结束;
S5:检索人员根据其检索偏好从检索结果中选取D张眼底造影图像样本;
S6:对于待检索的眼底造影图像和D张眼底造影图像样本,分别计算每个特征矩阵的方差,计算方法为:计算出特征矩阵每一维中元素的方差,将特征矩阵中所有维的方差进行平均得到特征矩阵的方差;记待检索的眼底造影图像每个特征矩阵的方差为Vi′,D张眼底造影图像样本每个特征矩阵的方差为Vd,i; 根据以下公式计算待检索的眼底造影图像和D张眼底造影图像样本的每个特征矩阵方差之间的相似度值Si:
其中,Smax和Smin分别为4个相似度值Si中的最大值和最小值;
S7:根据调整后的权重重新计算待检索的眼底造影图像的加权特征矩阵F′,计算公式如下:
返回步骤S3。
2.根据权利要求1所述的眼底造影图像检索方法,其特征在于,所述权重λ1=λ2=λ3=λ4=0.25。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810488201.9A CN108804549B (zh) | 2018-05-21 | 2018-05-21 | 基于医学图像特征权重调整的眼底造影图像检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810488201.9A CN108804549B (zh) | 2018-05-21 | 2018-05-21 | 基于医学图像特征权重调整的眼底造影图像检索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108804549A CN108804549A (zh) | 2018-11-13 |
CN108804549B true CN108804549B (zh) | 2021-03-30 |
Family
ID=64091180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810488201.9A Active CN108804549B (zh) | 2018-05-21 | 2018-05-21 | 基于医学图像特征权重调整的眼底造影图像检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108804549B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711432A (zh) * | 2018-11-29 | 2019-05-03 | 昆明理工大学 | 一种基于颜色方差的图像相似判定方法 |
CN111428070A (zh) * | 2020-03-25 | 2020-07-17 | 南方科技大学 | 眼科案例的检索方法、装置、服务器及存储介质 |
CN111814690B (zh) * | 2020-07-09 | 2023-09-01 | 浙江大华技术股份有限公司 | 一种目标重识别方法、装置和计算机可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6859802B1 (en) * | 1999-09-13 | 2005-02-22 | Microsoft Corporation | Image retrieval based on relevance feedback |
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 |
-
2018
- 2018-05-21 CN CN201810488201.9A patent/CN108804549B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6859802B1 (en) * | 1999-09-13 | 2005-02-22 | Microsoft Corporation | Image retrieval based on relevance feedback |
US7613686B2 (en) * | 1999-09-13 | 2009-11-03 | Microsoft Corporation | Image retrieval based on relevance feedback |
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 |
Non-Patent Citations (2)
Title |
---|
spatial pooling of heterogeneous features for image classification;L.Xie;《IEEE Transactions On Image Processing》;20140305;第23卷(第5期);第1994-2008页 * |
基于多模态卷积神经网络的脑血管提取方法研究;秦志光;《电子科技大学学报》;20160731;第45卷(第4期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108804549A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109472781B (zh) | 一种基于串行结构分割的糖尿病视网膜病变检测系统 | |
CN111340789A (zh) | 眼底视网膜血管识别及量化方法、装置、设备及存储介质 | |
CN110751636B (zh) | 一种基于改进型编解码网络的眼底图像视网膜动脉硬化检测方法 | |
CN108804549B (zh) | 基于医学图像特征权重调整的眼底造影图像检索方法 | |
CN112017185B (zh) | 病灶分割方法、装置及存储介质 | |
Veeramuthu et al. | A neural network based deep learning approach for efficient segmentation of brain tumor medical image data | |
Tun et al. | Feature extraction and classification of lung cancer nodule using image processing techniques | |
Peixoto et al. | Floor of log: a novel intelligent algorithm for 3D lung segmentation in computer tomography images | |
Özbay et al. | Interpretable features fusion with precision MRI images deep hashing for brain tumor detection | |
WO2016117018A1 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
Gonde et al. | Volumetric local directional triplet patterns for biomedical image retrieval | |
Kumar et al. | Automated white corpuscles nucleus segmentation using deep neural network from microscopic blood smear | |
CN112288752B (zh) | 一种基于胸部平扫ct的冠脉钙化灶全自动分割方法 | |
CN107784664B (zh) | 一种基于k稀疏的快速鲁棒目标跟踪方法 | |
CN112233742B (zh) | 一种基于聚类的病历文档分类系统、设备、存储介质 | |
CN115100178A (zh) | 一种眼底血管形态特征评估的方法、装置、介质和设备 | |
Gupta et al. | Comparative study of different machine learning models for automatic diabetic retinopathy detection using fundus image | |
Georgiou et al. | An adaptive semi-automated integrated system for multiple sclerosis lesion segmentation in longitudinal mri scans based on a convolutional neural network | |
Rajendiran et al. | Machine Learning based Detection of Alzheimer’s disease in MRI images | |
KN et al. | Comparison of 3-segmentation techniques for intraventricular and intracerebral hemorrhages in unenhanced computed tomography scans | |
Foncubierta–Rodríguez et al. | Retrieval of 4D dual energy CT for pulmonary embolism diagnosis | |
Halim et al. | Enhancement of automatic classification of arcus senilis-nonarcus senilis using convolutional neural network | |
Sayamov | Weakly supervised learning for retinal lesion detection | |
CN112884759B (zh) | 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置 | |
Dongye et al. | An improved U-Net method with high-resolution feature maps for retinal blood vessel segmentation |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |