CN109063208A - 一种融合多种特征信息的医学图像检索方法 - Google Patents
一种融合多种特征信息的医学图像检索方法 Download PDFInfo
- Publication number
- CN109063208A CN109063208A CN201811090931.XA CN201811090931A CN109063208A CN 109063208 A CN109063208 A CN 109063208A CN 201811090931 A CN201811090931 A CN 201811090931A CN 109063208 A CN109063208 A CN 109063208A
- Authority
- CN
- China
- Prior art keywords
- feature
- segmentation
- medical image
- vector
- gray level
- 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
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种融合多种信息的医学图像检索方法,包括如下步骤:步骤1,利用区域分割方法对待检索的图像进行分割处理;步骤2,提取待检索医学图像的纹理、形状、投影等多种特征数据;步骤3,将提取出的所有特征进行融合,形成医学图像的检索特征向量;步骤4,利用向量之间的欧式距离检索出相似的医学图像。此种方法可解决医学图像中不全面的语义信息特征问题,可有效提高医学图像检索精度。
Description
技术领域
本发明涉及医学图像处理领域,特别是一种融合多种特征信息的医学图像检索方法。
背景技术
随着计算机科学和信息技术的不断发展,医学成像技术也得到了迅速发展,各种新的成像设备不断涌现,如计算机断层成像(CT)、磁共振成像(MRI)、正电子发射断层成像(PEI)等。对患者的诊断可基于对患者的医学图像,并参照以往其他患者的医学图像进行诊断。因此医学图像检索逐渐成为一个热门的研究方向,人们应用各种成像技术和检索方法对人体的所有器官进行检查和疾病诊断。
传统的医学图像检索方法是基于关键字来检索图像,因此人工标注具有很强的主观性,检索过程很耗费时间,而且难以完全表达图像所包含的语义信息。基于内容的医学图像检索(CBIR)是从医学图像本身提取灰度、形状、纹理、拓扑等底层视觉特征和高层语义特征,来构成描述图像内容的特征向量,并以该特征向量作为建立索引和匹配准则的客观依据检索所需图像。因此CBIR已经成为生物医学工程领域十分活跃的研究方法,但是传统的CBIR应用于医学图像时存在以下不足:
1.大多数医学图像是灰度图,不同的图像内容可能灰度信息相似,使得常规的基于图像全局特征的CBIR算法不适用于医学图像;
2.自然图像往往含有可以区分类别的背景色彩,然而医学图像的背景色都是黑色,图像类别的区分仅依靠对图像中的对象的分类完成;
3.医学上存在多种成像模式,针对不同模式的图像处理算法也会有所不同,提取的特征也会有差异;
4.图像处理技术在医学图像处理领域还面临着很多困难,如医学图像分割等;
5.医学成像过程中会引入各种噪声、伪影、几何形变等干扰;
6.医学图像灰度分辨率和空间分辨率高,所含信息量大。
因此,为了提高检索的精度,需要综合利用患者的各种图像信息,单一的图像特征仅从一个角度描述医学图像,而不同类型的特征具有不同的分辨能力,可以提供相关和互补的信息。
发明内容
为了解决现有医学图像检索领域中存在的不足,本发明的目的在于提供一种融合多种特征信息的医学图像检索方法,利用该方法能够解决医学图像中不全面的语义信息特征问题,有效提高医学图像检索的精度。
实现本发明目的的技术方案是:
一种融合多种特征信息的医学图像检索方法,包括如下步骤:
(1)利用区域分割方法对待检索的图像进行分割处理;
(2)提取待检索医学图像的纹理、形状、投影等多种特征数据;
(3)将提取出的所有特征进行融合,形成医学图像的检索特征向量;
(4)利用向量之间的欧式距离检索出相似的医学图像。
步骤(1)所述利用区域分割方法对待检索的图像进行分割处理的方法是:
利用区域分割算法对医学图像进行分割,分割出的各个区域不重叠,获得大小相同的区域分割图。设所使用的医学图像的像素大小是,将其进行图像分割为的局部块,其中每个分割图的像素大小是。
步骤(2)所述提取待检索医学图像的纹理、形状、投影等多种特征数据,其中各个特征数据的提取方法步骤如下:
1)利用灰度共生矩阵(GLCM)提取分割图的纹理特征:设二维医学图像分割图,其大小为,灰度级别为,则灰度共生矩阵模型:,其中表示集合中元素的个数,为矩阵,若与间距离为,两者与坐标横轴的夹角为,则可以得到各种间距及角度的灰度共生矩阵
,根据灰度共生矩阵导出以下几个特征:
特征T1:取灰度共生矩阵的对比度:;
特征T2:取灰度共生矩阵的相关性:;
特征T3:取灰度共生矩阵的能量:;
特征T4:取灰度共生矩阵的同质性:;
特征T5:取灰度共生矩阵的熵:;
经过上述GLCM特征提取,可以获得分割图的纹理特征向量;
2)提取分割图的形状特征,即边缘强度特征:设分割图,使用Sobel核运算对分割图进行卷积运算,Sobel算子的卷积核表示如下:
所以对于分割图的横向梯度以及纵向梯度可以分别表示为:,;该分割图中的每个像素的梯度向量为:;用表1量化整个分割图的边缘强度特征,然后计算该分割图获得的边缘强度特征矩阵的对角线之和作为表征该局部区域的边缘强度特征,即作为特征T6:,其中是进过边缘提取后的分割图矩阵的对角值;
3)提取分割图的经过投影转换后的特征,利用主成分分析方法PCA对分割图进行提取特征。
表 边缘强度等级
量化 | 范围 | 类型 |
0 | 0-10% | 非边缘 |
1 | 10-40% | 弱边缘 |
2 | 40-70% | 中边缘 |
3 | 70-100% | 强边缘 |
所述主成分分析方法PCA的实现步骤如下:
a.按列计算数据集的均值,令;
b.计算协方差矩阵;
c.计算协方差矩阵的特征值和相应的特征向量;
d.将特征值按照从大到小进行排序,选择其中最大的(取累计贡献率=90%)个,然后将其对应的个特征向量分别作为列向量组成特征向量矩阵;
e.计算,即将数据集投影到选取的特征向量上,即得到需要提取的PCA特征数据集
f.计算数据集的均值和方差作为特征T7和特征T8。
步骤(3)所述将提取出的所有特征进行融合,是:
首先,对于分割图,经过步骤(2)提取的检索特征向量可表示如下:
对于整张医学图像,其融合的特征向量为:
步骤(4)利用向量之间的欧式距离检索出相似的医学图像,是:
根据欧式距离检索出在数据库中与检索图像相似的前10张图像,其中欧式距离为:,其中是检索的图像的特征向量,是数据库中的图像。
本发明的有益效果是:本发明将医学图像的多种特征融合起来,充分利用医学图像的不同特点,在一副图像上同时表达来自人体的多方面信息,使患者的身体状况能够充分地放映出来,从而更加直观地提供病理信息。
附图说明
图1为本发明的整体流程图;
图2为步骤(1)的图像分割示例图;
图3为边缘强度特征提取的流程图;
图4为主成分分析法PCA的流程图。
具体实施方式
以下结合附图,对本发明的技术方案进行详细说明。
如图1所示,本发明提供一种融合多种特征信息的医学图像检索方法,包括如下的详细步骤:
步骤1,利用区域分割方法对医学图像进行均等划分,分割出的各个区域都不重叠,获得大小相同的个区域分割图。设所使用的医学图像的像素大小是,将其进行图像分割为的局部块,其中每个分割图的像素大小是。对所有的数据库中的图像都进行此操作,因此将获得若干个局部区域风割图(如图2所示)。此操作主要是为了进一步提取图像中的局部特征信息,进而提升检索的精度。
步骤2,提取医学图像的各种特征。首先利用GLCM进行提取每个局部区域的纹理特征。设二维医学图像分割图,其大小为,灰度级别为,则灰度共生矩阵模型:,其中表示集合中元素的个数,为矩阵,若与间距离为,两者与坐标横轴的夹角为,则可以得到各种间距及角度的灰度共生矩阵。本发明选择最简单的,即表示相距为1的讲个灰度像素,表示以水平方向进行扫描。根据灰度共生矩阵导出以下几个特征:
特征T1:提取灰度共生矩阵的对比度:;
特征T2:提取灰度共生矩阵的相关性:;
特征T3:提取灰度共生矩阵的能量:;
特征T4:提取灰度共生矩阵的同质性:;
特征T5:提取灰度共生矩阵的熵:;
经过上述的GLCM特征提取,可以获得分割图的纹理特征向量;
提取了GLCM特征之后,其次提取分割图的形状特征,即边缘强度特征。如图3所示:设分割图,使用Sobel核运算对分割图进行卷积运算,Sobel算子的卷积核表示如下:
所以对于分割图的横向梯度以及纵向梯度可以分别表示为:,。最后该分割图中的每个像素的梯度向量为:。接着用表1量化整个分割图的边缘强度特征,然后计算该分割图获得的边缘强度特征矩阵的对角线之和作为表征该局部区域的边缘强度特征,即作为特征T6:,其中是进过边缘提取后的分割图矩阵的对角值。
表 边缘强度等级
量化 | 范围 | 类型 |
0 | 0-10% | 非边缘 |
1 | 10-40% | 弱边缘 |
2 | 40-70% | 中边缘 |
3 | 70-100% | 强边缘 |
提取边缘强度特征之后,接着提取PCA主成分特征。如图4所示:按列计算数据集的均值,令;计算协方差矩阵;计算协方差矩阵的特征值和相应的特征向量;将特征值按照从大到小进行排序,选择其中最大的(取累计贡献率=90%)个,然后将其对应的个特征向量分别作为列向量组成特征向量矩阵;计算,即将数据集投影到选取的特征向量上,即得到需要提取的PCA特征数据集;计算数据集的均值和方差作为特征T7和特征T8。
步骤3,根据步骤2提取的特征,融合成一个特征向量。首先,对于分割图,经过步骤2提取的检索特征向量可表示如下:
对于整张医学图像,其融合的特征向量为:
步骤4的具体内容是:根据欧式距离检索出在数据库中与检索图像相似的前10张图像,其中欧式距离为:,其中是检索的图像的特征向量,是数据库中的图像。
综上所述,本发明一种融合多种特征信息的医学图像检索方法,融合了由GLCM提取的对比度、相关性、能量、同质性、熵,边缘强度特征,以及由PCA提取的均值和方差的特征。充分融合了医学图像的纹理,形状和经过投影变换后得到的特征,充分利用医学图像多种特征信息的相关性和互补性。本发明在客观评价指标上,能够提升检索的精度。另外本发明解决了传统的CBIR中单一的特征检索问题,因此具有较高的使用价值。以上具体的实施方法仅说明本发明的技术思想,凡是按照本发明提出的技术思想,凡根据本发明思想进行的任何改动,均落入本发明保护范围。
Claims (6)
1.一种融合多种特征信息的医学图像检索方法,其特征是:包括如下步骤:
(1)利用区域分割方法对待检索的图像进行分割处理;
(2)提取待检索医学图像的纹理、形状、投影等多种特征数据;
(3)将提取出的所有特征进行融合,形成医学图像的检索特征向量;
(4)利用向量之间的欧式距离检索出相似的医学图像。
2.根据权利要求1所述的医学图像检索方法,其特征是:步骤(1)所述利用区域分割方法对待检索的图像进行分割处理的方法是:
利用区域分割算法对医学图像进行分割,分割出的各个区域不重叠,获得大小相同的区域分割图。
3.根据权利要求1所述的医学图像检索方法,其特征是:步骤(2)所述提取待检索医学图像的纹理、形状、投影等多种特征数据,其中各个特征数据的提取方法步骤如下:
1)利用灰度共生矩阵(GLCM)提取分割图的纹理特征:设二维医学图像分割图,其大小为,灰度级别为,则灰度共生矩阵模型:
,
其中表示集合中元素的个数,为矩阵,若与间距离为,两者与坐标横轴的夹角为,则可以得到各种间距及角度的灰度共生矩阵,根据灰度共生矩阵导出以下几个特征:
特征T1:取灰度共生矩阵的对比度:;
特征T2:取灰度共生矩阵的相关性:;
特征T3:取灰度共生矩阵的能量:;
特征T4:取灰度共生矩阵的同质性:;
特征T5:取灰度共生矩阵的熵:;
经过上述GLCM特征提取,可以获得分割图的纹理特征向量;
2)提取分割图的形状特征,即边缘强度特征:设分割图,使用Sobel核运算对分割图进行卷积运算,Sobel算子的卷积核表示如下:
所以对于分割图的横向梯度以及纵向梯度可以分别表示为:,;该分割图中的每个像素的梯度向量为:;用表1量化整个分割图的边缘强度特征,然后计算该分割图获得的边缘强度特征矩阵的对角线之和作为表征该局部区域的边缘强度特征,即作为特征T6:,其中是进过边缘提取后的分割图矩阵的对角值;
3)提取分割图的经过投影转换后的特征,利用主成分分析方法PCA对分割图进行提取特征。
4.根据权利要求2所述的医学图像检索方法,其特征是:步骤3)所述主成分分析方法PCA的实现步骤如下:
a.按列计算数据集的均值,令;
b.计算协方差矩阵;
c.计算协方差矩阵的特征值和相应的特征向量;
d.将特征值按照从大到小进行排序,选择其中最大的(取累计贡献率=90%)个,然后将其对应的个特征向量分别作为列向量组成特征向量矩阵;
e.计算,即将数据集投影到选取的特征向量上,即得到需要提取的PCA特征数据集
f.计算数据集的均值和方差作为特征T7和特征T8。
5.根据权利要求1所述的医学图像检索方法,其特征是:步骤(3)所述将提取出的所有特征进行融合,是:
首先,对于分割图,经过步骤(2)提取的检索特征向量可表示如下:
对于整张医学图像,其融合的特征向量为:
。
6.根据权利要求1所述的医学图像检索方法,其特征是:步骤(4)利用向量之间的欧式距离检索出相似的医学图像,是:
根据欧式距离检索出在数据库中与检索图像相似的前10张图像,其中欧式距离为:,其中是检索的图像的特征向量,是数据库中的图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811090931.XA CN109063208A (zh) | 2018-09-19 | 2018-09-19 | 一种融合多种特征信息的医学图像检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811090931.XA CN109063208A (zh) | 2018-09-19 | 2018-09-19 | 一种融合多种特征信息的医学图像检索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109063208A true CN109063208A (zh) | 2018-12-21 |
Family
ID=64762124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811090931.XA Pending CN109063208A (zh) | 2018-09-19 | 2018-09-19 | 一种融合多种特征信息的医学图像检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063208A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348457A (zh) * | 2019-06-25 | 2019-10-18 | 北京邮电大学 | 一种图像特征提取方法、提取装置、电子设备及存储介质 |
CN112287769A (zh) * | 2020-10-09 | 2021-01-29 | 江汉大学 | 一种人脸检测方法、装置、设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101350035A (zh) * | 2008-09-22 | 2009-01-21 | 北京理工大学 | 基于内容的三维模型检索方法试验平台 |
CN101539629A (zh) * | 2009-04-17 | 2009-09-23 | 南京师范大学 | 基于多特征证据融合与结构相似度的遥感图像变化检测方法 |
CN106897328A (zh) * | 2015-12-21 | 2017-06-27 | 苏宁云商集团股份有限公司 | 一种图像检索方法及装置 |
-
2018
- 2018-09-19 CN CN201811090931.XA patent/CN109063208A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101350035A (zh) * | 2008-09-22 | 2009-01-21 | 北京理工大学 | 基于内容的三维模型检索方法试验平台 |
CN101539629A (zh) * | 2009-04-17 | 2009-09-23 | 南京师范大学 | 基于多特征证据融合与结构相似度的遥感图像变化检测方法 |
CN106897328A (zh) * | 2015-12-21 | 2017-06-27 | 苏宁云商集团股份有限公司 | 一种图像检索方法及装置 |
Non-Patent Citations (2)
Title |
---|
HTTPS://WENKU.BAIDU.COM/VIEW/53E274A9F424CCBFF121DD36A32D7375A51: "基于PCA算法的人脸识别", 《百度文库》 * |
王小燕: "基于纹理和形状的医学图像检索技术研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348457A (zh) * | 2019-06-25 | 2019-10-18 | 北京邮电大学 | 一种图像特征提取方法、提取装置、电子设备及存储介质 |
CN110348457B (zh) * | 2019-06-25 | 2021-09-21 | 北京邮电大学 | 一种图像特征提取方法、提取装置、电子设备及存储介质 |
CN112287769A (zh) * | 2020-10-09 | 2021-01-29 | 江汉大学 | 一种人脸检测方法、装置、设备和存储介质 |
CN112287769B (zh) * | 2020-10-09 | 2024-03-12 | 江汉大学 | 一种人脸检测方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jog et al. | Random forest regression for magnetic resonance image synthesis | |
Neubert et al. | Automated detection, 3D segmentation and analysis of high resolution spine MR images using statistical shape models | |
Robbins et al. | Tuning and comparing spatial normalization methods | |
Li et al. | Glioma segmentation with a unified algorithm in multimodal MRI images | |
O’Donnell et al. | White matter tract clustering and correspondence in populations | |
Bozorgtabar et al. | Sparse coding based skin lesion segmentation using dynamic rule-based refinement | |
Zhang et al. | Dictionary pruning with visual word significance for medical image retrieval | |
CN104376147A (zh) | 基于图像的风险分数-来自数字组织病理学的存活率和结果的预后预估 | |
Doran et al. | Breast MRI segmentation for density estimation: Do different methods give the same results and how much do differences matter? | |
CN110910405A (zh) | 基于多尺度空洞卷积神经网络的脑肿瘤分割方法及系统 | |
Belkacem-Boussaid et al. | Automatic detection of follicular regions in H&E images using iterative shape index | |
Liu et al. | Multimodal MRI brain tumor image segmentation using sparse subspace clustering algorithm | |
Arpitha et al. | Computational techniques to segment and classify lumbar compression fractures | |
Jaffar et al. | Ensemble classification of pulmonary nodules using gradient intensity feature descriptor and differential evolution | |
Xu et al. | Mammographic mass segmentation using multichannel and multiscale fully convolutional networks | |
CN106778793A (zh) | 一种影像特征的可重复性测量方法及装置 | |
Hasan | A hybrid approach of using particle swarm optimization and volumetric active contour without edge for segmenting brain tumors in MRI scan | |
Ge et al. | Unsupervised histological image registration using structural feature guided convolutional neural network | |
Ma et al. | Random walk based segmentation for the prostate on 3D transrectal ultrasound images | |
Feng et al. | Automatic localization and segmentation of focal cortical dysplasia in FLAIR‐negative patients using a convolutional neural network | |
CN109063208A (zh) | 一种融合多种特征信息的医学图像检索方法 | |
Ramana | Alzheimer disease detection and classification on magnetic resonance imaging (MRI) brain images using improved expectation maximization (IEM) and convolutional neural network (CNN) | |
CN106709925A (zh) | 医学图像中椎块的定位方法及其装置 | |
Kelly et al. | Extracting complex lesion phenotypes in Zea mays | |
Krivov et al. | MRI augmentation via elastic registration for brain lesions 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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |
|
RJ01 | Rejection of invention patent application after publication |