CN109376802B - 一种基于字典学习的胃镜器官分类方法 - Google Patents
一种基于字典学习的胃镜器官分类方法 Download PDFInfo
- Publication number
- CN109376802B CN109376802B CN201811515946.6A CN201811515946A CN109376802B CN 109376802 B CN109376802 B CN 109376802B CN 201811515946 A CN201811515946 A CN 201811515946A CN 109376802 B CN109376802 B CN 109376802B
- Authority
- CN
- China
- Prior art keywords
- dictionary
- training
- class
- image
- test
- 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
- 210000000056 organ Anatomy 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 72
- 238000012360 testing method Methods 0.000 claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000004927 fusion Effects 0.000 claims description 8
- 230000001413 cellular effect Effects 0.000 claims description 3
- 230000002496 gastric effect Effects 0.000 abstract description 5
- 238000002474 experimental method Methods 0.000 description 8
- 210000001035 gastrointestinal tract Anatomy 0.000 description 6
- 239000002775 capsule Substances 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000001839 endoscopy Methods 0.000 description 4
- 210000002784 stomach Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 210000002318 cardia Anatomy 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 210000001198 duodenum Anatomy 0.000 description 2
- 210000003238 esophagus Anatomy 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 210000004051 gastric juice Anatomy 0.000 description 2
- 238000002575 gastroscopy Methods 0.000 description 2
- 210000001187 pylorus Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000018522 Gastrointestinal disease Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000009098 adjuvant therapy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000002498 deadly effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000000813 small intestine Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
一种基于字典学习的胃镜器官分类方法，首先将原始图像进行预处理，进而从图像数据中提取颜色和纹理特征并融合，构建了测试集和多类训练集，建立K次奇异值分解字典学习模型，并将多类训练集矩阵输入模型进行求解，迭代更新，分别训练出多类字典；再将测试集分别在多类字典下通过正交匹配追踪算法得到稀疏系数，进而算出在每类字典下重构出的测试集；最后，构建均方误差分类器，通过比较重构出的测试集与原测试集的均方误差，进行多类器官的分类。本发明可以实现肠胃内窥镜不同器官的分类；能有效进行内窥镜器官分类。
Description
技术领域
本发明涉及肠胃内窥镜图像的器官分类技术，特别涉及一种基于字典学习的胃镜器官分类方法。
背景技术
目前越来越多的人遭受肠胃疾病的困扰，八种最致命的癌症中有三种癌症就在肠胃中，并每年的致死病例也只高不减。内窥镜检查作为胃肠道研究的黄金标准，已广泛应用于医院对肠胃的早期检测和辅助治疗，能有效降低病发率和死亡率。
在无线胶囊内窥镜检查出现之前，胃肠道检查主要依赖于传统的手持式胃镜，但是在患者必须承受很痛苦的同时，因为手持式胃镜自身的侵入性，为保安全也难以准确获取整个胃肠道的情况。因此无线胶囊内窥镜作为新的无痛无创的技术，不仅降低了患者做传统胃镜需面临的风险，还能检测到整个胃肠道的状态，包括手持式内镜难以到达的小肠区域。
然而，无论是传统的胃镜检查还是无线胶囊内窥镜，每次诊断都会产生大量图像数据。在8小时检查过程中，胶囊产生大约50,000张图像，临床医生需要花费大量精力和时间才能在进行诊断之前从巨大的图像数据集中区分出器官部位，找到病变图像。工作量不言而喻，而提出辅助医生诊断治疗的方法则具有重大意义。那么，胃肠道器官之间的快速和自动区分将为医生提供便利，针对不同部位，对其特定的疾病进行分析。同时，医生也可在进行校验对比时，快速回到需要复查的器官集中。
发明内容
为了克服现有技术无法有效分类的不足，本发明提出一种基于字典学习的胃镜图像器官分类方法，通过结合多类图像的字典学习、图像特征的稀疏表示和重构的误差对比，构建基于在多类字典下的均方误差分类器，可以实现肠胃内窥镜不同器官的分类；能有效进行内窥镜器官分类。
为了解决上述技术问题提出的技术方案如下：
一种基于字典学习的胃镜器官分类方法，所述方法包括如下步骤：
步骤1：获取内窥镜拍摄的图像，由五类不同的胃镜部位组成；
步骤2：对获取的胃镜图像进行预处理，过程如下：
2.1提取出整张胃镜图的组织区，去除背景区；
2.2去除因内镜摄像头拍摄造成的亮斑和暗区，避免人工造成的纹理或颜色特征；
步骤3：提取图像的颜色特征和纹理特征，过程如下：
3.1在色相-饱和度-明度(Hue-Saturation-Value，HSV)颜色空间下，采用颜色直方图算法(Color Histogram，CH)提取图像的颜色特征，分别对色相、饱和度、明度三个通道的值进行量化，形成颜色直方图作为图像的颜色特征；
3.2在色相-饱和度-明度颜色空间的色相通道下，采用均匀局部二值模式(Uniform Local Binary Patterns，ULBP)算法提取图像的纹理特征；
步骤4：图像特征融合：
归一化步骤3提取的两类特征并融合得到新的特征，同时保证最后的特征矩阵中每列表示每张图像的特征；
步骤5：分配训练集和测试集，方法如下：
将每类图像的特征集，分为训练集和测试集，从每类图像的所有特征集中，随机抽取一定的数量作为测试集，剩下的作为训练集，以保证训练的遍历性，避免过拟合情况发生；最后得到训练集
和测试集
T为五类训练集矩阵组成的元胞，Y为五类测试集合并的矩阵；
步骤6：训练字典：
对五类训练集分别进行K次奇异值分解(K times Singular ValueDecomposition,K-SVD)字典学习得到五个字典，步骤如下：
6.1输入用于训练的特征集T；
6.2对于每类特征集，通过K次奇异值分解字典学习算法训练字典：
其中，Tj为元胞T中的第j类训练集，Dj为第j类训练集对应的字典，Xj为第j 类训练集在第j类字典下的稀疏表示系数，xi为稀疏表示稀疏矩阵的每一列元素， K为稀疏度，N为字典的原子数，j为器官类别数；
在使用K次奇异值分解算法的过程中，首先要赋予字典Dj一个初始字典，使用过完备的离散余弦变换(Discrete Cosine Transform，DCT)字典，然后用正交匹配追踪(Orthogonal Matching Pursuit，OMP)算法求解在每类字典下的稀疏表示：
其中，Tj为元胞T中的第j类训练集，Dj为第j类训练集对应的字典，Xj为第j 类训练集在第j类字典下的稀疏表示系数，xi为稀疏表示稀疏矩阵的每一列元素， K为稀疏度，j为器官类别数；
6.3进行迭代更新，更新每一类的字典Dj，如果迭代次数小于设定的迭代阈值，那么返回6.2，否则停止迭代，并得到最终训练所得的第j类字典Dj；
6.4重复6.2和步骤6.3，直到所有类别的字典全部训练完成，最终得到字典 Dj组成的元胞
步骤7：对测试集进行稀疏表示及重构，步骤如下：
7.1输入测试集矩阵Y和字典的元胞D；
7.2测试集Y分别在每类字典下进行稀疏表示：
其中，Dj为第j类图像训练的字典矩阵，Y为测试集矩阵，Sj为测试集在每类字典下的稀疏表示，j为器官类别数；
解出得到五个稀疏系数矩阵组成的元胞
7.3估计的测试数据，由字典Dj与其对应的稀疏系数相乘，得到:
其中，
为在五类重构的测试数据组成的元胞，
为第j类字典下重构的测试数据，
为测试集中第j类测试数据在第j类重构数据
中的值，j为字典类别数；
步骤8：构建均方误差(Mean Squared Error，MSE)分类器：同一类测试数据，对应五类不同的训练字典恢复的重构数据，计算各自的均方误差；在同类之间与异类之间会具有明显差异的均方误差，根据这种差异可以进行分类，将不同类别的器官区分出来。
相比于现有技术，本发明的有益效果表现在：
a.本发明提出了器官分类算法辅助医生进行肠胃镜检查，有效缩短诊断时间，减轻工作负担；
b.本发明提供了一种胃镜器官分类的新思路，基于压缩感知理论，对为不同器官单独进行字典训练；
c.本发明设计了胃镜器官分类中一种新的分类方法，设计对应的字典后，对测试图像进行分别比对，找出最可能正确的字典，从而确定预测的器官。基于均方误差指标的分类器，有效反映估计量与被估计量之间差异程度，相比较仅通过不同字典下稀疏系数的分布情况更可靠、有效；
d.本发明融合了颜色特征和纹理特征，根据临床医生的经验表明，颜色特征能有效区分器官，但在某些器官上区分度仍有局限。融合了纹理特征，能有效增强分类准确率；
e.本发明利用了一种适合常见手持式/胶囊胃镜的图像预处理方法，其中包含了去除背景、暗区和光斑，减少了无用信息造成的干扰。
附图说明
图1为本发明的字典学习系统框架图；
图2是本发明的图像预处理方法流程图；
图3是本发明的预处理效果图；
图4是本发明的多类字典学习及稀疏重构的详细流程图。
图5是本发明的分类思路使用融合特征及其他特征在不同字典列数下的精准度结果；
图6是本发明的分类思路使用融合特征及其他特征在不同字典列数下的召回率结果。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1～图6，一种基于字典学习的胃镜器官分类方法，所述方法包括如下步骤：
步骤1：获取内窥镜拍摄的图像，由五类不同的胃镜部位组成，包括食道、贲门、胃、幽门和十二指肠，每个部位的图像数量相同；
步骤2：在肠胃镜检查中直接获取的图像，通常不是直接的人体器官图像，会包含很多干扰信息和无用区域，如患者信息，仪器信息，图像边框等。而器官图像上也有很多干扰因素，如气泡，胃液和摄像头拍摄造成的高亮和阴暗区域等。所以需对获取的胃镜图像进行预处理，过程如下：
2.1提取出整张胃镜图的组织区，去除背景区；
2.2去除因内镜摄像头拍摄造成的亮斑和暗区，避免人工造成的纹理或颜色特征；
步骤3：提取图像的颜色特征和纹理特征，过程如下：
3.1在色相-饱和度-明度颜色空间下，采用颜色直方图算法提取图像的颜色特征，分别对色相、饱和度、明度三个通道的值进行量化，然后进行统计形成颜色直方图作为图像的颜色特征；
3.2在色相-饱和度-明度颜色空间的色相通道下，采用均匀局部二值模式算法提取图像的纹理特征，因为有研究表明对于肠胃镜图像的纹理特征，色相通道相比于其他通道或者灰度图提取的特征更具有辨别性；
步骤4：图像特征融合，如下：
单一的特征往往不能很好地体现出图像的性质，容易使结果出现偏差，融合颜色和纹理特征才能让特征更有判别性。然而，不同的特征提取方法，量纲大小不同。因此，分别进行归一化，使特征进行无偏向的融合，同时归一化后的特征也保证了在面对明暗变化时的鲁棒性；
融合后的新特征，其矩阵行数表示特征维数，列数表示图像数，即每列表示每张图像的特征；
步骤5：分配训练集和测试集，如下：
将每类图像的特征集，分为训练集和测试集，从每类图像的所有特征集中，随机抽取一定的数量作为测试集，剩下的作为训练集，以保证训练的遍历性，避免过拟合情况发生；最后得到训练集
和测试集
T为五类训练集矩阵组成的元胞，Y为五类测试集合并的矩阵；
步骤6：训练字典：
对五类训练集分别进行字典学习得到五个字典，步骤如下：
6.1输入用于训练的特征集T；
6.2对于每类特征集，通过K次奇异值分解字典学习算法训练字典：
其中，Tj为元胞T中的第j类训练集，Dj为第j类训练集对应的字典，Xj为第j 类训练集在第j类字典下的稀疏表示系数，xi为稀疏表示稀疏矩阵的每一列元素， K为稀疏度，N为字典的原子数，j为器官类别数；
在使用K次奇异值分解算法的过程中，首先要赋予字典Dj一个初始字典，使用过完备离散余弦变换字典，然后用正交匹配追踪贪婪算法求解在每类字典下的稀疏表示：
其中，Tj为元胞T中的第j类训练集，Dj为第j类训练集对应的字典，Xj为第j 类训练集在第j类字典下的稀疏表示系数，xi为稀疏表示稀疏矩阵的每一列元素， K为稀疏度，j为器官类别数；
6.3进行迭代更新，更新每一类的字典Dj，如果迭代次数小于设定的迭代阈值，那么返回6.2，否则停止迭代，并得到最终训练所得的第j类字典Dj；
6.4重复6.2和步骤6.3，直到所有类别的字典全部训练完成，最终得到字典 Dj组成的元胞
步骤7：对测试集进行稀疏表示及重构，步骤如下：
7.1输入测试集矩阵Y和字典的元胞D；
7.2测试集Y分别在每类字典下进行稀疏表示：
其中，Dj为第j类图像训练的字典矩阵，Y为测试集矩阵，Sj为测试集在每类字典下的稀疏表示，j为器官类别数；
解出得到五个稀疏系数矩阵组成的元胞
7.3估计的测试数据，由字典Dj与其对应的稀疏系数相乘，得到:
其中，
为在五类重构的测试数据组成的元胞，
为第j类字典下重构的测试数据，
为测试集中第j类测试数据在第j类重构数据
中的值，j为字典类别数；
步骤8：构建均方误差分类器：同一类测试数据，对应五类不同的训练字典恢复的重构数据，计算各自的均方误差；在同类之间与异类之间会具有明显差异的均方误差，根据这种差异可以进行分类，将不同类别的器官区分出来。
预处理方法流程如图2所示，对于在肠胃镜检查中直接获取的胃镜图像，通常不是直接的人体器官图像，大致包含两大块区域：背景区域和组织区。背景区常带有患者信息，仪器信息，图像边框等，而组织区上也有很多干扰因素，如胃液和摄像头拍摄造成的暗区和光斑。首先，原图在转化为灰度图像后，寻找最大连通域来确定组织区，再根据边界点从原图中切割出彩色的组织区。然后，将组织区转化到色相-饱和度-明度颜色空间，分别在饱和度和明度通道下，通过阈值分割，去除图像的光斑区和暗区。阈值的选取是依据经验和多次测试的结果，在本发明中饱和度和明度的阈值分别为0.4和0.8。
预处理的效果图如图3所示，(a)是一张处于胃部的原始胃镜图像；(b) 是提取的组织区；(c)是组织区去暗区；(d)是组织区去光斑；(e) 是最终处理图。可见本发明的预处理方法可有效提取组织区，并去除光斑和暗区，降低干扰因素对特征提取的干扰。
如图4所示，为多类字典学习及稀疏重构的详细流程图。用同样的测试数据，对应五类不同的训练字典得到五类不同的重构数据。分别计算原测试数据与每一类重构数据的均方误差，而在同类图像与异类图像之间，均方误差会有明显差异。根据这种差异，可以对测试集进行分类，将不同类别的器官区分出来。
为验证本发明的有效性，通过仿真进行说明：
胃镜数据集由五类不同的胃镜部位组成，包括食道、贲门、胃、幽门和十二指肠，每个部位的图像数量相同，各有736张。其中，每类图像随机抽取100张作为测试图像，其余636张作为训练图像。实验结果以精确度和召回率作为评判标准。
实验1，通过本发明提出的分类方法对胃镜图像进行分类。实验中字典训练时稀疏度为5，字典的原子数为300。多次实验取平均值，如表1所示，表1是本发明的器官分类方法在肠胃镜图像中的分类结果，包括精准度和召回率；
表1
以本发明提出的分类方法，每个部位的平均精确率和平均召回率均可达到 96％以上，同时方差并未相差过大，证明了本发明的有效性和可靠性。
实验2，对单一的颜色特征或纹理特征，与本发明提出的融合特征进行比较。实验中字典训练时稀疏度为5，字典的原子数为300。如表2所示，表2是本发明的器官分类方法与其他特征在肠胃镜图像中分类结果比较，包括平均精准率和平均召回率；
表2
本发明提出的融合特征在准确率和召回率上均可获得较高结果。
本发明在进行实验验证时，需要考虑以下因素：
1)测试图像在分配时，训练样本的个数要大于测试集，目的是为了从整个数据集中学习到更广泛的结构，避免训练出现偏差；
2)训练样本的个数要远远大于总体类别数，保证训练样本的高度相关性；
3)在训练字典的过程中，需要考虑字典列数对结果的影响。
因此，本发明还进行了对字典列数的讨论，实验3的对象与实验2相同，对五种选取的特征进行测试，分别得到不同字典列数下精确度和召回率的比较结果。如图5和图6所示，不同的特征下，字典列数对结果的影响各有不同。但对于本发明选取的融合特征，在字典列数较小的时候可以获得更高的精确度和召回率。同时，相比于较大的字典，可以减轻复杂度和减少训练时间。
另外，图5和图6也进一步地反映出，在各个字典列数下，本发明提出的融合特征均可以获得更高的精确度和召回率。
本实施例的方案并非直接用于人体对象，其方法的直接目的也不是疾病的诊断，仅是实现基于字典学习的胃镜图像分类。
Claims (1)
1.一种基于字典学习的胃镜器官分类方法，其特征在于：所述方法包括如下步骤：
步骤1：获取内窥镜拍摄的图像，由五类不同的胃镜部位组成；
步骤2：对获取的胃镜图像进行预处理，过程如下：
2.1提取出整张胃镜图的组织区，去除背景区；
2.2去除因内镜摄像头拍摄造成的亮斑和暗区，避免人工造成的纹理或颜色特征；
步骤3：提取图像的颜色特征和纹理特征，过程如下：
3.1在色相-饱和度-明度颜色空间下，采用颜色直方图算法提取图像的颜色特征，分别对色相、饱和度、明度三个通道的值进行量化，形成颜色直方图作为图像的颜色特征；
3.2在色相-饱和度-明度颜色空间的色相通道下，采用均匀局部二值模式算法提取图像的纹理特征；
步骤4：图像特征融合，如下：
归一化步骤3提取的两类特征并融合得到新的特征，同时保证最后的特征矩阵中每列表示每张图像的特征；
步骤5：分配训练集和测试集，如下：
将每类图像的特征集，分为训练集和测试集，从每类图像的所有特征集中，随机抽取一定的数量作为测试集，剩下的作为训练集，以保证训练的遍历性，避免过拟合情况发生；最后得到训练集
和测试集
T为五类训练集矩阵组成的元胞，Y为五类测试集合并的矩阵；
步骤6：训练字典：
对五类训练集分别进行K次奇异值分解字典学习得到五个字典，步骤如下：
6.1输入用于训练的特征集T；
6.2对于每类特征集，通过K次奇异值分解字典学习算法训练字典：
其中，Tj为元胞T中的第j类训练集，Dj为第j类训练集对应的字典，Xj为第j类训练集在第j类字典下的稀疏表示系数，xi为稀疏表示稀疏矩阵的每一列元素，k为稀疏度，N为字典的原子数，j为器官类别数；
在使用K次奇异值分解算法的过程中，首先要赋予字典Dj一个初始字典，使用过完备的离散余弦变换字典，然后用正交匹配追踪算法求解在每类字典下的稀疏表示：
其中，Tj为元胞T中的第j类训练集，Dj为第j类训练集对应的字典，Xj为第j类训练集在第j类字典下的稀疏表示系数，xi为稀疏表示稀疏矩阵的每一列元素，k为稀疏度，j为器官类别数；
6.3进行迭代更新，更新每一类的字典Dj，如果迭代次数小于设定的迭代阈值，那么返回6.2，否则停止迭代，并得到最终训练所得的第j类字典Dj；
6.4重复6.2和步骤6.3，直到所有类别的字典全部训练完成，最终得到字典Dj组成的元胞
步骤7：对测试集进行稀疏表示及重构，步骤如下：
7.1输入测试集矩阵Y和字典的元胞D；
7.2测试集Y分别在每类字典下进行稀疏表示：
其中，Dj为第j类训练集对应的字典，Y为测试集矩阵，Sj为测试集在每类字典下的稀疏表示，j为器官类别数；
解出得到五个稀疏系数矩阵组成的元胞
7.3估计的测试数据，由字典Dj与其对应的稀疏系数相乘，得到:
其中，
为重构的五类测试数据组成的元胞，
为第j类字典下重构的测试数据，
为测试集中第j类测试数据在第j类重构数据
中的值，j为字典类别数；
步骤8：构建均方误差分类器：同一类测试数据，对应五类不同的训练字典恢复的重构数据，计算各自的均方误差；在同类之间与异类之间会具有明显差异的均方误差，根据这种差异可以进行分类，将不同类别的器官区分出来。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811515946.6A CN109376802B (zh) | 2018-12-12 | 2018-12-12 | 一种基于字典学习的胃镜器官分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811515946.6A CN109376802B (zh) | 2018-12-12 | 2018-12-12 | 一种基于字典学习的胃镜器官分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109376802A CN109376802A (zh) | 2019-02-22 |
| CN109376802B true CN109376802B (zh) | 2021-08-03 |
Family
ID=65373485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811515946.6A Active CN109376802B (zh) | 2018-12-12 | 2018-12-12 | 一种基于字典学习的胃镜器官分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109376802B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111489369B (zh) * | 2020-03-24 | 2024-02-13 | 玖壹叁陆零医学科技南京有限公司 | 幽门螺杆菌的定位方法、装置和电子设备 |
| CN111667453A (zh) * | 2020-04-21 | 2020-09-15 | 浙江工业大学 | 一种基于局部特征和类标嵌入约束字典学习的胃肠镜图像异常检测方法 |
| CN112837275B (zh) * | 2021-01-14 | 2023-10-24 | 长春大学 | 胶囊内窥镜图像器官分类方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105095863A (zh) * | 2015-07-14 | 2015-11-25 | 西安电子科技大学 | 基于相似性权值的半监督字典学习的人体行为识别方法 |
| CN105574540A (zh) * | 2015-12-10 | 2016-05-11 | 中国科学院合肥物质科学研究院 | 一种基于非监督学习技术的害虫图像特征学习与自动分类方法 |
| CN105844223A (zh) * | 2016-03-18 | 2016-08-10 | 常州大学 | 一种类别特色字典和共享字典学习的人脸表示算法 |
| CN106845551A (zh) * | 2017-01-24 | 2017-06-13 | 湘潭大学 | 一种组织病理图像识别方法 |
-
2018
- 2018-12-12 CN CN201811515946.6A patent/CN109376802B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105095863A (zh) * | 2015-07-14 | 2015-11-25 | 西安电子科技大学 | 基于相似性权值的半监督字典学习的人体行为识别方法 |
| CN105574540A (zh) * | 2015-12-10 | 2016-05-11 | 中国科学院合肥物质科学研究院 | 一种基于非监督学习技术的害虫图像特征学习与自动分类方法 |
| CN105844223A (zh) * | 2016-03-18 | 2016-08-10 | 常州大学 | 一种类别特色字典和共享字典学习的人脸表示算法 |
| CN106845551A (zh) * | 2017-01-24 | 2017-06-13 | 湘潭大学 | 一种组织病理图像识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| "Gastroscopy Image Compression with Dictionary Selection and 1-bit Sensing Matrix";Cheng Cheng等;《2018 IEEE 23rd International Conference on Digital Signal Processing (DSP)》;20181121;第1-5页 * |
| "基于稀疏表示的胃部CT图像淋巴结检测与识别";王辰娇;《中国优秀硕士学位论文全文数据库工程科技辑》;20141115;第23-29页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109376802A (zh) | 2019-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106934799B (zh) | 胶囊内窥镜图像辅助阅片系统及方法 | |
| CN109376802B (zh) | 一种基于字典学习的胃镜器官分类方法 | |
| CN111667453A (zh) | 一种基于局部特征和类标嵌入约束字典学习的胃肠镜图像异常检测方法 | |
| US9317761B2 (en) | Method and an apparatus for determining vein patterns from a colour image | |
| CN109635871B (zh) | 一种基于多特征融合的胶囊内窥镜图像分类方法 | |
| CN110600122A (zh) | 一种消化道影像的处理方法、装置、以及医疗系统 | |
| CN110367913B (zh) | 无线胶囊内窥镜图像幽门和回盲瓣定位方法 | |
| Aburaed et al. | Deep convolutional neural network (DCNN) for skin cancer classification | |
| KR20200038121A (ko) | 실시간으로 획득되는 위 내시경 이미지를 기반으로 위 병변을 진단하는 내시경 장치 및 방법 | |
| CN113989284B (zh) | 一种幽门螺杆菌辅助检测系统及检测装置 | |
| Sabbaghi et al. | A deep bag-of-features model for the classification of melanomas in dermoscopy images | |
| US11875892B2 (en) | Segmentation of medical images | |
| CN114565613B (zh) | 基于有监督深度子空间学习的胰腺术后糖尿病预测系统 | |
| EP4330859A1 (en) | Method and apparatus for processing of multi-modal data | |
| CN105069131A (zh) | 基于视觉词汇和局部描述符的胶囊内镜图像检索方法 | |
| CN111341441A (zh) | 一种肠胃科病模型构建方法及诊断系统 | |
| Srivastava et al. | Deep learning for detecting diseases in gastrointestinal biopsy images | |
| CN111784669B (zh) | 一种胶囊内镜图像多病灶检测方法 | |
| Tolentino et al. | Detection of circulatory diseases through fingernails using artificial neural network | |
| CN116188466A (zh) | 医疗器械体内停留时长确定方法和装置 | |
| Oz et al. | Efficacy of biophysiological measurements at FTFPs for facial expression classification: A validation | |
| Brzeski et al. | An overview of image analysis techniques in endoscopic bleeding detection | |
| Wulandari et al. | Evaluation of wavelet transform preprocessing with deep learning aimed at palm vein recognition application | |
| Sanubary | Brain Tumor Detection Using Backpropagation Neural Networks | |
| Joshi Manisha et al. | Computerized pragmatic assessment of Prakriti Dosha using tongue images-Pilot study |
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 |