CN111832574A - 用于检测人乳头瘤状病毒感染性病变的图像识别方法 - Google Patents

用于检测人乳头瘤状病毒感染性病变的图像识别方法 Download PDF

Info

Publication number
CN111832574A
CN111832574A CN202010671310.1A CN202010671310A CN111832574A CN 111832574 A CN111832574 A CN 111832574A CN 202010671310 A CN202010671310 A CN 202010671310A CN 111832574 A CN111832574 A CN 111832574A
Authority
CN
China
Prior art keywords
lesion
image
sample image
particle
lesion sample
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
CN202010671310.1A
Other languages
English (en)
Other versions
CN111832574B (zh
Inventor
孙蓬明
陈建翠
柳培忠
阮冠宇
顾培婷
董滨华
杜永兆
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.)
Fujian Maternal And Child Care Service Centre
Original Assignee
Fujian Maternal And Child Care Service Centre
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 Fujian Maternal And Child Care Service Centre filed Critical Fujian Maternal And Child Care Service Centre
Priority to CN202010671310.1A priority Critical patent/CN111832574B/zh
Publication of CN111832574A publication Critical patent/CN111832574A/zh
Application granted granted Critical
Publication of CN111832574B publication Critical patent/CN111832574B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及图像识别技术领域，具体涉及一种用于检测人乳头瘤状病毒感染性病变的图像识别方法。本方法包括以下步骤：采集病变样本图像；对所述病变样本图像进行预处理；采用粒子群模糊C均值法将预处理后的所述病变样本图像分割为多个区域；通过特征点检测器构造所述病变样本图像分割区域的病变特征；采用双向匹配法对待检测图像区域进行病变识别。本申请的技术方案，针对采集的阴道镜图像，可实现一种高效、精准的图像检测方法作为辅助诊断工具用于人乳头瘤状病毒感染性病变筛查。

Description

用于检测人乳头瘤状病毒感染性病变的图像识别方法
技术领域
本申请涉及图像识别技术领域，具体涉及一种用于检测人乳头瘤状病毒感染性病变的图像识别方法。
背景技术
宫颈癌是我国最常见的妇科恶性肿瘤之一，其发病率仅次于乳腺癌，高居女性恶性肿瘤的第二位，严重影响女性人群的身心健康。全球每年宫颈癌新发病例达528,000例，其中死亡例数266,000例。中国大陆地区宫颈癌每年新发病例97,500例，约占全球病例五分之一，每年因宫颈癌死亡病例30,500例。随着宫颈癌的发病人数与死亡人数的逐年增加，而且发病人群呈现年轻化，宫颈病变/宫颈癌的防治与诊疗显得极为重要。
人类乳头瘤病毒(HPV)是一种属于乳多空病毒科的乳头瘤空泡病毒A属，是球形DNA病毒，该类病毒主要感染人体的表皮与黏膜组织。目前约有170种类型的HPV被鉴定出来，其中有些类型的HPV入侵人体后会引起疣或癌症，但其他则没有任何症状。HPV的感染是造成子宫颈癌的主因之一，经研究，99.7％的宫颈癌都是因感染HPV所造成。
由于宫颈癌筛查的整体过程复杂性高并且成本昂贵，往往导致在资源匮乏地区无法普及较为先进的宫颈癌筛查技术，因此在欠发达地区宫颈癌的发病率和死亡率仍然很高。目前，阴道镜检查已成为临床上筛查早期宫颈癌的重要步骤之一，且直接影响患者的诊疗方案，针对患者是否被人乳头瘤状病毒感染还主要根据阴道镜图像依靠经验进行判断，无法迅速及准确的判断细胞是否被HPV感染的问题。随着人工智能的飞速发展，相关技术已经逐步应用于宫颈癌临床图像、阴道镜图像的识别分析过程中，用于辅助诊断，提高检测效率和准确性。因此，针对采集的阴道镜图像，如何实现一种高效、精准的图像检测方法作为辅助诊断工具用于人乳头瘤状病毒感染性病变筛查，是亟需解决的一个问题。
发明内容
本发明的目的之一在于提供一种用于检测人乳头瘤状病毒感染性病变的图像识别方法，根据自适应图像增强技术预处理宫颈图像，利用粒子群模糊C均值算法有效分割感兴趣区域，通过角点检测器结合顺序排列方法构造病变特征，再利用双向匹配方法，实现病变区域的准确检测识别。
为了解决上述技术问题，本发明提供了一种用于检测人乳头瘤状病毒感染性病变的图像识别方法，包括以下步骤：
步骤1、采集病变样本图像；
步骤2、对所述病变样本图像进行预处理；
步骤3、采用粒子群模糊C均值法将预处理后的所述病变样本图像分割为多个区域；
步骤4、通过特征点检测器构造所述病变样本图像分割区域的病变特征；
步骤5、采用双向匹配法对待检测图像区域进行病变识别。
进一步地，所述“步骤2、对所述病变样本图像进行预处理”，包括以下步骤：
步骤21、对所述病变样本图像进行归一化处理；
步骤22、对所述病变样本图像进行自适应增强滤波处理。
进一步地，所述“步骤3、采用粒子群模糊C均值法将预处理后的所述病变样本图像分割为多个区域”，包括以下步骤：
步骤31、初始化粒子群并设置参数；所述粒子群由d个粒子组成，任一所述粒子由所述病变样本图像的像素灰度值集合中随机抽取c个聚类中心样本组成；设置优秀粒子数为k，模糊因子为m，收敛精度为ε，迭代次数上限T以及迭代次数t的初始值；
步骤32、计算每个粒子的隶属度矩阵U＝{uij，0<i≤n,0<j≤c}，其中，c为每个粒子中的聚类中心样本数目，n为所述病变样本图像的像素点个数，i、j为整数，uij表示所述病变样本图像的第i个像素点属于当前粒子第j个聚类中心样本的隶属度值，计算方式为：
Figure BDA0002582402740000021
xi表示所述病变样本图像的第i个像素点的灰度值，vj表示当前粒子中第j个聚类中心样本的灰度值，vk表示当前粒子中第k个聚类中心样本的灰度值，m为模糊因子；
步骤33、计算每个粒子的适应度，计算公式为：
Figure BDA0002582402740000022
其中，c为每个粒子中的聚类中心样本数目，n为所述病变样本图像的像素点个数，m为模糊因子，xi表示所述病变样本图像的第i个像素点的灰度值，uij表示所述病变样本图像的第i个像素点属于当前粒子第j个聚类中心样本的隶属度值，vj表示当前粒子中第j个聚类中心样本的灰度值；
步骤34、更新每个粒子的个体最优位置pbesti并从所有粒子的个体最优位置中选取最优位置作为所述粒子群的全局最优位置pg；所述每个粒子的个体最优位置pbesti更新公式为：
Figure BDA0002582402740000031
其中，t为当前迭代次数，Xi为第i个粒子的位置，f为适应度值计算函数。
步骤35、将所述粒子群中所有的粒子按照适应度值从高到低排序，从前k个粒子中随机抽取一个粒子作为优秀粒子，根据优秀粒子更新所有粒子的位置，计算公式为：
Figure BDA0002582402740000032
其中，Xi为第i个粒子的位置，α为收缩膨胀因子，计算方式为
Figure BDA0002582402740000033
t为当前迭代次数，T为迭代次数上限值，EP表示所述优秀粒子的最优位置，pi表示第i个粒子的吸引子，计算公式为pi＝a*pbesti+(1-a)*gbest，其中a是大于0且小于1的一个随机数，d为大于0且小于1的一个随机数；
步骤36、若相邻两次迭代隶属度矩阵的误差值小于收敛精度ε或者当前迭代次数t大于迭代次数上限值T，则执行步骤38，否则，跳至步骤37继续执行；
步骤37、设置t＝t+1，跳至步骤32继续执行；
步骤38、从所述粒子群中选取最佳粒子，计算所述病变样本图像中每个像素点到所述最佳粒子中每个聚类中心样本的隶属度，根据最大隶属度原则，确定所述病变样本图像中每个像素点的归属，输出最终的图像分割结果。
进一步地，所述“步骤4、通过特征点检测器构造所述病变样本图像分割区域的病变特征”，包括以下步骤：
步骤41、采用FAST特征点检测器从所述病变样本图像分割区域检测出特征点；
步骤42、计算所述特征点的方向向量；
步骤43、利用BRISK采样方式从所述特征点周围进行像素点采样；
步骤44、使用特征点的所述方向向量对采样的像素点进行调整；
步骤45、根据调整后的像素点构造每个所述特征点的描述子，得到所述病变样本图像分割区域的病变特征。
进一步地，所述“步骤42、计算所述特征点的方向向量”，包括以下步骤：
步骤421、计算所述病变样本图像分割区域的灰度质心坐标，计算公式为：
Figure BDA0002582402740000041
其中，τpq为所述病变样本图像分割区域的矩，计算公式为：
Figure BDA0002582402740000042
其中(x,y)表示所述病变样本图像分割区域每个像素点的坐标，I(x,y)表示像素点的灰度值，p、q的取值为0或1；
步骤422、计算所述病变样本图像分割区域的图像中心指向所述灰度质心的方向向量值，计算公式为：θ＝atan2(τ01,τ10)。
进一步地，所述“步骤44、使用特征点的所述方向向量对采样的像素点进行调整”，调整公式为：
Figure BDA0002582402740000043
其中，n为采样像素点的个数，x为采样像素点的横坐标，y为采样像素点的纵坐标，σ为高斯平滑的标准差，θ为所述病变样本图像分割区域的图像中心指向所述灰度质心的方向向量。
进一步地，所述“步骤5、采用双向匹配法对待检测图像区域进行病变识别”，包括以下步骤：
步骤511、通过特征点检测器构造所述待检测图像区域A的病变特征；
步骤512、从病变样本图像库中选取一张未匹配过的病变样本图像分割区域B；
步骤513、为所述待检测图像区域A和所述病变样本图像分割区域B建立极线约束；
步骤514、从所述待检测图像区域A中取一个未匹配过的特征点P1；
步骤515、计算P1点与所述病变样本图像分割区域B在对应极线上所有特征点的距离，找出距离最小的特征点P2；
步骤516、若P1与P2的距离大于预设阈值，则跳至步骤514继续执行，否则执行步骤517；
步骤517、若是距离小于匹配值，则计算P2点与所述待检测图像区域A在对应极线上所有特征点的距离，找出距离最小的特征点P3；
步骤518、判断若P1与P3为同一特征点，则执行步骤519，否则执行步骤520；
步骤519、标记特征点P1双向匹配成功，跳至步骤521继续执行；
步骤520、标记特征点P1双向匹配不成功，跳至步骤521继续执行；
步骤521、判断若所述待检测图像区域A的所有特征点匹配完成，则执行步骤522，否则跳至步骤514继续执行；
步骤522、判断若所述待检测图像区域A的所有的特征点都匹配成功，跳转至步骤525继续执行，否则执行步骤523；
步骤523、判断若病变样本图像库中所有的病变样本图像区域均已经匹配完成，则执行步骤524，否则，跳转至步骤512继续执行；
步骤524、标识所述待检测图像区域A为无病变区域，跳转至步骤526继续执行；
步骤525、标识所述待检测图像区域A为病变区域；
步骤526、输出所述待检测图像区域A的病变识别结果。
相应地，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一项用于检测人乳头瘤状病毒感染性病变的图像识别方法的步骤。
区别于现有技术，本发明技术方案的有益效果有：
1.对病变样本图像进行归一化处理和自适应增强滤波处理，可以对图像进行增强，改善图像质量，加强图像识别分割效果。
2.采用粒子群模糊C均值法对病变样本图像进行区域分割，一方面，通过引入量子粒子群来解决传统模糊C均值聚类方法对初始的聚类中心敏感而易陷入局部最优的缺点，另一方面，通过采用优秀粒子位置作为算法进化的指导，可以增加优秀粒子的影响力，使粒子向最优方向进化以提高算法求解适应度函数的能力，提高的图像分割的精度和准确性。
3.通过基于方向向量的oFAST特征点检测器构造所述病变样本图像区域的病变特征，使得特征具备旋转不变性，特征描述更加准确。
4.采用双向匹配法对待检测图像样本进行病变识别，可迅速的标识出病变区域，从而大大提高了病变区域检测速度和效率。
附图说明
图1是本发明用于检测人乳头瘤状病毒感染性病变的图像识别方法步骤流程图。
图2是本发明对样本图像进行数据预处理的步骤流程图。
图3是本发明采用粒子群模糊C均值法将病变样本图像分割为多个区域的步骤流程图。
图4是本发明通过特征点检测器构造病变样本图像分割区域的特征病变特征步骤流程图。
图5是本发明计算所述特征点的方向向量的步骤流程图。
图6是本发明采用双向匹配法对待检测图像区域进行病变识别的步骤流程图。
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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1所示，是本发明用于检测人乳头瘤状病毒感染性病变的图像识别方法步骤流程图，包括以下步骤：
步骤1、采集病变样本图像；本申请所述的病变样本图像，指的是一定数量的用来学习并构建训练分类模型的存在病变的阴道镜图像。具体的采集方式为：选择高帧频、高分辨率的宫颈图像采集设备，即阴道镜，实时采集宫颈图像，并将图像上传至PC端进行存储。
步骤2、对所述病变样本图像进行预处理；图2是本发明对样本图像进行数据预处理的步骤流程图，包括以下步骤：
步骤21、对所述病变样本图像进行归一化处理；
图像归一化是指对图像进行一系列标准的处理变换，使之变换为一固定标准形式的过程，该标准图像称作归一化图像。归一化处理的目的是防止仿射变换的影响，减小几何变换的影响同时加快梯度下降求最优解的速度。常用的图像归一化的技术可以分为线性归一化和非线性归一化两种，具体包括线性函数转换，对数函数转换、反余切函数转换等。
步骤22、对所述病变样本图像进行自适应增强滤波处理。这一步骤的目的是对图像进行增强处理，去除图象中的噪声,使边缘清晰，突出图象中的特征，以提高特征提取的鲁棒性，常见的图像增强方法包括灰度变换增强，直方图增强，直方图规定化等。
对病变样本图像进行归一化处理和自适应增强滤波处理，可以对图像进行增强，改善图像质量，加强图像识别分割效果。
步骤3、采用粒子群模糊C均值法将预处理后的所述病变样本图像分割为多个区域；如图3所示，是本发明采用粒子群模糊C均值法将病变样本图像分割为多个区域的步骤流程图，包括以下步骤：
步骤31、初始化粒子群并设置参数；在粒子群中，每一个粒子都代表一组聚类中心，每一组聚类中心都可以产生一个图像像素点的分类结果，即一组确认的图像分割结果。图像分割的实质就是找到最合适的粒子，即聚类中心。本申请选择一种最简单也是最实用的生成粒子的方法，即从所述病变样本图像的像素灰度值集合中随机选取c个样本作为聚类中心，形成一组粒子，如此反复d次，建立了由d个粒子组成的粒子群。同时需要设置优秀粒子数为k，模糊因子为m，收敛精度为ε，迭代次数上限T以及迭代次数t的初始值；在一优选的实施例中，一个粒子中的聚类中心样本数目c设置为4，优秀粒子数k可设置为5，模糊指数m设置为2，收敛精度ε设置为0.001，迭代次数T设置为10，迭代次数t的初始值设为1。
步骤32、计算每个粒子的隶属度矩阵U＝{uij，0<i≤n,0<j≤c}，其中，c为每个粒子中的聚类中心样本数目，n为所述病变样本图像的像素点个数，i、j为整数，uij表示所述病变样本图像的第i个像素点属于当前粒子第j个聚类中心样本的隶属度值，计算方式为：
Figure BDA0002582402740000071
xi表示所述病变样本图像的第i个像素点的灰度值，vj表示当前粒子中第j个聚类中心样本的灰度值，vk表示当前粒子中第k个聚类中心样本的灰度值，m为模糊因子；通常，uij取值范围在0和1之间，所有像素点对应第j个聚类中心样本的隶属度值的和为1。
步骤33、计算每个粒子的适应度，适应度函数不仅仅是评价单个粒子的好坏水平的指标，还是粒子优化迭代的方向，所以它是非常重要的，适应度的选择关系到整个算法的正确与否。粒子的适应度值表示各个类内数据对象之间的相似度，适应度值越小则表明类内数据对象的结合程度越紧密，聚类效果越好。适应度值的大小与分割效果是成反比关系的，适应度值越小，分割效果就越好，适应度值越大，分割效果越差。其计算公式为：
Figure BDA0002582402740000072
其中，c为每个粒子中的聚类中心样本数目，n为所述病变样本图像的像素点个数，m为模糊因子，xi表示所述病变样本图像的第i个像素点的灰度值，uij表示所述病变样本图像的第i个像素点属于当前粒子第j个聚类中心样本的隶属度值，vj表示当前粒子中第j个聚类中心样本的灰度值；
步骤34、更新每个粒子的个体最优位置pbesti并从所有粒子的个体最优位置中选取最优位置作为所述粒子群的全局最优位置pg；每一轮的迭代中，都需要更新每个粒子的个体最优位置，所述每个粒子的个体最优位置pbesti更新公式为：
Figure BDA0002582402740000081
其中，t为当前迭代次数，Xi为第i个粒子的位置，f为适应度值计算函数。根据公式可以知道，当首次迭代的时候，将粒子当前的位置作为个体最佳位置，从所有粒子的个体最佳位置中选最优作为粒子群的全局最优位置。在后续迭代中，根据每个粒子当前的位置与其个体最佳位置的适应度值进行比较，更新个体最佳位置，再在此基础上更新粒子群的全局最佳位置。
步骤35、将所述粒子群中所有的粒子按照适应度值从高到低排序，从前k个粒子中随机抽取一个粒子作为优秀粒子，根据优秀粒子更新所有粒子的位置，计算公式为：
Figure BDA0002582402740000082
其中，Xi为第i个粒子的位置，α为收缩膨胀因子，计算方式为
Figure BDA0002582402740000083
t为当前迭代次数，T为迭代次数上限值，EP表示所述优秀粒子的最优位置，pi表示第i个粒子的吸引子，计算公式为pi＝a*pbesti+(1-a)*gbest，其中a是大于0且小于1的一个随机数，d为大于0且小于1的一个随机数；
在传统的粒子群位置更新方式中，通常是根据所有粒子最优位置的算术平均值进行计算，然而，在群体中由于算法所具有的天然的随机性，使得每个粒子的差异变大，简单的将所有最优位置进行算术平均，并以此为指导目标将所有的粒子的影响都看成是一样的，会忽略掉一些好的粒子的影响力，从而进一步的导致算法求解能力与收敛速度的降低。因此，本申请的技术方案先对所有粒子进行适应度值评价，从中选取部分适应度值最高的粒子作为优秀的粒子群，再从这些优秀的粒子群中随机选取一个优秀粒子(Excellentparticle，EP)最优位置作为粒子群体位置进化的指导，这样可以使粒子向最优方向进化以提高算法求解适应度函数的能力。
步骤36、若相邻两次迭代隶属度矩阵的误差值小于收敛精度ε(即max||Ut-Ut-1||＜ε)或者当前迭代次数t大于迭代次数上限值T，则迭代结束，执行步骤38，否则，跳至步骤37继续执行；
步骤37、设置t＝t+1，跳至步骤32继续执行；
步骤38、从所述粒子群中选取最佳粒子，计算所述病变样本图像中每个像素点到所述最佳粒子中每个聚类中心样本的隶属度，根据最大隶属度原则，确定所述病变样本图像中每个像素点的归属，输出最终的图像分割结果。这里的最佳粒子，可以选取适应度值最优的粒子，也可以从前K个最优粒子中随机选取。
采用粒子群模糊C均值法对病变样本图像进行区域分割，一方面，通过引入量子粒子群来解决传统模糊C均值聚类方法对初始的聚类中心敏感而易陷入局部最优的缺点，另一方面，通过采用优秀粒子位置作为算法进化的指导，可以增加优秀粒子的影响力，使粒子向最优方向进化以提高算法求解适应度函数的能力，提高的图像分割的精度和准确性。
步骤4、通过特征点检测器构造所述病变样本图像分割区域的病变特征；如图4所示，是本发明通过特征点检测器构造病变样本图像分割区域的特征病变特征步骤流程图，包括以下步骤：
步骤41、采用FAST特征点检测器从所述病变样本图像分割区域检测出特征点；
FAST特征点检测是由Edward Rosten和Tom Drummond在2006年发表并在2010年进行改进的图像特征检测方法。FAST的全称为Features From Accelerated Segment Test，其定义为：若某像素点与其周围领域内足够多的像素点处于不同的区域，则该像素点可能为特征点，也就是某些属性与众不同，考虑灰度图像，即若该点的灰度值比其周围领域内足够多的像素点的灰度值大或者小，则该点可能为特征点。本发明可采用FAST特征点检测器采用检测出所述病变样本图像分割区域的特征点。
步骤42、计算所述特征点的方向向量；由于FAST特征点不具备方向性，当图像发生旋转之后就无法匹配，为了解决该问题，本申请引入了特征点方向向量用来描述特征点的方向，如图5所示，是本发明计算所述特征点的方向向量的步骤流程图，包括以下步骤：
步骤421、计算所述病变样本图像分割区域的灰度质心坐标，计算公式为：
Figure BDA0002582402740000101
其中，τpq为所述病变样本图像分割区域的矩，计算公式为：
Figure BDA0002582402740000102
其中(x,y)表示所述病变样本图像分割区域每个像素点的坐标，I(x,y)表示像素点的灰度值，p、q的取值为0或1；
步骤422、计算所述病变样本图像分割区域的图像中心指向所述灰度质心的方向向量值，计算公式为：θ＝atan2(τ01,τ10)。
步骤43、利用BRISK采样方式从所述特征点周围进行像素点采样；关键点检测完成后，利用BRISK采样方式对关键点周围的局部图像进行采样，得到有效代表该局部图像的像素点；
步骤44、使用特征点的所述方向向量对采样的像素点进行调整；具体地，调整后的采样像素点可以用旋转矩阵的方式获得，相应过程可表示如下：
Figure BDA0002582402740000103
其中，n为采样像素点的个数，x为采样像素点的横坐标，y为采样像素点的纵坐标，σ为高斯平滑的标准差，θ为所述病变样本图像分割区域的图像中心指向所述灰度质心的方向向量。
步骤45、根据调整后的像素点基于一定的顺序构造每个所述特征点的描述子，得到所述病变样本图像分割区域的病变特征。通常，一个特征点的描述子是按照一定规则从调整后的像素点特征计算得到的一组01序列。
通过基于方向向量的oFAST特征点检测器构造所述病变样本图像的病变特征，使得特征具备旋转不变性，特征描述更加准确。
步骤5、采用双向匹配法对待检测图像区域进行病变识别。如图6是本发明采用双向匹配法对待检测图像区域进行病变识别的步骤流程图，包括以下步骤：
步骤511、通过特征点检测器构造所述待检测图像区域A的病变特征；通常，所述待检测图像区域A也是由待检测图像通过预处理、图像分割、提取特征之后得到，具体的步骤方式与病变样本图像的处理一致，此处不再赘述。
步骤512、从病变样本图像库中选取一张未匹配过的病变样本图像分割区域B；
步骤513、为所述待检测图像区域A和所述病变样本图像分割区域B建立极线约束；
三维空间中一点p，投影到两个不同的平面I1、I2，投影点分别为p1，p2。p、p1、p2在三维空间内构成一个平面S。S与面I1的交线L1过p1点，称之为对应于p2的极线。同理S与I2的交线称之为对应于p1的极线。所谓极线约束就是指同一个点在两幅图像上的映射，假设已知左图存在一个映射点p1，那么右图映射点p2一定在相对于p1的极线上，这样可以减少待匹配的点数量。
步骤514、从所述待检测图像区域A中取一个未匹配过的特征点P1；
步骤515、计算P1点与所述病变样本图像分割区域B在对应极线上所有特征点的欧式距离，找出距离最小的特征点P2；
步骤516、若P1与P2的距离大于预设阈值，则跳至步骤514继续执行，否则执行步骤517；优选地，所述预设阈值为0.03；
步骤517、若是距离小于匹配值，则计算P2点与所述待检测图像区域A在对应极线上所有特征点的距离，找出距离最小的特征点P3；
步骤518、判断若P1与P3为同一特征点，则执行步骤519，否则执行步骤520；
步骤519、标记特征点P1双向匹配成功，跳至步骤521继续执行；
步骤520、标记特征点P1双向匹配不成功，跳至步骤521继续执行；
步骤521、判断若所述待检测图像区域A的所有特征点匹配完成，则执行步骤522，否则跳至步骤514继续执行；
步骤522、判断若所述待检测图像区域A的所有的特征点都匹配成功，跳转至步骤525继续执行，否则执行步骤523；
步骤523、判断若病变样本图像库中所有的病变样本图像区域均已经匹配完成，则执行步骤524，否则，跳转至步骤512继续执行；
步骤524、标识所述待检测图像区域A为无病变区域，跳转至步骤526继续执行；
步骤525、标识所述待检测图像区域A为病变区域；
步骤526、输出所述待检测图像区域A的病变识别结果。
采用双向匹配法对待检测图像样本进行病变识别，可迅速的标识出病变区域，从而大大提高了病变区域检测速度和效率。根据实验结果可知，采用本申请所述的用于检测人乳头瘤状病毒感染性病变的图像识别方法，提取病变区域的平均准确率达到93.5％，平均召回率达到85％，能很好的起到辅助检测诊断的作用。
相应地，在一具体的实施例中，可以通过计算机可读存储介质，存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一项用于检测人乳头瘤状病毒感染性病变的图像识别方法的步骤。
上述具体实施方式只是对本发明的技术方案进行详细解释，本发明并不只仅仅局限于上述实施例，凡是依据本发明原理的任何改进或替换，均应在本发明的保护范围之内。

Claims (8)

1.一种用于检测人乳头瘤状病毒感染性病变的图像识别方法，其特征在于，包括以下步骤：
步骤1、采集病变样本图像；
步骤2、对所述病变样本图像进行预处理；
步骤3、采用粒子群模糊C均值法将预处理后的所述病变样本图像分割为多个区域；
步骤4、通过特征点检测器构造所述病变样本图像分割区域的病变特征；
步骤5、采用双向匹配法对待检测图像区域进行病变识别。
2.如权利要求1所述的用于检测人乳头瘤状病毒感染性病变的图像识别方法，其特征在于，所述“步骤2、对所述病变样本图像进行预处理”，包括以下步骤：
步骤21、对所述病变样本图像进行归一化处理；
步骤22、对所述病变样本图像进行自适应增强滤波处理。
3.如权利要求1所述的用于检测人乳头瘤状病毒感染性病变的图像识别方法，其特征在于，所述“步骤3、采用粒子群模糊C均值法将预处理后的所述病变样本图像分割为多个区域”，包括以下步骤：
步骤31、初始化粒子群并设置参数；所述粒子群由d个粒子组成，任一所述粒子由所述病变样本图像的像素灰度值集合中随机抽取c个聚类中心样本组成；设置优秀粒子数为k，模糊因子为m，收敛精度为ε，迭代次数上限T以及迭代次数t的初始值；
步骤32、计算每个粒子的隶属度矩阵U＝{uij，0<i≤n,0<j≤c}，其中，c为每个粒子中的聚类中心样本数目，n为所述病变样本图像的像素点个数，i、j为整数，uij表示所述病变样本图像的第i个像素点属于当前粒子第j个聚类中心样本的隶属度值，计算方式为：
Figure FDA0002582402730000011
xi表示所述病变样本图像的第i个像素点的灰度值，vj表示当前粒子中第j个聚类中心样本的灰度值，vk表示当前粒子中第k个聚类中心样本的灰度值，m为模糊因子；
步骤33、计算每个粒子的适应度，计算公式为：
Figure FDA0002582402730000012
其中，c为每个粒子中的聚类中心样本数目，n为所述病变样本图像的像素点个数，m为模糊因子，xi表示所述病变样本图像的第i个像素点的灰度值，uij表示所述病变样本图像的第i个像素点属于当前粒子第j个聚类中心样本的隶属度值，vj表示当前粒子中第j个聚类中心样本的灰度值；
步骤34、更新每个粒子的个体最优位置pbesti并从所有粒子的个体最优位置中选取最优位置作为所述粒子群的全局最优位置pg；所述每个粒子的个体最优位置pbesti更新公式为：
Figure FDA0002582402730000021
其中，t为当前迭代次数，Xi为第i个粒子的位置，f为适应度值计算函数。
步骤35、将所述粒子群中所有的粒子按照适应度值从高到低排序，从前k个粒子中随机抽取一个粒子作为优秀粒子，根据优秀粒子更新所有粒子的位置，计算公式为：
Figure FDA0002582402730000022
其中，Xi为第i个粒子的位置，α为收缩膨胀因子，计算方式为
Figure FDA0002582402730000023
t为当前迭代次数，T为迭代次数上限值，EP表示所述优秀粒子的最优位置，pi表示第i个粒子的吸引子，计算公式为pi＝a*pbesti+(1-a)*gbest，其中a是大于0且小于1的一个随机数，d为大于0且小于1的一个随机数；
步骤36、若相邻两次迭代隶属度矩阵的误差值小于收敛精度ε或者当前迭代次数t大于迭代次数上限值T，则执行步骤38，否则，跳至步骤37继续执行；
步骤37、设置t＝t+1，跳至步骤32继续执行；
步骤38、从所述粒子群中选取最佳粒子，计算所述病变样本图像中每个像素点到所述最佳粒子中每个聚类中心样本的隶属度，根据最大隶属度原则，确定所述病变样本图像中每个像素点的归属，输出最终的图像分割结果。
4.如权利要求1所述的用于检测人乳头瘤状病毒感染性病变的图像识别方法，其特征在于，所述“步骤4、通过特征点检测器构造所述病变样本图像分割区域的病变特征”，包括以下步骤：
步骤41、采用FAST特征点检测器从所述病变样本图像分割区域检测出特征点；
步骤42、计算所述特征点的方向向量；
步骤43、利用BRISK采样方式从所述特征点周围进行像素点采样；
步骤44、使用特征点的所述方向向量对采样的像素点进行调整；
步骤45、根据调整后的像素点构造每个所述特征点的描述子，得到所述病变样本图像分割区域的病变特征。
5.如权利要求4所述的用于检测人乳头瘤状病毒感染性病变的图像识别方法，其特征在于，所述“步骤42、计算所述特征点的方向向量”，包括以下步骤：
步骤421、计算所述病变样本图像分割区域的灰度质心坐标，计算公式为：
Figure FDA0002582402730000031
其中，τpq为所述病变样本图像分割区域的矩，计算公式为：
Figure FDA0002582402730000032
其中(x,y)表示所述病变样本图像分割区域每个像素点的坐标，I(x,y)表示像素点的灰度值，p、q的取值为0或1；
步骤422、计算所述病变样本图像分割区域的图像中心指向所述灰度质心的方向向量值，计算公式为：θ＝atan2(τ01,τ10)。
6.如权利要求5所述的用于检测人乳头瘤状病毒感染性病变的图像识别方法，其特征在于，所述“步骤44、使用特征点的所述方向向量对采样的像素点进行调整”，调整公式为：
Figure FDA0002582402730000033
其中，n为采样像素点的个数，x为采样像素点的横坐标，y为采样像素点的纵坐标，σ为高斯平滑的标准差，θ为所述病变样本图像分割区域的图像中心指向所述灰度质心的方向向量。
7.如权利要求1所述的用于检测人乳头瘤状病毒感染性病变的图像识别方法，其特征在于，所述“步骤5、采用双向匹配法对待检测图像区域进行病变识别”，包括以下步骤：
步骤511、通过特征点检测器构造所述待检测图像区域A的病变特征；
步骤512、从病变样本图像库中选取一张未匹配过的病变样本图像分割区域B；
步骤513、为所述待检测图像区域A和所述病变样本图像分割区域B建立极线约束；
步骤514、从所述待检测图像区域A中取一个未匹配过的特征点P1；
步骤515、计算P1点与所述病变样本图像分割区域B在对应极线上所有特征点的距离，找出距离最小的特征点P2；
步骤516、若P1与P2的距离大于预设阈值，则跳至步骤514继续执行，否则执行步骤517；
步骤517、若是距离小于匹配值，则计算P2点与所述待检测图像区域A在对应极线上所有特征点的距离，找出距离最小的特征点P3；
步骤518、判断若P1与P3为同一特征点，则执行步骤519，否则执行步骤520；
步骤519、标记特征点P1双向匹配成功，跳至步骤521继续执行；
步骤520、标记特征点P1双向匹配不成功，跳至步骤521继续执行；
步骤521、判断若所述待检测图像区域A的所有特征点匹配完成，则执行步骤522，否则跳至步骤514继续执行；
步骤522、判断若所述待检测图像区域A的所有的特征点都匹配成功，跳转至步骤525继续执行，否则执行步骤523；
步骤523、判断若病变样本图像库中所有的病变样本图像区域均已经匹配完成，则执行步骤524，否则，跳转至步骤512继续执行；
步骤524、标识所述待检测图像区域A为无病变区域，跳转至步骤526继续执行；
步骤525、标识所述待检测图像区域A为病变区域；
步骤526、输出所述待检测图像区域A的病变识别结果。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1-7中任一项用于检测人乳头瘤状病毒感染性病变的图像识别方法的步骤。
CN202010671310.1A 2020-07-13 2020-07-13 用于检测人乳头瘤状病毒感染性病变的图像识别方法 Active CN111832574B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010671310.1A CN111832574B (zh) 2020-07-13 2020-07-13 用于检测人乳头瘤状病毒感染性病变的图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010671310.1A CN111832574B (zh) 2020-07-13 2020-07-13 用于检测人乳头瘤状病毒感染性病变的图像识别方法

Publications (2)

Publication Number Publication Date
CN111832574A true CN111832574A (zh) 2020-10-27
CN111832574B CN111832574B (zh) 2023-06-30

Family

ID=72922794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010671310.1A Active CN111832574B (zh) 2020-07-13 2020-07-13 用于检测人乳头瘤状病毒感染性病变的图像识别方法

Country Status (1)

Country Link
CN (1) CN111832574B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117541482A (zh) * 2024-01-10 2024-02-09 中国人民解放军空军军医大学 一种宫颈图像增强系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100158332A1 (en) * 2008-12-22 2010-06-24 Dan Rico Method and system of automated detection of lesions in medical images
US20100195883A1 (en) * 2007-06-28 2010-08-05 Patriarche Julia W System and method for automatically generating sample points from a series of medical images and identifying a significant region
CN107527326A (zh) * 2017-08-17 2017-12-29 安徽农业大学 一种基于高光谱成像的小麦赤霉病诊断方法
CN108961222A (zh) * 2018-06-19 2018-12-07 江西大福医疗科技股份有限公司 一种基于阴道镜图像的宫颈癌早期筛查识别方法
CN110473163A (zh) * 2019-06-03 2019-11-19 赵旭东 一种用于诊断乳腺肿块的超声图像预处理系统及处理超声图像的方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100195883A1 (en) * 2007-06-28 2010-08-05 Patriarche Julia W System and method for automatically generating sample points from a series of medical images and identifying a significant region
US20100158332A1 (en) * 2008-12-22 2010-06-24 Dan Rico Method and system of automated detection of lesions in medical images
CN107527326A (zh) * 2017-08-17 2017-12-29 安徽农业大学 一种基于高光谱成像的小麦赤霉病诊断方法
CN108961222A (zh) * 2018-06-19 2018-12-07 江西大福医疗科技股份有限公司 一种基于阴道镜图像的宫颈癌早期筛查识别方法
CN110473163A (zh) * 2019-06-03 2019-11-19 赵旭东 一种用于诊断乳腺肿块的超声图像预处理系统及处理超声图像的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
苏博;朱敏;: "基于改进模糊聚类算法的CT图像病变区域分割", 现代电子技术, no. 24 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117541482A (zh) * 2024-01-10 2024-02-09 中国人民解放军空军军医大学 一种宫颈图像增强系统
CN117541482B (zh) * 2024-01-10 2024-03-26 中国人民解放军空军军医大学 一种宫颈图像增强系统

Also Published As

Publication number Publication date
CN111832574B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN108364006B (zh) 基于多模式深度学习的医学图像分类装置及其构建方法
CN109635846B (zh) 一种多类医学图像判断方法和系统
JP2018156668A (ja) 学習が強化されたアトラスベース自動輪郭抽出方法及び装置
Seff et al. Leveraging mid-level semantic boundary cues for automated lymph node detection
CN109753997B (zh) 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法
CN110706225B (zh) 基于人工智能的肿瘤识别系统
Udeshani et al. Statistical feature-based neural network approach for the detection of lung cancer in chest x-ray images
Li et al. Learning image context for segmentation of prostate in CT-guided radiotherapy
Hoogi et al. A fully-automated pipeline for detection and segmentation of liver lesions and pathological lymph nodes
Arif et al. Human pose estimation and object interaction for sports behaviour
Akkar et al. Diagnosis of lung cancer disease based on back-propagation artificial neural network algorithm
CN110223331B (zh) 一种大脑mr医学图像配准方法
Wei et al. A novel method for segmentation of CT head images
CN110969101A (zh) 一种基于hog和特征描述子的人脸检测与跟踪方法
CN111832574B (zh) 用于检测人乳头瘤状病毒感染性病变的图像识别方法
Yang et al. Medical Image Segmentation Using Descriptive Image Features.
Malathi et al. Active contour based segmentation and classification for pleura diseases based on Otsu’s thresholding and support vector machine (SVM)
CN116342653A (zh) 一种基于相关滤波器的目标跟踪方法、系统、设备及介质
Sedai et al. Right ventricle landmark detection using multiscale HOG and random forest classifier
CN113780421B (zh) 基于人工智能的脑部pet影像识别方法
Tong et al. A joint multi-scale convolutional network for fully automatic segmentation of the left ventricle
CN109978846B (zh) 一种基于体局部方向三值模式的肺结节纹理特征提取系统及方法
Joykutty et al. Automatic tuberculosis detection using adaptive thresholding in chest radiographs
Kooi et al. Classifying symmetrical differences and temporal change in mammography using deep neural networks
CN111932549A (zh) 一种基于sp-fcn的mri脑肿瘤图像分割系统及方法

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