CN113407756B - 一种基于自适应权重的肺结节ct图像重排序方法 - Google Patents

一种基于自适应权重的肺结节ct图像重排序方法 Download PDF

Info

Publication number
CN113407756B
CN113407756B CN202110594393.3A CN202110594393A CN113407756B CN 113407756 B CN113407756 B CN 113407756B CN 202110594393 A CN202110594393 A CN 202110594393A CN 113407756 B CN113407756 B CN 113407756B
Authority
CN
China
Prior art keywords
image
lung
lung nodule
retrieved
nodule
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
Application number
CN202110594393.3A
Other languages
English (en)
Other versions
CN113407756A (zh
Inventor
程保喜
郭自强
杨晓磊
刘卫军
宋云霞
张刚
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.)
Shanxi Yunshidai Smart City Technology Development Co ltd
Original Assignee
Shanxi Yunshidai Smart City Technology Development 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 Shanxi Yunshidai Smart City Technology Development Co ltd filed Critical Shanxi Yunshidai Smart City Technology Development Co ltd
Priority to CN202110594393.3A priority Critical patent/CN113407756B/zh
Publication of CN113407756A publication Critical patent/CN113407756A/zh
Application granted granted Critical
Publication of CN113407756B publication Critical patent/CN113407756B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明一种基于自适应权重的肺结节CT图像重排序方法，属于肺结节CT图像检索技术领域；所要解决的技术问题为：提供基于自适应权重的肺结节CT图像重排序方法的改进；解决上述技术问题采用的技术方案为：图像数据集获取；图像预处理：将待检索肺部CT图像和图像库中肺部CT图像进行图像预处理，截取以RIO为中心的最小外接矩形图像，得到待检索的肺结节CT图像和图像库中的肺结节CT图像；图像特征提取：将经过预处理后的肺结节CT图像输入CNN网络进行深度特征提取；不同哈希码位的自适应权重计算；相似性度量：将待检索肺结节CT图像与图像库中的肺结节CT图像根据汉明距离进行排序，得到相似性最大的肺结节CT图像；本发明应用于肺结节图像检索。

Description

一种基于自适应权重的肺结节CT图像重排序方法
技术领域
本发明一种基于自适应权重的肺结节CT图像重排序方法，属于肺结节CT图像检索技术领域。
背景技术
在肺结节CT图像检索中，在图像库中检索出图像的排名越靠前，则该图像与待检索图像越相似。在图像检索的现有众多方法中，哈希算法广为应用。通过使用哈希算法将待检索图像和图像库中的图像进行哈希映射，将图像特征映射为固定位哈希码，随后将待检索图像的哈希码与图像库中图像的哈希码进行相似性度量比较。最后按相似度从大到小进行排序，给出最为相似的肺结节CT图像。
但是，目前现有的图像重排序算法包括贪心算法、QsRank、超图等都有其算法局限性。贪心算法依附于首选种子图像与待检索图像是否最为相近，如果种子图像的选取不合适会直接导致排序结果的不准确。QsRank算法仅对PCA主成分分析哈希算法有效，而对其他的哈希算法的准确率并没有显著的提高，不具备鲁棒性。超图算法考虑了不同图像之间的亲和关系使得计算量大大增加。
因此，提出了一种基于自适应权重的肺结节CT图像重排序方法，通过加入自适应权重，使得各维特征向量对于图像特征的贡献度得到体现。
发明内容
本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于自适应权重的肺结节CT图像重排序方法的改进。
为了解决上述技术问题，本发明采用的技术方案为：一种基于自适应权重的肺结节CT图像重排序方法，包括如下步骤：
步骤一：图像数据集获取：所述图像数据集包括待检索肺部CT图像和图像库中肺部CT图像；
步骤二：图像预处理：将待检索肺部CT图像和图像库中肺部CT图像进行图像预处理，截取以RIO为中心的最小外接矩形图像，得到待检索的肺结节CT图像和图像库中的肺结节CT图像；
步骤三：图像特征提取：将经过预处理后的肺结节CT图像输入CNN网络进行深度特征提取；
步骤四：不同哈希码位的自适应权重计算；
步骤五：相似性度量：将待检索肺结节CT图像与图像库中的肺结节CT图像根据汉明距离进行排序，得到相似性最大的肺结节CT图像。
所述步骤一中图像库中的肺部CT图像具体采用公开的LIDC数据库中的肺部CT图像。
所述步骤三中在对肺结节CT图像进行深度特征提取时，通过PCA对特征矩阵中进行主成分分析。
所述步骤四中对不同哈希码位的自适应权重具体为：
步骤4.1：假设待检索的肺结节CT图像特征为Cq＝[C1,C2,...,Cn]，映射后的哈希特征为Hq＝[h1,h2,...,hn]，其中n代表哈希码位；
步骤4.2：假设图像库中的肺结节CT图像特征为Imgq＝[I1,I2,...,In]，映射后的哈希特征为Himg＝[himg1,himg2,...,himgn]；
步骤4.3：权重计算：
Figure BDA0003090628530000021
上式中：Ci代表各维特征向量与对应各维坐标轴的距离，Ki代表所有特征向量与应对各维坐标轴距离的均值。
所述步骤五中相似性度量具体步骤为：
步骤5.1：待检索肺结节CT图像与图像库中肺结节CT图像的相似性度量，通过汉明距离进行计算，公式如下：
Figure BDA0003090628530000022
步骤5.2：通过对D进行从小到大的排序，得到最为相似的肺结节CT图像。
本发明相对于现有技术具备的有益效果为：本发明提供的基于自适应权重的肺结节CT图像重排序方法充分考虑了不同位哈希码对于图像特征的贡献度，提出了不同码位的自适应权重；在进行相似性度量时，采用汉明距离从小到大进行排序，大大减少了欧氏距离度量的计算复杂度。
附图说明
下面结合附图对本发明做进一步说明：
图1为本发明方法的框架图。
具体实施方式
如图1所示，本发明一种基于自适应权重的肺结节CT图像重排序方法，包括如下步骤：
步骤一：图像数据集获取：所述图像数据集包括待检索肺部CT图像和图像库中肺部CT图像；
步骤二：图像预处理：将待检索肺部CT图像和图像库中肺部CT图像进行图像预处理，截取以RIO为中心的最小外接矩形图像，得到待检索的肺结节CT图像和图像库中的肺结节CT图像；
步骤三：图像特征提取：将经过预处理后的肺结节CT图像输入CNN网络进行深度特征提取；
步骤四：不同哈希码位的自适应权重计算；
步骤五：相似性度量：将待检索肺结节CT图像与图像库中的肺结节CT图像根据汉明距离进行排序，得到相似性最大的肺结节CT图像。
所述步骤一中图像库中的肺部CT图像具体采用公开的LIDC数据库中的肺部CT图像。
所述步骤三中在对肺结节CT图像进行深度特征提取时，通过PCA对特征矩阵中进行主成分分析。
所述步骤四中对不同哈希码位的自适应权重具体为：
步骤4.1：假设待检索的肺结节CT图像特征为Cq＝[C1,C2,...,Cn]，映射后的哈希特征为Hq＝[h1,h2,...,hn]，其中n代表哈希码位；
步骤4.2：假设图像库中的肺结节CT图像特征为Imgq＝[I1,I2,...,In]，映射后的哈希特征为Himg＝[himg1,himg2,...,himgn]；
步骤4.3：权重计算：
Figure BDA0003090628530000031
上式中：Ci代表各维特征向量与对应各维坐标轴的距离，Ki代表所有特征向量与应对各维坐标轴距离的均值。
所述步骤五中相似性度量具体步骤为：
步骤5.1：待检索肺结节CT图像与图像库中肺结节CT图像的相似性度量，通过汉明距离进行计算，公式如下：
Figure BDA0003090628530000032
步骤5.2：通过对D进行从小到大的排序，得到最为相似的肺结节CT图像。
本发明提供的基于自适应权重的肺结节CT图像重排序方法解决了前哈希函数对特征进行统一映射，未考虑不同位对特征贡献度不同的问题，使得检索出的肺结节CT图像中排名较靠前的部分肺结节图像与待检索肺结节图像相似度并不高，因此，本发明提出了一种针对上述问题的不同哈希码位的自适应权重，对肺结节图像进行排序。
本发明的具体步骤如下：
步骤A：图像预处理，将公开的LIDC数据库中的肺部CT图像进行图像预处理，截取以ROI为中心的最小外接矩形图像。
步骤B：图像特征提取，将步骤A得到的处理后的肺结节图像输入CNN网络进行深度特征提取。由于此特征矩阵中有一些值为0，对于图像特征没有意义，所以对此特征进行PCA主成分分析。
步骤C：权重设计，哈希映射。
假设待检索的肺结节CT图像特征为Cq＝[C1,C2,...,Cn]，映射后的哈希特征为Hq＝[h1,h2,...,hn]，其中n代表哈希码位。图像库中的肺结节图像特征为Imgq＝[I1,I2,...,In]，映射后的哈希特征为Himg＝[himg1,himg2,...,himgn]。本发明提出的权重公式为：
Figure BDA0003090628530000041
其中Ci代表各维特征向量与对应各维坐标轴的距离。Ki代表所有特征向量与应对各维坐标轴距离的均值。在本发明中，可以看出，各维特征向量的权重是根据特征向量与各维坐标轴距离进行计算的，且距离越远，权重越小。反之距离越近，权重越大。
步骤D：相似性度量。
Step1：待检索肺结节图像与图像库中图像的相似性度量，通过汉明距离进行计算；
公式如下：
Figure BDA0003090628530000042
Step2：通过对D进行从小到大的排序，得到最为相似的肺结节CT图像。
本发明通过提出的自适应权重函数将不同位哈希码对于图像特征具有不同的贡献度进行量化，能够在进行相似性度量时，将不同位哈希码对于图像特征的贡献度进行充分计算考虑，使检索到的相似图像的相似度最高。
关于本发明具体结构需要说明的是，本发明采用的各部件模块相互之间的连接关系是确定的、可实现的，除实施例中特殊说明的以外，其特定的连接关系可以带来相应的技术效果，并基于不依赖相应软件程序执行的前提下，解决本发明提出的技术问题，本发明中出现的部件、模块、具体元器件的型号、连接方式除具体说明的以外，均属于本领域技术人员在申请日前可以获取到的已公开专利、已公开的期刊论文、或公知常识等现有技术，无需赘述，使得本案提供的技术方案是清楚、完整、可实现的，并能根据该技术手段重现或获得相应的实体产品。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (4)

1.一种基于自适应权重的肺结节CT图像重排序方法，其特征在于：包括如下步骤：
步骤一：图像数据集获取：所述图像数据集包括待检索肺部CT图像和图像库中肺部CT图像；
步骤二：图像预处理：将待检索肺部CT图像和图像库中肺部CT图像进行图像预处理，截取以RIO为中心的最小外接矩形图像，得到待检索的肺结节CT图像和图像库中的肺结节CT图像；
步骤三：图像特征提取：将经过预处理后的肺结节CT图像输入CNN网络进行深度特征提取；
步骤四：不同哈希码位的自适应权重计算；所述步骤四中对不同哈希码位的自适应权重具体为：
步骤4.1：假设待检索的肺结节CT图像特征为Cq＝[C1,C2,...,Cn]，映射后的哈希特征为Hq＝[h1,h2,...,hn]，其中n代表哈希码位；
步骤4.2：假设图像库中的肺结节CT图像特征为Imgq＝[I1,I2,...,In]，映射后的哈希特征为Himg＝[himg1,himg2,...,himgn]；
步骤4.3：权重计算：
Figure FDA0003801025610000011
上式中：Ci代表各维特征向量与对应各维坐标轴的距离，Ki代表所有特征向量与对应各维坐标轴距离的均值；
步骤五：相似性度量：将待检索肺结节CT图像与图像库中的肺结节CT图像根据汉明距离进行排序，得到相似性最大的肺结节CT图像。
2.根据权利要求1所述的一种基于自适应权重的肺结节CT图像重排序方法，其特征在于：所述步骤一中图像库中的肺部CT图像具体采用公开的LIDC数据库中的肺部CT图像。
3.根据权利要求1所述的一种基于自适应权重的肺结节CT图像重排序方法，其特征在于：所述步骤三中在对肺结节CT图像进行深度特征提取时，通过PCA对特征矩阵中进行主成分分析。
4.根据权利要求1所述的一种基于自适应权重的肺结节CT图像重排序方法，其特征在于：所述步骤五中相似性度量具体步骤为：
步骤5.1：待检索肺结节CT图像与图像库中肺结节CT图像的相似性度量，通过汉明距离进行计算，公式如下：
Figure FDA0003801025610000021
步骤5.2：通过对D进行从小到大的排序，得到最为相似的肺结节CT图像。
CN202110594393.3A 2021-05-28 2021-05-28 一种基于自适应权重的肺结节ct图像重排序方法 Active CN113407756B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110594393.3A CN113407756B (zh) 2021-05-28 2021-05-28 一种基于自适应权重的肺结节ct图像重排序方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110594393.3A CN113407756B (zh) 2021-05-28 2021-05-28 一种基于自适应权重的肺结节ct图像重排序方法

Publications (2)

Publication Number Publication Date
CN113407756A CN113407756A (zh) 2021-09-17
CN113407756B true CN113407756B (zh) 2022-10-11

Family

ID=77675229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110594393.3A Active CN113407756B (zh) 2021-05-28 2021-05-28 一种基于自适应权重的肺结节ct图像重排序方法

Country Status (1)

Country Link
CN (1) CN113407756B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034579A (zh) * 2012-11-29 2013-04-10 北京神州绿盟信息安全科技股份有限公司 图形运维操作有效性的自动分析处理方法和系统
CN103226585A (zh) * 2013-04-10 2013-07-31 大连理工大学 面向图像检索的自适应哈希重排方法
CN105138672A (zh) * 2015-09-07 2015-12-09 北京工业大学 一种多特征融合的图像检索方法
CN111448584A (zh) * 2017-12-05 2020-07-24 文塔纳医疗系统公司 计算肿瘤空间和标记间异质性的方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015173803A2 (en) * 2014-05-11 2015-11-19 Ofek - Eshkolot Research And Development Ltd A system and method for generating detection of hidden relatedness between proteins via a protein connectivity network
CN105335952B (zh) * 2014-06-19 2018-04-17 株式会社理光 匹配代价计算方法和装置、以及视差值计算方法和设备
CN105469096B (zh) * 2015-11-18 2018-09-25 南京大学 一种基于哈希二值编码的特征袋图像检索方法
CN106777388B (zh) * 2017-02-20 2020-11-24 华南理工大学 一种双重补偿的多表哈希图像检索方法
CN107220373B (zh) * 2017-06-19 2019-09-17 太原理工大学 一种基于医学征象和卷积神经网络的肺结节ct图像哈希检索方法
CN107291936B (zh) * 2017-07-04 2020-03-31 太原理工大学 一种基于视觉特征和征象标签的超图哈希图像检索实现肺结节征象识别的方法
CN107871014A (zh) * 2017-11-23 2018-04-03 清华大学 一种基于深度融合哈希的大数据跨模态检索方法及系统
CN108734728A (zh) * 2018-04-25 2018-11-02 西北工业大学 一种基于高分辨序列图像的空间目标三维重构方法
CN110941734B (zh) * 2019-11-07 2022-09-27 南京理工大学 基于稀疏图结构的深度无监督图像检索方法
CN112633294A (zh) * 2020-12-10 2021-04-09 中国地质大学（武汉） 基于感知哈希的显著性区域检测方法、设备及存储设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034579A (zh) * 2012-11-29 2013-04-10 北京神州绿盟信息安全科技股份有限公司 图形运维操作有效性的自动分析处理方法和系统
CN103226585A (zh) * 2013-04-10 2013-07-31 大连理工大学 面向图像检索的自适应哈希重排方法
CN105138672A (zh) * 2015-09-07 2015-12-09 北京工业大学 一种多特征融合的图像检索方法
CN111448584A (zh) * 2017-12-05 2020-07-24 文塔纳医疗系统公司 计算肿瘤空间和标记间异质性的方法

Also Published As

Publication number Publication date
CN113407756A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
CN111368683B (zh) 基于模约束CenterFace的人脸图像特征提取方法及人脸识别方法
WO2022077863A1 (zh) 视觉定位方法及相关模型的训练方法及相关装置、设备
CN112950461A (zh) 全局与超像素分割相融合的色彩迁移方法
CN112507778B (zh) 一种基于线特征的改进词袋模型的回环检测方法
CN112364881A (zh) 一种进阶采样一致性图像匹配算法
CN114926742A (zh) 一种基于二阶注意力机制的回环检测及优化方法
CN113888603A (zh) 基于光流跟踪和特征匹配的回环检测及视觉slam方法
CN113407756B (zh) 一种基于自适应权重的肺结节ct图像重排序方法
CN113033345B (zh) 基于公共特征子空间的v2v视频人脸识别方法
CN108694411B (zh) 一种识别相似图像的方法
CN114358166A (zh) 一种基于自适应k均值聚类的多目标定位方法
CN110298399B (zh) 基于Freeman链码和矩特征融合的抽油井故障诊断方法
CN117095145A (zh) 一种牙齿网格分割模型的训练方法及终端
CN111192302A (zh) 一种基于运动平滑性和ransac算法的特征匹配方法
CN116824138A (zh) 基于点击点影响增强的交互式图像分割方法及设备
CN114170450A (zh) 一种基于区域一致性和gms的图像特征匹配方法
CN113221914A (zh) 一种基于杰卡德距离的图像特征点匹配和误匹配剔除方法
CN114821252B (zh) 一种图像识别算法的自成长方法
CN110110781B (zh) 基于优质邻接点的子空间聚类方法
CN116434250B (zh) 一种手写字符图像相似度确定模型训练方法
CN115830340B (zh) 一种点云目标识别方法和装置、存储介质
CN116109852B (zh) 一种快速及高精度的图像特征匹配错误消除方法
CN116468762B (zh) 一种变电站点云配准方法、装置、电子设备及存储介质
CN110045381B (zh) 一种基于线特征简化的侧扫声呐线特征匹配改进方法
CN115131589B (zh) 一种互联网文创作品智能设计的图像生成方法

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