CN116168214A - 医疗图像纹理特征提取方法、装置及应用 - Google Patents

Abstract

本方案提供了一种医疗图像纹理特征提取方法、装置及应用，该方案在二维医学影像上随机选取起始点和终止点，在每个起始点和每个终止点之间构建得到多条直线轨迹，将每条直线轨迹分割为若干设定长度的轨迹段，设定二维医学影像上每个像素点的强度值为当前像素点的高度，基于当前轨迹段的轨迹时间、轨迹速度、坡度百分比计算当前轨迹段的轨迹段功率和轨迹段能量，取所有直线轨迹的轨迹功率的平均值作为第一努力特征，取所有直线轨迹的轨迹能量的平均值作为第二努力特征，以第一努力特征和第二努力特征作为所述二维医学影像的纹理特征，改变了传统的纹理特征的提取方法，仅用两个特征即可表征纹理特征。

Description

医疗图像纹理特征提取方法、装置及应用

技术领域

本申请涉及特征提取领域，特别是涉及一种医疗图像纹理特征提取方法、装置及应用。

背景技术

近年来，深度学习在医疗领域的应用日益深远，涉及医疗图像应用最广泛的技术为图像分类，目前最常见的应用场景为利用图像分类技术来检测医疗图像对应的内部器官是否出现病变，对应的市面上已经出现了非常多针对不同病变的计算机辅助诊断系统。利用计算机辅助诊断系统对医疗图像进行图像分类时的重要部分是实现医疗图像的图像特征提取，通常情况下往往需要大量的图像特征方可实现准确的图像分类结果。

在医疗图像领域的图像分类中，纹理特征被广泛地应用于定量化描述病灶的特性，相比病灶影像的统计学特征和形状特征，纹理特征的计算往往较为复杂，但是其对病灶的区分效果也往往是最好的。纹理特征本质上是一种“二阶特征”,其并不是直接从医疗图像中直接得到的，而是需要通过某种计算将医疗图像中的特征提取出来后置于一个中间矩阵中，之后在中间矩阵上定义系列的统计量得到纹理特征。中间矩阵又根据类型的不同被区分为灰度共生矩阵、灰度尺寸区域矩阵、灰度游程矩阵、灰度依赖矩阵以及相邻灰度差分矩阵，可见目前对于医疗图像的纹理特征的提取是需要针对医疗图像中的每个灰阶或者灰阶之间的相互关系构建中间矩阵，再从中间矩阵中计算得到，导致目前医疗图像的纹理特征的获取方式存在难度大、计算复杂以及特征量巨大的缺陷，进而导致提取得到的纹理特征用于图像分类时也会造成训练模型的压力的增大，从而限制了医疗图像的图像分类。

发明内容

本申请实施例提供了一种医疗图像纹理特征提取方法、装置及应用，提供了医疗图像纹理特征的提取方法，仅用两个特征即可充分表征医疗图像的纹理特征，简化纹理特征的提取步骤的同时优化了后期的图像分类模型的计算量。

第一方面，本申请实施例提供了一种医疗图像的纹理特征提取方法，包括以下步骤：

S1:获取包含目标区域的二维医学影像；

S2:在所述二维医学影像上的目标区域上随机选取起始点和终止点，在每个起始点和每个终止点之间构建得到多条直线轨迹，将每条直线轨迹分割为若干设定长度的轨迹段，设定二维医学影像上每个像素点的强度值为当前像素点的高度；

S3: 以任一直线轨迹上的每条轨迹段的端点位置的像素点的高度计算当前轨迹段的高度落差，基于所述高度落差和所述设定长度计算当前轨迹段的坡度百分比以及当前轨迹段的轨迹距离，基于所述坡度百分比获取当前轨迹段的轨迹速度，基于所述轨迹速度和所述轨迹距离获取当前轨迹段的轨迹时间，基于当前轨迹段的所述轨迹时间、轨迹速度、坡度百分比计算当前轨迹段的轨迹段功率和轨迹段能量，汇总当前直线轨迹上的所有轨迹段的轨迹段功率和轨迹段能量得到当前直线轨迹的轨迹功率和轨迹能量；

S4:遍历执行步骤S3获取每一直线轨迹的轨迹功率和轨迹能量，取所有直线轨迹的轨迹功率的平均值作为第一努力特征，取所有直线轨迹的轨迹能量的平均值作为第二努力特征，以第一努力特征和第二努力特征作为所述二维医学影像的纹理特征。

第二方面，本申请实施例提供了一种医疗图像分类方法，包括如下步骤：获取医疗图像，将医疗图像输入到任一所述的医疗图像的纹理特征提取方法提取的纹理特征训练得到的图像分类模型中输出分类结果。

第三方面，本申请实施例提供了一种医疗图像的纹理特征提取装置，包括：医学影像获取单元，用于获取包含目标区域的二维医学影像；直线轨迹获取单元，用于在所述二维医学影像上的目标区域上随机选取起始点和终止点，在每个起始点和每个终止点之间构建得到多条直线轨迹，将每条直线轨迹分割为若干设定长度的轨迹段，设定二维医学影像上每个像素点的强度值为当前像素点的高度；单轨迹功率能量获取单元，用于以任一直线轨迹上的每条轨迹段的端点位置的像素点的高度计算当前轨迹段的高度落差，基于所述高度落差和所述设定长度计算当前轨迹段的坡度百分比以及当前轨迹段的轨迹距离，基于所述坡度百分比获取当前轨迹段的轨迹速度，基于所述轨迹速度和所述轨迹距离获取当前轨迹段的轨迹时间，基于当前轨迹段的所述轨迹时间、轨迹速度、坡度百分比计算当前轨迹段的轨迹段功率和轨迹段能量，汇总当前直线轨迹上的所有轨迹段的轨迹段功率和轨迹段能量得到当前直线轨迹的轨迹功率和轨迹能量；纹理特征获取单元，用于获取每一直线轨迹的轨迹功率和轨迹能量，取所有直线轨迹的轨迹功率的平均值作为第一努力特征，取所有直线轨迹的轨迹能量的平均值作为第二努力特征，以第一努力特征和第二努力特征作为所述二维医学影像的纹理特征。

本发明的主要贡献和创新点如下：

本申请实施例提供了一种医疗图像纹理特征提取方法，该方法将二维平面的医疗图像转换为以像素点为高度的三维医疗图像，利用三维医疗图像上随机选取的直线路径的努力特征的平均值作为该二维医疗图像的纹理特征，改变了传统的纹理特征的提取方法，仅用两个特征即可表征纹理特征。且相比过去已有的纹理特征在医疗图像分类中具有良好的效果，可以减少在模型训练中的特征使用数量，降低了手工提取大量特征的难度。

另外，本方案提取得到的纹理特征可被用于图像分类，其纹理特征可与其他用于图像分类的特征进行结合以共同用于图像分类，特征之间具有很好的兼容性和互补性，进而提高模型训练的效果。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的医疗图像纹理特征提取方法的流程图；

图2是本方案获取纹理特征的原理示意图；

图3是根据本申请实施例的库装置的结构框图；

图4是根据本申请实施例的电子装置的硬件结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。

需要说明的是：在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中，其方法所包括的步骤可以比本说明书所描述的更多或更少。此外，本说明书中所描述的单个步骤，在其他实施例中可能被分解为多个步骤进行描述；而本说明书中所描述的多个步骤，在其他实施例中也可能被合并为单个步骤进行描述。

实施例一

本方案提供了一种医疗图像的纹理特征提取方法，不再需要利用医疗图像中的每个灰阶或者灰阶之间的相互关系构建中间矩阵来计算得到复杂的纹理特征，用两个特征即可表征纹理特征，且验证本方案的纹理特征在图像分类时表现良好。

在介绍本方案的纹理特征提取方法之前，首先对本方案的纹理特征提取原理进行说明，以便于后续对纹理特征提取方法的理解。

本方案对二维的医疗图像进行处理，将二维的医疗图像的平面上每个像素点的强度值作为该像素点的强度峰值，则将二维的医疗图像转换为三维的医疗图像；且由于目标的不同像素点的强度值不同，故每一张转换后的三维的医疗图像都是一个不规则的凹凸不平的丘陵表面，在丘陵上的起点到不同终点之间可以追踪到不同的直线路径，将每条路径设想为骑手的骑行路径的话，那么车手在特定的骑行路径上需要付出特定的努力才能到达终点，而车手在不同路径上需要付出的努力直接相关于该路径的长度和起伏状态，而路径的长度和起伏状态就是医疗图像上对应该路径的纹理，假设所有的车手随机地在整个丘陵表面上进行行走时，计算多条路径的平均能量和功率以获取所有车手在该丘陵表面的平均努力特征，本方案将纹理特征的提取转换为平均努力特征，通过提取平均努力特征的方式来表征医疗图像的纹理特征。

如图2所示，图2中的RGB图像1和RGB图像2的纹理不同，每张RGB图像上的像素点的像素强度值不同，如图2中的（a）可见RGB图像1转换的三维的医学影像不同于RGB图像2转换得到的三维的医学影像，如图2中的（b）所示，若假设某个车手在RGB图像1中沿着设定路径进行骑行，相同的车手在RGB图像2中沿着一样的路径进行骑行，如图2中的（c）所示，若命名该设定路径为弹道的话，则该弹道中每个位置的像素强度值是不同的，得到的弹道的长度-图像强度值的图也是完全不同的。

如图1所示，具体的，本方案提供了一种医疗图像的纹理特征提取方法，包括以下步骤：

S1:获取包含目标区域的二维医学影像；

S2:在所述二维医学影像上的目标区域上随机选取起始点和终止点，在每个起始点和每个终止点之间构建得到多条直线轨迹，将每条直线轨迹分割为若干设定长度的轨迹段，设定二维医学影像上每个像素点的强度值为当前像素点的高度；

S3: 以任一直线轨迹上的每条轨迹段的端点位置的像素点的高度计算当前轨迹段的高度落差，基于所述高度落差和所述设定长度计算当前轨迹段的坡度百分比以及当前轨迹段的轨迹距离，基于所述坡度百分比获取当前轨迹段的轨迹速度，基于所述轨迹速度和所述轨迹距离获取当前轨迹段的轨迹时间，基于当前轨迹段的所述轨迹时间、轨迹速度、坡度百分比计算当前轨迹段的轨迹段功率和轨迹段能量，汇总当前直线轨迹上的所有轨迹段的轨迹段功率和轨迹段能量得到当前直线轨迹的轨迹功率和轨迹能量；

S4:遍历执行步骤S3获取每一直线轨迹的轨迹功率和轨迹能量，取所有直线轨迹的轨迹功率的平均值作为第一努力特征，取所有直线轨迹的轨迹能量的平均值作为第二努力特征，以第一努力特征和第二努力特征作为所述二维医学影像的纹理特征。

本方案定义努力特征为表征二维医学影像上任选直线轨迹所需要消耗的能量，包括每一直线轨迹的轨迹功率和轨迹能量。

在“获取包含目标区域的二维医学影像”步骤中，二维医学影像可以为包括目标区域的X光片，核磁共振图像，CT图像，超声图像或各类光学图像。本文中所指代的目标区域为对应的内部器官，可以是肺部、胸部、喉部等需要进行图像分类的医学器官。

在“在所述二维医学影像上的目标区域上随机选取起始点和终止点，在每个起始点和每个终止点之间构建得到多条直线轨迹”步骤中，尽可能选择足够多样本的直线轨迹，在本方案中选择大于200条直线轨迹进行处理，具体的直线轨迹的数量根据实际情况可做出调整。

另外，在为了保证最终计算的纹理特征是具有代表性的，故本方案设定构建的直线轨迹彼此之间不重合，且每一直线轨迹的长度不低于二维医学影像的对角线长度的10%。

对应的，获取二维医学影像的目标区域的对角线长度，若某一直线轨迹的长度小于对角线长度的10%则剔除所述直线轨迹，且确保最终保留的直线轨迹的数量大于设定阈值。

在“设定二维医学影像上每个像素点的强度值为当前像素点的高度”步骤中，将二维医学影像的平面的高度设定为0，将每一目标区域的像素点的强度值设定为当前像素点的高度，以此方式则可将二维医学影像转换为以像素的强度值为第三维度信息的三维医学影像。为了便于计算，本方案将每一直线轨迹下的像素点的强度值存储为矢量数值。

为了计算每一直线轨迹的轨迹功率和轨迹能量，本方案借助了微积分的概念将每一直线轨迹区分为设定长度的轨迹段，且保证每一轨迹段近似为直线且具有近似相同的坡度。在一些实施例中，为了便于后续的计算，将每一直线轨迹区分为等长的轨迹段，且每一轨迹段的设定长度控制在保证每条轨迹段为近似直线的程度。

在步骤S3中，本方案计算每一直线轨迹的轨迹功率和轨迹能量，如前所述，本方案将二维医学影像的目标区域的纹理特征转换为努力特征，对应不同的纹理产生不同的努力特征。

具体的，由于每个像素点的强度值不尽相同，故每个像素点的高度也不尽相同，故本方案通过获取任一直线轨迹的每条轨迹段位于端点位置的像素点的强度值作为像素点的高度，取两个像素点的高度的差值作为当前轨迹段的高度落差。换言之，本方案获取当前轨迹段的端点位置的像素点的强度值的差值作为当前轨迹段的高度落差。

示例性，若两个像素点的强度值的差值为0的话，则表明当前轨迹段的高度落差也为0，则当前轨迹段为水平线。若两个像素点的强度值的差值为10的话，则表明当前轨迹段的高度落差为10，则当前轨迹段为具有一定坡度的线段。

在获取了当前轨迹段的高度落差后，则可结合所述设定长度计算当前轨迹段的坡度百分比，具体的计算公式为取高度落差和设定长度的商值作为坡度百分比，具体计算公式如下：

其中S _n为第n条轨迹段的坡度百分比，h _n为第n条轨迹段的高度落差，L为设定长度。

同样的，在获取了当前轨迹段的高度落差后，结合所述设定长度也可获取当前轨迹段的轨迹距离，具体的计算公式为取高度落差的平方值和设定长度的平方值的和的根号值，具体计算公式如下：

其中

为第n条轨迹段的轨迹距离，h _n为第n条轨迹段的高度落差，L为设定长度。

不同坡度对应的速度不同，本方案预设坡度百分比同轨迹速度的关系表，坡度百分比和轨迹速度呈现负相关的关系，故本方案在获取坡度百分比后从所述关系表中选择对应的轨迹速度。

在一些实施例中，坡度百分比同轨迹速度的关系表如下表一所示：

表一 坡度百分比同轨迹速度的关系表

当然，轨迹速度的具体数值可以根据实际情况进行变动。本方案的轨迹速度对照实际车赛中车手在不同坡度下的平均速度进行设定。

在获取轨迹速度后，本方案可基于所述轨迹速度和所述轨迹距离求取通过当前轨迹段的轨迹时间，具体的计算公式为取轨迹距离和轨迹速度的商值，具体计算公式如下：

其中

为第n条轨迹段的轨迹距离，t _n为第n条轨迹段的轨迹时间，v为轨迹速度。

在“基于当前轨迹段的所述轨迹时间、轨迹速度、坡度百分比计算当前轨迹段的轨迹段功率和轨迹段能量”步骤中，利用坡度百分比的反正切函数的正弦值计算第一阻力，利用坡度百分比的反正切函数的余弦值和预设的摩擦常数计算第二阻力，取第一阻力、第二阻力和预设的阻力常数的合值作为总阻力，计算所述总阻力和所述轨迹速度的乘积得到轨迹段功率，计算所述总阻力和所述轨迹速度、轨迹时间的乘积得到轨迹段能量。

具体的，取坡度百分比的反正切函数的正弦值和重力常数的乘积作为第一阻力，取坡度百分比的反正切函数的余弦值、摩擦常数和重力常数的乘积作为第二阻力，其中摩擦常数和重力常数均为预设的不变常数。

具体的计算公式如下：

其中F _G为第一阻力，F _R为第二阻力，F _A为阻力常数，F _TOTAL为总阻力，arctan(S)为坡度百分比的反正切函数，C _r为摩擦常数，m.g为重力常数。

计算轨迹段功率和轨迹段能量的公式如下所示：

其中P为轨迹段功率，E为轨迹段能量。

值得一提的是，由于不同坡度百分比的轨迹速度是不同的，故轨迹速度的作用是轨迹段功率和轨迹段能量进行放大。

利用以上计算方法计算每一轨迹段的轨迹段功率和轨迹段能量后，汇总当前直线轨迹上的所有轨迹段的轨迹段功率和轨迹段能量得到当前直线轨迹的轨迹功率和轨迹能量。具体的计算公式如下：

其中P _i表示的是第i条直线轨迹的轨迹功率，E _i表示的是第i条直线轨迹的轨迹能量，N是当前直线轨迹的轨迹段的总数。

本方案计算多条直线轨迹的轨迹功率后取平均值后得到第一努力特征，计算多条直线轨迹的轨迹能量后取平均值得到第二努力特征，第一努力特征和第二努力特征作为该二维医疗图像的纹理特征。

本方案得到的医疗图像的纹理特征可被用于图像分类，为了也正该纹理特征在图像分类时具有实际的效果，具体的验证过程如下：特征选择：选用喉部内窥镜窄带成像（CE-NBI）图像作为数据集，利用上述提供的医疗图像的纹理特征提取方法提取喉部内窥镜窄带成像（CE-NBI）图像的第一努力特征和第二努力特征，将第一努力特征和第二努力特征汇总为纹理特征，为了方便以下实验对特征进行说明，将本方案获取的纹理特征命名为CEF。另外，选用同一数据集的喉部内窥镜窄带成像（CE-NBI）图像的几何特征集GF以及熵特征集EF作为评估指标，其中几何特征集GF包括24个特征，熵特征集EF包括13个特征，而纹理特征CEF包括2个特征。

单类特征的图像分类效果验证：分别用三类特征集，单独分别训练近邻算法,支持向量机,随机森林模型，结果CEF特征仅用2个特征就表现出了与GF特征集和EF特征集相近的分类效果，具体的模型性能数据如下表二所示：

表二 单类特征的图像分类效果

组合特征的图像分类效果验证：将三类特征集两两组合训练模型。结果不论是GF特征集还是EF特征集，在与CEF特征组合后，训练出的模型效果都得到了极大的提升。相反的GF和EF特征集之间组合的提升效果并不明显，结果数据如表三所示：

表三 组合特征的图像分类效果

最后将三类特征集全部用于训练模型后，计算其特征重要性排名，结果如表四所示，可见CEF特征的两个特征的特征重要性排名占据前两名，由此可见利用本方案得到的CEF特征可以很好用于表征图像的纹理特征。

表四 特征重要度

。

实施例二

本方案提供了一种医疗图像的纹理特征提取方法的应用，本方案可将提取得到的纹理特征用于图像分类，对应的，本方案提供了一种医疗图像分类方法，包括如下步骤：获取医疗图像，将医疗图像输入到利用上述医疗图像的纹理特征提取方法提取的纹理特征训练得到的图像分类模型中输出分类结果。

当然，本方案还可将其他用于图像分类的特征一并输入到分类模型中进行训练得到对应的图像分类模型，也就是说，本方案提供的纹理特征过去医疗图像分类中经常用到的特征（如几何特征集和熵特征集）在图像分类训练中具有很好的兼容性和互补性，可以有效提高模型训练效果。

实施例三

基于相同的构思，参考图3，本申请还提出了一种医疗图像的纹理特征提取装置，包括：

医学影像获取单元，用于获取包含目标区域的二维医学影像；

直线轨迹获取单元，用于在所述二维医学影像上的目标区域上随机选取起始点和终止点，在每个起始点和每个终止点之间构建得到多条直线轨迹，将每条直线轨迹分割为若干设定长度的轨迹段，设定二维医学影像上每个像素点的强度值为当前像素点的高度；

单轨迹功率能量获取单元，用于以任一直线轨迹上的每条轨迹段的端点位置的像素点的高度计算当前轨迹段的高度落差，基于所述高度落差和所述设定长度计算当前轨迹段的坡度百分比以及当前轨迹段的轨迹距离，基于所述坡度百分比获取当前轨迹段的轨迹速度，基于所述轨迹速度和所述轨迹距离获取当前轨迹段的轨迹时间，基于当前轨迹段的所述轨迹时间、轨迹速度、坡度百分比计算当前轨迹段的轨迹段功率和轨迹段能量，汇总当前直线轨迹上的所有轨迹段的轨迹段功率和轨迹段能量得到当前直线轨迹的轨迹功率和轨迹能量；

纹理特征获取单元，用于获取每一直线轨迹的轨迹功率和轨迹能量，取所有直线轨迹的轨迹功率的平均值作为第一努力特征，取所有直线轨迹的轨迹能量的平均值作为第二努力特征，以第一努力特征和第二努力特征作为所述二维医学影像的纹理特征。

实施例四

本实施例还提供了一种电子装置，参考图4，包括存储器404和处理器402，该存储器404中存储有计算机程序，该处理器402被设置为运行计算机程序以执行上述任一项医疗图像的纹理特征提取方法或者医疗图像分类方法的实施例中的步骤。

具体地，上述处理器402可以包括中央处理器（CPU），或者特定集成电路（ApplicationSpecificIntegratedCircuit，简称为ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。

其中，存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制，存储器404可包括硬盘驱动器（HardDiskDrive，简称为HDD）、软盘驱动器、固态驱动器（SolidStateDrive，简称为SSD）、闪存、光盘、磁光盘、磁带或通用串行总线（UniversalSerialBus，简称为USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器404可包括可移除或不可移除（或固定）的介质。在合适的情况下，存储器404可在数据处理装置的内部或外部。在特定实施例中，存储器404是非易失性（Non-Volatile）存储器。在特定实施例中，存储器404包括只读存储器（Read-OnlyMemory，简称为ROM）和随机存取存储器（RandomAccessMemory，简称为RAM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（ProgrammableRead-OnlyMemory，简称为PROM）、可擦除PROM（ErasableProgrammableRead-OnlyMemory，简称为EPROM）、电可擦除PROM（ElectricallyErasableProgrammableRead-OnlyMemory，简称为EEPROM）、电可改写ROM（ElectricallyAlterableRead-OnlyMemory，简称为EAROM）或闪存（FLASH）或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器（StaticRandom-AccessMemory，简称为SRAM）或动态随机存取存储器（DynamicRandomAccessMemory，简称为DRAM），其中，DRAM可以是快速页模式动态随机存取存储器404（FastPageModeDynamicRandomAccessMemory，简称为FPMDRAM）、扩展数据输出动态随机存取存储器（ExtendedDateOutDynamicRandomAccessMemory，简称为EDODRAM）、同步动态随机存取内存（SynchronousDynamicRandom-AccessMemory，简称SDRAM）等。

存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器402所执行的可能的计算机程序指令。

处理器402通过读取并执行存储器404中存储的计算机程序指令，以实现上述实施例中的任意一种任一项医疗图像的纹理特征提取方法或者医疗图像分类方法。

可选地，上述电子装置还可以包括传输设备406以及输入输出设备408，其中，该传输设备406和上述处理器402连接，该输入输出设备408和上述处理器402连接。

传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中，传输设备包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备406可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

输入输出设备408用于输入或输出信息。在本实施例中，输入的信息可以是医疗图像等，输出的信息可以是纹理特征或者分类结果等。

可选地，在本实施例中，上述处理器402可以被设置为通过计算机程序执行以下步骤：

S1:获取包含目标区域的二维医学影像；

S2:在所述二维医学影像上的目标区域上随机选取起始点和终止点，在每个起始点和每个终止点之间构建得到多条直线轨迹，将每条直线轨迹分割为若干设定长度的轨迹段，设定二维医学影像上每个像素点的强度值为当前像素点的高度；

S3: 以任一直线轨迹上的每条轨迹段的端点位置的像素点的高度计算当前轨迹段的高度落差，基于所述高度落差和所述设定长度计算当前轨迹段的坡度百分比以及当前轨迹段的轨迹距离，基于所述坡度百分比获取当前轨迹段的轨迹速度，基于所述轨迹速度和所述轨迹距离获取当前轨迹段的轨迹时间，基于当前轨迹段的所述轨迹时间、轨迹速度、坡度百分比计算当前轨迹段的轨迹段功率和轨迹段能量，汇总当前直线轨迹上的所有轨迹段的轨迹段功率和轨迹段能量得到当前直线轨迹的轨迹功率和轨迹能量；

S4:遍历执行步骤S3获取每一直线轨迹的轨迹功率和轨迹能量，取所有直线轨迹的轨迹功率的平均值作为第一努力特征，取所有直线轨迹的轨迹能量的平均值作为第二努力特征，以第一努力特征和第二努力特征作为所述二维医学影像的纹理特征。

需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

通常，各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现，而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现，但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示，但是应当理解，作为非限制性示例，本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。

本发明的实施例可以由计算机软件来实现，该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行，或者由硬件来实现，或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中，并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外，在这一点上，应当注意，如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。

本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种医疗图像的纹理特征提取方法，其特征在于，包括以下步骤：

S1:获取包含目标区域的二维医学影像；

S2:在所述二维医学影像上的目标区域上随机选取起始点和终止点，在每个起始点和每个终止点之间构建得到多条直线轨迹，将每条直线轨迹分割为若干设定长度的轨迹段，设定二维医学影像上每个像素点的强度值为当前像素点的高度；

S3: 以任一直线轨迹上的每条轨迹段的端点位置的像素点的高度计算当前轨迹段的高度落差，基于所述高度落差和所述设定长度计算当前轨迹段的坡度百分比以及当前轨迹段的轨迹距离，基于所述坡度百分比获取当前轨迹段的轨迹速度，基于所述轨迹速度和所述轨迹距离获取当前轨迹段的轨迹时间，基于当前轨迹段的所述轨迹时间、轨迹速度、坡度百分比计算当前轨迹段的轨迹段功率和轨迹段能量，汇总当前直线轨迹上的所有轨迹段的轨迹段功率和轨迹段能量得到当前直线轨迹的轨迹功率和轨迹能量；

S4:遍历执行步骤S3获取每一直线轨迹的轨迹功率和轨迹能量，取所有直线轨迹的轨迹功率的平均值作为第一努力特征，取所有直线轨迹的轨迹能量的平均值作为第二努力特征，以第一努力特征和第二努力特征作为所述二维医学影像的纹理特征。

2.根据权利要求1所述的医疗图像的纹理特征提取方法，其特征在于，获取二维医学影像的目标区域的对角线长度，若某一直线轨迹的长度小于对角线长度的10%则剔除所述直线轨迹，且确保最终保留的直线轨迹的数量大于设定阈值。

3.根据权利要求1所述的医疗图像的纹理特征提取方法，其特征在于，将二维医学影像的平面的高度设定为0，将每一目标区域的像素点的强度值设定为当前像素点的高度。

4.根据权利要求1所述的医疗图像的纹理特征提取方法，其特征在于，取高度落差和设定长度的商值作为坡度百分比，取高度落差的平方值和设定长度的平方值的和的根号值为轨迹距离。

5.根据权利要求1所述的医疗图像的纹理特征提取方法，其特征在于，在获取坡度百分比后从所述关系表中选择对应的轨迹速度。

6.根据权利要求1所述的医疗图像的纹理特征提取方法，其特征在于，利用坡度百分比的反正切函数的正弦值计算第一阻力，利用坡度百分比的反正切函数的余弦值和预设的摩擦常数计算第二阻力，取第一阻力、第二阻力和预设的阻力常数的合值作为总阻力，计算所述总阻力和所述轨迹速度的乘积得到轨迹段功率，计算所述总阻力和所述轨迹速度、轨迹时间的乘积得到轨迹段能量。

7.一种医疗图像分类方法，其特征在于，包括如下步骤：获取医疗图像，将医疗图像输入到利用权利要求1到6任一所述的医疗图像的纹理特征提取方法提取的纹理特征训练得到的图像分类模型中输出分类结果。

8.一种医疗图像的纹理特征提取装置，其特征在于，包括：

医学影像获取单元，用于获取包含目标区域的二维医学影像；

直线轨迹获取单元，用于在所述二维医学影像上的目标区域上随机选取起始点和终止点，在每个起始点和每个终止点之间构建得到多条直线轨迹，将每条直线轨迹分割为若干设定长度的轨迹段，设定二维医学影像上每个像素点的强度值为当前像素点的高度；

单轨迹功率能量获取单元，用于以任一直线轨迹上的每条轨迹段的端点位置的像素点的高度计算当前轨迹段的高度落差，基于所述高度落差和所述设定长度计算当前轨迹段的坡度百分比以及当前轨迹段的轨迹距离，基于所述坡度百分比获取当前轨迹段的轨迹速度，基于所述轨迹速度和所述轨迹距离获取当前轨迹段的轨迹时间，基于当前轨迹段的所述轨迹时间、轨迹速度、坡度百分比计算当前轨迹段的轨迹段功率和轨迹段能量，汇总当前直线轨迹上的所有轨迹段的轨迹段功率和轨迹段能量得到当前直线轨迹的轨迹功率和轨迹能量；

纹理特征获取单元，用于获取每一直线轨迹的轨迹功率和轨迹能量，取所有直线轨迹的轨迹功率的平均值作为第一努力特征，取所有直线轨迹的轨迹能量的平均值作为第二努力特征，以第一努力特征和第二努力特征作为所述二维医学影像的纹理特征。

9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1到6任一所述的医疗图像的纹理特征提取方法或者权利要求7所述的医疗图像分类方法。

10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序，所述计算机程序包括用于控制过程以执行过程的程序代码，所述过程包括根据权利要求1到6任一所述的医疗图像的纹理特征提取方法或者权利要求7所述的医疗图像分类方法。

Images