CN116468923A - 一种基于加权重采样聚类不稳定性的图像强化方法及装置 - Google Patents
一种基于加权重采样聚类不稳定性的图像强化方法及装置 Download PDFInfo
- Publication number
- CN116468923A CN116468923A CN202310289846.0A CN202310289846A CN116468923A CN 116468923 A CN116468923 A CN 116468923A CN 202310289846 A CN202310289846 A CN 202310289846A CN 116468923 A CN116468923 A CN 116468923A
- Authority
- CN
- China
- Prior art keywords
- clustering
- image
- initial preference
- value
- preference value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012952 Resampling Methods 0.000 title claims abstract description 27
- 238000005728 strengthening Methods 0.000 title abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 210000000481 breast Anatomy 0.000 claims abstract description 29
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 claims abstract description 28
- 229910052750 molybdenum Inorganic materials 0.000 claims abstract description 28
- 239000011733 molybdenum Substances 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000001575 pathological effect Effects 0.000 claims abstract description 9
- 230000002787 reinforcement Effects 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004040 coloring Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims 4
- 238000007781 pre-processing Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 7
- 238000011282 treatment Methods 0.000 description 5
- 206010006187 Breast cancer Diseases 0.000 description 3
- 208000026310 Breast neoplasm Diseases 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 238000009607 mammography Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于加权重采样聚类不稳定性的图像强化方法,包括:步骤1、获取原始的图像,基于图像中的像素点构建对应的第一数据集与相似度矩阵;步骤2、计算每个初始偏好值对应的类簇集合;步骤3、对类簇集合进行有放回的重采样,获得多组重采样数据集;通过对每个重采样数据集进行聚类,并计算获得初始偏好值的聚类距离;步骤4、重复步骤3直至获得所有初始偏好值的聚类距离;步骤5、通过目标函数选取最优初始偏好值;步骤6、采用AP聚类算法对应第一数据集进行聚类,以获得带有病理区域图像强化的乳腺钼靶图像。本发明还提供了一种图像强化装置。本发明的方法该方法可以有效降低图像增强过程中噪点和离群点对强化结果的影响。
Description
技术领域
本发明涉及图像处理的技术领域,尤其涉及一种基于加权重采样聚类不稳定性的图像强化方法及装置。
背景技术
在现代医学诊断过程中,医学图像辅助诊断具有非常重要的作用。放射科医生通过非侵入式医学影像方法,来获得患者机体内部分组织的影像图像,可以尽量降低诊断过程中对患者带来的伤害。在医学图像获取过程中,不仅会受到各种类型和程度的噪声影响,可能还会存在条状伪影,这都会干扰医生对疾病的诊断、分析和治疗。因此,对医学图像进行去噪,并尽可能提升去噪准确性就具有十分重要的科学研究意义和临床使用价值。
近年来,乳腺癌的发病率显著提高,而定期乳腺X光(乳腺钼靶)筛查能够显著降低死于乳腺癌的风险,早期发现并及时治疗。乳腺X光片图像对比度低,特征不明显,需要医生进一步分析确定。X光图像生成过程中的噪声会对所得乳腺X光图像的干扰,并影响医生的判断。因此希望采用统计方法分割X光图像,辅助医生诊断达到减少误诊的效果。除此之外,可以将图像分成两类,根据X光图像中乳腺是否属于患者区分不同X光图像,作为神经网络训练集用于后续的乳腺癌诊断。
专利文献CN115311276A公开一种基于机器视觉的铁谱图像智能分割方法,该方法包括:将铁谱图像中的所有像素点转换为Lab颜色空间中的颜色点;根据初始聚类中心和第一色差值,获得所有颜色点的所有初始类别;获得每个初始类别中每个目标颜色点的合适程度,根据合适程度预测公式,获得每个初始类别的所有颜色点的合适程度,进而获得新的聚类中心;通过多次迭代,获得所有颜色点的最终类别;根据所有颜色点的最终类别,获得铁谱图像的分割结果。该方法重采样的方式对图像进行识别,但是其采样过程的采样比例为固定值,导致最终结果存在偏差。
学术文献基于聚类分析的医学图像分割综述[J].中国科技信息,2017,No.564(15):43+46.公开了医学图像分割方法主要分为基于聚类、基于区域、基于边缘、基于阈值以及结合特定理论的分割方法等。主要公开了各类图像分割聚类的方法,但是如何执行或应用在具体场景并未给出详细的技术方案。
发明内容
为了解决上述问题,本发明提供了一种基于加权重采样聚类不稳定性的图像强化方法,该方法可以有效降低图像增强过程中噪点和离群点对强化结果的影响,从而提高图像中特征的强化效果。
一种基于加权重采样聚类不稳定性的图像强化方法,包括:
步骤1、获取原始的乳腺钼靶图像,基于所述乳腺钼靶图像中的像素点构建对应的第一数据集,并根据像素点与其他像素点之间的关联度构建相似度矩阵。
步骤2、根据相似度矩阵中每个像素点与其他像素点的相似度值,确定包含多个初始偏好值的第二数据集,根据所述第二数据集中每个初始偏好值,分别通过AP聚类算法对相似度矩阵进行聚类,基于每个初始偏好值对应的聚类结果对第一数据集进行分簇,以获得每个初始偏好值对应的类簇集合。
步骤3、设定多组采样比例分别对所述类簇集合进行有放回的重采样,获得每组采样比例对应的重采样数据集。
通过AP聚类算法对每个重采样数据集进行聚类,并通过所有聚类结果计算获得类簇集合对应初始偏好值的聚类距离。
步骤4、重复步骤3直至获得所有初始偏好值对应的聚类距离。
步骤5、将每个初始偏好值的聚类距离带入目标函数中计算对应的聚类不稳定性,并选取聚类不稳定性最小对应的初始偏好值作为最优初始偏好值。
步骤6、基于最优初始偏好值,采用AP聚类算法对应第一数据集进行聚类并对聚类结果进行着色,以获得带有病理区域图像强化的乳腺钼靶图像。
本发明基于聚类不稳定性和加权重采样的改进AP聚类算法,对图像数据的特征值进行聚类,并对聚类结果进行多种采样比例下的重采样操作,并基于目标函数筛选下获得最优初始偏好值,从而使得图像数据的聚类强化结果更清晰和准确。
具体的,所述相似度矩阵通过提取第一数据中每个像素点的灰度值,并计算每个像素点与其他像素点之间灰度值的欧式距离进行构建。
优选的,所述相似度矩阵的具体表达如下:
式中,xd为第i像素点特征值,yd为第j像素点特征值,d′为像素点特征值的维度,D′为像素点所有特征值的维度,Xi为第i个像素点,Xj为第j个像素点,si,j为第i像素点特征值与第j像素点特征值的相似度,m和n为乳腺钼靶图像的长宽尺寸,由于所述相似度矩阵中的参数与后续的初始偏好值相关,因此将欧氏距离的结果做负值处理。
具体的,所述第二数据集的构建过程包括以下步骤:
对相似度矩阵中各像素点之间的相似度值进行递减的遍历,将遍历结果中最小的相似度值作为最小初始偏好值;
估计所述第一数据集的类簇个数范围作为对应的搜索范围,即[kmin,kmax]。
根据最小初始偏好值对所述第一数据集进行聚类,将聚类结果中的类簇个数作为所述搜索范围的取整起点,从所述搜索范围内确定初始偏好值集合,即取出[k最小初始偏好值,kmax]中的整数,反推出每个整数对应的初始偏好值,从而确定初始偏好值集合。
将所述初始偏好值集合和所述最小初始偏好值组成第二数据集合。
优选的,所述多组采样比例的生成方法如下:
根据类簇集合中类簇的个数k可以得到权重矩阵其中1表示元素全是1的k阶方阵,I表示k阶单位矩阵。
所述权重矩阵Wk的每一行表示一组采样比例,每一列表示当前采样比例对应类簇的权重。
即(w1,…,wk)为权重矩阵Wk的k元行向量,每个wi对应一种权重比例。wi,j表示使用wi作为权重比例,第j个类簇的采样权重。根据wi中元素,对每个类簇进行有放回的采样,构建包含各个类簇采样获得样本的重采样数据集。
具体的,在步骤3中,所述初始偏好值的聚类距离根据每两个聚类结果之间的距离进行计算获得,其具体表达如下:
式中,和/>为基于初始偏好值对应生成的随机两个聚类结果,Xi为第i个像素点,Xj为第j个像素点。
指示函数
如果和/>都将Xi和Xj分为同一类或者不同类,那么为0;
如果和/>其中一种结果将Xi和Xj分为同一类,另一种结果将Xi和Xj分为不同类,那么为1。
具体的,在步骤5中,所述目标函数的表示如下:
式中,IS(p)为聚类不稳定性,为初始偏好值的聚类距离,k为类簇集合中的类簇个数,/>为从k个不同元素中每次取出2个不同元素的组合总数。
具体的,步骤1中,在构建第一数据前需要对乳腺钼靶图像进行预处理,包括图像的归一化处理。
本发明还提供了一种图像强化装置,该装置可以对输入的乳腺钼靶图像进行图像强化,将存在病理区域图像进行着色,为医生诊断和制定医疗方案提供更好的指导。
该装置包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,所述计算机存储器中采用上述所述的基于加权重采样聚类不稳定性的图像强化方法。
所述计算机处理器执行所述计算机程序时实现以下步骤:
将待强化标注的乳腺钼靶图像输入至计算机中,通过基于加权重采样聚类不稳定性的图像强化方法对乳腺钼靶图像进行处理,以获得带有病理区域图像强化的乳腺钼靶图像。
与现有技术相比,本发明的有益效果:
本发明能够自适应地确定出数据聚类个数,并通过加权重采样来降低类簇中数据点的不确定性,减少离群点和噪声点对聚类结果的影响,从而提高聚类结果的鲁棒性和准确性,使得乳腺钼靶图像中的图像特征被很好的区分开,从而起到有效的医疗指导作用。
附图说明
图1为本实施例提供的一种基于加权重采样聚类不稳定性的图像强化方法的流程示意图;
图2为本实施例提供的重采样数据的生成流程图。
具体实施方式
如图1所示,一种乳腺钼靶图像强化方法,包括以下步骤:
步骤1、采集并处理需要强化的乳腺钼靶图像,将图像数据看为多个像素点构成的数据集,提取像素点的特征向量,即假定m×n尺寸的图像,那么图像上存在共mn个像素点,提取每个像素点对应有的灰度值作为特征值。
采用传统的欧氏距离计算每个像素点灰度值之间的关联度:
再基于关联度生成两个像素点之间的相似度值:
si,j=-dis(Xi,Xj)
即,当si,j越接近于0,Xi和Xj两点越相似。
最终基于上述的相似度值构建对应的相似度矩阵:
步骤2、根据相似度矩阵中每个像素点与其他像素点的相似度值,确定包含多个初始偏好值的第二数据集,根据所述第二数据集中每个初始偏好值,分别通过AP聚类算法对相似度矩阵进行聚类,基于每个初始偏好值对应的聚类结果对第一数据集进行分簇,以获得每个初始偏好值对应的类簇集合。
对于AP算法,输入相似度矩阵和初始偏好值,输出得到聚类。每个初始偏好值对应不同的聚类结果,当p越大则会将每个样本点视为独立的一类,而p越小会将小类簇合并成大类簇。基于图像噪声对聚类结果的影响,需要评估最有效的p值,得到更清晰的图像。p的取值范围则是相似度矩阵中每个不同的相似度值。
更进一步地,对相似度矩阵中各像素点之间的相似度值进行递减的遍历,将遍历结果中最小的相似度值作为最小初始偏好值。
估计所述第一数据集的类簇个数范围作为对应的搜索范围。
根据最小初始偏好值对所述第一数据集进行聚类,将聚类结果中的类簇个数作为所述搜索范围的取整起点,从所述搜索范围内确定初始偏好值集合。
将所述初始偏好值集合和所述最小初始偏好值组成第二数据集合。
步骤3、设定多组采样比例分别对所述类簇集合进行有放回的重采样,获得每组采样比例对应的重采样数据集,具体过程如图2所示。
通过AP聚类算法对每个重采样数据集进行聚类,并通过所有聚类结果计算获得类簇集合对应初始偏好值的聚类距离。
更进一步地,多组采样比例的生成方法如下:
根据类簇集合中类簇的个数k可以得到权重矩阵其中1表示元素全是1的k阶方阵,I表示k阶单位矩阵;
所述权重矩阵Wk的每一行表示一组采样比例,每一列表示当前采样比例对应类簇的权重。即权重矩阵Wk中的元素wi,j,表示第i种加权比例的第j个类簇的权重。
(w1,…,wk)为权重矩阵Wk的k元行向量,每个wi对应一种权重比例。wi,j表示使用wi作为权重比例,第j个类簇的采样权重。根据wi中元素,对每个类簇进行有放回的采样,构建包含各个类簇采样获得样本的重采样数据集。
初始偏好值的聚类距离根据每两个聚类结果之间的距离进行计算获得,其具体表达如下:
式中,和/>为基于初始偏好值对应生成的随机两个聚类结果,Xi为第i个像素点,Xj为第j个像素点;
指示函数
如果和/>都将Xi和Xj分为同一类或者不同类,那么为0;
如果和/>其中一种结果将Xi和Xj分为同一类,另一种结果将Xi和Xj分为不同类,那么为1。
对于比较聚类结果的距离,存在一个问题:那就是如何对应两类聚类结果得到的标签集,两次划分的相同类簇得到的标签可能并不相同。通过使用上述方式可以避免这个问题,并且适用于各种聚类算法得到的结果。
步骤4、重复步骤3直至获得所有初始偏好值对应的聚类距离。
步骤5、将每个初始偏好值的聚类距离带入目标函数中计算对应的聚类不稳定性,并选取聚类不稳定性最小对应的初始偏好值作为最优初始偏好值。
更进一步地,若聚类不稳定性指标较大,那么说明当前聚类划分对于噪声点、离群点敏感,这些点可能会单独成类,导致最后分割图像有阴影或者模糊。通过选择聚类不稳定性指标小的p值,AP算法会生成正确的聚类个数,得到更稳定的聚类结果。
因此,目标函数的表示如下:
式中,IS(p)为聚类不稳定性,为初始偏好值的聚类距离,k为类簇集合中的类簇个数,/>为从k个不同元素中每次取出2个不同元素的组合总数。
步骤6、基于最优初始偏好值,采用AP聚类算法对应第一数据集进行聚类并对聚类结果进行着色,以获得带有病理区域图像强化的乳腺钼靶图像。
即,根据聚类结果中的得到的聚类中心E{e1,…,ek}、标签L={l1,…,lmn}和类簇划分C={c1,c2,…,cK},聚类中心ei是指该类簇中相似值最高的像素点,而标签li是该像素点所在类簇的聚类中心,Ci指第i个类簇中包含的像素点集合。
最后,将每个类簇中所有的像素点颜色设置为该类簇的聚类中心的颜色,以此生成分割完图片输出。生成的图像会将不同区域分离开来,突出图像特征便于医生检测。
本实施例还提供了一种图像强化装置,基于上述实施例提出的乳腺钼靶图像强化方法实现对乳腺钼靶图像进行图像强化,将存在病理区域图像进行着色,为医生诊断和制定医疗方案提供更好的指导。
该装置包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序。
以软件实现为例,作为一个逻辑意义上的装置,是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的从硬件层面而言,除处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能,还可以包括其他硬件,对此不再赘述。
所述计算机处理器执行所述计算机程序时实现以下步骤:
将待强化标注的乳腺钼靶图像输入至计算机中,通过基于加权重采样聚类不稳定性的图像强化方法对乳腺钼靶图像进行处理,以获得带有病理区域图像强化的乳腺钼靶图像。
本发明能够自适应地确定出数据聚类个数,根据选中的聚类方法,并将数据样本正确分类。可以自由选择聚类算法,根据数据结构选择对应相似度测度,以适用于不同种类的医疗数据。通过加权重采样来降低类簇中数据点的不确定性,减少离群点和噪声点对聚类结果的影响,从而提高聚类结果的鲁棒性和准确性。
Claims (9)
1.一种基于加权重采样聚类不稳定性的图像强化方法,其特征在于,包括:
步骤1、获取原始的乳腺钼靶图像,基于所述乳腺钼靶图像中的像素点构建对应的第一数据集,并根据像素点与其他像素点之间的关联度构建相似度矩阵;
步骤2、根据相似度矩阵中每个像素点与其他像素点的相似度值,确定包含多个初始偏好值的第二数据集,根据所述第二数据集中每个初始偏好值,分别通过AP聚类算法对相似度矩阵进行聚类,基于每个初始偏好值对应的聚类结果对第一数据集进行分簇,以获得每个初始偏好值对应的类簇集合;
步骤3、设定多组采样比例分别对所述类簇集合进行有放回的重采样,获得每组采样比例对应的重采样数据集;
通过AP聚类算法对每个重采样数据集进行聚类,并通过所有聚类结果计算获得类簇集合对应初始偏好值的聚类距离;
步骤4、重复步骤3直至获得所有初始偏好值对应的聚类距离;
步骤5、将每个初始偏好值的聚类距离带入目标函数中计算对应的聚类不稳定性,并选取聚类不稳定性最小对应的初始偏好值作为最优初始偏好值;
步骤6、基于最优初始偏好值,采用AP聚类算法对应第一数据集进行聚类并对聚类结果进行着色,以获得带有病理区域图像强化的乳腺钼靶图像。
2.根据权利要求1所述的基于加权重采样聚类不稳定性的图像强化方法,其特征在于,在步骤1中,所述相似度矩阵通过提取第一数据中每个像素点的灰度值,并计算每个像素点与其他像素点之间灰度值的欧式距离进行构建。
3.根据权利要求1所述的基于加权重采样聚类不稳定性的图像强化方法,其特征在于,所述相似度矩阵的具体表达如下:
式中,xd为第i像素点特征值,yd为第j像素点特征值,d′为像素点特征值的维度,D′为像素点所有特征值的维度,Xi为第i个像素点,Xj为第j个像素点,si,j为第i像素点特征值与第j像素点特征值的相似度,m和n为乳腺钼靶图像的长宽尺寸。
4.根据权利要求1所述的基于加权重采样聚类不稳定性的图像强化方法,其特征在于,在步骤2中,所述第二数据集的构建过程包括以下步骤:
对相似度矩阵中各像素点之间的相似度值进行递减的遍历,将遍历结果中最小的相似度值作为最小初始偏好值;
估计所述第一数据集的类簇个数范围作为对应的搜索范围;
根据最小初始偏好值对所述第一数据集进行聚类,将聚类结果中的类簇个数作为所述搜索范围的取整起点,从所述搜索范围内确定初始偏好值集合;
将所述初始偏好值集合和所述最小初始偏好值组成第二数据集合。
5.根据权利要求1所述的基于加权重采样聚类不稳定性的图像强化方法,其特征在于,在步骤3中,所述多组采样比例的生成方法如下:
根据类簇集合中类簇的个数k可以得到权重矩阵其中1表示元素全是1的k阶方阵,I表示k阶单位矩阵;
所述权重矩阵Wk的每一行表示一组采样比例,每一列表示当前采样比例对应类簇的权重。
6.根据权利要求1所述的基于加权重采样聚类不稳定性的图像强化方法,其特征在于,在步骤3中,所述初始偏好值的聚类距离根据每两个聚类结果之间的距离进行计算获得,其具体表达如下:
式中,和/>为基于初始偏好值生成的随机两个聚类结果,Xi为第i个像素点,Xj为第j个像素点;
指示函数
如果和/>都将Xi和Xj分为同一类或者不同类,那么为0;
如果和/>其中一种结果将Xi和Xj分为同一类,另一种结果将Xi和Xj分为不同类,那么为1。
7.根据权利要求1所述的基于加权重采样聚类不稳定性的图像强化方法,其特征在于,在步骤5中,所述目标函数的表示如下:
式中,IS(p)为聚类不稳定性,为初始偏好值的聚类距离,k为类簇集合中的类簇个数,/>为从k个不同元素中每次取出2个不同元素的组合总数。
8.根据权利要求1所述的基于加权重采样聚类不稳定性的图像强化方法,其特征在于,在步骤1中,在构建第一数据前需要对乳腺钼靶图像进行预处理,包括图像的归一化处理。
9.一种图像强化装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其特征在于,所述计算机存储器中采用权利要求1~8任一项所述的基于加权重采样聚类不稳定性的图像强化方法;所述计算机处理器执行所述计算机程序时实现以下步骤:
将待强化标注的乳腺钼靶图像输入至计算机中,通过基于加权重采样聚类不稳定性的图像强化方法对乳腺钼靶图像进行处理,以获得带有病理区域图像强化的乳腺钼靶图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310289846.0A CN116468923A (zh) | 2023-03-23 | 2023-03-23 | 一种基于加权重采样聚类不稳定性的图像强化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310289846.0A CN116468923A (zh) | 2023-03-23 | 2023-03-23 | 一种基于加权重采样聚类不稳定性的图像强化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116468923A true CN116468923A (zh) | 2023-07-21 |
Family
ID=87181522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310289846.0A Pending CN116468923A (zh) | 2023-03-23 | 2023-03-23 | 一种基于加权重采样聚类不稳定性的图像强化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116468923A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557820A (zh) * | 2024-01-08 | 2024-02-13 | 浙江锦德光电材料有限公司 | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 |
-
2023
- 2023-03-23 CN CN202310289846.0A patent/CN116468923A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557820A (zh) * | 2024-01-08 | 2024-02-13 | 浙江锦德光电材料有限公司 | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 |
CN117557820B (zh) * | 2024-01-08 | 2024-04-16 | 浙江锦德光电材料有限公司 | 一种基于机器视觉的量子点光学膜损伤检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aamir et al. | A deep learning approach for brain tumor classification using MRI images | |
CN110321920B (zh) | 图像分类方法、装置、计算机可读存储介质和计算机设备 | |
CN106682435B (zh) | 一种多模型融合自动检测医学图像中病变的系统及方法 | |
CN109493308B (zh) | 基于条件多判别生成对抗网络的医疗图像合成与分类方法 | |
JP7279015B2 (ja) | マンモグラフィにおける密度の評価 | |
Li et al. | Dilated-inception net: multi-scale feature aggregation for cardiac right ventricle segmentation | |
Iyatomi et al. | An improved internet-based melanoma screening system with dermatologist-like tumor area extraction algorithm | |
Valsalan et al. | Knowledge based fuzzy c-means method for rapid brain tissues segmentation of magnetic resonance imaging scans with CUDA enabled GPU machine | |
CN107886514A (zh) | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 | |
WO2019000455A1 (zh) | 图像分割的方法及系统 | |
Hussain et al. | Cascaded regression neural nets for kidney localization and segmentation-free volume estimation | |
Nurmaini et al. | Accurate detection of septal defects with fetal ultrasonography images using deep learning-based multiclass instance segmentation | |
US20070280530A1 (en) | Using Candidates Correlation Information During Computer Aided Diagnosis | |
CN112381811B (zh) | 一种实现医学影像数据标注的方法、装置及设备 | |
CN110738662B (zh) | 基于细粒度医学图像分割与真值发现数据扩增的垂体瘤质地影像分级方法 | |
Wu et al. | Semi-automatic segmentation of brain tumors using population and individual information | |
CN112348059A (zh) | 基于深度学习的多种染色病理图像分类方法及系统 | |
Poh et al. | Automatic segmentation of ventricular cerebrospinal fluid from ischemic stroke CT images | |
JP2023516651A (ja) | 訓練データにおける欠落したアノテーションに対処するためのクラス別損失関数 | |
Sirjani et al. | Automatic cardiac evaluations using a deep video object segmentation network | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
CN116468923A (zh) | 一种基于加权重采样聚类不稳定性的图像强化方法及装置 | |
Liu et al. | Toward automated right ventricle segmentation via edge feature-induced self-attention multiscale feature aggregation full convolution network | |
Kalsoom et al. | An efficient liver tumor detection using machine learning | |
CN111753916B (zh) | 高清医疗图像中的小型病变的自动标记方法及系统 |
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 |