一種局灶性病灶的非參數自動檢測方法技術

一種局灶性病灶的非參數自動檢測方法，預先以已經勾畫好病灶的醫學病灶圖像作為樣本構建樣本集A1數據庫，分別提取樣本集A1中每一幅圖像的目標區域和背景區域的局部描述子，得到樣本集A1中所有目標區域局部描述子組成的目標特征庫F1和樣本集A1中所有背景區域局部描述子組成的背景特征庫F2；處理時具體包括下列步驟：（1）將待處理的醫學病灶圖像I分為多個子區域；（2）用NBNN分類器對每個子區域進行分類；（3）計算目標函數，得到病灶檢測結果。本發明專利技術不需預先建立參數化模型，且不需要對圖像局部描述子進行量化，應用靈活，圖像局部描述子鑒別能力強，能精確檢測局灶性病灶。

【技術實現步驟摘要】
一種局灶性病灶的非參數自動檢測方法
本專利技術涉及醫學圖像中的病灶自動檢測方法，具體來說涉及一種醫學圖像中局灶性病灶的非參數自動檢測方法。
技術介紹
在臨床診斷中，醫學圖像中的病灶檢測和分割十分重要，因為所提取的病灶區域可以為醫生提供病灶的解剖結構信息，并為后續的治療和病人跟蹤提供依據。然而，人工檢測和分割病灶區域非常費時，由于一些病灶組織與其周圍的正常組織對比度不明顯，不同的臨床專家所分割的病灶區域可能存在差異，容易增加后續診斷和跟蹤的難度。針對人工檢測和分割病灶區域的不足，研究人員提出了很多自動檢測和分割病灶的方法。其中大多數自動檢測病灶的方法都是基于建立參數化模型，通過訓練樣本來學習和調整模型中的參數，然后使用模型對圖像中的像素點或區域進行分類判別，判斷其是否屬于病灶邊界或病灶區域。這種基于參數化模型的病灶檢測和分割方法有幾點不足：首先，針對不同的訓練樣本(如：不同的病灶類型圖像)，該方法都需要重新訓練模型中的參數，不夠簡便；其次，由于訓練樣本一般比較少，從而參數模型會產生過擬合的現象，即對于訓練樣本能很好地進行分類判斷，但是對于樣本集以外的數據分類性能較差。相對于參數模型，非參數模型不需要經過訓練階段，因此，非參數模型使用簡便，而且可以避免參數模型中的過擬合問題。現有技術中，在計算機視覺領域，基于詞袋(BagofVisualWords,BoW)模型的方法是進行圖像分類的常用方法。詞袋模型需要對圖像局部描述子進行量化，而量化會降低圖像局部描述子的鑒別能力。因此，針對現有技術不足，提供一種能精確檢測局灶性病灶的非參數自動檢測方法甚為必要。
技術實現思路
本專利技術的目的在于針對現有技術不足，提供一種醫學圖像中局灶性病灶的非參數自動檢測方法，該方法不需預先建立參數化模型，且不需要對圖像局部描述子進行量化，應用靈活，圖像局部描述子鑒別能力強，能精確檢測局灶性病灶。本專利技術的上述目的通過如下技術方案實現。一種局灶性病灶的非參數自動檢測方法，預先以已經勾畫好病灶的醫學病灶圖像作為樣本構建樣本集A1數據庫,分別提取樣本集A1中每一幅圖像的目標區域和背景區域的局部描述子，得到樣本集A1中所有目標區域局部描述子組成的目標特征庫F1和樣本集A1中所有背景區域局部描述子組成的背景特征庫F2；處理時具體包括下列步驟：(1)將待處理的醫學病灶圖像I分為多個子區域；(2)用NBNN分類器對每個子區域進行分類；(3)計算目標函數，得到病灶檢測結果。步驟(1)具體是將待處理的醫學病灶圖像I進行過分割，第i個小區域記為Ri。優選的，步驟(1)具體是采用超像素算法將待處理的醫學病灶圖像I進行過分割。步驟(2)用NBNN分類器對每個小區域進行分類，具體包括：(2.1)對區域Ri內的每個像素點提取其局部描述子，記為fj，用區域Ri內的所有局部描述子組成Ri的特征集Fi′，Fi′＝{fj，j＝1，...，n}，其中，n為區域Ri內局部描述子的個數；(2.2)用NBNN分類器對區域Ri進行分類：區域Ri分類屬于某個類別C的最大后驗概率為：C*＝argmaxCp(C|Ri)＝argmaxCp(Ri|C)……(Ⅰ)，其中，C∈{+1,-1}，+1表示目標區域，-1表示背景區域；在樸素貝葉斯假設的條件下，區域Ri中的每一個像素點對應的局部描述子fj是相互獨立的，故：C*＝argmaxClog(p(Ri|C))＝argmaxC∑ilogp(fj|C)……(Ⅱ)；將式(Ⅱ)中logp(fj|C)用高斯核密度估計進行近似，令k＝1，可得：其中，NNC(fj)表示在類別C特征庫中與fj最相近的局部描述子，σ表示標準偏差；將式(Ⅲ)中的p(fj|C)代入式(Ⅱ)，得：C*＝argminC∑j||fj-NNC(fj)||2……(Ⅳ)；定義Dist(Ri,C)＝∑j||fj-NNC(fj)||2為區域Ri到某個類別C的距離；NBNN分類算法的目標就是找到使區域Ri到某個類別C距離最小的那個類別，即NBNN分類器對區域Ri的分類結果為：步驟(3)具體為：定義目標函數g(Ri)＝Dist(Ri,-1)-Dist(Ri,+1)，對于圖像I進行計算，選出g(Ri)>0的區域作為病灶檢測的結果。優選的，具體通過如下方式獲得樣本集A1的目標特征庫F1和背景特征庫F2：(0.1)定義作為樣本的醫學病灶圖像中的病灶區域為目標區域，病灶以外區域為背景區域，對目標區域內的每個像素點提取其局部描述子；對背景區域內的每個像素點同樣提取其局部描述子，其中，像素點對應的局部描述子的提取過程如下所述：(0.1.1)以該像素點為圓心，分別按照半徑R＝﹛20、21、22、23、24、……、2n﹜像素作圓，其中n為自然數，得到一系列半徑在對數尺度等間隔變化的同心圓，令最大的同心圓的半徑Rmax＝16像素，得到5個同心圓；(0.1.2)以所述圓心為起點沿8個方向畫直線，8個方向的直線將圓面均分為八等份，并取這8條直線與所述的5個同心圓的相交的像素點，把圓心以及這些與同心圓相交的像素點以從圓心向外的順序、并以逆時針方向排列成一個隊列，然后將隊列中，位于圖像內的像素點分別替換為所對應的灰度值，位于圖像外的像素點的灰度值分別賦予零，得到該像素點的灰度特征向量；(0.1.3)獲取該像素點在圖像上的坐標(x,y)，對(x,y)進行歸一化處理得到歸一化的坐標(x′,y′)，即x′＝x/w,y′＝y/h，其中，w和h分別為圖像的寬和長，把步驟(0.1.2)中所得到的灰度特征向量與坐標(x′,y′)首尾連接排列成新的向量，得到該像素點的局部描述子；(0.2)把步驟(0.1)中所產生的樣本集A1中所有目標區域的局部描述子組成目標特征庫F1，同樣，把所有背景區域的局部描述子組成背景特征庫F2。本專利技術的一種局灶性病灶的非參數自動檢測方法，具有以下的有益效果：由于目標特征庫F1和背景特征庫F2都是直接從樣本集A1中每幅圖像的每個像素點提取局部描述子集合得到的，不需要經過局部描述子量化，從而完整地保留了局部描述子的鑒別能力。本專利技術使用非參數的NBNN分類方法來對圖像進行分類，避免了參數模型的建立，以及參數的訓練過程，從而增加了臨床使用的便捷性。本專利技術以超像素(superpixel)為基本單元來判斷區域的類別，相比于以像素點為單位的分類方法，更能獲得穩定的類別估計。故，本專利技術的一種醫學圖像中局灶性病灶的非參數自動檢測方法，不需預先建立參數化模型，且不需要對圖像局部描述子進行量化，應用靈活，圖像局部描述子鑒別能力強，能精確檢測局灶性病灶。附圖說明利用附圖對本專利技術作進一步的說明，但附圖中的內容不構成對本專利技術的任何限制。圖1為本專利技術一種局灶性病灶的非參數自動檢測方法的流程示意圖；圖2為本專利技術方法用于肝部CT圖像局灶性病灶檢測的示例圖，其中，編號為Ⅰ的輪廓線是用本專利技術的非參數模型得到的局灶性病灶的檢測結果；編號為Ⅱ的輪廓線是局灶性病灶的手工勾畫結果。具體實施方式下面結合具體的實施例對本專利技術進行詳細描述。實施例1。本專利技術的一種局灶性病灶的非參數自動檢測方法，如圖1所示，預先以已經勾畫好病灶的醫學病灶圖像作為樣本構建樣本集A1數據庫,分別提取樣本集A1中每一幅圖像的目標區域和背景區域的局部描述子，得到樣本集A1中所有目標區域局本文檔來自技高網...

【技術保護點】
一種局灶性病灶的非參數自動檢測方法，其特征在于：?預先以已經勾畫好病灶的醫學病灶圖像作為樣本構建樣本集A1數據庫,分別提取樣本集A1中每一幅圖像的目標區域和背景區域的局部描述子，得到樣本集A1中所有目標區域局部描述子組成的目標特征庫F1和樣本集A1中所有背景區域局部描述子組成的背景特征庫F2；處理時具體包括下列步驟：（1）將待處理的醫學病灶圖像I分為多個子區域；（2）用NBNN分類器對每個子區域進行分類；（3）計算目標函數，得到病灶檢測結果。

【技術特征摘要】
1.一種局灶性病灶的非參數自動檢測方法，其特征在于：預先以已經勾畫好病灶的醫學病灶圖像作為樣本構建樣本集A1數據庫,分別提取樣本集A1中每一幅圖像的目標區域和背景區域的局部描述子，得到樣本集A1中所有目標區域局部描述子組成的目標特征庫F1和樣本集A1中所有背景區域局部描述子組成的背景特征庫F2；處理時具體包括下列步驟：(1)將待處理的醫學病灶圖像I分為多個子區域；(2)用NBNN分類器對每個子區域進行分類；(3)計算目標函數，得到病灶檢測結果；步驟(1)具體是將待處理的醫學病灶圖像I進行過分割，第i個小區域記為Ri；步驟(1)具體是采用超像素算法將待處理的醫學病灶圖像I進行過分割；所述步驟(2)用NBNN分類器對每個小區域進行分類，具體包括：(2.1)對區域Ri內的每個像素點提取其局部描述子，記為fj，用區域Ri內的所有局部描述子組成Ri的特征集Fi′，Fi′＝{fj，j＝1，...，n}，其中，n為區域Ri內局部描述子的個數；(2.2)用NBNN分類器對區域Ri進行分類：區域Ri分類屬于某個類別C的最大后驗概率為：C*＝argmaxCp(C|Ri)＝argmaxCp(Ri|C)……(Ⅰ)，其中，C∈{+1,-1}，+1表示目標區域，-1表示背景區域；在樸素貝葉斯假設的條件下，區域Ri中的每一個像素點對應的局部描述子fj是相互獨立的，故：C*＝argmaxClog(p(Ri|C))＝argmaxC∑ilogp(fj|C)……(Ⅱ)；將式(Ⅱ)中logp(fj|C)用高斯核密度估計進行近似，令k＝1，可得：其中，NNC(fj)表示在類別C特征庫中與fj最相近的局部描述子，σ表示標準偏差；將式(Ⅲ)中的p(fj|C)代入式(Ⅱ)，得：C*＝argminC∑j||fj-NNC(fj)||2……(Ⅳ)；定義Dist(Ri,C)＝∑j||fj-NNC(fj)|...

【專利技術屬性】
技術研發人員：陽維，黃美燕，馮前進，佘廣南，盧振泰，陳武凡，
申請(專利權)人：南方醫科大學，
類型：發明
國別省市：