[发明专利]一种基于对称性理论的医学图像多阶段分类方法

说明书

技术领域

本发明属于医疗信息技术领域，具体涉及一种基于对称性理论的医学图像多阶段分类方法。

背景技术

由于医学图像中蕴含着丰富的图像和医学信息，近年来面向医学图像的数据挖掘技术成为医学和计算机交叉学科研究的热点。随着医疗数字化设备的快速发展，医学信息数据库被广泛使用。病人的结构化文本信息，以及大量的非结构化医学图像信息，为医学图像的数据挖掘提供了丰富的数据资源。医学图像可以有效的辅助医师在诊断过程中对病理变化区域进行检测、定位以及判断它的良恶性，因此被广泛应用于临床诊断过程中。然而，具有不同知识背景的医生即使对同一张医学图像可能存在不同的判断，所以，运用数据挖掘方法研究医学图像分类方法，对辅助医生根据医学图像进行诊断，提高其效率和精度，具有较高的学术价值和实际应用前景。

目前，国内外在医学图像分类研究方面，主要采用的分类方法包括统计方法、神经网络方法、模糊模式识别方法、机器学习方法等。已有的分类方法是将医学图像分类为正异常或定位异常的位置，而对医学图像逐层深入的多阶段分类方法暂没有实现。医学图像的成像结果显示关于图像的中垂线两侧是近似对称的，健康的图像在图像灰度级分布和图像形状位置上都呈现近似的对称结构。而发生病变的图像将破坏这种近似对称的结构。为此提出一种能够充分利用医学图像本身的对称性的知识实现多阶段的分类方法是一个亟待解决的问题。

发明内容

本发明的目的是提出一种基于对称性理论提高医学图像多阶段分类准确率的医学图像分类方法。

本发明的目的是这样实现的：

本发明包括如下步骤：

(1)待分类图像提出分类请求：待分类图像应为原始医学图像数据；

(2)图像预处理过程：对原始医学图像提取感兴趣区域(ROI，Region Of Interest)，计算图像ROI区域的灰度直方图，得到图像ROI区域的灰度直方图的波谷列表，根据波谷列表对图像分级提取纹理特征，根据实际需要将得到的分级纹理图像规范化到统一的大小；关于图像ROI区域的中垂线将ROI区域分割为左右两侧，关于分级纹理图像的中垂线分割为左右两侧；

(3)图像建模：根据医学图像的强对称性和弱对称性的概念，建立医学图像多阶段分类 的图模型；

(4)多阶段分类：基于灰度直方图相交性的弱对称性判定方法，对医学图像在较粗粒度上进行了第一阶段的分类；基于点对称的强对称性判定方法，结合弱对称性判定方法，对第一阶段分类结果为异常的图像进行了更细粒度的第二阶段分类，定位了病变区域的位置；最后，利用对病变区域所提取的特征，对病变区域进行了第三阶段的分类；

(5)展示结果：基于对称性理论的多阶段分类方法将原始图像数据库中的图像实现分类。

图像建模为：根据弱对称性和强对称性的概念建立医学图像多阶段分类模型，弱对称性为：对于一个医学图像G，弱对称性是指G中D(L)和D(R)在每个组距K中共有的像素数目，用它们相交的距离来衡量弱对称性

其中，组距K是直方图每组的宽度。

强对称性为：强对称性是指TI中圆内或圆上的点的个数的多少，用它们的半径范围来衡量强对称性rad(v(i))＝mov(v(i))。

多阶段分类为：首先对医学图像再较粗粒度上应用弱对称性判定方法进行第一阶段的分类；然后应用强对称性判定方法和弱对称性判定方法的联合对第一阶段分类结果为异常的图像进行更细粒度的第二阶段的分类，定位病变区域的位置；最后，利用对病变区域所提取的特征，对病变区域进行了第三阶段的分类。

本发明的有益效果在于：

本发明提出的弱对称性和强对称性的概念是对医学图像的一个重新定义。提出弱对称性判定方法和强对称性判定方法实现医学图像的多阶段的分类。这种多阶段分类的分类准确率很高，每一个阶段直接的衔接逐层深入，从而提高医生的诊断精度和缩短诊断时间。采用对称性理论实现医学图像的分类，使基于对称性理论的医学图像多阶段分类方法具有更高的准确性。

附图说明

图1是关于中垂线对称分割的过程；

图2是MI图像模型；

图3是弱对称性示例；

图4是主动变化和被动变化的示例

图5是强对称性示例；

图6是基于对称性理论的医学图像多阶段分类方法流程图；

具体实施方式

下面结合附图和具体实施例对本发明作进一步的说明：

首先对医学图像进行预处理：