[发明专利]一种小样本条件下医学图像自动标注方法

说明书

技术领域

本发明涉及计算机处理医学图像的方法，特别是一种小样本条件下医学图像自动标注方法，适用于计算机医学图像合成，图像检索和图像标注。

背景技术

医学图像是医疗诊断、药物反应监控和疾病管理等最重要的辅助手段，具有速度快、非入侵、副作用小、费用低、效果好等优势。随着医学图像数量呈指数级的增长，普通用户检索需要的图像变得越来越难。过去的几十年,有大量关于医学图像检索的研究，可以归纳为三类：文本标注方法、基于内容的图像检索方法和自动图像标注(Automatic Image Annotation，AIA)方法。Giild研究发现在DICOM(Digital Imaging and COmmunication of Medicine)头文件中大约有15％的标注错误，且DICOM头文件在图像压缩后经常被丢弃，所以基于文本标注方法是不切实际的。基于内容的医学图像检索，由于在底层特征与图像高层语义之间存在巨大的鸿沟，且要求普通用户提供查询样本图像或草图，同样不切实际。而AIA利用了前两种方法的优点，已经成为医学图像检索的必然趋势。

目前，已经有很多学者为图像标注提出了多种方法，可以分为基于支持向量机、人工神经网络、决策支持树、非参数密度估计和有参密度估计等几类。尽管这些方法取得了阶段性结果，但目前医学图像自动标注还面临几个公认的难点和挑战：

(1)很多现有方法需要大量的训练样本，且需要用手工方法为训练图像标注标记点，既费时又容易出错，失去了临床应用价值。

(2)由于噪声数据的增加，类间的训练样本数的不平衡性，容易降低医学图像标注的质量。

发明内容

发明目的：为了解决上述技术问题，本发明公开了一种小样本条件下医学图像自动标注方法，能够只需要小样本训练集。

本发明的小样本条件下医学图像自动标注方法，由以下步骤组成：

步骤1，构建小样本医学图像组织器官的位置A的形状标记点的稠密线性回归模型和稀疏线性回归模型，合成相对于小样本医学图像而言其他位置对应的新样本图像的组织器官形状标记点；

步骤2，构建小样本医学图像组织器官的位置A的形状标记区域的仿射变换模型，合成相对于小样本医学图像而言其他位置对应的新样本图像的组织器官形状标记区域的纹理；

步骤3，对新样本图像和原有样本图像的组织器官的形状标记点进行主成份分析，生成组织器官的形状可变模型；

步骤4，对新样本图像和原有样本图像的组织器官纹理进行主成份分析，生成组织器官的纹理可变模型；

步骤5，在待标注的医学图像上使用霍夫投票学习方法初始定位组织器官，依据组织器官的形状可变模型和纹理可变模型的平移参数、旋转参数和缩放比参数的收敛性自动标注图像内容。

所述步骤1中，构建小样本医学图像组织器官的形状标记点的稠密线性回归模型和稀疏线性回归模型，生成其他位置对应的新样本图像组织器官形状的具体步骤包括：

步骤(11)，将组织器官在人体位置A的二维坐标矩阵拉长为一维向量，在该位置的所有样本的拉长向量构成观测矩阵，在其他位置与该组织器官对应的样本拉长向量构成观测值；

步骤(12)，基于2-范数正则化最小二乘法构建形状标记点的稠密线性回归模型；

步骤(13)，基于1-范数正则化最小二乘法构建形状标记点的稀疏线性回归模型；

步骤(14)，当大于50％的稠密线性回归模型矩阵元素都小于阈值(本发明为0.01)时，使用稀疏线性回归模型，否则使用稠密线性回归模型，生成其他位置对应的组织器官形状样本。

所述步骤3中，对新样本图像和原有样本图像的组织器官的形状标记点进行主成份分析，生成医学图像组织器官的形状可变模型，具体步骤包括：

步骤(31)，使用广义对齐和奇异值分解算法对齐所有组织器官的形状标记点，得到旋转、平移和缩放不变的形状标记点；

步骤(32)，对广义对齐后的组织器官形状标记点进行主成份分析，使用均值形状、形状子空间的正交基向量以及形状子空间的投影系数建立组织器官的形状可变模型。

所述步骤5中，在待标注的图像上使用霍夫投票学习方法的初始定位，依据组织器官的形状和纹理可变模型的平移、旋转和缩放比等参数的收敛性自动标注图像内容，具体步骤包括：

步骤(51)，使用霍夫投票学习方法的初始定位组织器官的形状和纹理模型在待标注图像的位置，获得模型的平移、旋转和缩放等参数的初始值；