[发明专利]一种基于随机森林回归的胸腔X光片肋骨检测方法

说明书

一种基于随机森林回归的胸腔X光片肋骨检测方法，包括：基于随机采样的图像块生成及其HOG特征描述阶段，提取胸腔X光图像的图像特征块，并提取图像块HOG特征描述子，获取图像的全局和局部信息；基于特征块与目标点距离分布的随机森林回归器生成阶段，使用用户自主点取的标识点对目标肋骨进行标记，并基于特征块与目标点的距离分布，选定相关参数，训练随机森林回归器；基于随机森林回归的X光片目标检测阶段，使用前一步得到的随机森林回归模型，对多张胸腔X光片测试图像中的肋骨标识点位置进行预测，并据此框选出目标肋骨的位置。本发明可作为基本的医疗影像预处理手段，为后续的计算机辅助诊断、手术模拟训练、手术方案论证和手术预演等应用系统的研发提供必要的技术支持。

技术领域

本发明涉及一种基于随机森林回归的胸腔X光片肋骨检测方法，医学影像技术领域。

背景技术

在日常的学习和统计中，图像是人类观察和获取信息的重要来源之一。在医学领域，随着X光、伽马摄影、MRI、超声波、光学内视镜摄影等成像技术的快速发展，人们可以使用非侵入方式获取人体内部组织的医学图像，用于医疗诊断或医学研究，同时为临床治疗提供可靠的依据。在各类医学图像中，由于X光图像具有拍摄方便、获取延时短、价格低廉、可随意变动受检部位等优点，得到了更加广泛的应用。

医学图像具有很高的专业性，医生需要借助大量的学科知识和实践经验对其进行解读，但这种方式往往受限于医生本身的科学素质和精神状态。随着计算机科学的快速发展，人们开始将计算机图像处理技术应用于临床医学，希望能以客观的角度，在一定程度上提高医生判读医学图像的效率及准确率，其中包括对医学图像进行标记检测、形状分割、轮廓绘制、图像检索与配准等等。而医学图像的关键信息多贮存于一些重要的特殊位置(例如病变位置，或待观察骨骼/器官位置等)，因此，大部分临床应用需要对医学图像中的关键目标位置进行检测。但对X光等医学图像进行实时而准确的自动目标检测是十分困难的，在一些医疗案例中，临床医生需要手动进行标记定位，这样既会浪费时间，也会增大定位误差，因此，需要探索一种全自动的图像目标检测方法并将其应用到X光图像的处理中。

近年来，图像目标检测问题受到了广泛关注，其主要目的是从图像中标记出待检测目标的位置，进而可辅助进行图像分割、图像分类和场景识别、医学图像器官位置及病灶检测和计算机辅助诊断、医学导航、智能监控等工作。要进行图像目标检测，首先要提取图像信息，而许多传统的图像特征表示方法(如SIFT、SURF、HOG、颜色直方图等图像特征描述子)仅统计了图像的梯度或颜色等像素信息，这使得他们更适用于图像局部特征的描述和匹配，难以直接用于医学图像中专业信息和大尺度信息的描述。因此，需要对传统的特征表示方法进行改进，使其能够更有效地提取和表示医学图像的局部及全局信息。

一些传统的目标检测方法，如词袋模型(bag-of-word model)、基于图像部分的模型(part-based model)、基于低层图像特征的模型等方法难以保证图像目标定位的准确性和鲁棒性，对图像尺度变换和图像噪声的容忍度太低，因此难以较好的满足目标检测需求。因此，人们引入了大量基于机器学习的回归方法，对图像目标进行定位。但由于传统的机器学习方法，如回归决策树、支持向量机(SVM)等，时常存在过拟合或欠拟合问题，需要精确地对相关训练参数进行调整，否则将影响目标检测的准确率。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供一种基于随机森林回归的胸腔X光片肋骨检测方法出，使用数十张带有目标位置信息(如肋骨位置标识)的胸腔X光片作为训练图像，提取图像信息，训练一个随机森林回归器，并使用它对新的胸腔X光片中的目标点位置(如肋骨标识点位置)及目标位置(如某根肋骨的位置)进行检测。

本发明采用的技术方案为：一种基于随机森林回归的胸腔X光片肋骨检测方法，包括以下步骤：