[发明专利]一种基于超声图像低秩分析的甲状腺病灶图像识别方法

说明书

技术领域

本发明涉及一种基于超声图像低秩分析的甲状腺病灶图像识别方法。

背景技术

视觉是人类获取信息的重要来源，在计算机替代人类可重复性工作的信息时代，图像处理与模式识别无疑是目前研究和应用的一大热门。在今年的全国政协会议上，政协委员、百度公司CEO李彦宏建议设立“中国大脑”计划，推动人工智能跨越发展，抢占新一轮科技革命制高点；谷歌、微软亚洲研究院等世界著名研究机构成立有专门的计算机视觉小组。这表明人工智能的时代即将到来，而图像处理与模式识别作为人工智能中的一个重要组成部分，其研究与应用价值的重要性不言而喻。

目前图像处理与模式识别领域的研究热点主要集中于目标检测、图像分割、分类识别、目标跟踪、3D场景重建等方面，图像识别的重要目标是根据图像，分辨其中物体的类别，并做出相应的判断。其中图像识别是人类视觉认知的延伸，包含诸如条码识别、生物特征识别、手写识别等多个方面。因此，随着图像的广泛应用，利用计算机对图像提取特定类型的特征，通过融入先验知识对其建立分析处理模型，进而据此对兴趣目标进行自动、准确的识别，尽可能地降低手工劳动工作量，已经成为现在的发展趋势，并可为跟踪、分割、重建等后续应用提供必要的技术基础，具有重要的科学研究意义。

根据调研，目前尚不存在甲状腺病灶图像的识别方法。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供一种基于超声图像低秩分析的甲状腺病灶图像识别方法，实现对甲状腺区域图像自动和准确的识别，，为计算机辅助诊断提供新的方法。

本发明采用的技术方案为：一种基于超声图像低秩分析的甲状腺病灶图像识别方法，包括以下三个步骤：

步骤(一)，采用聚类的方法，以位置相近、特征相似的像素聚为一类，将超声图像划分为若干个子区域组成超像素；按照每个超像素包含像素数量的大小，进行若干层次的超像素分割；以超像素为单位，提取超声图像的方向梯度直方图HOG特征和局部二值模式LBP特征，对于一个超像素，将其HOG特征与LBP特征串联，即得到一个列向量，用于表示该超像素的特征；超声图像分为训练图像和测试图像两类，训练图像含有医生标注信息，供训练词典时使用；测试图像不含医生标注信息，供测试方法的效果使用；

步骤(二)，对于通过步骤(一)得到的训练图像特征，结合医生标定的甲状腺区域图像位置，将甲状腺区域图像位置的超像素的块状特征组成词典；对于通过步骤(一)得到的训练图像特征，利用图像特征数据之间的相关性和全局结构信息，通过低秩重构误差分析的方法，将与词典相似的图像特征数据重构出来，计算重构误差；使用graph-cut算法对测试图像进行分割处理，结合graph-cut分割结果，标定出甲状腺的位置区域，供步骤(三)使用；

步骤(三)通过步骤(一)计算得到甲状腺位置区域图像特征，将所有特征并联为一个矩阵，使用低秩分解的方法对该矩阵进行低秩分解，得到一个具有低秩性的矩阵和一个具有稀疏性的误差矩阵；计算误差矩阵中各列向量的范数，得到稀疏误差；设定一个阈值，根据误差矩阵，计算每个超像素的稀疏误差，稀疏误差大于该阈值的超像素即认为是病灶区域。

所述步骤(一)中的基于超像素层次化分割具体实现如下：

(1)给出一个超像素分割的数目n作为输入参数；

(2)根据给出的数目n，生成n个中心点，平均放置在超声图像中进行初始化；

(3)在Labxy五维向量空间中，根据第(2)步生成的中心点，对每个像素点进行聚类操作；

(4)所有像素点聚类完成后，将每一类中像素点平均值更新为新的中心点；

(5)根据第(4)步得到的新中心点，判断是否满足收敛条件，如果满足，则结束，返回超像素分割完成的标注图像和实际分割超像素数目，如果不满足，则回到第(3)步，继续对像素点进行聚类操作；

(6)设置多个超像素分割数目，重复(1)～(6)步，得到层次化分割结果。

所述步骤(一)中的以超像素为单位，提取图像的HOG特征和LBP特征的具体实现如下：

(1)遍历整幅图像，计算出每个像素点的梯度方向大小和与周围8个像素灰度值的大小关系，得到每个像素点的特征数值；

(2)结合超像素分割信息，根据第(1)步的每个像素的特征数值，将其统计到所在超像素中，形成统计直方图，提取HOG特征和LBP特征。

所述步骤(二)的低秩重构误差分析具体实现如下：