[发明专利]医学图像的分析方法和分析系统以及存储介质

权利要求书

1.一种医学图像的分析方法，所述方法由计算机实现，其特征在于，所述方法包括如下步骤：

对用于训练的医学图像进行特征提取，所述用于训练的医学图像具有肿瘤性质的标签；

利用所提取的特征和标签作为训练数据集，用自适应增强(Adaboost)方法对LR(逻辑回归)弱分类器进行迭代，以得到LR强分类器；

所述对用于训练的医学图像进行特征提取的步骤包括：利用至少一层稀疏自编码器神经网络对用于训练的医学图像进行特征提取；

所述利用至少一层稀疏自编码器神经网络对用于训练的医学图像进行特征提取的步骤包括：利用尺度不变特征变换SIFT算法对用于训练的医学图像进行处理，以提取出图像中的极值区域作为候选特征区域；从用于训练的医学图像中选择出具有候选特征区域的医学图像，以利用至少一层稀疏自编码器神经网络进行特征提取；其中，通过所述SIFT算法对原始的医学图像进行第一层特征提取；利用高斯模糊建立图像的尺度空间，利用高斯差分方法寻找所述尺度空间中的极值区域，从高斯差分金字塔锥分层结构提取出图像中的极值区域作为候选特征区域，抛弃不稳定特征区域；从医学图像中选择出具有稳定的候选特征区域的医学图像作为候选图像输入稀疏自编码器，以利用至少一层稀疏自编码器神经网络进行至少第二层特征提取；其中，所述极值区域至少为包含以DOG尺度空间中的局部极值点为中心的预定像素区域。

2.根据权利要求1所述的医学图像的分析方法，其特征在于，所述方法还包括，在得到LR强分类器后：

利用所提取的特征，用得到的LR强分类器进行分类；以及

将分类的结果与对应的标签进行比较，如果不一致，则继续LR强分类器的迭代。

3.根据权利要求2所述的医学图像的分析方法，其特征在于，所述方法还包括：

如果利用所提取的特征得到的分类结果都是错误的，则对所述至少一层稀疏自编码器神经网络进行参数调节。

4.根据权利要求1所述的医学图像的分析方法，其特征在于，所述至少一层稀疏自编码器神经网络具有两层或三层，并且后一层的稀疏自编码器神经网络的隐含层节点数小于或等于前一层的稀疏自编码器神经网络的隐含层节点数的1/2。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现：

根据权利要求1或4中任何一项所述的计算机实现的医学图像的分析方法的各个步骤，以得到可用的LR强分类器；

对用于检测的医学图像进行特征提取；

基于所提取的特征，利用得到的LR强分类器进行分类，以得到表示肿瘤的性质的标签。

6.一种医学图像的分析系统，所述分析系统由计算机实现，其特征在于，所述医学图像的分析系统包括神经网络和LR强分类器；

所述神经网络被配置为对用于检测的医学图像进行特征提取，所述神经网络的输入层连接到第二输入单元，以从所述第二输入单元输入用于检测的医学图像，所述神经网络的输出层连接到所述LR强分类器；

所述LR强分类器被配置为基于用于训练的医学图像训练形成，所述用于训练的医学图像包含肿瘤且具有表示肿瘤的性质的标签；

所述LR强分类器被配置为由Adaboost方法对LR弱分类器进行迭代训练而形成；所述神经网络包括至少一层稀疏自编码器神经网络；

所述分析系统还包括SIFT处理单元，所述SIFT处理单元被配置为对用于检测的医学图像进行预处理以提取出所述用于检测的医学图像中的稳定极值区域作为候选特征区域；并将用于检测的医学图像中具有候选特征区域的医学图像输出给所述至少一层稀疏自编码器神经网络；其中，通过所述SIFT算法对原始的医学图像进行第一层特征提取；利用高斯模糊建立图像的尺度空间，利用高斯差分方法寻找所述尺度空间中的极值区域，从高斯差分金字塔锥分层结构提取出图像中的极值区域作为候选特征区域，抛弃不稳定特征区域；从医学图像中选择出具有稳定的候选特征区域的医学图像作为候选图像输入稀疏自编码器，以利用至少一层稀疏自编码器神经网络进行至少第二层特征提取；其中，所述极值区域至少为包含以DOG尺度空间中的局部极值点为中心的预定像素区域。