[发明专利]尘肺病大体成像中病灶区域的提取与分析方法

摘要

本发明涉及尘肺病大体成像中病灶区域的提取与分析方法，其步骤如下算出一个2k‑1维的特征向量F1，进行预训练并算出特征向量F2，训练一个用于判别一个区域是否为病灶区域的支持向量机分类器h0，训练一个用于判别一个病灶区域类别的多分类支持向量机分类器h1～hk，输入尘肺病大体成像，提取病灶区域特征，对病灶区域进行分类，病灶区域统计特征计算。本发明通过对图像像素进行空间拓展形成面元小区域，利用训练好的分类器对面元区域进行分类，并对分类置信度低的面元区域进行精细处理，从而实现不同病灶区域的准确提取。本发明效率高、误差小且无需人工交互。

主权项

尘肺病大体成像中病灶区域的提取与分析方法，其步骤如下：S1.提取特征：S11.将尘肺病大体成像数据库与计算机连接，S12.分别计算出尘肺病大体成像数据库中已经标注的尘肺正常组织区域和病灶区域的中心坐标(cx,cy)，以区域中心为起点，每隔10°均匀画出36条射线，分别交于区域边界上的对应点，得到36条线段，将每条线段均匀分成l等分，将各条线段上相应的等分点分别相连，将区域分为l个环形部分，算出每个环形部分的灰度平均值，形成l维特征向量，对l维特征向量进行差分运算，得到l‑1维特征向量，将l维特征向量和l‑1维特征向量合并为一个2l‑1维的特征向量F1，S13.利用尘肺病大体成像数据库中尘肺大体成像对卷积神经网络进行预训练和学习，利用尘肺病大体成像数据库中已经标注的病灶区域对经过预训练的卷积神经网络进行微调，算出特征向量F2；S2.训练分类器：S21.通过步骤S12得到的F1，训练一个用于判别一个区域是否为病灶区域的支持向量机分类器h0，S22.将步骤S13得到的F2随机分割成m个大小相同的组，分别利用每一组特征训练一个用于判别一个病灶区域是否为尘斑、结节或纤维化区域的多分类支持向量机分类器h1～hm，h1～hm组成随机多分类支持向量机队列H；S3.病灶区域提取：S31.输入待提取分析的尘肺病大体成像，S32.利用图论分割算法对步骤S31输入的尘肺病大体成像进行分割，得到区域D1～Dn，S33.用步骤S12的方法分别计算出区域D1～Dn的特征E1～En，利用分类器h0判别是否为病灶区域，对非病灶区域标记为正常组织区域，对病灶区域进入下一步骤，S34.用步骤S13的方法计算出特征F2，利用分类器H中h1～hm通过加权投票进行判定，若分类器H的置信度大于设定阈值，则标记该区域病灶类型，否则进入下一步骤进行精细处理，S35.对需要精细处理的区域的面积进行开平方运算，得到等效正方形边长d，根据等效正方形边长d扩大待精细处理区域面积，重复步骤S32～S34；S4.病灶区域统计特征计算：S41.根据提取的尘斑病灶，计算出尘斑病灶的面积，找出尘斑病灶面积最大值M1，将M1等分为s1个区间，计算出不同区间的尘斑在图像中所占的比例，建立尺度比例特征向量代入公式进行积分求和，得到尺度比例积分向量S42.根据提取的结节病灶，计算出结节病灶的面积，找出结节病灶面积最大值M2，将M2等分为s2个区间，计算出不同区间的尘斑在图像中所占的比例，建立尺度比例特征向量代入公式进行积分求和，得到尺度比例积分向量S43.根据提取的纤维化病灶，计算出纤维化病灶的面积，找出纤 维化病灶面积最大值M3，将M3等分为s3个区间，计算出不同区间的尘斑在图像中所占的比例，建立尺度比例特征向量代入公式进行积分求和，得到尺度比例积分向量