[发明专利]一种基于对称性理论的医学图像多阶段分类方法

摘要

本发明属于医疗信息技术领域，具体涉及一种基于对称性理论的医学图像多阶段分类方法。本发明包括待分类图像提出分类请求,待分类图像应为原始医学图像数据；图像预处理过程图像建模；多阶段分类；展示结果。本发明提出的弱对称性和强对称性的概念是对医学图像的一个重新定义。提出弱对称性判定算法和强对称性判定算法实现医学图像的多阶段的分类。这种多阶段分类的分类准确率很高，每一个阶段直接的衔接逐层深入，从而提高医生的诊断精度和缩短诊断时间。采用对称性理论实现医学图像的分类，使基于对称性理论的医学图像多阶段分类方法具有更高的准确性。

主权项

一种基于对称性理论的医学图像多阶段分类方法，其特征在于，包括如下步骤：(1)待分类图像提出分类请求,待分类图像应为原始医学图像数据；(2)图像预处理过程：对原始医学图像提取感兴趣区域ROI，计算图像ROI区域的灰度直方图，得到图像ROI区域的灰度直方图的波谷列表，根据波谷列表对图像分级提取纹理特征，根据实际需要将得到的分级纹理图像规范化到统一的大小；关于图像ROI区域的中垂线将ROI区域分割为左右两侧，关于分级纹理图像的中垂线将分级纹理图像分割为左右两侧；(3)图像建模：根据医学图像的强对称性和弱对称性的概念，建立医学图像多阶段分类的图模型；(4)多阶段分类：基于灰度直方图相交性的弱对称性判定方法，对医学图像在较粗粒度上进行了第一阶段的分类；基于点对称的强对称性判定方法，结合弱对称性判定方法，对第一阶段分类结果为异常的图像进行了更细粒度的第二阶段分类，定位了病变区域的位置，具体包括：纹理图像集合F＝{Lh，Rh}中，正常医学图像的纹理图像中Lh和Rh是近似对称的，如果出现病变区域，那么病变区域的一侧纹理条数将较多，即组成纹理的点数增多；扫描Lh和Rh中组成纹理的点的个数，假设以点的个数多的一侧作为第一次的模板；关于对称轴映射到另一侧应用纹理点的消去方法消去所有在可移动范围内的点；第一次消去后剩余的点markf＝suml‑sumr；然后计算Lh和Rh中剩余的点的个数，以非模板的一侧作为第二次的模板消去另一侧的点；第二次消去后剩余的点markl＝suml‑sumr；比较两侧剩余点的个数sum＝markf+markl，若sum≥0说明左侧存在T区域，sum<0说明右侧存在T区域；最后，利用对病变区域所提取的特征，对病变区域进行了第三阶段的分类；(5)展示结果：基于对称性理论的多阶段分类方法将原始图像数据库中的图像实现分类；所述的图像建模过程为：根据医学图像的强对称性的概念和弱对称性的概念建立医学图像多阶段分类的图模型；所述的弱对称性为：对于一个医学图像G，弱对称性是指G中D(L)和D(R)在每个组距K中共有的像素数目，用它们相交的距离来衡量弱对称性, D(X)是一个像素集合X的含有K个组距的灰度直方图，L和R分别是医学图像MI被中线垂直平分后左侧和右侧像素的集合其中，组距K是直方图每组的宽度；强对称性是指纹理图像TI中圆内或圆上的点的个数的多少，用它们的半径范围来衡量强对称性rad(v(i))＝mov(v(i))；v(i)表示组成Rhi纹理的点,Rhi是Rh中的第i条纹理，Rh是关于中线垂直平分的右侧纹理的集合，mov(v(i))为点v(i)的可移动性；所述的多阶段分类过程为：基于灰度直方图相交性的弱对称性判定方法，对医学图像在较粗粒度上进行了第一阶段的分类；基于点对称的强对称性判定方法，结合弱对称性判定方法，对第一阶段分类结果为异常的图像进行了更细粒度的第二阶段分类，定位了病变区域的位置；最后，利用对病变区域所提取的特征，对病变区域进行了第三阶段的分类；具体包括：(4.1)对待分类医学图像MI提出分类请求；(4.2)对待分类医学图像MI进行预处理，得到相应的四个图像，关于中垂线对称的灰度图像L、R和纹理图像Lh、Rh,；(4.3)根据弱对称性的定义求出灰度图像L和R的d(L,R)值，应用弱对称性判定方法对医学图像实现第一阶段的分类，即分为正常医学图像和异常医学图像；(4.4)根据医学图像的医学知识定义了医学图像中主动变化和被动变化的关系，即主动变化小于被动变化，主动变化和被动变化的关系存在于正常医学图像和异常医学图像中，由val＝d(L,L’)‑d(R,R’)计算，其中val的值是主动变化和被动变化之间大小关系的数值，d(L,L’)是正常医学图像左侧和异常医学图像左侧的弱对称性的值，d(R,R’)是正常医学图像右侧和异常医学图像右侧的弱对称性的值；(4.5)对第一阶段中的异常医学图像进行第二阶段的分类，计算异常医学图像与正常医学图像的主动变化和被动变化的关系值val＝d(L,L’)‑d(R,R’)，若val<0，则异常医学图像的左侧L’中发生的是主动变化，右侧R’发生的是被动变化；那么异常区域T存在于异常医学图像的左侧L’中；否则当val>0，异常区域存在于异常医学图像的右侧R’；第二阶段的分类实现对异常区域T的定位；(4.6)提取T区域的边缘轮廓并计算以下特征值：其中C是紧凑度、davg是平均标准化半径、Ro是粗糙度、δ2是方差、Sk是偏斜度、Pe是峰值，A是肿瘤轮廓的面积，p是肿瘤轮廓的周长；N为边缘上点的个数，设ROI区域的最小外接矩形的中心为(x0，y0)，半径d(i)是各边缘点(xi，yi)到图像中心(x0，y0)的距离，K是边缘上点的数量，Li是边缘上点和点之间的欧氏距离，μ是均值，采用迭代随机采样方法，每次采样中通过谱聚类估计未标注样本的类别值，使用SVM进行模型学习，逐步优化模型，以提高分类准确度，实现第三阶段的分类，即将异常区域T分类为良性和恶性两类；所述的医学图像预处理后的数据库为：通过对已有图像库中的每张图像进行预处理，然后对预处理过的图像集进行多阶段分类图像建模得到一个多阶段分类图集D＝{G1,G2,…,Gn}。