[发明专利]一种小样本条件下医学图像自动标注方法

摘要

本发明涉及一种小样本条件下医学图像自动标注方法，包括构建小样本医学图像组织器官的形状标记点的稠密线性回归模型和稀疏线性回归模型，合成其他位置对应的样本图像组织器官的形状标记点；构建小样本医学图像组织器官的形状标记区域的仿射变换模型，合成其他位置对应的样本图像组织器官的纹理；对新合成样本和原有样本图像的组织器官进行主成份分析，生成组织器官的形状和纹理可变模型；在待标注的图像上使用霍夫投票学习方法的初始定位，依据组织器官的形状和纹理可变模型的平移、旋转和缩放比等参数的收敛性自动标注图像内容。

主权项

一种小样本条件下医学图像自动标注方法，其特征在于，包括如下步骤：步骤1，构建小样本医学图像组织器官的位置A的形状标记点的稠密线性回归模型和稀疏线性回归模型，合成其他位置对应的新样本图像的组织器官形状标记点；步骤2，构建小样本医学图像组织器官的位置A的形状标记区域的仿射变换模型，合成其他位置对应的新样本图像的组织器官形状标记区域的纹理；步骤3，对新样本图像和原有样本图像的组织器官的形状标记点进行主成份分析，生成组织器官的形状可变模型；步骤4，对新样本图像和原有样本图像的组织器官纹理进行主成份分析，生成组织器官的纹理可变模型；步骤5，在待标注的医学图像上使用霍夫投票学习方法初始定位组织器官，依据组织器官的形状可变模型和纹理可变模型的平移参数、旋转参数和缩放比参数的收敛性自动标注图像内容；步骤1包括以下步骤：步骤(11)，设有一个位置的组织器官大小为m的小样本训练集，将组织器官在人体位置A的二维坐标矩阵拉长为一维向量，在该位置的所有样本拉长向量构成观测矩阵，在其他位置与该组织器官对应的样本拉长向量构成观测值；步骤(12)，基于2‑范数正则化最小二乘法构建形状标记点的稠密线性回归模型；步骤(13)，基于1‑范数正则化最小二乘法构建形状标记点的稀疏线性回归模型；步骤(14)，当大于50％的稠密线性回归模型矩阵元素都小于阈值时，使用稀疏线性回归模型，否则使用稠密线性回归模型，生成其他位置对应的组织器官形状样本；阈值为0.01；步骤3包括以下步骤：步骤(31)，使用广义对齐和奇异值分解算法对齐所有组织器官的形状标记点，得到旋转、平移和缩放不变的形状标记点；步骤(32)，对广义对齐后的组织器官形状标记点进行主成份分析，使用均值形状、形状子空间的正交基向量以及形状子空间的投影系数建立组织器官的形状可变模型；步骤4包括，设纹理空间的一组正交基向量为Pt和纹理子空间的投影系数为bt，则纹理子空间的正交基向量与投影系数之积加上纹理均值生成组织器官的纹理可变模型t为：t＝t0+Ptbt，其中t0表示均值纹理；步骤5包括以下步骤：步骤(51)，使用霍夫投票学习方法初始定位组织器官的形状和纹理模型在待标注图像中的位置，获得模型的平移、旋转和缩放参数的初始值；步骤(52)，每个标记点沿法向量方向搜索与当前点纹理特征欧式距离最小的像素点进行更新，修正组织器官的形状可变模型和纹理可变模型的平移参数、旋转参数和缩放比参数，依据所述参数的收敛性实现自动标注。