[發明專利]一種基于深度學習和Radon變換的醫學圖像檢索方法

有效

• 申請號: 201611246378.5
• 申請日: 2016-12-29
• 公開（公告）號: CN106844524B
• 公開（公告）日: 2019-08-09
• 發明（設計）人: 蔡軼珩;邱長炎;高旭蓉;崔益澤;王雪艷;孔欣然
• 申請（專利權）人: 北京工業大學
• 主分類號: G06F16/53
• 分類號: G06F16/53;G06K9/66;G06N3/08
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 劉萍

一種基于深度學習和Radon變換的醫學圖像檢索方法涉及計算機視覺和圖像檢索領域。在“粗”檢索階段，采用BING目標建議算法檢測具有顯著對象的區域，通過在深度卷積網絡架構中引入部分均值Pooling，可提取出基于區域的顯著區分性特征并降低特征維度，再聚合形成一個全局特征表達。在特征向量量化過程中，使用乘積量化算法來解決特征向量間相似性度量計算高復雜度問題。“細”檢索階段，借助Radon變換可將圖像在多角度做積分投影，獲取圖像更多細節信息的特性，將“粗”檢索中得到的Top50圖像經過Radon變換生成Radon條碼，經過相似性度量達到更精確檢索。本發明提高醫學圖像檢索的準確率，克服了直接使用卷積神經網絡帶來的特征區分性不強，特征維度高等醫學圖像檢索問題。

技術領域

本發明涉及計算機視覺和圖像檢索領域，具體涉及一種基于深度學習和Radon變換的醫學圖像檢索方法。

背景技術

隨著圖像處理技術在醫學領域的應用日益廣泛，每天都會產生大量的醫學圖像，如CT圖像、B超圖像、MRI圖像等，它們是臨床診斷治療和醫學圖像研究的重要依據。如何對這些醫學圖像進行有效管理，從中檢索中醫生需要的信息，是當今醫學圖像研究方面的重要課題。傳統基于內容的醫學圖像檢索(CBMIR)方法是順序地將查詢圖像與數據庫中圖像逐個進行比對，其線性復雜性導致其在現實環境中存在著低效率和低擴展性等缺點，同時提取特征為底層視覺特征，它與高層的語義特征之間存在著語義鴻溝，而且通常具有高維度，計算難度較大等難題。

受深度學習及卷積神經網絡在視覺檢索任務及在應對像素級信息與人類感知語義信息關聯之間問題上的突出性能表現，越來越多的注意力轉移到深度網絡中。但醫學圖像具有其特別之處：大部分醫學圖像都是灰度級且醫學圖像中大部分有價值的信息都包含在很小的局部區域內，如異常或惡性腫瘤等。不同于生活中的其它圖像，醫學圖像自身的特殊性限制了深度網絡的可用性，在涉及醫學圖像檢索方法時，須充分考慮醫學圖像的全局特性和局部特性。

雖然卷積神經網絡可以提取醫學圖像豐富的語義信息，更好地描述圖像，但由于CNN提取圖像特征都是高維的且通常是全局特征表達，對醫學圖像檢索任務中具有區分性的特征不能有效地提取，因此需要在此基礎上對醫學圖像做分塊處理并對卷積神經網絡框架進行必要的改進，同時結合傳統方法，進一步提高醫學圖像檢索的精度和準確度。

發明內容

(一)本發明要解決的技術問題

本發明的目的在于針對上述已有的醫學圖像檢索技術缺陷，提出一種基于深度學習和Radon變換的醫學圖像檢索方法。在“粗”檢索階段，采用BING(Binarized NormedGradients)目標建議算法檢測具有顯著對象的區域，通過在深度卷積網絡架構中引入部分均值Pooling，可提取出基于區域的顯著區分性特征并降低特征維度，再聚合形成一個全局特征表達。同時，在特征向量量化過程中，使用乘積量化算法來解決特征向量間相似性度量計算高復雜度問題。“細”檢索階段，借助Radon變換可將圖像在多角度做積分投影，獲取圖像更多細節信息的特性，將“粗”檢索中得到的Top50圖像經過Radon變換生成Radon條碼(RBC)，經過相似性度量從而達到更精確檢索。“粗”檢索與“細”檢索相結合的方法，大大提高醫學圖像檢索的準確率，克服了直接使用卷積神經網絡帶來的特征區分性不強，特征維度高等醫學圖像檢索問題。

(二)本發明的技術方案

一種基于深度學習和Radon變換的醫學圖像檢索方法，其特征在于，包含如下步驟：

步驟一：基于卷積神經網絡的“粗”檢索

(1)將醫學圖像數據集中的所有圖像采用統一尺寸；

(2)將圖像數據集及其對應的類別標簽信息分為訓練集樣本和測試集樣本兩部分，每個樣本集中每個樣本均包含一圖像及其對應的類別標簽；