[發明專利]一種醫學圖像病變區域定位和分類方法

在審

• 申請號: 201710538315.5
• 申請日: 2017-07-04
• 公開（公告）號: CN107330883A
• 公開（公告）日: 2017-11-07
• 發明（設計）人: 張小瑞;徐慧;孫偉;朱利豐;宋愛國;牛建偉
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06T7/73;G06T7/44
• 代理公司: 南京匯盛專利商標事務所(普通合伙)32238
• 代理人: 張立榮,裴詠萍

技術領域

本發明屬于圖像處理領域，具體涉及一種醫學圖像病變區域定位和分類方法。

背景技術

在醫學領域中，病人機體上發生病變區域大部分是通過圖像呈現給醫生，醫生通過對圖 像分析來判斷病人病情并加以診斷。隨著計算機技術快速發展，它與醫學成像技術結合越來 越緊密，計算機通過智能算法輔助分析醫學圖像，幫助醫生快速分析病人病情，減輕醫生工 作量同時大大提高診斷效率；隨著智能醫療和在線醫療發展，計算機輔助分析醫學圖像技術 也融入其中，幫助病人和病人家屬足不出戶即能隨時掌握病人病情。

由于醫學圖像的特殊性，有些病變區域大小只占整個圖像的小部分。而現有對醫學圖像 進行智能分析，多直接用于分析整個原始圖像，所提取特征許多與病變區域無關，嚴重影響 分類準確率。

發明內容

本發明目的是為了解決現有技術中存在的不足，提出了一種能提高分類準確率的醫學圖 像病變區域定位和分類方法。先對采集的醫學圖像進行病變區域定位、分割，然后將分割的 圖像采用深度學習模型進行特征提取與分類。

其中，對采集的醫學圖像進行病變區域定位的具體方法為：將采集的醫學圖像分為訓練 集和測試集，提取訓練集圖像WLD直方圖特征信息，訓練KNN分類器，然后用測試集圖像 對訓練好的KNN分類器進行測試，完成醫學圖像病變區域定位。

上述WLD直方圖特征信息包括差異激勵和梯度方向。

KNN分類器訓練方法為：

A.根據提取的WLD直方圖特征信息，對訓練集圖像特征點進行標記；

B.求未知點與標記點的距離，并按距離遞增次序排序；

C.選取與未知點距離最小的k個點(k取3或5，優選3)；

D.確定前k個點所在類別出現頻率；

E.返回前k個點出現頻率最高的類別作為當前點的預測分類。

對采集的醫學圖像進行病變區域分割時采用直方圖門限法。

深度學習模型采用AlexNet模型。

該AlexNet模型包括八個層結構，分別為前五層卷積層和后三層全連接層；前五層中每 一個卷積層都包含ReLU激勵函數進行非線性化處理，前五層中只對第1、2、5層采用了降 采樣處理減少數據維度，防止過擬合；整個AlexNet模型前七層用于從分割好的圖像中提取 高級特征，最后一層全連接層將提取的高級特征放入SVM分類器用于圖像病變區域特征分 類并輸出分類結果。

本發明相比現有技術具有以下優點：

1、提取訓練集的WLD直方圖特征信息，并結合KNN分類器，實現病變區域自動定位， 該方法能有效的幫助醫生和患者迅速找到病變區域。

2、病變特征分類之前先對病變區域分割，能有效提高分類準確率。

3、由于AlexNet模型在圖像特征識別方面有顯著效果，本發明采用該AlexNet模型，從 而提高分類效果。

附圖說明

圖1為本發明一種醫學圖像病變區域定位和分類方法流程圖；

圖2為AlexNet模型結構圖；

圖3為二維平面線性分類器示意圖。

具體實施方式

下面結合附圖對本發明進行詳細說明。

本發明醫學圖像病變區域定位和分類方法，先對病變區域自動定位，再分割圖像保留病 變區域，再將分割的圖像用深度學習模型進行訓練能大大提高分類的準確率，發明流程圖如 圖1所示。

具體步驟如下：

1)提取WLD直方圖特征

對于給定圖像，使用差異激勵ξ和梯度方向θ來提取WLD直方圖特征。

A.計算差異激勵ξ

中心像素點與其所有鄰域像素點之間灰度差值和用v⁰⁰表示:

其中，p表示相鄰點個數，v_i表示相鄰像素點灰度，v_c表示中心像素點灰度；

由韋伯定律v⁰⁰與v_c比值用G_ratio表示，即：

G_ratio＝v⁰⁰/v_c (2)

則關于中心像素點的差異激勵ξ可表示為：