[發明專利]一種融合放射組學和深度卷積特征進行圖像分類的方法

在審

• 申請號: 201810368169.0
• 申請日: 2018-04-23
• 公開（公告）號: CN108596247A
• 公開（公告）日: 2018-09-28
• 發明（設計）人: 張煜;寧振源
• 申請（專利權）人: 南方醫科大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/34;G06K9/46;G06N3/04
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 趙蕊紅

一種融合放射組學和深度卷積特征進行圖像分類的方法,通過7個步驟得到醫學分類圖像。本發明結合了放射組學與深度學習兩種技術，通過聯合由放射組學提供的相對全局的特征和由深度學習提供的相對局部的特征來對圖像分類，繼承了兩者的優勢同時又彌補了兩者的不足，從而提升醫學圖像進行分類的準確度。同時本發明提出一種沿著圖像塊池化的策略，該池化技術彌補了由于深度學習對大數據的要求而引入的圖像塊技術造成的分類精度不高的弊端，同時為來自圖像塊的深度特征與其他傳統特征結合提供基礎。

技術領域

本發明涉及一種醫學圖像處理領域，具體是指一種融合放射組學和深度卷積特征進行圖像分類的方法。

背景技術

醫學圖像分類對臨床醫生術中決策提供了重要的依據。在臨床實踐中，醫學圖像分類依賴于病理檢查，但這種檢查不僅昂貴而且有創傷的。

放射組學是精準醫學的全新領域，其通過從醫學影像數據中高通量提取量化特征，利用數據挖掘和機器學習技術對特征進行分析，從而支持臨床決策。在當前研究中，放射組學提取的量化特征有限而且都是相對全局的特征，這將會忽略圖像小結構的特征，不利于醫學圖像分類。

深度學習近年來在醫學圖像分類領域取得顯著成效，通過從大量醫學數據中學習規律從而輔助臨床決策。然而深度學習要求大量數據支持，在臨床中是難以滿足的。后來又引入了基于圖像塊的深度學習策略。但該技術的引入不僅使得所提取的特征來自相對局部的特征而忽視圖像全局特征，而且由于一個對像對應著多個圖像塊，當圖像塊的預測結果出現分歧時便會造成決策困難，降低了醫學圖像分類的精準度。

因此針對現有技術不足，提供一種融合放射組學和深度卷積特征進行圖像分類的方法以解決現有技術不足甚為必要。

發明內容

本發明的目的在于避免現有技術的不足之處而提供一種融合放射組學和深度卷積特征進行圖像分類的方法。該方法能通過結合放射組學和深度學習優勢，提高醫學圖像分類的精準度。

本發明的上述目的通過以下技術措施實現：

提供一種融合放射組學和深度卷積特征進行圖像分類的方法，包括以下步驟：

步驟一，讀取圖像并對圖像區域進行三維分割，得到三維分割圖像；

步驟二，將步驟一的三維分割圖像的像素歸一化得到歸一化圖像；

步驟三，對步驟二的歸一化圖像預處理，進行放射組學特征提取；

步驟四，對步驟三放射組學特征篩選，得到待結合的放射組學特征；

步驟五，對步驟二的歸一化圖像進行等概率隨機抽取三維圖像塊；

步驟六，對步驟五的三維圖像塊進行訓練，將三維圖像塊輸入到卷積神經網絡中進行訓練，得到最終深度特征；

步驟七，將步驟四放射組學特征和步驟六中的深度學習特征串聯結合，輸入到分類器進行醫學圖像進行處理，得到醫學分類圖像。

優選的，上述步驟一具體為，讀取圖像，將圖像導入影像控制軟件并對圖像進行三維分割，得到三維分割圖像。

優選的，上述步驟二具體為，將步驟一的三維分割圖像的窗寬和窗位調整為默認值，并進行像素歸一化得到歸一化圖像。

優選的，上述步驟三具體為，對步驟二的歸一化圖像進行預處理，進行包括紋理特征和非紋理特征的三維放射組學特征提取。

優選的，上述步驟四具體為，使用特征選擇算子結合分類器的性能對步驟三放射組學特征進行篩選，篩選出的特征為待結合的放射組學特征。

優選的，上述步驟五具體為，對步驟二的歸一化圖像進行等概率隨機抽取多個三維圖像塊。