[發明專利]一種融合多尺度超像素的腦CT圖像分類方法

在審

• 申請號: 202110058684.0
• 申請日: 2021-01-16
• 公開（公告）號: CN112633416A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 冀俊忠;張夢隆;張曉丹
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06T5/50;G06T7/10
• 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

一種融合多尺度超像素的腦CT圖像分類方法，屬于醫學圖像研究領域。所述方法具有以下特點：1)利用多尺度超像素與腦CT圖像融合，去除了圖像冗余信息，降低了病灶和周圍腦組織像素的灰度相似性。2)設計了一種基于區域和邊界的多尺度超像素編碼器，有效的提取多尺度超像素中包含的病灶低層次信息。3)設計了一種融合多尺度超像素特征融合模型，綜合利用了殘差神經網絡提取的高層次特征和多尺度超像素的低層次特征，實現對腦CT的分類。4)相比傳統深度學習算法，本發明所述方法可以有效利用多尺度超像素中包含的病灶信息，從而更準確地對腦CT圖像中存在的疾病進行分類，且該方法合理可靠，可為腦CT圖像的分類提供有力的幫助。

技術領域

本發明屬于醫學圖像研究領域，具體地說，本發明涉及一種融合多尺度超像素的腦CT圖像分類方法。

背景技術

臨床急診中腦部損傷的診斷是極其緊迫的，即使短時間的延誤也可能導致患者病情惡化。電子計算機斷層掃描(Computed Tomography，CT)是最常用的診斷工具之一，具有成像快、成本低、適用范圍廣、病變檢查率高等特點。盡管腦CT能檢測出顱內出血、顱內壓升高和顱骨骨折等關鍵且時效性強的異常，但是傳統的疾病分類方法通常需要放射科醫生目測出血面積大小、估計出中線偏移等信息，這個過程是相對耗時的。近年來，伴隨著醫學影像技術的進步和發展，腦CT圖像數量呈現出幾何形式的增長，但放射科醫生數量的增長速度卻相對緩慢，而且培養一名合格的放射科醫生成本高、周期長，致使在職放射科醫生的工作任務與日俱增，間接導致了看病難等社會問題。因此，腦CT自動分類方法能夠輔助放射科醫生工作，提升診斷效率，減少誤診、漏診率，具有十分重要的現實意義。

近年來，深度學習(Deep learning,DL)在計算機視覺領域的巨大成功，也促進了醫療圖像分析技術的快速發展，卷積神經網絡(Convolutional Neural Networks,CNN)是一種傳統的深度學習模型，能夠捕獲圖像的局部區域信息、提取高層語義特征，被廣泛用于圖像的特征提取與分類任務。如今CNN已經廣泛應用在醫學圖像的識別和處理上,并且經過不斷的迭代優化，已經構成很多以CNN為架構的分類器。

然而，現有工作在使用傳統CNN提取腦CT圖像特征時，并沒有考慮腦CT圖像和自然光學圖像具有的差異：首先，腦CT圖像空間分辨率低、對比度低；缺少亮度、顏色、紋理等易于識別的自然視覺特征；區域之間的分界線并不清晰,紋理差異也不大；圖像會因患者個體差異和成像體位不同而顯著不同；圖像還具有位移產生的偽影、容積效應產生誤差、設備原因產生噪聲的諸多不穩定因素。且考慮到醫學圖像大多屬于醫院私有數據，隱私保護條例會阻礙醫學圖像的共享，數據集的數量會直接影響深度學習的效果。研究表明，無監督生成的超像素由一系列特征相似像素點組成，能夠保留原圖像的局部細節并且能夠突出局部特征，無需，有利于圖像高級特征的提取與表達，超像素的數量遠小于原圖像像素的數量，用超像素代替像素作為圖像處理的基元，能夠大幅度降低后續圖像處理的計算復雜度，提高圖像處理算法的效率。

發明內容

本發明針對上述現有方法忽略了腦CT圖像視覺特性的問題，提出一種融合多尺度超像素(multi-scale superpixel fusion,MSF)的腦CT圖像分類方法。本發明所述方法能夠通過多尺度超像素優化圖像，并無監督的提取病灶區域的信息，以此加強殘差神經網絡生成特征的表達性，提升分類任務的準確率。

為實現上述目的，本發明采用的技術方案為一種融合多尺度超像素的腦CT圖像分類方法。本發明的流程如圖1所示，包含以下幾個步驟。1)首先，構建數據集并進行預處理，得到多尺度超像素；其次，通過多尺度超像素圖像融合進行數據增強，獲得優化的融合圖像；然后采用基于區域和邊界信息的多尺度超像素特征編碼算法，得到多尺度超像素低層次特征；最后利用多尺度超像素特征融合分類模型，來對腦CT圖像進行分類；

步驟(1)獲取數據并預處理：