專利名稱::基于混合子空間學(xué)習(xí)選擇性集成的微鈣化簇檢測方法
技術(shù)領(lǐng)域:
:本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域:
,涉及混合多子空間學(xué)習(xí)和集成學(xué)習(xí)方法,主要用于乳腺癌輔助診斷系統(tǒng)。
背景技術(shù):
:模式識別的發(fā)展面臨許多問題和挑戰(zhàn),其中尤為突出的就是數(shù)據(jù)的"維數(shù)災(zāi)難"問題。醫(yī)學(xué)影像數(shù)據(jù)、金融市場交易數(shù)據(jù)、消費市場數(shù)據(jù)、語音數(shù)據(jù)以及人臉圖像數(shù)據(jù)等,其表象均是高維的。這種維數(shù)的膨脹,給數(shù)據(jù)分析帶來了較大的挑戰(zhàn),使計算機實現(xiàn)機器學(xué)習(xí)算法處理時存在著很大的困難。因此,模式識別中的數(shù)據(jù)降維技術(shù)應(yīng)運而生。通過學(xué)習(xí)或優(yōu)化的方法,降維技術(shù)可以找到數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和聯(lián)系,去除冗余信息,提取到有利于數(shù)據(jù)表達或數(shù)據(jù)分類的判別信息,從而達到降低計算量、提高分類速度和精度的目的。目前降維技術(shù)的常用方法是子空間學(xué)習(xí)的方法。子空間學(xué)習(xí)一般分為線性和非線性的方法。傳統(tǒng)的線性子空間學(xué)習(xí)方法中主要有主成分分析、線性判別分析、因子分析、投影追蹤等。另一類是基于全局的非線性子空間學(xué)習(xí)方法,主要包括MDS(MultitidimensionalScaling)、SPE(StochasticProximityEmbedding)、Isomap、FastMVU(FastMaximumVarianceUnfolding)、KernelPCA、GDA(GeneralizedDisc:riminantAnalysis)、DM(Diffusionmaps)、SNE(StochasticNeighborEmbedding)、Multilayerautoencoders等;另夕卜一類是基于局部的非線性子空間學(xué)習(xí)方法,主要有!^E(XocalLi固rEmbedding)、L即lacianEigenmaps、HessianLLE、LTSA(LocalTangentSpaceAnalysis)、CCA(ConformalEigenmaps)、MVU(MaximumVarianceUnfolding)、LPP(LinearityPreservingProjection)、NPE(NeigborhoodPreservingEmbedding)、LLTSA(LinearLTSA)等;基于全局的線性模型排列的方法主要有l(wèi)iX(XocalllyLinearCoordination)、Manifoldcharting、CFA(CoordinatedFactorAnalysis)等。這些方法在解決某些問題上已經(jīng)取得了較好的效果,然而有些子空間學(xué)習(xí)方法對數(shù)據(jù)中的噪聲卻較為敏感,噪聲的出現(xiàn)導(dǎo)致參數(shù)設(shè)置困難,會極大地影響子空間學(xué)習(xí)的效果。另外,目前單個特征子空間中還沒有一種特征提取方法在任何情況下進行分類都能優(yōu)于其它算法,而多子空間的方法則可以通過對多個特征子空間中的模式進行融合或集成,來克服單特征子空間中的限制,以實現(xiàn)高于單特征子空間方法的模式識別率。目前,研究者已經(jīng)提出了基于集成學(xué)習(xí)的微鈣化點檢測方法。如Li等在"LiM,ZhouZ_H.ImproveComputer—AidedDiagnosisWithMachineLearningTechniquesUsingUndiagnosedSamples[J].IEEETransSyst,Man,CybernA,2007,37(6):1088-98."一文中提出了基于Co-Forest集成學(xué)習(xí)的微鈣化點檢測方法。該方法先將乳腺圖像分割成若干個100X100的圖像i央并提取5個特征AverageDensity,DensityVariance,E證gyVariance,BlockActivity,SpectralEntropy;然后采用半監(jiān)督學(xué)習(xí)的方法利用標(biāo)注和未標(biāo)注過的樣本訓(xùn)練得到一個集成基學(xué)習(xí)器;最后對每一個圖像塊進行分類檢測。該方法能在有限標(biāo)注樣本的情況下取得較好的檢測效果。MassimoDS等在"DeSantoM,MolinaraM,TortorellaF,etal.Automaticclassificationofclusteredmicrocalcificationsbyamultipleexpertsystem[J].PatternRecognition,2003,36(7):1467-77."—文提出了多專家信息融合的微鈣化簇檢測算法。單一種類的圖像特征可能不能很好的提高微鈣化簇的檢測效果,為了提高系統(tǒng)的性能,作者設(shè)計了一種基于多專家系統(tǒng)知識融合的微鈣化簇檢測方法。該方法法由多個專家分類系統(tǒng)組成,每一個專家對應(yīng)某一領(lǐng)域知識,如鈣化點領(lǐng)域?qū)<?、鈣化點簇領(lǐng)域?qū)<遥瑢γ恳活I(lǐng)域的專家分別提取相對應(yīng)的特征,然后將多個專家的知識融合到一起并做出最后的決策。以上這些方法通過不同的集成學(xué)習(xí)取得了一定的效果,但這些方法基本上是基于某些固定的特征或領(lǐng)域知識來進行分類檢測,沒有考慮噪聲數(shù)據(jù)的影響以及如何動態(tài)地獲取這些特征或領(lǐng)域知識。當(dāng)這些方法在遇到數(shù)據(jù)噪聲或所提取的特征判別能力不強的時候,使得其檢測性能大大降低,且穩(wěn)定性較差。
發(fā)明內(nèi)容本發(fā)明的目的是針對現(xiàn)有的微鈣化簇檢測技術(shù)存在的問題,利用機器學(xué)習(xí)中的子空間學(xué)習(xí)和選擇性集成方法及裝置,提供一種基于混合子空間學(xué)習(xí)選擇性集成的微鈣化簇檢測方法及裝置,以實現(xiàn)微鈣化簇檢測的特征自動選擇與集成,提高檢測的性能和穩(wěn)定性。實現(xiàn)本發(fā)明的技術(shù)思路是通過混合子空間學(xué)習(xí)將樣本分別映射到特征子空間,然后根據(jù)特征子空間表示目標(biāo)樣本判別信息的能力,有選擇性的將其作為候選子空間;對訓(xùn)練樣本在候選子空間分別提取特征并對基學(xué)習(xí)器進行訓(xùn)練,分別得到相應(yīng)子空間所對應(yīng)的訓(xùn)練后的基學(xué)習(xí)器模型。對于測試樣本,對每一個候選子空間及其基學(xué)習(xí)器模型進行分類測試;將所有的測試結(jié)果進行加權(quán)平均以得到最后的預(yù)測值以確定該樣本是否含有微鈣化簇。本發(fā)明的微鈣化簇檢測裝置,包括子空間學(xué)習(xí)模塊,用于根據(jù)訓(xùn)練樣本集對子空間學(xué)習(xí)方法集中的每一個子空間進行訓(xùn)練學(xué)習(xí),得到相應(yīng)的子空間投影矩陣集,并將子空間投影矩陣集輸入到基學(xué)習(xí)器訓(xùn)練模塊;基學(xué)習(xí)器訓(xùn)練模塊,用于根據(jù)子空間投影矩陣集將訓(xùn)練樣本集映射到子空間學(xué)習(xí)方法集中的每一個子空間,并選取用戶設(shè)定比例的樣本對每一個子空間相對應(yīng)的基學(xué)習(xí)器模型進行訓(xùn)練,用剩余的樣本進行測試得到測試結(jié)果,得到基學(xué)習(xí)器模型集合,并將基學(xué)習(xí)器模型集和子空間投影矩陣集輸入到選擇模塊;選擇模塊,用于根據(jù)基學(xué)習(xí)器模型集和子空間投影矩陣集選擇最優(yōu)子空間及與子空間相對應(yīng)的基學(xué)習(xí)器模型,若子空間學(xué)習(xí)方法所對應(yīng)的基學(xué)習(xí)器模型的測試結(jié)果準(zhǔn)確度大于用戶設(shè)定的閾值則選取,否則返回,并將選擇的結(jié)果輸入到保存模塊;保存模塊,用于將選擇模塊已選擇的子空間學(xué)習(xí)方法和基學(xué)習(xí)器模型,及基學(xué)習(xí)器模型對應(yīng)的訓(xùn)練測試結(jié)果作為權(quán)重一并保存到檢測模型庫中;測試模塊,用于調(diào)用檢測模型庫中的模型,將原始圖像塊通過候選子空間中的投影矩陣集合投影到特征子空間,并調(diào)用與子空間學(xué)習(xí)方法對應(yīng)的基學(xué)習(xí)器模型進行測試得到測試結(jié)果集,并將測試結(jié)果集輸入到?jīng)Q策集成模塊;5決策集成模塊,用于計算測試結(jié)果集的最終檢測結(jié)果,并將檢測結(jié)果交給檢測判決模塊;檢測判決模塊,用于根據(jù)最終檢測結(jié)果值判斷該圖像塊中是否含有微鈣化簇,并輸出檢測結(jié)果。本發(fā)明的鈣化簇檢測方法,包括步驟如下(1)對微鈣化簇檢測模型庫中的檢測模型進行查詢,若檢測模型不存在,則執(zhí)行步驟(2),否則轉(zhuǎn)到步驟(9);(2)從訓(xùn)練樣本數(shù)據(jù)庫獲得用于子空間學(xué)習(xí)的訓(xùn)練樣本集;(3)以子空間學(xué)習(xí)樣本集為訓(xùn)練數(shù)據(jù),在子空間學(xué)習(xí)方法集合中通過對每一個子空間學(xué)習(xí)得到子空間所對應(yīng)的特征投影矩陣;(4)從訓(xùn)練樣本數(shù)據(jù)庫獲得用于基學(xué)習(xí)器訓(xùn)練的訓(xùn)練樣本集;(5)將基學(xué)習(xí)器訓(xùn)練樣本集投影到子空間學(xué)習(xí)集中的每一個特征子空間,得到子空間特征向量集;(6)用每一個特征子空間所對應(yīng)特征數(shù)據(jù)集訓(xùn)練基學(xué)習(xí)器模型,并用該數(shù)據(jù)集測試基學(xué)習(xí)器模型得到測試結(jié)果,并將其作為基學(xué)習(xí)器的權(quán)重;(7)將訓(xùn)練好的子空間投影矩陣和基學(xué)習(xí)器模型保存起來,得到子空間學(xué)習(xí)和基學(xué)習(xí)器模型集合;(8)根據(jù)基學(xué)習(xí)器模型的測試結(jié)果,選擇出識別能力大于用戶設(shè)定閾值的子空間學(xué)習(xí)模型及其對應(yīng)的基學(xué)習(xí)器模型,存儲到檢測模型庫中;(9)輸入待檢測的圖像,并生成待檢測圖像在最優(yōu)子空間學(xué)習(xí)集合所對應(yīng)的各子空間中的投影向量;(10)根據(jù)每一個最優(yōu)子空間學(xué)習(xí)得到的投影向量及與其相對應(yīng)的基學(xué)習(xí)器模型計算最優(yōu)基學(xué)習(xí)器模型的預(yù)測值;(11)根據(jù)每個基學(xué)習(xí)器的權(quán)重計算所有最優(yōu)基學(xué)習(xí)器預(yù)測值的加權(quán)平均值,若該加權(quán)平均值大于用戶設(shè)定的閾值,則判斷該待檢測圖像中含有微鈣化簇,否則沒有。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點1)本發(fā)明由于使用多子空間學(xué)習(xí)方法來提取特征,避免了將特征提取固定于某一個特征子空間,提高了方法的自適應(yīng)水平;2)本發(fā)明由于選擇性的選擇子空間,并對最后的檢測結(jié)果進行集成,這樣大大提高了方法的檢測準(zhǔn)確度和穩(wěn)定性;3)仿真結(jié)果表明,本發(fā)明給出的微鈣化簇檢測方法的ROC曲線下面積達到了0.9674,且穩(wěn)定性較好。本發(fā)明的技術(shù)過程和效果可結(jié)合以下附圖詳細說明。圖1是微鈣化簇檢測裝置示意圖;圖2是本發(fā)明的微鈣化簇檢測過程圖;圖3是本發(fā)明的R0C曲線評價示意圖;圖4是本發(fā)明的穩(wěn)定性測試圖。具體實施例方式下面結(jié)合附圖對本發(fā)明的內(nèi)容和效果作進一步詳細描述。參照圖l,本發(fā)明的基于混合子空間學(xué)習(xí)選擇性集成的微鈣化簇檢測方法的虛擬裝置,主要由模型庫訓(xùn)練單元、模型庫生成單元、測試模塊、決策集成模塊和檢測判決模塊組成。模型庫訓(xùn)練單元,用于微鈣化簇檢測模型庫的訓(xùn)練,它包括子空間學(xué)習(xí)模塊和基學(xué)習(xí)器訓(xùn)練模塊。該單元的輸入為訓(xùn)練樣本數(shù)據(jù)庫,子空間學(xué)習(xí)方法集合和基學(xué)習(xí)器,輸出為子空間投影矩陣集合和基學(xué)習(xí)器模型。其中子空間學(xué)習(xí)模塊輸入為子空間訓(xùn)練樣本集和子空間學(xué)習(xí)方法集,該模塊根據(jù)訓(xùn)練樣本集對子空間學(xué)習(xí)方法集中的每一個子空間進行訓(xùn)子空間學(xué)習(xí)方法集中的每一個子空間進行訓(xùn)練學(xué)習(xí),得到相應(yīng)的子空間投影矩陣集,并將子空間投影矩陣集輸入到基學(xué)習(xí)器訓(xùn)練模塊。該基學(xué)習(xí)器訓(xùn)練模塊的輸入為基學(xué)習(xí)器訓(xùn)練樣本集和子空間投影矩陣集,該模塊根據(jù)子空間投影矩陣集將訓(xùn)練樣本集映射到子空間學(xué)習(xí)方法集中的每一個子空間,并選取用戶設(shè)定比例的樣本對每一個子空間相對應(yīng)的基學(xué)習(xí)器模型進行訓(xùn)練,用剩余的樣本進行測試得到測試結(jié)果,得到基學(xué)習(xí)器模型集合,并將基學(xué)習(xí)器模型集和子空間投影矩陣集輸入到模型庫生成單元。模型庫生成單元,用于微鈣化簇檢測模型庫的生成,它包括選擇模塊和保存模塊。該單元的輸入為基學(xué)習(xí)器模型集和子空間投影矩陣集,輸出為微鈣化簇檢測模型庫。其中選擇模塊輸入為基學(xué)習(xí)器模型集和子空間投影矩陣集,輸出為標(biāo)記過的基學(xué)習(xí)器模型和子空間投影矩陣。該模塊根據(jù)基學(xué)習(xí)器模型集和子空間投影矩陣集選擇最優(yōu)子空間及與子空間相對應(yīng)的基學(xué)習(xí)器模型,若子空間學(xué)習(xí)方法所對應(yīng)的基學(xué)習(xí)器模型的測試結(jié)果準(zhǔn)確度大于用戶設(shè)定的閾值則選取,否則返回,并將選擇的結(jié)果輸入到保存模塊。該保存模塊輸入為標(biāo)記過的基學(xué)習(xí)器模型和子空間投影矩陣,用于將選擇模塊已選擇的子空間學(xué)習(xí)方法和基學(xué)習(xí)器模型,及基學(xué)習(xí)器模型對應(yīng)的訓(xùn)練測試結(jié)果作為權(quán)重一并保存到檢測模型庫中。測試模塊,用于微鈣化簇檢測的測試,該模塊的輸入為檢測模型庫和待檢測圖像塊,輸出為測試結(jié)果集。該模塊調(diào)用檢測模型庫中的模型,將待檢測圖像塊通過候選子空間中的投影矩陣集投影到特征子空間,并調(diào)用與子空間學(xué)習(xí)方法對應(yīng)的基學(xué)習(xí)器模型進行測試得到測試結(jié)果集,然后將測試結(jié)果集輸入到?jīng)Q策集成裝置。決策集成模塊,用于測試結(jié)果的集成,該模塊的輸入為測試結(jié)果集,輸出為最終檢測結(jié)果。該模塊根據(jù)測試結(jié)果集,對所有測試結(jié)果進行集成得到最終測試結(jié)果,并將最終測試結(jié)果輸入到檢測判決模塊。檢測判決模塊,用于檢測結(jié)果的判斷,該模塊的輸入為最終測試結(jié)果集,輸出為微鈣化簇檢測結(jié)果。該模塊根據(jù)最終測試結(jié)果值判斷該圖像塊中是否含有微鈣化簇,并輸出檢測結(jié)果。參照圖2,本發(fā)明的微鈣化簇檢測方法按如下步驟進行。步驟l,初始化操作,用于打開模型庫。步驟2,判斷微鈣化簇檢測模型庫是否已經(jīng)訓(xùn)練好,如果是則執(zhí)行步驟12,否則執(zhí)行步驟3。步驟3,判斷子空間學(xué)習(xí)方法是否已經(jīng)訓(xùn)練好,如果是則執(zhí)行步驟6,否則執(zhí)行步7驟4。步驟4,從訓(xùn)練樣本數(shù)據(jù)庫中獲取用于子空間學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集,該數(shù)據(jù)集包括正樣本,含有微鈣化簇和負樣本(正常乳腺區(qū)域),二者的比例可以由用戶自行設(shè)定。步驟5,根據(jù)訓(xùn)練數(shù)據(jù)集對子空間學(xué)習(xí)方法集中的所有子空間學(xué)習(xí)方法進行訓(xùn)練并得到相應(yīng)的投影矩陣集,這里的子空間學(xué)習(xí)方法集合包括任意多個子空間學(xué)習(xí)算法,例如選擇m個子空間學(xué)習(xí)方法作為子空間學(xué)習(xí)方法集。步驟6,從訓(xùn)練樣本數(shù)據(jù)庫獲得基學(xué)習(xí)器訓(xùn)練數(shù)據(jù)集,該數(shù)據(jù)集包括正樣本(含有微鈣化簇)和負樣本(含有正常乳腺區(qū)域),二者的比例由用戶指定。步驟7,將基學(xué)習(xí)器訓(xùn)練數(shù)據(jù)集分別投影到相應(yīng)的子空間,從而得到特征子空間數(shù)據(jù)集。步驟8,將基學(xué)習(xí)器在特征子空間數(shù)據(jù)集上進行訓(xùn)練,得到訓(xùn)練后的分類模型,并利用該數(shù)據(jù)集測試訓(xùn)練后的基學(xué)習(xí)器得到測試結(jié)果作為該基基學(xué)習(xí)器的權(quán)重。該步驟中由用戶采用有監(jiān)督的基學(xué)習(xí)器,例如選擇支持向量機作為基學(xué)習(xí)器。步驟9,將訓(xùn)練好的子空間投影矩陣和基學(xué)習(xí)器模型保存起來,得到子空間學(xué)習(xí)方法和基學(xué)習(xí)器模型集合。步驟10,用于選擇子空間及其所對應(yīng)的基學(xué)習(xí)器模型是否作為候選對像,若子空間學(xué)習(xí)算法所對應(yīng)的基學(xué)習(xí)器模型的測試結(jié)果準(zhǔn)確度大于用戶指定的閾值,若標(biāo)記該子空間學(xué)習(xí)方法和基學(xué)習(xí)器模型為可選取。步驟ll,將已經(jīng)選擇的子空間學(xué)習(xí)方法及訓(xùn)練好的基學(xué)習(xí)器模型作為候選子空間及候選基學(xué)習(xí)器模型,同時將其所對應(yīng)的準(zhǔn)確率作為基學(xué)習(xí)器的權(quán)重一并保存到檢測模型庫中。步驟12,接收待檢測圖像塊,并將該圖像塊投影到相應(yīng)的子空間得到的最優(yōu)子空間特征集合中。步驟13,由最優(yōu)子空間所對應(yīng)的基學(xué)習(xí)器模型測試空間特征集合,得到測試結(jié)果集。步驟14,將測試結(jié)果集進行集成得到最后檢測結(jié)果,該步驟中的集成方法采用常用的集成策略,如加權(quán)平均法,按如下的公式進行式中,f是最終決策結(jié)果,t'j是候選最優(yōu)特征子空間所對應(yīng)的歸一化后的權(quán)重,hj是候選特征子空間所對應(yīng)分類模型的測試輸出結(jié)果。步驟15,判斷最終決策結(jié)果是否大于用戶設(shè)定的閾值,若大于該閾值則判斷該待檢測圖像中含有微鈣化簇,否則沒有。步驟16,標(biāo)示出該圖像塊含有微鈣化簇檢測區(qū)域。以下通過仿真實驗驗證本發(fā)明方法的有效性和穩(wěn)定性。仿真實驗內(nèi)容實驗l,評價本發(fā)明與基于單個子空間學(xué)習(xí)方法的性能差別,實驗中根據(jù)每個子空間學(xué)習(xí)算法進行空間映射后的判別能力將識別率大于68%的子空間學(xué)習(xí)方法作為最優(yōu)子空間集合。如表1所示。表l中給出了四個指標(biāo)來評價基于單個子空間和基于混合子空間8選擇集成算法的性能準(zhǔn)確率、靈敏度、特異度和ROC曲線下面積。由圖1可知,基于混合子空間學(xué)習(xí)選擇性集成的微鈣化簇檢測方法從四個指標(biāo)來看都優(yōu)于基于單個的子空間學(xué)習(xí)的微鈣化簇檢測方法。表1單個子空間法與混合多子空間選擇集成的微鈣化簇檢測法性能評價<table>tableseeoriginaldocumentpage9</column></row><table>實驗2,ROC曲線分析,測試本發(fā)明的整體檢測性能。圖3給出了基于混合子空間學(xué)習(xí)選擇性集成的方法進行微鈣化簇檢測的ROC曲線。由圖3實驗結(jié)果可知,與文獻中提出的方法相比,本發(fā)明在提高檢出率的同時降低了假陽性率且ROC曲線下面積達到了0.9674。實驗3,驗證算法的穩(wěn)定性。本實驗分別重復(fù)訓(xùn)練并測試本發(fā)明給出的方法10輪,每輪訓(xùn)練算法N二10i,1=1,..,10次。每輪實驗中從樣本數(shù)據(jù)庫中隨機選擇50%的樣本作為訓(xùn)練樣本集,余下的50%作為測試樣本集。圖4給出了該實驗得到的各評價指標(biāo)所對應(yīng)的統(tǒng)計分析箱圖,其中圖4a對應(yīng)準(zhǔn)確率,圖4b對應(yīng)靈敏度,圖4c對應(yīng)特異度,圖4d對應(yīng)R0C曲線下面積。從圖4實驗結(jié)果的各評價指標(biāo)可看出該發(fā)明提出的方法無論在穩(wěn)定性還是在檢測性能上都取得了較好的效果。本發(fā)明方法并不是利用單一的子空間學(xué)習(xí)方法,而是將多個子空間學(xué)習(xí)方法結(jié)合起來進行微鈣化簇的檢測。在最優(yōu)子空間學(xué)習(xí)方法選擇過程中,基于機器學(xué)習(xí)中的選擇性集成的思想,主要考慮到以下幾點(l)數(shù)據(jù)噪聲對子空間學(xué)習(xí)算法性能的影響;(2)單一子空間學(xué)習(xí)方法所對應(yīng)的表達判別信息識別能力;(3)某子空間學(xué)習(xí)方法糾正其他子空間學(xué)習(xí)方法誤識能力。這樣就使得最終選擇出來的子空間學(xué)習(xí)方法集合既有較高的判別能力又有較強的互補性和穩(wěn)定性,從而保證了將該集合中的子空間特征及其所對應(yīng)的基學(xué)習(xí)器模型結(jié)合起來能夠獲得較好的檢測效果。本發(fā)明充分考慮噪聲數(shù)據(jù)對子空間學(xué)習(xí)的影響,盡量選擇能表征出原圖像判別信息的子空間映射方法,某種程度上解決了單一子空間學(xué)習(xí)方法不穩(wěn)定的問題,另外通過將選擇后的子空間特征數(shù)據(jù)的判決結(jié)果進行集成,大大的提高了最終檢測結(jié)果的效率和準(zhǔn)確度,進而實現(xiàn)了高效檢測微鈣化簇的目的,仿真結(jié)果也表明該方法在穩(wěn)定性和檢測效率方面比文獻中給出的檢測方法具有更好的效果。本發(fā)明說明書中未作詳細描述的內(nèi)容屬于本領(lǐng)域?qū)I(yè)技術(shù)人員周知的現(xiàn)有公開技術(shù)。以上實施方式僅用于說明本發(fā)明,而并非對本發(fā)明的限制。盡管為說明目的公開了本發(fā)明的最佳實施例和附圖,但是本領(lǐng)域的技術(shù)人員可以理解;在不脫離本發(fā)明及所附9的權(quán)利要求的精神和范圍內(nèi),各種替換、變化、修改都是可能的。因此,所有等同的技術(shù)方案也屬于本發(fā)明的范疇,本發(fā)明的專利保護范圍應(yīng)由權(quán)利要求限定,而不應(yīng)局限于最佳實施例和附圖所公開的內(nèi)容。權(quán)利要求一種基于混合子空間學(xué)習(xí)選擇性集成的微鈣化簇檢測裝置,包括子空間學(xué)習(xí)模塊,用于根據(jù)訓(xùn)練樣本集對子空間學(xué)習(xí)方法集中的每一個子空間進行訓(xùn)練學(xué)習(xí),得到相應(yīng)的子空間投影矩陣集,并將子空間投影矩陣集輸入到基學(xué)習(xí)器訓(xùn)練模塊;基學(xué)習(xí)器訓(xùn)練模塊,用于根據(jù)子空間投影矩陣集將訓(xùn)練樣本集映射到子空間學(xué)習(xí)方法集中的每一個子空間,并選取用戶設(shè)定比例的樣本對每一個子空間相對應(yīng)的基學(xué)習(xí)器模型進行訓(xùn)練,用剩余的樣本進行測試得到測試結(jié)果,得到基學(xué)習(xí)器模型集合,并將基學(xué)習(xí)器模型集和子空間投影矩陣集輸入到選擇模塊;選擇模塊,用于根據(jù)基學(xué)習(xí)器模型集和子空間投影矩陣集選擇最優(yōu)子空間及與子空間相對應(yīng)的基學(xué)習(xí)器模型,若子空間學(xué)習(xí)方法所對應(yīng)的基學(xué)習(xí)器模型的測試結(jié)果準(zhǔn)確度大于用戶設(shè)定的閾值則選取,否則返回,并將選擇的結(jié)果輸入到保存模塊;保存模塊,用于將選擇模塊已選擇的子空間學(xué)習(xí)方法和基學(xué)習(xí)器模型,及基學(xué)習(xí)器模型對應(yīng)的訓(xùn)練測試結(jié)果作為權(quán)重一并保存到檢測模型庫中;測試模塊,用于調(diào)用檢測模型庫中的模型,將原始圖像塊通過候選子空間中的投影矩陣集合投影到特征子空間,并調(diào)用與子空間學(xué)習(xí)方法對應(yīng)的基學(xué)習(xí)器模型進行測試得到測試結(jié)果集,并將測試結(jié)果集輸入到?jīng)Q策集成模塊;決策集成模塊,用于計算測試結(jié)果集的最終檢測結(jié)果,并將檢測結(jié)果交給檢測判決模塊;檢測判決模塊,用于根據(jù)最終檢測結(jié)果值判斷該圖像塊中是否含有微鈣化簇,并輸出檢測結(jié)果。2.—種基于混合子空間學(xué)習(xí)選擇性集成的微鈣化簇檢測方法,包括如下步驟(1)對微鈣化簇檢測模型庫中的檢測模型進行查詢,若檢測模型不存在,則執(zhí)行步驟(2),否則轉(zhuǎn)到步驟(9);(2)從訓(xùn)練樣本數(shù)據(jù)庫獲得用于子空間學(xué)習(xí)的訓(xùn)練樣本集;(3)以子空間學(xué)習(xí)樣本集為訓(xùn)練數(shù)據(jù),在子空間學(xué)習(xí)方法集合中通過對每一個子空間學(xué)習(xí)得到子空間所對應(yīng)的特征投影矩陣;(4)從訓(xùn)練樣本數(shù)據(jù)庫獲得用于基學(xué)習(xí)器訓(xùn)練的訓(xùn)練樣本集;(5)將基學(xué)習(xí)器訓(xùn)練樣本集投影到子空間學(xué)習(xí)集中的每一個特征子空間,得到子空間特征向量集;(6)用每一個特征子空間所對應(yīng)特征數(shù)據(jù)集訓(xùn)練基學(xué)習(xí)器模型,并用該數(shù)據(jù)集測試基學(xué)習(xí)器模型得到測試結(jié)果,并將其作為基學(xué)習(xí)器的權(quán)重;(7)將訓(xùn)練好的子空間投影矩陣和基學(xué)習(xí)器模型保存起來,得到子空間學(xué)習(xí)和基學(xué)習(xí)器模型集合;(8)根據(jù)基學(xué)習(xí)器模型的測試結(jié)果,選擇出識別能力大于用戶設(shè)定閾值的子空間學(xué)習(xí)模型及其對應(yīng)的基學(xué)習(xí)器模型,存儲到檢測模型庫中;(9)輸入待檢測的圖像,并生成待檢測圖像在最優(yōu)子空間學(xué)習(xí)集合所對應(yīng)的各子空間中的投影向量;(10)根據(jù)每一個最優(yōu)子空間學(xué)習(xí)得到的投影向量及與其相對應(yīng)的基學(xué)習(xí)器模型計算最優(yōu)基學(xué)習(xí)器模型的預(yù)測值;(11)根據(jù)每個基學(xué)習(xí)器的權(quán)重計算所有最優(yōu)基學(xué)習(xí)器預(yù)測值的加權(quán)平均值,若該加權(quán)平均值大于用戶設(shè)定的閾值,則判斷該待檢測圖像中含有微鈣化簇,否則沒有。全文摘要本發(fā)明公開了一種基于混合子空間學(xué)習(xí)選擇性集成的微鈣化簇檢測方法,它屬于圖像處理
技術(shù)領(lǐng)域:
。其檢測過程包括學(xué)習(xí)得到子空間方法集合所對應(yīng)的特征投影矩陣集;在特征子空間中訓(xùn)練基學(xué)習(xí)器并得到其訓(xùn)練權(quán)重;將子空間投影矩陣集和基學(xué)習(xí)器模型及其權(quán)重保存起來;選擇最優(yōu)子空間學(xué)習(xí)方法集及基學(xué)習(xí)器模型存儲到檢測模型庫;計算待檢測圖像在檢測模型庫中的各子空間的投影向量,并輸入到相應(yīng)基學(xué)習(xí)器模型得到測試結(jié)果集;最后計算測試結(jié)果集的加權(quán)平均值,作為微鈣化簇檢測的最后結(jié)果。本發(fā)明在噪聲環(huán)境下能很好地進行子空間特征的提取和微鈣化簇的檢測,提高了微鈣化簇檢測系統(tǒng)檢測性能和穩(wěn)定性,可用于乳腺癌輔助診斷系統(tǒng)。文檔編號G06K9/62GK101706876SQ20091021896公開日2010年5月12日申請日期2009年11月13日優(yōu)先權(quán)日2009年11月13日發(fā)明者張新生,王穎,鄧成,高新波申請人:西安電子科技大學(xué)