本發(fā)明屬于圖像處理領域，具體涉及一種醫(yī)學圖像病變區(qū)域定位和分類方法。

背景技術：

在醫(yī)學領域中，病人機體上發(fā)生病變區(qū)域大部分是通過圖像呈現(xiàn)給醫(yī)生，醫(yī)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(fā)展，它與醫(yī)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(yī)學圖像，幫助醫(yī)生快速分析病人病情，減輕醫(yī)生工作量同時大大提高診斷效率；隨著智能醫(yī)療和在線醫(yī)療發(fā)展，計算機輔助分析醫(yī)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(yī)學圖像的特殊性，有些病變區(qū)域大小只占整個圖像的小部分。而現(xiàn)有對醫(yī)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(qū)域無關，嚴重影響分類準確率。

技術實現(xiàn)要素：

本發(fā)明目的是為了解決現(xiàn)有技術中存在的不足，提出了一種能提高分類準確率的醫(yī)學圖像病變區(qū)域定位和分類方法。先對采集的醫(yī)學圖像進行病變區(qū)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(yī)學圖像進行病變區(qū)域定位的具體方法為：將采集的醫(yī)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(yī)學圖像病變區(qū)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(jù)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(yōu)選3)；

d.確定前k個點所在類別出現(xiàn)頻率；

e.返回前k個點出現(xiàn)頻率最高的類別作為當前點的預測分類。

對采集的醫(yī)學圖像進行病變區(qū)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(shù)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(shù)據(jù)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(qū)域特征分類并輸出分類結果。

本發(fā)明相比現(xiàn)有技術具有以下優(yōu)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(xiàn)病變區(qū)域自動定位，該方法能有效的幫助醫(yī)生和患者迅速找到病變區(qū)域。

2、病變特征分類之前先對病變區(qū)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(fā)明采用該alexnet模型，從而提高分類效果。

附圖說明

圖1為本發(fā)明一種醫(yī)學圖像病變區(qū)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(fā)明進行詳細說明。

本發(fā)明醫(yī)學圖像病變區(qū)域定位和分類方法，先對病變區(qū)域自動定位，再分割圖像保留病變區(qū)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(fā)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(shù)，vi表示相鄰像素點灰度，vc表示中心像素點灰度；

由韋伯定律v⁰⁰與vc比值用gratio表示，即：

gratio＝v⁰⁰/vc(2)

則關于中心像素點的差異激勵ξ可表示為：

其中，如果ξ是正數(shù)，表示當前點比周圍暗，反之則表示當前點比周圍亮；為得到直方圖矩陣，將ξ分成j段，對于每個分段ξj＝[qj,qj+1]，上界qj＝(j/j-0.5)π，下界qj+1＝((j+1)/j-0.5)π，其中j＝0,1,2,...,j-1；

b.計算梯度方向θ

梯度方向θ可表示為：

θ＝arctan(v¹¹/v¹⁰)(4)

其中，v¹¹表示中心像素點所在列鄰域點的灰度值差；v¹⁰表示中心像素點所在行鄰域點的灰度值差；

給出映射函數(shù)g:θ→θ′，

其中，θ′為θ在映射g下的象，θ′∈[0,2π]；

由量化函數(shù)h對θ′進行量化得θt：

其中，g為梯度方向量化位數(shù)，t為常數(shù)；

c.構建wld直方圖特征

利用計算出的差異激勵和梯度方向，統(tǒng)計圖像中具有相同θt且屬于相同ξj的像素數(shù)，構成二維直方圖{wld(ξj,θt)}，最后將二維直方圖按照行方向逐行串接得到一個一維直方圖即得到最終wld直方圖特征信息。

2)采用knn分類器進行病變區(qū)域定位

訓練knn分類器分為如下幾步：

a.根據(jù)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(yōu)選3)；

d.確定前k個點所在類別出現(xiàn)頻率；

e.返回前k個點出現(xiàn)頻率最高的類別作為當前點的預測分類。

3)分割圖像，保留病變區(qū)域

采用直方圖門限法對病變區(qū)域圖像進行分割保留病變區(qū)域。

4)搭建卷積神經(jīng)網(wǎng)絡模型提取圖像特征并分類

本發(fā)明深度學習模型采用alexnet模型，模型結構如圖2所示。

卷積層采用局部連接和全權值共享的方式完成對圖像的卷積工作。卷積層的卷積工作可表示為：

a^l＝∑λ^la^l-1+b^l(7)

其中，a^l表示第l層神經(jīng)網(wǎng)絡輸出，λ^l表示第l層權重，a^l-1表示第l-1層神經(jīng)網(wǎng)絡輸出，b^l表示第l層偏置且l＝1,2,3...,l，l為輸出層；

用relu激活函數(shù)對第l層輸出值進行非線性化處理，表示為：

x^l＝f(a^l)(8)

其中，x^l為非線性化處理后的輸出值，f(a^l)＝max(0,a^l)表示relu激活函數(shù)；

最后一層全連接層將上一層的數(shù)據(jù)放入svm分類器中，代替alexnet模型中原有的softmax分類器。其中svm分類器工作原理如下：

線性分類器指在樣本空間中找到一個超平面將兩個異類數(shù)據(jù)分開，超平面用如下線性方程表示：

w^tx+s＝0(9)

其中w＝(w1；w2；...；wd)為法向量，d為常數(shù)，t為轉(zhuǎn)置符號，x為樣本空間任意點，s為位移量；則樣本空間任意點x到超平面的距離r表示為：

若超平面能正確分類樣本，即對(xi,yi)∈d滿足

其中，xi表示樣本屬性，yi表示樣本標簽，d表示樣本數(shù)據(jù)集。距離超平面最近的點被稱為“支持向量”，如圖3所示。

兩個異類到超平面的距離之和為其中||w||為w的1-范數(shù)且找出滿足(11)式的w和s，使δ最大，可用下式表達：

其中，yi(w^txi+b)≥1,i＝1,2,...,m為約束條件，m表示樣本數(shù)為常數(shù)，(12)式可變?yōu)椋?/p>

用訓練集圖像確定超平面后，將測試集圖像放入svm分類器，最終分類結果為+1或-1。在醫(yī)學圖像病變區(qū)域定位和分類方法應用中，若判定病變區(qū)域是否為黑色素瘤，+1表示分類結果是。