一種基于kap有向圖模型的醫(yī)學(xué)圖像分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于醫(yī)療信息技術(shù)領(lǐng)域，具體設(shè)及一種基于KAP有向圖模型的醫(yī)學(xué)圖像分 類方法。
【背景技術(shù)】
[0002] 由于醫(yī)學(xué)圖像中蘊(yùn)含著豐富的圖像和醫(yī)學(xué)信息，近年來面向醫(yī)學(xué)圖像的數(shù)據(jù)挖掘 技術(shù)成為醫(yī)學(xué)和計(jì)算機(jī)交叉學(xué)科研究的熱點(diǎn)。隨著醫(yī)療數(shù)字化設(shè)備的快速發(fā)展，醫(yī)學(xué)信息 數(shù)據(jù)庫被廣泛使用。病人的結(jié)構(gòu)化文本信息，W及大量的非結(jié)構(gòu)化醫(yī)學(xué)圖像信息，為醫(yī)學(xué)圖 像的數(shù)據(jù)挖掘提供了豐富的數(shù)據(jù)資源。醫(yī)學(xué)圖像可W有效的輔助醫(yī)師在診斷過程中對病理 變化區(qū)域進(jìn)行檢測、定位W及判斷它的良惡性，因此被廣泛應(yīng)用于臨床診斷過程中。然而， 具有不同知識背景的醫(yī)生即使對同一張醫(yī)學(xué)圖像可能存在不同的判斷，所W，運(yùn)用數(shù)據(jù)挖 掘方法研究醫(yī)學(xué)圖像分類算法，對輔助醫(yī)生根據(jù)醫(yī)學(xué)圖像進(jìn)行診斷，提高其效率和精度，具 有較高的學(xué)術(shù)價(jià)值和實(shí)際應(yīng)用前景。
[0003] 目前，國內(nèi)外在醫(yī)學(xué)圖像分類研究方面，主要采用的分類方法包括統(tǒng)計(jì)方法、神經(jīng) 網(wǎng)絡(luò)方法、模糊模式識別方法、機(jī)器學(xué)習(xí)方法等。已有的分類算法不能很好的描述醫(yī)學(xué)圖 像，造成分類的準(zhǔn)確率較低和時(shí)間復(fù)雜度較高。醫(yī)學(xué)圖像的成像結(jié)果顯示腦部CT圖像擁 有良好的紋理特性并且圖像間紋理角點(diǎn)的位置近似相同，基于運(yùn)一腦部醫(yī)學(xué)領(lǐng)域知識的指 導(dǎo)，提出了基于KAP有向圖模型的醫(yī)學(xué)圖像分類方法。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是提出一種提高對醫(yī)學(xué)圖像分類的準(zhǔn)確率的基于KAP有向圖模型 的醫(yī)學(xué)圖像分類方法。 陽〇化]本發(fā)明的目的是運(yùn)樣實(shí)現(xiàn)的：
[0006] (1)待分類圖像提出分類請求：待分類圖像應(yīng)為原始醫(yī)學(xué)圖像數(shù)據(jù)；
[0007] (2)圖像預(yù)處理過程：對原始醫(yī)學(xué)圖像提取感興趣R0I區(qū)域，計(jì)算圖像R0I區(qū)域的 灰度直方圖，得到圖像R0I區(qū)域的灰度直方圖的波谷列表，根據(jù)波谷列表對圖像分級提取 紋理特征，根據(jù)實(shí)際需要將得到的分級紋理圖像規(guī)范化到統(tǒng)一的大小，并在紋理部位提取 出圖像的角點(diǎn)；
[000引做圖像建模：利用提取到的角點(diǎn)并結(jié)合醫(yī)學(xué)圖像的具體特點(diǎn)，利用合法KAP有向 圖和非法KAP有向圖兩種醫(yī)學(xué)圖像到KAP有向圖的建模方法進(jìn)行圖像建模；
[0009] (4)多步圖像匹配：通過KAP有向圖間頂點(diǎn)粗粒度匹配方法、KAP有向圖間頂點(diǎn)細(xì) 粒度匹配方法和KAP有向圖間頂點(diǎn)匹配的優(yōu)化方法，最終獲得兩張圖像之間相同的頂點(diǎn)和 公共子圖；
[0010] (5)醫(yī)學(xué)圖像分類：利用頂點(diǎn)的重要性作為頂點(diǎn)的權(quán)值，對KAP有向圖間相同的頂 點(diǎn)進(jìn)行加權(quán)求和作為兩圖的相似度，并采用投票機(jī)制進(jìn)行分類，實(shí)現(xiàn)對醫(yī)學(xué)圖像的多步匹 配分類。
[0011] 所述角點(diǎn)為：高斯窗w在圖像G上移動(dòng)，獲得2X2局部結(jié)構(gòu)矩陣M，對該矩陣Μ求 取特征值λ1和λ2,建立度量函數(shù)R=detM-k(traceM)2,設(shè)定闊值Θ，當(dāng)R〉Θ則該位置為 角點(diǎn)，反之則不是； 陽01引其中detM=λ1λ2，traceM=λ1+λ2，detM是矩陣Μ的行列式值，traceM是矩 陣Μ的跡，k是常量，取值為0.04,Θ為闊值。
[0013] 所述的合法KAP有向圖和非法KAP有向圖為：在KAP有向圖中，若圖中的每個(gè)頂點(diǎn) Vi，i一（1，2,…，n}，移動(dòng)的范圍均在其可移動(dòng)范圍內(nèi)，則稱此圖為合法KAP有向圖；若圖中 存在任意一個(gè)或者多個(gè)頂點(diǎn)Vj，j一（1，2,…，n}，移動(dòng)的范圍超出了其可移動(dòng)范圍，則稱此 圖為非法KAP有向圖。
[0014] 所述的多步匹配分類為：首先，KAP有向圖間頂點(diǎn)粗粒度匹配方法，用來返回兩張 KAP有向圖間頂點(diǎn)的初始匹配序列；然后，KAP有向圖間頂點(diǎn)細(xì)粒度匹配方法，用來對KAP有 向圖間的頂點(diǎn)進(jìn)行進(jìn)一步的匹配；最后，KAP有向圖間頂點(diǎn)匹配的優(yōu)化方法，包括偽同構(gòu)結(jié) 構(gòu)排除方法和遭誤刪頂點(diǎn)找回策略，從而準(zhǔn)確的實(shí)現(xiàn)了KAP有向圖的匹配過程，得到了KAP 有向圖間相同的頂點(diǎn)和公共子圖，利用頂點(diǎn)的重要性P作為頂點(diǎn)的權(quán)值，對KAP有向圖間相 同的頂點(diǎn)進(jìn)行加權(quán)求和作為兩圖的相似度，采用投票機(jī)制進(jìn)行分類。
[0015] 本發(fā)明的有益效果在于：
[0016] 本發(fā)明提出的面向紋理的角點(diǎn)提取方法有效的降低了角點(diǎn)的提取時(shí)間，同時(shí)由于 紋理部位是圖像中灰度變化最劇烈的位置，也是圖像中反應(yīng)信息量最重要的位置，進(jìn)而提 高了角點(diǎn)的代表性。提出的KAP有向圖模型，能夠有效的描述醫(yī)學(xué)圖像的特征，而且從原始 的灰度圖像到KAP有向圖的構(gòu)建過程也易操作，提高了本模型的實(shí)用價(jià)值。提出的多步匹 配分類算法能夠準(zhǔn)確的實(shí)現(xiàn)對醫(yī)學(xué)圖像的分類，有效的提高了分類的精度，從而提高醫(yī)生 的診斷精度和縮短診斷時(shí)間。
【附圖說明】
[0017] 圖1是腦部CT圖像紋理提取的過程；
[001引圖2是圖像建模的過程；
[0019] 圖3是粗粒度匹配算法頂點(diǎn)匹配的示例；
[0020] 圖4是細(xì)粒度匹配算法刪除差異點(diǎn)的示例；
[0021] 圖5是迭代效果示例；
[0022] 圖6是偽同構(gòu)結(jié)構(gòu)處理示例。
【具體實(shí)施方式】
[0023] 下面結(jié)合附圖和具體實(shí)施例對本發(fā)明作進(jìn)一步的說明：
[0024] 本發(fā)明提出一種基于K最近鄰紋理角點(diǎn)（KAP，Knearestnei曲bortenure angularpoints)有向圖模型的醫(yī)學(xué)圖像分類方法，其特征在于利用一種新穎的KAP有向 圖模型描述圖像之間存在的關(guān)系，并利用其進(jìn)行多步的匹配，進(jìn)而實(shí)現(xiàn)醫(yī)學(xué)圖像的分類。 KAP有向圖模型的定義是：首先對醫(yī)學(xué)圖像進(jìn)行KAP有向圖建模處理，給出醫(yī)學(xué)圖像中KAP 有向圖模型的兩個(gè)概念：合法KAP有向圖和非法KAP有向圖；然后提出了KAP有向圖間頂 點(diǎn)粗粒度匹配算法、KAP有向圖間頂點(diǎn)細(xì)粒度匹配算法和KAP有向圖間頂點(diǎn)匹配的優(yōu)化算 法。對于每一張待分類的圖像，其分類過程是：首先對待分類圖像進(jìn)行紋理化處理，提取出 紋理部位的角點(diǎn)；然后針對提取到的角點(diǎn)，結(jié)合醫(yī)學(xué)圖像的固有特點(diǎn)，利用KAP有向圖模型 來描述醫(yī)學(xué)圖像；接著根據(jù)KAP有向圖間頂點(diǎn)粗粒度匹配算法、KAP有向圖間頂點(diǎn)細(xì)粒度匹 配算法和KAP有向圖間頂點(diǎn)匹配的優(yōu)化算法的結(jié)合，準(zhǔn)確的實(shí)現(xiàn)了KAP有向圖的匹配，得到 了KAP有向圖間相同的頂點(diǎn)；最后，利用頂點(diǎn)的重要性作為頂點(diǎn)的權(quán)值，對KAP有向圖間相 同的頂點(diǎn)進(jìn)行加權(quán)求和作為兩圖的相似度，并采用投票機(jī)制進(jìn)行分類，W達(dá)到輔助醫(yī)生診 斷的效果。本發(fā)明與傳統(tǒng)醫(yī)學(xué)圖像分類技術(shù)相比，提高了分類結(jié)果的準(zhǔn)確率。 陽0巧]本發(fā)明包括如下步驟：
[0026] (1)待分類圖像提出分類請求：待分類圖像應(yīng)為原始醫(yī)學(xué)圖像數(shù)據(jù)； W27] 似圖像預(yù)處理過程：對原始醫(yī)學(xué)圖像提取感興趣區(qū)域（R0I，RegionOf Interest),計(jì)算圖像ROI區(qū)域的灰度直方圖，得到圖像ROI區(qū)域的灰度直方圖的波谷列表， 根據(jù)波谷列表對圖像分級提取紋理特征，根據(jù)實(shí)際需要將得到的分級紋理圖像規(guī)范化到統(tǒng) 一的大小，并在紋理部位提取出圖像的角點(diǎn)；
[0028] (3)圖像建模：利用提取到的角點(diǎn)并結(jié)合醫(yī)學(xué)圖像的具體特點(diǎn)，提出了醫(yī)學(xué)圖像 到KAP有向圖的建模方法，包括合法KAP有向圖和非法KAP有向圖兩種；
[0029] (4)多步匹配算法：提出了KAP有向圖間頂點(diǎn)粗粒度匹配算法、KAP有向圖間頂點(diǎn) 細(xì)粒度匹配算法和KAP有向圖間頂點(diǎn)匹配的優(yōu)化算法，最終可W獲得兩張圖像之間相同的 頂點(diǎn)和公共子圖；
[0030] (5)醫(yī)學(xué)圖像的分類算法：利用頂點(diǎn)的重要性作為頂點(diǎn)的權(quán)值，對KAP有向圖間相 同的頂點(diǎn)進(jìn)行加權(quán)求和作為兩圖的相似度，并采用投票機(jī)制進(jìn)行分類，最終實(shí)現(xiàn)了對醫(yī)學(xué) 圖像的多步匹配分類。 陽〇3U 角點(diǎn)為：高斯窗W在圖像G上移動(dòng)，獲得2 X 2局部結(jié)構(gòu)矩陣M，對該矩陣Μ求取特 征值λl和λ2，建立度量函數(shù)R=detM-k(traceM)2，設(shè)定闊值白，如果R〉θ則該位置為角 點(diǎn)，反之則不是。
[0032]其中detM=λ1λ2，traceM=λ1+λ2，detM是矩陣Μ的行列式值，trace