專利名稱：：不平衡醫(yī)學影像處理系統(tǒng)及其處理方法
技術領域：
：本發(fā)明屬于圖像處理
技術領域：
，特別是涉及醫(yī)學影像處理，可用于監(jiān)測疾病分布、研究發(fā)病機理及疾病輔助診斷。
背景技術：
：計算機科學技術的迅猛發(fā)展對醫(yī)學領域產生了巨大的影響，人們試圖讓計算機逐漸代替人類實現(xiàn)自動診斷疾病等極具挑戰(zhàn)性的工作，醫(yī)學圖像在臨床診斷中發(fā)揮著重要的作用。自1895年倫琴發(fā)現(xiàn)X射線以來特別是1979年出現(xiàn)了計算機斷層掃描(CT)技術，極大地推動了影像醫(yī)學的發(fā)展。近三十年以來，新的影像學技術更是層出不窮。然而，醫(yī)學圖像由于其個體差異、圖像模糊不均勻、噪聲以及病理類別繁多等因素影響，導致醫(yī)學圖像的診斷成為一個十分復雜而又迫切需要解決的問題?，F(xiàn)在，快速、準確地采用語義信息和內容相結合的多級識別方法確定醫(yī)學圖像類別，檢索出相似的病例，已成為當前醫(yī)學圖像數(shù)據(jù)庫研究的關鍵點之一。集成方法是構建一種對單個分類器進行集成的學習算法，將各分類器的分類結果以一定的方式集成起來實現(xiàn)對新數(shù)據(jù)點進行分類，其中單個分類器是獨立的且不要求分類精度很高，已被廣泛應用于人臉檢測、三維物體識別、遙感圖像分析等諸多領域。Maria-Luiza.A等人用圖像挖掘方法對圖像庫中的胸部圖像逐幅進行預處理，將圖像分成四個規(guī)則區(qū)域，提取每個區(qū)域的紋理特征，再用關聯(lián)規(guī)則和神經網(wǎng)絡算法進行數(shù)據(jù)挖掘和分類診斷，該方法將圖像分成正常和癌患者兩類，實現(xiàn)對乳癌患者的自動診斷。CZCai,WLWang等人將SVM方法成功運用到DNA結合蛋白分類識別中，但從整體醫(yī)學影像診斷識別結果來看，其診斷識別率較低。同時醫(yī)學影像作為特殊的一類圖像，醫(yī)學影像標記樣本的獲取代價很昂貴，不完備的標記樣本集也會影響醫(yī)學影像輔助診斷的分類性能，使得輔助診斷的泛化能力大打折扣。
發(fā)明內容本發(fā)明的目的在于克服上述已有技術的不足，針對醫(yī)學影像個體差異大、診斷識別率較低和泛化能力弱等問題，提出了一種不平衡醫(yī)學影像處理系統(tǒng)及其處理方法，以提高醫(yī)學影像診斷識別率，縮短醫(yī)學影像診斷處理時間和增強泛化能力。為實現(xiàn)上述目的，本發(fā)明提供醫(yī)學影像不平衡醫(yī)學影像處理系統(tǒng)，包括影像預處理模塊，完成原始影像去冗余以及直方圖均衡化增強處理，并將處理后的結果傳輸給影像個性化切分模塊；影像個性化切分模塊，對輸入的影像完成均勻切分、不均勻切分或滑窗切分處理，再將其處理結果傳至影像特征提取模塊；影像特征提取模塊，對輸入的個性化切分后的影像完成灰度共生矩陣和Hu矩特征提取，再將其提取結果傳至影像核匹配追蹤集成分類診斷模塊；影像核匹配追蹤集成分類診斷模塊，對輸入的影像進行核匹配追蹤集成分類診斷，輸出最終診斷結果。所述的影像個性化切分模塊包括影像個性化的均分切分處理子模塊，對原始影像集去冗余以及直方圖均衡化增強處理，并對處理后的影像進行橫向或縱向均勻切分，得到M幅醫(yī)學影像塊，M為正整數(shù)；影像個性化的不均分切分處理子模塊，對原始影像集去冗余以及直方圖均衡化增強處理，在影像個性化的均勻劃分處理的基礎上，依據(jù)影像的感興趣區(qū)域分布，對均勻切分處理后的醫(yī)學影像進一步切分為N塊區(qū)域面積不等的醫(yī)學影像塊，N為正整、H數(shù)；影像個性化的滑窗切分處理子模塊，對原始影像集去冗余以及直方圖均衡化增強處理后，并對處理后的影像進行自適應的帶重疊滑窗切分處理，得到L幅面積相等的醫(yī)學影像塊，L為正整數(shù)。為實現(xiàn)上述目的，本發(fā)明提供影像核匹配追蹤集成分類診斷方法，包括如下步驟(1)采用直方圖均衡化和均方差標準化方法，對原始影像集進行切割與增強處理，得到視覺效果較好的醫(yī)學影像集；(2)對得到的視覺效果較好的醫(yī)學影像集進行個性化切分處理，得到不同的醫(yī)學影像集，不同的醫(yī)學影像集包括均勻切分處理后影像集、不均勻切分后影像集和滑窗切分處理后影像集；(3)對個性化切分后的醫(yī)學影像集提取其灰度共生矩陣或Hu矩特征；定義有標識的訓練樣本集合7;A).,",",)},其中，x,表示第/個有標識訓練樣本的特征，^的表示有標識訓練樣本的標識，/表示第/個有標識訓練樣本；未標識的測試樣本集合石={",..^..^}，附為未標識的測試樣本的個數(shù)；5(4)對有標識的訓練樣本;進行核匹配追蹤集成分類診斷，得到集成分類器后，對未標識的測試樣本72進行分類診斷，得到未標識測試樣本7;的最終診斷結果。本發(fā)明與現(xiàn)有的技術相比具有以下優(yōu)點1、本發(fā)明充分考慮實際醫(yī)學影像中感興趣區(qū)域分布各不相同，采用個性化切分處理方法處理后，診斷識別率具有較大提高；2、本發(fā)明采用核匹配追蹤集成分類方法對醫(yī)學影像進行輔助診斷，運算量小、泛化能力強；3、本發(fā)明采用核匹配追蹤集成分類方法對醫(yī)學影像進行輔助診斷，核匹配追蹤集成分類方法具有較高的識別精度；仿真結果表明，對乳腺X影像采用本發(fā)明的醫(yī)學影像個性化處理方法與核匹配追蹤集成輔助診斷方法，影像數(shù)據(jù)的識別率可提高10%以上。圖1是本發(fā)明的核匹配追蹤集成輔助診斷系統(tǒng)示意圖；圖2是本發(fā)明的核匹配追蹤集成輔助診斷流程圖；圖3是本發(fā)明仿真采用的原始乳腺X影像圖；圖4是本發(fā)明對圖3進行去冗余后的乳腺X影像圖5是本發(fā)明對圖4采用直方圖均衡化和均方差^^準化方法后的乳腺X影像圖；圖6是本發(fā)明對圖5采用乳腺X影像個性化切分處理圖。具體實施例方式參照圖1，本發(fā)明的醫(yī)學影像不平衡醫(yī)學影像處理系統(tǒng)主要包括:影像預處理模塊、影像個性化切分模塊、影像特征提取模塊和影像核匹配追蹤集成分類診斷模塊。影像預處理模塊，完成原始影像去冗余以及直方圖均衡化增強處理，并將處理后的結果傳輸給影像個性化切分模塊；影像特征提取模塊,對輸入的個性化切分后的影像完成灰度共生矩陣和Hu矩特征提取，再將其提取結果傳至影像核匹配追蹤集成分類診斷模塊；影像核匹配追蹤集成分類診斷模塊，.對輸入的影像進行核匹配追蹤集成分類診斷，輸出最終診斷結果；影像個性化切分模塊，對輸入的影像完成均勻切分、不均勻切分或滑窗切分處理，再將其處理結果傳至影像特征提取模塊。它進一步包括影像個性化的均分切分處理子模塊，影像個性化的不均分切分處理子模塊和影像個性化的滑窗切分處理子模塊，影像個性化的均分切分處理子模塊，對原始影像集去冗余以及直方圖均衡化增強處理后，對視覺效果較好的各醫(yī)學影像采用均勻劃分方法，將視覺效果較好的各醫(yī)學影像橫向均勻切分為四個醫(yī)學影像塊。影像個性化的不均分切分處理子模塊，對原始影像集完成去冗余以及直方圖均衡化增強處理后，得到視覺效果較好的醫(yī)學影像，對視覺效果較好的各醫(yī)學影像采用均勻劃分處理的基礎上，對均勻切分處理后的醫(yī)學影像正中位置的兩個均勻切分子塊進行進一步的詳細切分，對均勻切分處理后的醫(yī)學影像上下兩個均勻切分子塊進行粗略切分，最終切分為十二塊區(qū)域面積不等的醫(yī)學影像塊。影像個性化的滑窗切分處理子模塊，對原始影像集完成去冗余以及直方圖均衡化增強處理后，得到視覺效果較好的醫(yī)學影像，對視覺效果較好的各醫(yī)學影像采用滑窗切分處理方法，將視覺效果較好的各醫(yī)學影像采用邊長為X的正方形滑窗進行帶重疊的滑窗切分處理，切分處理后得到十五幅面積相等的具有重疊區(qū)域的醫(yī)學影像塊。本發(fā)明的醫(yī)學影像不平衡醫(yī)學影像處理系統(tǒng)的工作原理是對輸入的原始影像完成去冗余以及直方圖均衡化增強處理后，對處理后的影像進行影像個性化切分處理，分別完成均勻切分、不均勻切分或滑窗切分處理后，對處理后的影像完成灰度共生矩陣和Hu矩特征提取，根據(jù)提取的特征得到有標識的訓練樣本集，從整個有標識的訓練樣本集中抽取出部分樣本對單個分類器進行訓練，得到各個訓練分類器，采用各訓練分類器對未標識的測試樣本分類，產生各個分類器對未標識的測試樣本的診斷結果，根據(jù)決策函數(shù)得到未標識的測試樣本的最終診斷結果。參照圖2,本發(fā)明的醫(yī)學影像不平衡醫(yī)學影像處理系統(tǒng)，包括如下步驟-步驟1:采用直方圖均衡化和均方差標準化方法，對原始醫(yī)學影像集中的醫(yī)學影像進行切割與增強處理，得到視覺效果較好的醫(yī)學影像集。la)輸入原始醫(yī)學影像，其大小為MXN，本實例選擇如圖3所示的原始乳腺X影像集中的一幅影像，其大小1024X1024;lb)對輸入的原始醫(yī)學影像，即乳腺X影像采用圖像水平和垂直的計算機自動切割方法，切除圖像的背景和圖像中存在的人為印記，得到切割后的乳腺X影像，如圖4所示；lc)對切割后的醫(yī)學影像采用直方圖均衡化和均方差標準化方法去除噪聲，得到具有較好視覺效果的乳腺X影像，如圖5所示。步驟2:對得到的視覺效果較好的乳腺X影像完成影像個性化切分處理。采用的切分處理方式包括影像個性化的均分切分處理、影像個性化的不均分切分處理和影像個性化的滑窗切分處理。其中影像個性化的均分切分處理過程是先對原始乳腺X影像集完成去冗余以及直方圖均衡化增強處理；再對視覺效果較好的各乳腺X影像采用均勻劃分方法，將視覺效果較好的各乳腺X影像橫向均勻切分，得到四個乳腺X影像塊。影像個性化的不均分切分處理過程是先對原始乳腺X影像集完成去冗余以及直方圖均衡化增強處理；再在均勻劃分處理的基礎上，對均勻切分得到的四個乳腺X影像塊正中位置的兩個均勻切分子塊進行詳細切分，對上下兩個均勻切分子塊進行粗略切分，最終將乳腺X影像切分為十二塊區(qū)域面積不等的乳腺X影像塊。影像個性化的滑窗切分處理過程是先對原始乳腺X影像集完成去冗余以及直方圖均衡化增強處理；再對視覺效果較好的乳腺X影像采用滑窗切分處理方法，對視覺效果較好的各乳腺X影像采用邊長為X的正方形滑窗，進行帶重疊的滑窗切分處理，切分處理后得到十五幅面積相等的乳腺X影像塊。步驟3:個性化切分處理后的乳腺X影像進行灰度共生矩陣特征或Hu矩特征提取。A.提取灰度共生矩陣四個特征的過程如下Al)對得到的視覺效果較好的乳腺X影像，生成灰度共生矩陣A"^)，其中S的取值為4個離散的方向0°，45°,90°，135°，"[U/^，《&e表示視覺效果較好的醫(yī)學影像的長度或寬度；A2)根據(jù)得到的灰度共生矩陣，對視覺效果較好的乳腺X影像提取四個特征，分別為-角二階矩z=:e2>2("')w-iw-ii豕0y-0同質區(qū)/3=￡l>(")/[l+(!'—_/)2]2/=0>0非相似性/4=i;5:iz'—/ih"')。B.提取Hu矩七個特征的具體過程如下Bl)在得到的視覺效果較好的乳腺X影像上,計算點(x,力處的0+g)階矩w^及(p+9)階中心矩HI=Ei>v/(u)義=0"0式中，/0c,力表示點Oc,力處的像素值，(&,:0表示視覺效果較好的乳腺x影像的重心坐標；B2)根據(jù)得到的點(x,力處的0+《)階矩ff^及(P+《)階中心矩/^,按照下式計算點(;c，力處的歸一化中心矩W-A兩/式中，/4表示點(x，力的零階7階矩，；^Q+g)/2+l;B3)利用點(x,力處的歸一化中心矩，提取視覺效果較好的乳腺X影像的七個Hu矩特征，分別定義為A,A,…,A，艮P:#2=(72。-"02)2+勿121A=(73?！?712)2+(3%—%)2A=0730+712)2+("21+%3)2A=0730—3"12)(73。+"i2)A+07。3—3仏i)(72i+"。3)6A=("20-％2)[(%。+712)2-(％3+721)2]+勿"(％)+7l2)"3+721〕A=(3〃21-703X仏O+712X+("30-3仏2)"3+721，其中A=(仏o+7i2)2一3("03_321)2，&-(703+721)2-3(730—712)2步驟4:根據(jù)對視覺效果較好的乳腺X影像提取的特征，得到有標識的訓練樣本9集<formula>formulaseeoriginaldocumentpage10</formula>式中，x,表示"維實數(shù)空間中的一個樣本，/為有標識的訓練樣本的個數(shù)；",是其類別標簽，c為類別數(shù)，且《,.為整數(shù)；本發(fā)明中采用的乳腺X影像輔助診斷屬于二類分類問題，其分類診斷結果包括正常和癌患者兩類，假定c-2，W,,M2,...,W/(Wie{-1,1})是各乳腺X影像的類別標簽；定義未標識的測試樣本集合；w為未標識的測試樣本的個數(shù)。步驟5:輸入子分類器數(shù)目/和采樣間距大小，對有標識的訓練樣本集7;采用等間隔策略，構建/個互異的有標識的訓練樣本集。其具體過程如下所述從有標識的訓練樣本集7;中選取/個互異的樣本集7;'',/=1，2，...,/，將選取的/個互異的訓練樣本集作為每個核匹配追蹤子分類器的有標識的樣本集。其中，第/(1&、/)個分類器的樣本集為原樣本集中序號為{/，///+/,2///+/,3///+/，...}的樣本，//為正整數(shù)，///為采樣間距。步驟6:對每個互異的有標識的樣本集獨立進行核匹配追蹤分類，得到/個核匹配追蹤子分類器,，z'-l,2，...，/，其中，核匹配追蹤分類器的核函數(shù)參數(shù)為J0。步驟7:采用/個核匹配追蹤子分類器對未標識測試樣本k進行分類診斷，得到各個核匹配追蹤子分類器對未標識測試樣本《的診斷結果a,;^,...,;^;,e{-u}),其中i"仏步驟8:對未標識測試樣本712的診斷結果的類別標簽、/22,...,/2/(/^{-1，1}),采用多數(shù)投票準則進行決策，多數(shù)投票準則為多數(shù)投票的具體決策過程如下所示''8a)對未標識測試樣本采用核匹配追蹤子分類器得到類別標簽^/^，...,/2,"ePl，l》，統(tǒng)計類別標簽的數(shù)目，當子分類器分類得到的類別標簽為l的總數(shù)目大于類別標簽為一1的總數(shù)目時，則最后決策該未標識測試樣本的類別標簽為1，診斷結果為正常。8b)對未標識測試樣本采用核匹配追蹤子分類器得到類別標簽/^/^...,A,(^ePl，1》，統(tǒng)計類別標簽的數(shù)目，當子分類器分類得到的類別標簽為l的總數(shù)目小于類別標簽為1的總數(shù)目時，則最后決策該未標識測試樣本的類別標簽為一l，診斷結果為癌變。步驟9:輸出未標識測試樣本72的最終診斷結果。本發(fā)明的效果可以通過以下對乳腺X影像仿真數(shù)據(jù)進一步說明1、仿真條件本發(fā)明的仿真在windowsXP，SPI,CPUPentium(R)4，基本頻率2.4GHZ，軟件平臺為Mathb7.0.1運行。仿真選用的原始乳腺X影像來源于公共數(shù)據(jù)集MIAS，共獲取150幅原始乳腺X影像。2、仿真結果A.基于個性化切分處理的影像分類診斷實驗實驗對切分處理前、后的醫(yī)學乳腺X影像分別提取灰度共生矩陣CLCM和Hu矩特征，將乳腺X影像整幅圖像與三種不同切分后圖像診斷結果進行對比，實驗結果如表l所示，其中分類器采用標準核匹配追蹤分類器，/7表示訓練測試樣本之比，P為核匹配追蹤訓練分類器的核函數(shù)參數(shù)值，Rate表示乳腺X影像診斷識別率(W)。表1切分處理前、后識別率對比實驗<table>tableseeoriginaldocumentpage11</column></row><table>從表1可見，切分處理后的乳腺x影像與整幅乳腺x影像的診斷識別率相比，切分處理后乳腺X影像診斷識別率有較大幅度提高;對三種不同的切分處理方法進行比較，不均勻十二塊劃分比均分四塊劃分及重疊滑窗處理具有較好的診斷識別率；而對于提取的兩種特征而言，Hu矩比GLCM具有診斷識別結果。由上述的診斷識別結果可見切分處理后的乳腺X影像比整幅乳腺X影像的診斷識別率有顯著提高，其主要是由乳腺x影像的特性決定的。各個乳腺影像樣本的差異性決定了采用切分處理方法進行診斷的優(yōu)勢。其次，Hu矩能較好反映影像中的形狀、大小特性，而GLCM反映的是影像的紋理特性，通過分析乳腺X影像的特性，可以看到該影像的紋理信息復雜無序，而點狀信息突出明顯，這一點說明了在實驗結果中Hu矩與GLCM比較，Hu矩更能有效識別乳腺X影像。B.基于核匹配追蹤集成分類方法的影像診斷實驗在實驗A的基礎上，對得到的視覺效果較好的乳腺X影像采用滑窗處理方法后，進行核匹配追蹤集成分類方法進行診斷識別。實驗從135個訓練樣本中隨機選擇100個樣本用于訓練，迭代100次，實驗結果如表2所示表2切分處理前、后集成分類對比實驗<table>tableseeoriginaldocumentpage12</column></row><table>實驗結果表明，滑窗處理采用核匹配追蹤集成分類算法與整幅醫(yī)學影像識別的結果比較，其診斷結果有較大提高。上述整個醫(yī)學乳腺x影像切分處理過程，均通過計算機程序實現(xiàn)其功能，同時完成對醫(yī)學乳腺x影像核匹配追蹤集成輔助診斷。該實例是在以本發(fā)明技術方案為前提下進行實施的，給出了詳細的實施方式和具體的操作過程，但本發(fā)明的保護范圍不限于上述實施例。權利要求1、一種不平衡醫(yī)學影像處理系統(tǒng)，包括影像預處理模塊，完成原始影像去冗余以及直方圖均衡化增強處理，并將處理后的結果傳輸給影像個性化切分模塊；影像個性化切分模塊，對輸入的影像完成均勻切分、不均勻切分或滑窗切分處理，再將其處理結果傳至影像特征提取模塊；影像特征提取模塊，對輸入的個性化切分后的影像完成灰度共生矩陣和Hu矩特征提取，再將其提取結果傳至影像核匹配追蹤集成分類診斷模塊；影像核匹配追蹤集成分類診斷模塊，對輸入的影像進行核匹配追蹤集成分類診斷，輸出最終診斷結果。2.根據(jù)權利要求書1所述的系統(tǒng)，其中影像個性化切分模塊包括影像個性化的均分切分處理子模塊，對原始影像集去冗余以及直方圖均衡化增強處理，并對處理后的影像進行橫向或縱向均勻切分，得到M幅醫(yī)學影像塊，M為正整數(shù)；影像個性化的不均分切分處理子模塊，對原始影像集去冗余以及直方圖均衡化增強處理，在影像個性化的均勻劃分處理的基礎上，依據(jù)影像的感興趣區(qū)域分布，對均勻切分處理后的醫(yī)學影像進一步切分為N塊區(qū)域面積不等的醫(yī)學影像塊，N為正整數(shù)；影像個性化的滑窗切分處理子模塊，對原始影像集去冗余以及直方圖均衡化增強處理后，并對處理后的影像進行自適應的帶重疊滑窗切分處理，得到L幅面積相等的醫(yī)學影像塊，L為正整數(shù)。3.—種不平衡醫(yī)學影像處理方法，包括如下步驟(1)采用直方圖均衡化和均方差標準化方法，對原始影像集進行切割與增強處理，得到視覺效果較好的醫(yī)學影像集；(2)對得到的視覺效果較好的醫(yī)學影像集進行個性化切分處理，得到不同的醫(yī)學影像集；(3)對個性化切分后的醫(yī)學影像集提取其灰度共生矩陣或Hu矩特征；定義有標識的訓練樣本集合7;-{OpzO..^,",).,",",)}，其中，^表示第/個有標識訓練樣本的特征，A的表示有標識訓練樣本的標識，/表示第/個有標識訓練樣本；未標識的測試樣本集合7;={Vl,..Vp..V)J，m為未標識的測試樣本的個數(shù)；(4)對有標識的訓練樣本7]進行核匹配追蹤集成分類診斷，采用診斷后得到個體核匹配追蹤子分類器集，對未標識測試樣本7^進行診斷，得到未標識測試樣本^最終診斷結果。4.根據(jù)權利要求書3所述的方法，其中步驟2所述的個性化切分處理，包括均勻切分處理、不均勻切分和滑窗切分處理。5.根據(jù)權利要求書3所述的方法，其中步驟4所述的對有標識的訓練樣本進行核匹配追蹤集成分類診斷，按如下過程進行5a)采用等間隔策略從有標識的訓練樣本7;中選取/個互異的樣本集7;'',/=1，...,/,作為每個個體核匹配追蹤子分類器的樣本集；5b)對每個個體核匹配追蹤子分類器的樣本集進行獨立訓練，得到/個核匹配追蹤子分類器,,"1，2，...，/;5c)在/個核匹配追蹤子分類器集中，對各分類器在未標識測試樣本7^上進行分類識別，得到分類識別結果"A,...,/^,其中l(wèi)《A:S/;5d)根據(jù)分類識別結果，采用/(x)-w'g"^A判定式，得到最終決策，輸出未標識測試樣本7;的診斷結果。全文摘要本發(fā)明公開了一種不平衡醫(yī)學影像處理系統(tǒng)及其處理方法，它屬于圖像處理
技術領域：
。整個系統(tǒng)包括影像預處理模塊、影像個性化切分模塊、影像特征提取模塊和影像核匹配追蹤集成分類診斷模塊。影像預處理模塊完成去冗余及直方圖均衡化增強處理，對處理后影像進一步完成均勻切分、不均勻切分或滑窗切分處理后，完成灰度共生矩陣和Hu矩特征提取得到有標識的訓練樣本集，從中抽取部分樣本對單個分類器進行訓練，得到各個訓練分類器，采用各訓練分類器對未標識測試樣本分類得到分類標簽，根據(jù)決策函數(shù)得到未標識測試樣本的最終診斷結果。本發(fā)明具有對醫(yī)學影像診斷識別率高，處理時間短的優(yōu)點，可用于醫(yī)務工作者評價疾病預后和治療效果。文檔編號G06K9/00GK101551854SQ20091002249公開日2009年10月7日申請日期2009年5月13日優(yōu)先權日2009年5月13日發(fā)明者彪侯,吳建設,瑤姚,慕彩紅,李陽陽,焦李成,王宇琴,田小林,緱水平申請人:西安電子科技大學