一种基于KAP有向图模型的医学图像分类方法技术

本发明专利技术属于医疗信息技术领域，具体涉及一种基于KAP有向图模型的医学图像分类方法。本发明专利技术包括：待分类图像提出分类请求：待分类图像应为原始医学图像数据；图像预处理过程：对原始医学图像提取感兴趣ROI区域，计算图像ROI区域的灰度直方图，得到图像ROI区域的灰度直方图的波谷列表，根据波谷列表对图像分级提取纹理特征，根据实际需要将得到的分级纹理图像规范化到统一的大小，并在纹理部位提取出图像的角点。本发明专利技术提出的面向纹理的角点提取方法有效的降低了角点的提取时间，同时由于纹理部位是图像中灰度变化最剧烈的位置，也是图像中反应信息量最重要的位置，进而提高了角点的代表性。

【技术实现步骤摘要】

本专利技术属于医疗信息
，具体设及一种基于KAP有向图模型的医学图像分 类方法。
技术介绍
由于医学图像中蕴含着丰富的图像和医学信息，近年来面向医学图像的数据挖掘 技术成为医学和计算机交叉学科研究的热点。随着医疗数字化设备的快速发展，医学信息 数据库被广泛使用。病人的结构化文本信息，W及大量的非结构化医学图像信息，为医学图 像的数据挖掘提供了丰富的数据资源。医学图像可W有效的辅助医师在诊断过程中对病理 变化区域进行检测、定位W及判断它的良恶性，因此被广泛应用于临床诊断过程中。然而， 具有不同知识背景的医生即使对同一张医学图像可能存在不同的判断，所W，运用数据挖 掘方法研究医学图像分类算法，对辅助医生根据医学图像进行诊断，提高其效率和精度，具 有较高的学术价值和实际应用前景。 目前，国内外在医学图像分类研究方面，主要采用的分类方法包括统计方法、神经 网络方法、模糊模式识别方法、机器学习方法等。已有的分类算法不能很好的描述医学图 像，造成分类的准确率较低和时间复杂度较高。医学图像的成像结果显示脑部CT图像拥 有良好的纹理特性并且图像间纹理角点的位置近似相同，基于运一脑部医学领域知识的指 导，提出了基于KAP有向图模型的医学图像分类方法。
技术实现思路
本专利技术的目的是提出一种提高对医学图像分类的准确率的基于KAP有向图模型 的医学图像分类方法。 阳〇化]本专利技术的目的是运样实现的： (1)待分类图像提出分类请求：待分类图像应为原始医学图像数据； (2)图像预处理过程：对原始医学图像提取感兴趣R0I区域，计算图像R0I区域的 灰度直方图，得到图像R0I区域的灰度直方图的波谷列表，根据波谷列表对图像分级提取 纹理特征，根据实际需要将得到的分级纹理图像规范化到统一的大小，并在纹理部位提取 出图像的角点；[000引做图像建模：利用提取到的角点并结合医学图像的具体特点，利用合法KAP有向 图和非法KAP有向图两种医学图像到KAP有向图的建模方法进行图像建模； (4)多步图像匹配：通过KAP有向图间顶点粗粒度匹配方法、KAP有向图间顶点细 粒度匹配方法和KAP有向图间顶点匹配的优化方法，最终获得两张图像之间相同的顶点和 公共子图； (5)医学图像分类：利用顶点的重要性作为顶点的权值，对KAP有向图间相同的顶 点进行加权求和作为两图的相似度，并采用投票机制进行分类，实现对医学图像的多步匹 配分类。 所述角点为：高斯窗w在图像G上移动，获得2X2局部结构矩阵M，对该矩阵Μ求 取特征值λ1和λ2,建立度量函数R=detM-k(traceM)2,设定阔值Θ，当R〉Θ则该位置为 角点，反之则不是； 阳01引其中detM=λ1λ2，traceM=λ1+λ2，detM是矩阵Μ的行列式值，traceM是矩 阵Μ的迹，k是常量，取值为0.04,Θ为阔值。 所述的合法KAP有向图和非法KAP有向图为：在KAP有向图中，若图中的每个顶点 Vi，i一（1，2,…，n}，移动的范围均在其可移动范围内，则称此图为合法KAP有向图；若图中 存在任意一个或者多个顶点Vj，j一（1，2,…，n}，移动的范围超出了其可移动范围，则称此 图为非法KAP有向图。 所述的多步匹配分类为：首先，KAP有向图间顶点粗粒度匹配方法，用来返回两张 KAP有向图间顶点的初始匹配序列；然后，KAP有向图间顶点细粒度匹配方法，用来对KAP有 向图间的顶点进行进一步的匹配；最后，KAP有向图间顶点匹配的优化方法，包括伪同构结 构排除方法和遭误删顶点找回策略，从而准确的实现了KAP有向图的匹配过程，得到了KAP 有向图间相同的顶点和公共子图，利用顶点的重要性P作为顶点的权值，对KAP有向图间相 同的顶点进行加权求和作为两图的相似度，采用投票机制进行分类。 本专利技术的有益效果在于： 本专利技术提出的面向纹理的角点提取方法有效的降低了角点的提取时间，同时由于 纹理部位是图像中灰度变化最剧烈的位置，也是图像中反应信息量最重要的位置，进而提 高了角点的代表性。提出的KAP有向图模型，能够有效的描述医学图像的特征，而且从原始 的灰度图像到KAP有向图的构建过程也易操作，提高了本模型的实用价值。提出的多步匹 配分类算法能够准确的实现对医学图像的分类，有效的提高了分类的精度，从而提高医生 的诊断精度和缩短诊断时间。【附图说明】 图1是脑部CT图像纹理提取的过程；[001引图2是图像建模的过程； 图3是粗粒度匹配算法顶点匹配的示例； 图4是细粒度匹配算法删除差异点的示例； 图5是迭代效果示例； 图6是伪同构结构处理示例。【具体实施方式】 下面结合附图和具体实施例对本专利技术作进一步的说明： 本专利技术提出一种基于K最近邻纹理角点（KAP，Knearestnei曲bortenure angularpoints)有向图模型的医学图像分类方法，其特征在于利用一种新颖的KAP有向 图模型描述图像之间存在的关系，并利用其进行多步的匹配，进而实现医学图像的分类。 KAP有向图模型的定义是：首先对医学图像进行KAP有向图建模处理，给出医学图像中KAP 有向图模型的两个概念：合法KAP有向图和非法KAP有向图；然后提出了KAP有向图间顶 点粗粒度匹配算法、KAP有向图间顶点细粒度匹配算法和KAP有向图间顶点匹配的优化算 法。对于每一张待分类的图像，其分类过程是：首先对待分类图像进行纹理化处理，提取出 纹理部位的角点；然后针对提取到的角点，结合医学图像的固有特点，利用KAP有向图模型 来描述医学图像；接着根据KAP有向图间顶点粗粒度匹配算法、KAP有向图间顶点细粒度匹 配算法和KAP有向图间顶点匹配的优化算法的结合，准确的实现了KAP有向图的匹配，得到 了KAP有向图间相同的顶点；最后，利用顶点的重要性作为顶点的权值，对KAP有向图间相 同的顶点进行加权求和作为两图的相似度，并采用投票机制进行分类，W达到辅助医生诊 断的效果。本专利技术与传统医学图像分类技术相比，提高了分类结果的准确率。 阳0巧]本专利技术包括如下步骤： (1)待分类图像提出分类请求：待分类图像应为原始医学图像数据； W27] 似图像预处理过程：对原始医学图像提取感兴趣区域（R0I，RegionOf Interest),计算图像ROI区域的灰度直方图，得到图像ROI区域的灰度直方图的波谷列表， 根据波谷列表对图像分级提取纹理特征，根据实际需要将得到的分级纹理图像规范化到统 一的大小，并在纹理部位提取出图像的角点； (3)图像建模：利用提取到的角点并结合医学图像的具体特点，提出了医学图像 到KAP有向图的建模方法，包括合法KAP有向图和非法KAP有向图两种； (4)多步匹配算法：提出了KAP有向图间顶点粗粒度匹配算法、KAP有向图间顶点 细粒度匹配算法和KAP有向图间顶点匹配的优化算法，最终可W获得两张图像之间相同的 顶点和公共子图； (5)医学图像的分类算法：利用顶点的重要性作为顶点的权值，对KAP有向图间相 同的顶点进行加权求和作为两图的相似度，并采用投票机制进行分类，最终实现了对医学 图像的多步匹配分类。 阳〇3U 角点为：高斯窗W在图像G上移动，获得2 X 2局部结构矩阵M，对该矩阵Μ求取特 征值λl和λ2，建立度量函数R=det本文档来自技高网...

【技术保护点】
一种基于KAP有向图模型的医学图像分类方法，其特征在于，包括如下步骤：(1)待分类图像提出分类请求：待分类图像应为原始医学图像数据；(2)图像预处理过程：对原始医学图像提取感兴趣ROI区域，计算图像ROI区域的灰度直方图，得到图像ROI区域的灰度直方图的波谷列表，根据波谷列表对图像分级提取纹理特征，根据实际需要将得到的分级纹理图像规范化到统一的大小，并在纹理部位提取出图像的角点；(3)图像建模：利用提取到的角点并结合医学图像的具体特点，利用合法KAP有向图和非法KAP有向图两种医学图像到KAP有向图的建模方法进行图像建模；(4)多步图像匹配：通过KAP有向图间顶点粗粒度匹配方法、KAP有向图间顶点细粒度匹配方法和KAP有向图间顶点匹配的优化方法，最终获得两张图像之间相同的顶点和公共子图；(5)医学图像分类：利用顶点的重要性作为顶点的权值，对KAP有向图间相同的顶点进行加权求和作为两图的相似度，并采用投票机制进行分类，实现对医学图像的多步匹配分类。

【技术特征摘要】

【专利技术属性】
技术研发人员：潘海为，吴枰，韩启龙，谢晓芹，高琳琳，战宇，翟霄，李文博，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23