一种基于多通道多分类器的胰腺囊性肿瘤CT图像分类方法技术

一种基于多通道多分类器的胰腺囊性肿瘤图像分类方法，包括如下步骤：1)对原始图像进行调节窗宽窗位操作，Canny边缘检测以及梯度幅值计算来加强边缘特征；2)运用ResNet对多通道图进行端到端的训练，把pool5层的输出作为提取到的特征，分别用Bayesian分类器和KNN分类器进行分类，得到分类概率；3)运用随机森林分类器对上述得到的3种不同的概率进行分类得到最终结果，随机森林由多个决策树组成。本发明专利技术提供了一种基于多通道多分类器的胰腺囊性肿瘤图像分类方法，能自动进行边缘增强，并提高分类的准确率。

【技术实现步骤摘要】
一种基于多通道多分类器的胰腺囊性肿瘤CT图像分类方法
本专利技术属于图像分类
，尤其涉及一种图像分类方法。
技术介绍
通常的，病人在进行手术前，需要进行一系列的检查，其中通过计算机断层扫描(CT)成像来观察器官和病变是一种不可或缺的方法。目前，医生主要通过他们的经验来判断胰腺囊性肿瘤属于浆液性还是黏液性。现有的图像分类方法根据特征可分为：传统方法和深度学习方法。传统方法首先对肿瘤区域进行手动分割；然后，运用不同的特征提取器提取特征，如：纹理特征、结构特征等，然后用分类器进行分类。深度学习的方法同样也需要对原始图像先进行分割，然后运用卷积神经网络提取深度特征，最后进行分类。现有分类方法的缺陷：对于手动分割肿瘤时，会存在一定误差；对于提取到的特征都用单一分类器进行分类，都会影响最终分类结果。
技术实现思路
为了克服手动分割肿瘤引入的人为误差及单一分类器影响结果的不足。本专利技术提供了一种基于多通道多分类器的胰腺囊性肿瘤CT图像分类方法，能自动进行边缘检测，并提高分类的准确率。本专利技术解决其技术问题所采用的技术方案是：一种基于多通道多分类器的胰腺囊性肿瘤CT图像分类方法，包括如下步骤：本文档来自技高网...

【技术保护点】
1.一种基于多通道多分类器的胰腺囊性肿瘤CT图像分类方法，其特征在于，所述方法包括如下步骤：1)对原始图像进行调节窗宽窗位操作，Canny边缘检测以及梯度幅值计算来加强边缘特征，过程如下：1.1)调节窗宽窗位：通过调节窗宽窗位来观察不同密度正常组织或病灶，经过调节，组织和病变以不同的模拟灰度显示；大于等于窗宽，像素值以全白显示；相反，小于窗宽时，像素值将全黑显示，窗宽窗位与像素值之间的关系：window width＝MaxValue‑MinValue

【技术特征摘要】
1.一种基于多通道多分类器的胰腺囊性肿瘤CT图像分类方法，其特征在于，所述方法包括如下步骤：1)对原始图像进行调节窗宽窗位操作，Canny边缘检测以及梯度幅值计算来加强边缘特征，过程如下：1.1)调节窗宽窗位：通过调节窗宽窗位来观察不同密度正常组织或病灶，经过调节，组织和病变以不同的模拟灰度显示；大于等于窗宽，像素值以全白显示；相反，小于窗宽时，像素值将全黑显示，窗宽窗位与像素值之间的关系：windowwidth＝MaxValue-MinValue其中MaxValue和MinValue分别表示在设定窗宽窗位下的最大、最小像素值，windowwidth表示窗宽，windowlevel表示窗位；1.2)Canny边缘检测：利用原始图像检测肿瘤边缘，过程为：1.2.1)用高斯滤波器来平滑图像并滤除噪声；1.2.2)计算图像中每个像素的梯度强度和方向；1.2.3)应用非最大抑制(NMS)来消除边缘检测的虚假响应；1.2.4)双阈值检测用于确定实际和可能的边缘；1.2.5)通过抑制孤立的弱边来完成边缘检测；1.3)计算梯度幅值：计算图像上每个像素点I(x,y)的梯度幅值，Ix(x，y)＝I(x+1，y)-I(x-1，y)Iy(x，y)＝I(x，y+1)-I(x，y-1)其中，I(x,y)表示在坐标(x,y)下的像素值，Ix(x,y)表示像素点在在x方向上灰度值的变化，Iy(x,y)表示像素点在在y方向上灰度值的变化，M(x,y)表示梯度幅值；2)运用ResNet对多通道图进行端到端的训练，把pool...

【专利技术属性】
技术研发人员：管秋，胡海根，李康杰，陈峰，黄志军，王捷，龚明杰，姜娓娓，陈胜勇，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33