基于机器学习的SWI图像的脑微出血点检测识别方法技术

本发明专利技术公开一种基于机器学习的SWI图像的脑微出血点检测识别方法，包括以下步骤：建立SWI图像训练库，读取训练库中任一SWI图像，并进行预处理；对处理后的SWI图像进行去除头骨图像处理，获得SWI脑组织图像；获取SWI脑组织图像中的微出血点候选点区域；基对提取的微出血候选点区域进行特征提取，获得微出血点特征值；使用随机森林方法进行训练，获得脑微出血点分类器模型；读取待识别SWI图像，放入脑微出血点分类器模型中进行识别，获得待识别SWI图像的分类结果，并输出脑微出血点信息。本方法解决了临床医生手动识别CMBs病灶耗时耗力，可靠性和可重复性较低问题，具有重要的应用价值。

Detection and Recognition of Cerebral Microbleeding Points in SWI Images Based on Machine Learning

The invention discloses a method for detecting and recognizing cerebral microbleeding points based on machine learning SWI images, which includes the following steps: establishing a SWI image training library, reading any SWI image in the training library and preprocessing; removing the skull image from the processed SWI image to obtain the SWI brain tissue image; acquiring candidate areas of microbleeding points in the SWI brain tissue image; The candidate areas of micro-hemorrhage are extracted to obtain the feature values of micro-hemorrhage points; the classifier model of cerebral micro-hemorrhage points is obtained by training with random forest method; the SWI images to be recognized are read and identified in the classifier model of cerebral micro-hemorrhage points, and the classification results of SWI images to be recognized are obtained, and the information of cerebral micro-hemorrhage points is output. This method solves the problem of time-consuming, labor-consuming, low reliability and repeatability of manual identification of CMBs lesions by clinicians, and has important application value.

【技术实现步骤摘要】
基于机器学习的SWI图像的脑微出血点检测识别方法
本专利技术涉及计算机
，尤其涉及一种基于机器学习的SWI图像的脑微出血点检测识别方法。
技术介绍
脑内微出血(CerebralMicro-bleeds,CMBs)是一种微小型的脑血管病变后导致脑内血液中的铁血黄素的沉积，广泛存在于患者的皮质、以及皮质下的白质和基底节等区域，则会造成相应脑部组织的一些损害，由此可能会引起认知功能障碍。同时，也是引发缺血性脑卒中的一个重要危险因素之一。CMBs的存在是与脑白质的疏松程度具有高度的相关性的，已经成为医生制定抗凝和抗血小板的治疗方案中作为参考的重要指标。因此，CMBs的研究和诊断被认为是有助于预测脑血管疾病的未来发病倾向的。SWI技术是一种比较新的磁敏感成像技术，是基于人体不同部位间的磁化率不同而引起的相位差的现象。CMBs通常可以使用磁共振成像技术中的T2加权梯度回波序列和磁敏感加权成像技术的磁敏感序列检测出来。由于CMBs所沉积的铁血黄素的物质在SWI成像中，表现为清晰的椭圆形低信号区域，其直径范围为2～5mm。由于CMBs周边一般无水肿发生，故其边界是清晰可见的。目前，CMBs被认本文档来自技高网...

【技术保护点】
1.一种基于机器学习的SWI图像的脑微出血点检测识别方法，其特征在于，所述方法包括：S1、建立SWI图像训练库，读取训练库中任一SWI图像，并进行预处理；S2、基于阈值分割算法，对处理后的SWI图像进行去除头骨图像处理，获得SWI脑组织图像；S3、基于霍夫变换，获取SWI脑组织图像中的微出血点候选点区域；S4、基于海森矩阵、高斯拉普拉斯和灰度共生矩阵方法，对提取的微出血候选点区域进行特征提取，获得微出血点特征值；S5、重复步骤S1‑S4，获得包括所有SWI图像微出血点候选点及其特征值的训练库；S6、基于训练库数据，使用随机森林方法进行训练，获得脑微出血点分类器模型；S7、读取待识别SWI图像，...

【技术特征摘要】
1.一种基于机器学习的SWI图像的脑微出血点检测识别方法，其特征在于，所述方法包括：S1、建立SWI图像训练库，读取训练库中任一SWI图像，并进行预处理；S2、基于阈值分割算法，对处理后的SWI图像进行去除头骨图像处理，获得SWI脑组织图像；S3、基于霍夫变换，获取SWI脑组织图像中的微出血点候选点区域；S4、基于海森矩阵、高斯拉普拉斯和灰度共生矩阵方法，对提取的微出血候选点区域进行特征提取，获得微出血点特征值；S5、重复步骤S1-S4，获得包括所有SWI图像微出血点候选点及其特征值的训练库；S6、基于训练库数据，使用随机森林方法进行训练，获得脑微出血点分类器模型；S7、读取待识别SWI图像，并进行预处理和去头骨处理后，放入脑微出血点分类器模型中进行识别，获得待识别SWI图像的分类结果，并输出脑微出血点信息。2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括：S1a、基于自适应图像直方图均衡化算法，对读取的SWI图像进行对比度增强预处理；S1b、基于梯度的各向异性扩散方法，对经步骤S1a处理的SWI图像进行图像边缘增强和平滑去噪处理，直到图像中的噪音被削弱到相对理想状态下为止，获得预处理后的SWI图像。3.根据权利要求1所述的方法，其特征在于，所述步骤S2包括：S2a、读取预处理后的SWI图像，使用ostu阈值分割算法，获得头颅大致轮廓图像及脑组织图像；S2b、对头颅大致轮廓图像使用形态学方法进行处理，获得完整的头骨模板；S2c、对头骨模板进行边缘检测，获得头骨轮廓；S2d、使用最小二乘法对已获得的头骨轮廓上的点进行拟合，获得头骨轮廓的二维灰度曲线图；S2e、对头骨轮廓的二维灰度曲线图进行阈值分割，判断头骨轮廓与脑组织图像间是否存在牵连关系，如果是，执行步骤S2e，如果否，跳过步骤S2f，执行步骤S2g；S2f、先对头骨轮廓的二维灰度曲线图进行取反操作，将空气区域的灰度值设置为1，将其他区域的灰度值设置为0，然后，对灰度值为1的区域进行骨骼化，对骨骼化处理后的图像进行灰度累加计算，获得骨骼化平均边界，提取骨骼化后的头骨轮廓边界，并对头骨轮廓边界进行拟合处理；S2g、使用连通域方法将SWI图像中的头骨轮廓图像分离，获得SWI脑组织图像与头骨轮廓图像；S2h、获取头骨轮廓图像中的头骨轮廓坐标；S2i、判断头骨轮廓坐标是否为空，如果不为空，则输出SWI脑组织图像，运算结束，如果为空，则重复上述步骤，直到头骨轮廓坐标不为空。4.根据权利要求1所述的方法，其特征在于，所述步骤S3包括：S3a、读取经步骤S2获得的SWI脑组织图像，进行局部自适应二值化处理；S3b、将二值化后的SWI脑组织图像中每一个像素点不为零的二值化后的边缘像素点变换到霍夫空间，变...

【专利技术属性】
技术研发人员：孝大宇，张淑蕾，王超，康雁，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21