一种融合多尺度超像素的脑CT图像分类方法技术

一种融合多尺度超像素的脑CT图像分类方法，属于医学图像研究领域。所述方法具有以下特点：1)利用多尺度超像素与脑CT图像融合，去除了图像冗余信息，降低了病灶和周围脑组织像素的灰度相似性。2)设计了一种基于区域和边界的多尺度超像素编码器，有效的提取多尺度超像素中包含的病灶低层次信息。3)设计了一种融合多尺度超像素特征融合模型，综合利用了残差神经网络提取的高层次特征和多尺度超像素的低层次特征，实现对脑CT的分类。4)相比传统深度学习算法，本发明专利技术所述方法可以有效利用多尺度超像素中包含的病灶信息，从而更准确地对脑CT图像中存在的疾病进行分类，且该方法合理可靠，可为脑CT图像的分类提供有力的帮助。

【技术实现步骤摘要】
一种融合多尺度超像素的脑CT图像分类方法
本专利技术属于医学图像研究领域，具体地说，本专利技术涉及一种融合多尺度超像素的脑CT图像分类方法。
技术介绍
临床急诊中脑部损伤的诊断是极其紧迫的，即使短时间的延误也可能导致患者病情恶化。电子计算机断层扫描(ComputedTomography，CT)是最常用的诊断工具之一，具有成像快、成本低、适用范围广、病变检查率高等特点。尽管脑CT能检测出颅内出血、颅内压升高和颅骨骨折等关键且时效性强的异常，但是传统的疾病分类方法通常需要放射科医生目测出血面积大小、估计出中线偏移等信息，这个过程是相对耗时的。近年来，伴随着医学影像技术的进步和发展，脑CT图像数量呈现出几何形式的增长，但放射科医生数量的增长速度却相对缓慢，而且培养一名合格的放射科医生成本高、周期长，致使在职放射科医生的工作任务与日俱增，间接导致了看病难等社会问题。因此，脑CT自动分类方法能够辅助放射科医生工作，提升诊断效率，减少误诊、漏诊率，具有十分重要的现实意义。近年来，深度学习(Deeplearning,DL)在计算机视觉领域的巨大成功，本文档来自技高网...

【技术保护点】
1.一种融合多尺度超像素的脑CT图像分类方法，其特征在于：首先，构建数据集并进行预处理，得到多尺度超像素；其次，通过多尺度超像素图像融合进行数据增强，获得优化的融合图像；然后采用基于区域和边界信息的特征编码算法处理多尺度超像素，得到多尺度超像素低层次特征；最后利用多尺度超像素特征融合分类模型，来对脑CT图像进行分类；/n步骤(1)获取数据并预处理：/n步骤(1.1)数据：采集脑CT图像构建数据集，每一个患者数据包含其通过脑CT图像生成的RGB矩阵

【技术特征摘要】
1.一种融合多尺度超像素的脑CT图像分类方法，其特征在于：首先，构建数据集并进行预处理，得到多尺度超像素；其次，通过多尺度超像素图像融合进行数据增强，获得优化的融合图像；然后采用基于区域和边界信息的特征编码算法处理多尺度超像素，得到多尺度超像素低层次特征；最后利用多尺度超像素特征融合分类模型，来对脑CT图像进行分类；
步骤(1)获取数据并预处理：
步骤(1.1)数据：采集脑CT图像构建数据集，每一个患者数据包含其通过脑CT图像生成的RGB矩阵与脑CT分类标签向量Y＝[Y1，Y2，…YT]，Yi∈{0，1}，其中表示实数集合，N表示图像像素尺寸，T表示采集的疾病类别个数；
步骤(1.2)将所有患者数据划分为训练集、验证集和测试集；其中，训练集用于学习神经网络的参数；验证集用于确定超参数；测试集用于验证神经网络分类效果；
步骤(1.3)数据预处理：基于超层次分割算法(SuperHierarchy，SH)，对给定的脑CT图像I和设定的超像素的分割尺度{scale1，scale2，…scaleS}，其中S表示设定超像素的数量，生成第s个分割尺度下超像素图的计算过程如下：
Ps＝SH(I，scales)
其中，s∈{1，2…S}，scales为第s个分割尺度，对每个分割尺度进行计算得到表示包含S个不同尺度超像素图的多尺度超像素；
步骤(2)多尺度超像素图像融合模型：对给定的脑CT图像I及其多尺度超像素融合图像I′计算过程如下：



其中，⊙表示点积，f(·)为SoftMax函数，表示训练的权重，Ps表示中第s个元素，W实现了各个尺度比重的自适应分配；
步骤(3)多尺度超像素特征编码：
步骤(3.1)对脑CT图像I的多尺度超像素中分割尺度为scales的超像素图生成其像素值集合对中每个像素生成映射矩阵集合其中，第k个映射矩阵中第i，j个元素的计算方式如下：



其中，k∈{1，2，…scales}，其中表示Ps中第k个超像素的像素值，Ms，k表示像素值为的超像素区域映射；
步骤(3.2)基于面积和边界信息对集合Ms中每个映射矩阵进行编码，得到的超像素图Ps编码结果计算过程如下：



其中N2表示超像素图所含像素点个数，sk表示第k个超像素区域包含的的像素点个数，⊙表示点积；
步骤(3.3)对中每个超像素图重复步骤(3.1)和步骤(3.2)，依次生成编码结果b1，b2，…b...

【专利技术属性】
技术研发人员：冀俊忠，张梦隆，张晓丹，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11