System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于新一代信息技术中的深度学习与模式识别领域。
技术介绍
1、随着医学成像技术和人工智能的不断进步,医学图像分析在良恶性肿瘤、脑功能、心血管等疾病的辅助筛查、诊断、分级、治疗决策等方面发挥着重要的作用,成为临床疾病检测和辅助诊疗的有效技术手段。
2、临床诊断中医学图像种类繁多且分辨率较高,传统的依靠人工识读医学图像的方法存在依赖临床经验、缺少客观性、耗时等不足。使用机器学习尤其是深度学习方法自动的抽取医学图像特征,能够进行更加准确、客观的定量分析。但是基于深度卷积神经网络的学习算法面临着依赖大量的训练数据、模型复杂等不足。
技术实现思路
1、本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
2、为此,本专利技术的目的在于提出一种医学图像特征提取与分类方法,用于医学图像的特征提取及分类。
3、为达上述目的,本专利技术第一方面实施例提出了一种医学图像特征提取与分类方法,包括:
4、获取训练数据集,对所述训练数据集的医学样本图像,计算正交矩不变量,得到正交矩不变量集合;
5、对所述正交矩不变量集合通过二维主成分分析构建滤波器,得到滤波器组;
6、使用所述滤波器组对所述医学样本图像进行非线性变换和堆叠处理;
7、对所述滤波器组输出的结果进行特征提取,得到医学图像特征;
8、使用支持向量机对所述医学图像特征进行分类。
9、另外,根据本专利技术上述实施例的一种医学图
10、进一步地,在本专利技术的一个实施例中,所述对所述训练数据集的医学样本图像,计算正交矩不变量,包括:
11、按照从左上角至右下角、以重叠的方式提取尺寸分别为k11×k12、k21×k22和k31×k32的图像子块,并分别计算阶次为n1、n2和n3的具有平移、旋转和缩放不变性的正交fourier-mellin矩特征。
12、进一步地,在本专利技术的一个实施例中,所述对所述正交矩不变量集合通过二维主成分分析构建滤波器,包括:
13、对阶次为n1的矩不变量集合x=[x1,x2,…,xn],计算行总体散度矩阵和列总体散度矩阵
14、
15、其中,m、n分别表示行数、列数,为所有块的矩不变量的平均值;
16、对总体散度矩阵与求解特征值和特征向量,得到行投影矩阵列投影矩阵则滤波器的构建方式为,
17、
18、其中,t表示向量的转置;
19、对阶次为n2和阶次为n3的正交fourier-mellin矩不变量集合进行同样的处理,得到滤波器
20、进一步地,在本专利技术的一个实施例中,所述使用所述滤波器组对所述医学样本图像进行非线性变换和堆叠处理,包括:
21、使用滤波器组对训练集中的样本图像进行二维卷积运算,则每一幅训练图像ft可以得到l(=l1+l2+l3)个特征图,
22、
23、
24、
25、其中,*为二维卷积运算,r表示训练样本的数量;
26、将特征图经过非线性激活函数tanh(·),即:
27、
28、
29、
30、将经过非线性激活操作后的不同尺度的特征图堆叠在一起,即:
31、进一步地,在本专利技术的一个实施例中,所述对所述滤波器组输出的结果进行特征提取,包括:
32、对输出结果计算行总体散度矩阵和列总体散度矩阵
33、
34、其中,m0、n0分别表示行数、列数,为平均值,对总体散度矩阵与求解特征值和特征向量,选取行投影矩阵列投影矩阵得到投影后的特征为,
35、
36、对特征图进行空间金字塔二阶池化,具体的,采取四层空间金字塔布局[1,2,4,8],共有q(=85)个空间区域在每个空间区域si执行平均二阶池化,如下所示:
37、其中:φ表示平均二阶池化函数;是空间区域si里特征向量的数量;logm(·)表示对数函数;yj表示空间区域si里的列向量;ε的目的是防止矩阵奇异性,它被设置为0.001;i是一个单位矩阵;triu表示获取gavg的上三角形部分,将所有二阶池化的特征向量连接起来得到图像的最终特征向量。
38、为达上述目的,本专利技术第二方面实施例提出了一种医学图像特征提取与分类装置,包括以下模块:
39、获取模块,用于获取训练数据集,对所述训练数据集的医学样本图像,计算正交矩不变量,得到正交矩不变量集合;
40、构建模块,用于对所述正交矩不变量集合通过二维主成分分析构建滤波器,得到滤波器组;
41、变换模块,用于使用所述滤波器组对所述医学样本图像进行非线性变换和堆叠处理;
42、提取模块,用于对所述滤波器组输出的结果进行特征提取,得到医学图像特征;
43、分类模块,用于使用支持向量机对所述医学图像特征进行分类。
44、为达上述目的,本专利技术第三方面实施例提出了一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如上所述的一种医学图像特征提取与分类方法。
45、为达上述目的,本专利技术第四方面实施例提出了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上所述的一种医学图像特征提取与分类方法。
46、本专利技术实施例提出的医学图像特征提取与分类方法,采用的技术方案为:1)使用不同尺度的滑动窗对医学图像计算多阶次的正交矩不变量;2)通过二维主成分分析构建不同尺度的卷积滤波器组;3)使用滤波器组对图像进行卷积得到多尺度的特征图并进行非线性变换;4)通过双向二维主成分分析和空间金字塔二阶池化得到特征向量;5)将特征向量输入分类器进行训练和分类。本专利技术提出的方法,所涉及的参数经过微调便可以得到具有最佳分类精度的轻量化深度学习模型,能够应用于临床上医学影像或者病理图像的智能分析及自动分类。
本文档来自技高网...【技术保护点】
1.一种医学图像特征提取与分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述对所述训练数据集的医学样本图像,计算正交矩不变量,包括:
3.根据权利要求1所述的方法,其特征在于,所述对所述正交矩不变量集合通过二维主成分分析构建滤波器,包括:
4.根据权利要求1所述的方法,其特征在于,所述使用所述滤波器组对所述医学样本图像进行非线性变换和堆叠处理,包括:
5.根据权利要求1所述的方法,其特征在于,所述对所述滤波器组输出的结果进行特征提取,包括:
6.一种医学图像特征提取与分类装置,其特征在于,包括以下模块:
7.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现如权利要求1-5中任一所述的医学图像特征提取与分类方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5任意一项所述的医学图像特征提取与分类方法。
【技术特征摘要】
1.一种医学图像特征提取与分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述对所述训练数据集的医学样本图像,计算正交矩不变量,包括:
3.根据权利要求1所述的方法,其特征在于,所述对所述正交矩不变量集合通过二维主成分分析构建滤波器,包括:
4.根据权利要求1所述的方法,其特征在于,所述使用所述滤波器组对所述医学样本图像进行非线性变换和堆叠处理,包括:
5.根据权利要求1所述的方法,其特征在于,所述对所述滤...
【专利技术属性】
技术研发人员:邵珠宏,尚媛园,王成刚,任仲山,李碧草,胡强,张岩丽,韩俊霞,
申请(专利权)人:首都师范大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。