基于字典学习上采样的医学影像处理方法技术

本发明专利技术公开了一种基于字典学习上采样的医学影像处理方法，它属于图像处理技术领域。其实现过程是：输入原始医学影像；对原始医学影像进行切割与增强处理；对切割与增强处理后的医学影像提取特征；根据提取的特征得到训练样本集和测试样本集；从训练样本中找出弱势样本的边界点；根据边界点邻域的情况得到需要生成新样本的个数；利用稀疏连线取点方法生成所需的新样本；将新样本增加进训练样本集中组成新的训练样本集；对新的训练样本集进行分类诊断，得到分类器；采用分类器，对测试样本集进行诊断，得到最终诊断结果。本发明专利技术具有对医学影像诊断识别率高泛化能力强的优点，可用于医务工作者评价疾病预后和治疗效果。

【技术实现步骤摘要】

本专利技术属于图像处理
，特别是涉及医学影像处理，可用于监测疾病分布、 研究发病机理及疾病辅助诊断。
技术介绍
计算机科学技术的迅猛发展对医学领域产生了巨大的影响，人们试图让计算机逐 渐代替人类实现自动诊断疾病等极具挑战性的工作，医学图像在临床诊断中发挥着重要的 作用。自1895年伦琴发现X射线以来特别是1979年出现了计算机断层扫描CT技术，极大 地推动了影像医学的发展。近三十年以来，新的影像学技术更是层出不穷。然而，由于来源所需价值高以及个人隐私等问题，使得有病变的医学图像比正常 图像较少，引起了数据不平衡问题，最终导致了医学图像识别困难。怎样有效地解决这种困 难是医学图像领域中亟待解决的问题。目前，通用的方法就是利用上采样的方法，增加有病 变医学图像的数据个数，改变分布，以降低数据的不平衡程度。最原始的上采样方法是复制稀有类的样本，但是这样做对相同的数据重复学习 了，耗费了时间，而且对提高稀有类识别率没有太大帮助。较高级的上采样方法则采用一些启发式技巧，有选择地复制弱势样本，或者生成 新的弱势样本。Chawla等人提出的SMOTE算法是一种简单有效的上采样方法，该方法首本文档来自技高网...

【技术保护点】
一种基于字典学习上采样的医学影像处理方法，包括如下步骤：（１）输入原始医学影像；（２）采用直方图均衡化和均方差标准化方法，对原始医学影像进行切割与增强处理；（３）对切割与增强处理后的医学影像提取其灰度共生矩阵或Ｈｕ矩特征；定义有标识的训练样本集合Ｔ↓［１］和未标识的测试样本集合Ｔ↓［２］：Ｔ↓［１］＝｛（ｘ↓［１］，ｕ↓［１］）．．（ｘ↓［ｉ］，ｕ↓［ｉ］）．，（ｘ↓［ｌ］，ｕ↓［ｌ］）｝Ｔ↓［２］＝｛ｖ↓［１］，．．ｖ↓［ｉ］，．．ｖ↓［ｍ］｝其中，ｘ↓［ｉ］表示第ｉ个有标识训练样本的特征，ｕ↓［ｉ］表示第ｉ个有标识训练样本的标识，ｖ↓［ｉ］表示第ｉ个未标识的测试样本的特征，ｌ为有标识训练样...

【技术特征摘要】
一种基于字典学习上采样的医学影像处理方法，包括如下步骤(1)输入原始医学影像；(2)采用直方图均衡化和均方差标准化方法，对原始医学影像进行切割与增强处理；(3)对切割与增强处理后的医学影像提取其灰度共生矩阵或Hu矩特征；定义有标识的训练样本集合T1和未标识的测试样本集合T2T1＝{(x1，u1)..(xi，ui).，(xl，ul)}T2＝{v1，..vi，..vm}其中，xi表示第i个有标识训练样本的特征，ui表示第i个有标识训练样本的标识，vi表示第i个未标识的测试样本的特征，l为有标识训练样本的个数，m为未标识的测试样本的个数；(4)对有标识的训练样本T1进行基于字典学习上采样的分类诊断，得到分类器C4a)从有标识的训练样本T1中选取出样本个数最少的一类作为弱势样本T3；4b)找出弱势样本T3中的边界点集合B＝{b1，..bi，..bs}，计算每个边界点bi需要生成的新样本的个数ni，其中bi表示第i个边界点，s为边界点的数量；4c)对选取出的弱势样本T3采用KSVD的方法训练生成一个字典D；4d)将每个边界点bi，通过稀疏连线取点方法得到ni个新样本，用这些新样本组合成新样本集合T4；4e)将新样本集合T4加入弱势样本T3中组成当前新的弱势样本T3′；4f)将新的弱势样本T3′与训练集中其他样本共同组成当前新的有标识的训练样本T1′；4g)用支持向量机方法对新的有标识的训练样本T1′进行分类诊断，得到诊断后的分类器C；(5)采用诊断后得到的分类器C，对未标识测试样本T2进行诊断，得到对未标识测试样本T2的最终诊断结果。2.根据权利要求书1所述的方法，其中步骤4b)所述的找出弱势样本T3中的边界点集 合B = Ib1,...

【专利技术属性】
技术研发人员：缑水平，焦李成，杨辉，王爽，吴建设，杨淑媛，侯彪，庄雄，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87[中国|西安]