基于SVM的医学影像分类方法技术

本发明专利技术公开了一种基于SVM的医学影像分类方法，其特征在于：其包括以下步骤：1)将医学影像存储于原始影像数据库，医学影像包括数字相片及供体信息；2)利用特征识别器，识别所述原始影像数据库中的医学影像的医学特征；3)利用分类器根据所述特征识别器获得的医学特征对疾病进行识别，并根据疾病种类存储在分类影像数据库中。本发明专利技术的基于SVM的医学影像分类方法利用Adaboost级联分类器进行预先训练，针对不同的样本具有较好的识别率和误识率，并且计算速度快，可以快速进行大量的医学影像识别和分类，可用于大规模的医学影像数据库系统。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种基于SVM的医学影像分类方法，其特征在于：其包括以下步骤：1)将医学影像存储于原始影像数据库，医学影像包括数字相片及供体信息；2)利用特征识别器，识别所述原始影像数据库中的医学影像的医学特征；3)利用分类器根据所述特征识别器获得的医学特征对疾病进行识别，并根据疾病种类存储在分类影像数据库中。本专利技术的基于SVM的医学影像分类方法利用Adaboost级联分类器进行预先训练，针对不同的样本具有较好的识别率和误识率，并且计算速度快，可以快速进行大量的医学影像识别和分类，可用于大规模的医学影像数据库系统。【专利说明】基于SVM的医学影像分类方法
本专利技术属于医学领域，尤其涉及其中的医学影像管理。
技术介绍
医学影像在临床诊断和治疗中的应用日益广泛，如何利用大量的医学影像，辅助医生进行疾病的诊断和治疗是目前业界都在研究的问题。一个优秀的医学影像分类方法必须根据疾病种类及供体的完善细致分类，以便随时进行高效检索，及信息分析和挖掘。传统的医学影像都是采用人工识别、文字分类的方法，但是，随着医学影像的日益增多，尤其其中涉及的人种、性别、年龄等差异，导致其对人工识别的难度越来越大，且工作量日益增大。如何解决这个问题，引入日益成熟的计算机图像识别技术，取代人工来完成上述工作是未来的发展趋势。本专利技术在该研究工作中，提出自己的研究思路，以期提供一种新的方法，尤其是利用目前已经成熟的SVM (Support Vector Machine,支持向量机,作为一种可训练的机器学习方法，依靠小样本学习后的模型参数完善技术)技术，来实现自动化的分类管理工作。
技术实现思路
本专利技术是根据上述思路设计的一种自动化分类的基于SVM的医学影像分类方法。本专利技术的技术方案是提供一种基于SVM的医学影像分类方法，其特征在于:其包括以下步骤: 1)将医学影像存储于原始影像数据库，医学影像包括数字相片及供体信息； 2)利用特征识别器，识别所述原始影像数据库中的医学影像的医学特征； 3)利用分类器根据所述特征识别器获得的医学特征对疾病进行识别，并根据疾病种类存储在分类影像数据库中。优选的，在所述步骤I)之前还包括以下步骤: a)收集人体器官标准模型的医学影像并存储于标准模型库； b)收集标准疾病模型的医学特征并存储于标准疾病模型库。优选的，所述步骤2包括以下步骤: 2.1)图像预处理，对待识别的所述医学影像进行转正、缩放、滤波、分辨率调整处理； 2.2)器官图像标准化调整，对待识别的所述医学影像进行变形、局部缩放处理，使其中器官图像轮廓线与所述标准模型库中的医学影像的轮廓线趋于重合，所述标准模型库中的医学影像是在所述标准模型库中筛选得到的； 2.3)对步骤2.2)中，器官图像轮廓线与所述标准模型库中的医学影像的轮廓线不重合部分进行疾病特征提取。优选的，所述标准模型库存储人体器官标准模型的医学影像根据人体的性别、年龄、人种、身高、体重进行分类。优选的，所述步骤2.2)中筛选所述标准模型库中的医学影像的条件包括:人体的性别、年龄、人种、身高、体重。优选的，所述特征识别器利用基于Adaboost级联分类器预先训练。本专利技术的基于SVM的医学影像分类方法利用Adaboost级联分类器进行预先训练，针对不同的样本具有较好的识别率和误识率，并且计算速度快，可以快速进行大量的医学影像识别和分类，可用于大规模的医学影像数据库系统。【专利附图】【附图说明】图1是应用本专利技术的系统的结构框图。【具体实施方式】下面对本专利技术的【具体实施方式】作进一步详细的描述。如图1所示，本专利技术的一种基于SVM的医学影像分类方法对应的系统包括: 原始影像数据库、分类影像数据库、标准模型库、标准疾病模型库、特征识别器和分类器。其中: 原始影像数据库，用于存储医学影像并记录供体的信息； 分类影像数据库，用于根据疾病种类分类存储原始影像数据库中的医学影像； 标准模型库，用于存储不同性别、年龄、人种、身高、体重的分类人体器官标准模型的医学影像； 标准疾病模型库，用于存储标准疾病模型的医学特征，包括疾病的各个阶段。特征识别器是利用基于Adaboost级联分类器预先训练好的，用于识别原始影像数据库中的医学影像的医学特征。Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)，其是业界业已成熟的技术手段。而分类器，则利用特征识别器对影像数据库中的医学影像进行识别，获得其医学特征，然后对标准疾病模型库重大疾病模型进行比对，对疾病进行识别，并根据疾病种类存储在分类影像数据库中。其中，特征识别器识别医学影像的医学特征的步骤包括: O图像预处理，对待识别的医学影像进行转正、缩放、滤波、分辨率调整处理； 2)器官图像标准化调整，对待识别的医学影像进行变形、局部缩放处理，使其中器官图像轮廓线与标准模型库中的医学影像的轮廓线趋于重合，标准模型库中的医学影像是在标准模型库中筛选得到的，筛选的条件包括:人体的性别、年龄、人种、身高、体重；作为业界的公知常识，不同的人体的性别、年龄、人种、身高、体重相同的器官图像会存在较大差异，相同的疾病相同阶段的图像也不同； 3)对上一步骤中，器官图像轮廓线与标准模型库中的医学影像的轮廓线不重合部分进行疾病特征提取； 4)对上一步骤中获得的疾病特征与标准疾病模型库中的标准疾病模型的医学特征进行比对，获得疾病类型及其发展阶段。以上实施例仅为本专利技术其中的一种实施方式，其描述较为具体和详细，但并不能因此而理解为对本专利技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变形和改进，这些都属于本专利技术的保护范围。因此，本专利技术专利的保护范围应以所附权利要求为准。【权利要求】1.一种基于SVM的医学影像分类方法，其特征在于:其包括以下步骤: 1)将医学影像存储于原始影像数据库，医学影像包括数字相片及供体信息； 2)利用特征识别器，识别所述原始影像数据库中的医学影像的医学特征； 3)利用分类器根据所述特征识别器获得的医学特征对疾病进行识别，并根据疾病种类存储在分类影像数据库中。2.根据权利要求1所述的基于SVM的医学影像分类方法，其特征在于:在所述步骤I)之前还包括以下步骤: a)收集人体器官标准模型的医学影像并存储于标准模型库； b)收集标准疾病模型的医学特征并存储于标准疾病模型库。3.根据权利要求2所述的基于SVM的医学影像分类方法，其特征在于:所述步骤2包括以下步骤: 2.1)图像预处理，对待识别的所述医学影像进行转正、缩放、滤波、分辨率调整处理； 2.2)器官图像标准化调整，对待识别的所述医学影像进行变形、局部缩放处理，使其中器官图像轮廓线与所述标准模型库中的医学影像的轮廓线趋于重合，所述标准模型库中的医学影像是在所述标准模型库中筛选得到的； 2.3)对步骤2.2)中，器官图像轮廓线与所述标准模型库中的医学影像的轮廓线不重合部分进行疾病特征提取。4.根据权利要求3所述的基于SVM的医学影像分类方法，其特征在于:所述标准模型库存储人体器官标准模型的医学影像根据人本文档来自技高网...

【技术保护点】
一种基于SVM的医学影像分类方法，其特征在于：其包括以下步骤：1)将医学影像存储于原始影像数据库，医学影像包括数字相片及供体信息；2)利用特征识别器，识别所述原始影像数据库中的医学影像的医学特征；3)利用分类器根据所述特征识别器获得的医学特征对疾病进行识别，并根据疾病种类存储在分类影像数据库中。

【技术特征摘要】

【专利技术属性】
技术研发人员：胡边，王燕妮，陈波，刘贵，
申请(专利权)人：江苏美伦影像系统有限公司，
类型：发明
国别省市：