CN104217213B - 一种基于对称性理论的医学图像多阶段分类方法 - Google Patents

Abstract

本发明属于医疗信息技术领域，具体涉及一种基于对称性理论的医学图像多阶段分类方法。本发明包括：待分类图像提出分类请求,待分类图像应为原始医学图像数据；图像预处理过程：图像建模；多阶段分类；展示结果。本发明提出的弱对称性和强对称性的概念是对医学图像的一个重新定义。提出弱对称性判定算法和强对称性判定算法实现医学图像的多阶段的分类。这种多阶段分类的分类准确率很高，每一个阶段直接的衔接逐层深入，从而提高医生的诊断精度和缩短诊断时间。采用对称性理论实现医学图像的分类，使基于对称性理论的医学图像多阶段分类方法具有更高的准确性。

Description

一种基于对称性理论的医学图像多阶段分类方法

技术领域

本发明属于医疗信息技术领域，具体涉及一种基于对称性理论的医学图像多阶段分类方法。

背景技术

由于医学图像中蕴含着丰富的图像和医学信息，近年来面向医学图像的数据挖掘技术成为医学和计算机交叉学科研究的热点。随着医疗数字化设备的快速发展，医学信息数据库被广泛使用。病人的结构化文本信息，以及大量的非结构化医学图像信息，为医学图像的数据挖掘提供了丰富的数据资源。医学图像可以有效的辅助医师在诊断过程中对病理变化区域进行检测、定位以及判断它的良恶性，因此被广泛应用于临床诊断过程中。然而，具有不同知识背景的医生即使对同一张医学图像可能存在不同的判断，所以，运用数据挖掘方法研究医学图像分类方法，对辅助医生根据医学图像进行诊断，提高其效率和精度，具有较高的学术价值和实际应用前景。

目前，国内外在医学图像分类研究方面，主要采用的分类方法包括统计方法、神经网络方法、模糊模式识别方法、机器学习方法等。已有的分类方法是将医学图像分类为正异常或定位异常的位置，而对医学图像逐层深入的多阶段分类方法暂没有实现。医学图像的成像结果显示关于图像的中垂线两侧是近似对称的，健康的图像在图像灰度级分布和图像形状位置上都呈现近似的对称结构。而发生病变的图像将破坏这种近似对称的结构。为此提出一种能够充分利用医学图像本身的对称性的知识实现多阶段的分类方法是一个亟待解决的问题。

发明内容

本发明的目的是提出一种基于对称性理论提高医学图像多阶段分类准确率的医学图像分类方法。

本发明的目的是这样实现的：

本发明包括如下步骤：

(1)待分类图像提出分类请求：待分类图像应为原始医学图像数据；

(2)图像预处理过程：对原始医学图像提取感兴趣区域(ROI，Region OfInterest)，计算图像ROI区域的灰度直方图，得到图像ROI区域的灰度直方图的波谷列表，根据波谷列表对图像分级提取纹理特征，根据实际需要将得到的分级纹理图像规范化到统一的大小；关于图像ROI区域的中垂线将ROI区域分割为左右两侧，关于分级纹理图像的中垂线分割为左右两侧；

(3)图像建模：根据医学图像的强对称性和弱对称性的概念，建立医学图像多阶段分类 的图模型；

(4)多阶段分类：基于灰度直方图相交性的弱对称性判定方法，对医学图像在较粗粒度上进行了第一阶段的分类；基于点对称的强对称性判定方法，结合弱对称性判定方法，对第一阶段分类结果为异常的图像进行了更细粒度的第二阶段分类，定位了病变区域的位置；最后，利用对病变区域所提取的特征，对病变区域进行了第三阶段的分类；

(5)展示结果：基于对称性理论的多阶段分类方法将原始图像数据库中的图像实现分类。

图像建模为：根据弱对称性和强对称性的概念建立医学图像多阶段分类模型，弱对称性为：对于一个医学图像G，弱对称性是指G中D(L)和D(R)在每个组距K中共有的像素数目，用它们相交的距离来衡量弱对称性

其中，组距K是直方图每组的宽度。

强对称性为：强对称性是指TI中圆内或圆上的点的个数的多少，用它们的半径范围来衡量强对称性rad(v(i))＝mov(v(i))。

多阶段分类为：首先对医学图像再较粗粒度上应用弱对称性判定方法进行第一阶段的分类；然后应用强对称性判定方法和弱对称性判定方法的联合对第一阶段分类结果为异常的图像进行更细粒度的第二阶段的分类，定位病变区域的位置；最后，利用对病变区域所提取的特征，对病变区域进行了第三阶段的分类。

本发明的有益效果在于：

本发明提出的弱对称性和强对称性的概念是对医学图像的一个重新定义。提出弱对称性判定方法和强对称性判定方法实现医学图像的多阶段的分类。这种多阶段分类的分类准确率很高，每一个阶段直接的衔接逐层深入，从而提高医生的诊断精度和缩短诊断时间。采用对称性理论实现医学图像的分类，使基于对称性理论的医学图像多阶段分类方法具有更高的准确性。

附图说明

图1是关于中垂线对称分割的过程；

图2是MI图像模型；

图3是弱对称性示例；

图4是主动变化和被动变化的示例

图5是强对称性示例；

图6是基于对称性理论的医学图像多阶段分类方法流程图；

具体实施方式

下面结合附图和具体实施例对本发明作进一步的说明：

首先对医学图像进行预处理：

1.对原始图像库中的每一张原始的脑部CT图像提取ROI区域；

2.截取ROI区域并校正；

3.计算图像ROI区域灰度直方图的波谷分布情况，得到灰度直方图的波谷表；

4.按照波谷表设置阈值对图像多次提取纹理，从而得到多级纹理图像；

5.最后将多级纹理图像规范化为大小为COLUMN×ROW的图像；

6.将图像ROI区域关于中垂线分割为左右两部分；

7.将规范化大小后的纹理图像关于中垂线分割为左右两部分；

对图像进行分割处理并保存在相应的数据库中，经过以上过程，每一张原始图像均对应四个大小相等的图像。计算灰度图像ROI区域的d(L,R)值和纹理图像的rad(v(i))＝mov(v(i))值；计算灰度图像d(L,R)的值，实现医学图像的第一阶段的分类；然后利用基于灰度图像的弱对称性d(L,R)和基于纹理图像上纹理点的强对称性rad(v(i))的联合实现医学图像的第二阶段的分类，定位病变区域的位置；最后对病变区域提取特征，利用这些特征实现医学图像的第三阶段的分类；

具体的一次图像分类过程如下：

1.对待分类医学图像MI提出分类请求；

2.对待分类医学图像MI进行预处理，得到相应的四个图像(关于中垂线对称的灰度图像L、R和纹理图像L_h、R_h)；

3.根据弱对称性的定义求出灰度图像L和R的d(L,R)值，应用弱对称性判定方法对医学图像实现第一阶段的分类，即分为正常医学图像和异常医学图像；

4.根据医学图像的医学知识定义了医学图像中主动变化和被动变化的关系，即主动变化小于被动变化，主动变化和被动变化的关系存在于正常医学图像和异常医学图像中，由val＝d(L,L’)-d(R,R’)计算，其中val的值是主动变化和被动变化之间大小关系的数值，d(L,L’)是正常医学图像左侧和异常医学图像左侧的弱对称性的值，d(R,R’)是正常医学图像右侧和异常医学图像右侧的弱对称性的值；

5.对第一阶段中的异常医学图像进行第二阶段的分类，计算异常医学图像与正常医学图像的主动变化和被动变化的关系值val＝d(L,L’)-d(R,R’)，若val<0，则异常医学图像的左侧L’中发生的是主动变化，右侧R’发生的是被动变化。那么异常区域T存在于异常医学图像的左侧L’中。否则当val>0，异常区域存在于异常医学图像的右侧R’。第二阶段的分类实现对异常区域T的定位；

6.提取T区域的边缘轮廓并计算以下特征值： 其中C是紧凑度、davg是平均标准化半径、Ro是粗糙度、δ²是方差、Sk是偏斜度、Pe是峰值，A是肿瘤轮廓的面积，p是肿瘤轮廓的周长。N为边缘上点的个数，设ROI区域的最小外接矩形的中心为(x₀，y₀)，半径d(i)是各边缘点(x_i，y_i)到图像中心(x₀，y₀)的距离，K是边缘上点的数量，L_i是边缘上点和点之间的欧氏距离，μ是均值，采用迭代随机采样方法，每次采样中通过谱聚类估计未标注样本的类别值，使用SVM进行模型学习，逐步优化模型，以提高分类准确度，实现第三阶段的分类，即将异常区域T分类为良性和恶性两类；

以上实例表明，本发明提出的基于对称性理论的医学图像多阶段分类方法具有实际的应用价值。

本发明还有这样一些技术特征：

1.多阶段分类医学图像模型：

一个医学图像(Medical Image，MI)是一个集合G＝{(L，R，T)|L＝{v₁，v₂，…，v_n}，n是MI左侧像素点的个数，v_i∈[0,255]。R＝{u₁，u₂，…，u_m}，m是MI右侧像素点的个数，u_i∈[0,255]，T＝{w₁，w₂，…，w_p}，0<p<n或0<p<m，w_i∈[0,255]}。

其中L和R分别是MI被中线垂直平分后左侧和右侧像素的集合。T是MI中异常区域的像素集合，或。若MI是正常的，则T集合为空，否则T集合不空。

在G中，由于器官中的某些基因出现异常，当正常细胞的染色体碰上了这一基因就能诱使细胞发生异常繁殖，阻碍正常细胞的生长，从而异常的一侧细胞迅速生长，而另一侧则由于挤压覆盖等原因阻碍了正常细胞的生长，使其被动发生形变。由于T区域的存在使L和R集合发生变化。这一医学知识体现在图像上既是异常的一侧像素集合发生较大变化，而非异常的一侧像素集合发生的变化较异常的一侧小。图2(a)为正常的医学脑部图像关于脑中线垂直平分为left和right两部分，在G中L和R集合中像素的分布均匀。图2(b)为异常脑部图像实例，我们可以发现在G中存在一个异常区域T集合。由于T集合的存在，G中L和R集合中像素的分布存在很大的差异。

在异常图像(Abnormal Image,AMI)中，若，则AMI的左侧发生的变化称为主动变化，右侧发生的变化称为被动变化；若，则AMI的右侧发生的变化称为主动变化，左侧发生的变化称为被动变化。

在图3(b)中，L和R像素集合差别很大，导致T区域的存在。，即异常出现在左侧，所以图3(b)中左侧发生的变化就是主动变化，右侧是被动变化。如何确定G中L和R像素集合的差别呢？设D(X)是一个像素集合X的含有K个组距的灰度直方图，下面给出弱对称性的定义。

对于一个医学图像G，弱对称性是指G中D(L)和D(R)在每个组距K中共有的像素数目，用它们相交的距离来衡量弱对称性

其中，组距K是直方图每组的宽度。

图3为图2(a)中left、right部分图像的灰度直方图。横坐标表示灰度值的分布，取值范围[0 255]，纵坐标表示在某一灰度值上像素点的个数K。根据以上公式可以得知L和R的像素集合相交的距离。弱对称性d(L,R)越大说明L和R相交的部分越多，差别越小。弱对称性d(L,R)越小说明L和R相交的部分越少，差别越大。

在G中包括正常的医学图像(Normal Medical Image，NMI)和异常的医学图像(Abnormal Medical Image，AMI)，怎么对它们进行区分呢，下面给出NMI和AMI中主动变化和被动变化的关系。主动变化和被动变化的关系存在于NMI和AMI弱对称性的对比中，且主动变化小于被动变化。

主动变化和被动变化的关系如图4所示。图4(a)是NMI，图4(b)是AMI。图4(c)(d)是图4(a)左侧和右侧的直方图，图4(e)(f)是图4(b)左侧和右侧的直方图。若已知NMI的左侧和右侧像素集合为L和R，AMI的左侧和右侧像素集合为L’和R’。定位异常区域或应用以下公式。

val＝d(L,L')-d(R,R')

若val<0，则AMI的L’中发生的是主动变化，R’发生的是被动变化。那么T区域存在于AMI的L’中。否则当val>0，T区域存在于R’。根据主动变化和被动变化的关系可以定位灰度级医学图像中异常区域T的位置。根据公式，图4中(a)和(b)的val>0，即T区域出现在图4(b)的右侧。

医学图像的纹理图像由多条纹理组成，每条纹理有若干个点组成。NMI对应的纹理图像关于脑中线垂直平分后的左右两侧近似对称，根据这一原理给出了强对称性的定义。AMI的纹理图像中，发生主动变化的一侧呈现的纹理条数比被动变化的一侧纹理条数多。

一个纹理图像(Texture Image,TI)是一个集合F＝{(L_h，R_h)|L_h＝{L_h1,L_h2，…，L_hn}，L_hi是L_h中的第i条纹理，Lhi＝{v(1),v(2),...,v(n)}，v(i)表示组成L_hi纹理的点。R_h＝{R_h1,R_h2，…，R_hn}， R_hi是R_h中的第i条纹理，R_hj＝{v(1),v(2),...,v(m)}，v(i)表示组成R_hi纹理的点}，其中L_h和R_h是关于中线垂直平分的左侧和右侧纹理的集合。

在纹理图像TI中，以组成纹理的点v(i)为圆心，点v(i)的可移动性mov(v(i))为半径做圆。在圆内或圆上的点都认为是与该点对称的。

强对称性是指TI中圆内或圆上的点的个数的多少，用它们的半径范围来衡量强对称性rad(v(i))＝mov(v(i))。

图5(a)是一个纹理图像TI，图5(b)和图5(c)是图5(a)的局部放大图且关于中线对称。选择TI中纹理点多的一侧即左侧作为模板，根据强对称性的概念标记每个点的rad(v(i))，如图5(d)所示，图中用不同颜色的点表示点的重要性指数不同。图5(f)是图5(d)关于中线的对称图。图5(g)是强对称性rad(v(i))的示例图。

2.弱对称性判定方法的具体步骤：

对于G来说，像素的分布是很重要的特征。通过弱对称性d(L,R)判断T区域是否存在，可以判定医学图像是否正常。对于T区域存在的图像应用性质1比较NMI和AMI中主动变化和被动变化的关系。已知L和R是NMI中的左侧和右侧像素的集合，L’和R’是AMI中左侧和右侧像素的集合。计算L和L’的弱对称性d(L,L’)与R和R’的弱对称性d(R,R’)，若d(L,L’)<d(R,R’)，则在L和L’中像素分布发生的变化大于R和R’中像素分布发生的变化。表明T区域出现在AMI的L’中，即。否则出现在AMI的R’中，即

3.强对称性判定方法的具体步骤：

由于弱对称性特征对图像或图像区域的方向、大小、位置等变化不敏感，所以弱对称性特征不能很好地捕捉图像中对象的局部属性，本文提出图像的强对称性判定方法解决这一问题。与灰度直方图特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。纹理特征能局部的定位图像中灰度级像素点的位置。每一条纹理都是由灰度剧烈变化的点组成的，通过强对称性的定义来判断纹理图像的整体对称性。纹理上每个点v(i)关于中线垂直平分映射到另一侧的点v’(i)，根据强对称性的定义可以得出点v’(i)的可移动范围。那么在可移动范围内的点都认为是与原点对称的。

纹理图像集合F＝{L_h，R_h}中，正常医学图像的纹理图像中L_h和R_h是近似对称的。如果出现病变区域，那么病变区域的一侧纹理条数将较多，即组成纹理的点数增多。扫描L_h和R_h中组成纹理的点的个数，假设以点的个数多的一侧作为第一次的模板。关于对称轴映射到另一侧应用纹理点的消去方法消去所有在可移动范围内的点。第一次消去后剩余的点markf＝suml-sumr。然后计算L_h和R_h中剩余的点的个数，以非模板的一侧作为第二次的模板消去另一侧的点。第二次消去后剩余的点markl＝suml-sumr。比较两侧剩余点的个数 sum＝markf+markl，若sum≥0说明左侧存在T区域，sum<0说明右侧存在T区域。这就是图像强对称性判定方法的基本思想。

4.医学图像多阶段分类方法的具体步骤：

通过对医生的调查得知，其利用医学图像进行诊断过程为：首先根据医生的医学知识判断该医学图像MI是否正常。其次，对AMI继续研究，根据医生的临床诊断经验判断异常出现在L或者R中。最后，对AMI中的区域T做进一步的研究，根据医生以往的诊断经验判断T区域的良恶性。本文模拟医生的诊断过程提出了MI多阶段分类器(multi-stageclassification，MSC)的分类方法，其实现过程如图6所示。

MSC-1：应用WSDA对医学图像MI进行了第一阶段分类，即对MI分类为NMI和AMI。

MSC-2：对标记为异常的图像AMI进一步处理得到对应的纹理图像F，同时应用WSDA和SSDA判断出异常区域T在医学图像中的左侧或者右侧。

MSC-3：本文根据异常区域T的边缘轮廓，提取T的多个特征实现对AMI进行良恶性分类。

本发明的关键在于使用医学图像对称性理论对医学图像进行分析，从而利用弱对称性判定方法和强对称性判定方法对图像进行多阶段的分类。

本发明充分考虑医学图像本身的结构性和规律性。通过将图像分割为左右近似对称的两部分即可以快速实现多阶段的分类，又揭示了病变的医学图像的特征，从而使该多阶段分类方法本身更接近于人类的正常思维过程。

Claims (1)

1.一种基于对称性理论的医学图像多阶段分类方法，其特征在于，包括如下步骤：

(1)待分类图像提出分类请求,待分类图像应为原始医学图像数据；

(2)图像预处理过程：对原始医学图像提取感兴趣区域ROI，计算图像ROI区域的灰度直方图，得到图像ROI区域的灰度直方图的波谷列表，根据波谷列表对图像分级提取纹理特征，根据实际需要将得到的分级纹理图像规范化到统一的大小；关于图像ROI区域的中垂线将ROI区域分割为左右两侧，关于分级纹理图像的中垂线将分级纹理图像分割为左右两侧；

(3)图像建模：根据医学图像的强对称性和弱对称性的概念，建立医学图像多阶段分类的图模型；

(4)多阶段分类：基于灰度直方图相交性的弱对称性判定方法，对医学图像在较粗粒度上进行了第一阶段的分类；基于点对称的强对称性判定方法，结合弱对称性判定方法，对第一阶段分类结果为异常的图像进行了更细粒度的第二阶段分类，定位了病变区域的位置，具体包括：纹理图像集合F＝{L_h，R_h}中，正常医学图像的纹理图像中L_h和R_h是近似对称的，如果出现病变区域，那么病变区域的一侧纹理条数将较多，即组成纹理的点数增多；扫描L_h和R_h中组成纹理的点的个数，假设以点的个数多的一侧作为第一次的模板；关于对称轴映射到另一侧应用纹理点的消去方法消去所有在可移动范围内的点；第一次消去后剩余的点markf＝suml-sumr；然后计算L_h和R_h中剩余的点的个数，以非模板的一侧作为第二次的模板消去另一侧的点；第二次消去后剩余的点markl＝suml-sumr；比较两侧剩余点的个数sum＝markf+markl，若sum≥0说明左侧存在T区域，sum<0说明右侧存在T区域；最后，利用对病变区域所提取的特征，对病变区域进行了第三阶段的分类；

(5)展示结果：基于对称性理论的多阶段分类方法将原始图像数据库中的图像实现分类；

所述的图像建模过程为：根据医学图像的强对称性的概念和弱对称性的概念建立医学图像多阶段分类的图模型；

所述的弱对称性为：对于一个医学图像G，弱对称性是指G中D(L)和D(R)在每个组距K中共有的像素数目，用它们相交的距离来衡量弱对称性, D(X)是一个像素集合X的含有K个组距的灰度直方图，L和R分别是医学图像MI被中线垂直平分后左侧和右侧像素的集合

其中，组距K是直方图每组的宽度；

强对称性是指纹理图像TI中圆内或圆上的点的个数的多少，用它们的半径范围来衡量强对称性rad(v(i))＝mov(v(i))；v(i)表示组成R_hi纹理的点,R_hi是R_h中的第i条纹理，R_h是关于中线垂直平分的右侧纹理的集合，mov(v(i))为点v(i)的可移动性；

所述的多阶段分类过程为：基于灰度直方图相交性的弱对称性判定方法，对医学图像在较粗粒度上进行了第一阶段的分类；基于点对称的强对称性判定方法，结合弱对称性判定方法，对第一阶段分类结果为异常的图像进行了更细粒度的第二阶段分类，定位了病变区域的位置；最后，利用对病变区域所提取的特征，对病变区域进行了第三阶段的分类；具体包括：

(4.1)对待分类医学图像MI提出分类请求；

(4.2)对待分类医学图像MI进行预处理，得到相应的四个图像，关于中垂线对称的灰度图像L、R和纹理图像L_h、R_h,；

(4.3)根据弱对称性的定义求出灰度图像L和R的d(L,R)值，应用弱对称性判定方法对医学图像实现第一阶段的分类，即分为正常医学图像和异常医学图像；

(4.4)根据医学图像的医学知识定义了医学图像中主动变化和被动变化的关系，即主动变化小于被动变化，主动变化和被动变化的关系存在于正常医学图像和异常医学图像中，由val＝d(L,L’)-d(R,R’)计算，其中val的值是主动变化和被动变化之间大小关系的数值，d(L,L’)是正常医学图像左侧和异常医学图像左侧的弱对称性的值，d(R,R’)是正常医学图像右侧和异常医学图像右侧的弱对称性的值；

(4.5)对第一阶段中的异常医学图像进行第二阶段的分类，计算异常医学图像与正常医学图像的主动变化和被动变化的关系值val＝d(L,L’)-d(R,R’)，若val<0，则异常医学图像的左侧L’中发生的是主动变化，右侧R’发生的是被动变化；那么异常区域T存在于异常医学图像的左侧L’中；否则当val>0，异常区域存在于异常医学图像的右侧R’；第二阶段的分类实现对异常区域T的定位；

(4.6)提取T区域的边缘轮廓并计算以下特征值： 其中C是紧凑度、davg是平均标准化半径、Ro是粗糙度、δ²是方差、Sk是偏斜度、Pe是峰值，A是肿瘤轮廓的面积，p是肿瘤轮廓的周长；N为边缘上点的个数，设ROI区域的最小外接矩形的中心为(x₀，y₀)，半径d(i)是各边缘点(x_i，y_i)到图像中心(x₀，y₀)的距离，K是边缘上点的数量，L_i是边缘上点和点之间的欧氏距离，μ是均值，采用迭代随机采样方法，每次采样中通过谱聚类估计未标注样本的类别值，使用SVM进行模型学习，逐步优化模型，以提高分类准确度，实现第三阶段的分类，即将异常区域T分类为良性和恶性两类；

所述的医学图像预处理后的数据库为：通过对已有图像库中的每张图像进行预处理，然后对预处理过的图像集进行多阶段分类图像建模得到一个多阶段分类图集D＝{G₁,G₂,…,G_n}。