CN105740875A - 一种基于多尺度三维块特征提取的肺结节多轮分类方法 - Google Patents
一种基于多尺度三维块特征提取的肺结节多轮分类方法 Download PDFInfo
- Publication number
- CN105740875A CN105740875A CN201610154156.4A CN201610154156A CN105740875A CN 105740875 A CN105740875 A CN 105740875A CN 201610154156 A CN201610154156 A CN 201610154156A CN 105740875 A CN105740875 A CN 105740875A
- Authority
- CN
- China
- Prior art keywords
- tuberosity
- feature
- feature extraction
- classification
- grader
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
- G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明一种基于多尺度三维块特征提取的肺结节多轮分类方法,在特征提取的结节掩膜中引入多尺度掩膜的概念,利用不同尺度的块对结节进行特征提取,并将提取的特征投入到第一个分类器中去,然后再将分类的为假阳性的结节再投入到第二个分类器中去,最后合并两个分类器中真阳性结节的子集。本发明聚焦于图像的多尺度特征提取和图像的分类层面,可以更好的捕获图像中的细节信息从而生成具有代表性的特征集,新的特征包模型和分类模型可具体应用于医学图像、遥感图像、网络图像等数字图像数据的分类、检索等。
Description
技术领域
本发明属于计算机视觉领域,更为具体地讲,涉及一种基于多尺度三维块特征提取的肺结节多轮分类检测方法。
背景技术
中国每年癌症新发病例为312万例,每年因癌症死亡超过200万例,其中死亡最多的癌种是肺癌。肺癌的治愈率与诊断时的临床分期密切相关,早期的肺癌患者的5年生存率为90%以上,I期肺癌患者的生存率降为60%,而Ⅱ到Ⅳ期的肺癌患者的年生存率从40%降到5%。因此,“早发现,早诊断,早治疗”是提髙肺癌患者生存率的关键。但是不容乐观的是只有15%的肺癌在早期被发现。然而在出现咳嗽和咳血等长期不愈的不良症状时,再去医院进行检查,往往就己经是肺癌晚期。因此,如何做到“早发现”和“早诊断”是需要研究的重要课题。
检测肺结节的CADe***通常有五个子***来组成:获取,预处理,分割,结节检测和减少假阳性。获取子***的主要责任就是获得医学图片。公开数据库能够被用来发展,训练和验证CADe***。它同样能够用来训练医学学生,并且它能够在不同CADe***之间作比较。主要的预处理技术有:中值滤波,增强滤波,对比度受限自适应直方图均衡化,自动增强,维纳滤波,快速傅里叶变换,小波变换,抗几何扩散,腐蚀滤波,平滑滤波和噪音修正。
分割肺部图像的两个主要的方法是:基于阈值的分割和可变形模型的分割。在基于阈值的分割上,一个亮度的阈值实施了分离操作。分割肺部图片使用的主要类型的可变形模型有:活动轮廓和基于水平集的可变形模型。区域增长是分割肿瘤区域的最好的办法因为找到的边界很完美的瘦和连接。其它历史上分割肺结节的技术有:圆柱形的和球形滤波器,形态学运算,阈值化,多重灰度级阈值化和连接元素分析。主要抽取的特征有:像素的亮度值,形态学,纹理,不规则碎片形。主要的分类器有:线性判别分析,基于规则,聚类,马尔科夫随机场,人工神经网络,支持向量机(SVM),大量训练的神经网络(MTANNs),双阈值切割。
发明内容
本发明的目的在于设计一种从不同尺度下对肺结节进行特征的提取,并且将具有代表性的特征投入到两轮分类器中去,把两轮分类的结果做一个合并,以提高最后的灵敏度。
为实现上述目的,本发明一种基于多尺度三维块特征提取的肺结节多轮分类检测方法,主要包括以下内容:在特征提取的结节掩膜中引入多尺度掩膜的概念,利用不同尺度的块对结节进行特征提取,并将提取的特征投入到第一个分类器中去,然后再将分类的为假阳性的结节再投入到第二个分类器中去,最后合并两个分类器中真阳性结节的子集。
技术原理如图1所示,具体技术流程如下:
步骤一:图片的获取,打算利用公开数据库LIDC,并且进行相关的预处理使其能够被matlab直接处理;
步骤二:首先使用阈值对原始图像进行初步分割,其次使用圆盘结构的元素对粗分割的肺部进行二维形态学开运算,然后使用三维六元素连接抽取最大体积的部分,该部分就是分割的肺部,接着使用孔洞填充算法来修补孔洞,最后使用了三维形态学闭运算来精炼肺部的边缘;
步骤三:首先用一系列阈值对原始的图像进行阈值分割,然后把分割的结果和肺部掩模进行逻辑与操作,然后再用一系列圆盘结构的元素对分割好的结节进行二维形态学开运算,最后合并所有的中间结节掩模形成最后的结节掩模;
步骤四:特征提取,打算利用传统意义上的一些特征,并且基于不同尺度三维的块来提取。特征主要有三大类:几何的,亮度的,梯度特征,所有的这些特征包含了二维的和三维的。最后再用SFS来优选一系列的特征;
步骤五:分类器分类一共有两轮分类,第一轮用SVM来进行二分类,第二轮用FLD分类器来对第一轮中分类为假阳性的结节再次进行分类,最后把结果中的真阳性结节进行合并做为最后的结果。
附图说明
图1是本发明一种基于多尺度三维块特征提取的肺结节多轮分类检测方法的原理框图。
图2是本发明一种基于多尺度三维块特征提取的肺结节多轮分类检测方法的技术方案图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,可能淡化本发明主要内容的已知功能和设计的详细描述将被忽略。
在本实施方案中,本发明一种基于多尺度分析的特征包构建方法主要包括以下环节:1.图片获取、2.肺部分割、3.结节分割、4.多尺度特征提取、5.二轮分类。
图片的获取,打算利用公开数据库LIDC,并且进行相关的预处理使其能够被matlab直接处理。
肺部的分割,主要利用阈值法和形态学相关的内容进行分割。首先使用两个阈值分别对原始图像进行初步分割,其次使用圆盘结构的元素对粗分割的肺部进行二维形态学开运算,然后使用三维六元素连接抽取最大体积的部分,该部分就是分割的肺部。再然后使用了孔洞填充算法来修补这些孔洞,最后使用了三维形态学闭运算来精炼肺部的边缘。
肺结节的分割,采用形态学的方法来进行分割,首先用一系列阈值对原始的图像进行阈值分割,然后把分割的结果和肺部掩模进行逻辑与操作,然后再用一系列圆盘结构的元素对分割好的结节进行开运算移除一些残差结构,最后合并所有的中间结节掩模形成最后的结节掩模。
特征提取,打算利用传统意义上的一些特征,特征主要有三大类:几何的,亮度的,梯度特征。首先对分割好的结节构造边界框,然后在边界框的基础上进行扩充3个像素,使没有精准分割的结节能够大部分包括进来。由于结节的精准分割有一定限制,所以不在分割好的结节掩膜上进行特征提取,而在扩充的三维块中进行特征提取,使结节能够大部分包含进来。所有的这些特征包含了二维的和三维的,以能够全方位的表示结节。最后再用特征选优也就是降维的算法来优选一系列的特征,拟采用前进算法SFS来优选特征。
分类器分类,把上述环节提取的特征首先投入到SVM分类器中去对所有的结节进行二分类,为了提高灵敏度然后把分类为非结节的特征集合再投入到FLD分类器中去,再次对该部分结节进行二分类,最后把两次分类结果中分为结节的子集进行合并构成最后的结果。
本发明一种基于多尺度三维块特征提取的肺结节多轮分类检测方法具有以下特点:
本发明提出一种新的特征提取的模型和分类的方法,可以更好的提高整个***的结节检测灵敏度,新的特征提取的模型和分类的方法可应用于医学图像、遥感图像、网络图像等数字图像数据的分类、检索等。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.本发明一种基于多尺度三维块特征提取的肺结节多轮分类检测方法,主要包括以下内容:在特征提取的结节掩膜中引入多尺度掩膜的概念,利用不同尺度的块对结节进行特征提取,并将提取的特征投入到第一个分类器中去,然后再将分类的为假阳性的结节再投入到第二个分类器中去,最后合并两个分类器中真阳性结节的子集。技术方案如下:
步骤一:图片的获取,打算利用公开数据库LIDC,并且进行相关的预处理使其能够被matlab直接处理;
步骤二:首先使用阈值对原始图像进行初步分割,其次使用圆盘结构的元素对粗分割的肺部进行二维形态学开运算,然后使用三维六元素连接抽取最大体积的部分,该部分就是分割的肺部,接着使用孔洞填充算法来修补孔洞,最后使用了三维形态学闭运算来精炼肺部的边缘;
步骤三:首先用一系列阈值对原始的图像进行阈值分割,然后把分割的结果和肺部掩模进行逻辑与操作,然后再用一系列圆盘结构的元素对分割好的结节进行二维形态学开运算,最后合并所有的中间结节掩模形成最后的结节掩模;
步骤四:特征提取,打算利用传统意义上的一些特征,并且基于不同尺度三维的块来提取。特征主要有三大类:几何的,亮度的,梯度特征,所有的这些特征包含了二维的和三维的。最后再用SFS来优选一系列的特征;
步骤五:分类器分类一共有两轮分类,第一轮用SVM来进行二分类,第二轮用FLD分类器来对第一轮中分类为假阳性的结节再次进行分类,最后把结果中的真阳性结节进行合并做为最后的结果。
2.根据权利要求1所述的一种基于多尺度三维块特征提取的肺结节多轮分类检测方法,其特征在于在结节特征提取中引入多尺度分析理念,利用分割出来的肺结节构建不同尺度的块,之后在不同的块上进行特征的提取,然后把特征投入到第一个分类器中去,然后把分类成非结节的特征投入到第二个分类器中去,最后合并两次分类中的真阳性结节为最后结果。
本发明中主要的特色是在特征提取时引入多尺度分析理念,并且在结节分类阶段引入了两个分类器。主要包括:(1)利用分割好的结节构造多尺度的特征提取掩膜。(2)首先用svm分类器对所有结节进行分类,然后用FLD分类器对第一轮分类为非结节的特征再次进行分类,最后合并两次结果为最后结果。
首先对分割好的结节构造边界框,然后在边界框的基础上进行扩充3个像素,使没有精准分割的结节能够大部分包括进来。由于结节的精准分割有一定限制,所以不在分割好的结节掩膜上进行特征提取,而在扩充的三维块中进行特征提取,使结节能够大部分包含进来。
把上述环节提取的特征首先投入到SVM分类器中去对所有的结节进行二分类,为了提高灵敏度然后把分类为非结节的特征集合再投入到FLD分类器中去,再次对该部分结节进行二分类,最后把两次分类结果中分为结节的子集进行合并构成最后的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610154156.4A CN105740875A (zh) | 2016-03-17 | 2016-03-17 | 一种基于多尺度三维块特征提取的肺结节多轮分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610154156.4A CN105740875A (zh) | 2016-03-17 | 2016-03-17 | 一种基于多尺度三维块特征提取的肺结节多轮分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105740875A true CN105740875A (zh) | 2016-07-06 |
Family
ID=56251767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610154156.4A Pending CN105740875A (zh) | 2016-03-17 | 2016-03-17 | 一种基于多尺度三维块特征提取的肺结节多轮分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105740875A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250701A (zh) * | 2016-08-10 | 2016-12-21 | 华东理工大学 | 计算机软件***中实现肺结节危险程度分类的***和方法 |
CN107274402A (zh) * | 2017-06-27 | 2017-10-20 | 北京深睿博联科技有限责任公司 | 一种基于胸部ct影像的肺结节自动检测方法及*** |
CN108171694A (zh) * | 2017-12-28 | 2018-06-15 | 深圳开立生物医疗科技股份有限公司 | 基于卷积神经网络的结节检测方法、***及设备 |
CN108230323A (zh) * | 2018-01-30 | 2018-06-29 | 浙江大学 | 一种基于卷积神经网络的肺结节假阳性筛选方法 |
CN108573485A (zh) * | 2017-03-08 | 2018-09-25 | 卡西欧计算机株式会社 | 识别装置、识别方法以及程序存储介质 |
CN109636817A (zh) * | 2018-11-30 | 2019-04-16 | 华中科技大学 | 一种基于二维卷积神经网络的肺结节分割方法 |
CN111199548A (zh) * | 2018-11-19 | 2020-05-26 | 零氪医疗智能科技(广州)有限公司 | 一种用于对肺ct图像中结节进行分割的***及方法 |
CN111369530A (zh) * | 2020-03-04 | 2020-07-03 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的ct图像肺结节快速筛查方法 |
CN116452898A (zh) * | 2023-06-16 | 2023-07-18 | 中国人民大学 | 基于影像组学和深度学习的肺腺癌亚型识别方法和装置 |
-
2016
- 2016-03-17 CN CN201610154156.4A patent/CN105740875A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250701B (zh) * | 2016-08-10 | 2019-02-01 | 华东理工大学 | 计算机软件***中实现肺结节危险程度分类的***和方法 |
CN106250701A (zh) * | 2016-08-10 | 2016-12-21 | 华东理工大学 | 计算机软件***中实现肺结节危险程度分类的***和方法 |
CN108573485A (zh) * | 2017-03-08 | 2018-09-25 | 卡西欧计算机株式会社 | 识别装置、识别方法以及程序存储介质 |
CN108573485B (zh) * | 2017-03-08 | 2022-10-14 | 卡西欧计算机株式会社 | 识别装置、识别方法以及程序存储介质 |
CN107274402A (zh) * | 2017-06-27 | 2017-10-20 | 北京深睿博联科技有限责任公司 | 一种基于胸部ct影像的肺结节自动检测方法及*** |
CN108171694A (zh) * | 2017-12-28 | 2018-06-15 | 深圳开立生物医疗科技股份有限公司 | 基于卷积神经网络的结节检测方法、***及设备 |
CN108230323B (zh) * | 2018-01-30 | 2021-03-23 | 浙江大学 | 一种基于卷积神经网络的肺结节假阳性筛选方法 |
CN108230323A (zh) * | 2018-01-30 | 2018-06-29 | 浙江大学 | 一种基于卷积神经网络的肺结节假阳性筛选方法 |
CN111199548A (zh) * | 2018-11-19 | 2020-05-26 | 零氪医疗智能科技(广州)有限公司 | 一种用于对肺ct图像中结节进行分割的***及方法 |
CN109636817A (zh) * | 2018-11-30 | 2019-04-16 | 华中科技大学 | 一种基于二维卷积神经网络的肺结节分割方法 |
CN109636817B (zh) * | 2018-11-30 | 2020-10-30 | 华中科技大学 | 一种基于二维卷积神经网络的肺结节分割方法 |
CN111369530B (zh) * | 2020-03-04 | 2021-04-02 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的ct图像肺结节快速筛查方法 |
CN111369530A (zh) * | 2020-03-04 | 2020-07-03 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的ct图像肺结节快速筛查方法 |
CN116452898A (zh) * | 2023-06-16 | 2023-07-18 | 中国人民大学 | 基于影像组学和深度学习的肺腺癌亚型识别方法和装置 |
CN116452898B (zh) * | 2023-06-16 | 2023-10-17 | 中国人民大学 | 基于影像组学和深度学习的肺腺癌亚型识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740875A (zh) | 一种基于多尺度三维块特征提取的肺结节多轮分类方法 | |
Xie et al. | Automated pulmonary nodule detection in CT images using deep convolutional neural networks | |
CN102663426B (zh) | 一种基于小波多尺度分析和局部三值模式的人脸识别方法 | |
Zhang et al. | A dense u-net with cross-layer intersection for detection and localization of image forgery | |
Elaskily et al. | Deep learning based algorithm (ConvLSTM) for copy move forgery detection | |
Vaishnavi et al. | Application of local invariant symmetry features to detect and localize image copy move forgeries | |
Wang et al. | A new keypoint-based copy-move forgery detection for color image | |
Guedri et al. | Indexing and images retrieval by content | |
CN106600584A (zh) | 一种基于Tsallis熵选择的疑似肺结节检测方法 | |
Mehrjardi et al. | A survey on deep learning-based image forgery detection | |
Nguyen et al. | Completed local structure patterns on three orthogonal planes for dynamic texture recognition | |
Zou et al. | Distinguishable zero-watermarking scheme with similarity-based retrieval for digital rights Management of Fundus Image | |
CN117789185A (zh) | 基于深度学习的汽车油孔姿态识别***及方法 | |
Xu et al. | Mammographic mass segmentation using multichannel and multiscale fully convolutional networks | |
Velliangira et al. | A novel forgery detection in image frames of the videos using enhanced convolutional neural network in face images | |
CN109191436A (zh) | 基于视觉显著性谱残差方法的低剂量ct肺结节检测算法 | |
Stucker et al. | Supervised outlier detection in large-scale MVS point clouds for 3D city modeling applications | |
Tao et al. | Smoke vehicle detection based on robust codebook model and robust volume local binary count patterns | |
Al-Qershi et al. | Copy-move forgery detection using on locality sensitive hashing and k-means clustering | |
Shao et al. | Generative image inpainting with salient prior and relative total variation | |
CN104504715A (zh) | 基于局部四元数矩特征的图像分割方法 | |
Zhang et al. | Multicontext 3D residual CNN for false positive reduction of pulmonary nodule detection | |
Gao et al. | Spatio-temporal processing for automatic vehicle detection in wide-area aerial video | |
Dhar et al. | Interval type-2 fuzzy set and human vision based multi-scale geometric analysis for text-graphics segmentation | |
Resmi et al. | A novel segmentation based copy-move forgery detection in digital images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160706 |