CN108428225A

CN108428225A - 基于多尺度多特征的影像科用脑部图像融合识别方法

Info

Publication number: CN108428225A
Application number: CN201810089432.2A
Authority: CN
Inventors: 唐天才
Original assignee: Individual
Current assignee: Individual
Priority date: 2018-01-30
Filing date: 2018-01-30
Publication date: 2018-08-21

Abstract

本发明公开了一种基于多尺度多特征的影像科用脑部图像融合识别方法，其包括以下步骤：采集原始脑部医学图像作为样本，使用加权灰度化算法对原始脑部医学图像进行灰度化处理，得到灰度图像；使用直方图均衡化对灰度图像进行处理，得到均衡后灰度图，采使用改进的Isotropic Sobel边缘检测算子对均衡后灰度图进行边缘检测，得到边缘脑部图像，并得到灰度解剖医学图像MRI和伪彩色功能医学图像，初始化卷积神经网络，训练数据，提取出特征数据；对于经过医学图像识别训练模型训练后的图像采用多尺度分解得到平滑图像和细节图像，进行重构得到融合图像，将融合图像输入脑部医将卷积神经网络模型训练提取的特征数据传到支持向量机中进行训练，将提取的测试特征数据输入医学图像识别训练模型中进行判断，最终得到准确的脑部医学图像识别结果。

Description

基于多尺度多特征的影像科用脑部图像融合识别方法

技术领域

本发明涉及医疗影像科用图像处理领域，具体涉及一种基于多尺度多特征的影像科用脑部图像融合识别方法。

背景技术

目前，国内外诸多著名学者都致力于图像分割融合算法的研究，图像分割方法主要有以下四种：基于阈值、基于边缘检测、基于区域、基于能量的分割。

基于阈值的分割方法主要有直方图凹面分析法、最大类间方差法、阈值插值法等，该类方法直观简单高效，但是由于图像的复杂性，阈值的选取成为该类方法的一大挑战；基于边缘检测的分割方法中比较经典的算法有Sobel、Prewitt、Laplace以及Canny算子等，该类方法由于噪声点和周围像素点间的阶跃性非常明显，所以极易被误判为边缘；基于区域的图像分割方法主要有区域生长法以及***合并法，区域生长法分割较大图像容易出现不连续的空洞从而引发过分割，***合并法在不断***的过程中容易对边界区域产生破坏；基于能量的图像分割方法包括基于水平集的方法、基于图论的方法、基于ICM的方法等等。基于水平集的方法自出现以来，便成为图像分割领域的热点，在国际顶级期刊和国际会议上均有大量的水平集图像分割新方法提出。Caselles和Malladi等人在图像分割的主动轮廓模型的上下文中介绍了水平集方法，但分割结果存在误差，而且分割结果不稳定。为了解决这个问题，Osher等人采用重新初始化水平集函数的方法来确保水平集的稳定性。然而，重新初始化的做法不仅会引起严重的问题，而且还会影响数字的准确性。之后，李纯明提出了一种新的变分水平集。在其数值实现中，可以在有限差分方法中使用相对较大的时间步长以减少迭代次数，同时确保足够的数值精度。王晓峰提出了一种高效的、鲁棒的水平集方法，将多尺度分段思想引入局部区域，其具有很好的效率和鲁棒性。

现有医学图像融合技术主要对两种不同模态的医学图像，根据医学图像模态的不同，医学图像融合***可以分为三种类型：解剖医学图像与解剖医学图像融合、解剖医学图像与功能医学图像融合以及功能医学图像与功能医学图像融合。MRI-PET和MRI-SPECT医学图像融合***属于解剖医学图像与功能医学图像融合，该***的输入图像是灰度和伪彩色。飞利浦公司推出的MRI-PET组合一体化套件将商用的MRI成像扫描仪和具有特殊屏蔽的PET结合起来，得到的图像对癌症转移的诊断及术前分期具有重要的临床价值。

但是目前针对于脑部医学图像的处理分割因为其复杂性和变化性，导致识别能力较低，对于医生的检查和治疗没有起到很好的识别性能，有时候往往一些微小的变化未能及时观察出来，导致严重的后果。因此有必要提供一种精确的脑部医学图像识别方法。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种融合度高、识别度大大提高、精确度高的基于多尺度多特征的影像科用脑部图像融合识别方法。

本发明技术方案如下：一种基于多尺度多特征的影像科用脑部图像融合识别方法，包括以下步骤：

采集原始脑部医学图像作为样本，使用加权灰度化算法对原始脑部医学图像进行灰度化处理，得到灰度图像；使用直方图均衡化对灰度图像进行处理，得到均衡后灰度图，采用高次样条函数对灰度直方图进行拟合，所述拟合后的曲线有明显的谷值点和峰值点；灰度直方图划分谷值区间，在高次样条函数拟合的基础上得到平滑可导的拟合曲线，并求取该平滑可导拟合曲线的极值点，根据极值点两边的符号将谷值点筛选出来；使用改进的Isotropic Sobel边缘检测算子对均衡后灰度图进行边缘检测，得到边缘脑部图像，并得到灰度解剖医学图像MRI和伪彩色功能医学图像，对拟合改进的Isotropic Sobel边缘检测算子为所示：

使用自适应阈值算法对边缘图像进行二值化，得到二值化后的脑部医学图像；使用形态学运算操作对二值化后的医学图像进行处理，得到脑部医学候选区域图像，并将候选区域图像形成训练数据，初始化卷积神经网络，所述初始化卷积神经网络为：设置卷积神经网络中的参数，其中包括：卷积核的数量、降采样层的数量、卷积核的大小、降采样层的降幅，初始化卷积核的权重和偏置；将训练数据分批均分到输入卷积神经网络中，训练数据分别经过卷积层、降采样层、卷积层、降采样层、多层感知器，完成前向传播；对多层感知器进行误差计算和梯度计算，并判断误差是否收敛；若是，则将得到的误差和梯度用反向传播算法，经过降采样层、卷积层、降采样层、卷积层、输入层逐层传播，并且逐层更新网络的权重，判断是否为输入层，若是则提取出特征数据；将卷积神经网络模型训练提取的特征数据传到支持向量机中进行训练，把经过卷积神经网络的训练特征数据输入支持向量机，同时，用网格搜索的优化方法来优化支持向量机的参数C和δ，确定最优的支持向量机模型，建立医学图像识别训练模型；对于经过医学图像识别训练模型训练后的图像采用多尺度分解得到平滑图像和细节图像，平滑图像采用信息熵进行融合得到平滑图像F_D，而对于细节图像D采用多特征进行融合得到细节图像F_S，将平滑图像F_D和细节图像F_S进行重构得到融合图像，将融合图像输入脑部医学图像识别训练模型中进行判断，最终得到准确的医学图像融合识别结果。

进一步的，所述将训练数据分批均分到输入卷积神经网络中，训练数据分别经过卷积层、降采样层、卷积层、降采样层、多层感知器，完成前向传播，具体包括：首先从样本集中取一批样本(X，Y_P)，其中X是样本数字的向量，Y是X对应的期望值，P是0到9的数字，将X输入卷积神经网络，计算出相应的实际输出O_P，O_P＝F_n(...F₂(F₁(X_PW⁽¹⁾)W⁽²⁾)W⁽ⁿ⁾)，n是卷积神经网络的第n层，W表示权值，其中卷积运算是用卷积滤波器在上层网络结构中做卷积运算，然后进行非线性变换，而降采样运算只采用最大池化操作，即最大池采样是通过一个滤波器提取上层网络结构的特征数据，不经过非线性运算，每次滤波后的最大值是数据降采样后的一个特征。

进一步的，所述反向传播算法具体为：按极小化误差的方法反向传播并且调整卷积神经网络中的权矩阵，首先对样本批量前向传播，计算出卷积神经网络中所有的激活值；然后，针对每层节点，计算其残差，残差是从后向前的求导过程；接着，计算权值的偏导数，并更新权值参数；最后，重复以上方法迭代卷积神经网络参数使代价函数收敛到一个极小值，最终求解得到卷积神经网络模型。

有益效果：本发明一种融合度高、识别度大大提高、精确度高的基于多尺度多特征的影像科用脑部图像融合识别方法，该方法将卷积神经网络模型和支持向量机模型进行有机结合。结合卷积神经网络和支持向量机的识别模型很深度的描述样本数据和期望数据的相关性，脑部医学图像由于其特殊性、复杂性，需要融合后才能识别，这样实现精确度大大提高，之前并没有任何相关报道将二者融合实现识别，本发明对数字模式分类的区分能力很强。而且卷积神经网络模型和支持向量机模型它们的目标是区分性的，使生成的脑部医学图像识别***的输出更易优化。通过使用加权灰度化算法对原始脑部医学图像进行灰度化处理，得到灰度图像，这样脑部医学图像就被形象的处理成为容易识别的图像；再使用直方图均衡化对灰度图像进行处理，得到均衡后灰度图，使用改进的Isotropic Sobel边缘检测算子对均衡后灰度图进行边缘检测，得到边缘图像相比于原来的边缘检测算子，使其边缘检测算子归一化，能有效的实现复杂背景下的医学图像定位和识别功能，SVM判别模型排除了伪医学图像区域的干扰，实现了医学图像的精确定位，改进的Isotropic Sobel边缘检测算子进行边缘检测，得到边缘图像，正是以上这些步骤的不可分割的使用，使得本发明易于实现，脑部医学图像识别效果很好，且提高了脑部图像方法的鲁棒性。

附图说明

图1是本发明提供优选实施例的基于多尺度多特征的影像科用脑部图像融合识别方法流程图示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明：

如图1所示，一种基于多尺度多特征的影像科用脑部图像融合识别方法，其包括以下步骤：

使用自适应阈值算法对边缘图像进行二值化，得到二值化后的脑部医学图像；使用形态学运算操作对二值化后的医学图像进行处理，得到脑部医学候选区域图像，这也是本发明的一大改进点，正是通过该改进的归一化后的Isotropic Sobel边缘检测算子，使得计算得出的边缘图像更清晰，识别能力更强，并将候选区域图像形成训练数据，初始化卷积神经网络，所述初始化卷积神经网络为：设置卷积神经网络中的参数，其中包括：卷积核的数量、降采样层的数量、卷积核的大小、降采样层的降幅，初始化卷积核的权重和偏置；将训练数据分批均分到输入卷积神经网络中，训练数据分别经过卷积层、降采样层、卷积层、降采样层、多层感知器，完成前向传播；对多层感知器进行误差计算和梯度计算，并判断误差是否收敛；若是，则将得到的误差和梯度用反向传播算法，经过降采样层、卷积层、降采样层、卷积层、输入层逐层传播，并且逐层更新网络的权重，判断是否为输入层，若是则提取出特征数据；将卷积神经网络模型训练提取的特征数据传到支持向量机中进行训练，把经过卷积神经网络的训练特征数据输入支持向量机，同时，用网格搜索的优化方法来优化支持向量机的参数C和δ，确定最优的支持向量机模型，建立医学图像识别训练模型；对于经过医学图像识别训练模型训练后的图像采用多尺度分解得到平滑图像和细节图像，平滑图像采用信息熵进行融合得到平滑图像F_D，而对于细节图像D采用多特征进行融合得到细节图像F_S，将平滑图像F_D和细节图像F_S进行重构得到融合图像，将融合图像输入脑部医学图像识别训练模型中进行判断，最终得到准确的医学图像融合识别结果。

优选的，所述将训练数据分批均分到输入卷积神经网络中，训练数据分别经过卷积层、降采样层、卷积层、降采样层、多层感知器，完成前向传播，具体包括：首先从样本集中取一批样本(X，Y_P)，其中X是样本数字的向量，Y是X对应的期望值，P是0到9的数字，将X输入卷积神经网络，计算出相应的实际输出O_P，O_P＝F_n(...F₂(F₁(X_PW⁽¹⁾)W⁽²⁾)W⁽ⁿ⁾)，n是卷积神经网络的第n层，W表示权值，其中卷积运算是用卷积滤波器在上层网络结构中做卷积运算，然后进行非线性变换，而降采样运算只采用最大池化操作，即最大池采样是通过一个滤波器提取上层网络结构的特征数据，不经过非线性运算，每次滤波后的最大值是数据降采样后的一个特征。

优选的，所述反向传播算法具体为：按极小化误差的方法反向传播并且调整卷积神经网络中的权矩阵，首先对样本批量前向传播，计算出卷积神经网络中所有的激活值；然后，针对每层节点，计算其残差，残差是从后向前的求导过程；接着，计算权值的偏导数，并更新权值参数；最后，重复以上方法迭代卷积神经网络参数使代价函数收敛到一个极小值，最终求解得到卷积神经网络模型。

本发明正是考虑医学图像所对应的灰度直方图有多峰谷，所以考虑转换灰度直方图成平滑曲线，借此部分明显性不强的峰谷就可以被忽略掉，有用峰谷所对应的值点就可以确定下来。这样就可采用高次样条函数对灰度直方图进行拟合，得到的拟合后曲线具有明显的谷值点和峰值点。获得拟合曲线所对应之极值点，借助对该极值点两边符号的判断将谷值点筛选出来。进行区间划分时，先处理谷值，具体做法如下根据判断前后斜率，将少数斜率不明显之谷值点去除，借此使得区间划分不但具有较高的智能性，而且具有较高的自适应性。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims

1.一种基于多尺度多特征的影像科用脑部医学图像融合识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多尺度多特征的影像科用脑部医学图像融合识别方法，其特征在于，所述将训练数据分批均分到输入卷积神经网络中，训练数据分别经过卷积层、降采样层、卷积层、降采样层、多层感知器，完成前向传播，具体包括：首先从样本集中取一批样本(X，Y_P)，其中X是样本数字的向量，Y是X对应的期望值，P是0到9的数字，将X输入卷积神经网络，计算出相应的实际输出O_P，O_P＝F_n(...F₂(F₁(X_PW⁽¹⁾)W⁽²⁾)W⁽ⁿ⁾)，n是卷积神经网络的第n层，W表示权值，其中卷积运算是用卷积滤波器在上层网络结构中做卷积运算，然后进行非线性变换，而降采样运算只采用最大池化操作，即最大池采样是通过一个滤波器提取上层网络结构的特征数据，不经过非线性运算，每次滤波后的最大值是数据降采样后的一个特征。

3.根据权利要求1所述的基于多尺度多特征的影像科用脑部医学图像融合识别方法，其特征在于，所述反向传播算法具体为：按极小化误差的方法反向传播并且调整卷积神经网络中的权矩阵，首先对样本批量前向传播，计算出卷积神经网络中所有的激活值；然后，针对每层节点，计算其残差，残差是从后向前的求导过程；接着，计算权值的偏导数，并更新权值参数；最后，重复以上方法迭代卷积神经网络参数使代价函数收敛到一个极小值，最终求解得到卷积神经网络模型。