CN109241963A - 基于Adaboost机器学习的胶囊胃镜图像中出血点智能识别方法 - Google Patents

Abstract

本发明公开了一种基于Adaboost机器学习算法实现胶囊胃镜图像出血点智能识别技术方法。步骤如下：首先，通过彩色空间转换把输入的胶囊胃镜出血图像集中的图像转换到HIS空间，提取每幅图像在HSI颜色空间下三通道的均值，构建成三维向量作为图像级特征向量矩阵，并根据每幅图像所属类别建立标签矩阵，供Adaboost训练以获得图像分类器；其次，分别对颜色正常图集和颜色偏深图集进行阈值分割预处理，滤除原始图像中无效区域和过暗过亮区域；进而，分别提取阈值分割后剩余像素的H、S、I、A、M五通道颜色数据来构造五维特征向量，以供Adaboost进行训练并获得像素分类器；最后，采用后处理优化显示手段，使最终的识别效果更利于观察诊断。

Description

基于Adaboost机器学习的胶囊胃镜图像中出血点智能识别 方法

技术领域

本发明属于医学图像处理技术领域，尤其涉及一种基于Adaboost机器学习的胶囊胃镜图像中出血点智能识别方法。

背景技术

消化道类疾病具有前期潜伏难发现，后期难以根治的特点，一旦病人前期耽误了最佳诊断时间，未得到及时治疗，那将大概率长期无法摆脱消化道类疾病的困扰。因此，相较于患病后再医治，提高对消化道类疾病的检测手段，对减少人们的消化道类疾病负担有着重要的意义。

然而，目前医院常用的检测手段大多是通过传统的***式胃镜、直肠镜进行直接的检测。这类检测手段的严重弊端就是会对病人造成严重的不适。为减少传统胃镜对病人造成的痛苦，无线胶囊内窥镜应运而生。通常，无线胶囊内窥镜以至少2帧每秒的速度传输肠胃道内壁图像，在人体内的滞留时间约有8小时，一位病人完成一次检测后，无线胶囊内窥镜将产生数万幅图像。在数量如此庞大的图像中，医生更关注的仅仅是那些具有出血、溃疡等病理特征的图像或者图像里的某些区域，而这些有用的图像所占比例很小。如果通过人工来进行筛选识别将会是一项工作量极大而又繁琐枯燥的事情。所以，利用计算机进行辅助诊断，对出血点进行智能识别具有深远意义。

发明内容

本发明的目的是对具有出血点的胶囊胃镜图像，利用Adaboost机器学习算法进行出血点的定位标注以及非出血区域的滤除，方便医生更快捷方便地进行诊断工作。

本发明采取的技术方案是：

首先，通过彩色空间转换把输入图像转换到HSI空间，提取每幅图像在HSI颜色空间下三通道的均值，构建成三维向量作为图像级特征向量，供Adaboost进行训练以获得图像分类器；其次，由于胶囊胃镜图像中存在金属边框以及过亮过暗的区域，因此，本发明通过阈值分割的方法对这些区域内的像素进行滤除，并分别提取阈值分割后剩余像素的H、S、I、A、M五通道颜色数据来构造五维特征向量，以供Adaboost进行训练并获得像素分类器；最后，本发明对像素分类器初步识别的图像进行后处理，过滤一些被误判的像素，以优化识别效果。

本发明解决其技术问题所采用的技术方案如下：

步骤(1)：输入胶囊胃镜出血图像集D_t，然后根据图像颜色的整体深浅对D_t进行分类，分为正常集D_tA和颜色偏深集D_tB。

步骤(2)：依次输入D_t中的图像，并对每次输入的图像进行颜色空间转换，将其由RGB空间转换为HSI空间。在HSI颜色空间，分别计算D_t中每幅图像三通道的均值来构建特征向量，如第i张图像的图像级特征向量：

F_img(i)＝{mean(H_i),mean(S_i),mean(I_i)} (1)

步骤(3)：将步骤(2)中得到的D_t中每幅图像的图像级特征向量整合为一个矩阵，即获得一个N×3的特征向量矩阵T_img(其中，N为训练集D_t中图像的数量)。

步骤(4)：根据步骤(1)分类得到的每幅图像对应的所属类别，建立一个对应的N×1标签矩阵T_{img_label}，例如若第i张图像属于颜色正常，则T_{img_label}(i)＝1，若属于颜色偏深，则T_{img_label}(i)＝-1。

步骤(5)：通过设定图像有效区域的横纵坐标，构建有效数据窗口，对步骤(1)输入的图像集中的每幅图像进行图像切割以去除图像边角的无效区域。具体窗口坐标根据胃窥镜摄像头参数和使用环境设定。

步骤(6)：根据每个像素的I通道数值，通过设定阈值，对于步骤(5)得到的每幅图像中的过亮过暗区域进行滤除，

T₁≤I≤T₂ (2)

其中，T₁和T₂分别是低阈值和高阈值。不满足上述范围的像素将被滤除，这些像素直接被判定为非出血区域，且不参与后续的训练。

步骤(7)：对步骤(1)得到的D_tA进行像素特征向量提取。首先，对D_tA中每幅图像进行步骤(5)和(6)的预处理；然后，分别在HSI、LAB、CMYK颜色空间下，提取预处理后图像的每个像素的H、S、I、A、M共五通道的颜色数据，构成该像素的像素级特征向量。

F_{pixel_tA}(i)＝{H_i,S_i,I_i,A_i,M_i} (3)

其中，H，S，I通道数据可由RGB计算，

A通道的计算公式如下，

A＝500(f(X/0.950456)-f(Y)) (5)

其中，

M通道数据可由RGB计算，

其中，

K＝1-MAX(R,G,B) (8)

步骤(8)：类似步骤(7)，对步骤(1)得到的D_tB进行像素特征向量提取，得到像素级特征向量。

F_{pixel_tB}(i)＝{H_i,S_i,I_i,A_i,M_i} (9)

步骤(9)：根据数据集中每幅图像对应的掩膜图像确定步骤(7)和(8)中每个像素所属类别，建立2个标签矩阵T_{pixel_label_A}和T_{pixel_label_B}。

步骤(10)：利用步骤(3)获得的特征向量矩阵T_img和步骤(4)得到的标签矩阵T_{img_label}进行Adaboost图像分类器训练，通过参数调整，获得性能最优的分类器。在训练过程中，需要人工调节的参数是Adaboost算法循环训练的次数K、正则化项v以及CART决策树最大***点数S。其中S决定了每一轮训练得到的弱分类器的性能强弱，K、v决定了最终集成的强分类器的性能，S越大则K可以适当减小，但S过大会引起强分类器过拟合，v越小则分类器的过拟合现象越弱，但需要的K越大。所以三个参数需配合设置，通过在适当范围内按一定原则遍历其组合方式以得到理想的参数设置。

步骤(11)：利用步骤(7)和(8)获得的像素级特征向量矩阵F_{pixel_tA}和F_{pixel_tB}以及步骤(9)得到的标签矩阵T_{pixel_label_A}和T_{pixel_label_B}进行Adaboost像素分类器训练，通过参数调整，获得性能最优的分类器。Adaboost像素分类器的训练方法与步骤(10)相同。

步骤(12)：利用步骤(10)训练的图像分类器对图像进行分类，再利用步骤(11)得到的像素分类器识别出胃窥镜图像中的出血像素，剔除连通区域面积较小的出血像素。

步骤(13)：基于步骤(12)得到的检测结果，根据出血连通区域的形心坐标和面积，以形心坐标为圆心，连通区面积为圆面积，显示该圆形区域内的图像，以便于医生诊断。

本发明的有益效果：

本发明基于Adaboost机器学习算法所建立的出血点识别模型可以准确识别出胶囊胃窥镜图像中绝大部分出血点并滤除非出血区域，对于少数成像质量不好的图像，也可以做到对关键出血点的识别，这一模型在实际诊断中具有较高的应用作用和意义。

附图说明

图1为本发明基于Adaboost机器学习实现胶囊胃镜图像出血点智能识别的结构框图。

图2胶囊胃窥镜出血点测试集中的出血点图像与位置标定示意图。

图3出血点识别的图像显示效果示意图。

具体实施方式

下面结合附图，对本发明方法作进一步说明。

如图1所示，一种基于Adaboost机器学习的胶囊胃镜图像出血点智能识别方法，其具体实施步骤如下：

步骤(1)：输入由采集获得的1893张具有出血点的胶囊胃镜图像集D_t以及对应的掩膜图像，然后根据图像颜色的整体深浅对D_t进行人工分类，分为正常集D_tA和颜色偏深集D_tB。

步骤(2)：在Matlab环境下，依次输入D_t中的图像，并对每次输入的图像进行颜色空间转换，将其由RGB空间转换为HSI空间，进而，在HSI颜色空间分别计算D_t中每幅图像三通道的均值来构建特征向量，如第i张图像的图像级特征向量：

F_img(i)＝{mean(H_i),mean(S_i),mean(I_i)} (1)

步骤(3)：将步骤(2)中得到的D_t中每幅图像的图像级特征向量整合为一个矩阵，即获得一个N×3的特征向量矩阵T_img(其中，N为训练集D_t中图像的数量)。

步骤(4)：根据步骤(1)人工分类得到的每幅图像对应的所属类别，建立一个对应的N×1标签矩阵T_{img_label}，例如若第i张图像属于颜色正常，则T_{img_label}(i)＝1，若属于颜色偏深，则T_{img_label}(i)＝-1。

步骤(5)：通过设定图像有效区域的横纵坐标，构建有效数据窗口，对步骤(1)输入的图像集中的每幅图像进行图像切割以去除图像边角的无效区域。具体窗口坐标根据胃窥镜摄像头参数和使用环境设定。在本实施例中，针对图像无效区域的切割所设定的像素坐标范围为：

其中，x，y为像素坐标值。

步骤(6)：根据每个像素的I通道数值，通过设定阈值，对于步骤(5)得到的每幅图像中的过亮过暗区域进行滤除，

T₁≤I≤T₂ (3)

其中，T₁和T₂分别是低阈值和高阈值，在本实施例中，T₁＝0.235，T₂＝0.863。不满足上述范围的像素将被滤除，这些像素直接被判定为非出血区域，且不参与后续的训练。

步骤(7)：对步骤(1)得到的D_tA进行像素特征向量提取。首先，对D_tA中每幅图像进行步骤(5)和(6)的预处理；然后，分别在HSI、LAB、CMYK颜色空间下，提取预处理后图像的每个像素的H、S、I、A、M共五通道的颜色数据，构成该像素的像素级特征向量。

F_{pixel_tA}(i)＝{H_i,S_i,I_i,A_i,M_i} (4)

其中，H，S，I通道数据可由RGB计算，

A通道的计算公式如下，

A＝500(f(X/0.950456)-f(Y)) (6)

其中，

M通道数据可由RGB计算，

其中，

K＝1-MAX(R,G,B) (9)

步骤(8)：类似步骤(7)，对步骤(1)得到的D_tB进行像素特征向量提取，得到像素级特征向量。

F_{pixel_tB}(i)＝{H_i,S_i,I_i,A_i,M_i} (10)

步骤(9)：根据数据集中每幅图像对应的掩膜图像确定步骤(7)和(8)中每个像素所属类别，建立2个标签矩阵T_{pixel_label_A}和T_{pixel_label_B}。

步骤(10)：调用Matlab2015b自带的机器学习工具箱classificationLearner，利用步骤(3)获得的特征向量矩阵T_img和步骤(4)得到的标签矩阵T_{img_label}进行Adaboost图像分类器训练。在本实施例中，通过设置最大***节点数(Maximum number of splits)来控制Adaboost每轮训练所得的弱学习器的性能强弱，设置弱学习器个数(Number oflearners)来控制Adaboost训练的效率以及最终所得强分类器的性能，设置步长(Learningrate)来控制强分类器的抵抗过拟合的能力。经过多次重复训练和调节参数，对于图像分类器的参数设置为最大***节点数为3，弱学习器个数为15，步长为0.1。

步骤(11)：利用步骤(7)和(8)获得的像素级特征向量矩阵F_{pixel_tA}和F_{pixel_tB}以及步骤(9)得到的标签矩阵T_{pixel_label_A}和T_{pixel_label_B}进行Adaboost像素分类器训练，通过参数调整，获得性能最优的分类器。Adaboost像素分类器的训练方法与步骤(10)相同。在本实施例中，对于针对颜色正常集D_tA的像素分类器的参数设置为最大***节点数为6，弱分类器个数为15，步长为时0.1；针对颜色偏深集D_tB的像素分类器的参数设置为最大***节点数为10，弱分类器个数为100，步长为时0.1。

步骤(12)：利用步骤(10)训练的图像分类器对图像进行分类，再利用步骤(11)得到的像素分类器识别出胃窥镜图像中的出血像素，剔除连通区域面积较小的出血像素。在本实施例中，具体做法为：利用步骤(11)得到的像素分类器对胃窥镜图像中的像素依次进行识别，可以获得识别后每个像素的标签，根据每个像素的标签以及像素坐标，得到一幅二值化图像，如标签为出血的像素显示白色，标签为非出血的像素显示黑色。进一步，利用在Matlab平台下求得其白色连通区域的数量、面积大小及形心。通过对面积设定合理阈值，将面积过小的白色区域修正为黑色(即将出血标签修正为非出血标签)，实现修正。

步骤(13)：基于步骤(12)得到的检测结果，根据出血连通区域的形心坐标和面积，以形心坐标为圆心，连通区面积为圆面积，显示该圆形区域内的图像，以便于医生诊断。在本实施例中，步骤(12)得到的二值图像中的白色区域即为识别出的出血点区域。对于该区域，以其形心为圆心，显示2倍面积的圆形区域内对应的实际图像，即可以获得对出血点的良好显示效果。

为实现对本发明所提出的方法的性能评测，在本实施例中，利用本单位与合作公司共建的胶囊胃窥镜出血点测试集进行测试。测试集中共有1863张出血点图像，而且每一张出血点图像都对应一个出血点位置标定图，如图2所示。

在测试中，用训练好的模型对输入的测试图像进行处理，通过自动识别的图像对出血点的识别效果以及非出血区域的滤除效果来评估模型的图像级识别性能。本实例的测试效果如图3所示。可以看出，基于本发明提出的方法，识别并经过优化显示后的出血点与实际出血点位置比较吻合，可以辅助医生做出正确的诊断。

进一步，为评估本发明提出的出血点检测算法性能，在本实施例的测试中采用如下分析指标：

①准确度(Accuracy)：

其中，TP(True Positive)代表实际为病灶并且诊断同为病灶的数量，FP(FalsePositive)代表将实际为正常组织误判为病灶的数量，TN(True Negative)代表实际为正常组织并且诊断同为正常组织的数量，FN(False Negative)代表实际病灶但被误判为正常组织的数量。

②特异度(Specificity)：

特异度主要用于反映鉴别非病灶的能力，其值越大越好。

表1列出了出血点检测的各项指标性能。可以看出，基于本发明提出的方法可以取得很高的出血点检测准确度和特异度，可以大大辅助提升医生诊断的效率。

表1在测试图像集上的测试结果

Claims (5)

1.一种基于Adaboost机器学习的胶囊胃镜图像中出血点智能识别方法，其特征在于包括如下步骤：

步骤(1)：输入胶囊胃镜出血图像集D_t，根据图像颜色的整体深浅对D_t进行分类，分为正常集D_tA和颜色偏深集D_tB；

步骤(2)：依次输入D_t中的图像，并对每次输入的图像进行颜色空间转换，将其由RGB空间转换为HSI空间，在HSI颜色空间，分别计算D_t中每幅图像三通道的均值来构建特征向量，第i张图像的图像级特征向量：

F_img(i)＝{mean(H_i),mean(S_i),mean(I_i)} (1)

步骤(3)：将步骤(2)中得到的D_t中每幅图像的图像级特征向量整合为一个矩阵，即获得一个N×3的特征向量矩阵T_img；其中，N为训练集D_t中图像的数量；

步骤(4)：根据步骤(1)分类得到的每幅图像对应的所属类别，建立一个对应的N×1标签矩阵T_{img_label}，若第i张图像属于颜色正常，则T_{img_label}(i)＝1，若属于颜色偏深，则T_{img_label}(i)＝-1；

步骤(5)：通过设定图像有效区域的横纵坐标，构建有效数据窗口，对步骤(1)输入的图像集中的每幅图像进行图像切割以去除图像边角的无效区域；

步骤(6)：根据每个像素的I通道数值，设定阈值，对于步骤(5)得到的每幅图像中的过亮过暗区域进行滤除，

T₁≤I≤T₂ (2)

其中，T₁和T₂分别是低阈值和高阈值，不满足上述范围的像素将被滤除，这些像素直接被判定为非出血区域，且不参与后续的训练；

步骤(7)：对步骤(1)得到的D_tA进行像素特征向量提取，首先，对D_tA中每幅图像进行步骤(5)和(6)的预处理；然后，分别在HSI、LAB、CMYK颜色空间下，提取预处理后图像的每个像素的H、S、I、A、M共五通道的颜色数据，构成该像素的像素级特征向量；

F_{pixel_tA}(i)＝{H_i,S_i,I_i,A_i,M_i} (3)

步骤(8)：对步骤(1)得到的D_tB进行像素特征向量提取，得到像素级特征向量；

F_{pixel_tB}(i)＝{H_i,S_i,I_i,A_i,M_i} (9)

步骤(9)：根据数据集中每幅图像对应的掩膜图像确定步骤(7)和(8)中每个像素所属类别，建立2个标签矩阵T_{pixel_label_A}和T_{pixel_label_B}；

步骤(10)：利用步骤(3)获得的特征向量矩阵T_img和步骤(4)得到的标签矩阵T_{img_label}进行Adaboost图像分类器训练，获得性能最优的图像分类器；

步骤(11)：利用步骤(7)和(8)获得的像素级特征向量矩阵F_{pixel_tA}和F_{pixel_tB}以及步骤(9)得到的标签矩阵T_{pixel_label_A}和T_{pixel_label_B}进行Adaboost像素分类器训练，获得性能最优的像素分类器；

步骤(12)：利用步骤(10)训练的图像分类器对图像进行分类，再利用步骤(11)得到的像素分类器识别出胃窥镜图像中的出血像素，剔除连通区域面积较小的出血像素；

步骤(13)：基于步骤(12)得到的检测结果，根据出血连通区域的形心坐标和面积，以形心坐标为圆心，连通区面积为圆面积，显示该圆形区域内的图像，以便于医生诊断。

2.根据权利要求1所述的基于Adaboost机器学习的胶囊胃镜图像中出血点智能识别方法，其特征在于所述的步骤(7)和步骤(8)中，

H，S，I通道数据由RGB计算，

A通道的计算公式如下，

A＝500(f(X/0.950456)-f(Y)) (5)

其中，

M通道数据由RGB计算，

其中，

K＝1-MAX(R,G,B) (8)。

3.根据权利要求1所述的基于Adaboost机器学习的胶囊胃镜图像中出血点智能识别方法，其特征在于所述的步骤(8)和步骤(9)中，在训练过程中，调节的参数是Adaboost算法循环训练的次数K、正则化项v以及CART决策树最大***点数S；其中S决定了每一轮训练得到的弱分类器的性能强弱，K、v决定了最终集成的强分类器的性能。

4.根据权利要求1所述的基于Adaboost机器学习的胶囊胃镜图像中出血点智能识别方法，其特征在于所述的步骤(12)具体为：

利用步骤(11)得到的像素分类器对胃窥镜图像中的像素依次进行识别，可以获得识别后每个像素的标签，根据每个像素的标签以及像素坐标，得到一幅二值化图像，以标签为出血的像素显示白色，标签为非出血的像素显示黑色；求得其白色连通区域的数量、面积大小及形心，通过对面积设定阈值，将面积过小的白色区域修正为黑色，即将出血标签修正为非出血标签，实现修正。

5.根据权利要求4所述的基于Adaboost机器学习的胶囊胃镜图像中出血点智能识别方法，其特征在于所述的步骤(12)具体为：

步骤(12)得到的二值图像中的白色区域即为识别出的出血点区域，对于该区域，以其形心为圆心，显示2倍面积的圆形区域内对应的实际图像。