CN112862750A - 基于多尺度融合和元启发优化的血管影像处理方法及装置 - Google Patents

基于多尺度融合和元启发优化的血管影像处理方法及装置 Download PDF

Info

Publication number
CN112862750A
CN112862750A CN202011599110.6A CN202011599110A CN112862750A CN 112862750 A CN112862750 A CN 112862750A CN 202011599110 A CN202011599110 A CN 202011599110A CN 112862750 A CN112862750 A CN 112862750A
Authority
CN
China
Prior art keywords
blood vessel
vessel image
processed
crow
scale
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
Application number
CN202011599110.6A
Other languages
English (en)
Inventor
马超
谭旭
陈慧灵
廖钰枫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Information Technology
Original Assignee
Shenzhen Institute of Information Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Information Technology filed Critical Shenzhen Institute of Information Technology
Priority to CN202011599110.6A priority Critical patent/CN112862750A/zh
Publication of CN112862750A publication Critical patent/CN112862750A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20168—Radial search
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于多尺度融合和元启发优化的血管影像处理方法及装置，所述方法包括：获取输入的待处理血管图像；对所述待处理血管图像做top‑hat变换，提取所述待处理血管图像中不同尺度的细节特征，得到增强后的血管图像；对所述增强后的血管图像采用多尺度hessian矩阵滤波方法提取血管影像的特征集合；采用乌鸦搜索算法，在所述血管影像的特征集合中提取最优特征子集；将提取到的所述最优特征子集的特征输入训练好的相关向量机RVM，得到所述待处理血管图像的分类、识别结果。根据本发明的方案，能够提高血管图像的准确性和效率，提高医疗图像识别和处理能力，能够有效提高血管图像的检测精度。

Description

基于多尺度融合和元启发优化的血管影像处理方法及装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于多尺度融合和元启发优化的血管影像处理方法及装置。
背景技术
随着医学影像技术的快速发展和普及，医学影像成为医生进行疾病诊断，制定治疗计划以及预后评估等不可或缺的设备，医学图像的处理是分析医学影像的首要步骤，可以使得图像更加清晰直观并且可以帮助提高医生的工作效率，其中血管自动提取是医学图像处理领域中的重要问题之一，血管在图像中的形态具有多变性，具体表现在方向和尺寸的变化上，由于其自身的形态多变，使得其很难检测，同时还有其他对象的干扰，例如非均匀照明和对比度，背景纹理干扰和边缘干扰，因此血管图像检测仍然是没有很好解决的问题。
形态学做血管提取时，一般采用线状结构元素。由于血管表现为曲率变化平滑的连通的狭长结构，可以看作是分段线性的条形模式，其边缘由相邻的平行线段组成，因此通过边缘检测实现血管检测与分割是一种可行的检测技术。但是基于边缘算子的血管检测存在难以克服的固有缺陷：在血管边缘模糊且对比度弱的情况下，边缘不易提取，造成漏检；同时边缘提取算子难以分辨纹理和边缘，从而可能造成误判。
发明内容
为解决上述技术问题，本发明提出了一种基于多尺度融合和元启发优化的血管影像处理方法及装置，用以解决现有技术中血管图像检测精度低，识别效果较差的技术问题。
根据本发明的第一方面，提供一种基于多尺度融合和元启发优化的血管影像处理方法，包括：
步骤S101：获取输入的待处理血管图像I(i,j)，所述血管图像大小为M×N,其中M和N分别表示所述血管图像中像素点的行和列，1≤i≤M，1≤j≤N；
步骤S102：对所述待处理血管图像I(i,j)做top-hat变换，提取所述待处理血管图像I(i,j)中不同尺度的细节特征，得到增强后的血管图像I′(i,j)；
步骤S103：对所述增强后的血管图像I′(i,j)采用多尺度hessian矩阵滤波方法提取血管影像的特征集合；
步骤S104：采用乌鸦搜索算法，在所述血管影像的特征集合中提取最优特征子集；
步骤S105：将提取到的所述最优特征子集的特征输入训练好的相关向量机RVM，得到所述待处理血管图像I(i,j)的分类、识别结果。
根据本发明第二方面，提供一种基于多尺度融合和元启发优化的血管影像处理装置，包括：
图像获取模块：配置为获取输入的待处理血管图像I(i,j)，所述血管图像大小为M×N,其中M和N分别表示所述血管图像中像素点的行和列，1≤i≤M，1≤j≤N；
图像增强模块：配置为对所述待处理血管图像I(i,j)做top-hat变换，提取所述待处理血管图像I(i,j)中不同尺度的细节特征，得到增强后的血管图像I′(i,j)；
特征提取模块：配置为对所述增强后的血管图像I′(i,j)采用多尺度hessian矩阵滤波方法提取血管影像的特征集合；
最优特征提取模块：配置为采用乌鸦搜索算法，在所述血管影像的特征集合中提取最优特征子集；
图像识别模块：配置为将提取到的所述最优特征子集的特征输入训练好的相关向量机RVM，得到所述待处理血管图像I(i,j)的分类、识别结果。
根据本发明第三方面，提供一种基于多尺度融合和元启发优化的血管影像处理***，包括：
处理器，用于执行多条指令；
存储器，用于存储多条指令；
其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如前所述的基于多尺度融合和元启发优化的血管影像处理方法。
根据本发明第四方面，提供一种计算机可读存储介质，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如前所述的基于多尺度融合和元启发优化的血管影像处理方法。
根据本发明的上述方案，根据本发明的上述方案，通过不同尺寸的结构元素对图像做top-hat变换可以提取出图像中不同尺度的细节特征，得到增强后的血管图像。采用多尺度hessian矩阵滤波方法提取血管影像的特征集合，采用乌鸦搜索算法在不依赖先验知识和人为干预的情况下，根据检测精度和最优特征子集找出最优特征子集，从而提高血管图像的准确性和效率，提高医疗图像识别和处理能力，能够有效提高血管图像的检测精度。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明提供如下附图进行说明。在附图中：
图1为本发明一个实施方式的基于多尺度融合和元启发优化的血管影像处理方法流程图；
图2为本发明一个实施方式的基于多尺度融合和元启发优化的血管影像处理装置的组成框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下结合图1说明本发明的基于多尺度融合和元启发优化的血管影像处理方法。图1示出了根据本发明的基于多尺度融合和元启发优化的血管影像处理方法流程图。如图1所示，所述方法包括以下步骤：
步骤S101：获取输入的待处理血管图像I(i,j)，所述血管图像大小为M×N,其中M和N分别表示所述血管图像中像素点的行和列，1≤i≤M，1≤j≤N；
步骤S102：对所述待处理血管图像I(i,j)做top-hat变换，提取所述待处理血管图像I(i,j)中不同尺度的细节特征，得到增强后的血管图像I′(i,j)；
步骤S103：对所述增强后的血管图像I′(i,j)采用多尺度hessian矩阵滤波方法提取血管影像的特征集合；
步骤S104：采用乌鸦搜索算法，在所述血管影像的特征集合中提取最优特征子集；
步骤S105：将提取到的所述最优特征子集的特征输入训练好的相关向量机RVM，得到所述待处理血管图像I(i,j)的分类、识别结果。
所述步骤S102：对所述待处理血管图像I(i,j)做top-hat变换，提取所述待处理血管图像I(i,j)中不同尺度的细节特征，得到增强后的血管图像I′(i,j)，包括：
步骤S1021：确定一组尺寸递增的结构元素b1,……，br,……，bs，其中s≤N,br是尺寸为r的结构元素，
Figure BDA0002870757050000041
其中
Figure BDA0002870757050000042
为点乘操作；
步骤S1022：利用确定的所述结构元素b1,……，br,……，bs对所述待处理血管图像I(i,j)做top-hat变换，提取出与所述结构元素的尺寸对应的多尺度亮区域细节特征、多尺度暗区域细节特征，
所述多尺度亮细节特征的计算方式为：
WTHr＝I-I·br；
所述多尺度暗细节特征的计算方式为：
BTHr＝I·br-I；
其中，1≤r≤s，WTHr表示使用br对所述待处理血管图像I(i,j)在r尺度上进行亮变换，WTHr包含了待处理血管图像I(i,j)中小于br的所有亮区域细节特征；BTHr表示使用br对所述待处理血管图像I(i,j)在r尺度上进行暗变换，BTHr包含了待处理血管图像I(i,j)中小于br的所有暗区域细节特征；
步骤S1023：基于相邻尺度的细节特征，进行图像增强，包括：
WTH(r+1)r＝WTHr+1-WTHr
BTH(r+1)r＝BTHr+1-BTHr，
其中，WTH(r+1)r包含了待处理血管图像I(i,j)中大于br且小于br+1的亮区域细节特征，BTH(r+1)r包含了待处理血管图像I(i,j)中大于br且小于br+1的暗区域细节特征；
得到增强后的血管图像I′(i,j)。
本实施例中，利用形态学top-hat算法提取出各分量图像每一尺度的亮和暗的细节特征。
所述步骤S103：对所述增强后的血管图像I′(i,j)采用多尺度hessian矩阵滤波方法提取血管影像的特征集合，包括：
步骤S1031：对所述增强后的血管图像I′(i,j)的像素点I′(x′,y′)，1≤x′≤M,1≤y′≤N，取该点在x轴和y轴方向的梯度，分别记为x，y，将像素点I′(x′,y′)转化为增强后图像的像素点的梯度表示I′(x,y)，对应的hessian矩阵元素由I′(x,y)的二阶偏导数组成，所述对应的hessian矩阵元素为：
Figure BDA0002870757050000051
其中，I′xx、I′xy、I′yx、I′yy均为二阶导数；
步骤S1032：增强后的血管图像I′(i,j)与具有尺度因子的高斯函数进行卷积运算，即I′(x′,y′,σ)＝I′*G(x′,y′,σ)，其中，G(x′,y′,σ)为二维高斯函数，其表达式为：
Figure BDA0002870757050000061
其中，σ为空间尺度因子，表示高斯分布的标准差；
通过改变空间尺度因子实现对不同尺度影响的处理。本实施例中，为了降低噪声影响，对增强后的血管图像进行多尺度表示，增强后的血管图像与不同尺度因子的高斯函数进行卷积运算。
尺度空间导数由增强后的血管图像与高斯函数的二阶偏导卷积得到：
Figure BDA0002870757050000062
步骤S1033：基于上述运算结果计算hessian矩阵的特征向量和特征值，由所述特征值相对应的特征向量构成特征集合。
所述步骤S104：采用乌鸦搜索算法，在所述血管影像的特征集合中提取最优特征子集，包括：
步骤S1041：获取所述特征集合；
步骤S1042：初始化乌鸦种群数量M，最大迭代次数Maxiter，设置当前迭代次数t＝0；各乌鸦随机分布在n维搜索空间中，随机初始化种群中各乌鸦i的位置解向量
Figure BDA0002870757050000063
该解向量表示第i只乌鸦在第t次迭代时的位置，代表特征子集；随机初始化乌鸦i的隐藏食物的记忆值，即乌鸦i的最优解向量Mi,t；随机初始化乌鸦i的感知概率APi,t、飞行长度fli,t，1≤i≤M；设置适应度函数f(x)；
Figure BDA0002870757050000064
其中，α为调节分类精度和特征子集数量两部分的权重值，0＜α＜1；ACC是衡量所有血管分类的精度值，N为所述血管影像的特征集合中所有特征的总个数，|subset|为最优特征子集的特征数；
Figure BDA0002870757050000065
TP表示正确分割的血管像素个数，TN表示正确识别的非血管像素个数，FP表示非血管识判为血管的像素个数，FN表示血管误判为非血管的像素个数；
步骤S1043：根据各乌鸦的解向量，计算群集中各乌鸦的适应度函数，得到各乌鸦的适应度值；
步骤S1044：根据计算出的适应度值进行排序，记录最佳的适应度值对应的解向量为最优解，记为Xbest,t；
本实施例中，最佳的适应度值对应于最大的适应度值。
步骤S1045：对各乌鸦i的位置进行更新,更新的表达式为：
Figure BDA0002870757050000071
其中，APj,t表示乌鸦j在第t次迭代时的感知概率，ri和rj是[0，1]区间均匀分布的随机数，Xbest,t表示在第t次迭代时的最优解，
Figure BDA0002870757050000072
为高斯分布的均值，|xbest,t-xi,t|为高斯分布的标准差；fli,t为第i只乌鸦在第t次迭代时的飞行距离；mj,t为第t代第j个乌鸦的位置；
本实施例中，在第t次迭代时，乌鸦i随机选择一只乌鸦j跟踪以偷窃对方的食物；当随机生成数大于等于乌鸦感知概率AP时，乌鸦j知道乌鸦i跟踪它，会把乌鸦i带到任意位置，当随机生成数小于AP时，乌鸦j不知道乌鸦i跟踪它，则乌鸦i向乌鸦j的最优位置移动,采用高斯分布函数取Xbest,t，xi,t的平均值来实现变异操作及位置更新操作。
进一步地，本实施例还包括全局搜索和局部搜索两部分，通过感知概率AP进行动态调整以达到全局搜索和局部搜索的平衡状态。
步骤S1046：更新各乌鸦i的隐藏食物的记忆值，即乌鸦i的最优解向量，
若对连续空间进行搜索，则
Figure BDA0002870757050000073
若对离散空间进行搜索，每个解表示为0或1，引入映射函数S(x)将连续空间的值转换到离散空间[0，1],计算公式为：
Figure BDA0002870757050000074
其中，rand()为[0,1]区间均匀分布的随机数，映射函数S(x)为：
Figure BDA0002870757050000081
所述步骤S105：将提取到的所述最优特征子集的特征输入训练好的相关向量机RVM，得到所述待处理血管图像I(i,j)的分类、识别结果，包括：
所述训练好的相关向量机RVM的参数是通过血管影像的样本数据进行训练得到的。获取样本数据的特征，对相关向量机RVM进行训练，得到训练好的参数。所述相关向量机RVM的构造方式为本领域通用的相关向量机RVM构造方式。
将步骤S104获取的最优特征子集输入训练好的相关向量机RVM，得到血管影像的分类、识别结果。
请参考图2，其为本发明提出的基于多尺度融合和元启发优化的血管影像处理装置组成框图。如图所示，该装置包括：
图像获取模块：配置为获取输入的待处理血管图像I(i,j)，所述血管图像大小为M×N,其中M和N分别表示所述血管图像中像素点的行和列，1≤i≤M，1≤j≤N；
图像增强模块：配置为对所述待处理血管图像I(i,j)做top-hat变换，提取所述待处理血管图像I(i,j)中不同尺度的细节特征，得到增强后的血管图像I′(i,j)；
特征提取模块：配置为对所述增强后的血管图像I′(i,j)采用多尺度hessian矩阵滤波方法提取血管影像的特征集合；
最优特征提取模块：配置为采用乌鸦搜索算法，在所述血管影像的特征集合中提取最优特征子集；
图像识别模块：配置为将提取到的所述最优特征子集的特征输入训练好的相关向量机RVM，得到所述待处理血管图像I(i,j)的分类、识别结果。
本发明实施例进一步给出一种基于多尺度融合和元启发优化的血管影像处理***，包括：
处理器，用于执行多条指令；
存储器，用于存储多条指令；
其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如上所述的基于多尺度融合和元启发优化的血管影像处理方法。
本发明实施例进一步给出一种计算机可读存储介质，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如上所述的基于多尺度融合和元启发优化的血管影像处理方法。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明所提供的几个实施例中，应该理解到，所揭露的***，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，实体机服务器，或者网络云服务器等，需安装Windows或者Windows Server操作***)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (8)

1.一种基于多尺度融合和元启发优化的血管影像处理方法，其特征在于，包括以下步骤：
步骤S101：获取输入的待处理血管图像I(i,j)，所述血管图像大小为M×N,其中M和N分别表示所述血管图像中像素点的行和列，1≤i≤M，1≤j≤N；
步骤S102：对所述待处理血管图像I(i,j)做top-hat变换，提取所述待处理血管图像I(i,j)中不同尺度的细节特征，得到增强后的血管图像I′(i,j)；
步骤S103：对所述增强后的血管图像I′(i,j)采用多尺度hessian矩阵滤波方法提取血管影像的特征集合；
步骤S104：采用乌鸦搜索算法，在所述血管影像的特征集合中提取最优特征子集；
步骤S105：将提取到的所述最优特征子集的特征输入训练好的相关向量机RVM，得到所述待处理血管图像I(i,j)的分类、识别结果。
2.如权利要求1所述的基于多尺度融合和元启发优化的血管影像处理方法，其特征在于，步骤S102：对所述待处理血管图像I(i,j)做top-hat变换，提取所述待处理血管图像I(i,j)中不同尺度的细节特征，得到增强后的血管图像I′(i,j)，包括：
步骤S1021：确定一组尺寸递增的结构元素b1,……，br,……，bs，其中s≤N,br是尺寸为r的结构元素，
Figure FDA0002870757040000011
其中
Figure FDA0002870757040000012
为点乘操作；
步骤S1022：利用确定的所述结构元素b1,……，br,……，bs对所述待处理血管图像I(i,j)做top-hat变换，提取出与所述结构元素的尺寸对应的多尺度亮区域细节特征、多尺度暗区域细节特征，
所述多尺度亮细节特征的计算方式为：
WTHr＝I-I·br；
所述多尺度暗细节特征的计算方式为：
BTHr＝I·br-I；
其中，1≤r≤s，WTHr表示使用br对所述待处理血管图像I(i,j)在r尺度上进行亮变换，WTHr包含了待处理血管图像I(i,j)中小于br的所有亮区域细节特征；BTHr表示使用br对所述待处理血管图像I(i,j)在r尺度上进行暗变换，BTHr包含了待处理血管图像I(i,j)中小于br的所有暗区域细节特征；
步骤S1023：基于相邻尺度的细节特征，进行图像增强，包括：
WTH(r+1)r＝WTHr+1-WTHr
BTH(r+1)r＝BTHr+1-BTHr，
其中，WTH(r+1)r包含了待处理血管图像I(i,j)中大于br且小于br+1的亮区域细节特征，BTH(r+1)r包含了待处理血管图像I(i,j)中大于br且小于br+1的暗区域细节特征；
得到增强后的血管图像I′(i,j)。
3.如权利要求2所述的基于多尺度融合和元启发优化的血管影像处理方法，其特征在于，所述步骤S103：对所述增强后的血管图像I′(i,j)采用多尺度hessian矩阵滤波方法提取血管影像的特征集合，包括：
步骤S1031：对所述增强后的血管图像I′(i,j)的像素点I′(x′,y′)，1≤x′≤M,1≤y′≤N，取该点在x轴和y轴方向的梯度，分别记为x，y，将像素点I′(x′,y′)转化为增强后图像的像素点的梯度表示I′(x,y)，对应的hessian矩阵元素由I′(x,y)的二阶偏导数组成，所述对应的hessian矩阵元素为：
Figure FDA0002870757040000021
其中，I′xx、I′xy、I′yx、I′yy均为二阶导数；
步骤S1032：增强后的血管图像I′(i,j)与具有尺度因子的高斯函数进行卷积运算，即I′(x′,y′,σ)＝I′*G(x′,y′,σ)，其中，G(x′,y′,σ)为二维高斯函数，其表达式为：
Figure FDA0002870757040000022
其中，σ为空间尺度因子，表示高斯分布的标准差；
尺度空间导数由增强后的血管图像与高斯函数的二阶偏导卷积得到：
Figure FDA0002870757040000031
步骤S1033：基于上述运算结果计算hessian矩阵的特征向量和特征值，由所述特征值相对应的特征向量构成特征集合。
4.如权利要求3所述的基于多尺度融合和元启发优化的血管影像处理方法，其特征在于，所述步骤S104：采用乌鸦搜索算法，在所述血管影像的特征集合中提取最优特征子集，包括：
步骤S1041：获取所述特征集合；
步骤S1042：初始化乌鸦种群数量M，最大迭代次数Maxiter，设置当前迭代次数t＝0；各乌鸦随机分布在n维搜索空间中，随机初始化种群中各乌鸦i的位置解向量
Figure FDA0002870757040000032
该解向量表示第i只乌鸦在第t次迭代时的位置，代表特征子集；随机初始化乌鸦i的隐藏食物的记忆值，即乌鸦i的最优解向量Mi,t；随机初始化乌鸦i的感知概率APi,t、飞行长度fli,t，1≤i≤M；设置适应度函数f(x)；
Figure FDA0002870757040000033
其中，α为调节分类精度和特征子集数量两部分的权重值，0＜α＜1；ACC是衡量所有血管分类的精度值，N为所述血管影像的特征集合中所有特征的总个数，|subset|为最优特征子集的特征数；
Figure FDA0002870757040000034
TP表示正确分割的血管像素个数，TN表示正确识别的非血管像素个数，FP表示非血管识判为血管的像素个数，FN表示血管误判为非血管的像素个数；
步骤S1043：根据各乌鸦的解向量，计算群集中各乌鸦的适应度函数，得到各乌鸦的适应度值；
步骤S1044：根据计算出的适应度值进行排序，记录最大的适应度值对应的解向量为最优解，记为Xbest,t；
步骤S1045：对各乌鸦i的位置进行更新,更新的表达式为：
Figure FDA0002870757040000035
其中，APj,t表示乌鸦j在第t次迭代时的感知概率，ri和rj是[0，1]区间均
Figure FDA0002870757040000041
距离；mj,t为当前第t代第j个乌鸦所占位置；
步骤S1046：更新各乌鸦i的隐藏食物的记忆值，即乌鸦i的最优解向量，
若对连续空间进行搜索，则
Figure FDA0002870757040000042
若对离散空间进行搜索，每个解表示为0或1，引入映射函数S(x)将连续空间的值转换到离散空间[0，1],计算公式为：
Figure FDA0002870757040000043
其中，rand()为[0,1]区间均匀分布的随机数，映射函数S(x)为：
Figure FDA0002870757040000044
5.如权利要求4所述的基于多尺度融合和元启发优化的血管影像处理方法，其特征在于,还包括全局搜索和局部搜索，通过感知概率AP进行动态调整以达到全局搜索和局部搜索的平衡状态。
6.一种基于多尺度融合和元启发优化的血管影像处理检测装置，其特征在于，所述装置包括：
图像获取模块：配置为获取输入的待处理血管图像I(i,j)，所述血管图像大小为M×N,其中M和N分别表示所述血管图像中像素点的行和列，1≤i≤M，1≤j≤N；
图像增强模块：配置为对所述待处理血管图像I(i,j)做top-hat变换，提取所述待处理血管图像I(i,j)中不同尺度的细节特征，得到增强后的血管图像I′(i,j)；
特征提取模块：配置为对所述增强后的血管图像I′(i,j)采用多尺度hessian矩阵滤波方法提取血管影像的特征集合；
最优特征提取模块：配置为采用乌鸦搜索算法，在所述血管影像的特征集合中提取最优特征子集；
图像识别模块：配置为将提取到的所述最优特征子集的特征输入训练好的相关向量机RVM，得到所述待处理血管图像I(i,j)的分类、识别结果。
7.一种基于多尺度融合和元启发优化的血管影像处理***，其特征在于，包括：
处理器，用于执行多条指令；
存储器，用于存储多条指令；
其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如权利要求1-5之任一项所述的基于多尺度融合和元启发优化的血管影像处理方法。
8.一种计算机可读存储介质，其特征在于，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如权利要求1-5之任一项所述的基于多尺度融合和元启发优化的血管影像处理方法。
CN202011599110.6A 2020-12-29 2020-12-29 基于多尺度融合和元启发优化的血管影像处理方法及装置 Pending CN112862750A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011599110.6A CN112862750A (zh) 2020-12-29 2020-12-29 基于多尺度融合和元启发优化的血管影像处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011599110.6A CN112862750A (zh) 2020-12-29 2020-12-29 基于多尺度融合和元启发优化的血管影像处理方法及装置

Publications (1)

Publication Number Publication Date
CN112862750A true CN112862750A (zh) 2021-05-28

Family

ID=75998318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011599110.6A Pending CN112862750A (zh) 2020-12-29 2020-12-29 基于多尺度融合和元启发优化的血管影像处理方法及装置

Country Status (1)

Country Link
CN (1) CN112862750A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116721303A (zh) * 2023-08-11 2023-09-08 天津理工大学 一种基于人工智能的无人机鱼类养殖方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109190023A (zh) * 2018-08-15 2019-01-11 深圳信息职业技术学院 协同推荐的方法、装置及终端设备
CN109242002A (zh) * 2018-08-10 2019-01-18 深圳信息职业技术学院 高维数据分类方法、装置及终端设备
CN110910325A (zh) * 2019-11-22 2020-03-24 深圳信息职业技术学院 一种基于人工蝴蝶优化算法的医疗影像处理方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109242002A (zh) * 2018-08-10 2019-01-18 深圳信息职业技术学院 高维数据分类方法、装置及终端设备
CN109190023A (zh) * 2018-08-15 2019-01-11 深圳信息职业技术学院 协同推荐的方法、装置及终端设备
CN110910325A (zh) * 2019-11-22 2020-03-24 深圳信息职业技术学院 一种基于人工蝴蝶优化算法的医疗影像处理方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
IVÁN CRUZ ACEVES ETAL.: "Automatic segmentation of coronary arteries using a multiscale Top-Hat operator and multiobjective optimization", 《REVISTA ELECTRÓNICA NOVA SCIENTIA》 *
刘艳莉等: "多尺度top－hat变换提取细节的对比度增强算法", 《计算机工程与设计》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116721303A (zh) * 2023-08-11 2023-09-08 天津理工大学 一种基于人工智能的无人机鱼类养殖方法及***
CN116721303B (zh) * 2023-08-11 2023-10-20 天津理工大学 一种基于人工智能的无人机鱼类养殖方法及***

Similar Documents

Publication Publication Date Title
Pitchai et al. RETRACTED ARTICLE: Brain Tumor Segmentation Using Deep Learning and Fuzzy K-Means Clustering for Magnetic Resonance Images
US10346728B2 (en) Nodule detection with false positive reduction
US20140142413A1 (en) Computer-aided diagnosis method and apparatus
Dou et al. Automatic cerebral microbleeds detection from MR images via independent subspace analysis based hierarchical features
Junior et al. A mass classification using spatial diversity approaches in mammography images for false positive reduction
CN110838125A (zh) 医学图像的目标检测方法、装置、设备、存储介质
CN110232318A (zh) 穴位识别方法、装置、电子设备及存储介质
KR20170047423A (ko) Cad기반 디지털 엑스레이의 자동 결핵 진단 예측 시스템
CN109146867B (zh) 口腔曲面ct图像生物特征提取及匹配方法和设备
Feng et al. Supervoxel based weakly-supervised multi-level 3D CNNs for lung nodule detection and segmentation
CN110910325B (zh) 一种基于人工蝴蝶优化算法的医疗影像处理方法及装置
CN111223128A (zh) 目标跟踪方法、装置、设备及存储介质
de Oliveira Martins et al. Detection of breast masses in mammogram images using growing neural gas algorithm and Ripley’s K function
CN113065593A (zh) 模型训练方法、装置、计算机设备和存储介质
CN110570394A (zh) 医学图像分割方法、装置、设备及存储介质
CN114581698A (zh) 一种基于空间交叉注意力机制特征融合的目标分类方法
Marée et al. Biomedical image classification with random subwindows and decision trees
CN112862750A (zh) 基于多尺度融合和元启发优化的血管影像处理方法及装置
Latif et al. Recent advances in classification of brain tumor from MR images–State of the art review from 2017 to 2021
CN110929731B (zh) 一种基于探路者智能搜索算法的医疗影像处理方法及装置
CN109872307B (zh) 一种检测生物组织图像中肿块的方法、相应设备及介质
Di Ruberto et al. On different colour spaces for medical colour image classification
Mursalin et al. EpNet: A deep neural network for ear detection in 3D point clouds
JP4434868B2 (ja) 画像分割処理システム
WO2013049159A2 (en) Quantitative comparison of image data using a linear optimal transportation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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: 20210528