專利名稱：：一種醫(yī)學圖像識別的方法
技術領域：
：本發(fā)明屬于醫(yī)學圖像的計算機分析技術的應用領域，具體涉及一種醫(yī)學圖像識別的方法。
背景技術：
：自20世紀70年代以來，隨著計算機斷層掃描CT、核磁共振成像MRI、超聲US等醫(yī)學成像技術的產(chǎn)生和飛速發(fā)展，醫(yī)院中產(chǎn)生并存儲了大量的可供臨床診斷和分析的醫(yī)學圖像。近年來，隨著計算機及其相關技術的迅速發(fā)展以及圖形圖像技術的日趨成熟，人們可以對醫(yī)學圖像進行任意放大、縮小、旋轉、對比調整、分割、配準、三維重建等處理，醫(yī)務工作者可以從多方位、多層次、多角度對醫(yī)學圖像進行觀察，從而輔助醫(yī)生對病變體及其他感興趣區(qū)域進行重點分析，提高了臨床診斷的準確性，開創(chuàng)了數(shù)字醫(yī)療的新時代。但是，目前圖像診斷方法絕大部分仍是通過肉眼觀察圖像中的病變區(qū)域，依靠醫(yī)生個人的臨床經(jīng)驗和主觀判斷來進行診斷。該方法存在如下不足①信息利用率不高，由于醫(yī)學圖像一般具有很高的分辨率(如CT圖像灰度級高達4096級)，那些人眼無法分辨的圖像信息和圖像特征就得不到充分應用，從而會影響病情的早期判斷；②醫(yī)生帶有個人的主觀性，診斷結果很大程度上依賴于醫(yī)生個人的臨床經(jīng)驗，對于那些臨床經(jīng)驗較少的醫(yī)生來說，要做出正確的診斷是非常困難的。另外，同一張醫(yī)學圖像，不同的醫(yī)生也有可能得出不同的診斷結果，相互之間的差別可能很大，發(fā)生誤診或漏診現(xiàn)象是不可避免的；③人工觀察耗時多，對于單個病人的診斷，醫(yī)生直接觀察患者的病變區(qū)域所耗時間和精力是可以接受，但若對大量臨床圖像進行病理研究時，仍然采取人工讀圖的方式就讓人難以接受了。因此，如何充分利用計算機圖像處理技術快速、準確地將醫(yī)學圖像中的病變區(qū)域識別出來，即確定醫(yī)學圖像中各組織器官所屬的類別(正?；虍惓?，確保臨床診斷更客觀、準確和科學，己成為醫(yī)學圖像診斷中的一個關鍵技術。另外，醫(yī)學圖像識別也是可視人計劃(VHP)、醫(yī)學圖像指導治療技術、醫(yī)學圖像后處理及其治療方法、手術計劃與導航和醫(yī)學虛擬現(xiàn)實及其相關技術等實現(xiàn)中的一項重要工作。目前國內外在這方面的研究很活躍。例如，Maria-Luiza.A(ApplicationofTataMiningTechniquesforMeTicalImage)等人用圖像挖掘方法對胸部圖像進行了較為深入的研究，所提出的方法首先是對胸部圖像進行預處理，然后將圖像分成四個規(guī)則區(qū)域，提取每個區(qū)域的紋理特征，最后用兩種算法(關聯(lián)規(guī)則和神經(jīng)網(wǎng)絡)對它進行數(shù)據(jù)挖掘。該方法通過圖像數(shù)據(jù)挖掘，將圖像分成正常和異常兩類，實現(xiàn)了胸部圖像乳腺癌的自動診斷。VasileiosMegalooikonomou(MiningLesion-TeficitAssociationsinABrainImageTatabase)等人利用數(shù)據(jù)挖掘技術對腦部圖像進行了研究，發(fā)現(xiàn)了人腦的結構與功能的聯(lián)系，大大方便了醫(yī)生對人腦疾病的診斷。PetmPerner(MiningKnowleTgeforHEp-2CellImageClassification)提出基于診斷的圖像挖掘系統(tǒng)，首先提取圖像的顏色、紋理、形狀等低層物理特征和專家對圖像的診斷信息，然后用決策樹挖掘圖像特征和診斷的關聯(lián)，輔助醫(yī)生進行臨床診斷。對上述這些研究進行分析可以發(fā)現(xiàn)，目前這些醫(yī)學圖像分類研究所采用的方法一般是通過提取描述圖像的特征集，使原始圖像數(shù)據(jù)變成適合于傳統(tǒng)數(shù)據(jù)挖掘技術的數(shù)據(jù)形式，然后進行圖像分類研究；還有的是通過特征集的關聯(lián)規(guī)則進行臨床自動診斷研究。這些方法或多或少存在以下幾個問題①僅限于對整幅圖像的特征進行挖掘研究，而臨床診斷中人體圖像的局部區(qū)域特征更具有臨床意義。日前絕大多數(shù)的特征提取都是建立在整幅圖像基礎之上，或者簡單地把圖像分成規(guī)則的幾部分，分別提取每部分的特征，這些特征不能真正表示圖像中的真實信息，而識別效果的好壞很大程度上取決于所提取的特征；②用于醫(yī)學圖像分類的方法還停留在關聯(lián)規(guī)則等傳統(tǒng)的數(shù)據(jù)挖掘算法的直接使用上，醫(yī)學圖像數(shù)據(jù)是復雜和高維的，需要研究適合其特點的分類算法；③對于醫(yī)學圖像的識別僅局限于個別特定的組織器官，比如乳房，顱腦等，所取得的研究成果并不具有對其它器官知識挖掘應用的普遍適應性；方法所取特征僅僅是一些基本的顏色、紋理、形狀等特征，還沒有充分考慮醫(yī)學圖像本身的特點；⑤分類方法訓練時間長、準確率低，不具有實用性。因此，尋找更加高效和準確的醫(yī)學圖像識別方法是計算機和醫(yī)學研究工作者們所追求的。四
發(fā)明內容本發(fā)明的目的在于針對現(xiàn)有方法的不足，提出一種醫(yī)學圖像識別的方法，該方法能更加準確地識別出新醫(yī)學圖像的類別(正常與異常)。本發(fā)明的進一步目的還在于能夠對醫(yī)學圖像庫內的圖像進行快速分類。本發(fā)明的再一個發(fā)明目的是醫(yī)學圖像快速并準確地進行類別識別。實現(xiàn)本發(fā)明目的的技術方案是一種醫(yī)學圖像識別的方法，包括關聯(lián)規(guī)則分類庫的構造及其更新和醫(yī)學圖像識別步驟，其特征在于，所述關聯(lián)規(guī)則分類庫的構造及其6更新步驟中包括下列步驟(1)醫(yī)學圖像樣本數(shù)據(jù)的準備及預處理，包括醫(yī)學圖像的格式轉換、尺度歸一化以及去噪與增強；(2)采用基于密度聚類的醫(yī)學圖像分割方法分別識別出每幅樣本醫(yī)學圖像中待分析的局部區(qū)域；(3)分別提取出每幅樣本醫(yī)學圖像中局部區(qū)域的特征，構造醫(yī)學圖像樣本數(shù)據(jù)庫T，這些特征包括means(均值，它反映的是一副醫(yī)學圖像的平均灰度值)、variance(方差，它反映的是一副醫(yī)學圖像灰度在數(shù)值上的離散分布情況)、skewness(傾斜度，它反映的是醫(yī)學圖像直方圖分布的不對稱程度)、kurtosis(峰態(tài)，它反映的是醫(yī)學圖像灰度分布在接近均值時的大致狀態(tài))、energy(能量，它反映的是灰度分布的均勻程度)、entropy(熵，它反映的是直方圖灰度分布的均勻性)和JF(聚類特征)；(4)特征值離散化；(5)挖掘醫(yī)學圖像樣本數(shù)據(jù)庫中的頻繁項目集；(6)根據(jù)頻繁項目集構造關聯(lián)規(guī)則分類庫。上述技術方案的有益效果如下醫(yī)學圖像是表達人體組織、器官等解剖結構的信息集合，其信息很難用人類語言唯一描述，通常用如顏色、紋理、形狀、空間關系、圓形、方形、聚類等特征來表示或描述。本發(fā)明從醫(yī)學圖像的成像機制、醫(yī)學圖像數(shù)據(jù)的特性等方面入手，研究了醫(yī)學圖像的灰度及其密度與人體組織器官的解剖語義，給出了一種基于核密度估計聚類的醫(yī)學圖像定性特征表達方式，即本發(fā)明所述的聚類特征，聚類特征能夠很好地表達醫(yī)學圖像的語義內容，與傳統(tǒng)的定量特性相比具有更好的可區(qū)分性。一般情況下，一幅醫(yī)學圖像包含許多豐富的組織，局部組織的病灶有時會與周圍正常組織在灰度、形狀上十分相似，整幅醫(yī)學圖像的特征可能無法反映出某一局部組織器官的微小病變，僅取圖像的全局特征顯然是不準確的。本發(fā)明以醫(yī)學圖像底層次的可視特征為標準，給出了一種醫(yī)學圖像的自動分割方法，將圖像中具有特殊含義的不同區(qū)域或組織區(qū)分開來，實現(xiàn)醫(yī)學圖像中人體組織器官的自動分割。本發(fā)明通過步驟(2)和步驟(3)的技術特征，建立起更科學合理的醫(yī)學圖像樣本數(shù)據(jù)庫，使得新圖像的類別識別更加準確，達到本發(fā)明的發(fā)明目的。作為本發(fā)明的進一步改進，所述步驟(5)中進一步包括下列步驟①將醫(yī)學圖像樣本數(shù)據(jù)庫T分類，分為正常類Ti和異常T2;②分別構造T!、T2的類別屬性除外的頻繁模式樹FPrt、FP2-t;③由FP!-t、FP2-t確定各自的頻繁項目集FI卜FI2。作為本發(fā)明的進一步改進，所述步驟(6)中進一步包括下列步驟分別計算頻繁項目集Fh、Fl2在T2和I^中的支持數(shù)；⑤根據(jù)閾值確定關聯(lián)規(guī)則分類規(guī)則；⑥存入關聯(lián)規(guī)則分類庫。上述改進是針對現(xiàn)有關聯(lián)分類規(guī)則挖掘方法中內存要求高、類別屬性處理難、1/0訪問次數(shù)多等問題提出了相應的解決方案，本發(fā)明所提出的關聯(lián)分類規(guī)則挖掘方法同時考慮所有屬性，取得比同樣基于規(guī)則的決策樹分類算法C4.5更好的分類效果。作為本發(fā)明的進一步改進，所述頻繁項目集更新步驟中進一步包括下列步驟⑦候選新頻繁項目集的生成a處理新增醫(yī)學圖像，包括醫(yī)學圖像的格式轉換、尺度歸一化和去噪與增強；b采用基于密度聚類的醫(yī)學圖像分割方法分別識別出每幅樣本醫(yī)學圖像中待分析的局部區(qū)域；c分別提取出每幅樣本醫(yī)學圖像中局部區(qū)域的特征，形成新增醫(yī)學圖像樣本數(shù)據(jù)t，這些特征包括means(均值，它反映的是一副醫(yī)學圖像的平均灰度值)、variance(方差，它反映的是一副醫(yī)學圖像灰度在數(shù)值上的離散分布情況)、skewness(傾斜度，它反映的是醫(yī)學圖像直方圖分布的不對稱程度)、kurtosis(峰態(tài)，它反映的是醫(yī)學圖像灰度分布在接近均值時的大致狀態(tài))、energy(能量，它反映的是灰度分布的均勻程度)、entropy(熵，它反映的是直方圖灰度分布的均勻性)和JF(聚類特征)；d特征值離散化；e掃描t求得n(FI=FI1UFI2)中各項目集在t中的支持數(shù)；f掃描t一次，確定T中的強頻繁項目集LT;g確定t中的候選強頻繁項目集C汰，k=l，2，...n;i.求t中的候選強頻繁項目集，所謂t中的強頻繁項目集是在指在t和tuT中均為頻繁的項目集；ii.使用函數(shù)Apriori-gen生成t中的候選新頻繁項目集，其參數(shù)為Ctk。本發(fā)明將新頻繁項目集的生成分為兩部分，一是T中新頻繁項目集的生成，二是t中新頻繁項目集的生成。對于前者，只需掃描t一次即可完成，其運算量是很少的。對于后者，本發(fā)明采用了一種新的方法，具體是①求t中的候選強頻繁項目集，所謂t中的強頻繁項目集是在指在t和tuT中均為頻繁的項目集；②使用函數(shù)Apriori-gen生成t中的候選新頻繁項目集，其參數(shù)為t中的候選強頻繁項目集，可以證明此方法可以生成t中所有的新頻繁項目集，且其規(guī)模將遠遠低于現(xiàn)有更新方法。⑧候選新頻繁項目集的修剪iii.確認新增醫(yī)學圖像樣本數(shù)據(jù)庫t的Qk是否為空，如果為空執(zhí)行步驟xW;iv.掃描t計算Qk中各項目集在t中的支持數(shù)；V.刪除Qk中t的非頻繁k-項目集；vi.刪除Ctk中T的頻繁k-項目集；vii.確定最小候選項目數(shù)閾值mc，mc=max{10，|Lk|*10%},|Lk|AT中頻繁k-項目集的個數(shù)；viii.確認ICtkpmc，如果成立，執(zhí)行步驟x;ix.掃描T計算Qk中各項目集在T中的支持數(shù)；X.生成t中的強頻繁k-項目集Ltk';Xi.生成t中的候選強頻繁(k+l)-項目集Ct(k+1);xii.使k:k+l;xiii.重復執(zhí)行步驟iii;xiv.產(chǎn)生最新樣本數(shù)據(jù)庫中的頻繁項目集FIw、FIn2。本發(fā)明除使用常用的修剪方法外，還采用了一種新的修剪方法，艮P:刪除準則1:項目集XeCnk，minXT=min{CountT(Y)|YcX，|Y|=pC|-l}。如果Countt(X)+minXT<|Tut|xminSup,那么有XgLk，XgSFIt。其中，minSup表示最小支持度閾值，CountT(Y)表示項目集Y在T中的支持數(shù)，Countt(X)表示項目集X在t中的支持數(shù)，U為T中的頻繁k-項目集，SFIt為t中強頻繁項目集的集合。刪除準則2:對于項目集X，如果Supt(X)2minSup，且X為T中的非頻繁項目集，那么有XgLk，XgSFIt成立。其中，Supt(X)表示項目集X在t中的支持度。一般情況下，t的規(guī)模要遠遠低于T的規(guī)模，相對于原頻繁項目集規(guī)模而言，新增頻繁項目集的規(guī)?？偸呛苄〉?，為此本發(fā)明設置了一個最小候選項目數(shù)閾值mc，并給出了閾值mc的確定方法，mc的值可以取10和|1^|*10%中的最大值，當候選新頻繁項目集的個數(shù)低于mc時，暫不計算其支持數(shù)，其支持數(shù)在下次掃描T時一起計算，從而不必為了求少數(shù)個項目集的支持數(shù)而需掃描T一次。⑨關聯(lián)分類規(guī)則的構造及更新根據(jù)頻繁項目集構造關聯(lián)分類規(guī)則庫，關聯(lián)分類規(guī)則的形式為A^c，minsup，minconf。其中，c為類別屬性(在本發(fā)明中，c有兩類，即正常與異常)，A為醫(yī)學圖像的特征及其范圍的集合，minsup、minconf分別表示關聯(lián)分類規(guī)則的支持度和置信度。如關聯(lián)分類規(guī)則variances(0.15,0.20)andJFe(0.90,0.95)-normal,minsupport=0.460，minconf=0.719。該規(guī)則表示若方差(variance)在0.15與0.20之間，聚類特征(JF)在0.90與0.95之間時，該醫(yī)學圖像為正常(normal)的概率為0.719，此規(guī)則的置信度為0.46。本發(fā)明在頻繁項目集的挖掘和更新中，主要在以下兩方面進行了改進1.在對現(xiàn)有頻繁項目集更新方法中所存在不足提出了如下的解決方案(1)候選項目集的規(guī)模。主要表現(xiàn)在以下兩個方面①在現(xiàn)有更新方法中，掃描t的候選項目集C=Apriori-gen(L'(k-d)，在本發(fā)明中，掃描1的候選項目集0=Apriori-gen(L't(k-d)。由于LVd^L，t(^)，因此在掃描t時，本發(fā)明將有更小的候選頻繁項目集；②在本發(fā)明中，一方面t中較小的候選頻繁項目集將導致較小的候選新頻繁項目集；另一方面，刪除準則1和2的使用進一步減少了候選新頻繁項目集的數(shù)目，因此，在掃描T時，本發(fā)明將具有更小的候選頻繁項目集。(2)掃描事務數(shù)據(jù)庫的次數(shù)。主要表現(xiàn)在以下兩個方面①一方面，T中更小的候選頻繁項目集將導致掃描T次數(shù)的減少。另一方面，步驟⑧中最小候選項目數(shù)閾值mc的設置可以進一步減少掃描T的次數(shù)，因此，本發(fā)明中更新醫(yī)學圖像樣本數(shù)據(jù)庫時，掃描數(shù)據(jù)庫T的次數(shù)更少。②在現(xiàn)有更新方法中，掃描t的結束條件是Ctk=-，而在本發(fā)明中，掃描t的結束條件是<:，.汰=-。由于C汰2C，tk，因此本發(fā)明在掃描t的次數(shù)上較小?？傊景l(fā)明在掃描醫(yī)學圖像樣本數(shù)據(jù)庫T的次數(shù)、掃描新增醫(yī)學圖像樣本數(shù)據(jù)庫t的次數(shù)以及候選項目集規(guī)模上均占較大的優(yōu)勢。作為本發(fā)明的進一步改進，所述醫(yī)學圖像的識別步驟進一步包括下列步驟①「待處理醫(yī)學圖像數(shù)據(jù)的準備及預處理，包括醫(yī)學圖像的格式轉換、尺度歸一化以及去噪與增強；②「采用基于密度聚類的醫(yī)學圖像分割方法識別出該幅醫(yī)學圖像中待分析的局部區(qū)域；③「提取出該幅醫(yī)學圖像中局部區(qū)域的特征，這些特征包括means(均值，它反映的是一副醫(yī)學圖像的平均灰度值)、variance(方差，它反映的是一副醫(yī)學圖像灰度在數(shù)值上的離散分布情況)、skewness(傾斜度，它反映的是醫(yī)學圖像直方圖分布的不對稱程度)、kurtosis(峰態(tài)，它反映的是醫(yī)學圖像灰度分布在接近均值時的大致狀態(tài))、energy(能量，它反映的是灰度分布的均勻程度)、entropy(熵，它反映的是直方圖灰度分布的均勻性)和JF(聚類特征)；④「特征值離散化；(D「根據(jù)關聯(lián)規(guī)則分類庫中的規(guī)則確定該醫(yī)學圖像的類別(正?；虍惓?。如給定一張醫(yī)學圖像，其類別屬性是未知的，經(jīng)預處理及特征提取后的特征值為VarianCe=0.17、JF=0.92，則根據(jù)關聯(lián)分類規(guī)則庫中已有的分類規(guī)則可以確定該醫(yī)學圖像為正常的概率為0.719，相應的置信度為0.46。圖1是本發(fā)明實施例的結構框圖圖2是本發(fā)明實施例中頻繁項目集挖掘流程圖圖3是本發(fā)明實施例中關聯(lián)分類規(guī)則庫構造流程圖4是本發(fā)明實施例中候選項目閾值與時間關系圖圖5是本發(fā)明實施例中頻繁項目集更新流程圖結構圖圖6是本發(fā)明實施例中的頻繁模式樹FPH結構圖具體實施例方式下面以肝臟CT醫(yī)學圖像為例，簡單地說明本發(fā)明的執(zhí)行過程。本實例共選擇了120幅肝臟CT圖像，其中正常圖像80幅，異常圖像40幅，具體執(zhí)行步驟如下如圖1所示，一種醫(yī)學圖像識別的方法，包括關聯(lián)規(guī)則分類庫的構造及其更新和醫(yī)學圖像識別步驟，其特征在于，所述關聯(lián)規(guī)則分類庫的構造及其更新步驟中包括下列步驟(1)分別對這120幅肝臟CT圖像進行格式轉換以及醫(yī)學圖像去噪和增強處理等。(2)分別提取每張圖像的相關特征并進行歸一化處理，結果如表1所示。本發(fā)明提取的特征包括均值、方差、傾斜度、峰態(tài)、能量、熵和聚類特征。在這120幅圖像中，前面100幅作為原樣本數(shù)據(jù)，后20幅作為增量樣本數(shù)據(jù)。表l肝臟CT醫(yī)學圖像特征表<table>tableseeoriginaldocumentpage11</column></row><table><table>tableseeoriginaldocumentpage12</column></row><table><table>tableseeoriginaldocumentpage13</column></row><table><table>tableseeoriginaldocumentpage14</column></row><table><table>tableseeoriginaldocumentpage15</column></row><table>其中node-name記錄結點所表示的項目名，node-count記錄能到達該結點的醫(yī)學圖像數(shù)，node-link為指向頻繁模式樹中具有相同的node-name值的下一結點，即通過node-link將頻繁模式樹中具有相同node-name值的結點鏈接起來，node-parent為指向父結點的指針。另外，為了方便樹遍歷，創(chuàng)建一個頻繁項目頭表，它由兩個域組成項目名稱item-name以及結點鏈頭node-head,其中node-head為指向頻繁模式樹中具有相同node-name值的首結點的指針。類別屬性為正常的前五條記錄所形成的頻繁模式樹如圖6所示，圖中結點形式已略做簡化。其余記錄可用同樣的方法插入樹FP"中。同樣可以構造頻繁模式樹FP2-t。(6)在FPrt、FP2-t上挖掘出頻繁項目集，得到頻繁項目集和FI2。設最小支持度為0.4，則FI產(chǎn)U聚類特征48》，{傾斜度=01}，{聚類特征=18，傾斜度=01}，{聚類特征=18，傾斜度=01，均值=20，熵=11，峰態(tài)=05}，......}，？12={{聚類特征=04}，{聚類特征=04，方差=11，傾斜度=10，能量=04}，......}。(7)使用FIi和Fl2構造關聯(lián)分類規(guī)則，如FIi中的頻繁項目集(聚類特征48，傾斜度=01，均值=20，熵=11，峰態(tài)=05}所構造的分類規(guī)則為{聚類特征=18，傾斜度=01，均值=20，熵-11，峰態(tài)=05}=*正常，F(xiàn)l2中的頻繁項目集(聚類特征-04，方差=11，傾斜度=10，能量=04}所構造的分類規(guī)則為{聚類特征=04，方差=11，傾斜度=10，能量^4)^異常。在實際使用時，應分別將數(shù)字屬性轉換成相應的區(qū)間，即將i，2，3，...，20分別轉換成(0.00,0.05]，(0.05,0.10],...,(0.95,1.00]。關聯(lián)分類規(guī)則庫構造流程如圖3所示，具體包括①分別計算頻繁項目集FI,、Fl2在T2和T,中的支持數(shù)；②根據(jù)閾值確定關聯(lián)規(guī)則分類規(guī)則；③存入關聯(lián)規(guī)則分類庫。(8)使用表1中的后20條記錄更新頻繁項目集FL和Fh。如FI!中的頻繁項目集{聚類特征=18，傾斜度=01，均值=20，熵=11，峰態(tài)=05}將變?yōu)閧聚類特征=18，傾斜度=01，均值=20,熵=11,峰態(tài)=04}等等。頻繁項目集FI,和Fl2更新過程如圖5所示。具體如下④候選新頻繁項目集的生成a處理新增醫(yī)學圖像，包括醫(yī)學圖像的格式轉換、尺度歸一化和去噪與增強；b采用基于密度聚類的醫(yī)學圖像分割方法分別識別出每幅樣本醫(yī)學圖像中待分析的局部區(qū)域；c分別提取出每幅樣本醫(yī)學圖像中局部區(qū)域的特征，這些特征包括means(均值，它反映的是一副醫(yī)學圖像的平均灰度值)、variance(方差，它反映的是一副醫(yī)學圖像灰度在數(shù)值上的離散分布情況)、skewness(傾斜度，它反映的是醫(yī)學圖像直方圖分布的不對稱程度)、kurtosis(峰態(tài)，它反映的是醫(yī)學圖像灰度分布在接近均值時的大致狀態(tài))、energy(能量，它反映的是灰度分布的均勻程度)、entropy(熵，它反映的是直方圖灰度分布的均勻性)和JF(聚類特征)；d特征值離散化，形成新增醫(yī)學圖像樣本數(shù)據(jù)庫t;e掃描t求得FI(FbFIi^Fl2)中各項目集在t中的支持數(shù)；f掃描t一次，確定T中的強頻繁項目集LT;g確定t中的候選強頻繁項目集C汰，k=l,2,...n;i.求t中的候選強頻繁項目集，所謂t中的強頻繁項目集是在指在t和tuT中均為頻繁的項目集；ii.使用函數(shù)Apriori-gen生成t中的候選新頻繁項目集，其參數(shù)為Ctk。⑤候選新頻繁項目集的修剪iii.確認新增醫(yī)學圖像樣本數(shù)據(jù)庫t的Qk是否為空，如果為空執(zhí)行步驟xiv;iv.掃描t計算Qk中各項目集在t中的支持數(shù)；V.刪除Qk中t的非頻繁k-項目集；Vi.刪除C汰中T的頻繁k-項目集；vii.確定最小候選項目數(shù)閾值mc，mc=max{10,|Lk|*10%},|Lk|AT中頻繁k-項目集的個數(shù)；viii.確認ICtkpmc，如果成立，執(zhí)行步驟x;ix.掃描T計算Qk中各項目集在T中的支持數(shù)；x.生成t中的強頻繁k-項目集Ltk，；xi.生成t中的候選強頻繁(k+l)-項目集Ct(k+1);xii.使k二k+l;xiii.重復執(zhí)行步驟iii;xiv.產(chǎn)生最新樣本數(shù)據(jù)庫中的頻繁項目集F^、FIn2。如圖1所示，肝臟CT醫(yī)學圖像類別識別流程如下⑥「待處理醫(yī)學圖像數(shù)據(jù)的準備及預處理，包括醫(yī)學圖像的格式轉換、尺度歸一化以及去噪與增強；⑦「采用基于密度聚類的醫(yī)學圖像分割方法識別出該幅醫(yī)學圖像中待分析的局部區(qū)域；⑧「提取出該幅醫(yī)學圖像中局部區(qū)域的特征，這些特征包括means(均值，它反映的是一副醫(yī)學圖像的平均灰度值)、variance(方差，它反映的是一副醫(yī)學圖像灰度在數(shù)值上的離散分布情況)、skewness(傾斜度，它反映的是醫(yī)學圖像直方圖分布的不對稱程度)、kurtosis(峰態(tài)，它反映的是醫(yī)學圖像灰度分布在接近均值時的大致狀態(tài))、energy(能量，它反映的是灰度分布的均勻程度)、entropy(熵，它反映的是直方圖灰度分布的均勻性)和JF(聚類特征)；⑨rf寺征值離散化；⑩「根據(jù)關聯(lián)規(guī)則分類庫中的規(guī)則確定該醫(yī)學圖像的類別(正?；虍惓?。權利要求1.一種醫(yī)學圖像識別的方法，包括關聯(lián)規(guī)則分類庫的構造及其更新和醫(yī)學圖像識別步驟，其特征在于，所述關聯(lián)規(guī)則分類庫的構造及其更新步驟中包括下列步驟(1)醫(yī)學圖像樣本數(shù)據(jù)的準備及預處理，包括醫(yī)學圖像的格式轉換、尺度歸一化以及去噪與增強；(2)采用基于密度聚類的醫(yī)學圖像分割方法分別識別出每幅樣本醫(yī)學圖像中待分析的局部區(qū)域；(3)分別提取出每幅樣本醫(yī)學圖像中局部區(qū)域的特征，構造醫(yī)學圖像樣本數(shù)據(jù)庫T，這些特征包括均值、方差、傾斜度、峰態(tài)、能量、熵和聚類特征；(4)特征值離散化；(5)挖掘醫(yī)學圖像樣本數(shù)據(jù)庫中的頻繁項目集；根據(jù)頻繁項目集構造關聯(lián)規(guī)則分類庫。2、根據(jù)權利要求1所述的方法，其特征在于，所述步驟(5)中進一步包括下列步驟①將醫(yī)學圖像樣本數(shù)據(jù)庫T分類，分為正常類T,和異常T2;②分別構造Ti、T2的類別屬性除外的頻繁模式樹FPH、FP2-t;③由FP廣t、FP2-t確定各自的頻繁項目集FI"FI2。3、根據(jù)權利要求1所述的方法，其特征在于，所述步驟(6)中進一步包括下列步驟④分別計算頻繁項目集FI卜Fb在丁2和1中的支持數(shù)；⑤根據(jù)閾值確定關聯(lián)規(guī)則分類規(guī)則；⑥存入關聯(lián)規(guī)則分類庫。4、根據(jù)權利要求1所述的識別方法，其特征在于，頻繁項目集更新步驟中進一步包括下列步驟⑦候選新頻繁項目集的生成a處理新增醫(yī)學圖像，包括醫(yī)學圖像的格式轉換、尺度歸一化和去噪與增強；b采用基于密度聚類的醫(yī)學圖像分割方法分別識別出每幅樣本醫(yī)學圖像中待分析的局部區(qū)域；c分別提取出每幅樣本醫(yī)學圖像中局部區(qū)域的特征，形成新增醫(yī)學圖像樣本數(shù)據(jù)t，這些特征包括means(均值，它反映的是一副醫(yī)學圖像的平均灰度值)、variance(方差，它反映的是一副醫(yī)學圖像灰度在數(shù)值上的離散分布情況)、skewness(傾斜度，它反映的是醫(yī)學圖像直方圖分布的不對稱程度)、kurtosis(峰態(tài)，它反映的是醫(yī)學圖像灰度分布在接近均值時的大致狀態(tài))、energy(能量，它反映的是灰度分布的均勻程度)、entropy(熵，它反映的是直方圖灰度分布的均勻性)和JF(聚類特征)；d特征值離散化；e掃描t求得FI(FI=FIiUFI2)中各項目集在t中的支持數(shù)；f掃描t一次，確定T中的強頻繁項目集LT;g確定t中的候選強頻繁項目集Qk，k=l,2,...n;i.求t中的候選強頻繁項目集，所謂t中的強頻繁項目集是在指在t和tuT中均為頻繁的項目集；ii.使用函數(shù)Apriori-gen生成t中的候選新頻繁項目集，其參數(shù)為Qk。①候選新頻繁項目集的修剪；②關聯(lián)分類規(guī)則的構造及更新。5、根據(jù)權利要求1所述的識別方法，其特征在于，所述醫(yī)學圖像的識別步驟進一步包括下列步驟③待處理醫(yī)學圖像數(shù)據(jù)的準備及預處理，包括醫(yī)學圖像的格式轉換、尺度歸一化以及去噪與增強；采用基于密度聚類的醫(yī)學圖像分割方法識別出該幅醫(yī)學圖像中待分析的局部區(qū)域；◎提取出該幅醫(yī)學圖像中局部區(qū)域的特征，這些特征包括均值、方差，、傾斜度，它反映的是醫(yī)學圖像直方圖分布的不對稱程度、峰態(tài)、能量和熵；⑥特征值離散化；⑦根據(jù)關聯(lián)規(guī)則分類庫中的規(guī)則確定該醫(yī)學圖像的類別。6、根據(jù)權利要求4所述的方法，其特征在于，所述步驟⑧具體包括下列步驟iii.確認新增醫(yī)學圖像樣本數(shù)據(jù)庫t的Ctk是否為空，如果為空執(zhí)行步驟xiv;iv.掃描t計算Qk中各項目集在t中的支持數(shù)；V.刪除Qk中t的非頻繁k-項目集；Vi.刪除Qk中T的頻繁k-項目集；vii.確定最小候選項目數(shù)閾值mc，mc=max{10,|Lk|*10%},|Lk^T中頻繁k-項目集的個數(shù)；viii.確認ICtkpmc，如果成立，執(zhí)行步驟x;ix.掃描T計算Qk中各項目集在T中的支持數(shù)；X.生成t中的強頻繁k-項目集Ltk';Xi.生成t中的候選強頻繁(k+l)-項目集Q(k+1);xii.使k-k+l;xiii.重復執(zhí)行步驟iii;xiv.產(chǎn)生最新樣本數(shù)據(jù)庫中的頻繁項目集F^、FIn2。7、根據(jù)權利要求4所述的方法，其特征在于，所述步驟⑨具體包括下列步驟根據(jù)頻繁項目集構造關聯(lián)分類規(guī)則庫，關聯(lián)分類規(guī)則的形式為A^C,minsup,minconf;其中，c為類別屬性，包括正常類與異常類，A為醫(yī)學圖像的特征及其范圍的集合，minsup、minconf分別表示關聯(lián)分類規(guī)則的支持度和置信度。全文摘要本發(fā)明涉及一種醫(yī)學圖像識別的方法，目的在于提供一種能更準確地識別出新醫(yī)學圖像的類別的方法。該方法包括關聯(lián)規(guī)則分類庫的構造及其更新和醫(yī)學圖像識別步驟，所述關聯(lián)規(guī)則分類庫的構造及其更新步驟中包括下列步驟醫(yī)學圖像樣本數(shù)據(jù)的準備及預處理；采用基于密度聚類的醫(yī)學圖像分割方法分別識別出每幅樣本醫(yī)學圖像中待分析的局部區(qū)域；分別提取出每幅樣本醫(yī)學圖像中局部區(qū)域的特征，構造醫(yī)學圖像樣本數(shù)據(jù)庫T，這些特征包括均值、方差、傾斜度、峰態(tài)、能量、熵和聚類特征；特征值離散化；特征值離散化；挖掘醫(yī)學圖像樣本數(shù)據(jù)庫中的頻繁項目集；根據(jù)頻繁項目集構造關聯(lián)規(guī)則分類庫。文檔編號G06F19/00GK101295309SQ200810024999公開日2008年10月29日申請日期2008年5月22日優(yōu)先權日2008年5月22日發(fā)明者蕾孫,宋余慶,峰朱,朱玉全,謝從華,耿陳申請人:江蘇大學