一種基于kap有向圖模型的醫學圖像分類方法
【技術領域】
[0001] 本發明屬于醫療信息技術領域，具體設及一種基于KAP有向圖模型的醫學圖像分 類方法。
【背景技術】
[0002] 由于醫學圖像中蘊含著豐富的圖像和醫學信息，近年來面向醫學圖像的數據挖掘 技術成為醫學和計算機交叉學科研究的熱點。隨著醫療數字化設備的快速發展，醫學信息 數據庫被廣泛使用。病人的結構化文本信息，W及大量的非結構化醫學圖像信息，為醫學圖 像的數據挖掘提供了豐富的數據資源。醫學圖像可W有效的輔助醫師在診斷過程中對病理 變化區域進行檢測、定位W及判斷它的良惡性，因此被廣泛應用于臨床診斷過程中。然而， 具有不同知識背景的醫生即使對同一張醫學圖像可能存在不同的判斷，所W，運用數據挖 掘方法研究醫學圖像分類算法，對輔助醫生根據醫學圖像進行診斷，提高其效率和精度，具 有較高的學術價值和實際應用前景。
[0003] 目前，國內外在醫學圖像分類研究方面，主要采用的分類方法包括統計方法、神經 網絡方法、模糊模式識別方法、機器學習方法等。已有的分類算法不能很好的描述醫學圖 像，造成分類的準確率較低和時間復雜度較高。醫學圖像的成像結果顯示腦部CT圖像擁 有良好的紋理特性并且圖像間紋理角點的位置近似相同，基于運一腦部醫學領域知識的指 導，提出了基于KAP有向圖模型的醫學圖像分類方法。
【發明內容】
[0004] 本發明的目的是提出一種提高對醫學圖像分類的準確率的基于KAP有向圖模型 的醫學圖像分類方法。 陽〇化]本發明的目的是運樣實現的：
[0006] (1)待分類圖像提出分類請求：待分類圖像應為原始醫學圖像數據；
[0007] (2)圖像預處理過程：對原始醫學圖像提取感興趣R0I區域，計算圖像R0I區域的 灰度直方圖，得到圖像R0I區域的灰度直方圖的波谷列表，根據波谷列表對圖像分級提取 紋理特征，根據實際需要將得到的分級紋理圖像規范化到統一的大小，并在紋理部位提取 出圖像的角點；
[000引做圖像建模：利用提取到的角點并結合醫學圖像的具體特點，利用合法KAP有向 圖和非法KAP有向圖兩種醫學圖像到KAP有向圖的建模方法進行圖像建模；
[0009] (4)多步圖像匹配：通過KAP有向圖間頂點粗粒度匹配方法、KAP有向圖間頂點細 粒度匹配方法和KAP有向圖間頂點匹配的優化方法，最終獲得兩張圖像之間相同的頂點和 公共子圖；
[0010] (5)醫學圖像分類：利用頂點的重要性作為頂點的權值，對KAP有向圖間相同的頂 點進行加權求和作為兩圖的相似度，并采用投票機制進行分類，實現對醫學圖像的多步匹 配分類。
[0011] 所述角點為：高斯窗w在圖像G上移動，獲得2X2局部結構矩陣M，對該矩陣Μ求 取特征值λ1和λ2,建立度量函數R=detM-k(traceM)2,設定闊值Θ，當R〉Θ則該位置為 角點，反之則不是； 陽01引其中detM=λ1λ2，traceM=λ1+λ2，detM是矩陣Μ的行列式值，traceM是矩 陣Μ的跡，k是常量，取值為0.04,Θ為闊值。
[0013] 所述的合法KAP有向圖和非法KAP有向圖為：在KAP有向圖中，若圖中的每個頂點 Vi，i一（1，2,…，n}，移動的范圍均在其可移動范圍內，則稱此圖為合法KAP有向圖；若圖中 存在任意一個或者多個頂點Vj，j一（1，2,…，n}，移動的范圍超出了其可移動范圍，則稱此 圖為非法KAP有向圖。
[0014] 所述的多步匹配分類為：首先，KAP有向圖間頂點粗粒度匹配方法，用來返回兩張 KAP有向圖間頂點的初始匹配序列；然后，KAP有向圖間頂點細粒度匹配方法，用來對KAP有 向圖間的頂點進行進一步的匹配；最后，KAP有向圖間頂點匹配的優化方法，包括偽同構結 構排除方法和遭誤刪頂點找回策略，從而準確的實現了KAP有向圖的匹配過程，得到了KAP 有向圖間相同的頂點和公共子圖，利用頂點的重要性P作為頂點的權值，對KAP有向圖間相 同的頂點進行加權求和作為兩圖的相似度，采用投票機制進行分類。
[0015] 本發明的有益效果在于：
[0016] 本發明提出的面向紋理的角點提取方法有效的降低了角點的提取時間，同時由于 紋理部位是圖像中灰度變化最劇烈的位置，也是圖像中反應信息量最重要的位置，進而提 高了角點的代表性。提出的KAP有向圖模型，能夠有效的描述醫學圖像的特征，而且從原始 的灰度圖像到KAP有向圖的構建過程也易操作，提高了本模型的實用價值。提出的多步匹 配分類算法能夠準確的實現對醫學圖像的分類，有效的提高了分類的精度，從而提高醫生 的診斷精度和縮短診斷時間。
【附圖說明】
[0017] 圖1是腦部CT圖像紋理提取的過程；
[001引圖2是圖像建模的過程；
[0019] 圖3是粗粒度匹配算法頂點匹配的示例；
[0020] 圖4是細粒度匹配算法刪除差異點的示例；
[0021] 圖5是迭代效果示例；
[0022] 圖6是偽同構結構處理示例。
【具體實施方式】
[0023] 下面結合附圖和具體實施例對本發明作進一步的說明：
[0024] 本發明提出一種基于K最近鄰紋理角點（KAP，Knearestnei曲bortenure angularpoints)有向圖模型的醫學圖像分類方法，其特征在于利用一種新穎的KAP有向 圖模型描述圖像之間存在的關系，并利用其進行多步的匹配，進而實現醫學圖像的分類。 KAP有向圖模型的定義是：首先對醫學圖像進行KAP有向圖建模處理，給出醫學圖像中KAP 有向圖模型的兩個概念：合法KAP有向圖和非法KAP有向圖；然后提出了KAP有向圖間頂 點粗粒度匹配算法、KAP有向圖間頂點細粒度匹配算法和KAP有向圖間頂點匹配的優化算 法。對于每一張待分類的圖像，其分類過程是：首先對待分類圖像進行紋理化處理，提取出 紋理部位的角點；然后針對提取到的角點，結合醫學圖像的固有特點，利用KAP有向圖模型 來描述醫學圖像；接著根據KAP有向圖間頂點粗粒度匹配算法、KAP有向圖間頂點細粒度匹 配算法和KAP有向圖間頂點匹配的優化算法的結合，準確的實現了KAP有向圖的匹配，得到 了KAP有向圖間相同的頂點；最后，利用頂點的重要性作為頂點的權值，對KAP有向圖間相 同的頂點進行加權求和作為兩圖的相似度，并采用投票機制進行分類，W達到輔助醫生診 斷的效果。本發明與傳統醫學圖像分類技術相比，提高了分類結果的準確率。 陽0巧]本發明包括如下步驟：
[0026] (1)待分類圖像提出分類請求：待分類圖像應為原始醫學圖像數據； W27] 似圖像預處理過程：對原始醫學圖像提取感興趣區域（R0I，RegionOf Interest),計算圖像ROI區域的灰度直方圖，得到圖像ROI區域的灰度直方圖的波谷列表， 根據波谷列表對圖像分級提取紋理特征，根據實際需要將得到的分級紋理圖像規范化到統 一的大小，并在紋理部位提取出圖像的角點；
[0028] (3)圖像建模：利用提取到的角點并結合醫學圖像的具體特點，提出了醫學圖像 到KAP有向圖的建模方法，包括合法KAP有向圖和非法KAP有向圖兩種；
[0029] (4)多步匹配算法：提出了KAP有向圖間頂點粗粒度匹配算法、KAP有向圖間頂點 細粒度匹配算法和KAP有向圖間頂點匹配的優化算法，最終可W獲得兩張圖像之間相同的 頂點和公共子圖；
[0030] (5)醫學圖像的分類算法：利用頂點的重要性作為頂點的權值，對KAP有向圖間相 同的頂點進行加權求和作為兩圖的相似度，并采用投票機制進行分類，最終實現了對醫學 圖像的多步匹配分類。 陽〇3U 角點為：高斯窗W在圖像G上移動，獲得2 X 2局部結構矩陣M，對該矩陣Μ求取特 征值λl和λ2，建立度量函數R=detM-k(traceM)2，設定闊值白，如果R〉θ則該位置為角 點，反之則不是。
[0032]其中detM=λ1λ2，traceM=λ1+λ2，detM是矩陣Μ的行列式值，trace