的腦部同一腦層完成KAP有向圖建模，KAP有向圖間頂點 的位置也會略有差別，KAP有向圖間頂點粗粒度匹配算法就是為了解決上述問題。
[0069] 圖3紅色圓圈范圍代表頂點的可移動范圍，在頂點的可移動范圍內的頂點即為兩 張圖中相同的頂點，例如圖3中標記為Vi和V' 1的頂點，沒在頂點可移動范圍內的頂點進 行隨機匹配，在圖中沒有標注出。需要注意的問題是，當某個頂點同時在兩個或多個頂點的 可移動范圍內時，例如圖3中V%點同時在兩個紅色圓圈內，算法會計算該頂點離運兩個頂 點哪個更化則會判定其與最近的那個頂點建立有序化圖3中V'7離V難，所WV都V' 7 建立有序對<V7，V' 7〉。當與兩個或多個頂點距離相同時，算法會進行隨機配對。
[0070] 從上文可W看出，算法對每個頂點進行了匹配，但運個階段的匹配不夠準確，在 KAP有向圖間頂點細粒度匹配算法中，每張圖內部頂點間的空間結構關系被考慮進來。因 此，代表頂點和頂點間空間結構關系的有向邊就顯得尤為重要。圖4和圖5所示是KAP有向 圖間頂點細粒度匹配算法的過程。在KAP有向圖中，根據圖中的有向邊可W構造兩個NXN 的矩陣，分別為圖中頂點的出度矩陣QFV和入度矩陣HFV，其中N為圖中頂點的個數。具體 的構造方法如下： 陽〇7U 如果存在有向邊Vi-Vj則令QFV[i，j]= 1，同時令HFV[j，U= 1。反么QFV[i，j] =0，HFV[j，i]= 0。 陽07引在KAP有向圖G=(V，E，M，P，腳和G'= (ν'，E，M'，P'，N'）中，分別存在兩個NXN的矩陣，對于有向圖G記為QFV和HFV，有向圖G'記為QFV'和HFV'。我們不難發現， KAP有向圖間有向邊的關系可W通過W下兩個差值矩陣進行評價：出度差值矩陣AQFV= QFV-QFV'I和入度差值矩陣AHFV=IHFV-HFV'I。頂點間的出入度差異值越大說明頂 點周圍有向邊的分布越不相同，差異值為零說明頂點周圍有向邊的分布相同，即是匹配正 確的頂點。用U，表示最大差異頂點，U,的計算如下：
[0073] 運是一個迭代的過程，每迭代一次會相應的消掉一個差異值最大的頂點，直到兩 張KAP有向圖中所有頂點周圍有向邊的分布完全相同算法終止。
[0074] 最后提出了KAP有向圖頂點匹配的優化算法，主要是為了解決對于偽同構結構 造成的差異頂點無法排除的問題，如圖5所示，圖5(a)和圖5(b)是經過若干次迭代處理 后形成的偽同構結構，兩張圖中的每個頂點周圍的有向邊的分布均是相同的，但是兩張圖 在結構上有著明顯的差別，如圖中Ve和V' 5頂點的位置。兩張圖的幾何中屯、分別為：〇1和 〇2, W每個需要檢測的頂點作為起始點、W KAP有向圖的幾何中屯、為終點建立一個向量，W 逆時針方向作為極坐標的正方向，構成一個極坐標系，兩個偽同構結構的極坐標軸分別為
如圖5中的例子所示，圖5 (a)中的Vs點W極坐標軸 巧^沿著逆時針的方向旋轉可獲得最近3個點的順序集合為{V,，V4,VJ，圖5化）中的點 W極坐標軸巧巧沿著逆時針的方向旋轉可獲得最近3個點的順序集合為IV'e，V' 7,V'J， 從而可知運兩個頂點的周圍頂點的空間分布是不同的。因此，此頂點為兩張KAP有向圖中 差異的頂點，可W直接移除。最終得到了兩圖間準確的相同頂點和公共子圖。利用腦部CT 圖像間的公共子圖作為分類的基礎，來實現對腦部CT圖像正異常的分類。分類方法采用了 投票機制，其具體的步驟如下：首先，循環調用算法1-3獲得Τι與訓練集中每張圖像的公共 子圖。然后，利用
計算每張公共子圖的相似值。最后，設定一個S值并進行初始化， 找出訓練集中與待測試圖像相似值最大的前s張圖像，并統計運s張圖像中是正常和異常 的數量。如果正常的數量大于異常的數量，則說明待檢測圖像是正常圖像。反之，則說明待 檢測圖像是異常圖像。
[00巧]本發明的關鍵在于使用KAP有向圖模型建模理論對醫學圖像進行建模，從而利用 其進行多步的匹配分類。該方法較傳統的醫學圖像分類方法相比優勢在于：首先，充分考慮 醫學圖像本身的結構性和可變性。其次，提出的多步匹配分類方法，降低了圖像分類的時間 復雜度，同時提高了分類的準確率。最后，本方法實現簡單，擁有很強的實際應用價值。
【主權項】
1. 一種基于KAP有向圖模型的醫學圖像分類方法，其特征在于，包括如下步驟： (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； ⑵圖像預處理過程：對原始醫學圖像提取感興趣ROI區域，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； (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，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； (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； (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。2. 根據權利要求1所述的一種基于KAP有向圖模型的醫學圖像分類方法，其特征在于， 所述角點為：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 λ 2，建立度量函數R = detM_k(traceM)2,設定閾值Θ，當R>0則該位置為角點，反 之則不是； 其中detM= AJ^traceM: Ai+A^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為閾值。3. 根據權利要求1所述的一種基于KAP有向圖模型的醫學圖像分類方法，其特征在 于，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Vp i - {1，2,…，η}，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U - {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。4. 根據權利要求1所述的基于KAP有向圖模型的醫學圖像分類方法，其特征是，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。
【專利摘要】本發明屬于醫療信息技術領域，具體涉及一種基于KAP有向圖模型的醫學圖像分類方法。本發明包括：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；圖像預處理過程：對原始醫學圖像提取感興趣ROI區域，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。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。
【IPC分類】G06K9/62, G06K9/32
【公開號】CN105279508
【申請號】CN201510566372
【發明人】潘海為, 吳枰, 韓啟龍, 謝曉芹, 高琳琳, 戰宇, 翟霄, 李文博
【申請人】哈爾濱工程大學
【公開日】2016年1月27日
【申請日】2015年9月8日