一種基于超聲圖像低秩分析的甲狀腺病灶圖像識(shí)別方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于超聲圖像低秩分析的甲狀腺病灶圖像識(shí)別方法。
【背景技術(shù)】
[0002] 視覺(jué)是人類獲取信息的重要來(lái)源，在計(jì)算機(jī)替代人類可重復(fù)性工作的信息時(shí)代， 圖像處理與模式識(shí)別無(wú)疑是目前研究和應(yīng)用的一大熱門。在今年的全國(guó)政協(xié)會(huì)議上，政協(xié) 委員、百度公司CEO李彥宏建議設(shè)立"中國(guó)大腦"計(jì)劃，推動(dòng)人工智能跨越發(fā)展，搶占新一輪 科技革命制高點(diǎn)；谷歌、微軟亞洲研究院等世界著名研究機(jī)構(gòu)成立有專門的計(jì)算機(jī)視覺(jué)小 組。這表明人工智能的時(shí)代即將到來(lái)，而圖像處理與模式識(shí)別作為人工智能中的一個(gè)重要 組成部分，其研究與應(yīng)用價(jià)值的重要性不言而喻。
[0003]目前圖像處理與模式識(shí)別領(lǐng)域的研究熱點(diǎn)主要集中于目標(biāo)檢測(cè)、圖像分割、分類 識(shí)別、目標(biāo)跟蹤、3D場(chǎng)景重建等方面，圖像識(shí)別的重要目標(biāo)是根據(jù)圖像，分辨其中物體的類 另IJ，并做出相應(yīng)的判斷。其中圖像識(shí)別是人類視覺(jué)認(rèn)知的延伸，包含諸如條碼識(shí)別、生物特 征識(shí)別、手寫識(shí)別等多個(gè)方面。因此，隨著圖像的廣泛應(yīng)用，利用計(jì)算機(jī)對(duì)圖像提取特定類 型的特征，通過(guò)融入先驗(yàn)知識(shí)對(duì)其建立分析處理模型，進(jìn)而據(jù)此對(duì)興趣目標(biāo)進(jìn)行自動(dòng)、準(zhǔn)確 的識(shí)別，盡可能地降低手工勞動(dòng)工作量，已經(jīng)成為現(xiàn)在的發(fā)展趨勢(shì)，并可為跟蹤、分割、重建 等后續(xù)應(yīng)用提供必要的技術(shù)基礎(chǔ)，具有重要的科學(xué)研究意義。
[0004] 根據(jù)調(diào)研，目前尚不存在甲狀腺病灶圖像的識(shí)別方法。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明解決的技術(shù)問(wèn)題是：克服現(xiàn)有技術(shù)的不足，提供一種基于超聲圖像低秩分 析的甲狀腺病灶圖像識(shí)別方法，實(shí)現(xiàn)對(duì)甲狀腺區(qū)域圖像自動(dòng)和準(zhǔn)確的識(shí)別，，為計(jì)算機(jī)輔助 診斷提供新的方法。
[0006] 本發(fā)明采用的技術(shù)方案為：一種基于超聲圖像低秩分析的甲狀腺病灶圖像識(shí)別方 法，包括以下三個(gè)步驟：
[0007] 步驟（一），采用聚類的方法，以位置相近、特征相似的像素聚為一類，將超聲圖像 劃分為若干個(gè)子區(qū)域組成超像素；按照每個(gè)超像素包含像素?cái)?shù)量的大小，進(jìn)行若干層次的 超像素分割；以超像素為單位，提取超聲圖像的方向梯度直方圖H0G特征和局部二值模式 LBP特征，對(duì)于一個(gè)超像素，將其H0G特征與LBP特征串聯(lián)，即得到一個(gè)列向量，用于表示該 超像素的特征；超聲圖像分為訓(xùn)練圖像和測(cè)試圖像兩類，訓(xùn)練圖像含有醫(yī)生標(biāo)注信息，供訓(xùn) 練詞典時(shí)使用；測(cè)試圖像不含醫(yī)生標(biāo)注信息，供測(cè)試方法的效果使用；
[0008] 步驟（二），對(duì)于通過(guò)步驟（一）得到的訓(xùn)練圖像特征，結(jié)合醫(yī)生標(biāo)定的甲狀腺區(qū) 域圖像位置，將甲狀腺區(qū)域圖像位置的超像素的塊狀特征組成詞典；對(duì)于通過(guò)步驟（一） 得到的訓(xùn)練圖像特征，利用圖像特征數(shù)據(jù)之間的相關(guān)性和全局結(jié)構(gòu)信息，通過(guò)低秩重構(gòu)誤 差分析的方法，將與詞典相似的圖像特征數(shù)據(jù)重構(gòu)出來(lái)，計(jì)算重構(gòu)誤差；使用graph-cut算 法對(duì)測(cè)試圖像進(jìn)行分割處理，結(jié)合graph-cut分割結(jié)果，標(biāo)定出甲狀腺的位置區(qū)域，供步驟 (三）使用；
[0009] 步驟（三）通過(guò)步驟（一）計(jì)算得到甲狀腺位置區(qū)域圖像特征，將所有特征并聯(lián) 為一個(gè)矩陣，使用低秩分解的方法對(duì)該矩陣進(jìn)行低秩分解，得到一個(gè)具有低秩性的矩陣和 一個(gè)具有稀疏性的誤差矩陣；計(jì)算誤差矩陣中各列向量的范數(shù)，得到稀疏誤差；設(shè)定一個(gè) 閾值，根據(jù)誤差矩陣，計(jì)算每個(gè)超像素的稀疏誤差，稀疏誤差大于該閾值的超像素即認(rèn)為是 病灶區(qū)域。
[0010] 所述步驟（一）中的基于超像素層次化分割具體實(shí)現(xiàn)如下：
[0011] (1)給出一個(gè)超像素分割的數(shù)目η作為輸入?yún)?shù)；
[0012] (2)根據(jù)給出的數(shù)目η，生成η個(gè)中心點(diǎn)，平均放置在超聲圖像中進(jìn)行初始化；
[0013] (3)在Labxy五維向量空間中，根據(jù)第⑵步生成的中心點(diǎn)，對(duì)每個(gè)像素點(diǎn)進(jìn)行聚 類操作；
[0014] (4)所有像素點(diǎn)聚類完成后，將每一類中像素點(diǎn)平均值更新為新的中心點(diǎn)；
[0015] (5)根據(jù)第（4)步得到的新中心點(diǎn)，判斷是否滿足收斂條件，如果滿足，則結(jié)束，返 回超像素分割完成的標(biāo)注圖像和實(shí)際分割超像素?cái)?shù)目，如果不滿足，則回到第（3)步，繼續(xù) 對(duì)像素點(diǎn)進(jìn)行聚類操作；
[0016] (6)設(shè)置多個(gè)超像素分割數(shù)目，重復(fù)（1)~（6)步，得到層次化分割結(jié)果。
[0017] 所述步驟（一）中的以超像素為單位，提取圖像的H0G特征和LBP特征的具體實(shí) 現(xiàn)如下：
[0018] (1)遍歷整幅圖像，計(jì)算出每個(gè)像素點(diǎn)的梯度方向大小和與周圍8個(gè)像素灰度值 的大小關(guān)系，得到每個(gè)像素點(diǎn)的特征數(shù)值；
[0019] (2)結(jié)合超像素分割信息，根據(jù)第（1)步的每個(gè)像素的特征數(shù)值，將其統(tǒng)計(jì)到所在 超像素中，形成統(tǒng)計(jì)直方圖，提取H0G特征和LBP特征。
[0020] 所述步驟（二）的低秩重構(gòu)誤差分析具體實(shí)現(xiàn)如下：
[0021] (1)將訓(xùn)練圖像按照步驟（一）進(jìn)行超像素層次化分割與特征提取，結(jié)合醫(yī)生標(biāo)注 的甲狀腺區(qū)域信息，將屬于甲狀腺區(qū)域的所有超像素的特征并聯(lián)，得到詞典；
[0022] (2)將測(cè)試圖像按照步驟（一）進(jìn)行超像素層次化分割與特征提取，將所有超像素 的特征與第（1)步得到的詞典并聯(lián)，得到數(shù)據(jù)矩陣X;
[0023] (3)對(duì)第（2)步得到的數(shù)據(jù)矩陣X，用測(cè)試圖像特征重構(gòu)詞典，使用增廣拉格朗日 乘子法求解公式：
[0024]
[0025] 得到系數(shù)矩陣Z，其中E為誤差，λ為參數(shù)；
[0026] (4)根據(jù)第（3)步得到的系數(shù)矩陣Ζ，計(jì)算測(cè)試圖像各超像素重構(gòu)詞典時(shí)的重構(gòu)誤 差；
[0027] (5)對(duì)測(cè)試圖像進(jìn)行Graph-cut分割，根據(jù)第（4)步每個(gè)超像素的重構(gòu)誤差，對(duì)分 割區(qū)域進(jìn)行投票，得到平均重構(gòu)誤差最小的區(qū)域即認(rèn)為是甲狀腺區(qū)域。
[0028] 所述步驟（三）的低秩分解的具體實(shí)現(xiàn)如下：
[0029] (1)根據(jù)步驟（二）得到的甲狀腺區(qū)域圖像，將其按照步驟（一）進(jìn)行超像素層次 化分割與特征提取，將所有超像素的特征并聯(lián)，得到數(shù)據(jù)矩陣X;
[0030] (2)對(duì)第（1)步得到的數(shù)據(jù)矩陣X，求解公式：
[0031]
[0032] 得到誤差矩陣E，其中A為低秩部分矩陣，λ為參數(shù)。
[0033] (3)根據(jù)第⑵步得到的誤差矩陣Ε，計(jì)算甲狀腺區(qū)域圖像內(nèi)各超像素特征的稀疏 誤差；設(shè)定一個(gè)閾值，稀疏誤差大于該閾值的超像素即可認(rèn)為屬于病灶區(qū)域圖像。
[0034] 本發(fā)明的原理在于：
[0035] (1)通過(guò)基于線性迭代聚類的方法，根據(jù)像素位置的相近性和像素顏色的相似性， 通過(guò)不斷的簡(jiǎn)單線性聚類，將圖像分割為多個(gè)子區(qū)域，組成超像素。首先遍歷整幅圖像，計(jì) 算出每個(gè)像素點(diǎn)的梯度方向大小和與周圍8個(gè)像素灰度值的大小關(guān)系；然后根據(jù)超像素分 割得到的標(biāo)注信息，將每個(gè)像素的特征數(shù)值統(tǒng)計(jì)到所在超像素中，形成統(tǒng)計(jì)直方圖；最后把 每個(gè)超像素的特征作為一個(gè)列向量，并聯(lián)起所有列向量即構(gòu)成詞典，供后續(xù)工作使用。
[0036] (2)為了識(shí)別甲狀腺區(qū)域，本發(fā)明通過(guò)低秩表示的方法，提出了一種通過(guò)利用數(shù)據(jù) 之間的相關(guān)性和全局結(jié)構(gòu)信息，將與訓(xùn)練詞典相似的數(shù)據(jù)重構(gòu)出來(lái)，且重構(gòu)誤差較小，并結(jié) 合graph-cut分割出的區(qū)域，可以有效地識(shí)別甲狀腺區(qū)域的方法。
[0037] (3)為了檢測(cè)甲狀腺病灶位置，本發(fā)明通過(guò)基于局部低秩分解的顯著性檢測(cè)的方 法，甲狀腺區(qū)域特征具有低秩性，而病灶的存在會(huì)破壞這種低秩性。對(duì)甲狀腺區(qū)域精細(xì)化超 像素分割進(jìn)行低秩分解，通過(guò)稀疏誤差矩陣可以對(duì)病灶進(jìn)行有效地檢測(cè)。
[0038] 本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于：
[0039] (1)基于超像素提取圖像特征可以有效降低數(shù)據(jù)規(guī)模，提高算法效率。相比于傳統(tǒng) 的基于像素的方法，超像素聚集特征、位置相似相近的像素，可以表示一個(gè)區(qū)域的特征，減 少冗余計(jì)算量。多尺度層次化提取圖像特征的方法，可以兼顧全局和局部信息的獲取，有效 地提高識(shí)別準(zhǔn)確率。
[0040]