[go: up one dir, main page]

CN110136100B - Ct切片图像的自动分类方法和装置 - Google Patents

Ct切片图像的自动分类方法和装置 Download PDF

Info

Publication number
CN110136100B
CN110136100B CN201910302815.8A CN201910302815A CN110136100B CN 110136100 B CN110136100 B CN 110136100B CN 201910302815 A CN201910302815 A CN 201910302815A CN 110136100 B CN110136100 B CN 110136100B
Authority
CN
China
Prior art keywords
dimensional array
dcm
box
operator
lbp
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.)
Expired - Fee Related
Application number
CN201910302815.8A
Other languages
English (en)
Other versions
CN110136100A (zh
Inventor
布社辉
胡金龙
麦善锐
梁晓阳
黄松
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201910302815.8A priority Critical patent/CN110136100B/zh
Publication of CN110136100A publication Critical patent/CN110136100A/zh
Application granted granted Critical
Publication of CN110136100B publication Critical patent/CN110136100B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种CT切片图像的自动分类方法和装置，从CT切片图像之中提取身体轮廓方框，再分割为不同的子方框，整合不同子方框内的梯度和LBP特征统计信息生成对应CT切片图像的全局特征向量，通过与模板集进行对比计算从而获得最终的分类结果，从而实现以较小的计算量，较低的计算复杂度，快速的实现对CT切片图像的分类，并能满足实时处理的要求，并且降低了对软硬件的性能的要求，可以节约成本，降低了开发的难度，符合对高速化大规模数据处理模式的要求。

Description

CT切片图像的自动分类方法和装置
技术领域
本发明涉及CT切片图像处理的技术领域，尤其是指一种CT切片图像的自动分类方法和装置。
背景技术
伴随着医学影像技术的发展，各类数字化医学影像设备已经在各级医疗机构得到了广泛的应用。特别是CT(Computed Tomography,计算机断层扫描)具有成像清晰，分辨率高，速度快，费用适中等优点，在临床领域已经作为对脑，胸，腹等身体部位进行可视化诊断的一项标配方案。对一个患者而言，一次扫描大概产生少则几十张，多则上百张的CT切片图像数据。目前对这些图像数据的判别处理还是主要依靠人工操作，因此存在准确率无法确保，效率低以及人力不足等问题严重制约对CT切片图像数据的处理。因此人工智能(Artificial Intelligence，简称AI)技术被认为是解决上述问题的关键，并作为计算机辅助诊断(Computer aided diagnosis，简称CAD)的一项核心技术。在人工智能应用于CT切片图像数据的处理时，需要对CT切片图像进行分类，即判断该CT切片图像属于身体的具体部位，进而采用对应身体部位的模型来进行判别处理。现有的分类方法主要有两大类：一类方法是通过与预先构建的模板进行匹配比对来实现判别；另外一类是通过“特征提取+分类器”这种传统的模式识别方法来进行的，特别是诸如卷积神经网络(Convolutional NeuralNetworks,简称CNN)这样的深度学习(deep learning)方法具有很高的性能。采用第一种模板匹配的方法需要构建标准模板，而且这种方法的准确度依赖模板的质量，而且这种方法由于没有考虑个体差异，以及在进行检测时身体状态的差异性，因此实际应用效果不理想。第二种方法之中的分类器一般采用有监督学习方式，这就意味着必须要有一个具有标注信息的训练样本数据集。由于标注训练样本数据集是一项费时费力的工作，并且这种方法的性能依赖标注训练样本数据集的数量和质量，因此具有高质量的人工标注信息的大规模训练样本数据集是不那么容易获取的。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提出了一种CT切片图像的自动分类方法和装置，解决现有的CT切片图像分类方法之中，采用模板匹配对比的这个技术方案存在的匹配准确度严重依赖匹配模板的质量，而且匹配模板无法针对个体的差异性进行修正，匹配算法的计算复杂度较高，计算量比较巨大；而采用传统模式识别的分类算法依赖大量的人工标注样本数据集的这些技术问题。
为实现上述目的，本发明所提供的技术方案如下：
CT切片图像的自动分类方法，包括以下步骤：
步骤1、使用最大类间方差算法计算出将输入的CT切片图像二维数组DCMI进行背景区域与身体目标区域进行最佳分割的阈值VTH，依据所述阈值VTH将所述CT切片图像二维数组DCMI进行二值化处理获得二值图像二维数组DCMB，对所述二值图像二维数组DCMB进行二值开运算处理获得轮廓图像二维数组DCMC，从所述轮廓图像二维数组DCMC提取包含所述身体目标区域的方框CBox＝[Xleft,Ytop,Xright,Ybottom]，所述Xleft为所述方框CBOX在X轴方向的左边界、所述Ytop为所述方框CBOX在Y轴方向的上边界、所述Xright为所述方框CBOX在所述X轴方向的右边界、所述Ybottom为所述方框CBOX在所述Y轴方向的下边界；
步骤2、将所述方框CBOX分割为M*N个尺寸相同的子方框CsubBOX(m,n)＝[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]，所述M为将所述方框CBOX在所述X轴方向等分的数目，所述N为将方框CBOX在所述Y轴方向等分的数目，所述m为所述子方框CsubBOX(m,n)在所述X轴方向的序号，所述m的取值范围为[1,M]，所述n为所述子方框CsubBOX(m,n)在所述Y轴方向的序号，所述n的取值范围为[1,N]，所述W为所述子方框CsubBOX(m,n)在所述X轴方向的宽度，所述W＝(Xright-Xleft)/M，所述H为所述子方框CsubBOX(m,n)在所述Y轴方向的高度，所述H＝(Ybottom-Ytop)/N；
步骤3、使用算子Sobel_X计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_X，所述算子Sobel_X＝[-1 0 1,-2 0 2,-1 0 1]，使用算子Sobel_Y计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_Y，所述算子Sobel_Y＝[-1 -2 -1,0 0 0,1 21]，使用算子Sobel_XY计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_XY，所述算子Sobel_XY＝[0 1 2,-1 0 1,-2 -1 0]，使用算子Sobel_YX计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_YX，所述算子Sobel_YX＝[-2 -1 0,-1 0 1,0 1 2]，计算所述CT切片图像二维数组DCMI的局部二值模式分布二维数组DCMLBP；
步骤4、从所述梯度分布二维数组DCMG_X计算对应所述子方框CsubBOX(m,n)所在位置[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]的梯度直方分布向量HG_X(m,n)，从所述梯度分布二维数组DCMG_Y计算对应所述子方框CsubBOX(m,n)所在位置[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]的梯度直方分布向量HG_Y(m,n)，从所述梯度分布二维数组DCMG_XY计算对应所述子方框CsubBOX(m,n)所在位置[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]的梯度直方分布向量HG_XY(m,n)，从所述梯度分布二维数组DCMG_YX计算对应所述子方框CsubBOX(m,n)所在位置[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]的梯度直方分布向量HG_YX(m,n)，从局部二值模式分布二维数组DCMLBP计算对应所述子方框CsubBOX(m,n)所在位置[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]的局部二值模式直方分布向量HLBP(m,n)；
步骤5、通过公式HG_LBP＝concat([HG_X(m,n),HG_Y(m,n),HG_XY(m,n),HG_YX(m,n),HLBP(m,n)])|m:1->M,n:1->N将所述梯度直方分布向量HG_X(m,n)、所述梯度直方分布向量HG_Y(m,n)、所述梯度直方分布向量HG_XY(m,n)、所述梯度直方分布向量HG_YX(m,n)、所述局部二值模式直方分布向量HLBP(m,n)进行向量合并，所述HG_LBP为所述CT切片图像二维数组DCMI的全局特征向量，所述concat为向量合并函数；
步骤6、通过公式
Figure GDA0002766854320000041
计算与所述全局特征向量HG_LBP距离最短的Ci所对应的类别序号iopt作为所述CT切片图像二维数组DCMI所属的类别，所述Ci为所述类别模板集{C1,C2,…,CK}内类别i的全局特征向量，所述K为所述类别的总数，所述全局特征向量HG_LBP与所述类别i的全局特征向量Ci的距离计算公式dist(Ci,HG_LBP)＝||Ci-HG_LBP||2。
进一步，在步骤3中，使用算子Prewitt_X计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_X，所述算子Prewitt_X＝[-1 0 1,-1 0 1,-1 0 1]，使用算子Prewitt_Y计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_Y，所述算子Prewitt_Y＝[-1 -1 -1,0 0 0,1 1 1]，使用算子Prewitt_XY计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_XY，所述算子Prewitt_XY＝[0 1 1,-1 0 1,-1 -1 0]，使用算子Prewitt_YX计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_YX，所述算子Prewitt_YX＝[-1 -1 0,-1 0 1,0 1 1]，计算所述CT切片图像二维数组DCMI的局部二值模式分布二维数组DCMLBP。
进一步，在步骤3中，使用算子Roberts_X计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_X，所述算子Roberts_X＝[1 -1,1 -1]，使用算子Roberts_Y计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_Y，所述算子Roberts_Y＝[-1 -1,1 1]，使用算子Roberts_XY计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_XY，所述算子Roberts_XY＝[1 0,0 -1]，使用算子Roberts_YX计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_YX，所述算子Roberts_YX＝[0 1,-1 0]，计算所述CT切片图像二维数组DCMI的局部二值模式分布二维数组DCMLBP。
进一步，在步骤6中，通过公式
Figure GDA0002766854320000051
计算与所述全局特征向量HG_LBP距离最短的Ci所对应的类别序号iopt作为所述CT切片图像DCMI所属的类别，所述Ci为所述类别模板集{C1,C2,…,CK}内类别i的全局特征向量，所述K为所述类别的总数，所述全局特征向量HG_LBP与所述类别i的全局特征向量Ci的距离计算公式distKL(Ci,HG_LBP)＝(Σj＝1:L(Ci[j]*log(Ci[j]/HG_LBP[j]))+Σj＝1:L(HG_LBP[j]*log(HG_LBP[j]/Ci[j])))/2，所述j为所述全局特征向量HG_LBP以及所述全局特征向量Ci内部元素的序号，所述L为所述全局特征向量HG_LBP以及所述全局特征向量Ci的长度。
进一步，在步骤1中，所述CT切片图像二维数组DCMI的所有数组元素的取值范围被正则化为[0,1024]。
CT切片图像的自动分类置，包括：
身体目标区域模块，用于使用最大类间方差算法计算出将输入的CT切片图像二维数组DCMI进行背景区域与身体目标区域进行最佳分割的阈值VTH，依据所述阈值VTH将所述CT切片图像二维数组DCMI进行二值化处理获得二值图像二维数组DCMB，对所述二值图像二维数组DCMB进行二值开运算处理获得轮廓图像二维数组DCMC，从所述轮廓图像二维数组DCMC提取包含所述身体目标区域的方框CBox＝[Xleft,Ytop,Xright,Ybottom]，所述Xleft为所述方框CBOX在X轴方向的左边界、所述Ytop为所述方框CBOX在Y轴方向的上边界、所述Xright为所述方框CBOX在所述X轴方向的右边界、所述Ybottom为所述方框CBOX在所述Y轴方向的下边界；
子方框分割模块，用于将所述方框CBOX分割为M*N个尺寸相同的子方框CsubBOX(m,n)＝[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]，所述M为将所述方框CBOX在所述X轴方向等分的数目，所述N为将方框CBOX在所述Y轴方向等分的数目，所述m为所述子方框CsubBOX(m,n)在所述X轴方向的序号，所述m的取值范围为[1,M]，所述n为所述子方框CsubBOX(m,n)在所述Y轴方向的序号，所述n的取值范围为[1,N]，所述W为所述子方框CsubBOX(m,n)在所述X轴方向的宽度，所述W＝(Xright-Xleft)/M，所述H为所述子方框CsubBOX(m,n)在所述Y轴方向的高度，所述H＝(Ybottom-Ytop)/N；
特征提取模块，用于使用算子Sobel_X计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_X，所述算子Sobel_X＝[-1 0 1,-2 0 2,-1 0 1]，使用算子Sobel_Y计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_Y，所述算子Sobel_Y＝[-1 -2 -1,0 0 0,1 2 1]，使用算子Sobel_XY计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_XY，所述算子Sobel_XY＝[0 1 2,-1 0 1,-2 -1 0]，使用算子Sobel_YX计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_YX，所述算子Sobel_YX＝[-2 -1 0,-1 0 1,01 2]，计算所述CT切片图像二维数组DCMI的局部二值模式分布二维数组DCMLBP；
子方框特征模块，用于从所述梯度分布二维数组DCMG_X计算对应所述子方框CsubBOX(m,n)所在位置[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]的梯度直方分布向量HG_X(m,n)，从所述梯度分布二维数组DCMG_Y计算对应所述子方框CsubBOX(m,n)所在位置[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]的梯度直方分布向量HG_Y(m,n)，从所述梯度分布二维数组DCMG_XY计算对应所述子方框CsubBOX(m,n)所在位置[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]的梯度直方分布向量HG_XY(m,n)，从所述梯度分布二维数组DCMG_YX计算对应所述子方框CsubBOX(m,n)所在位置[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]的梯度直方分布向量HG_YX(m,n)，从局部二值模式分布二维数组DCMLBP计算对应所述子方框CsubBOX(m,n)所在位置[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]的局部二值模式直方分布向量HLBP(m,n)；
全局特征模块，用于通过公式HG_LBP＝concat([HG_X(m,n),HG_Y(m,n),HG_XY(m,n),HG_YX(m,n),HLBP(m,n)])|m:1->M,n:1->N将所述梯度直方分布向量HG_X(m,n)、所述梯度直方分布向量HG_Y(m,n)、所述梯度直方分布向量HG_XY(m,n)、所述梯度直方分布向量HG_YX(m,n)、所述局部二值模式直方分布向量HLBP(m,n)进行向量合并，所述HG_LBP为所述CT切片图像二维数组DCMI的全局特征向量，所述concat为向量合并函数；
类别判别模块，用于通过公式
Figure GDA0002766854320000071
计算与所述全局特征向量HG_LBP距离最短的Ci所对应的类别序号iopt作为所述CT切片图像二维数组DCMI所属的类别，所述Ci为所述类别模板集{C1,C2,…,CK}内类别i的全局特征向量，所述K为所述类别的总数，所述全局特征向量HG_LBP与所述类别i的全局特征向量Ci的距离计算公式dist(Ci,HG_LBP)＝||Ci-HG_LBP||2。
进一步，在所述特征提取模块中，使用算子Prewitt_X计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_X，所述算子Prewitt_X＝[-1 0 1,-1 0 1,-1 0 1]，使用算子Prewitt_Y计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_Y，所述算子Prewitt_Y＝[-1 -1 -1,0 0 0,1 1 1]，使用算子Prewitt_XY计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_XY，所述算子Prewitt_XY＝[0 1 1,-1 0 1,-1 -1 0]，使用算子Prewitt_YX计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_YX，所述算子Prewitt_YX＝[-1 -1 0,-1 0 1,0 1 1]，计算所述CT切片图像二维数组DCMI的局部二值模式分布二维数组DCMLBP。
进一步，在所述特征提取模块中，使用算子Roberts_X计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_X，所述算子Roberts_X＝[1-1,1-1]，使用算子Roberts_Y计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_Y，所述算子Roberts_Y＝[-1-1,1 1]，使用算子Roberts_XY计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_XY，所述算子Roberts_XY＝[1 0,0 -1]，使用算子Roberts_YX计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_YX，所述算子Roberts_YX＝[0 1,-1 0]，计算所述CT切片图像二维数组DCMI的局部二值模式分布二维数组DCMLBP。
进一步，在所述类别判别模块中，通过公式
Figure GDA0002766854320000082
Figure GDA0002766854320000081
计算与所述全局特征向量HG_LBP距离最短的Ci所对应的类别序号iopt作为所述CT切片图像DCMI所属的类别，所述Ci为所述类别模板集{C1,C2,…,CK}内类别i的全局特征向量，所述K为所述类别的总数，所述全局特征向量HG_LBP与所述类别i的全局特征向量Ci的距离计算公式distKL(Ci,HG_LBP)＝(Σj＝1:L(Ci[j]*log(Ci[j]/HG_LBP[j]))+Σj＝1:L(HG_LBP[j]*log(HG_LBP[j]/Ci[j])))/2，所述j为所述全局特征向量HG_LBP以及全局特征向量Ci内部元素的序号，所述L为所述全局特征向量HG_LBP以及全局特征向量Ci的长度。
进一步，在所述身体目标区域模块中，所述CT切片图像二维数组DCMI的所有数组元素的取值范围被正则化为[0,1024]。
本发明与现有技术相比，具有如下优点与有益效果：
本发明可以不需要依赖大量的人工标注样本数据集，就可以实现快速准确对CT切片图像进行分类，同时还可以大大减少计算量，降低计算的复杂度，加快了处理速度，减少了计算时间，满足了实时处理的要求，并且降低了对软硬件的性能的要求，可以节约成本，降低了开发的难度，符合对高速化大规模数据处理模式的要求。
附图说明
图1为本发明CT切片图像的自动分类方法的流程示意图。
图2为本发明CT切片图像的自动分类装置的功能模块示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
现在将参考附图描述实现本发明各个实施例的移动终端。在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，"模块"与"部件"可以混合地使用。
如图1所示，本实施例所提供的CT切片图像的自动分类方法，包括以下步骤：
步骤S10、获取身体目标的区域。
即使用最大类间方差算法计算出将输入的CT切片图像二维数组DCMI进行背景区域与身体目标区域进行最佳分割的阈值VTH，依据所述阈值VTH将所述CT切片图像二维数组DCMI进行二值化处理获得二值图像二维数组DCMB，对所述二值图像二维数组DCMB进行二值开运算处理获得轮廓图像二维数组DCMC，从所述轮廓图像二维数组DCMC提取包含所述身体目标区域的方框CBox＝[Xleft,Ytop,Xright,Ybottom]，所述Xleft为所述方框CBOX在X轴方向的左边界、所述Ytop为所述方框CBOX在Y轴方向的上边界、所述Xright为所述方框CBOX在所述X轴方向的右边界、所述Ybottom为所述方框CBOX在所述Y轴方向的下边界。
步骤S20、子方框分割。
即将所述方框CBOX分割为M*N个尺寸相同的子方框CsubBOX(m,n)＝[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]，所述M为将所述方框CBOX在所述X轴方向等分的数目，所述N为将方框CBOX在所述Y轴方向等分的数目，所述m为所述子方框CsubBOX(m,n)在所述X轴方向的序号，所述m的取值范围为[1,M]，所述n为所述子方框CsubBOX(m,n)在所述Y轴方向的序号，所述n的取值范围为[1,N]，所述W为所述子方框CsubBOX(m,n)在所述X轴方向的宽度，所述W＝(Xright-Xleft)/M，所述H为所述子方框CsubBOX(m,n)在所述Y轴方向的高度，所述H＝(Ybottom-Ytop)/N。
步骤S30、特征提取。
即使用算子Sobel_X计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_X，所述算子Sobel_X＝[-1 0 1,-2 0 2,-1 0 1]，使用算子Sobel_Y计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_Y，所述算子Sobel_Y＝[-1 -2 -1,0 0 0,1 21]，使用算子Sobel_XY计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_XY，所述算子Sobel_XY＝[0 1 2,-1 0 1,-2 -1 0]，使用算子Sobel_YX计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_YX，所述算子Sobel_YX＝[-2 -1 0,-1 0 1,0 1 2]，计算所述CT切片图像二维数组DCMI的局部二值模式分布二维数组DCMLBP。
步骤S40、子方框特征统计。
即从所述梯度分布二维数组DCMG_X计算对应所述子方框CsubBOX(m,n)所在位置[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]的梯度直方分布向量HG_X(m,n)，从所述梯度分布二维数组DCMG_Y计算对应所述子方框CsubBOX(m,n)所在位置[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]的梯度直方分布向量HG_Y(m,n)，从所述梯度分布二维数组DCMG_XY计算对应所述子方框CsubBOX(m,n)所在位置[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]的梯度直方分布向量HG_XY(m,n)，从所述梯度分布二维数组DCMG_YX计算对应所述子方框CsubBOX(m,n)所在位置[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]的梯度直方分布向量HG_YX(m,n)，从局部二值模式分布二维数组DCMLBP计算对应所述子方框CsubBOX(m,n)所在位置[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]的局部二值模式直方分布向量HLBP(m,n)。
步骤S50、全局特征计算。
即通过公式HG_LBP＝concat([HG_X(m,n),HG_Y(m,n),HG_XY(m,n),HG_YX(m,n),HLBP(m,n)])|m:1->M,n:1->N将所述梯度直方分布向量HG_X(m,n)、所述梯度直方分布向量HG_Y(m,n)、所述梯度直方分布向量HG_XY(m,n)、所述梯度直方分布向量HG_YX(m,n)、所述局部二值模式直方分布向量HLBP(m,n)进行向量合并，所述HG_LBP为所述CT切片图像二维数组DCMI的全局特征向量，所述concat为向量合并函数。
步骤S60、类别判别。
即通过公式
Figure GDA0002766854320000111
计算与所述全局特征向量HG_LBP距离最短的Ci所对应的类别序号iopt作为所述CT切片图像二维数组DCMI所属的类别，所述Ci为所述类别模板集{C1,C2,…,CK}内类别i的全局特征向量，所述K为所述类别的总数，所述全局特征向量HG_LBP与所述类别i的全局特征向量Ci的距离计算公式dist(Ci,HG_LBP)＝||Ci-HG_LBP||2。
CT切片图像的像素值(称作CT值)的实际物理意义为人体组织或器官的密度，其计量单位为HU(hounsfield unit)，一般空气的CT值大约为-1000，人体密度最高的骨头的CT值接近+1000。一张CT切片图像的像素值的直方分布大概存在两个主要的波峰，一个波峰所分布的区域代表空气，而另一个波峰所分布的区域代表身体组织。因此采用最大类间方差算法(OTSU算法)可以寻找到最佳分割的阈值VTH将CT切片图像进行二值化处理，将DCMI之中像素值低于阈值VTH所对应二值图像DCMB的相同坐标位置的像素值设为0，即判定该像素为空气；将DCMI之中像素值低于阈值VTH所对应二值图像DCMB的相同坐标位置的像素值设为1，即判定该像素为身体组织。再通过对DCMB进行二值开运算处理得到DCMC，即对DCMB行先进行二值腐蚀算法处理，然后再进行二值膨胀算法处理，从而过滤掉DCMB内的孤立的噪声点，并且使身体部位的轮廓得到光滑，即得到身体轮廓DCMC。通过轮廓提取算法就可以得到在DCMC之中身体目标区域的方框CBox＝[Xleft,Ytop,Xright,Ybottom]。上述方法所获取的身体目标区域方框具有准确可靠，鲁棒性强，并且计算简单的特点。
根据所获取的身体目标区域的方框CBox＝[Xleft,Ytop,Xright,Ybottom]，可以将身体目标区域分割为M*N个尺寸相同的子方框CsubBOX(m,n)。再分别统计每个子方框CsubBOX(m,n)对应位置的四个方向的梯度信息DCMG_X,DCMG_Y,DCMG_XY,DCMG_YX,以及DCMLBP分别进行统计，从而生成特征直方分布向量HG_X(m,n),HG_Y(m,n),HG_XY(m,n),HG_YX(m,n),HLBP(m,n)。将上述所有的特征直方分布向量按照下述公式进行合并，从而生成对应DCMI所的全局特征向量HG_LBP。
HG_LBP＝concat([HG_X(m,n),HG_Y(m,n),HG_XY(m,n),HG_YX(m,n),HLBP(m,n)])|m:1->M,n:1->N
由于通过处理步骤获得了体轮廓的位置，因此从CT切片提取的全局特征向量HG_LBP，消除了不同身体轮廓区域在不同CT切片图像的位置差异。虽然不同人的相同部位的身体构造存在一定的个体差异性，但是不同人的相同部位的CT切片图像还是整体上具有相似性，因此计算所得的全局特征向量HG_LBP可以准确的来描述这种不同人在相同部位的CT切片图像所具有的整体相似性。
最后通过向量之间的公式
Figure GDA0002766854320000121
计算与所述全局特征向量HG_LBP距离最短的Ci所对应的类别序号iopt作为所述CT切片图像二维数组DCMI所属的类别，所述Ci为所述类别模板集{C1,C2,…,CK}的类别i的全局特征向量。所述类别模板集{C1,C2,…,CK}可以通过聚类算法或者人工标注的方式来生成。
因此采用上述处理步骤可以以较小的计算量，较低的计算复杂度，快速的提取CT切片图像二维数组DCMI所对应的全局特征向量HG_LBP，进而从预先构建的类别模板集之中查找出与HG_LBP最接近的Ci所对应的类别为最终分类结果。并且降低了对软硬件的性能的要求，可以节约成本。此外，该处理步骤也降低了开发的难度，满足对高速化大规模数据处理模式的要求。
进一步，基于上述图1的实施例，所述步骤S30、使用算子Prewitt_X计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_X，所述算子Prewitt_X＝[-1 0 1,-1 0 1,-1 0 1]，使用算子Prewitt_Y计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_Y，所述算子Prewitt_Y＝[-1 -1 -1,0 0 0,1 1 1]，使用算子Prewitt_XY计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_XY，所述算子Prewitt_XY＝[0 1 1,-1 01,-1 -1 0]，使用算子Prewitt_YX计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_YX，所述算子Prewitt_YX＝[-1 -1 0,-1 0 1,0 1 1]，计算所述CT切片图像二维数组DCMI的局部二值模式分布二维数组DCMLBP。
属于平均滤波的Prewitt算子相对加权平均滤波且检测的图像边缘可能大于2个像素的Sobel算子具有计算简单，计算速度快，且更加不容易受噪声干扰的好处。
进一步，基于上述图1的实施例，所述步骤S30、使用算子Roberts_X计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_X，所述算子Roberts_X＝[1 -1,1 -1]，使用算子Roberts_Y计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_Y，所述算子Roberts_Y＝[-1 -1,1 1]，使用算子Roberts_XY计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_XY，所述算子Roberts_XY＝[1 0,0 -1]，使用算子Roberts_YX计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_YX，所述算子Roberts_YX＝[0 1,-1 0]，计算所述CT切片图像二维数组DCMI的局部二值模式分布二维数组DCMLBP。
Roberts算子所计算的梯度相对Prewitt算子和Sobel算子更精准，并且梯度值的定位更准确。此外由于Roberts算子是2*2的算子，因此计算速度相对3*3的Prewitt算子和Sobel算子更快。
进一步，基于上述图1的实施例，所述步骤S60、通过公式
Figure GDA0002766854320000132
Figure GDA0002766854320000131
计算与所述全局特征向量HG_LBP距离最短的Ci所对应的类别序号iopt作为所述CT切片图像DCMI所属的类别，所述Ci为所述类别模板集{C1,C2,…,CK}内类别i的全局特征向量，所述K为所述类别的总数，所述全局特征向量HG_LBP与所述类别i的全局特征向量Ci的距离计算公式distKL(Ci,HG_LBP)＝(Σj＝1:L(Ci[j]*log(Ci[j]/HG_LBP[j]))+Σj＝1:L(HG_LBP[j]*log(HG_LBP[j]/Ci[j])))/2，所述j为所述全局特征向量HG_LBP以及全局特征向量Ci内部元素的序号，所述L为所述全局特征向量HG_LBP以及全局特征向量Ci的长度。
由于全局特征向量HG_LBP属于一种统计信息，也可以看作是一种分布。因此相对简单的欧氏距离，距离计算公式distKL(Ci,HG_LBP)所采用的两个分布向量之间的KL距离能更加准确和可靠的评价两个向量之间的相似程度。
进一步，基于上述图1的实施例，所述步骤S10中，所述CT切片图像二维数组DCMI的所有数组元素的取值范围被正则化为[0,1024]。
通过正则化可以更有效地消除不同CT切片图像二维数组DCMI的差异，提高分类的准确度。
本实施例上述的CT切片图像的自动分类方法可以由下面CT切片图像的自动分类装置来实现。
如图2所示，所述CT切片图像的自动分类装置100包括：
身体目标区域模块10，用于使用最大类间方差算法计算出将输入的CT切片图像二维数组DCMI进行背景区域与身体目标区域进行最佳分割的阈值VTH，依据所述阈值VTH将所述CT切片图像二维数组DCMI进行二值化处理获得二值图像二维数组DCMB，对所述二值图像二维数组DCMB进行二值开运算处理获得轮廓图像二维数组DCMC，从所述轮廓图像二维数组DCMC提取包含所述身体目标区域的方框CBox＝[Xleft,Ytop,Xright,Ybottom]，所述Xleft为所述方框CBOX在X轴方向的左边界、所述Ytop为所述方框CBOX在Y轴方向的上边界、所述Xright为所述方框CBOX在所述X轴方向的右边界、所述Ybottom为所述方框CBOX在所述Y轴方向的下边界；
子方框分割模块20，用于将所述方框CBOX分割为M*N个尺寸相同的子方框CsubBOX(m,n)＝[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]，所述M为将所述方框CBOX在所述X轴方向等分的数目，所述N为将方框CBOX在所述Y轴方向等分的数目，所述m为所述子方框CsubBOX(m,n)在所述X轴方向的序号，所述m的取值范围为[1,M]，所述n为所述子方框CsubBOX(m,n)在所述Y轴方向的序号，所述n的取值范围为[1,N]，所述W为所述子方框CsubBOX(m,n)在所述X轴方向的宽度，所述W＝(Xright-Xleft)/M，所述H为所述子方框CsubBOX(m,n)在所述Y轴方向的高度，所述H＝(Ybottom-Ytop)/N；
特征提取模块30，用于使用算子Sobel_X计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_X，所述算子Sobel_X＝[-1 0 1,-2 0 2,-1 0 1]，使用算子Sobel_Y计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_Y，所述算子Sobel_Y＝[-1 -2 -1,0 0 0,1 2 1]，使用算子Sobel_XY计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_XY，所述算子Sobel_XY＝[0 1 2,-1 0 1,-2 -1 0]，使用算子Sobel_YX计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_YX，所述算子Sobel_YX＝[-2 -1 0,-1 01,0 1 2]，计算所述CT切片图像二维数组DCMI的局部二值模式分布二维数组DCMLBP；
子方框特征模块40，用于从所述梯度分布二维数组DCMG_X计算对应所述子方框CsubBOX(m,n)所在位置[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]的梯度直方分布向量HG_X(m,n)，从所述梯度分布二维数组DCMG_Y计算对应所述子方框CsubBOX(m,n)所在位置[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]的梯度直方分布向量HG_Y(m,n)，从所述梯度分布二维数组DCMG_XY计算对应所述子方框CsubBOX(m,n)所在位置[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]的梯度直方分布向量HG_XY(m,n)，从所述梯度分布二维数组DCMG_YX计算对应所述子方框CsubBOX(m,n)所在位置[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]的梯度直方分布向量HG_YX(m,n)，从局部二值模式分布二维数组DCMLBP计算对应所述子方框CsubBOX(m,n)所在位置[Xleft+(m-1)*W,Ytop+(n-1)*H,Xleft+m*W,Ytop+n*H]的局部二值模式直方分布向量HLBP(m,n)；
全局特征模块50，用于通过公式HG_LBP＝concat([HG_X(m,n),HG_Y(m,n),HG_XY(m,n),HG_YX(m,n),HLBP(m,n)])|m:1->M,n:1->N将所述梯度直方分布向量HG_X(m,n)、所述梯度直方分布向量HG_Y(m,n)、所述梯度直方分布向量HG_XY(m,n)、所述梯度直方分布向量HG_YX(m,n)、所述局部二值模式直方分布向量HLBP(m,n)进行向量合并，所述HG_LBP为所述CT切片图像二维数组DCMI的全局特征向量，所述concat为向量合并函数；
类别判别模块60，用于通过公式
Figure GDA0002766854320000151
计算与所述全局特征向量HG_LBP距离最短的Ci所对应的类别序号iopt作为所述CT切片图像二维数组DCMI所属的类别，所述Ci为所述类别模板集{C1,C2,…,CK}内类别i的全局特征向量，所述K为所述类别的总数，所述全局特征向量HG_LBP与所述类别i的全局特征向量Ci的距离计算公式dist(Ci,HG_LBP)＝||Ci-HG_LBP||2。
CT切片图像的像素值(称作CT值)的实际物理意义为人体组织或器官的密度，其计量单位为HU(hounsfield unit)，一般空气的CT值大约为-1000，人体密度最高的骨头的CT值接近+1000。一张CT切片图像的像素值的直方分布大概存在两个主要的波峰，一个波峰所分布的区域代表空气，而另一个波峰所分布的区域代表身体组织。因此采用最大类间方差算法(OTSU算法)可以寻找到最佳分割的阈值VTH将CT切片图像进行二值化处理，将DCMI之中像素值低于阈值VTH所对应二值图像DCMB的相同坐标位置的像素值设为0，即判定该像素为空气；将DCMI之中像素值低于阈值VTH所对应二值图像DCMB的相同坐标位置的像素值设为1，即判定该像素为身体组织。再通过对DCMB进行二值开运算处理得到DCMC，即对DCMB行先进行二值腐蚀算法处理，然后再进行二值膨胀算法处理，从而过滤掉DCMB内的孤立的噪声点，并且使身体部位的轮廓得到光滑，即得到身体轮廓DCMC。通过轮廓提取算法就可以得到在DCMC之中身体目标区域的方框CBox＝[Xleft,Ytop,Xright,Ybottom]。上述方法所获取的身体目标区域方框具有准确可靠，鲁棒性强，并且计算简单的特点。
根据所获取的身体目标区域的方框CBox＝[Xleft,Ytop,Xright,Ybottom]，可以将身体目标区域分割为M*N个尺寸相同的子方框CsubBOX(m,n)。再分别统计每个子方框CsubBOX(m,n)对应位置的四个方向的梯度信息DCMG_X,DCMG_Y,DCMG_XY,DCMG_YX,以及DCMLBP分别进行统计，从而生成特征直方分布向量HG_X(m,n),HG_Y(m,n),HG_XY(m,n),HG_YX(m,n),HLBP(m,n)。将上述所有的特征直方分布向量按照HG_LBP公式进行合并，从而生成对应DCMI所的全局特征向量HG_LBP。由于通过身体目标区域模块10获得了体轮廓的位置，因此从CT切片提取的全局特征向量HG_LBP，消除了不同身体轮廓区域在不同CT切片图像的位置差异。虽然不同人的相同部位的身体构造存在一定的个体差异性，但是不同人的相同部位的CT切片图像还是整体上具有相似性，因此计算所得的全局特征向量HG_LBP可以准确的来描述这种不同人在相同部位的CT切片图像所具有的整体相似性。
最后通过向量之间的公式
Figure GDA0002766854320000161
计算与所述全局特征向量HG_LBP距离最短的Ci所对应的类别序号iopt作为所述CT切片图像二维数组DCMI所属的类别，所述Ci为所述类别模板集{C1,C2,…,CK}的类别i的全局特征向量。所述类别模板集{C1,C2,…,CK}可以通过聚类算法或者人工标注的方式来生成。
因此采用上述处理模块可以以较小的计算量，较低的计算复杂度，快速的提取CT切片图像二维数组DCMI所对应的全局特征向量HG_LBP，进而从预先构建的类别模板集之中查找出与HG_LBP最接近的Ci所对应的类别为最终分类结果。并且降低了对软硬件的性能的要求，可以节约成本。此外，该处理步骤也降低了开发的难度，满足对高速化大规模数据处理模式的要求。
进一步，所述特征提取模块之中：使用算子Prewitt_X计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_X，所述算子Prewitt_X＝[-1 0 1,-1 0 1,-1 0 1]，使用算子Prewitt_Y计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_Y，所述算子Prewitt_Y＝[-1 -1 -1,0 0 0,1 1 1]，使用算子Prewitt_XY计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_XY，所述算子Prewitt_XY＝[0 1 1,-1 0 1,-1-1 0]，使用算子Prewitt_YX计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_YX，所述算子Prewitt_YX＝[-1 -1 0,-1 0 1,0 1 1]，计算所述CT切片图像二维数组DCMI的局部二值模式分布二维数组DCMLBP。
属于平均滤波的Prewitt算子相对加权平均滤波且检测的图像边缘可能大于2个像素的Sobel算子具有计算简单，计算速度快，且更加不容易受噪声干扰的好处。
进一步，所述特征提取模块30之中：使用算子Roberts_X计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_X，所述算子Roberts_X＝[1 -1,1 -1]，使用算子Roberts_Y计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_Y，所述算子Roberts_Y＝[-1 -1,1 1]，使用算子Roberts_XY计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_XY，所述算子Roberts_XY＝[1 0,0 -1]，使用算子Roberts_YX计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_YX，所述算子Roberts_YX＝[0 1,-1 0]，计算所述CT切片图像二维数组DCMI的局部二值模式分布二维数组DCMLBP。
Roberts算子所计算的梯度相对Prewitt算子和Sobel算子更精准，并且梯度值的定位更准确。此外由于Roberts算子是2*2的算子，因此计算速度相对3*3的Prewitt算子和Sobel算子更快。
进一步，所述类别判别模块60之中：通过公式
Figure GDA0002766854320000172
Figure GDA0002766854320000171
计算与所述全局特征向量HG_LBP距离最短的Ci所对应的类别序号iopt作为所述CT切片图像DCMI所属的类别，所述Ci为所述类别模板集{C1,C2,…,CK}内类别i的全局特征向量，所述K为所述类别的总数，所述全局特征向量HG_LBP与所述类别i的全局特征向量Ci的距离计算公式distKL(Ci,HG_LBP)＝(Σj＝1:L(Ci[j]*log(Ci[j]/HG_LBP[j]))+Σj＝1:L(HG_LBP[j]*log(HG_LBP[j]/Ci[j])))/2，所述j为所述全局特征向量HG_LBP以及全局特征向量Ci内部元素的序号，所述L为所述全局特征向量HG_LBP以及全局特征向量Ci的长度。
由于全局特征向量HG_LBP属于一种统计信息，也可以看作是一种分布。因此相对简单的欧氏距离，距离计算公式distKL(Ci,HG_LBP)所采用的两个分布向量之间的KL距离能更加准确和可靠的评价两个向量之间的相似程度。
进一步，所述身体目标区域模块10之中：所述CT切片图像二维数组DCMI的所有数组元素的取值范围被正则化为[0,1024]。
通过正则化可以更有效地消除不同CT切片图像二维数组DCMI的差异，提高分类的准确度。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (10)

1.CT切片图像的自动分类方法，其特征在于，包括以下步骤：
步骤1、使用最大类间方差算法计算出将输入的CT切片图像二维数组DCMI进行背景区域与身体目标区域进行最佳分割的阈值VTH，依据所述阈值VTH将所述CT切片图像二维数组DCMI进行二值化处理获得二值图像二维数组DCMB，对所述二值图像二维数组DCMB进行二值开运算处理获得轮廓图像二维数组DCMC，从所述轮廓图像二维数组DCMC提取包含所述身体目标区域的方框CBox=[Xleft, Ytop, Xright, Ybottom]，所述Xleft为所述方框CBOX在X轴方向的左边界、所述Ytop为所述方框CBOX在Y轴方向的上边界、所述Xright为所述方框CBOX在所述X轴方向的右边界、所述Ybottom为所述方框CBOX在所述Y轴方向的下边界；
步骤2、将所述方框CBOX分割为M*N个尺寸相同的子方框CsubBOX(m, n)= [Xleft+(m-1)*W,Ytop+(n-1)*H, Xleft+m*W, Ytop+n*H]，所述M为将所述方框CBOX在所述X轴方向等分的数目，所述N为将方框CBOX在所述Y轴方向等分的数目，所述m为所述子方框CsubBOX(m, n)在所述X轴方向的序号，所述m的取值范围为[1, M]，所述n为所述子方框CsubBOX(m, n)在所述Y轴方向的序号，所述n的取值范围为[1, N]，所述W为所述子方框CsubBOX(m, n)在所述X轴方向的宽度，所述W=(Xright-Xleft )/M，所述H为所述子方框CsubBOX(m, n)在所述Y轴方向的高度，所述H=(Ybottom -Ytop)/N；
步骤3、使用算子Sobel_X计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_X，所述算子Sobel_X =[-1 0 1, -2 0 2, -1 0 1]，使用算子Sobel_Y计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_Y，所述算子Sobel_Y =[-1 -2 -1, 0 0 0, 12 1]，使用算子Sobel_XY计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_XY，所述算子Sobel_XY =[0 1 2, -1 0 1, -2 -1 0]，使用算子Sobel_YX计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_YX，所述算子Sobel_YX =[-2 -1 0, -1 0 1, 0 1 2]，计算所述CT切片图像二维数组DCMI的局部二值模式分布二维数组DCMLBP；
步骤4、从所述梯度分布二维数组DCMG_X计算对应所述子方框CsubBOX(m, n)所在位置[Xleft+(m-1)*W, Ytop+(n-1)*H, Xleft+m*W, Ytop+n*H]的梯度直方分布向量HG_X(m, n)，从所述梯度分布二维数组DCMG_Y计算对应所述子方框CsubBOX(m, n)所在位置[Xleft+(m-1)*W, Ytop+(n-1)*H, Xleft+m*W, Ytop+n*H]的梯度直方分布向量HG_Y(m, n)，从所述梯度分布二维数组DCMG_XY计算对应所述子方框CsubBOX(m, n)所在位置[Xleft+(m-1)*W, Ytop+(n-1)*H, Xleft+m*W, Ytop+n*H]的梯度直方分布向量HG_XY(m, n)，从所述梯度分布二维数组DCMG_YX计算对应所述子方框CsubBOX(m, n)所在位置[Xleft+(m-1)*W, Ytop+(n-1)*H, Xleft+m*W, Ytop+n*H]的梯度直方分布向量HG_YX(m, n)，从局部二值模式分布二维数组DCMLBP计算对应所述子方框CsubBOX(m, n)所在位置[Xleft+(m-1)*W, Ytop+(n-1)*H, Xleft+m*W, Ytop+n*H]的局部二值模式直方分布向量HLBP(m, n)；
步骤5、通过公式HG_LBP=concat([HG_X(m, n), HG_Y(m,n), HG_XY(m,n), HG_YX(m,n), HLBP(m,n)])|m:1->M, n:1->N将所述梯度直方分布向量HG_X(m, n)、所述梯度直方分布向量HG_Y(m, n)、所述梯度直方分布向量HG_XY(m, n)、所述梯度直方分布向量HG_YX(m, n)、所述局部二值模式直方分布向量HLBP(m, n)进行向量合并，所述HG_LBP为所述CT切片图像二维数组DCMI的全局特征向量，所述concat为向量合并函数；
步骤6、通过公式argmin(dist(Ci, HG_LBP))|Ci∈{C1,C2,…,CK}计算与所述全局特征向量HG_LBP距离最短的Ci 所对应的类别序号iopt作为所述CT切片图像二维数组DCMI 所属的类别，所述Ci为所述类别模板集{C1,C2,…,CK}内类别i的全局特征向量，所述K为所述类别的总数，所述全局特征向量HG_LBP与所述类别i的全局特征向量Ci的距离计算公式dist(Ci,HG_LBP)=||Ci-HG_LBP||2。
2.根据权利要求1所述的CT切片图像的自动分类方法，其特征在于：在步骤3中，使用算子Prewitt_X计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_X，所述算子Prewitt_X =[-1 0 1, -1 0 1, -1 0 1]，使用算子Prewitt_Y计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_Y，所述算子Prewitt_Y =[-1 -1 -1, 0 0 0, 1 1 1]，使用算子Prewitt_XY计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_XY，所述算子Prewitt_XY=[0 1 1, -1 0 1, -1 -1 0]，使用算子Prewitt_YX计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_YX，所述算子Prewitt_YX =[-1 -1 0, -1 0 1, 0 11]，计算所述CT切片图像二维数组DCMI的局部二值模式分布二维数组DCMLBP。
3.根据权利要求1所述的CT切片图像的自动分类方法，其特征在于：在步骤3中，使用算子Roberts_X计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_X，所述算子Roberts_X =[1 -1, 1 -1]，使用算子Roberts_Y计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_Y，所述算子Roberts_Y =[-1 -1, 1 1]，使用算子Roberts_XY计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_XY，所述算子Roberts_XY =[1 0, 0 -1]，使用算子Roberts_YX计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_YX，所述算子Roberts_YX =[0 1, -1 0]，计算所述CT切片图像二维数组DCMI的局部二值模式分布二维数组DCMLBP。
4.根据权利要求1至3任一项所述的CT切片图像的自动分类方法，其特征在于：在步骤6中，通过公式argmin(distKL (Ci, HG_LBP))|Ci∈{C1,C2,…,CK}计算与所述全局特征向量HG_LBP距离最短的Ci 所对应的类别序号iopt作为所述CT切片图像DCMI 所属的类别，所述Ci为所述类别模板集{C1,C2,…,CK}内类别i的全局特征向量，所述K为所述类别的总数，所述全局特征向量HG_LBP与所述类别i的全局特征向量Ci的距离计算公式distKL (Ci, HG_LBP) = (Σj=1:L(Ci[j] * log(Ci[j] / HG_LBP[j])) + Σj=1:L(HG_LBP[j] * log( HG_LBP[j] / Ci[j]))) / 2，所述j为所述全局特征向量HG_LBP以及所述全局特征向量Ci内部元素的序号，所述L为所述全局特征向量HG_LBP以及所述全局特征向量Ci的长度。
5.根据权利要求1所述的CT切片图像的自动分类方法，其特征在于：在步骤1中，所述CT切片图像二维数组DCMI的所有数组元素的取值范围被正则化为[0, 1024]。
6.CT切片图像的自动分类装置，其特征在于，包括：
身体目标区域模块，用于使用最大类间方差算法计算出将输入的CT切片图像二维数组DCMI进行背景区域与身体目标区域进行最佳分割的阈值VTH，依据所述阈值VTH将所述CT切片图像二维数组DCMI进行二值化处理获得二值图像二维数组DCMB，对所述二值图像二维数组DCMB进行二值开运算处理获得轮廓图像二维数组DCMC，从所述轮廓图像二维数组DCMC提取包含所述身体目标区域的方框CBox=[Xleft, Ytop, Xright, Ybottom]，所述Xleft为所述方框CBOX在X轴方向的左边界、所述Ytop为所述方框CBOX在Y轴方向的上边界、所述Xright为所述方框CBOX在所述X轴方向的右边界、所述Ybottom为所述方框CBOX在所述Y轴方向的下边界；
子方框分割模块，用于将所述方框CBOX分割为M*N个尺寸相同的子方框CsubBOX(m, n)=[Xleft+(m-1)*W, Ytop+(n-1)*H, Xleft+m*W, Ytop+n*H]，所述M为将所述方框CBOX在所述X轴方向等分的数目，所述N为将方框CBOX在所述Y轴方向等分的数目，所述m为所述子方框CsubBOX(m, n)在所述X轴方向的序号，所述m的取值范围为[1, M]，所述n为所述子方框CsubBOX(m, n)在所述Y轴方向的序号，所述n的取值范围为[1, N]，所述W为所述子方框CsubBOX(m, n)在所述X轴方向的宽度，所述W=(Xright-Xleft )/M，所述H为所述子方框CsubBOX(m, n)在所述Y轴方向的高度，所述H=(Ybottom - Ytop)/N；
特征提取模块，用于使用算子Sobel_X计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_X，所述算子Sobel_X =[-1 0 1, -2 0 2, -1 0 1]，使用算子Sobel_Y计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_Y，所述算子Sobel_Y =[-1 -2 -1, 0 00, 1 2 1]，使用算子Sobel_XY计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_XY，所述算子Sobel_XY =[0 1 2, -1 0 1, -2 -1 0]，使用算子Sobel_YX计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_YX，所述算子Sobel_YX =[-2 -1 0, -1 01, 0 1 2]，计算所述CT切片图像二维数组DCMI的局部二值模式分布二维数组DCMLBP；
子方框特征模块，用于从所述梯度分布二维数组DCMG_X计算对应所述子方框CsubBOX(m, n)所在位置[Xleft+(m-1)*W, Ytop+(n-1)*H, Xleft+m*W, Ytop+n*H]的梯度直方分布向量HG_X(m, n)，从所述梯度分布二维数组DCMG_Y计算对应所述子方框CsubBOX(m, n)所在位置[Xleft+(m-1)*W, Ytop+(n-1)*H, Xleft+m*W, Ytop+n*H]的梯度直方分布向量HG_Y(m, n)，从所述梯度分布二维数组DCMG_XY计算对应所述子方框CsubBOX(m, n)所在位置[Xleft+(m-1)*W, Ytop+(n-1)*H, Xleft+m*W, Ytop+n*H]的梯度直方分布向量HG_XY(m, n)，从所述梯度分布二维数组DCMG_YX计算对应所述子方框CsubBOX(m, n)所在位置[Xleft+(m-1)*W, Ytop+(n-1)*H, Xleft+m*W, Ytop+n*H]的梯度直方分布向量HG_YX(m, n)，从局部二值模式分布二维数组DCMLBP计算对应所述子方框CsubBOX(m, n)所在位置[Xleft+(m-1)*W, Ytop+(n-1)*H, Xleft+m*W, Ytop+n*H]的局部二值模式直方分布向量HLBP(m, n)；
全局特征模块，用于通过公式HG_LBP=concat([HG_X(m, n), HG_Y(m,n), HG_XY(m,n), HG_YX(m,n),HLBP(m,n)])|m:1->M, n:1->N将所述梯度直方分布向量HG_X(m, n)、所述梯度直方分布向量HG_Y(m, n)、所述梯度直方分布向量HG_XY(m, n)、所述梯度直方分布向量HG_YX(m, n)、所述局部二值模式直方分布向量HLBP(m, n)进行向量合并，所述HG_LBP为所述CT切片图像二维数组DCMI的全局特征向量，所述concat为向量合并函数；
类别判别模块，用于通过公式argmin(dist(Ci, HG_LBP))|Ci∈{C1,C2,…,CK}计算与所述全局特征向量HG_LBP距离最短的Ci 所对应的类别序号iopt作为所述CT切片图像二维数组DCMI 所属的类别，所述Ci为所述类别模板集{C1,C2,…,CK}内类别i的全局特征向量，所述K为所述类别的总数，所述全局特征向量HG_LBP与所述类别i的全局特征向量Ci的距离计算公式dist(Ci, HG_LBP)=||Ci-HG_LBP||2。
7.根据权利要求6所述的CT切片图像的自动分类装置，其特征在于：在所述特征提取模块中，使用算子Prewitt_X计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_X，所述算子Prewitt_X =[-1 0 1, -1 0 1, -1 0 1]，使用算子Prewitt_Y计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_Y，所述算子Prewitt_Y =[-1 -1 -1, 0 0 0, 11 1]，使用算子Prewitt_XY计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_XY，所述算子Prewitt_XY =[0 1 1, -1 0 1, -1 -1 0]，使用算子Prewitt_YX计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_YX，所述算子Prewitt_YX =[-1 -1 0, -1 0 1,0 1 1]，计算所述CT切片图像二维数组DCMI的局部二值模式分布二维数组DCMLBP。
8.根据权利要求6所述的CT切片图像的自动分类装置，其特征在于：在所述特征提取模块中，使用算子Roberts_X计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_X，所述算子Roberts_X =[1 -1, 1 -1]，使用算子Roberts_Y计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_Y，所述算子Roberts_Y =[-1 -1, 1 1]，使用算子Roberts_XY计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_XY，所述算子Roberts_XY =[1 0, 0 -1]，使用算子Roberts_YX计算所述CT切片图像二维数组DCMI的梯度分布二维数组DCMG_YX，所述算子Roberts_YX =[0 1, -1 0]，计算所述CT切片图像二维数组DCMI的局部二值模式分布二维数组DCMLBP。
9.根据权利要求6至8任一项所述的CT切片图像的自动分类装置，其特征在于：在所述类别判别模块中，通过公式argmin(distKL (Ci, HG_LBP))|Ci∈{C1,C2,…,CK}计算与所述全局特征向量HG_LBP距离最短的Ci 所对应的类别序号iopt作为所述CT切片图像DCMI 所属的类别，所述Ci为所述类别模板集{C1,C2,…,CK}内类别i的全局特征向量，所述K为所述类别的总数，所述全局特征向量HG_LBP与所述类别i的全局特征向量Ci的距离计算公式distKL (Ci,HG_LBP) = ( Σj=1:L(Ci[j] * log(Ci[j] / HG_LBP[j])) + Σj=1:L(HG_LBP[j] * log( HG_LBP[j] / Ci[j]))) / 2，所述j为所述全局特征向量HG_LBP以及所述全局特征向量Ci内部元素的序号，所述L为 所述全局特征向量HG_LBP以及所述全局特征向量Ci的长度。
10.根据权利要求6至8任一项所述的CT切片图像的自动分类装置，其特征在于：在所述身体目标区域模块中，所述CT切片图像二维数组DCMI的所有数组元素的取值范围被正则化为[0, 1024]。
CN201910302815.8A 2019-04-16 2019-04-16 Ct切片图像的自动分类方法和装置 Expired - Fee Related CN110136100B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910302815.8A CN110136100B (zh) 2019-04-16 2019-04-16 Ct切片图像的自动分类方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910302815.8A CN110136100B (zh) 2019-04-16 2019-04-16 Ct切片图像的自动分类方法和装置

Publications (2)

Publication Number Publication Date
CN110136100A CN110136100A (zh) 2019-08-16
CN110136100B true CN110136100B (zh) 2021-02-19

Family

ID=67570183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910302815.8A Expired - Fee Related CN110136100B (zh) 2019-04-16 2019-04-16 Ct切片图像的自动分类方法和装置

Country Status (1)

Country Link
CN (1) CN110136100B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115570422A (zh) * 2022-10-21 2023-01-06 华南理工大学 面向多层磁介质电容原料的切割定位方法和装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930791A (zh) * 2016-04-19 2016-09-07 重庆邮电大学 基于ds证据理论的多摄像头融合的路面交通标志识别方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101420550B1 (ko) * 2009-12-02 2014-07-16 퀄컴 인코포레이티드 이미지 인식을 위한 기술자 패치들의 고속 서브스페이스 투영을 위한 방법, 디바이스 및 컴퓨터-판독가능 저장 매체
CN104299005A (zh) * 2013-07-15 2015-01-21 深圳市振邦实业有限公司 一种人头检测方法及系统
DE112015003478T5 (de) * 2014-07-29 2017-04-27 Hicof Inc. Verfahren und Vorrichtung zum Nachweisen und Bestimmen eines Unversehrtheitszustandes einer Außenverpackung
CN109145947B (zh) * 2018-07-17 2022-04-12 昆明理工大学 一种基于部件检测和视觉特征的时尚女装图像细粒度分类方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930791A (zh) * 2016-04-19 2016-09-07 重庆邮电大学 基于ds证据理论的多摄像头融合的路面交通标志识别方法

Also Published As

Publication number Publication date
CN110136100A (zh) 2019-08-16

Similar Documents

Publication Publication Date Title
US12361543B2 (en) Automated detection of tumors based on image processing
Sari et al. Unsupervised feature extraction via deep learning for histopathological classification of colon tissue images
CN107730515B (zh) 基于区域增长和眼动模型的全景图像显著性检测方法
CN108364294B (zh) 基于超像素的腹部ct图像多器官分割方法
CN105719295B (zh) 一种基于三维超体素的颅内出血区域分割方法及系统
CN107909081B (zh) 一种深度学习中图像数据集的快速获取和快速标定方法
CN106296653A (zh) 基于半监督学习的脑部ct图像出血区域分割方法及系统
Ibraheem et al. Comparative study of skin color based segmentation techniques
CN108830853A (zh) 一种基于人工智能的黑色素瘤辅助诊断方法
CN113592893A (zh) 一种确定主体和精准化边缘相结合的图像前景分割方法
CN110059730A (zh) 一种基于胶囊网络的甲状腺结节超声图像分类方法
Cheng et al. Superpixel classification for initialization in model based optic disc segmentation
CN113780421B (zh) 基于人工智能的脑部pet影像识别方法
Wei et al. A novel method for segmentation of CT head images
CN111932549B (zh) 一种基于sp-fcn的mri脑肿瘤图像分割系统及方法
CN117854053A (zh) 一种基于超维计算的车牌检测与识别系统
CN109460768B (zh) 一种用于组织病理学显微图像的文本检测与去除方法
CN110136100B (zh) Ct切片图像的自动分类方法和装置
CN116188786A (zh) 一种肝胆管及胆道结石的图像分割系统
Luo et al. A liver segmentation algorithm based on wavelets and machine learning
Subha et al. Efficient Liver Segmentation using Advanced 3D-DCNN Algorithm on CT Images
Lin et al. Image segmentation based on edge detection and region growing for thinprep-cervical smear
Ali et al. Novel Improved Fuzzy C-means Clustering for MR Image Brain Tissue Segmentation to Detect Alzheimer’s Disease
Yang et al. A non-parametric method based on NBNN for automatic detection of liver lesion in CT images
Zhou et al. Accurate small object detection via density map aided saliency estimation

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210219

CF01 Termination of patent right due to non-payment of annual fee