特征提取方法、計算機輔助診斷的方法及其系統(tǒng)的制作方法
【專利說明】
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及醫(yī)學(xué)診斷領(lǐng)域，尤其涉及一種特征提取方法計算機輔助診斷的方法及其系統(tǒng)。
【【背景技術(shù)】】
[0002]計算機輔助診斷技術(shù)(Computer Aided Diagnosis，CAD)系統(tǒng)能夠檢測病灶并將診斷結(jié)果圖形化展現(xiàn)給醫(yī)生，支持醫(yī)生對圖像中的病灶(如肺結(jié)節(jié)、乳腺鈣化點、結(jié)腸息肉等)進行定位、診斷及定量分析，從而達到減少醫(yī)生對病灶的誤診和漏診，提高醫(yī)生的診斷率。實際上，醫(yī)學(xué)影像中各種影像檢查技術(shù)包括平片、CT、MR1、超聲及PET等，均可引入計算機輔助診斷系統(tǒng)；目前CAD的研究和應(yīng)用主要在于乳腺和胸部肺結(jié)節(jié)的檢測中，另外CT虛擬結(jié)腸內(nèi)鏡(CTC)、肝臟疾病CT診斷、腦腫瘤MRI診斷等也有一定的研究和應(yīng)用。
[0003]CAD技術(shù)是機器學(xué)習(xí)理論的重要應(yīng)用，如先提取特征，然后處理數(shù)據(jù)，利用現(xiàn)有的方法實現(xiàn)分類聚類等功能，并與診斷結(jié)果聯(lián)系起來(例如鑒別腫瘤的良惡性)。特征提取是識別用于機器學(xué)習(xí)的圖像特征的過程，改進CAD系統(tǒng)診斷的準確度關(guān)鍵是改進特征提取過程。
[0004]現(xiàn)有技術(shù)中，計算機輔助檢測方法中的特征選擇是由序列前向選擇(Sequencialforward select1n，SFS)，序列浮動前向選擇(Sequential Floating ForwardSelect1n，SFFS)以及遺傳算法來處理以選擇最佳特征子集，所述子集用來訓(xùn)練分類器，對于候選部位進行分割，從每個分割候選部位提取特征集合以及在根據(jù)最佳特征子集進行訓(xùn)練之后利用分類器來對候選部位進行分類，以及處理該候選特征集合。由此可知，現(xiàn)有技術(shù)通常采用單一結(jié)節(jié)分割方法，此方法無論效果多好，往往都只能對某一類或幾類結(jié)節(jié)效果出色，無法進一步獲取更廣更多有效的特征信息，繼而影響計算機輔助診斷的準確性，同時特征提取過程中如何避免局部最優(yōu)，影響最優(yōu)特征子集的選取也會影響計算機輔助診斷的準確性。
【
【發(fā)明內(nèi)容】
】
[0005]本發(fā)明所要解決的技術(shù)問題是提供一種特征提取方法、計算機輔助診斷方法及其系統(tǒng)，用以提取更多有效的特征子集，以提供快、準確的診斷，達到降低醫(yī)學(xué)診斷假陽性的目的。
[0006]為解決上述技術(shù)問題，本發(fā)明提供一種特征提取的方法，包括以下步驟:
[0007]輸入醫(yī)學(xué)圖像；
[0008]分割所述醫(yī)學(xué)圖像，獲取同一目標(biāo)區(qū)域的若干個分割結(jié)果圖像；
[0009]分別提取所述若干個分割結(jié)果圖像的特征，形成特征池；
[0010]在所述特征池中提取第一特征子集；
[0011]其中，所述若干個分割結(jié)果圖像是對同一個目標(biāo)區(qū)域采用若干個模型互補分割方法獲取的分割結(jié)果。
[0012]進一步地，若干個模型互補的分割方法包括一分割方法和第二分割方法合。
[0013]進一步地，所述第一分割方法為基于形態(tài)學(xué)模型的分割方法，所述第二分割方法為基于統(tǒng)計模型的分割方法。
[0014]進一步地，，所述第一分割方法為基于海森點增強圖像和海森線增強圖像的固定閾值區(qū)域增長方法。
[0015]進一步地，所述第二分割方法為聚類模型方法。
[0016]進一步地，所述第二分割方法為變分期望最大化方法。
[0017]進一步地，獲取所述第一特征子集還包括，在所屬特征池中多次隨機選擇特征狀態(tài)并基于模擬退火方法提取所述第一特征子集。
[0018]進一步地，所述特征池還包括根據(jù)所述醫(yī)學(xué)圖像、所述醫(yī)學(xué)圖像的插值圖像，和所述醫(yī)學(xué)圖像經(jīng)形態(tài)學(xué)操作后的形態(tài)學(xué)圖像和/或其任一組合圖像所提取的特征。
[0019]進一步地，所述特征池還包括根據(jù)所述若干個模型互補的方法分割所述插值圖像和所述形態(tài)學(xué)圖像獲取的同一目標(biāo)區(qū)域的若干個分割結(jié)果圖像所提取的特征。
[0020]為解決上述技術(shù)問題，本發(fā)明還提供一種計算機輔助診斷的方法，包括以下步驟:
[0021]獲取醫(yī)學(xué)圖像；
[0022]分割所述醫(yī)學(xué)圖像，獲取同一目標(biāo)區(qū)域的若干個分割結(jié)果圖像；
[0023]分別提取所述若干個分割結(jié)果圖像的特征，形成特征池；
[0024]在所述特征池中提取第一特征子集；
[0025]分類器根據(jù)所述第一特征子集提供對所述目標(biāo)區(qū)域的分類或診斷或預(yù)測;所述診斷或預(yù)測包括確定至少一個目標(biāo)組織的良/惡性或良性可能性、惡性可能性
[0026]其中，所述若干個分割結(jié)果圖像是對同一個目標(biāo)區(qū)域采用若干個模型互補的分割方法獲取的分割結(jié)果。
[0027]為解決上述技術(shù)問題，本發(fā)明還提供一種計算機輔助診斷系統(tǒng)，包括:
[0028]輸入單元，用于獲取醫(yī)學(xué)圖像；
[0029]分割單元，用于分割所述醫(yī)學(xué)圖像，獲取同一目標(biāo)區(qū)域的若干個分割結(jié)果圖像；
[0030]特征提取單元，用于提取所述若干個分割結(jié)果圖像的特征，形成特征池；
[0031]第一提取單元，用于根據(jù)所述特征提取單元獲取的特征池中提取第一特征子集；
[0032]診斷預(yù)測單元，用于分類器根據(jù)所述第一特征子集提供對所述目標(biāo)區(qū)域的診斷或預(yù)測；
[0033]其中，所述若干個分割結(jié)果圖像是對同一個目標(biāo)區(qū)域采用若干個模型互補的分割方法獲取的分割結(jié)果。
[0034]進一步地，所述分割單元還包括第一分割單元和第二分割單元。
[0035]本發(fā)明對比現(xiàn)有技術(shù)有如下的有益效果:本發(fā)明特征池通過多種分割方法對原始醫(yī)學(xué)圖像或插值圖像等不同處理圖像和分割結(jié)果圖像提取目標(biāo)區(qū)域的特征，適用于各種形態(tài)的病灶，獲取更多有效的特征信息，降低分類器的假陽性檢出率，加強計算機輔助診斷結(jié)果的準確性。
【【附圖說明】】
[0036]圖1為本發(fā)明實施例中特征提取方法的流程示意圖；
[0037]圖2為本發(fā)明另一個實施例中特征提取方法的流程示意圖；
[0038]圖3為本發(fā)明實施例中特征提取來源的各種圖像的示意圖；
[0039]圖4為本發(fā)明實施例中模擬退火方法的流程示意圖；
[0040]圖5為本發(fā)明實施例中計算機輔助診斷方法的流程示意圖；
[0041]圖6為本發(fā)明實施例中肺結(jié)節(jié)良惡性鑒定方法的流程示意圖；
[0042]圖7為為本發(fā)明實施例中肺結(jié)節(jié)良惡性鑒定結(jié)果的示意圖；
[0043]圖8為本發(fā)明實施例中計算機輔助診斷系統(tǒng)的結(jié)構(gòu)示意圖。
【【具體實施方式】】
[0044]在下面的描述中闡述了很多具體細節(jié)以便于充分理解本發(fā)明。但是本發(fā)明能夠以很多不同于在此描述的其它方式來實施，本領(lǐng)域技術(shù)人員可以在不違背本發(fā)明內(nèi)涵的情況下做類似推廣，因此本發(fā)明不受下面公開的具體實施的限制。
[0045]其次，本發(fā)明利用示意圖進行詳細描述，在詳述本發(fā)明實施例時，為便于說明，所述示意圖只是實施例，其在此不應(yīng)