專利名稱：：基于混合子空間學(xué)習(xí)選擇性集成的微鈣化簇檢測(cè)方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，涉及混合多子空間學(xué)習(xí)和集成學(xué)習(xí)方法，主要用于乳腺癌輔助診斷系統(tǒng)。
背景技術(shù)：
：模式識(shí)別的發(fā)展面臨許多問題和挑戰(zhàn)，其中尤為突出的就是數(shù)據(jù)的"維數(shù)災(zāi)難"問題。醫(yī)學(xué)影像數(shù)據(jù)、金融市場(chǎng)交易數(shù)據(jù)、消費(fèi)市場(chǎng)數(shù)據(jù)、語音數(shù)據(jù)以及人臉圖像數(shù)據(jù)等，其表象均是高維的。這種維數(shù)的膨脹，給數(shù)據(jù)分析帶來了較大的挑戰(zhàn)，使計(jì)算機(jī)實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法處理時(shí)存在著很大的困難。因此，模式識(shí)別中的數(shù)據(jù)降維技術(shù)應(yīng)運(yùn)而生。通過學(xué)習(xí)或優(yōu)化的方法，降維技術(shù)可以找到數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和聯(lián)系，去除冗余信息，提取到有利于數(shù)據(jù)表達(dá)或數(shù)據(jù)分類的判別信息，從而達(dá)到降低計(jì)算量、提高分類速度和精度的目的。目前降維技術(shù)的常用方法是子空間學(xué)習(xí)的方法。子空間學(xué)習(xí)一般分為線性和非線性的方法。傳統(tǒng)的線性子空間學(xué)習(xí)方法中主要有主成分分析、線性判別分析、因子分析、投影追蹤等。另一類是基于全局的非線性子空間學(xué)習(xí)方法，主要包括MDS(MultitidimensionalScaling)、SPE(StochasticProximityEmbedding)、Isomap、FastMVU(FastMaximumVarianceUnfolding)、KernelPCA、GDA(GeneralizedDisc:riminantAnalysis)、DM(Diffusionmaps)、SNE(StochasticNeighborEmbedding)、Multilayerautoencoders等；另夕卜一類是基于局部的非線性子空間學(xué)習(xí)方法，主要有！^E(XocalLi固rEmbedding)、L即lacianEigenmaps、HessianLLE、LTSA(LocalTangentSpaceAnalysis)、CCA(ConformalEigenmaps)、MVU(MaximumVarianceUnfolding)、LPP(LinearityPreservingProjection)、NPE(NeigborhoodPreservingEmbedding)、LLTSA(LinearLTSA)等；基于全局的線性模型排列的方法主要有l(wèi)iX(XocalllyLinearCoordination)、Manifoldcharting、CFA(CoordinatedFactorAnalysis)等。這些方法在解決某些問題上已經(jīng)取得了較好的效果，然而有些子空間學(xué)習(xí)方法對(duì)數(shù)據(jù)中的噪聲卻較為敏感，噪聲的出現(xiàn)導(dǎo)致參數(shù)設(shè)置困難，會(huì)極大地影響子空間學(xué)習(xí)的效果。另外，目前單個(gè)特征子空間中還沒有一種特征提取方法在任何情況下進(jìn)行分類都能優(yōu)于其它算法，而多子空間的方法則可以通過對(duì)多個(gè)特征子空間中的模式進(jìn)行融合或集成，來克服單特征子空間中的限制，以實(shí)現(xiàn)高于單特征子空間方法的模式識(shí)別率。目前，研究者已經(jīng)提出了基于集成學(xué)習(xí)的微鈣化點(diǎn)檢測(cè)方法。如Li等在"LiM，ZhouZ_H.ImproveComputer—AidedDiagnosisWithMachineLearningTechniquesUsingUndiagnosedSamples[J].IEEETransSyst，Man,CybernA，2007，37(6):1088-98."一文中提出了基于Co-Forest集成學(xué)習(xí)的微鈣化點(diǎn)檢測(cè)方法。該方法先將乳腺圖像分割成若干個(gè)100X100的圖像i央并提取5個(gè)特征AverageDensity,DensityVariance,E證gyVariance，BlockActivity,SpectralEntropy;然后采用半監(jiān)督學(xué)習(xí)的方法利用標(biāo)注和未標(biāo)注過的樣本訓(xùn)練得到一個(gè)集成基學(xué)習(xí)器；最后對(duì)每一個(gè)圖像塊進(jìn)行分類檢測(cè)。該方法能在有限標(biāo)注樣本的情況下取得較好的檢測(cè)效果。MassimoDS等在"DeSantoM，MolinaraM，TortorellaF，etal.Automaticclassificationofclusteredmicrocalcificationsbyamultipleexpertsystem[J].PatternRecognition,2003，36(7):1467-77."—文提出了多專家信息融合的微鈣化簇檢測(cè)算法。單一種類的圖像特征可能不能很好的提高微鈣化簇的檢測(cè)效果，為了提高系統(tǒng)的性能，作者設(shè)計(jì)了一種基于多專家系統(tǒng)知識(shí)融合的微鈣化簇檢測(cè)方法。該方法法由多個(gè)專家分類系統(tǒng)組成，每一個(gè)專家對(duì)應(yīng)某一領(lǐng)域知識(shí)，如鈣化點(diǎn)領(lǐng)域?qū)＜?、鈣化點(diǎn)簇領(lǐng)域?qū)＜?，?duì)每一領(lǐng)域的專家分別提取相對(duì)應(yīng)的特征，然后將多個(gè)專家的知識(shí)融合到一起并做出最后的決策。以上這些方法通過不同的集成學(xué)習(xí)取得了一定的效果，但這些方法基本上是基于某些固定的特征或領(lǐng)域知識(shí)來進(jìn)行分類檢測(cè)，沒有考慮噪聲數(shù)據(jù)的影響以及如何動(dòng)態(tài)地獲取這些特征或領(lǐng)域知識(shí)。當(dāng)這些方法在遇到數(shù)據(jù)噪聲或所提取的特征判別能力不強(qiáng)的時(shí)候，使得其檢測(cè)性能大大降低，且穩(wěn)定性較差。
發(fā)明內(nèi)容本發(fā)明的目的是針對(duì)現(xiàn)有的微鈣化簇檢測(cè)技術(shù)存在的問題，利用機(jī)器學(xué)習(xí)中的子空間學(xué)習(xí)和選擇性集成方法及裝置，提供一種基于混合子空間學(xué)習(xí)選擇性集成的微鈣化簇檢測(cè)方法及裝置，以實(shí)現(xiàn)微鈣化簇檢測(cè)的特征自動(dòng)選擇與集成，提高檢測(cè)的性能和穩(wěn)定性。實(shí)現(xiàn)本發(fā)明的技術(shù)思路是通過混合子空間學(xué)習(xí)將樣本分別映射到特征子空間，然后根據(jù)特征子空間表示目標(biāo)樣本判別信息的能力，有選擇性的將其作為候選子空間；對(duì)訓(xùn)練樣本在候選子空間分別提取特征并對(duì)基學(xué)習(xí)器進(jìn)行訓(xùn)練，分別得到相應(yīng)子空間所對(duì)應(yīng)的訓(xùn)練后的基學(xué)習(xí)器模型。對(duì)于測(cè)試樣本，對(duì)每一個(gè)候選子空間及其基學(xué)習(xí)器模型進(jìn)行分類測(cè)試；將所有的測(cè)試結(jié)果進(jìn)行加權(quán)平均以得到最后的預(yù)測(cè)值以確定該樣本是否含有微鈣化簇。本發(fā)明的微鈣化簇檢測(cè)裝置，包括子空間學(xué)習(xí)模塊，用于根據(jù)訓(xùn)練樣本集對(duì)子空間學(xué)習(xí)方法集中的每一個(gè)子空間進(jìn)行訓(xùn)練學(xué)習(xí)，得到相應(yīng)的子空間投影矩陣集，并將子空間投影矩陣集輸入到基學(xué)習(xí)器訓(xùn)練模塊；基學(xué)習(xí)器訓(xùn)練模塊，用于根據(jù)子空間投影矩陣集將訓(xùn)練樣本集映射到子空間學(xué)習(xí)方法集中的每一個(gè)子空間，并選取用戶設(shè)定比例的樣本對(duì)每一個(gè)子空間相對(duì)應(yīng)的基學(xué)習(xí)器模型進(jìn)行訓(xùn)練，用剩余的樣本進(jìn)行測(cè)試得到測(cè)試結(jié)果，得到基學(xué)習(xí)器模型集合，并將基學(xué)習(xí)器模型集和子空間投影矩陣集輸入到選擇模塊；選擇模塊，用于根據(jù)基學(xué)習(xí)器模型集和子空間投影矩陣集選擇最優(yōu)子空間及與子空間相對(duì)應(yīng)的基學(xué)習(xí)器模型，若子空間學(xué)習(xí)方法所對(duì)應(yīng)的基學(xué)習(xí)器模型的測(cè)試結(jié)果準(zhǔn)確度大于用戶設(shè)定的閾值則選取，否則返回，并將選擇的結(jié)果輸入到保存模塊；保存模塊，用于將選擇模塊已選擇的子空間學(xué)習(xí)方法和基學(xué)習(xí)器模型，及基學(xué)習(xí)器模型對(duì)應(yīng)的訓(xùn)練測(cè)試結(jié)果作為權(quán)重一并保存到檢測(cè)模型庫中；測(cè)試模塊，用于調(diào)用檢測(cè)模型庫中的模型，將原始圖像塊通過候選子空間中的投影矩陣集合投影到特征子空間，并調(diào)用與子空間學(xué)習(xí)方法對(duì)應(yīng)的基學(xué)習(xí)器模型進(jìn)行測(cè)試得到測(cè)試結(jié)果集，并將測(cè)試結(jié)果集輸入到?jīng)Q策集成模塊；5決策集成模塊，用于計(jì)算測(cè)試結(jié)果集的最終檢測(cè)結(jié)果，并將檢測(cè)結(jié)果交給檢測(cè)判決模塊；檢測(cè)判決模塊，用于根據(jù)最終檢測(cè)結(jié)果值判斷該圖像塊中是否含有微鈣化簇，并輸出檢測(cè)結(jié)果。本發(fā)明的鈣化簇檢測(cè)方法，包括步驟如下(1)對(duì)微鈣化簇檢測(cè)模型庫中的檢測(cè)模型進(jìn)行查詢，若檢測(cè)模型不存在，則執(zhí)行步驟(2)，否則轉(zhuǎn)到步驟(9);(2)從訓(xùn)練樣本數(shù)據(jù)庫獲得用于子空間學(xué)習(xí)的訓(xùn)練樣本集；(3)以子空間學(xué)習(xí)樣本集為訓(xùn)練數(shù)據(jù)，在子空間學(xué)習(xí)方法集合中通過對(duì)每一個(gè)子空間學(xué)習(xí)得到子空間所對(duì)應(yīng)的特征投影矩陣；(4)從訓(xùn)練樣本數(shù)據(jù)庫獲得用于基學(xué)習(xí)器訓(xùn)練的訓(xùn)練樣本集；(5)將基學(xué)習(xí)器訓(xùn)練樣本集投影到子空間學(xué)習(xí)集中的每一個(gè)特征子空間，得到子空間特征向量集；(6)用每一個(gè)特征子空間所對(duì)應(yīng)特征數(shù)據(jù)集訓(xùn)練基學(xué)習(xí)器模型，并用該數(shù)據(jù)集測(cè)試基學(xué)習(xí)器模型得到測(cè)試結(jié)果，并將其作為基學(xué)習(xí)器的權(quán)重；(7)將訓(xùn)練好的子空間投影矩陣和基學(xué)習(xí)器模型保存起來，得到子空間學(xué)習(xí)和基學(xué)習(xí)器模型集合；(8)根據(jù)基學(xué)習(xí)器模型的測(cè)試結(jié)果，選擇出識(shí)別能力大于用戶設(shè)定閾值的子空間學(xué)習(xí)模型及其對(duì)應(yīng)的基學(xué)習(xí)器模型，存儲(chǔ)到檢測(cè)模型庫中；(9)輸入待檢測(cè)的圖像，并生成待檢測(cè)圖像在最優(yōu)子空間學(xué)習(xí)集合所對(duì)應(yīng)的各子空間中的投影向量；(10)根據(jù)每一個(gè)最優(yōu)子空間學(xué)習(xí)得到的投影向量及與其相對(duì)應(yīng)的基學(xué)習(xí)器模型計(jì)算最優(yōu)基學(xué)習(xí)器模型的預(yù)測(cè)值；(11)根據(jù)每個(gè)基學(xué)習(xí)器的權(quán)重計(jì)算所有最優(yōu)基學(xué)習(xí)器預(yù)測(cè)值的加權(quán)平均值，若該加權(quán)平均值大于用戶設(shè)定的閾值，則判斷該待檢測(cè)圖像中含有微鈣化簇，否則沒有。本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)1)本發(fā)明由于使用多子空間學(xué)習(xí)方法來提取特征，避免了將特征提取固定于某一個(gè)特征子空間，提高了方法的自適應(yīng)水平；2)本發(fā)明由于選擇性的選擇子空間，并對(duì)最后的檢測(cè)結(jié)果進(jìn)行集成，這樣大大提高了方法的檢測(cè)準(zhǔn)確度和穩(wěn)定性；3)仿真結(jié)果表明，本發(fā)明給出的微鈣化簇檢測(cè)方法的ROC曲線下面積達(dá)到了0.9674，且穩(wěn)定性較好。本發(fā)明的技術(shù)過程和效果可結(jié)合以下附圖詳細(xì)說明。圖1是微鈣化簇檢測(cè)裝置示意圖；圖2是本發(fā)明的微鈣化簇檢測(cè)過程圖；圖3是本發(fā)明的R0C曲線評(píng)價(jià)示意圖；圖4是本發(fā)明的穩(wěn)定性測(cè)試圖。具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明的內(nèi)容和效果作進(jìn)一步詳細(xì)描述。參照?qǐng)Dl，本發(fā)明的基于混合子空間學(xué)習(xí)選擇性集成的微鈣化簇檢測(cè)方法的虛擬裝置，主要由模型庫訓(xùn)練單元、模型庫生成單元、測(cè)試模塊、決策集成模塊和檢測(cè)判決模塊組成。模型庫訓(xùn)練單元，用于微鈣化簇檢測(cè)模型庫的訓(xùn)練，它包括子空間學(xué)習(xí)模塊和基學(xué)習(xí)器訓(xùn)練模塊。該單元的輸入為訓(xùn)練樣本數(shù)據(jù)庫，子空間學(xué)習(xí)方法集合和基學(xué)習(xí)器，輸出為子空間投影矩陣集合和基學(xué)習(xí)器模型。其中子空間學(xué)習(xí)模塊輸入為子空間訓(xùn)練樣本集和子空間學(xué)習(xí)方法集，該模塊根據(jù)訓(xùn)練樣本集對(duì)子空間學(xué)習(xí)方法集中的每一個(gè)子空間進(jìn)行訓(xùn)子空間學(xué)習(xí)方法集中的每一個(gè)子空間進(jìn)行訓(xùn)練學(xué)習(xí)，得到相應(yīng)的子空間投影矩陣集，并將子空間投影矩陣集輸入到基學(xué)習(xí)器訓(xùn)練模塊。該基學(xué)習(xí)器訓(xùn)練模塊的輸入為基學(xué)習(xí)器訓(xùn)練樣本集和子空間投影矩陣集，該模塊根據(jù)子空間投影矩陣集將訓(xùn)練樣本集映射到子空間學(xué)習(xí)方法集中的每一個(gè)子空間，并選取用戶設(shè)定比例的樣本對(duì)每一個(gè)子空間相對(duì)應(yīng)的基學(xué)習(xí)器模型進(jìn)行訓(xùn)練，用剩余的樣本進(jìn)行測(cè)試得到測(cè)試結(jié)果，得到基學(xué)習(xí)器模型集合，并將基學(xué)習(xí)器模型集和子空間投影矩陣集輸入到模型庫生成單元。模型庫生成單元，用于微鈣化簇檢測(cè)模型庫的生成，它包括選擇模塊和保存模塊。該單元的輸入為基學(xué)習(xí)器模型集和子空間投影矩陣集，輸出為微鈣化簇檢測(cè)模型庫。其中選擇模塊輸入為基學(xué)習(xí)器模型集和子空間投影矩陣集，輸出為標(biāo)記過的基學(xué)習(xí)器模型和子空間投影矩陣。該模塊根據(jù)基學(xué)習(xí)器模型集和子空間投影矩陣集選擇最優(yōu)子空間及與子空間相對(duì)應(yīng)的基學(xué)習(xí)器模型，若子空間學(xué)習(xí)方法所對(duì)應(yīng)的基學(xué)習(xí)器模型的測(cè)試結(jié)果準(zhǔn)確度大于用戶設(shè)定的閾值則選取，否則返回，并將選擇的結(jié)果輸入到保存模塊。該保存模塊輸入為標(biāo)記過的基學(xué)習(xí)器模型和子空間投影矩陣，用于將選擇模塊已選擇的子空間學(xué)習(xí)方法和基學(xué)習(xí)器模型，及基學(xué)習(xí)器模型對(duì)應(yīng)的訓(xùn)練測(cè)試結(jié)果作為權(quán)重一并保存到檢測(cè)模型庫中。測(cè)試模塊，用于微鈣化簇檢測(cè)的測(cè)試，該模塊的輸入為檢測(cè)模型庫和待檢測(cè)圖像塊，輸出為測(cè)試結(jié)果集。該模塊調(diào)用檢測(cè)模型庫中的模型，將待檢測(cè)圖像塊通過候選子空間中的投影矩陣集投影到特征子空間，并調(diào)用與子空間學(xué)習(xí)方法對(duì)應(yīng)的基學(xué)習(xí)器模型進(jìn)行測(cè)試得到測(cè)試結(jié)果集，然后將測(cè)試結(jié)果集輸入到?jīng)Q策集成裝置。決策集成模塊，用于測(cè)試結(jié)果的集成，該模塊的輸入為測(cè)試結(jié)果集，輸出為最終檢測(cè)結(jié)果。該模塊根據(jù)測(cè)試結(jié)果集，對(duì)所有測(cè)試結(jié)果進(jìn)行集成得到最終測(cè)試結(jié)果，并將最終測(cè)試結(jié)果輸入到檢測(cè)判決模塊。檢測(cè)判決模塊，用于檢測(cè)結(jié)果的判斷，該模塊的輸入為最終測(cè)試結(jié)果集，輸出為微鈣化簇檢測(cè)結(jié)果。該模塊根據(jù)最終測(cè)試結(jié)果值判斷該圖像塊中是否含有微鈣化簇，并輸出檢測(cè)結(jié)果。參照?qǐng)D2，本發(fā)明的微鈣化簇檢測(cè)方法按如下步驟進(jìn)行。步驟l，初始化操作，用于打開模型庫。步驟2，判斷微鈣化簇檢測(cè)模型庫是否已經(jīng)訓(xùn)練好，如果是則執(zhí)行步驟12，否則執(zhí)行步驟3。步驟3，判斷子空間學(xué)習(xí)方法是否已經(jīng)訓(xùn)練好，如果是則執(zhí)行步驟6，否則執(zhí)行步7驟4。步驟4，從訓(xùn)練樣本數(shù)據(jù)庫中獲取用于子空間學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集，該數(shù)據(jù)集包括正樣本，含有微鈣化簇和負(fù)樣本(正常乳腺區(qū)域)，二者的比例可以由用戶自行設(shè)定。步驟5，根據(jù)訓(xùn)練數(shù)據(jù)集對(duì)子空間學(xué)習(xí)方法集中的所有子空間學(xué)習(xí)方法進(jìn)行訓(xùn)練并得到相應(yīng)的投影矩陣集，這里的子空間學(xué)習(xí)方法集合包括任意多個(gè)子空間學(xué)習(xí)算法，例如選擇m個(gè)子空間學(xué)習(xí)方法作為子空間學(xué)習(xí)方法集。步驟6，從訓(xùn)練樣本數(shù)據(jù)庫獲得基學(xué)習(xí)器訓(xùn)練數(shù)據(jù)集，該數(shù)據(jù)集包括正樣本(含有微鈣化簇)和負(fù)樣本(含有正常乳腺區(qū)域)，二者的比例由用戶指定。步驟7，將基學(xué)習(xí)器訓(xùn)練數(shù)據(jù)集分別投影到相應(yīng)的子空間，從而得到特征子空間數(shù)據(jù)集。步驟8，將基學(xué)習(xí)器在特征子空間數(shù)據(jù)集上進(jìn)行訓(xùn)練，得到訓(xùn)練后的分類模型，并利用該數(shù)據(jù)集測(cè)試訓(xùn)練后的基學(xué)習(xí)器得到測(cè)試結(jié)果作為該基基學(xué)習(xí)器的權(quán)重。該步驟中由用戶采用有監(jiān)督的基學(xué)習(xí)器，例如選擇支持向量機(jī)作為基學(xué)習(xí)器。步驟9，將訓(xùn)練好的子空間投影矩陣和基學(xué)習(xí)器模型保存起來，得到子空間學(xué)習(xí)方法和基學(xué)習(xí)器模型集合。步驟10，用于選擇子空間及其所對(duì)應(yīng)的基學(xué)習(xí)器模型是否作為候選對(duì)像，若子空間學(xué)習(xí)算法所對(duì)應(yīng)的基學(xué)習(xí)器模型的測(cè)試結(jié)果準(zhǔn)確度大于用戶指定的閾值，若標(biāo)記該子空間學(xué)習(xí)方法和基學(xué)習(xí)器模型為可選取。步驟ll，將已經(jīng)選擇的子空間學(xué)習(xí)方法及訓(xùn)練好的基學(xué)習(xí)器模型作為候選子空間及候選基學(xué)習(xí)器模型，同時(shí)將其所對(duì)應(yīng)的準(zhǔn)確率作為基學(xué)習(xí)器的權(quán)重一并保存到檢測(cè)模型庫中。步驟12，接收待檢測(cè)圖像塊，并將該圖像塊投影到相應(yīng)的子空間得到的最優(yōu)子空間特征集合中。步驟13，由最優(yōu)子空間所對(duì)應(yīng)的基學(xué)習(xí)器模型測(cè)試空間特征集合，得到測(cè)試結(jié)果集。步驟14，將測(cè)試結(jié)果集進(jìn)行集成得到最后檢測(cè)結(jié)果，該步驟中的集成方法采用常用的集成策略，如加權(quán)平均法，按如下的公式進(jìn)行式中，f是最終決策結(jié)果，t'j是候選最優(yōu)特征子空間所對(duì)應(yīng)的歸一化后的權(quán)重，hj是候選特征子空間所對(duì)應(yīng)分類模型的測(cè)試輸出結(jié)果。步驟15，判斷最終決策結(jié)果是否大于用戶設(shè)定的閾值，若大于該閾值則判斷該待檢測(cè)圖像中含有微鈣化簇，否則沒有。步驟16，標(biāo)示出該圖像塊含有微鈣化簇檢測(cè)區(qū)域。以下通過仿真實(shí)驗(yàn)驗(yàn)證本發(fā)明方法的有效性和穩(wěn)定性。仿真實(shí)驗(yàn)內(nèi)容實(shí)驗(yàn)l，評(píng)價(jià)本發(fā)明與基于單個(gè)子空間學(xué)習(xí)方法的性能差別，實(shí)驗(yàn)中根據(jù)每個(gè)子空間學(xué)習(xí)算法進(jìn)行空間映射后的判別能力將識(shí)別率大于68%的子空間學(xué)習(xí)方法作為最優(yōu)子空間集合。如表1所示。表l中給出了四個(gè)指標(biāo)來評(píng)價(jià)基于單個(gè)子空間和基于混合子空間8選擇集成算法的性能準(zhǔn)確率、靈敏度、特異度和ROC曲線下面積。由圖1可知，基于混合子空間學(xué)習(xí)選擇性集成的微鈣化簇檢測(cè)方法從四個(gè)指標(biāo)來看都優(yōu)于基于單個(gè)的子空間學(xué)習(xí)的微鈣化簇檢測(cè)方法。表1單個(gè)子空間法與混合多子空間選擇集成的微鈣化簇檢測(cè)法性能評(píng)價(jià)<table>tableseeoriginaldocumentpage9</column></row><table>實(shí)驗(yàn)2，ROC曲線分析，測(cè)試本發(fā)明的整體檢測(cè)性能。圖3給出了基于混合子空間學(xué)習(xí)選擇性集成的方法進(jìn)行微鈣化簇檢測(cè)的ROC曲線。由圖3實(shí)驗(yàn)結(jié)果可知，與文獻(xiàn)中提出的方法相比，本發(fā)明在提高檢出率的同時(shí)降低了假陽性率且ROC曲線下面積達(dá)到了0.9674。實(shí)驗(yàn)3，驗(yàn)證算法的穩(wěn)定性。本實(shí)驗(yàn)分別重復(fù)訓(xùn)練并測(cè)試本發(fā)明給出的方法10輪，每輪訓(xùn)練算法N二10i，1=1，..，10次。每輪實(shí)驗(yàn)中從樣本數(shù)據(jù)庫中隨機(jī)選擇50%的樣本作為訓(xùn)練樣本集，余下的50%作為測(cè)試樣本集。圖4給出了該實(shí)驗(yàn)得到的各評(píng)價(jià)指標(biāo)所對(duì)應(yīng)的統(tǒng)計(jì)分析箱圖，其中圖4a對(duì)應(yīng)準(zhǔn)確率，圖4b對(duì)應(yīng)靈敏度，圖4c對(duì)應(yīng)特異度，圖4d對(duì)應(yīng)R0C曲線下面積。從圖4實(shí)驗(yàn)結(jié)果的各評(píng)價(jià)指標(biāo)可看出該發(fā)明提出的方法無論在穩(wěn)定性還是在檢測(cè)性能上都取得了較好的效果。本發(fā)明方法并不是利用單一的子空間學(xué)習(xí)方法，而是將多個(gè)子空間學(xué)習(xí)方法結(jié)合起來進(jìn)行微鈣化簇的檢測(cè)。在最優(yōu)子空間學(xué)習(xí)方法選擇過程中，基于機(jī)器學(xué)習(xí)中的選擇性集成的思想，主要考慮到以下幾點(diǎn)(l)數(shù)據(jù)噪聲對(duì)子空間學(xué)習(xí)算法性能的影響；(2)單一子空間學(xué)習(xí)方法所對(duì)應(yīng)的表達(dá)判別信息識(shí)別能力；(3)某子空間學(xué)習(xí)方法糾正其他子空間學(xué)習(xí)方法誤識(shí)能力。這樣就使得最終選擇出來的子空間學(xué)習(xí)方法集合既有較高的判別能力又有較強(qiáng)的互補(bǔ)性和穩(wěn)定性，從而保證了將該集合中的子空間特征及其所對(duì)應(yīng)的基學(xué)習(xí)器模型結(jié)合起來能夠獲得較好的檢測(cè)效果。本發(fā)明充分考慮噪聲數(shù)據(jù)對(duì)子空間學(xué)習(xí)的影響，盡量選擇能表征出原圖像判別信息的子空間映射方法，某種程度上解決了單一子空間學(xué)習(xí)方法不穩(wěn)定的問題，另外通過將選擇后的子空間特征數(shù)據(jù)的判決結(jié)果進(jìn)行集成，大大的提高了最終檢測(cè)結(jié)果的效率和準(zhǔn)確度，進(jìn)而實(shí)現(xiàn)了高效檢測(cè)微鈣化簇的目的，仿真結(jié)果也表明該方法在穩(wěn)定性和檢測(cè)效率方面比文獻(xiàn)中給出的檢測(cè)方法具有更好的效果。本發(fā)明說明書中未作詳細(xì)描述的內(nèi)容屬于本領(lǐng)域?qū)I(yè)技術(shù)人員周知的現(xiàn)有公開技術(shù)。以上實(shí)施方式僅用于說明本發(fā)明，而并非對(duì)本發(fā)明的限制。盡管為說明目的公開了本發(fā)明的最佳實(shí)施例和附圖，但是本領(lǐng)域的技術(shù)人員可以理解；在不脫離本發(fā)明及所附9的權(quán)利要求的精神和范圍內(nèi)，各種替換、變化、修改都是可能的。因此，所有等同的技術(shù)方案也屬于本發(fā)明的范疇，本發(fā)明的專利保護(hù)范圍應(yīng)由權(quán)利要求限定，而不應(yīng)局限于最佳實(shí)施例和附圖所公開的內(nèi)容。權(quán)利要求一種基于混合子空間學(xué)習(xí)選擇性集成的微鈣化簇檢測(cè)裝置，包括子空間學(xué)習(xí)模塊，用于根據(jù)訓(xùn)練樣本集對(duì)子空間學(xué)習(xí)方法集中的每一個(gè)子空間進(jìn)行訓(xùn)練學(xué)習(xí)，得到相應(yīng)的子空間投影矩陣集，并將子空間投影矩陣集輸入到基學(xué)習(xí)器訓(xùn)練模塊；基學(xué)習(xí)器訓(xùn)練模塊，用于根據(jù)子空間投影矩陣集將訓(xùn)練樣本集映射到子空間學(xué)習(xí)方法集中的每一個(gè)子空間，并選取用戶設(shè)定比例的樣本對(duì)每一個(gè)子空間相對(duì)應(yīng)的基學(xué)習(xí)器模型進(jìn)行訓(xùn)練，用剩余的樣本進(jìn)行測(cè)試得到測(cè)試結(jié)果，得到基學(xué)習(xí)器模型集合，并將基學(xué)習(xí)器模型集和子空間投影矩陣集輸入到選擇模塊；選擇模塊，用于根據(jù)基學(xué)習(xí)器模型集和子空間投影矩陣集選擇最優(yōu)子空間及與子空間相對(duì)應(yīng)的基學(xué)習(xí)器模型，若子空間學(xué)習(xí)方法所對(duì)應(yīng)的基學(xué)習(xí)器模型的測(cè)試結(jié)果準(zhǔn)確度大于用戶設(shè)定的閾值則選取，否則返回，并將選擇的結(jié)果輸入到保存模塊；保存模塊，用于將選擇模塊已選擇的子空間學(xué)習(xí)方法和基學(xué)習(xí)器模型，及基學(xué)習(xí)器模型對(duì)應(yīng)的訓(xùn)練測(cè)試結(jié)果作為權(quán)重一并保存到檢測(cè)模型庫中；測(cè)試模塊，用于調(diào)用檢測(cè)模型庫中的模型，將原始圖像塊通過候選子空間中的投影矩陣集合投影到特征子空間，并調(diào)用與子空間學(xué)習(xí)方法對(duì)應(yīng)的基學(xué)習(xí)器模型進(jìn)行測(cè)試得到測(cè)試結(jié)果集，并將測(cè)試結(jié)果集輸入到?jīng)Q策集成模塊；決策集成模塊，用于計(jì)算測(cè)試結(jié)果集的最終檢測(cè)結(jié)果，并將檢測(cè)結(jié)果交給檢測(cè)判決模塊；檢測(cè)判決模塊，用于根據(jù)最終檢測(cè)結(jié)果值判斷該圖像塊中是否含有微鈣化簇，并輸出檢測(cè)結(jié)果。2.—種基于混合子空間學(xué)習(xí)選擇性集成的微鈣化簇檢測(cè)方法，包括如下步驟(1)對(duì)微鈣化簇檢測(cè)模型庫中的檢測(cè)模型進(jìn)行查詢，若檢測(cè)模型不存在，則執(zhí)行步驟(2)，否則轉(zhuǎn)到步驟(9);(2)從訓(xùn)練樣本數(shù)據(jù)庫獲得用于子空間學(xué)習(xí)的訓(xùn)練樣本集；(3)以子空間學(xué)習(xí)樣本集為訓(xùn)練數(shù)據(jù)，在子空間學(xué)習(xí)方法集合中通過對(duì)每一個(gè)子空間學(xué)習(xí)得到子空間所對(duì)應(yīng)的特征投影矩陣；(4)從訓(xùn)練樣本數(shù)據(jù)庫獲得用于基學(xué)習(xí)器訓(xùn)練的訓(xùn)練樣本集；(5)將基學(xué)習(xí)器訓(xùn)練樣本集投影到子空間學(xué)習(xí)集中的每一個(gè)特征子空間，得到子空間特征向量集；(6)用每一個(gè)特征子空間所對(duì)應(yīng)特征數(shù)據(jù)集訓(xùn)練基學(xué)習(xí)器模型，并用該數(shù)據(jù)集測(cè)試基學(xué)習(xí)器模型得到測(cè)試結(jié)果，并將其作為基學(xué)習(xí)器的權(quán)重；(7)將訓(xùn)練好的子空間投影矩陣和基學(xué)習(xí)器模型保存起來，得到子空間學(xué)習(xí)和基學(xué)習(xí)器模型集合；(8)根據(jù)基學(xué)習(xí)器模型的測(cè)試結(jié)果，選擇出識(shí)別能力大于用戶設(shè)定閾值的子空間學(xué)習(xí)模型及其對(duì)應(yīng)的基學(xué)習(xí)器模型，存儲(chǔ)到檢測(cè)模型庫中；(9)輸入待檢測(cè)的圖像，并生成待檢測(cè)圖像在最優(yōu)子空間學(xué)習(xí)集合所對(duì)應(yīng)的各子空間中的投影向量；(10)根據(jù)每一個(gè)最優(yōu)子空間學(xué)習(xí)得到的投影向量及與其相對(duì)應(yīng)的基學(xué)習(xí)器模型計(jì)算最優(yōu)基學(xué)習(xí)器模型的預(yù)測(cè)值；(11)根據(jù)每個(gè)基學(xué)習(xí)器的權(quán)重計(jì)算所有最優(yōu)基學(xué)習(xí)器預(yù)測(cè)值的加權(quán)平均值，若該加權(quán)平均值大于用戶設(shè)定的閾值，則判斷該待檢測(cè)圖像中含有微鈣化簇，否則沒有。全文摘要本發(fā)明公開了一種基于混合子空間學(xué)習(xí)選擇性集成的微鈣化簇檢測(cè)方法，它屬于圖像處理
技術(shù)領(lǐng)域：
。其檢測(cè)過程包括學(xué)習(xí)得到子空間方法集合所對(duì)應(yīng)的特征投影矩陣集；在特征子空間中訓(xùn)練基學(xué)習(xí)器并得到其訓(xùn)練權(quán)重；將子空間投影矩陣集和基學(xué)習(xí)器模型及其權(quán)重保存起來；選擇最優(yōu)子空間學(xué)習(xí)方法集及基學(xué)習(xí)器模型存儲(chǔ)到檢測(cè)模型庫；計(jì)算待檢測(cè)圖像在檢測(cè)模型庫中的各子空間的投影向量，并輸入到相應(yīng)基學(xué)習(xí)器模型得到測(cè)試結(jié)果集；最后計(jì)算測(cè)試結(jié)果集的加權(quán)平均值，作為微鈣化簇檢測(cè)的最后結(jié)果。本發(fā)明在噪聲環(huán)境下能很好地進(jìn)行子空間特征的提取和微鈣化簇的檢測(cè)，提高了微鈣化簇檢測(cè)系統(tǒng)檢測(cè)性能和穩(wěn)定性，可用于乳腺癌輔助診斷系統(tǒng)。文檔編號(hào)G06K9/62GK101706876SQ20091021896公開日2010年5月12日申請(qǐng)日期2009年11月13日優(yōu)先權(quán)日2009年11月13日發(fā)明者張新生,王穎,鄧成,高新波申請(qǐng)人:西安電子科技大學(xué)