一種小樣本條件下醫(yī)學圖像自動標注方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計算機處理醫(yī)學圖像的方法，特別是一種小樣本條件下醫(yī)學圖像自動 標注方法，適用于計算機醫(yī)學圖像合成，圖像檢索和圖像標注。
【背景技術(shù)】
[0002] 醫(yī)學圖像是醫(yī)療診斷、藥物反應(yīng)監(jiān)控和疾病管理等最重要的輔助手段，具有速度 快、非入侵、副作用小、費用低、效果好等優(yōu)勢。隨著醫(yī)學圖像數(shù)量呈指數(shù)級的增長，普通用 戶檢索需要的圖像變得越來越難。過去的幾十年，有大量關(guān)于醫(yī)學圖像檢索的研究，可以 歸納為三類：文本標注方法、基于內(nèi)容的圖像檢索方法和自動圖像標注（Automatic Image Annotation，AIA)方法。Giild研究發(fā)現(xiàn)在DIC0M(Digital Imaging and Communication of Medicine)頭文件中大約有15%的標注錯誤，且DICOM頭文件在圖像壓縮后經(jīng)常被丟棄，所 以基于文本標注方法是不切實際的?；趦?nèi)容的醫(yī)學圖像檢索，由于在底層特征與圖像高 層語義之間存在巨大的鴻溝，且要求普通用戶提供查詢樣本圖像或草圖，同樣不切實際。而 AIA利用了前兩種方法的優(yōu)點，已經(jīng)成為醫(yī)學圖像檢索的必然趨勢。
[0003] 目前，已經(jīng)有很多學者為圖像標注提出了多種方法，可以分為基于支持向量機、人 工神經(jīng)網(wǎng)絡(luò)、決策支持樹、非參數(shù)密度估計和有參密度估計等幾類。盡管這些方法取得了階 段性結(jié)果，但目前醫(yī)學圖像自動標注還面臨幾個公認的難點和挑戰(zhàn)：
[0004] (1)很多現(xiàn)有方法需要大量的訓練樣本，且需要用手工方法為訓練圖像標注標記 點，既費時又容易出錯，失去了臨床應(yīng)用價值。
[0005] (2)由于噪聲數(shù)據(jù)的增加，類間的訓練樣本數(shù)的不平衡性，容易降低醫(yī)學圖像標注 的質(zhì)量。

【發(fā)明內(nèi)容】

[0006] 發(fā)明目的：為了解決上述技術(shù)問題，本發(fā)明公開了一種小樣本條件下醫(yī)學圖像自 動標注方法，能夠只需要小樣本訓練集。
[0007] 本發(fā)明的小樣本條件下醫(yī)學圖像自動標注方法，由以下步驟組成：
[0008] 步驟1，構(gòu)建小樣本醫(yī)學圖像組織器官的位置A的形狀標記點的稠密線性回歸模 型和稀疏線性回歸模型，合成相對于小樣本醫(yī)學圖像而言其他位置對應(yīng)的新樣本圖像的組 織器官形狀標記點；
[0009] 步驟2,構(gòu)建小樣本醫(yī)學圖像組織器官的位置A的形狀標記區(qū)域的仿射變換模型， 合成相對于小樣本醫(yī)學圖像而言其他位置對應(yīng)的新樣本圖像的組織器官形狀標記區(qū)域的 紋理；
[0010] 步驟3,對新樣本圖像和原有樣本圖像的組織器官的形狀標記點進行主成份分析， 生成組織器官的形狀可變模型；
[0011] 步驟4,對新樣本圖像和原有樣本圖像的組織器官紋理進行主成份分析，生成組織 器官的紋理可變模型；
[0012] 步驟5,在待標注的醫(yī)學圖像上使用霍夫投票學習方法初始定位組織器官，依據(jù)組 織器官的形狀可變模型和紋理可變模型的平移參數(shù)、旋轉(zhuǎn)參數(shù)和縮放比參數(shù)的收斂性自動 標注圖像內(nèi)容。
[0013] 所述步驟1中，構(gòu)建小樣本醫(yī)學圖像組織器官的形狀標記點的稠密線性回歸模型 和稀疏線性回歸模型，生成其他位置對應(yīng)的新樣本圖像組織器官形狀的具體步驟包括：
[0014] 步驟（11)，將組織器官在人體位置A的二維坐標矩陣拉長為一維向量，在該位置 的所有樣本的拉長向量構(gòu)成觀測矩陣，在其他位置與該組織器官對應(yīng)的樣本拉長向量構(gòu)成 觀測值；
[0015] 步驟（12)，基于2-范數(shù)正則化最小二乘法構(gòu)建形狀標記點的稠密線性回歸模型；
[0016] 步驟（13)，基于1-范數(shù)正則化最小二乘法構(gòu)建形狀標記點的稀疏線性回歸模型；
[0017] 步驟（14)，當大于50%的稠密線性回歸模型矩陣元素都小于閾值（本發(fā)明為 〇. 01)時，使用稀疏線性回歸模型，否則使用稠密線性回歸模型，生成其他位置對應(yīng)的組織 器官形狀樣本。
[0018] 所述步驟3中，對新樣本圖像和原有樣本圖像的組織器官的形狀標記點進行主成 份分析，生成醫(yī)學圖像組織器官的形狀可變模型，具體步驟包括：
[0019] 步驟（31)，使用廣義對齊和奇異值分解算法對齊所有組織器官的形狀標記點，得 到旋轉(zhuǎn)、平移和縮放不變的形狀標記點；
[0020] 步驟（32)，對廣義對齊后的組織器官形狀標記點進行主成份分析，使用均值形狀、 形狀子空間的正交基向量以及形狀子空間的投影系數(shù)建立組織器官的形狀可變模型。
[0021] 所述步驟5中，在待標注的圖像上使用霍夫投票學習方法的初始定位，依據(jù)組織 器官的形狀和紋理可變模型的平移、旋轉(zhuǎn)和縮放比等參數(shù)的收斂性自動標注圖像內(nèi)容，具 體步驟包括：
[0022] 步驟（51)，使用霍夫投票學習方法的初始定位組織器官的形狀和紋理模型在待標 注圖像的位置，獲得模型的平移、旋轉(zhuǎn)和縮放等參數(shù)的初始值；
[0023] 步驟（52)，每個標記點沿法向量方向搜索與當前點紋理特征歐式距離最小的像素 點進行更新，修正組織器官的形狀可變模型和紋理可變模型的平移參數(shù)、旋轉(zhuǎn)參數(shù)和縮放 比參數(shù)，依據(jù)所述參數(shù)的收斂性實現(xiàn)自動標注。
[0024] 本發(fā)明的優(yōu)點在于提出了一種小樣本條件下醫(yī)學圖像自動標注方法，基于2范數(shù) 正則化最小二乘法構(gòu)建的稠密線性回歸模型和基于1范數(shù)正則化最小二乘法構(gòu)建的稀疏 線性回歸模型，可以生成其他位置的新樣本醫(yī)學圖像組織器官的形狀標記點；分段仿射變 換可以生成其他位置的新樣本醫(yī)學圖像組織器官的紋理；本發(fā)明大大減少了醫(yī)學圖像標 注樣本需求量，有效克服了由于醫(yī)學圖像的專業(yè)特性，醫(yī)學圖像標注的數(shù)量和傳統(tǒng)網(wǎng)絡(luò)圖 像相比較少的問題。同時，可以補齊某些類別訓練樣本不足的問題，具有類間樣本平衡的 優(yōu)點，具有較好的臨床現(xiàn)實意義。把醫(yī)學圖像標注的任務(wù)轉(zhuǎn)換為組織器官模型的建模和匹 配問題，在對齊后的樣本圖像中用主成份方法生成醫(yī)學圖像組織器官的形狀和紋理可變模 型，組織器官的形狀和紋理模型具有旋轉(zhuǎn)不變性、平移不變性和縮放不變性，對噪聲不敏 感，健壯性強和魯棒性好等優(yōu)點。
【附圖說明】
[0025] 下面結(jié)合附圖和【具體實施方式】對本發(fā)明做更進一步的具體說明，本發(fā)明的上述和 /或其他方面的優(yōu)點將會變得更加清楚。
[0026] 圖1為本發(fā)明流程圖。
【具體實施方式】
[0027] 總體而言，本發(fā)明涉及一種小樣本條件下醫(yī)學圖像自動標注方法，利用稠密線性 回歸模型，稀疏線性回歸模型，仿射變換模型，誤差最小理論，參數(shù)收斂性等技術(shù)等實現(xiàn)了 只需要小樣本條件下醫(yī)學圖像自動標注方法。首先，構(gòu)建小樣本醫(yī)學圖像組織器官的形狀 標記點的稠密線性回歸模型和稀疏線性回歸模型，合成其他位置對應(yīng)的新樣本圖像組織器 官形狀；其次，構(gòu)建小樣本醫(yī)學圖像組織器官的形狀標記區(qū)域的仿射變換模型，生成其他位 置對應(yīng)的新樣本圖像組織器官紋理；再次，利用主成份模型構(gòu)建新合成的樣本和原有的小 樣本圖像的，生成醫(yī)學圖像組織器官的形狀可變模型和紋理可變模型；最后，使用霍夫投票 學習方法的初始定位組織器官的形狀和紋理模型在待標注圖像的位置，獲得模型的平移、 旋轉(zhuǎn)和縮放等參數(shù)的初始值；在待標注的圖像上尋找一組最優(yōu)的醫(yī)學圖像組織器官形狀和 紋理模型參數(shù)，根據(jù)最優(yōu)參數(shù)值是否收斂標注圖像內(nèi)容。
[0028] 本方法分為組織器官形狀標記點和紋理樣本圖像合成，構(gòu)建組織器官形狀和紋理 可變模型，基于最優(yōu)參數(shù)收斂性的標注三