一种基于随机森林回归的胸腔x光片肋骨检测方法
【技术领域】
[0001] 本发明涉及一种基于随机森林回归的胸腔X光片肋骨检测方法，医学影像技术领 域。
【背景技术】
[0002] 在日常的学习和统计中，图像是人类观察和获取信息的重要来源之一。在医学领 域，随着X光、伽马摄影、MRI、超声波、光学内视镜摄影等成像技术的快速发展，人们可以使 用非侵入方式获取人体内部组织的医学图像，用于医疗诊断或医学研究，同时为临床治疗 提供可靠的依据。在各类医学图像中，由于X光图像具有拍摄方便、获取延时短、价格低廉、 可随意变动受检部位等优点，得到了更加广泛的应用。
[0003] 医学图像具有很高的专业性，医生需要借助大量的学科知识和实践经验对其进行 解读，但这种方式往往受限于医生本身的科学素质和精神状态。随着计算机科学的快速发 展，人们开始将计算机图像处理技术应用于临床医学，希望能以客观的角度，在一定程度上 提高医生判读医学图像的效率及准确率，其中包括对医学图像进行标记检测、形状分割、轮 廓绘制、图像检索与配准等等。而医学图像的关键信息多贮存于一些重要的特殊位置（例 如病变位置，或待观察骨骼/器官位置等），因此，大部分临床应用需要对医学图像中的关 键目标位置进行检测。但对X光等医学图像进行实时而准确的自动目标检测是十分困难 的，在一些医疗案例中，临床医生需要手动进行标记定位，这样既会浪费时间，也会增大定 位误差，因此，需要探索一种全自动的图像目标检测方法并将其应用到X光图像的处理中。
[0004] 近年来，图像目标检测问题受到了广泛关注，其主要目的是从图像中标记出待检 测目标的位置，进而可辅助进行图像分割、图像分类和场景识别、医学图像器官位置及病灶 检测和计算机辅助诊断、医学导航、智能监控等工作。要进行图像目标检测，首先要提取图 像信息，而许多传统的图像特征表示方法（如3正1\51]1^、!1(?、颜色直方图等图像特征描述 子）仅统计了图像的梯度或颜色等像素信息，这使得他们更适用于图像局部特征的描述和 匹配，难以直接用于医学图像中专业信息和大尺度信息的描述。因此，需要对传统的特征表 示方法进行改进，使其能够更有效地提取和表示医学图像的局部及全局信息。
[0005]-些传统的目标检测方法，如词袋模型（bag-of-wordmodel)、基于图像部分的模 型（part-basedmodel)、基于低层图像特征的模型等方法难以保证图像目标定位的准确性 和鲁棒性，对图像尺度变换和图像噪声的容忍度太低，因此难以较好的满足目标检测需求。 因此，人们引入了大量基于机器学习的回归方法，对图像目标进行定位。但由于传统的机器 学习方法，如回归决策树、支持向量机（SVM)等，时常存在过拟合或欠拟合问题，需要精确 地对相关训练参数进行调整，否则将影响目标检测的准确率。
【发明内容】
[0006] 本发明解决的技术问题是：克服现有技术的不足，提供一种基于随机森林回归的 胸腔X光片肋骨检测方法出，使用数十张带有目标位置信息（如肋骨位置标识）的胸腔X 光片作为训练图像，提取图像信息，训练一个随机森林回归器，并使用它对新的胸腔X光片 中的目标点位置（如肋骨标识点位置）及目标位置（如某根肋骨的位置）进行检测。
[0007] 本发明采用的技术方案为：一种基于随机森林回归的胸腔X光片肋骨检测方法， 包括以下步骤：
[0008] 步骤（1)、基于随机采样的图像块生成及其HOG(HistogramsofOriented Gradients，梯度方向直方图）特征描述：从每张训练图像或测试图像中提取不同尺度和纵 横比的图像块，即进行随机采样，构成稠密采样空间，并对每个图像块进行再划分，提取更 小的不同尺度与纵横比的小图像块，以每个小图像块为H0G统计的基本单位，采用一定的 排列方法将提取结果组合起来，最终获得每张图像块的特征向量和整张图像的特征描述矩 阵；其中，训练图像表示用于胸腔X光片肋骨检测器训练的、带有用户手动标注的肋骨位置 信息的胸腔肋骨X光片；测试图像表示不含肋骨位置信息标注的胸前肋骨X光片；
[0009] 步骤（2)、基于特征块与目标点距离分布的随机森林回归器生成：在程序运行过 程中，采用可交互方法，让用户从训练图像上选取指定个数的目标点，并以这些目标点到稠 密采样空间中图像块的中心位置的位移作为机器学习的输出空间实例，并使用随机森林架 构进行回归训练，得到随机森林回归模型；
[0010] 步骤（3)、基于随机森林回归的X光片目标检测：使用步骤（1)中提出的方法，以 多张胸腔X光图像作为测试的图像，提取测试的图像的特征描述矩阵，代入步骤（2)生成的 随机森林回归模型中，获得每个图像块对目标点位置的预测结果，对预测结果进行加权整 合，获得测试图像对目标点位置的预测信息，并根据对多个目标点位置的预测，框选出目标 肋骨的位置；
[0011] 步骤（4)、多次进行步骤（2)中的以随机森林为架构的回归训练，每一次选定不同 的随机森林参数，执行步骤（3)中的目标检测，比较不同参数下回归模型对目标肋骨位置 预测的准确性和时间效率，选取最优的随机森林参数配置。
[0012] 步骤（1)中所述的基于随机采样的图像块生成及其H0G特征描述方法中，对图像 进行划分是首先对图像采用网格划分，并根据网格划分的结果提取图像块，再对图像块进 行网格划分，提取小图像块，通过对小图像块的H0G特征的提取和整合的方法，能够得到描 述整张胸腔X光图像的特征描述矩阵，特征描述矩阵描述了图像的全局信息，以及该图像 中每个图像块的特征描述矩阵，特征描述矩阵描述了图像的局部信息.
[0013] 步骤（2)中使用与用户交互的方式，获得指定个数的目标点的位置坐标，据此获 得了用户的先验知识信息，使用随机森林架构进行回归训练，包括对随机森林中的每一棵 回归树进行训练，包括以能量模型为基准，进行弱分类器模型和叶子节点预测模型的训练， 此外，还要通过随机模型控制随机森林的随机性能，据此得到能够进行胸腔X光片中目标 点位置预测的随机森林回归器。
[0014] 步骤（3)中获得每个图像块对目标点位置的预测结果时，采用整幅图像中的单个 图像块对目标点位置进行预测的方法，并使用多图像块投票机制，整合了所有图像块的预 测结果。
[0015] 步骤（2)中指定个数的目标点是：使用用户自主点取的5个标识点对目标肋骨进 行标记。
[0016] 本发明与现有技术相比的有点在于：
[0017] (1)本发明提出的基于随机采样的图像块生成及其HOG特征描述方法，在获取图 像全局结构信息的同时，兼顾局部信息的获取，使得图像的特征表示更加准确。
[0018] (2)本发明提出的基于特征块与目标点距离分布的随机森林回归器生成，建立了 拥有较高性能的随机森林回归模型，同时，根据用户提供的先验知识的不同，可以生成预测 不同位置的随机森林回归模型。
[0019] (3)本发明提出的基于随机森林回归的X光片目标检测方法，提出了多特征块预 测结果投票整合的方案，得到了具有较高准确度的目标位置预测结果，并根据胸腔X光图 像中肋骨的特征，提出了框选目标肋骨的方案。
[0020] (4)本发明以随机森林回归方法为基础框架，采用基于随机采样的图像块生成极 其H0G特征提取算法对图像进行描述，结合回归思想、随机思想与投票算法，对图像中的目 标位置进行估计和预测，并尽可能的提高目标检测的准确率和效率。本发明的研究与实现， 随机森林回归方法在与计算机辅助诊断密切相关的医学图像自动标识、分割与分类、病灶 检测、几何重构与基于内容的增强绘制等方面具有广泛的应用前景，能够有效提高人们观 察和理解医学图像的效率和准确率，它的训练及测试过程具有可并行性，能够有效地提高 图像目标检测的实时性，因此，非常适用于X光片等医学图像的目标检测，具有重要的现实 意义。
【附图说明】
[0021] 图1为基于随机森林回归的胸腔X光片肋骨检测方法流程示意图；
[0022] 图2为基于随机采样的图像块生成及其H0G特征描述流程图；
[0023] 图3为图像块（patch)的选取结果示意图；
[0024] 图4为block分割及H0G描述子提取结果示意图；其中，a)灰色方框标识出的区域 表示编号为140的图像块（patch)的示例；b)表示放大后的编号为140的图像块（patch); c) 表不对编号为140的图像块（patch)进行6*6网格划分（又称6*6栅格化）后的结果； d) 表示从c)的栅格化结果中选取小图像块（block)的部分结果，其中，不同的颜色代表不 同的小图像块；e)代表小图像块（block)的H0G特征描述子提取结果，其中，不同的灰度值 代表不同小图像块的H0G特征描述子，且每种灰度与d)中的小图像块颜色一一对应；f)代 表将每个图像块（patch)中的小图像块（block)的H0G特征描述子并联后得到的结果，BP 为图像块（patch)的H0G特征描述子。
[0025]图5为基于特征块与目标点距离分布的随机森林回归器生成算法流程示意图；
[0026] 图6为目标点及其位置信息采集流程与结果示意图；其中，a)为用户自主点取5 个目标点位置的程序运行截图；b)给出了用户对5个目标点的自主点取结果；c)展示了部 分图像块（patch)的中心位置计算结果；d)是对图像块（patch)中心到目标点位置的位移 向量计算结果示意图；e)是所有图像块（patch)中心到目标点位置的位移向量的可视化表 示结果；图7为随机森林模型训练结果示意图；其中（a)表示随机森林结构；(b)表示随机 森林中的树结构和节点结构；
[0027] 图8为基于随机森林回归的X光片目标检测方法流程示意图；
[0028] 图9为对测试图像单个和多个目标点的预测结果图；其中，第一行的两张图片代 表对单个目标点的位置预测结果，其中，浅灰色的点是图像中所有图像块对目标位置的预 测结