一种基于超声图像低秩分析的甲状腺病灶图像识别方法
【技术领域】
[0001] 本发明涉及一种基于超声图像低秩分析的甲状腺病灶图像识别方法。
【背景技术】
[0002] 视觉是人类获取信息的重要来源，在计算机替代人类可重复性工作的信息时代， 图像处理与模式识别无疑是目前研究和应用的一大热门。在今年的全国政协会议上，政协 委员、百度公司CEO李彦宏建议设立"中国大脑"计划，推动人工智能跨越发展，抢占新一轮 科技革命制高点；谷歌、微软亚洲研究院等世界著名研究机构成立有专门的计算机视觉小 组。这表明人工智能的时代即将到来，而图像处理与模式识别作为人工智能中的一个重要 组成部分，其研究与应用价值的重要性不言而喻。
[0003]目前图像处理与模式识别领域的研究热点主要集中于目标检测、图像分割、分类 识别、目标跟踪、3D场景重建等方面，图像识别的重要目标是根据图像，分辨其中物体的类 另IJ，并做出相应的判断。其中图像识别是人类视觉认知的延伸，包含诸如条码识别、生物特 征识别、手写识别等多个方面。因此，随着图像的广泛应用，利用计算机对图像提取特定类 型的特征，通过融入先验知识对其建立分析处理模型，进而据此对兴趣目标进行自动、准确 的识别，尽可能地降低手工劳动工作量，已经成为现在的发展趋势，并可为跟踪、分割、重建 等后续应用提供必要的技术基础，具有重要的科学研究意义。
[0004] 根据调研，目前尚不存在甲状腺病灶图像的识别方法。
【发明内容】
[0005] 本发明解决的技术问题是：克服现有技术的不足，提供一种基于超声图像低秩分 析的甲状腺病灶图像识别方法，实现对甲状腺区域图像自动和准确的识别，，为计算机辅助 诊断提供新的方法。
[0006] 本发明采用的技术方案为：一种基于超声图像低秩分析的甲状腺病灶图像识别方 法，包括以下三个步骤：
[0007] 步骤（一），采用聚类的方法，以位置相近、特征相似的像素聚为一类，将超声图像 划分为若干个子区域组成超像素；按照每个超像素包含像素数量的大小，进行若干层次的 超像素分割；以超像素为单位，提取超声图像的方向梯度直方图H0G特征和局部二值模式 LBP特征，对于一个超像素，将其H0G特征与LBP特征串联，即得到一个列向量，用于表示该 超像素的特征；超声图像分为训练图像和测试图像两类，训练图像含有医生标注信息，供训 练词典时使用；测试图像不含医生标注信息，供测试方法的效果使用；
[0008] 步骤（二），对于通过步骤（一）得到的训练图像特征，结合医生标定的甲状腺区 域图像位置，将甲状腺区域图像位置的超像素的块状特征组成词典；对于通过步骤（一） 得到的训练图像特征，利用图像特征数据之间的相关性和全局结构信息，通过低秩重构误 差分析的方法，将与词典相似的图像特征数据重构出来，计算重构误差；使用graph-cut算 法对测试图像进行分割处理，结合graph-cut分割结果，标定出甲状腺的位置区域，供步骤 (三）使用；
[0009] 步骤（三）通过步骤（一）计算得到甲状腺位置区域图像特征，将所有特征并联 为一个矩阵，使用低秩分解的方法对该矩阵进行低秩分解，得到一个具有低秩性的矩阵和 一个具有稀疏性的误差矩阵；计算误差矩阵中各列向量的范数，得到稀疏误差；设定一个 阈值，根据误差矩阵，计算每个超像素的稀疏误差，稀疏误差大于该阈值的超像素即认为是 病灶区域。
[0010] 所述步骤（一）中的基于超像素层次化分割具体实现如下：
[0011] (1)给出一个超像素分割的数目η作为输入参数；
[0012] (2)根据给出的数目η，生成η个中心点，平均放置在超声图像中进行初始化；
[0013] (3)在Labxy五维向量空间中，根据第⑵步生成的中心点，对每个像素点进行聚 类操作；
[0014] (4)所有像素点聚类完成后，将每一类中像素点平均值更新为新的中心点；
[0015] (5)根据第（4)步得到的新中心点，判断是否满足收敛条件，如果满足，则结束，返 回超像素分割完成的标注图像和实际分割超像素数目，如果不满足，则回到第（3)步，继续 对像素点进行聚类操作；
[0016] (6)设置多个超像素分割数目，重复（1)~（6)步，得到层次化分割结果。
[0017] 所述步骤（一）中的以超像素为单位，提取图像的H0G特征和LBP特征的具体实 现如下：
[0018] (1)遍历整幅图像，计算出每个像素点的梯度方向大小和与周围8个像素灰度值 的大小关系，得到每个像素点的特征数值；
[0019] (2)结合超像素分割信息，根据第（1)步的每个像素的特征数值，将其统计到所在 超像素中，形成统计直方图，提取H0G特征和LBP特征。
[0020] 所述步骤（二）的低秩重构误差分析具体实现如下：
[0021] (1)将训练图像按照步骤（一）进行超像素层次化分割与特征提取，结合医生标注 的甲状腺区域信息，将属于甲状腺区域的所有超像素的特征并联，得到词典；
[0022] (2)将测试图像按照步骤（一）进行超像素层次化分割与特征提取，将所有超像素 的特征与第（1)步得到的词典并联，得到数据矩阵X;
[0023] (3)对第（2)步得到的数据矩阵X，用测试图像特征重构词典，使用增广拉格朗日 乘子法求解公式：
[0024]
[0025] 得到系数矩阵Z，其中E为误差，λ为参数；
[0026] (4)根据第（3)步得到的系数矩阵Ζ，计算测试图像各超像素重构词典时的重构误 差；
[0027] (5)对测试图像进行Graph-cut分割，根据第（4)步每个超像素的重构误差，对分 割区域进行投票，得到平均重构误差最小的区域即认为是甲状腺区域。
[0028] 所述步骤（三）的低秩分解的具体实现如下：
[0029] (1)根据步骤（二）得到的甲状腺区域图像，将其按照步骤（一）进行超像素层次 化分割与特征提取，将所有超像素的特征并联，得到数据矩阵X;
[0030] (2)对第（1)步得到的数据矩阵X，求解公式：
[0031]
[0032] 得到误差矩阵E，其中A为低秩部分矩阵，λ为参数。
[0033] (3)根据第⑵步得到的误差矩阵Ε，计算甲状腺区域图像内各超像素特征的稀疏 误差；设定一个阈值，稀疏误差大于该阈值的超像素即可认为属于病灶区域图像。
[0034] 本发明的原理在于：
[0035] (1)通过基于线性迭代聚类的方法，根据像素位置的相近性和像素颜色的相似性， 通过不断的简单线性聚类，将图像分割为多个子区域，组成超像素。首先遍历整幅图像，计 算出每个像素点的梯度方向大小和与周围8个像素灰度值的大小关系；然后根据超像素分 割得到的标注信息，将每个像素的特征数值统计到所在超像素中，形成统计直方图；最后把 每个超像素的特征作为一个列向量，并联起所有列向量即构成词典，供后续工作使用。
[0036] (2)为了识别甲状腺区域，本发明通过低秩表示的方法，提出了一种通过利用数据 之间的相关性和全局结构信息，将与训练词典相似的数据重构出来，且重构误差较小，并结 合graph-cut分割出的区域，可以有效地识别甲状腺区域的方法。
[0037] (3)为了检测甲状腺病灶位置，本发明通过基于局部低秩分解的显著性检测的方 法，甲状腺区域特征具有低秩性，而病灶的存在会破坏这种低秩性。对甲状腺区域精细化超 像素分割进行低秩分解，通过稀疏误差矩阵可以对病灶进行有效地检测。
[0038] 本发明与现有技术相比的优点在于：
[0039] (1)基于超像素提取图像特征可以有效降低数据规模，提高算法效率。相比于传统 的基于像素的方法，超像素聚集特征、位置相似相近的像素，可以表示一个区域的特征，减 少冗余计算量。多尺度层次化提取图像特征的方法，可以兼顾全局和局部信息的获取，有效 地提高识别准确率。
[0040]