[发明专利]一种融合全局和局部特征的内镜图像病变检测方法

说明书

所属技术领域

本发明属于数字图像处理技术，具体是机器学习技术与临床胶囊内镜小肠图像病变检测相结合。

背景技术

胶囊内窥镜是一种新型的胃肠道疾病检测工具，具有无痛、安全、可全程检测等优点，目前已在国内外临床上得到了广泛的应用，并取得良好效果。通常，一次胶囊内镜检测会产生4～6万张彩色图像，这些图像由专业医生进行筛选和分析以实现对各种胃肠道病变的诊断。然而，仅浏览图像就需耗费专业医生1～2个小时。因此，建立面向胶囊内窥镜图像病变检测的计算机辅助系统，排除非病变图像、强干扰图像，将筛选后的疑似病变图像提交医生进一步分析，降低医生的工作强度、提高诊断的准确度成为急需解决的问题。

胃肠道病变的多样性和复杂性使其在内窥镜图像上呈现多种不同的表现形式，即使是同一种病变，其图像特征亦不稳定。这些都为胃肠道病变的检测带来巨大的困难。然而，计算机辅助诊断系统对内镜图像进行分析的过程中，若发生漏检(即，病变图像被误认为非病变的正常图像)极有可能造成漏诊和误诊，为患者带来难以弥补的损失。

另外，传统胶囊内镜图像病变特征提取方法可分为：全局特征提取和局部特征提取两种。提取全局特征训练分类器时，训练图像仅需标明是否存在病变，无需标出具体病变区域。而提取局部特征训练分类器时，需在病变图像上标出具体病变区域。这使得提取局部特征训练分类器时，在标注训练图像上需耗费专业医生大量时间和精力，且容易出现局部病变区域标注不完整或标注错误，从而影响病变检测的准确性。

发明内容

鉴于现有技术的以上缺点，本发明的目的是，提供一种提出一种融合全局和局部特征的内镜图像病变检测方法，将监督学习与多示例学习相结合，建立两级病变检测机制，在保证病变检测准确率、降低医生劳动强度的同时，最大限度地降低漏检率。

本发明的目的是通过如下的手段实现的。

一种融合全局和局部特征的内镜图像病变检测方法，通过以下方法步骤实现：

A.构建含标注信息的胶囊内镜图像训练样本库，提取胶囊内镜小肠图像的全局和局部特征，训练胶囊内镜图像分类器；

A.1提取胶囊内镜图像全局特征，训练全局特征分类器：

1)采集患者胶囊内镜图像，通过专业医生对内镜图像进行分类、整理，对图像是否存在病变进行标注；对存在病变的图像标出病变类型，建立带标注信息的胶囊内镜图像训练样本库；

2)对已标注的胶囊内镜图像进行预处理，降低图像中各种噪声、干扰对图像病变检测的影响；

3)对预处理后的图像进行分析，提取图像全局特征向量；

4)将获取的图像的全局特征向量，基于监督式学习方法，训练全局特征向量分类器，记录训练过程中分类正确的胶囊内镜图像和分类错误的胶囊内镜图像；

5)存储全局特征向量分类器训练结果；

A.2提取胶囊内镜图像局部特征，训练局部特征分类器：

1)提取全局特征训练过程中分类错误的胶囊内镜图像、并添加α张全局特征训练过程中分类正确的胶囊内镜图像，构成用于训练局部特征分类器的胶囊内镜图像样本库；

2)对步骤A.2-1所得图像进行预处理，降低图像中各种噪声、干扰对图像病变检测的影响；

3)对预处理后的图像进行分析，提取图像局部特征向量；

4)将获取的图像的局部特征的向量，基于多示例学习方法，训练局部特征向量分类器；

5)存储局部特征向量分类器训练结果；

B.融合胶囊内镜图像全局特征和局部特征，利用步骤A所训练的全局特征分类器和局部特征分类器，对待检测的胶囊内镜图像进行识别；

B.1提取胶囊内镜图像全局特征，利用步骤A训练的全局特征分类器进行病变检测；

1)运用各种计算机手段和技术采集待检测患者的胶囊内镜图像，作为待检图像；

2)对待检测胶囊内镜图像进行预处理，降低图像中各种噪声、干扰对图像病变检测的影响；

3)对预处理后的图像进行分析，提取图像全局特征向量；

4)对步骤B.1-3提取的待检图像全局特征向量，采用步骤A.1训练的全局特征分类器计算待检内镜图像为病变图像的概率；

5)若概率值大于β1则将内镜图像标记为病变图像，结束检测；否则，直接转入步骤B.2-1；

B.2对步骤B.1中全局特征分类器判断为非病变的胶囊内镜图像，提取局部特征向量，利用步骤A训练的局部特征分类器执行进一步的病变检测；