[发明专利]基于多示例多标签学习的皮肤病理图片特征识别方法

说明书

技术领域

本发明是一种基于多示例多标签学习的皮肤病理图片特征识别方法，属于基于多示例多标签学习的皮肤病理图片特征识别方法的改造技术。

背景技术

在皮肤病的诊断过程中，医生需要仔细观察患者患处皮肤表面的改变，如果用摄影技术记录保存成图像则是皮肤图片。而对于很多皮肤病来说，仅仅通过观察患者的皮肤或皮肤图片是不能够做出正确诊断的，这时需要对皮肤进行活组织检查，在显微镜下观察病变组织的病理变化，拍摄的图像即为皮肤组织的病理图片。医生通过对皮肤病理图片的分析，就能够比较准确地得出诊断。

由于病理图片所反映的是从表皮至皮下组织各层皮肤结构的组织学特征，因此只有具备皮肤病理学专业知识且临床经验丰富的医生和实验室科研人员才能够较好地识别病理图片所包含的特征。由于皮肤病是一类非常常见的疾病，患者数量巨大，实验室分析皮肤病理图片任务繁重，这对医生和实验室研究人员来说是一个巨大的挑战。

目前对于皮肤图像的计算机辅助识别研究和应用，主要集中在对患者的皮肤表面图片进行特征提取和识别，在这些研究和应用中，它们对皮肤的表面图片进行基于颜色空间的特征提取，也即对这些图像的识别主要使用其所反映的颜色特征。这些方法对某些特征明显的皮肤表面图像的识别较为有效，但并不适用于皮肤病理图像的识别，其原因有二：

A．皮肤病理图像多是经过染色的，因此难以使用以往适用于皮肤表面图像的颜色特征作为识别的依据。

B．皮肤病理图像大多包含具有不同纹理特征的内部区域，识别这些内部区域并对它们进行有效的特征提取是皮肤病理图像识别成功的基石。

通过对医院皮肤科病理图像诊断过程的研究，发现皮肤病理图像的特征识别问题是一个多示例多标签学习问题，原因如下：

A.医生对病理图像的诊断是针对整个图像而下的，并没有具体给出图像的哪个局部对应哪个特征

B.医生在进行病理图像特征的判断时，实质上是考察了视觉上能进行区分的区域所表现出来的某种纹理特征进行判断

C.不同视觉上可区分的局部之间的关系对特征的判断是有影响的

D.病理图像的特征之间具有一定的统计上的相关性

根据以上4点，我们认为皮肤病理图像的特征识别问题本质上是一个多示例多标签学习问题。其中病理图像对应多示例样本（包），病理图像的局部区域对应包中的示例，局部区域之间的关系对应包中示例之间的关系，病理图像所具有的多种特征对应多示例样本的多个标签。目前并没有专门针对皮肤病理图片特征识别的方法。

发明内容

本发明的目的在于考虑上述问题而提供一种具有代替医生和科研人员进行皮肤病理图片特征识别的能力，从而提高诊断的效率和准确率的基于多示例多标签学习的皮肤病理图片特征识别方法。

本发明的技术方案是：本发明的基于多示例多标签学习的皮肤病理图片特征识别方法，包括如下步骤：

1）图像预处理；

2）区域特征提取；

3）建立多示例多标签学习的皮肤病理图像识别模型。

上述图像预处理是把图片划分为视觉上不重叠的若干部分，再对每个区域进行区域特征提取，从而把一个病理图像表示为一个多示例样本。

上述区域特征提取是基于二维小波变换的区域特征提取，基于二维小波变换的区域特征提取的步骤如下：

1)对于一幅皮肤病理图像，把图像划分成小格，其中每个小格的大小为4*4个像素，把全黑的小格删除,即把颜色值全为FF的小格删除；

2）对剩下的每一个小格的所有像素进行颜色空间的变换，从原先的RGB空间变换到LUV空间；

3）对一个区域的所有小格的L、U、V值求平均，得到特征f₁；

4）对每一个剩下的由LUV空间表示的小格，进行二维小波变换；

5）取变换后除低频外的三组特征值，计算每组特征值的第二范数，把一个区域的所有小格的这三组特征取平均值，得到特征f₂；

6）计算每一个小格的1、2、3阶归一化图像度量，然后全区域的所有小格取平均，得到特征f₃；

通过上述过程，每个图像区域转化为一组特征(f₁，f₂，f₃)，即一个9维的特征向量；