[发明专利]一种基于集成方法的医疗影像纹理特征处理方法

说明书

本发明公开了一种基于集成方法的医疗影像纹理特征处理方法，涉及医学数字图像处理技术领域，本发明包括以下内容：运用机器学习中的基于树的集成方法，对利用灰度共生矩阵和Curvelet变换从医疗影像中提取的纹理特征进行建模，来对目标变量进行预测，本发明的方法通过先对特征进行降维，然后再建模，能够有效利用特征之间的非线性关系，提供定量判断的辅助功能，辅助医生对医疗影像进行判断。

技术领域

本发明涉及医学数字图像处理技术领域，更具体的是涉及一种基于集成方法的医疗影像纹理特征处理方法。

背景技术

医疗影像一直以来都是医生在开展工作时的重要信息来源及帮助工具，在临床工作及科研中医疗影像能为医生提供更丰富、更精确的诊治信息。随着信息时代的发展，尤其是大数据、人工智能领域的兴起，为深度挖掘医疗影像中隐藏的更多有用信息提供了有力的工具，从图像中像素的变化找出医生感兴趣的信息。

医疗影像的纹理特征主要是指图像的局部特征，是在图像中反复出现的局部模式及其排列规则，图像中某一位置的纹理特征与该位置周围的灰度值变化规律密切相关；同时，纹理特征也是一种全局特征，可以用来描述图像或图像区域所对应的表面性质。纹理分析是指通过一定的图像处理技术提取出纹理特征，从而获得纹理的定量描述的处理过程。通过纹理分析可以描述图像像素灰度级或颜色的某种变化，能够对图像纹理特征和结构做出定量描述和解释。由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系，即图像中灰度的空间相关特征。灰度共生矩阵(GLCM)就是一种通过研究灰度的空间相关特性来分析图像纹理特征的重要方法。

一张医疗影像能够在十二个方向上分别构造灰度共生矩阵，这十二个方向与时间的分隔方向一致，每一个灰度共生矩阵通过多尺度几何分析，一般是连续曲波(Curvelet)变换，可以得到十六个纹理特征，它们分别是：

传统的统计方法，如方差分析、相似度计算等，因为其无法计算出多个特征与目标变量之间的相关性，所以不能够很好地处理这十二个方向上各自的十六个纹理特征。

发明内容

本发明的目的在于：为了解决现有的统计方法无法计算出多个特征与目标变量之间的相关性的问题，本发明提供一种基于集成方法的医疗影像纹理特征处理方法，运用机器学习中的基于树的集成方法，对利用灰度共生矩阵和连续曲波变换从医疗影像中提取的纹理特征进行建模，并且在建模前对纹理特征进行降维提取，有效利用特征之间的非线性关系，提供定量判断的辅助功能，辅助医生对医疗影像进行判断。

本发明为了实现上述目的具体采用以下技术方案：

一种基于集成方法的医疗影像纹理特征处理方法，包括以下步骤：

步骤一、提取纹理特征，利用灰度共生矩阵和连续曲波变换从医疗影像的m个样本中提取出k个纹理特征K(K1,...,Kk)，利用m个样本和k个纹理特征构建一个m×k的矩阵，并按照一定的比例将矩阵切分为训练集和验证集，且训练集中数据的数量大于验证集；