[发明专利]CT切片图像的自动分类方法和装置

说明书

本发明公开了一种CT切片图像的自动分类方法和装置，从CT切片图像之中提取身体轮廓方框，再分割为不同的子方框，整合不同子方框内的梯度和LBP特征统计信息生成对应CT切片图像的全局特征向量，通过与模板集进行对比计算从而获得最终的分类结果，从而实现以较小的计算量，较低的计算复杂度，快速的实现对CT切片图像的分类，并能满足实时处理的要求，并且降低了对软硬件的性能的要求，可以节约成本，降低了开发的难度，符合对高速化大规模数据处理模式的要求。

技术领域

本发明涉及CT切片图像处理的技术领域，尤其是指一种CT切片图像的自动分类方法和装置。

背景技术

伴随着医学影像技术的发展，各类数字化医学影像设备已经在各级医疗机构得到了广泛的应用。特别是CT(Computed Tomography,计算机断层扫描)具有成像清晰，分辨率高，速度快，费用适中等优点，在临床领域已经作为对脑，胸，腹等身体部位进行可视化诊断的一项标配方案。对一个患者而言，一次扫描大概产生少则几十张，多则上百张的CT切片图像数据。目前对这些图像数据的判别处理还是主要依靠人工操作，因此存在准确率无法确保，效率低以及人力不足等问题严重制约对CT切片图像数据的处理。因此人工智能(Artificial Intelligence，简称AI)技术被认为是解决上述问题的关键，并作为计算机辅助诊断(Computer aided diagnosis，简称CAD)的一项核心技术。在人工智能应用于CT切片图像数据的处理时，需要对CT切片图像进行分类，即判断该CT切片图像属于身体的具体部位，进而采用对应身体部位的模型来进行判别处理。现有的分类方法主要有两大类：一类方法是通过与预先构建的模板进行匹配比对来实现判别；另外一类是通过“特征提取+分类器”这种传统的模式识别方法来进行的，特别是诸如卷积神经网络(Convolutional NeuralNetworks,简称CNN)这样的深度学习(deep learning)方法具有很高的性能。采用第一种模板匹配的方法需要构建标准模板，而且这种方法的准确度依赖模板的质量，而且这种方法由于没有考虑个体差异，以及在进行检测时身体状态的差异性，因此实际应用效果不理想。第二种方法之中的分类器一般采用有监督学习方式，这就意味着必须要有一个具有标注信息的训练样本数据集。由于标注训练样本数据集是一项费时费力的工作，并且这种方法的性能依赖标注训练样本数据集的数量和质量，因此具有高质量的人工标注信息的大规模训练样本数据集是不那么容易获取的。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种CT切片图像的自动分类方法和装置，解决现有的CT切片图像分类方法之中，采用模板匹配对比的这个技术方案存在的匹配准确度严重依赖匹配模板的质量，而且匹配模板无法针对个体的差异性进行修正，匹配算法的计算复杂度较高，计算量比较巨大；而采用传统模式识别的分类算法依赖大量的人工标注样本数据集的这些技术问题。

为实现上述目的，本发明所提供的技术方案如下：

CT切片图像的自动分类方法，包括以下步骤：