[发明专利]用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和系统

说明书

本发明属于数据挖掘、模式识别、图像处理技术领域，具体为一种用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和系统。本发明的离群样本发现方法包括：通过医疗影像设备对人体扫描，获得按顺序排列的CT图像序列；在疑似肺部肿块所在的对应图像帧的对应坐标位置标示出肿块占有的区域；对于每个疑似肿块提取图像特征；采用离群样本检测技术，对所有病人的所有疑似肿块区域的图像特征进行分析，滤除特征空间离群样本对应的图像集合中的疑似肿块区域。各个样本的离群程度对应着误检，通过过滤离群程度大的样本减少误检样本的数量，从而减少虚警。

技术领域

本发明属于数据挖掘、模式识别、图像处理技术领域，具体涉及一种用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和系统。

背景技术

医学影像的计算机辅助诊断一直以来受到广泛关注。各种医学图像分析和计算机辅助诊断方法层出不穷，然而，各种方法都会出现误检。误检结果过会给医生带来困扰，甚至失去了辅助诊断的意义。

如何通过后处理技术对医学图像中的肿块检测结果进一步判决，是一个迫切需要解决的问题，以往的研究都是基于单张图像的检测结果的形态分析进一步过滤检测结果中的异常样本，但是单张图像的信息有限，异常样本形态多样、难以全面归纳，异常检测所依赖的知识是不完备的。

近期有人提出的一种新的解决方案：从整个图像集合中发现知识用于异常检测[1]。然而，文献[1]的方法还是一种有监督机器学习的方法，需要大量代价高昂的图像标注，而且这种大规模标注往往不易获得。

本发明中，提出了一种基于无监督机器学习的异常样本发现方法，用于过滤计算机辅助肺部肿块检测中的误检结果，以减少虚警。本发明首先遍历所有病人的CT图像的肿块检测结果，对所有肿块进行特征提取；观察发现，正确检测结果对应的样本(正常样本)在特征空间呈现聚合态势、特征具有一致性，而误检样本由于特征各异，在特征空间呈现分散的随机分布，且往往远离正常样本。因此，采用数据挖掘范畴的离群样本检测技术，在图像特征空间以无监督方式分析各个样本的离群程度，通过过滤离群样本减少误检样本的数量，从而减少虚警。

参考文献：

[1]Ke Yan,Xiaosong Wang,Le Lu,Ling Zhang,Adam P.Harrison,MohammadhadiBagheri, and Ronald M.Summers,“Deep Lesion Graphs in the Wild:Relationship Learning and Organization of Significant Radiology ImageFindings in a Diverse Large-scale Lesion Database”,2018IEEE/CVF Conference onComputer Vision and Pattern Recognition,pp. 9261-9270.。

发明内容

本发明的目的在于提出一种用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和系统，用于减少计算机辅助诊断的虚警。

本发明提出的用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法，通过遍历整个图像集合，对前期判断为疑似肿块的区域在特征空间进行离群样本检测，具体步骤如下：

(a)通过医疗影像设备对人体扫描获得按顺序排列的CT图像序列，其中，空间相邻的两个切片对应相邻帧的图像；

(b)在疑似肺部肿块所在的对应图像帧的对应坐标位置标示出肿块占有的区域；

(c)对于每个疑似肿块提取图像特征；

进一步地，所述疑似肿块提取图像特征包括：

对疑似肿块区域计算CT值的均值，作为该区域的特征；

对疑似肿块区域计算CT值的标准差，作为该区域的特征；