一种基于区域划分和Fisher向量的医学病灶图像特征表达方法

摘要

本发明涉及识别医学病灶图像技术领域，具体涉及一种基于区域划分和Fisher向量的医学病灶图像特征表达方法。该方法以膨胀后的病灶区域为感兴趣区(ROI)，然后根据ROI内所有像素灰度值大小，将ROI划分成N个子区域；在每个子区域内，提取小的图像块作为局部特征描述子；使用Fisher向量(Fisher vector,FV)算法将每个子区域的局部特征集分别聚合成一个向量，然后将得到的N个向量首尾相连，得到医学病灶图像的特征表达。本发明所述的特征表达方法利用了病灶周围区域信息和空间位置信息，并且使用了与常用的词袋模型相比更为有效的FV算法，使得构建的特征表达更具判别性，从而有助于提高临床辅助诊断的准确性。

主权项

一种基于区域划分和Fisher向量的医学病灶图像特征表达方法，其特征在于：包括如下步骤：(1)局部特征的生成过程可以用高斯混合模型来建模：λ是高斯混合模型的参数：λ＝{w_k,μ_k,Σ_k,k＝1,...,K}，其中w_k，μ_k和Σ_k分别是权重，均值向量和对角协方差矩阵，从数据库中已勾画病灶轮廓的医学病灶图像中提取大量的局部特征，然后利用这些局部特征学习得到高斯混合模型的参数，以及计算Fisher向量信息矩阵F_λ，每种类型的医学病灶图像至少各取50幅，其包含以下几步：a用圆形结构元素对病灶区域进行膨胀，以膨胀后的病灶区域为感兴趣区；b在感兴趣区内，以每个像素为中心提取w×w大小的图像块，将图像块按行或按列展开成一维的向量，作为局部特征描述子；c对步骤b得到的所有图像的局部特征利用主成分分析法进行降维；d利用步骤c得到的所有的局部特征进行学习，得到包含K个高斯成分的高斯混合模型的参数；e计算Fisher向量信息矩阵F_λ及其逆矩阵的Cholesky分解：$F_{\lambda }=E_{x~u_{\lambda }}\left[{▿}_{\lambda }\log u_{\lambda }\left(x\right){▿}_{\lambda }\log u_{\lambda }{\left(x\right)}^T\right]$$F_{\lambda }^{-1}=L_{\lambda }^T{L}_{\lambda }$其中x是局部特征向量；(2)取数据库中任一幅医学病灶图像，构建Fisher向量表达，包括以下步骤：a用圆形结构元素对病灶区域进行膨胀，以膨胀后的病灶区域为感兴趣区；b将感兴趣区内的所有像素按灰度值进行排序：由小到大或由大到小，将排好序的像素均分成N等分，每等分所包含的像素组成一个子区域，于是将膨胀后的病灶区域分成了N个子区域；c在每个子区域内，以每个像素为中心提取w×w大小的图像块，将图像块按行或按列展开成一维的向量，作为局部特征描述子，使用步骤(1)中c的主成分分析方法得到的投影矩阵对局部特征进行降维；d记一个子区域内的提取的局部特征集为X＝{x_t，t＝1...T}，使用Fisher向量算法将每个子区域内提取的降维后局部特征集聚合成一个向量，即Fisher向量：$g_{\lambda }^X=L_{\lambda }\frac{1}{T}{▿}_{\lambda }\log u_{\lambda }\left(X\right)$e对每个子区域的Fisher向量进行规范化：先进行幂规范化，然后进行L2范数规范化，设z为Fisher向量，幂规范化是针对向量的每个元素进行的，计算方法为：f(z)＝sign(z)|z|^α；L2范数规范化的计算方法为：z＝z/||z||；f将规范化后的每个子区域的Fisher向量按照子区域的灰度顺序首尾相连，得到医学病灶图像的特征表达。