一种医学病灶图像的词袋模型的构建方法

摘要

本发明涉及识别医学病灶图像，具体涉及一种医学病灶图像的词袋模型的构建方法，该方法首先将医学病灶图像划分为病灶区域和病灶边界区域两个部分，分别得到病灶区域和病灶边界区域的词袋，进而构建出病灶区域词袋和病灶边界区域词袋联合的词袋模型。本发明所述的构建方法得到的词袋模型相对于一般的词袋模型增加了病灶区域局部特征的相对空间位置信息，因此有助于提高临床诊断的准确性。

主权项

一种医学病灶图像的词袋模型的构建方法，该方法由以下步骤组成：（1）读取数据库中已勾画出病灶轮廓的医学病灶图像，所读取的医学病灶图像要包含每种病灶类型至少各50幅图像，并对每一幅医学病灶图像进行以下处理：（1.1）先对病灶轮廓线进行一维高斯平滑，再分别以病灶轮廓线和病灶轮廓线的法线相交的像素点为起点，沿着病灶轮廓法线向病灶内和病灶外各取若干数量相同的像素点，然后分别，以位于每一病灶轮廓法线方向上所取的像素点为列，按顺时针或逆时针排列，以位于每一病灶轮廓法线方向上同一位置的像素点为行，按从病灶轮廓内向病灶轮廓外或从病灶轮廓外向病灶轮廓内的顺序排列，得到所述医学病灶图像的边界区域的变换图像；接着，以变换图像内间隔为0～5个像素点距离的像素点为中心向外扩展，获取一系列像素点阵列大小为5×5、7×7或9×9的小方块，将所述小方块中的每一列像素点逆时针转90°，再以从上到下的顺序排成一行队列，然后将每一行队列中，位于所述变换图像内的像素点分别替换为所对应的灰度值，位于所述变换图像外的像素点的灰度值分别赋予零，得到所述病灶边界区域的灰度值向量A1；（1.2）在病灶区域内自位于所述病灶轮廓线边缘的像素点起，以间隔为0～5个像素点距离的像素点为中心向外扩展，获取一系列像素点阵列大小为5×5、7×7或9×9的小方块，将所述小方块中的每一列像素点逆时针转90°，再以从上到下的顺序排成一行队列，然后将每一行队列中，位于所述病灶轮廓线内的像素点分别替换为所对应的灰度值，位于所述病灶轮廓线外的像素点的灰度值分别赋予零，得到病灶区域的灰度值向量A2；（1.3）将步骤（1.1）得到的所有医学病灶图像的病灶边界区域的灰度值向量A1规为一类，将步骤（1.2）得到的所有医学病灶图像的病灶区域的灰度值向量A2规为另一类，然后分别对其进行k均值聚类，得到含有由聚类中心所形成的单词组成的病灶区域词典和病灶边界区域词典；（2）取所述数据库中任一幅医学病灶图像，分别构建病灶区域的词袋B2和病灶边界区域的词袋B1；其中，（2.1）所述病灶区域的词袋B2的构建方法为：以其病灶区域内每一像素点为中心向外扩展，获取一系列大小与步骤（1.2）所述小方块相同的小方块，再以步骤（1.2）相同的方法得到该幅医学病灶图像的病灶区域的二次运算的灰度值向量A2′，然后按所述行队列的顺序分别计算每一灰度值向量A2′与病灶区域词典中每个单词的欧氏距离，并把每一灰度值向 量A2′量化到与其欧氏距离最小的单词上，得到病灶区域词典中每个单词出现的频率，该频率数字所形成的一维向量即为该幅医学病灶图像的病灶区域的词袋B2；（2.2）所述病灶边界区域的词袋B1的构建方法为：先按步骤（1.1）相同的方法对该医学病灶图像的病灶边界区域进行处理，得到边界区域的变换图像，以变换图像内每一像素点为中心向外扩展，获取一系列大小与步骤（1.1）所述小方块相同的小方块，再以步骤（1.1）相同的方法得到该幅医学病灶图像的病灶边界区域的二次运算的灰度值向量A1′，然后按所述行队列的顺序分别计算每一灰度值向量A1′与病灶边界区域词典中每个单词的欧氏距离，并把每一灰度值向量A1′量化到与其欧氏距离最小的单词上，得到病灶边界区域词典中每个单词出现的频率，该频率数字所形成的一维向量即为该幅医学病灶图像的病灶边界区域的词袋B1；（2.3）将表示词袋B1和词袋B2的两个向量首尾连接排列成一个向量便得到该医学病灶图像的词袋模型。