專利名稱：：自適應(yīng)核匹配追蹤輔助診斷系統(tǒng)及其輔助診斷方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，特別是涉及醫(yī)學(xué)影像診斷，可用于醫(yī)療衛(wèi)生，普査工作，人口健康管理。
背景技術(shù)：
：各種醫(yī)學(xué)圖像如X光、CT、MRI等，已經(jīng)成為醫(yī)學(xué)臨床診斷、病理跟蹤、教育科研的重要依據(jù)與線索。醫(yī)學(xué)圖像由于其個(gè)體差異大、圖像模糊不均勻、噪聲以及病理類別繁多等因素影響，導(dǎo)致醫(yī)學(xué)圖像的診斷成為一個(gè)十分復(fù)雜而又迫切需要解決的問(wèn)題?，F(xiàn)在，快速、準(zhǔn)確地采用語(yǔ)義信息和內(nèi)容相結(jié)合的多級(jí)識(shí)別方法確定醫(yī)學(xué)圖像類別，己成為當(dāng)前醫(yī)學(xué)圖像數(shù)據(jù)庫(kù)研究的方法之一。其中基于內(nèi)容的醫(yī)學(xué)圖像分類是當(dāng)前的研究熱點(diǎn)，可以用于計(jì)算機(jī)智能輔助診斷，達(dá)到提高診斷效率和準(zhǔn)確性的目的。利用數(shù)字化乳腺X線圖像識(shí)別分類器，可快速識(shí)別良性和惡性的病變，大大提高檢索相似案例的效率。數(shù)據(jù)挖掘技術(shù)在醫(yī)學(xué)圖像診斷中的應(yīng)用也是最近開始受到學(xué)術(shù)界關(guān)注的重要研究方向之一，并已取得了一定的成果。在胃癌檢測(cè)方面，CT及MRI可無(wú)創(chuàng)、直觀的顯示胃癌局域淋巴結(jié)，目前常用于胃癌的臨床術(shù)前N分期評(píng)價(jià)，其中N分期包括N0、Nl、N2、N3、N4等五個(gè)分期，判斷結(jié)果主要由胃周淋巴結(jié)數(shù)目多少得到。實(shí)際評(píng)價(jià)過(guò)程中由于胃周淋巴結(jié)多達(dá)數(shù)十乃至上百枚，在這種胃周復(fù)雜結(jié)構(gòu)的背景下，讀片檢出淋巴結(jié)的準(zhǔn)確性明顯受限，同時(shí)胃癌醫(yī)學(xué)影像存在個(gè)體差異極大、標(biāo)記樣本數(shù)目較少以及癌變樣本在總樣本中分布不均勻等因素，導(dǎo)致CT對(duì)N分期的預(yù)測(cè)準(zhǔn)確率仍然較低。
發(fā)明內(nèi)容本發(fā)明目的在于克服上述已有技術(shù)的不足，針對(duì)醫(yī)學(xué)影像個(gè)體差異大、數(shù)據(jù)標(biāo)簽少以及數(shù)據(jù)分布不平衡等問(wèn)題，提出了一種基于不平衡醫(yī)學(xué)影像的自適應(yīng)核匹配追蹤輔助診斷系統(tǒng)及其輔助診斷方法，以提高分類器識(shí)別率，從而有效提高診斷的準(zhǔn)確率。為實(shí)現(xiàn)上述目的，本發(fā)明提供自適應(yīng)核匹配追蹤輔助診斷系統(tǒng)，包括-影像預(yù)處理模塊，完成原始影像去冗余以及直方圖均衡化增強(qiáng)處理，并將處理后的結(jié)果傳輸給影像特征提取模塊；4影像特征提取模塊，對(duì)輸入的影像完成灰度共生矩陣和Hu矩特征提取，再將其提取結(jié)果傳輸至影像自適應(yīng)核匹配追蹤分類診斷模塊；影像自適應(yīng)核匹配追蹤分類診斷模塊，對(duì)輸入的有標(biāo)記的不平衡影像數(shù)據(jù)樣本進(jìn)行多次學(xué)習(xí)，利用得到的分類器對(duì)未標(biāo)識(shí)的影像數(shù)據(jù)進(jìn)行識(shí)別，輸出最終診斷結(jié)果。所述的影像自適應(yīng)核匹配追蹤分類診斷模塊包括影像標(biāo)識(shí)樣本訓(xùn)練子模塊，完成有標(biāo)簽影像樣本的訓(xùn)練，生成影像診斷分類器，并將該分類器傳輸給影像自適應(yīng)因子調(diào)節(jié)子模塊；影像自適應(yīng)因子調(diào)節(jié)子模塊，根據(jù)輸入的弱勢(shì)樣本診斷識(shí)別率與設(shè)定常量的比對(duì)，調(diào)節(jié)自適應(yīng)因子《，再將帶有自適應(yīng)因子的影像診斷分類器傳至影像未標(biāo)識(shí)樣本測(cè)試子模塊；影像未標(biāo)識(shí)樣本測(cè)試子模塊，完成對(duì)輸入的分類器的無(wú)標(biāo)簽影像樣本分類，獲得未標(biāo)記樣本的診斷標(biāo)簽，輸出這些樣本的診斷識(shí)別結(jié)果。為實(shí)現(xiàn)上述目的，本發(fā)明提供自適應(yīng)核匹配追蹤輔助診斷方法，包括如下步驟()采用直方圖均衡化和均方差標(biāo)準(zhǔn)化方法，對(duì)原始影像集進(jìn)行切割與增強(qiáng)處理；(2)對(duì)增強(qiáng)處理后的影像集提取其灰度共生矩陣和Hu矩特征；定義有標(biāo)識(shí)的訓(xùn)練樣本集合{(^"1)..(、,",).,(、,^)},其中，x;表示第；個(gè)有標(biāo)識(shí)訓(xùn)練樣本的特征，A的表示有標(biāo)識(shí)訓(xùn)練樣本的標(biāo)識(shí)，/表示第/個(gè)有標(biāo)識(shí)訓(xùn)練樣本；(3)對(duì)所有的有標(biāo)識(shí)訓(xùn)練樣本A賦予給定的自適應(yīng)因子&，得到具有權(quán)重值的有標(biāo)識(shí)的訓(xùn)練樣本{(義1',"1),..,",)，..(~',",)}，其中，A'表示加入自適應(yīng)因子s,后第/個(gè)有標(biāo)識(shí)訓(xùn)練樣本的特征；(4)對(duì)有標(biāo)識(shí)的訓(xùn)練樣本進(jìn)行核匹配追蹤分類診斷，得到各有標(biāo)識(shí)訓(xùn)練樣本診斷結(jié)果{為,..少,.,^}，并將這些有標(biāo)識(shí)訓(xùn)練樣本中弱勢(shì)樣本的診斷結(jié)果與實(shí)際弱勢(shì)樣本的結(jié)果相比較，得到一個(gè)訓(xùn)練分類器和弱勢(shì)樣本的診斷識(shí)別率；(5)將弱勢(shì)樣本診斷識(shí)別率與所設(shè)定的閾值S比較，當(dāng)弱勢(shì)樣本診斷識(shí)別率小于所設(shè)定的閾值時(shí)進(jìn)行步驟(6),否則進(jìn)行步驟(7);(6)將自適應(yīng)因子^按照設(shè)定調(diào)節(jié)準(zhǔn)則進(jìn)行調(diào)整，并根據(jù)調(diào)整后的自適應(yīng)因子對(duì)所有標(biāo)識(shí)訓(xùn)練樣本進(jìn)行核匹配追蹤分類，得到一個(gè)分類器和弱勢(shì)樣本診斷識(shí)別率，重復(fù)步驟(5);(7)采用最后得到的分類器對(duì)未標(biāo)識(shí)的測(cè)試樣本進(jìn)行分類，得到未標(biāo)識(shí)弱勢(shì)樣本的最終診斷結(jié)果。自適應(yīng)核匹配追蹤輔助診斷方法對(duì)醫(yī)學(xué)影像中影像數(shù)據(jù)分布不平衡的弱勢(shì)樣本具有顯著的診斷效果，該方法結(jié)合反饋罰函數(shù)機(jī)制，較好地解決了醫(yī)學(xué)影像中噪聲、組織干擾導(dǎo)致診斷識(shí)別率較低的問(wèn)題，該方法對(duì)醫(yī)療工作人員的重點(diǎn)病癥診斷具有很好的借鑒意義。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)1、本發(fā)明采用核匹配追蹤方法對(duì)醫(yī)學(xué)影像進(jìn)行輔助診斷，核匹配追蹤方法具有較高的識(shí)別精度；2、本發(fā)明采用核匹配追蹤方法對(duì)醫(yī)學(xué)影像進(jìn)行輔助診斷，運(yùn)算量小、運(yùn)行效率高；3、本發(fā)明充分考慮實(shí)際醫(yī)學(xué)影像中存在的數(shù)據(jù)分布不平衡的問(wèn)題，在分類診斷過(guò)程中采用自適應(yīng)因子，可提高不平衡數(shù)據(jù)中弱勢(shì)樣本的識(shí)別率；仿真結(jié)果表明，對(duì)乳腺X影像采用本發(fā)明的自適應(yīng)核匹配追蹤輔助診斷方法，不平衡數(shù)據(jù)中弱勢(shì)樣本的識(shí)別率可提高50%以上。圖l本發(fā)明的醫(yī)學(xué)影像輔助診斷系統(tǒng)示意圖2是本發(fā)明的醫(yī)學(xué)影像輔助診斷流程圖3是本發(fā)明采用的原始乳腺X影像圖4是本發(fā)明對(duì)圖3進(jìn)行去冗余后的乳腺X影像圖5是本發(fā)明對(duì)圖4采用直方圖均衡化和均方差標(biāo)準(zhǔn)化方法后的乳腺X影像圖；具體實(shí)施例方式參照?qǐng)D1，本發(fā)明的影像醫(yī)學(xué)輔助診斷系統(tǒng)主要包括影像預(yù)處理模塊、影像特征提取模塊和影像自適應(yīng)核匹配追蹤分類診斷模塊。影像預(yù)處理模塊，用于完成原始影像去冗余以及直方圖均衡化增強(qiáng)處理，并將處理后的影像傳輸給影像特征提取模塊；影像特征提取模塊對(duì)輸入的影像完成灰度共生矩陣和Hu矩特征提取，再將其提取結(jié)果傳至影像自適應(yīng)核匹配追蹤分類診斷模塊；影像自適應(yīng)核匹配追蹤分類診斷模塊包括影像標(biāo)識(shí)樣本訓(xùn)練子模塊、影像自適應(yīng)因子調(diào)節(jié)子模塊和影像未標(biāo)識(shí)樣本測(cè)試子模塊。該影像標(biāo)識(shí)樣本訓(xùn)練子模塊，完成有標(biāo)簽影像樣本的訓(xùn)練，生成影像診斷分類器和有標(biāo)識(shí)的弱勢(shì)樣本的識(shí)別率，將該分類器傳輸給影像自適應(yīng)因子調(diào)節(jié)子模塊；該影像自適應(yīng)因子調(diào)節(jié)子模塊將輸入的有標(biāo)識(shí)的弱勢(shì)樣本診斷識(shí)別率與設(shè)定常量的比對(duì)，調(diào)節(jié)自適應(yīng)因子，再將帶有自適應(yīng)因子的影像診斷分類器傳至影像未標(biāo)識(shí)樣本測(cè)試子模塊；該影像未標(biāo)識(shí)樣本測(cè)試子模塊完成對(duì)輸入的分類器的無(wú)標(biāo)簽影像樣本測(cè)試，獲得未標(biāo)記樣本的診斷識(shí)別率，輸出未標(biāo)識(shí)的測(cè)試弱勢(shì)樣本的最終診斷結(jié)果。本發(fā)明的影像醫(yī)學(xué)輔助診斷系統(tǒng)，對(duì)輸入的原始影像完成原始影像去冗余以及直方圖均衡化增強(qiáng)處理后，對(duì)處理后的影像完成灰度共生矩陣和Hu矩特征提取，根據(jù)提取的特征得到有標(biāo)識(shí)的訓(xùn)練樣本集，對(duì)有標(biāo)識(shí)的訓(xùn)練樣本集采用核匹配追蹤方法進(jìn)行訓(xùn)練，得到一個(gè)訓(xùn)練分類器和有標(biāo)識(shí)的弱勢(shì)樣本的識(shí)別率，比較有標(biāo)識(shí)的弱勢(shì)樣本診斷識(shí)別率與設(shè)定的閾值，調(diào)整自適應(yīng)因子，產(chǎn)生最終的訓(xùn)練分類器，使用最終的訓(xùn)練分類器對(duì)未標(biāo)識(shí)的測(cè)試樣本分類產(chǎn)生最終的診斷結(jié)果。參照?qǐng)D2，本發(fā)明的影像醫(yī)學(xué)輔助診斷方法，包括如下步驟步驟l:采用直方圖均衡化和均方差標(biāo)準(zhǔn)化方法，對(duì)原始醫(yī)學(xué)影像集中的醫(yī)學(xué)影像進(jìn)行切割與增強(qiáng)處理，得到視覺(jué)效果較好的醫(yī)學(xué)影像集。la)輸入原始醫(yī)學(xué)影像，其大小為MXN，圖3為原始乳腺X影像集中的一幅原始乳腺X影像，其大小1024X1024;lb)對(duì)輸入的原始醫(yī)學(xué)影像采用圖像水平和垂直的計(jì)算機(jī)自動(dòng)切割方法，切除圖像的背景和圖像中存在的人為印記，得到切割后的醫(yī)學(xué)影像，如圖4所示；lc)對(duì)切割后的醫(yī)學(xué)影像采用直方圖均衡化和均方差標(biāo)準(zhǔn)化方法去除噪聲，得到具有較好視覺(jué)效果的醫(yī)學(xué)影像；步驟2:對(duì)得到的視覺(jué)效果較好的醫(yī)學(xué)影像進(jìn)行灰度共生矩陣特征和Hu矩特征提取。A.提取灰度共生矩陣四個(gè)特征的過(guò)程如下-Al)對(duì)得到的視覺(jué)效果較好的醫(yī)學(xué)影像，生成灰度共生矩陣A(J,力，其中<9的取值為4個(gè)離散的方向0°，45°，90°，135°,se卩,Wze]，sfee表示視覺(jué)效果較好的醫(yī)學(xué)影像的長(zhǎng)度或?qū)挾龋籄2)根據(jù)得到的灰度共生矩陣，對(duì)視覺(jué)效果較好的醫(yī)學(xué)影像提取四個(gè)特征，分別為W-lW-l角二階矩<formula>formulaseeoriginaldocumentpage7</formula><formula>formulaseeoriginaldocumentpage8</formula>同質(zhì)區(qū)<formula>formulaseeoriginaldocumentpage8</formula>非相似性<formula>formulaseeoriginaldocumentpage8</formula>B.提取Hu矩七個(gè)特征的具體過(guò)程如下Bl)在得到的視覺(jué)效果較好的醫(yī)學(xué)影像上，計(jì)算點(diǎn)(X，力處的(/7+《)階矩加^及&+《)階中心矩式中，/(A力表示點(diǎn)(:c，力處的像素值，(、,A)表示視覺(jué)效果較好的醫(yī)學(xué)影像的重心坐標(biāo)；B2)根據(jù)得到的點(diǎn)(;c,力處的07+《)階矩/^及07+《)階中心矩/^，按照下式計(jì)算點(diǎn)(;c，力處的歸一化中心矩式中，//二表示點(diǎn)(:c,力的零階y階矩，;^0+^)/2+l;B3)利用點(diǎn)(x,力處的歸一化中心矩，提取視覺(jué)效果較好的醫(yī)學(xué)影像的七個(gè)Hu矩特征，分別定義為^,^，…，A，艮P:<formula>formulaseeoriginaldocumentpage8</formula><formula>formulaseeoriginaldocumentpage9</formula>步驟3:根據(jù)對(duì)視覺(jué)效果較好的醫(yī)學(xué)影像提取的特征，得到有標(biāo)識(shí)的訓(xùn)練樣本集和具有權(quán)重值的有標(biāo)識(shí)的訓(xùn)練樣本集。3a)將提取的特征作為有標(biāo)識(shí)的訓(xùn)練樣本集r={(、",.)Ix,e及",",e{，2廣.,c}，/=l,..■，/}式中，x,.表示"維實(shí)數(shù)空間中的一個(gè)樣本，",是其標(biāo)識(shí)，c為類別數(shù)，w,.s卩，c],且",.為整數(shù)；/為有標(biāo)識(shí)的訓(xùn)練樣本的個(gè)數(shù)；3b)對(duì)有標(biāo)識(shí)訓(xùn)練樣本集中的每一個(gè)訓(xùn)練樣本x,.賦予給定的自適應(yīng)因子S，得到具有權(quán)重值的有標(biāo)識(shí)的訓(xùn)練樣本集.-r'={(V,"i),'(義,',",),..0/'，"/)}式中，；c,:表示加入自適應(yīng)因子^后第/個(gè)有標(biāo)識(shí)訓(xùn)練樣本；步驟4:采用核匹配追蹤方法，對(duì)有標(biāo)識(shí)的訓(xùn)練樣本集r進(jìn)行訓(xùn)練，得到一個(gè)訓(xùn)練分類器和有標(biāo)識(shí)的弱勢(shì)樣本的識(shí)別率及。步驟5:將有標(biāo)識(shí)的弱勢(shì)樣本識(shí)別率及與給定閾值S進(jìn)行比較，當(dāng)及25時(shí)，進(jìn)行步驟6，否則，對(duì)自適應(yīng)因子S,進(jìn)行調(diào)整，得到最終的訓(xùn)練分類器。對(duì)自適應(yīng)因子^的調(diào)整過(guò)程如下5a)對(duì)有標(biāo)識(shí)的弱勢(shì)樣本充分學(xué)習(xí)，增大自適應(yīng)因子《，增大后的自適應(yīng)因子是5,'=1+及；對(duì)有標(biāo)識(shí)的非弱勢(shì)樣本進(jìn)行粗略學(xué)習(xí)，減小自適應(yīng)因子&，減小后的自適應(yīng)因子是《.'=1-及；5b)根據(jù)調(diào)整后的自適應(yīng)因子&',對(duì)所有的有標(biāo)識(shí)的訓(xùn)練樣本進(jìn)行核匹配追蹤分類，得到一個(gè)新的訓(xùn)練分類器和弱勢(shì)樣本診斷識(shí)別率及'，重復(fù)步驟(5)。步驟6:采用得到的最終訓(xùn)練分類器，對(duì)未標(biāo)識(shí)的測(cè)試樣本集進(jìn)行分類診斷，得到未標(biāo)識(shí)弱勢(shì)樣本的最終診斷結(jié)果。本發(fā)明的效果可以通過(guò)以下對(duì)乳腺X影像仿真數(shù)據(jù)進(jìn)一步說(shuō)明1、仿真條件本發(fā)明的仿真在windowsXP，SPI，CPUPentium(R)4，基本頻率2.4GHZ，9軟件平臺(tái)為Matlab7.0.1運(yùn)行。仿真選用的原始乳腺X影像來(lái)源于公共數(shù)據(jù)集MIAS，共獲取150幅原始乳腺X影像。2、仿真結(jié)果圖5為采用直方圖均衡化和均方差標(biāo)準(zhǔn)化方法后，乳腺X影像集中的一幅視覺(jué)效果較好的乳腺X影像。對(duì)本發(fā)明仿真醫(yī)學(xué)乳腺X影像診斷的具體實(shí)施過(guò)程是(1)取圖5處理后的視覺(jué)效果較好的乳腺X影像集，對(duì)該乳腺X影像集的各乳腺X影像進(jìn)行特征提??；(2)根據(jù)提取的特征，對(duì)視覺(jué)效果較好的醫(yī)學(xué)影像進(jìn)行核匹配追蹤分類診斷，得到一個(gè)訓(xùn)練分類器和有標(biāo)識(shí)的弱勢(shì)乳腺X影像的識(shí)別率；(3)將有標(biāo)識(shí)的弱勢(shì)樣本識(shí)別率及與給定閾值S進(jìn)行比較，調(diào)整自適應(yīng)因子S;(4)根據(jù)調(diào)整后的自適應(yīng)因子S,.'，對(duì)所有的有標(biāo)識(shí)的訓(xùn)練乳腺X影像進(jìn)行核匹配追蹤分類，得到最終訓(xùn)練分類器；(5)采用得到的最終訓(xùn)練分類器，對(duì)未標(biāo)識(shí)的測(cè)試乳腺X影像集進(jìn)行分類診斷，得到未標(biāo)識(shí)乳腺X影像集的測(cè)試樣本的最終診斷結(jié)果。仿真結(jié)果如表l所示。其中，KMP表示傳統(tǒng)的核匹配追蹤算法，AKMP表示自適應(yīng)核匹配追蹤算法，訓(xùn)練和測(cè)試樣本之比為1:2，P表示訓(xùn)練分類器的核函數(shù)參數(shù)值，Ratel表示正確識(shí)別的弱勢(shì)樣本占總?cè)鮿?shì)樣本的比例，Rate2表示正確識(shí)別的弱勢(shì)樣本占總樣本的比例。表l自適應(yīng)核匹配追蹤輔助診斷實(shí)驗(yàn)<table>tableseeoriginaldocumentpage10</column></row><table>從表1可見，該仿真對(duì)Hu矩和GLCM特征提取后，對(duì)弱勢(shì)樣本采用KMP和AKMP進(jìn)行分類診斷，從正確識(shí)別的弱勢(shì)樣本占總?cè)鮿?shì)樣本的比例Ratel可見，AKMP比KMP弱勢(shì)樣本識(shí)別率有很大提高，從正確識(shí)別的弱勢(shì)樣本占總樣本的比例Rate2可見，AKMP比KMP弱勢(shì)樣本識(shí)別率也有較大提高。上述整個(gè)醫(yī)學(xué)乳腺X影像診斷過(guò)程，均通過(guò)計(jì)算機(jī)程序?qū)崿F(xiàn)其功能，完成對(duì)醫(yī)學(xué)乳腺X影像的輔助診斷。該實(shí)例是在以本發(fā)明技術(shù)方案為前提下進(jìn)行實(shí)施的，給出了詳細(xì)的實(shí)施方式和具體的操作過(guò)程，但本發(fā)明的保護(hù)范圍不限于下述實(shí)施例。權(quán)利要求1、一種基于不平衡醫(yī)學(xué)影像的自適應(yīng)核匹配追蹤輔助診斷系統(tǒng)，包括影像預(yù)處理模塊，完成原始影像去冗余以及直方圖均衡化增強(qiáng)處理，并將處理后的結(jié)果傳輸給影像特征提取模塊；影像特征提取模塊，對(duì)輸入的影像完成灰度共生矩陣和Hu矩特征提取，再將其提取結(jié)果傳輸至影像自適應(yīng)核匹配追蹤分類診斷模塊；影像自適應(yīng)核匹配追蹤分類診斷模塊，對(duì)輸入的影像進(jìn)行不平衡影像數(shù)據(jù)中弱勢(shì)樣本的分類識(shí)別，輸出最終診斷結(jié)果。2.根據(jù)權(quán)利要求書1所述的自適應(yīng)核匹配追蹤輔助診斷系統(tǒng)，其中影像自適應(yīng)核匹配追蹤分類診斷模塊包括.-影像標(biāo)識(shí)樣本訓(xùn)練子模塊，完成有標(biāo)簽影像樣本的訓(xùn)練，生成影像診斷分類器，并將該分類器傳輸給影像未標(biāo)識(shí)樣本測(cè)試子模塊；影像自適應(yīng)因子調(diào)節(jié)子模塊，根據(jù)輸入的弱勢(shì)樣本診斷識(shí)別率與設(shè)定常量的比對(duì)，調(diào)節(jié)自適應(yīng)因子S，再將帶有自適應(yīng)因子的影像診斷分類器傳輸至影像未標(biāo)識(shí)樣本測(cè)試子模塊；影像未標(biāo)識(shí)樣本測(cè)試子模塊，完成對(duì)輸入的分類器的無(wú)標(biāo)簽影像樣本測(cè)試，獲得未標(biāo)記樣本的診斷標(biāo)簽，輸出未標(biāo)識(shí)的測(cè)試樣本的診斷結(jié)果。3.—種基于不平衡醫(yī)學(xué)影像的自適應(yīng)核匹配追蹤輔助診斷方法，包括如下步驟(1)采用直方圖均衡化和均方差標(biāo)準(zhǔn)化方法，對(duì)原始影像數(shù)據(jù)集進(jìn)行切割與增強(qiáng)處理，得到視覺(jué)效果較好的醫(yī)學(xué)影像集；.(2)對(duì)得到的視覺(jué)效果較好的醫(yī)學(xué)影像集提取其灰度共生矩陣和Hu矩特征；定義有標(biāo)簽的訓(xùn)練樣本集合{(^"1).",^).,(、,"/)}，其中，A表示第z'個(gè)有標(biāo)簽訓(xùn)練樣本的特征，A的表示有標(biāo)識(shí)訓(xùn)練樣本的標(biāo)簽，/表示第/個(gè)有標(biāo)識(shí)訓(xùn)練樣本；未標(biāo)識(shí)的測(cè)試樣本集合化,..V,".vJ，m為未標(biāo)識(shí)的測(cè)試樣本的個(gè)數(shù)；(3)對(duì)所有的有標(biāo)識(shí)訓(xùn)練樣本X,.賦予給定的自適應(yīng)因子S，得到具有權(quán)重值的有標(biāo)識(shí)的訓(xùn)練樣本其中，v表示加入自適應(yīng)因子S后第/個(gè)有標(biāo)識(shí)訓(xùn)練樣本的特征；(4)對(duì)有標(biāo)簽的訓(xùn)練樣本{^,..<...，^}進(jìn)行核匹配追蹤分類診斷，得到各有標(biāo)識(shí)訓(xùn)練樣本診斷結(jié)果{為,.".，乃}，并將這些有標(biāo)識(shí)訓(xùn)練樣本中弱勢(shì)樣本的診斷結(jié)果與實(shí)際弱勢(shì)樣本的結(jié)果相比較，得到一個(gè)訓(xùn)練分類器和弱勢(shì)樣本的診斷識(shí)別率；(5)將弱勢(shì)樣本診斷識(shí)別率與所設(shè)定的閾值S比較，當(dāng)弱勢(shì)樣本診斷識(shí)別率小于所設(shè)定的閾值時(shí)進(jìn)行步驟(6)，否則進(jìn)行步驟(7);(6)將自適應(yīng)因子《按照設(shè)定調(diào)節(jié)準(zhǔn)則進(jìn)行調(diào)整，并根據(jù)調(diào)整后的自適應(yīng)因子■V,對(duì)所有標(biāo)識(shí)訓(xùn)練樣本進(jìn)行核匹配追蹤分類，得到一個(gè)訓(xùn)練分類器和弱勢(shì)樣本診斷識(shí)別率，重復(fù)步驟(5);(7)采用最后得到的訓(xùn)練分類器對(duì)未標(biāo)識(shí)的測(cè)試樣本h,..v,，..vj進(jìn)行測(cè)試，得到未標(biāo)識(shí)樣本的最終診斷結(jié)果。4.根據(jù)權(quán)利要求書3所述的自適應(yīng)核匹配追蹤輔助診斷方法，其中步驟6所述的將自適應(yīng)因子S,按照設(shè)定調(diào)節(jié)準(zhǔn)則進(jìn)行調(diào)整，按如下過(guò)程進(jìn)行4a)對(duì)特別關(guān)注的弱勢(shì)樣本對(duì)應(yīng)的基函數(shù)樣本充分學(xué)習(xí)，增大自適應(yīng)因子S,.權(quán)重值，增大后的權(quán)重值是5,'=1+及，W是弱勢(shì)樣本診斷識(shí)別率；4b)對(duì)一般的基函數(shù)樣本進(jìn)行粗略學(xué)習(xí)，減小自適應(yīng)因子S權(quán)重值，減小后的權(quán)重值是《.'-l-及。5.根據(jù)權(quán)利要求書3所述的自適應(yīng)核匹配追蹤輔助診斷方法，其中步驟7所述的采用最終的訓(xùn)練分類器對(duì)未標(biāo)識(shí)的測(cè)試樣本{^..^.."}進(jìn)行測(cè)試，得到未標(biāo)識(shí)弱勢(shì)樣本的最終診斷結(jié)果，具體實(shí)現(xiàn)如下5a)將動(dòng)態(tài)變化后的自適應(yīng)因子《作為最終訓(xùn)練分類器各訓(xùn)練樣本的權(quán)重值；5b)得到最終帶有權(quán)重值《的自適應(yīng)分類器，采用該分類器對(duì)未標(biāo)識(shí)的測(cè)試樣本進(jìn)行診斷，得到未標(biāo)識(shí)測(cè)試樣本的診斷識(shí)別結(jié)果；5c)從未標(biāo)識(shí)測(cè)試樣本的分類結(jié)果中統(tǒng)計(jì)弱勢(shì)樣本的分類結(jié)果，得到弱勢(shì)樣本的最終診斷結(jié)果。全文摘要本發(fā)明公開了一種基于自適應(yīng)核匹配追蹤輔助診斷系統(tǒng)及方法，它屬于圖像處理
技術(shù)領(lǐng)域：
。整個(gè)系統(tǒng)包括影像預(yù)處理模塊，完成原始影像去冗余以及直方圖均衡化增強(qiáng)處理；影像特征提取模塊，對(duì)輸入的影像完成灰度共生矩陣和Hu矩特征提??；影像自適應(yīng)核匹配追蹤分類診斷模塊通過(guò)影像標(biāo)識(shí)樣本訓(xùn)練子模塊、影像未標(biāo)識(shí)樣本測(cè)試子模塊、影像自適應(yīng)因子調(diào)節(jié)模塊，對(duì)輸入有標(biāo)識(shí)的訓(xùn)練影像集分類診斷，采用弱勢(shì)樣本診斷識(shí)別率與設(shè)定的閾值比較，調(diào)整自適應(yīng)因子，得到最終的訓(xùn)練分類器，使用最終的訓(xùn)練分類器對(duì)未標(biāo)識(shí)的測(cè)試樣本分類產(chǎn)生最終的診斷結(jié)果。本發(fā)明具有識(shí)別精度高、運(yùn)算量小的優(yōu)點(diǎn)，可用于對(duì)醫(yī)療衛(wèi)生，普查工作，人口健康管理領(lǐng)域。文檔編號(hào)G06K9/00GK101551855SQ200910022499公開日2009年10月7日申請(qǐng)日期2009年5月13日優(yōu)先權(quán)日2009年5月13日發(fā)明者彪侯,吳建設(shè),瑤姚,慕彩紅,李陽(yáng)陽(yáng),焦李成,王宇琴,田小林,緱水平申請(qǐng)人:西安電子科技大學(xué)