一種基于隨機(jī)森林回歸的胸腔x光片肋骨檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于隨機(jī)森林回歸的胸腔X光片肋骨檢測(cè)方法，醫(yī)學(xué)影像技術(shù)領(lǐng) 域。
【背景技術(shù)】
[0002] 在日常的學(xué)習(xí)和統(tǒng)計(jì)中，圖像是人類觀察和獲取信息的重要來(lái)源之一。在醫(yī)學(xué)領(lǐng) 域，隨著X光、伽馬攝影、MRI、超聲波、光學(xué)內(nèi)視鏡攝影等成像技術(shù)的快速發(fā)展，人們可以使 用非侵入方式獲取人體內(nèi)部組織的醫(yī)學(xué)圖像，用于醫(yī)療診斷或醫(yī)學(xué)研究，同時(shí)為臨床治療 提供可靠的依據(jù)。在各類醫(yī)學(xué)圖像中，由于X光圖像具有拍攝方便、獲取延時(shí)短、價(jià)格低廉、 可隨意變動(dòng)受檢部位等優(yōu)點(diǎn)，得到了更加廣泛的應(yīng)用。
[0003] 醫(yī)學(xué)圖像具有很高的專業(yè)性，醫(yī)生需要借助大量的學(xué)科知識(shí)和實(shí)踐經(jīng)驗(yàn)對(duì)其進(jìn)行 解讀，但這種方式往往受限于醫(yī)生本身的科學(xué)素質(zhì)和精神狀態(tài)。隨著計(jì)算機(jī)科學(xué)的快速發(fā) 展，人們開(kāi)始將計(jì)算機(jī)圖像處理技術(shù)應(yīng)用于臨床醫(yī)學(xué)，希望能以客觀的角度，在一定程度上 提高醫(yī)生判讀醫(yī)學(xué)圖像的效率及準(zhǔn)確率，其中包括對(duì)醫(yī)學(xué)圖像進(jìn)行標(biāo)記檢測(cè)、形狀分割、輪 廓繪制、圖像檢索與配準(zhǔn)等等。而醫(yī)學(xué)圖像的關(guān)鍵信息多貯存于一些重要的特殊位置（例 如病變位置，或待觀察骨骼/器官位置等），因此，大部分臨床應(yīng)用需要對(duì)醫(yī)學(xué)圖像中的關(guān) 鍵目標(biāo)位置進(jìn)行檢測(cè)。但對(duì)X光等醫(yī)學(xué)圖像進(jìn)行實(shí)時(shí)而準(zhǔn)確的自動(dòng)目標(biāo)檢測(cè)是十分困難 的，在一些醫(yī)療案例中，臨床醫(yī)生需要手動(dòng)進(jìn)行標(biāo)記定位，這樣既會(huì)浪費(fèi)時(shí)間，也會(huì)增大定 位誤差，因此，需要探索一種全自動(dòng)的圖像目標(biāo)檢測(cè)方法并將其應(yīng)用到X光圖像的處理中。
[0004] 近年來(lái)，圖像目標(biāo)檢測(cè)問(wèn)題受到了廣泛關(guān)注，其主要目的是從圖像中標(biāo)記出待檢 測(cè)目標(biāo)的位置，進(jìn)而可輔助進(jìn)行圖像分割、圖像分類和場(chǎng)景識(shí)別、醫(yī)學(xué)圖像器官位置及病灶 檢測(cè)和計(jì)算機(jī)輔助診斷、醫(yī)學(xué)導(dǎo)航、智能監(jiān)控等工作。要進(jìn)行圖像目標(biāo)檢測(cè)，首先要提取圖 像信息，而許多傳統(tǒng)的圖像特征表示方法（如3正1\51]1^、!1(?、顏色直方圖等圖像特征描述 子）僅統(tǒng)計(jì)了圖像的梯度或顏色等像素信息，這使得他們更適用于圖像局部特征的描述和 匹配，難以直接用于醫(yī)學(xué)圖像中專業(yè)信息和大尺度信息的描述。因此，需要對(duì)傳統(tǒng)的特征表 示方法進(jìn)行改進(jìn)，使其能夠更有效地提取和表示醫(yī)學(xué)圖像的局部及全局信息。
[0005]-些傳統(tǒng)的目標(biāo)檢測(cè)方法，如詞袋模型（bag-of-wordmodel)、基于圖像部分的模 型（part-basedmodel)、基于低層圖像特征的模型等方法難以保證圖像目標(biāo)定位的準(zhǔn)確性 和魯棒性，對(duì)圖像尺度變換和圖像噪聲的容忍度太低，因此難以較好的滿足目標(biāo)檢測(cè)需求。 因此，人們引入了大量基于機(jī)器學(xué)習(xí)的回歸方法，對(duì)圖像目標(biāo)進(jìn)行定位。但由于傳統(tǒng)的機(jī)器 學(xué)習(xí)方法，如回歸決策樹(shù)、支持向量機(jī)（SVM)等，時(shí)常存在過(guò)擬合或欠擬合問(wèn)題，需要精確 地對(duì)相關(guān)訓(xùn)練參數(shù)進(jìn)行調(diào)整，否則將影響目標(biāo)檢測(cè)的準(zhǔn)確率。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明解決的技術(shù)問(wèn)題是：克服現(xiàn)有技術(shù)的不足，提供一種基于隨機(jī)森林回歸的 胸腔X光片肋骨檢測(cè)方法出，使用數(shù)十張帶有目標(biāo)位置信息（如肋骨位置標(biāo)識(shí)）的胸腔X 光片作為訓(xùn)練圖像，提取圖像信息，訓(xùn)練一個(gè)隨機(jī)森林回歸器，并使用它對(duì)新的胸腔X光片 中的目標(biāo)點(diǎn)位置（如肋骨標(biāo)識(shí)點(diǎn)位置）及目標(biāo)位置（如某根肋骨的位置）進(jìn)行檢測(cè)。
[0007] 本發(fā)明采用的技術(shù)方案為：一種基于隨機(jī)森林回歸的胸腔X光片肋骨檢測(cè)方法， 包括以下步驟：
[0008] 步驟（1)、基于隨機(jī)采樣的圖像塊生成及其HOG(HistogramsofOriented Gradients，梯度方向直方圖）特征描述：從每張訓(xùn)練圖像或測(cè)試圖像中提取不同尺度和縱 橫比的圖像塊，即進(jìn)行隨機(jī)采樣，構(gòu)成稠密采樣空間，并對(duì)每個(gè)圖像塊進(jìn)行再劃分，提取更 小的不同尺度與縱橫比的小圖像塊，以每個(gè)小圖像塊為H0G統(tǒng)計(jì)的基本單位，采用一定的 排列方法將提取結(jié)果組合起來(lái)，最終獲得每張圖像塊的特征向量和整張圖像的特征描述矩 陣；其中，訓(xùn)練圖像表示用于胸腔X光片肋骨檢測(cè)器訓(xùn)練的、帶有用戶手動(dòng)標(biāo)注的肋骨位置 信息的胸腔肋骨X光片；測(cè)試圖像表示不含肋骨位置信息標(biāo)注的胸前肋骨X光片；
[0009] 步驟（2)、基于特征塊與目標(biāo)點(diǎn)距離分布的隨機(jī)森林回歸器生成：在程序運(yùn)行過(guò) 程中，采用可交互方法，讓用戶從訓(xùn)練圖像上選取指定個(gè)數(shù)的目標(biāo)點(diǎn)，并以這些目標(biāo)點(diǎn)到稠 密采樣空間中圖像塊的中心位置的位移作為機(jī)器學(xué)習(xí)的輸出空間實(shí)例，并使用隨機(jī)森林架 構(gòu)進(jìn)行回歸訓(xùn)練，得到隨機(jī)森林回歸模型；
[0010] 步驟（3)、基于隨機(jī)森林回歸的X光片目標(biāo)檢測(cè)：使用步驟（1)中提出的方法，以 多張胸腔X光圖像作為測(cè)試的圖像，提取測(cè)試的圖像的特征描述矩陣，代入步驟（2)生成的 隨機(jī)森林回歸模型中，獲得每個(gè)圖像塊對(duì)目標(biāo)點(diǎn)位置的預(yù)測(cè)結(jié)果，對(duì)預(yù)測(cè)結(jié)果進(jìn)行加權(quán)整 合，獲得測(cè)試圖像對(duì)目標(biāo)點(diǎn)位置的預(yù)測(cè)信息，并根據(jù)對(duì)多個(gè)目標(biāo)點(diǎn)位置的預(yù)測(cè)，框選出目標(biāo) 肋骨的位置；
[0011] 步驟（4)、多次進(jìn)行步驟（2)中的以隨機(jī)森林為架構(gòu)的回歸訓(xùn)練，每一次選定不同 的隨機(jī)森林參數(shù)，執(zhí)行步驟（3)中的目標(biāo)檢測(cè)，比較不同參數(shù)下回歸模型對(duì)目標(biāo)肋骨位置 預(yù)測(cè)的準(zhǔn)確性和時(shí)間效率，選取最優(yōu)的隨機(jī)森林參數(shù)配置。
[0012] 步驟（1)中所述的基于隨機(jī)采樣的圖像塊生成及其H0G特征描述方法中，對(duì)圖像 進(jìn)行劃分是首先對(duì)圖像采用網(wǎng)格劃分，并根據(jù)網(wǎng)格劃分的結(jié)果提取圖像塊，再對(duì)圖像塊進(jìn) 行網(wǎng)格劃分，提取小圖像塊，通過(guò)對(duì)小圖像塊的H0G特征的提取和整合的方法，能夠得到描 述整張胸腔X光圖像的特征描述矩陣，特征描述矩陣描述了圖像的全局信息，以及該圖像 中每個(gè)圖像塊的特征描述矩陣，特征描述矩陣描述了圖像的局部信息.
[0013] 步驟（2)中使用與用戶交互的方式，獲得指定個(gè)數(shù)的目標(biāo)點(diǎn)的位置坐標(biāo)，據(jù)此獲 得了用戶的先驗(yàn)知識(shí)信息，使用隨機(jī)森林架構(gòu)進(jìn)行回歸訓(xùn)練，包括對(duì)隨機(jī)森林中的每一棵 回歸樹(shù)進(jìn)行訓(xùn)練，包括以能量模型為基準(zhǔn)，進(jìn)行弱分類器模型和葉子節(jié)點(diǎn)預(yù)測(cè)模型的訓(xùn)練， 此外，還要通過(guò)隨機(jī)模型控制隨機(jī)森林的隨機(jī)性能，據(jù)此得到能夠進(jìn)行胸腔X光片中目標(biāo) 點(diǎn)位置預(yù)測(cè)的隨機(jī)森林回歸器。
[0014] 步驟（3)中獲得每個(gè)圖像塊對(duì)目標(biāo)點(diǎn)位置的預(yù)測(cè)結(jié)果時(shí)，采用整幅圖像中的單個(gè) 圖像塊對(duì)目標(biāo)點(diǎn)位置進(jìn)行預(yù)測(cè)的方法，并使用多圖像塊投票機(jī)制，整合了所有圖像塊的預(yù) 測(cè)結(jié)果。
[0015] 步驟（2)中指定個(gè)數(shù)的目標(biāo)點(diǎn)是：使用用戶自主點(diǎn)取的5個(gè)標(biāo)識(shí)點(diǎn)對(duì)目標(biāo)肋骨進(jìn) 行標(biāo)記。
[0016] 本發(fā)明與現(xiàn)有技術(shù)相比的有點(diǎn)在于：
[0017] (1)本發(fā)明提出的基于隨機(jī)采樣的圖像塊生成及其HOG特征描述方法，在獲取圖 像全局結(jié)構(gòu)信息的同時(shí)，兼顧局部信息的獲取，使得圖像的特征表示更加準(zhǔn)確。
[0018] (2)本發(fā)明提出的基于特征塊與目標(biāo)點(diǎn)距離分布的隨機(jī)森林回歸器生成，建立了 擁有較高性能的隨機(jī)森林回歸模型，同時(shí)，根據(jù)用戶提供的先驗(yàn)知識(shí)的不同，可以生成預(yù)測(cè) 不同位置的隨機(jī)森林回歸模型。
[0019] (3)本發(fā)明提出的基于隨機(jī)森林回歸的X光片目標(biāo)檢測(cè)方法，提出了多特征塊預(yù) 測(cè)結(jié)果投票整合的方案，得到了具有較高準(zhǔn)確度的目標(biāo)位置預(yù)測(cè)結(jié)果，并根據(jù)胸腔X光圖 像中肋骨的特征，提出了框選目標(biāo)肋骨的方案。
[0020] (4)本發(fā)明以隨機(jī)森林回歸方法為基礎(chǔ)框架，采用基于隨機(jī)采樣的圖像塊生成極 其H0G特征提取算法對(duì)圖像進(jìn)行描述，結(jié)合回歸思想、隨機(jī)思想與投票算法，對(duì)圖像中的目 標(biāo)位置進(jìn)行估計(jì)和預(yù)測(cè)，并盡可能的提高目標(biāo)檢測(cè)的準(zhǔn)確率和效率。本發(fā)明的研究與實(shí)現(xiàn)， 隨機(jī)森林回歸方法在與計(jì)算機(jī)輔助診斷密切相關(guān)的醫(yī)學(xué)圖像自動(dòng)標(biāo)識(shí)、分割與分類、病灶 檢測(cè)、幾何重構(gòu)與基于內(nèi)容的增強(qiáng)繪制等方面具有廣泛的應(yīng)用前景，能夠有效提高人們觀 察和理解醫(yī)學(xué)圖像的效率和準(zhǔn)確率，它的訓(xùn)練及測(cè)試過(guò)程具有可并行性，能夠有效地提高 圖像目標(biāo)檢測(cè)的實(shí)時(shí)性，因此，非常適用于X光片等醫(yī)學(xué)圖像的目標(biāo)檢測(cè)，具有重要的現(xiàn)實(shí) 意義。
【附圖說(shuō)明】
[0021] 圖1為基于隨機(jī)森林回歸的胸腔X光片肋骨檢測(cè)方法流程示意圖；
[0022] 圖2為基于隨機(jī)采樣的圖像塊生成及其H0G特征描述流程圖；
[0023] 圖3為圖像塊（patch)的選取結(jié)果示意圖；
[0024] 圖4為block分割及H0G描述子提取結(jié)果示意圖；其中，a)灰色方框標(biāo)識(shí)出的區(qū)域 表示編號(hào)為140的圖像塊（patch)的示例；b)表示放大后的編號(hào)為140的圖像塊（patch); c) 表不對(duì)編號(hào)為140的圖像塊（patch)進(jìn)行6*6網(wǎng)格劃分（又稱6*6柵格化）后的結(jié)果； d) 表示從c)的柵格化結(jié)果中選取小圖像塊（block)的部分結(jié)果，其中，不同的顏色代表不 同的小圖像塊；e)代表小圖像塊（block)的H0G特征描述子提取結(jié)果，其中，不同的灰度值 代表不同小圖像塊的H0G特征描述子，且每種灰度與d)中的小圖像塊顏色一一對(duì)應(yīng)；f)代 表將每個(gè)圖像塊（patch)中的小圖像塊（block)的H0G特征描述子并聯(lián)后得到的結(jié)果，BP 為圖像塊（patch)的H0G特征描述子。
[0025]圖5為基于特征塊與目標(biāo)點(diǎn)距離分布的隨機(jī)森林回歸器生成算法流程示意圖；
[0026] 圖6為目標(biāo)點(diǎn)及其位置信息采集流程與結(jié)果示意圖；其中，a)為用戶自主點(diǎn)取5 個(gè)目標(biāo)點(diǎn)位置的程序運(yùn)行截圖；b)給出了用戶對(duì)5個(gè)目標(biāo)點(diǎn)的自主點(diǎn)取結(jié)果；c)展示了部 分圖像塊（patch)的中心位置計(jì)算結(jié)果；d)是對(duì)圖像塊（patch)中心到目標(biāo)點(diǎn)位置的位移 向量計(jì)算結(jié)果示意圖；e)是所有圖像塊（patch)中心到目標(biāo)點(diǎn)位置的位移向量的可視化表 示結(jié)果；圖7為隨機(jī)森林模型訓(xùn)練結(jié)果示意圖；其中（a)表示隨機(jī)森林結(jié)構(gòu)；(b)表示隨機(jī) 森林中的樹(shù)結(jié)構(gòu)和節(jié)點(diǎn)結(jié)構(gòu)；
[0027] 圖8為基于隨機(jī)森林回歸的X光片目標(biāo)檢測(cè)方法流程示意圖；
[0028] 圖9為對(duì)測(cè)試圖像單個(gè)和多個(gè)目標(biāo)點(diǎn)的預(yù)測(cè)結(jié)果圖；其中，第一行的兩張圖片代 表對(duì)單個(gè)目標(biāo)點(diǎn)的位置預(yù)測(cè)結(jié)果，其中，淺灰色的點(diǎn)是圖像中所有圖像塊對(duì)目標(biāo)位置的預(yù) 測(cè)結(jié)