時，從落入該葉子節(jié)點的特征向量中隨機選定指定數(shù)量的 特征項進行訓(xùn)練和測試，有效的提高了訓(xùn)練和回歸的效率。
[0162]3、基于隨機森林回歸的X光片目標檢測
[0163] 本發(fā)明基于隨機森林回歸的X光片目標檢測方法，其流程示意圖如圖8所示。首 先，讀入一幅測試圖像，按照步驟1給出的方法，進行圖像分割，并選擇圖像塊，獲得圖像的 稠密采樣空間，然后提取圖像塊的特征描述向量，獲得稠密特征空間，如圖8中的第①②步 所示。依次將稠密采樣空間中的圖像塊的特征向量代入步驟2訓(xùn)練得到的隨機森林回歸 模型中，可以獲得每個回歸樹對目標點到當(dāng)前圖像塊的橫坐標位移或縱坐標位移的預(yù)測結(jié) 果，如圖8中的第③④步所示。對各個決策回歸樹的預(yù)測結(jié)果進行加權(quán)組合，就得到了整個 隨機森林模型對目標點相對于圖像塊位置的預(yù)測結(jié)果，如圖8中的第⑤⑥步所示。根據(jù)圖 像塊的中心位置坐標，以及第⑥步得到的隨機森林對目標點到圖像塊的中心位置的位移的 估計，可以推算出該圖像塊對目標點橫、縱坐標值的預(yù)測結(jié)果，將稠密采樣空間中所有圖像 塊的預(yù)測結(jié)果進行整合，可以得到一個單一的對目標點橫、縱坐標的預(yù)測值，如圖8中的第 ⑤⑥⑦步所示。最后，將該預(yù)測值繪制在測試圖像中，并對預(yù)測的準確程度進行評判，結(jié)束 算法。
[0164] 在輸入測試圖像后，要提取測試圖像的稠密采樣空間和與之對應(yīng)的特征空間，以 特征空間中的一個圖像塊的特征向量為輸入，將它送入每棵回歸樹的根節(jié)點。特征向量進 入根節(jié)點后，進行當(dāng)前節(jié)點的弱分類器類型的判斷，如果是與坐標軸平行的弱分類器、二元 線性分類器或非線性曲線分類器，則從特征向量中選擇該弱分類器指定的特征項，帶入分 割函數(shù)中進行計算，將計算結(jié)果與分割閾值比較，得到分割函數(shù)的值（0或1)，據(jù)此選擇讓 該特征向量進入當(dāng)前節(jié)點的左子節(jié)點（分割函數(shù)的值為0)或右子節(jié)點（分割函數(shù)的值為 1);如果是完全隨機分類器，則分別計算當(dāng)前特征向量與落入左子節(jié)點和右子節(jié)點的訓(xùn)練 數(shù)據(jù)的差異值，選擇將該特征向量送入差異值較小的子節(jié)點中，差異值的計算方法由公式 (10)給出，式中，X表示進入左子節(jié)點或右子節(jié)點的訓(xùn)練數(shù)據(jù)集合（分別用L和R表示），V代表X中的一個訓(xùn)練數(shù)據(jù)（特征向量），Vl表示v中的一個特征項（一個圖像塊的特征向 量v是3969維的），vtest表示測試圖像塊的特征向量。重復(fù)這一步驟，直到特征向量進入 到回歸樹的葉子節(jié)點。
[0165]
( 10)
[0166] 當(dāng)測試數(shù)據(jù)進入葉子節(jié)點后，首先進行葉子節(jié)點類型的判斷。如果是線性回歸擬 合模型，則從特征向量中選擇該葉子節(jié)點預(yù)測模型指定的特征項，代入預(yù)測函數(shù)進行計算， 得到的結(jié)果即是該圖像塊對中心位置到目標點位置的位移的預(yù)測結(jié)果；如果是平均值模 型，則可以直接返回當(dāng)前葉子節(jié)點記錄的平均值，作為預(yù)測結(jié)果。
[0167] 本部分利用每一棵回歸樹，獲得了單張圖像塊對目標點到圖像塊中心位移信息的 預(yù)測結(jié)果。隨機森林中共有forestModel.treeNum個回歸樹，因此，對于每一個圖像塊來 說，可以得到forestModel.treeNum個預(yù)測結(jié)果。在下一步中，將對這些預(yù)測結(jié)果進行整 合。并用所有圖像塊的預(yù)測結(jié)果進行投票，獲得最終的目標位置坐標的預(yù)測值。
[0168] 在進行隨機森林回歸模型訓(xùn)練的過程中，采用了隨機化的方法選擇每個回歸樹的 訓(xùn)練數(shù)據(jù)，在訓(xùn)練弱分類器模型和葉子節(jié)點預(yù)測模型時，也采用了隨機思想，選擇參與訓(xùn)練 的特征項，基于這樣的隨機化方法，使得隨機森林中的任意回歸樹，對全部訓(xùn)練數(shù)據(jù)的使用 可能性都相同，因此，每一棵回歸樹在隨機森林回歸模型中都具有相同的地位。在對每個回 歸樹的預(yù)測結(jié)果進行加權(quán)組合時，應(yīng)該為每個回歸樹的預(yù)測結(jié)果分配相同的權(quán)值。也就是 說，可以采取求取預(yù)測平均值的方法，獲得整個隨機森林模型對目標點相對于圖像塊中心 位置的位移預(yù)測結(jié)果，即使用公式（11)對隨機森林中決策樹的預(yù)測結(jié)果進行整合。式中， 山表示稠密采樣空間中第i個圖像塊相對于目標點的橫坐標位移或縱坐標位移，？,表示該 圖像塊的特征向量，η表示隨機森林中回歸樹的個數(shù)。
[0169]
⑴).
[0170] 根據(jù)公式（11)，可以得到稠密采樣空間中的每個圖像塊對目標點位置的預(yù)測結(jié) 果。若測試圖像的稠密采樣空間中，第i個圖像塊相對于目標點的坐標位移的預(yù)測值為山， 該圖像塊的中心位置坐標為Cl，則該圖像塊對目標點位置坐標的預(yù)測結(jié)果為11=cU+q。但 單個圖像塊的預(yù)測的效果并不好，因為單個圖像塊不能全面的描述全部的圖像信息，并且 受到噪聲數(shù)據(jù)影響的可能性較大，因此，采用多圖像塊投票預(yù)測的策略，將所有圖像塊對目 標位置的預(yù)測整合在一起，就可以得到一個較準確的目標點位置的坐標預(yù)測值Γ。使用公 式（12)來整合全部圖像塊的投票結(jié)果。式中，N表示測試圖像稠密采樣空間中圖像塊的數(shù) 量。
[0171]
(12)
[0172] 根據(jù)公式（11)和公式（12)，可以得到隨機森林回歸模型的預(yù)測函數(shù)擬合結(jié)果，如 公式（13)所示。
[0173]
⑴）
[0174] 本發(fā)明未詳細闡述的技術(shù)內(nèi)容屬于本領(lǐng)域技術(shù)人員的公知技術(shù)。
[0175] 盡管上面對本發(fā)明說明性的【具體實施方式】進行了描述，以便于本技術(shù)領(lǐng)的技術(shù)人 員理解本發(fā)明，但應(yīng)該清楚，本發(fā)明不限于【具體實施方式】的范圍，對本技術(shù)領(lǐng)域的普通技術(shù) 人員來講，只要各種變化在所附的權(quán)利要求限定和確定的本發(fā)明的精神和范圍內(nèi)，這些變 化是顯而易見的，一切利用本發(fā)明構(gòu)思的發(fā)明創(chuàng)造均在保護之列。
【主權(quán)項】
1. 一種基于隨機森林回歸的胸腔X光片肋骨檢測方法，其特征在于包括以下步驟： 步驟（1)、基于隨機采樣的圖像塊生成及其HOG(HistogramsofOrientedGradients， 梯度方向直方圖）特征描述：從每張訓(xùn)練圖像或測試圖像中提取不同尺度和縱橫比的圖像 塊，即進行隨機采樣，構(gòu)成稠密采樣空間，并對每個圖像塊進行再劃分，提取更小的不同尺 度與縱橫比的小圖像塊，以每個小圖像塊為HOG統(tǒng)計的基本單位，采用一定的排列方法將 提取結(jié)果組合起來，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光片肋骨檢測器訓(xùn)練的、帶有用戶手動標注的肋骨位置信息的胸腔 肋骨X光片；測試圖像表示不含肋骨位置信息標注的胸前肋骨X光片； 步驟（2)、基于特征塊與目標點距離分布的隨機森林回歸器生成：在程序運行過程中， 采用可交互方法，讓用戶從訓(xùn)練圖像上選取指定個數(shù)的目標點，并以這些目標點到稠密采 樣空間中圖像塊的中心位置的位移作為機器學(xué)習(xí)的輸出空間實例，并使用隨機森林架構(gòu)進 行回歸訓(xùn)練，得到隨機森林回歸模型； 步驟（3)、基于隨機森林回歸的X光片目標檢測：使用步驟（1)中提出的方法，以多張 胸腔X光圖像作為測試的圖像，提取測試的圖像的特征描述矩陣，代入步驟（2)生成的隨機 森林回歸模型中，獲得每個圖像塊對目標點位置的預(yù)測結(jié)果，對預(yù)測結(jié)果進行加權(quán)整合，獲 得測試圖像對目標點位置的預(yù)測信息，并根據(jù)對多個目標點位置的預(yù)測，框選出目標肋骨 的位置； 步驟（4)、多次進行步驟（2)中的以隨機森林為架構(gòu)的回歸訓(xùn)練，每一次選定不同的隨 機森林參數(shù)，執(zhí)行步驟（3)中的目標檢測，比較不同參數(shù)下回歸模型對目標肋骨位置預(yù)測 的準確性和時間效率，選取最優(yōu)的隨機森林參數(shù)配置。2. 根據(jù)權(quán)利要求1所述的基于隨機森林回歸的胸腔X光片肋骨檢測方法，其特征在于： 步驟（1)中所述的基于隨機采樣的圖像塊生成及其HOG特征描述方法中，對圖像進行劃分 是首先對圖像采用網(wǎng)格劃分，并根據(jù)網(wǎng)格劃分的結(jié)果提取圖像塊，再對圖像塊進行網(wǎng)格劃 分，提取小圖像塊，通過對小圖像塊的HOG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。3. 根據(jù)權(quán)利要求1所述的基于隨機森林回歸的胸腔X光片肋骨檢測方法，其特征在于： 步驟（2)中使用與用戶交互的方式，獲得指定個數(shù)的目標點的位置坐標，據(jù)此獲得了用戶 的先驗知識信息，使用隨機森林架構(gòu)進行回歸訓(xùn)練，包括對隨機森林中的每一棵回歸樹進 行訓(xùn)練，包括以能量模型為基準，進行弱分類器模型和葉子節(jié)點預(yù)測模型的訓(xùn)練，此外，還 要通過隨機模型控制隨機森林的隨機性能，據(jù)此得到能夠進行胸腔X光片中目標點位置預(yù) 測的隨機森林回歸器。4. 根據(jù)權(quán)利要求1所述的基于隨機森林回歸的胸腔X光片肋骨檢測方法，其特征在于： 步驟（3)中獲得每個圖像塊對目標點位置的預(yù)測結(jié)果時，采用整幅圖像中的單個圖像塊對 目標點位置進行預(yù)測的方法，并使用多圖像塊投票機制，整合了所有圖像塊的預(yù)測結(jié)果。5. 根據(jù)權(quán)利要求1所述的基于隨機森林回歸的胸腔X光片肋骨檢測方法，其特征在于： 步驟（2)中指定個數(shù)的目標點是：使用用戶自主點取的5個標識點對目標肋骨進行標記。
【專利摘要】一種基于隨機森林回歸的胸腔X光片肋骨檢測方法，包括：基于隨機采樣的圖像塊生成及其HOG特征描述階段，提取胸腔X光圖像的圖像特征塊，并提取圖像塊HOG特征描述子，獲取圖像的全局和局部信息；基于特征塊與目標點距離分布的隨機森林回歸器生成階段，使用用戶自主點取的標識點對目標肋骨進行標記，并基于特征塊與目標點的距離分布，選定相關(guān)參數(shù)，訓(xùn)練隨機森林回歸器；基于隨機森林回歸的X光片目標檢測階段，使用前一步得到的隨機森林回歸模型，對多張胸腔X光片測試圖像中的肋骨標識點位置進行預(yù)測，并據(jù)此框選出目標肋骨的位置。本發(fā)明可作為基本的醫(yī)療影像預(yù)處理手段，為后續(xù)的計算機輔助診斷、手術(shù)模擬訓(xùn)練、手術(shù)方案論證和手術(shù)預(yù)演等應(yīng)用系統(tǒng)的研發(fā)提供必要的技術(shù)支持。
【IPC分類】G06K9/62
【公開號】CN105389589
【申請?zhí)枴緾N201510751673
【發(fā)明人】李帥, 仇宇星, 郝愛民, 秦洪, 趙沁平
【申請人】北京航空航天大學(xué)
【公開日】2016年3月9日
【申請日】2015年11月6日