基于机器学习的胸部扫描图像分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113657559A(43)申请公布日2021.11.16(21)申请号202111211051.5(22)申请日2021.10.18(71)申请人广州天鹏计算机科技有限公司地址510000广东省广州市天河区珠江东路11号1501室(72)发明人叶方全(51)Int.Cl.G06K9/62(2006.01)G06K9/34(2006.01)G06N20/00(2019.01)权利要求书1页说明书6页附图1页(54)发明名称基于机器学习的胸部扫描图像分类方法(57)摘要本发明提供了一种基于机器学习的胸部扫描图像分类方法，该方法包括：从肺部样本中接收包括表示多个目标的肺部图像的像素的扫描图像数据，并将图像分割函数应用于扫描图像数据；接收包括多个训练图像的像素的训练样本扫描图像和训练图像的相应训练分割数据，并产生分割参数。本发明提出了一种基于机器学习的胸部扫描图像分类方法，不需要在样本扫描图像训练和标记过程中进行逐像素匹配，并且保证胸部扫描图像分类的精确度。CN113657559ACN113657559A权利要求书1/1页1.一种基于机器学习的胸部扫描图像分类方法，其特征在于，包括：从肺部样本中接收包括表示多个目标的肺部图像的像素的扫描图像数据，并将图像分割函数应用于扫描图像数据，分割参数用于根据图像分割函数来控制图像分割模块的操作；接收包括多个训练图像的像素的训练样本扫描图像和训练图像的相应训练分割数据，并产生分割参数，所述训练分割数据表征训练图像中多个目标的空间位置和训练图像中像素位置对的单个目标的连通性；所述分割参数根据参数选择函数来选择，所述参数选择函数包括根据基于以下标准来选择分割参数：像素位置对之间的路径连通性，包括非相邻像素位置之间的路径连通性，以及训练图像中目标的拓扑结构；以及成本函数，所述成本函数取决于使用分割参数应用图像分割函数的输出；其中所述图像分割函数根据包括表示肺部图像的像素的扫描图像数据和分割参数来确定像素位置对之间的连通性，以及根据所确定的像素位置对之间的连通性来形成片段；并且确定训练数据的相邻像素对之间的加权连通性，其中形成所述片段包括，对所述加权连通性应用阈值以形成二进制连通性，并且识别经由相邻像素上的序列连接的像素；所述参数选择函数包括用于更新分割参数的第一子函数和用于将训练分割数据与来自应用图像分割函数的输出进行比较的第二子函数。2.根据权利要求1所述的方法，其特征在于，所述参数选择函数迭代训练图像中的多对像素位置，并且对于每对像素位置，根据相邻像素对之间的估计连通性对所述图像的估计分割的贡献，来识别所述像素对位置之间的路径上的相邻像素对，并且更新影响所述相邻像素之间的估计加权连通性的分割参数的子集。3.根据权利要求1所述的方法，其特征在于，所述参数选择函数迭代训练图像中的多对像素位置，包括多对不相邻的像素位置，并且对于每对像素位置，识别该对像素位置之间的路径上的两个像素位置之间的边，所识别的边表示该对像素位置之间的最小边的像素位置对的路径上的最大值。4.根据权利要求1所述的方法，其特征在于，所述图像分割函数根据所述肺部图像的扫描数据和所述分割参数，将标记确定为背景或目标，并根据所确定的标记形成所述片段。5.根据权利要求1所述的方法，其特征在于，其中所述更新分割参数包括，根据分割数据的估计像素标记和像素标记之间的匹配来应用梯度更新；该方法还包括，交替执行更新分割参数的第一子函数和训练分割数据的第二子函数。2CN113657559A说明书1/6页基于机器学习的胸部扫描图像分类方法技术领域[0001]本发明涉及医学图像识别，特别涉及一种基于机器学习的胸部扫描图像分类方法。背景技术[0002]图像中的目标分割或识别在医学领域广泛应用。断层扫描图像已经能够自动收集肺部组织的纳米级图像。一个新的趋势是使用机器学习，通过训练计算机模拟人类的边缘判断来提高诊断准确性，例如确定成像组织中的肿瘤的范围。现有技术利用基于局部图像特征的边缘检测。图像中的像素被自动标记为边缘与目标，并且基于标记的像素，图像被分割成目标。边缘像素的自动标记可以基于参数技术，并且在训练过程中确定参数，其中使用一组训练图像及对应的边缘标记来确定在处理未知图像时要使用的参数。这种方法的精确度取决于图像中被正确识别为属于图像中相同或不同目标的像素对的平均数量，如果在训练样本扫描图像的自动确定的分割和在标记过程中确定的训练分割之间进行逐像素匹配，则将对图像处理的实时性带来不良的影响。发明内容[0003]为解决上述现有技术所存在的问题，本发明提出了一种基于机器学习的胸部扫描图像分类方法，包括：从肺部样本中接收包括表示多个目标的肺部图像的像素的扫描图像数据，并将图像分割函数