医学图像分类方法和装置、电子设备及存储介质与流程

本技术涉及数字医疗，尤其涉及一种医学图像分类方法和装置、电子设备及存储介质。

背景技术：

1、目前，对于x光医学图像中的正常图像和异常图像的分类基本是通过人工诊断进行识别，但是人工诊断存在以下不足：(1)主观性：人工诊断受到医生个人经验、知识水平、技能和偏见的影响，这可能导致诊断结果之间存在一定的差异。例如，不同的放射科医生对同一乳腺x光片的解读可能会有不同的诊断结果。(2)疲劳：医生可能需要阅读大量的乳腺x光片，长时间的工作可能导致疲劳，从而影响其诊断的准确性和效率。(3)遗漏：人工诊断可能会遗漏一些细微的异常信号，特别是在早期乳腺癌的诊断中，这些微小的异常可能被忽视，从而错过最佳的治疗时机。(4)效率：例如，对于大量的乳腺x光片进行人工诊断是非常耗时的，而且，随着乳腺x光片数量的增加，这个问题会变得越来越严重。(5)一致性：由于医生间经验和技能的差异，对相同的x光片可能会有不同的解读，这就需要在医生之间进行多次讨论和确认，这不仅耗时，而且影响检查进度。因此，现有的人工诊断方式可能会受到医生的疲劳、情绪等主观因素的影响，也可能因为医生之间的经验和技能水平差异导致诊断结果的不一致的问题，导致x光医学图像分类不够准确且效率不高。

技术实现思路

1、本技术实施例的主要目的在于提出一种医学图像分类方法和装置、电子设备及存储介质，能够自动对目标x光医学图像中的正常图像和异常图像进行有效分类，尤其当应用在数字医疗领域，能够快速处理大量x光片，提供数据驱动的诊断，减少人工阅片的工作量，提供客观且一致的诊断建议，可以减少认为误差，从而提高医疗诊断效率。

2、为实现上述目的，本技术实施例的第一方面提出了一种医学图像分类方法，所述方法包括：

3、获取目标x光医学图像；

4、对所述目标x光医学图像进行预处理，得到第一x光医学图像；

5、根据所述第一x光医学图像中相邻区域内任意相邻两个像素点的灰度值和位置关系生成对应的灰度共生矩阵；

6、对每个所述灰度共生矩阵进行特征提取，得到多个纹理特征，其中，所述纹理特征用于表征所述目标x光医学图像的纹理特性；

7、将多个所述纹理特征输入至训练好的随机森林分类器进行分类识别，得到对应所述目标x光医学图像的分类识别结果。

8、在一些实施例，所述对所述目标x光医学图像进行预处理，得到第一x光医学图像，包括：

9、对所述目标x光医学图像进行裁剪处理，得到第二x光医学图像；

10、通过高斯滤波器对所述第二x光医学图像进行图像去噪处理，得到所述第一x光医学图像。

11、在一些实施例，所述根据所述第一x光医学图像中相邻区域内任意相邻两个像素点的灰度值和位置关系生成对应的灰度共生矩阵，包括：

12、确定所述第一x光医学图像的所述相邻区域；

13、从所述相邻区域获取两个所述相邻像素点；

14、确定两个所述相邻像素点的灰度值和位置坐标；

15、根据所述位置关系确定两个所述相邻像素点之间的相对距离和相对角度；

16、根据所述相对距离和所述相对角度确定两个所述相邻像素点之间偏移量；

17、根据所述坐标位置、所述灰度值和所述偏移量生成所述灰度共生矩阵。

18、在一些实施例，所述纹理特征包括对比度特征、能量特征、同质性特征和相关性特征。

19、在一些实施例，所述对每个所述灰度共生矩阵进行特征提取，得到多个纹理特征，包括：

20、根据所述第一x光医学图像中不同灰度级的对比程度从所述灰度共生矩阵提取出所述对比度特征；

21、根据所述第一x光医学图像的纹理粗糙度从所述灰度共生矩阵提取出所述能量特征；

22、根据所述第一x光医学图像的灰度分布的变化程度从所述灰度共生矩阵提取出所述同质性特征；

23、根据所述第一x光医学图像中不同灰度级之间的线性相关性程度从所述灰度共生矩阵提取出所述相关性特征。

24、在一些实施例，所述随机森林分类器的训练方法包括：

25、构建随机森林分类器；

26、获取图像数据集，所述图像数据集包括图像训练集和图像验证集；

27、根据所述图像训练集得到特征矩阵和目标向量；

28、采用所述特征矩阵和所述目标变量来训练所述随机森林分类器；

29、采用所述图像验证集来调整所述随机森林分类器的模型参数，得到目标模型参数；

30、基于所述目标模型参数得到训练好的所述随机森林分类器。

31、在一些实施例，所述根据所述图像训练集得到特征矩阵和目标向量，包括：

32、从所述图像训练集中提取得到每个训练图像的特征向量和标签向量，所述标签向量用于表示每个训练图像的分类类别，其中，所述分类类别包括正常类别和异常类别；

33、根据所述标签向量生成所述目标向量。

34、为实现上述目的，本技术实施例的第二方面提出了一种医学图像分类装置，所述装置包括：

35、获取模块，用于获取目标x光医学图像；

36、预处理模块，用于对所述目标x光医学图像进行预处理，得到第一x光医学图像；

37、生成模块，用于根据所述第一x光医学图像中相邻区域内任意相邻两个像素点的灰度值和位置关系生成对应的灰度共生矩阵；

38、特征提取模块，用于对每个所述灰度共生矩阵进行特征提取，得到多个纹理特征，其中，所述纹理特征用于表征所述目标x光医学图像的纹理特性；

39、分类识别模块，用于将多个所述纹理特征输入至训练好的随机森林分类器进行分类识别，得到对应所述目标x光医学图像的分类识别结果。

40、为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。

41、为实现上述目的，本技术实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。

42、本技术提出的医学图像分类方法和装置、电子设备及存储介质,获取目标x光医学图像；对目标x光医学图像进行预处理，得到第一x光医学图像；根据第一x光医学图像中相邻区域内任意相邻两个像素点的灰度值和位置关系生成对应的灰度共生矩阵；对每个灰度共生矩阵进行特征提取，得到多个纹理特征，其中，纹理特征用于表征目标x光医学图像的纹理特性；将多个纹理特征输入至训练好的随机森林分类器进行分类识别，得到对应目标x光医学图像的分类识别结果。通过对获取的目标x光医学图像进行预处理，在特征提取环节，根据预处理好的目标x光医学图像中相邻区域内任意相邻两个像素点的灰度值和位置关系生成对应的灰度共生矩阵，从每个灰度共生矩阵进行特征提取出多个纹理特征，再利用随机森林分类器对多个纹理特征进行处理，根据多个纹理特征对正常和异常的x光医学图像进行分类，从而自动得到分类识别结果。基于此，本技术实施例能够自动对目标x光医学图像中的正常图像和异常图像进行有效分类，尤其当应用在数字医疗领域，能够快速处理大量x光片，提供数据驱动的诊断，减少人工阅片的工作量，提供客观且一致的诊断建议，可以减少认为误差，从而提高医疗诊断效率。