[发明专利]一种医学图像识别的方法

权利要求书

1.一种医学图像识别的方法，包括关联规则分类库的构造及其更新和医学图像识别步骤，其特征在于，所述关联规则分类库的构造及其更新步骤中包括下列步骤：

步骤1医学图像样本数据的准备及预处理，包括医学图像的格式转换、尺度归一化以及去噪与增强；

步骤2采用基于密度聚类的医学图像分割方法分别识别出每幅样本医学图像中待分析的局部区域；

步骤3分别提取出每幅样本医学图像中局部区域的特征，构造医学图像样本数据库T，这些特征包括：均值、方差、倾斜度、峰态、能量、熵和聚类特征；

步骤4特征值离散化；

步骤5挖掘医学图像样本数据库中的频繁项目集；

步骤6根据频繁项目集构造关联规则分类库；

步骤7定期或不定期地进行频繁项目集更新，同时更新关联规则分类库；所述频繁项目集更新步骤中包括下列步骤：

步骤7.7候选新频繁项目集的生成；

步骤7.7.1处理新增医学图像，包括医学图像的格式转换、尺度归一化和去噪与增强；

步骤7.7.2采用基于密度聚类的医学图像分割方法分别识别出每幅样本医学图像中待分析的局部区域；

步骤7.7.3分别提取出每幅样本医学图像中局部区域的特征，形成新增医学图像样本数据t，这些特征包括：均值，它反映的是一副医学图像的平均灰度值；方差，它反映的是一副医学图像灰度在数值上的离散分布情况；倾斜度，它反映的是医学图像直方图分布的不对称程度；峰态，它反映的是医学图像灰度分布在接近均值时的大致状态；能量，它反映的是灰度分布的均匀程度；熵，它反映的是直方图灰度分布的均匀性；和聚类特征；

步骤7.7.4特征值离散化；

步骤7.7.5扫描t求得FI(FI＝FI₁∪FI₂)中各项目集在t中的支持数，FI、FI₁、FI₂为频繁项目集；

步骤7.7.6扫描t一次，确定T中的强频繁项目集L_T；

步骤7.7.7确定t中的候选强频繁项目集C_tk，k＝1，2，...n；包括：

步骤7.7.7.1求t中的候选强频繁项目集，所谓t中的强频繁项目集是在指在t和t∪T中均为频繁的项目集；

步骤7.7.7.2使用函数Apriori-gen生成t中的候选新频繁项目集；

步骤7.8候选新频繁项目集的修剪；

步骤7.9关联分类规则的构造及更新。

2.根据权利要求1所述的方法，其特征在于，所述步骤5中进一步包括下列步骤：

步骤5.1将医学图像样本数据库T分类，分为正常类T₁和异常T₂；

步骤5.2分别构造T₁、T₂的类别属性除外的频繁模式树FP₁-t、FP₂-t；

步骤5.3由FP₁-t、FP₂-t确定各自的频繁项目集FI₁、FI₂。

3.根据权利要求2所述的方法，其特征在于，所述步骤6中进一步包括下列步骤：

步骤6.1分别计算频繁项目集FI₁、FI₂在T₂和T₁中的支持数；

步骤6.2根据阈值确定关联规则分类规则；

步骤6.3存入关联规则分类库。

4.根据权利要求1所述的识别方法，其特征在于，在所述步骤7后进行所述医学图像的识别步骤，所述医学图像的识别步骤进一步包括下列步骤：

步骤8.1待处理医学图像数据的准备及预处理，包括医学图像的格式转换、尺度归一化以及去噪与增强；

步骤8.2采用基于密度聚类的医学图像分割方法识别出该幅医学图像中待分析的局部区域；

步骤8.3提取出该幅医学图像中局部区域的特征，这些特征包括：均值、方差、倾斜度、峰态、能量和熵，其中，倾斜度反映的是医学图像直方图分布的不对称程度；

步骤8.4特征值离散化；

步骤8.5根据关联规则分类库中的规则确定该医学图像的类别。