时，从落入该叶子节点的特征向量中随机选定指定数量的 特征项进行训练和测试，有效的提高了训练和回归的效率。
[0162]3、基于随机森林回归的X光片目标检测
[0163] 本发明基于随机森林回归的X光片目标检测方法，其流程示意图如图8所示。首 先，读入一幅测试图像，按照步骤1给出的方法，进行图像分割，并选择图像块，获得图像的 稠密采样空间，然后提取图像块的特征描述向量，获得稠密特征空间，如图8中的第①②步 所示。依次将稠密采样空间中的图像块的特征向量代入步骤2训练得到的随机森林回归 模型中，可以获得每个回归树对目标点到当前图像块的横坐标位移或纵坐标位移的预测结 果，如图8中的第③④步所示。对各个决策回归树的预测结果进行加权组合，就得到了整个 随机森林模型对目标点相对于图像块位置的预测结果，如图8中的第⑤⑥步所示。根据图 像块的中心位置坐标，以及第⑥步得到的随机森林对目标点到图像块的中心位置的位移的 估计，可以推算出该图像块对目标点横、纵坐标值的预测结果，将稠密采样空间中所有图像 块的预测结果进行整合，可以得到一个单一的对目标点横、纵坐标的预测值，如图8中的第 ⑤⑥⑦步所示。最后，将该预测值绘制在测试图像中，并对预测的准确程度进行评判，结束 算法。
[0164] 在输入测试图像后，要提取测试图像的稠密采样空间和与之对应的特征空间，以 特征空间中的一个图像块的特征向量为输入，将它送入每棵回归树的根节点。特征向量进 入根节点后，进行当前节点的弱分类器类型的判断，如果是与坐标轴平行的弱分类器、二元 线性分类器或非线性曲线分类器，则从特征向量中选择该弱分类器指定的特征项，带入分 割函数中进行计算，将计算结果与分割阈值比较，得到分割函数的值（0或1)，据此选择让 该特征向量进入当前节点的左子节点（分割函数的值为0)或右子节点（分割函数的值为 1);如果是完全随机分类器，则分别计算当前特征向量与落入左子节点和右子节点的训练 数据的差异值，选择将该特征向量送入差异值较小的子节点中，差异值的计算方法由公式 (10)给出，式中，X表示进入左子节点或右子节点的训练数据集合（分别用L和R表示），V代表X中的一个训练数据（特征向量），Vl表示v中的一个特征项（一个图像块的特征向 量v是3969维的），vtest表示测试图像块的特征向量。重复这一步骤，直到特征向量进入 到回归树的叶子节点。
[0165]
( 10)
[0166] 当测试数据进入叶子节点后，首先进行叶子节点类型的判断。如果是线性回归拟 合模型，则从特征向量中选择该叶子节点预测模型指定的特征项，代入预测函数进行计算， 得到的结果即是该图像块对中心位置到目标点位置的位移的预测结果；如果是平均值模 型，则可以直接返回当前叶子节点记录的平均值，作为预测结果。
[0167] 本部分利用每一棵回归树，获得了单张图像块对目标点到图像块中心位移信息的 预测结果。随机森林中共有forestModel.treeNum个回归树，因此，对于每一个图像块来 说，可以得到forestModel.treeNum个预测结果。在下一步中，将对这些预测结果进行整 合。并用所有图像块的预测结果进行投票，获得最终的目标位置坐标的预测值。
[0168] 在进行随机森林回归模型训练的过程中，采用了随机化的方法选择每个回归树的 训练数据，在训练弱分类器模型和叶子节点预测模型时，也采用了随机思想，选择参与训练 的特征项，基于这样的随机化方法，使得随机森林中的任意回归树，对全部训练数据的使用 可能性都相同，因此，每一棵回归树在随机森林回归模型中都具有相同的地位。在对每个回 归树的预测结果进行加权组合时，应该为每个回归树的预测结果分配相同的权值。也就是 说，可以采取求取预测平均值的方法，获得整个随机森林模型对目标点相对于图像块中心 位置的位移预测结果，即使用公式（11)对随机森林中决策树的预测结果进行整合。式中， 山表示稠密采样空间中第i个图像块相对于目标点的横坐标位移或纵坐标位移，？,表示该 图像块的特征向量，η表示随机森林中回归树的个数。
[0169]
⑴).
[0170] 根据公式（11)，可以得到稠密采样空间中的每个图像块对目标点位置的预测结 果。若测试图像的稠密采样空间中，第i个图像块相对于目标点的坐标位移的预测值为山， 该图像块的中心位置坐标为Cl，则该图像块对目标点位置坐标的预测结果为11=cU+q。但 单个图像块的预测的效果并不好，因为单个图像块不能全面的描述全部的图像信息，并且 受到噪声数据影响的可能性较大，因此，采用多图像块投票预测的策略，将所有图像块对目 标位置的预测整合在一起，就可以得到一个较准确的目标点位置的坐标预测值Γ。使用公 式（12)来整合全部图像块的投票结果。式中，N表示测试图像稠密采样空间中图像块的数 量。
[0171]
(12)
[0172] 根据公式（11)和公式（12)，可以得到随机森林回归模型的预测函数拟合结果，如 公式（13)所示。
[0173]
⑴）
[0174] 本发明未详细阐述的技术内容属于本领域技术人员的公知技术。
[0175] 尽管上面对本发明说明性的【具体实施方式】进行了描述，以便于本技术领的技术人 员理解本发明，但应该清楚，本发明不限于【具体实施方式】的范围，对本技术领域的普通技术 人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变 化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
【主权项】
1. 一种基于随机森林回归的胸腔X光片肋骨检测方法，其特征在于包括以下步骤： 步骤（1)、基于随机采样的图像块生成及其HOG(HistogramsofOrientedGradients， 梯度方向直方图）特征描述：从每张训练图像或测试图像中提取不同尺度和纵横比的图像 块，即进行随机采样，构成稠密采样空间，并对每个图像块进行再划分，提取更小的不同尺 度与纵横比的小图像块，以每个小图像块为HOG统计的基本单位，采用一定的排列方法将 提取结果组合起来，最终获得每张图像块的特征向量和整张图像的特征描述矩阵；其中，训 练图像表示用于胸腔X光片肋骨检测器训练的、带有用户手动标注的肋骨位置信息的胸腔 肋骨X光片；测试图像表示不含肋骨位置信息标注的胸前肋骨X光片； 步骤（2)、基于特征块与目标点距离分布的随机森林回归器生成：在程序运行过程中， 采用可交互方法，让用户从训练图像上选取指定个数的目标点，并以这些目标点到稠密采 样空间中图像块的中心位置的位移作为机器学习的输出空间实例，并使用随机森林架构进 行回归训练，得到随机森林回归模型； 步骤（3)、基于随机森林回归的X光片目标检测：使用步骤（1)中提出的方法，以多张 胸腔X光图像作为测试的图像，提取测试的图像的特征描述矩阵，代入步骤（2)生成的随机 森林回归模型中，获得每个图像块对目标点位置的预测结果，对预测结果进行加权整合，获 得测试图像对目标点位置的预测信息，并根据对多个目标点位置的预测，框选出目标肋骨 的位置； 步骤（4)、多次进行步骤（2)中的以随机森林为架构的回归训练，每一次选定不同的随 机森林参数，执行步骤（3)中的目标检测，比较不同参数下回归模型对目标肋骨位置预测 的准确性和时间效率，选取最优的随机森林参数配置。2. 根据权利要求1所述的基于随机森林回归的胸腔X光片肋骨检测方法，其特征在于： 步骤（1)中所述的基于随机采样的图像块生成及其HOG特征描述方法中，对图像进行划分 是首先对图像采用网格划分，并根据网格划分的结果提取图像块，再对图像块进行网格划 分，提取小图像块，通过对小图像块的HOG特征的提取和整合的方法，能够得到描述整张胸 腔X光图像的特征描述矩阵，特征描述矩阵描述了图像的全局信息，以及该图像中每个图 像块的特征描述矩阵，特征描述矩阵描述了图像的局部信息。3. 根据权利要求1所述的基于随机森林回归的胸腔X光片肋骨检测方法，其特征在于： 步骤（2)中使用与用户交互的方式，获得指定个数的目标点的位置坐标，据此获得了用户 的先验知识信息，使用随机森林架构进行回归训练，包括对随机森林中的每一棵回归树进 行训练，包括以能量模型为基准，进行弱分类器模型和叶子节点预测模型的训练，此外，还 要通过随机模型控制随机森林的随机性能，据此得到能够进行胸腔X光片中目标点位置预 测的随机森林回归器。4. 根据权利要求1所述的基于随机森林回归的胸腔X光片肋骨检测方法，其特征在于： 步骤（3)中获得每个图像块对目标点位置的预测结果时，采用整幅图像中的单个图像块对 目标点位置进行预测的方法，并使用多图像块投票机制，整合了所有图像块的预测结果。5. 根据权利要求1所述的基于随机森林回归的胸腔X光片肋骨检测方法，其特征在于： 步骤（2)中指定个数的目标点是：使用用户自主点取的5个标识点对目标肋骨进行标记。
【专利摘要】一种基于随机森林回归的胸腔X光片肋骨检测方法，包括：基于随机采样的图像块生成及其HOG特征描述阶段，提取胸腔X光图像的图像特征块，并提取图像块HOG特征描述子，获取图像的全局和局部信息；基于特征块与目标点距离分布的随机森林回归器生成阶段，使用用户自主点取的标识点对目标肋骨进行标记，并基于特征块与目标点的距离分布，选定相关参数，训练随机森林回归器；基于随机森林回归的X光片目标检测阶段，使用前一步得到的随机森林回归模型，对多张胸腔X光片测试图像中的肋骨标识点位置进行预测，并据此框选出目标肋骨的位置。本发明可作为基本的医疗影像预处理手段，为后续的计算机辅助诊断、手术模拟训练、手术方案论证和手术预演等应用系统的研发提供必要的技术支持。
【IPC分类】G06K9/62
【公开号】CN105389589
【申请号】CN201510751673
【发明人】李帅, 仇宇星, 郝爱民, 秦洪, 赵沁平
【申请人】北京航空航天大学
【公开日】2016年3月9日
【申请日】2015年11月6日