分類器訓(xùn)練方法、目標(biāo)檢測、分割或分類方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及自動同步目標(biāo)檢測、分割和分類的技術(shù)，更具體地講，涉及一種對用于 目標(biāo)檢測的分類器進(jìn)行訓(xùn)練的方法、應(yīng)用所述分類器的目標(biāo)檢測、分割或分類方法和目標(biāo) 檢測、分割或分類裝置。
【背景技術(shù)】
[0002] 超聲技術(shù)由于其非侵入性、可攜帶、低成本等特點(diǎn)，是檢測人體內(nèi)部對象的最主要 的工具。由于人工檢測很昂貴，并且耗時，因此發(fā)展全自動的對象檢測系統(tǒng)是當(dāng)前的研究熱 點(diǎn)。然而，這樣的研究仍然面對很多挑戰(zhàn)，這是因為超聲圖像本身含有噪聲，而且人體內(nèi)部 的對象本身具有多樣性。
[0003] 目前，大多數(shù)全自動對象檢測系統(tǒng)包含如下三個串行的模塊：（1)檢測對象的位 置的位置檢測模塊；（2)獲得對象的邊界，從而將對象從背景中分割出來的分割模塊；（3) 判斷對象的性質(zhì)(例如，人體內(nèi)的腫瘤是惡性還是良性）的分類模塊。
[0004] 以下對對象檢測、分割和分類的現(xiàn)有技術(shù)進(jìn)行詳細(xì)的描述。
[0005] 在醫(yī)學(xué)圖像中檢測人體內(nèi)部的對象(例如，腫瘤、器官、組織等）是一個很有挑戰(zhàn)性 的問題。早期的系統(tǒng)一般都是基于一些啟發(fā)式的規(guī)則。例如，Drukke(Drukker,K.，Giger,ML .,Horsch,K.,Kupinski,MA. ,Vyborny,CJ. ,Menelson,EB.:Computerizedlesiondetection onbreastultrasound.Med.Phys.，29 (7) : 1438-46 (2002))等提出一個嚴(yán)格的假設(shè)："腫瘤 區(qū)域比背景要黑"。因此，該方法無法檢測到高回聲響應(yīng)的腫瘤區(qū)域，這是因為該腫瘤比背 景要亮。近年來，機(jī)器學(xué)習(xí)算法被引入檢測領(lǐng)域?；诨瑒哟翱诩夹g(shù)，Zhang等（Zhang，J. D. ,ZhouS.K. ,Brunke,S. ,Lowery,C. ,Comaniciu,D. :Database-guidedbreasttumor detectionandsegmentationin2Dultrasoundimages.SPIE，7624 (3)，1-7 (2010))使用 Harr特征和boosting算法來判斷每個窗口是否包含腫瘤。DPM(DeformablePart-based model,Felzenszwalb,P.F,Girshick,R.B,McAllester,D. ,Ramanan,D. :0bjectDetection withdiscriminativelytrainedpart-basedmodels.PAMI，32(9) ,1627-1645(2009))是 近年來最流行的圖像中一般物體檢測方法。DPM提取HOG特征（HistogramofOriented Gradient，Dalai，N.，Triggs，B.:HistogramsofOrientedGradientsforHuman Detection.CVPR，886-893(2005))和支持向量機(jī)分類器來判斷腫瘤是否存在。DPM算法要 求根據(jù)長寬比對目標(biāo)類別預(yù)先分類成2個或3個模板，因此限制了可能的腫瘤模板個數(shù)。 換句話說，該算法只考慮2個或3個可能的長寬比模板，而腫瘤可以是任何形狀和長寬比 的。ESVM算法（TomaszMalisiewicz,AbhinavGupta,andAlexeiA.Efros.Ensembleof exemplar-svmsforobjectdetectionandbeyond.InICCV，pages86 - 91，2011)可以看 成是DPM算法當(dāng)模板數(shù)量最大化的變形。ESVM把每個訓(xùn)練樣本視為一個可能的模板，訓(xùn)練 相應(yīng)的分類器。但該算法未考慮物體的局部信息，因此在物體檢測中的性能不如DPM算法。
[0006] 在醫(yī)學(xué)圖像處理中，目前常用的基于視覺技術(shù)的分割方法可以粗略分為兩 類：曲線驅(qū)動和區(qū)域驅(qū)動。前一類方法，例如水平集（Horsch，K.，Giger，M.L.，Venta，L. A.,Vyborny,C.J.:Automaticsegmentationofbreastlesionsonultrasound.Med.Phys.,1652(28),1652-1659 (2001) ；Chan,T.F.,Vese,L.A.:Activecontourswithout edges.IEEETrans,onImageProcessing, 10 (2) : 266-276 (2001))方法從一個初始 邊緣曲線開始演化，直到達(dá)到能量函數(shù)的最優(yōu)值。而各種水平集方法的最主要區(qū)別 就在于能量函數(shù)的定義。一般來說，能量函數(shù)通常需要考慮一下因素：曲線長度、曲 線面積、曲線光滑度、曲線內(nèi)外灰度差等。Liu等（ZhihuaLiu，LidanZhang，Haibing Ren,andJi-YeunKim.Arobustregion-basedactivecontourmodelwithpoint classificationforultrasoundbreasttumorsegmentation.InSPIEMedical Imaging，2013)對邊緣像素進(jìn)行分類，從而提高分割的準(zhǔn)確度?；趨^(qū)域演化如馬爾 科夫隨機(jī)場（VarunGulshan,CarstenRother,AntonioCriminisi,AndrewBlake,and AndrewZisserman.Geodesicstarconvexityforinteractiveimagesegmentation.In CVPR，pages3129 - 3136, 2010)對圖像首先劃分為若干超像素，并構(gòu)造一個圖，圖節(jié)點(diǎn)為每 個超像素。根據(jù)該圖，可以定義一個能量函數(shù)，從而標(biāo)注每個超像素為前景/背景。
[0007]目前大多數(shù)對象分類通過提取輪廓特征，并設(shè)計相應(yīng)的分類器(例如， Chang,Ruey-Feng,ffen-Jieffu,WooKyungMoon,Yi-HongChou,andDar-RenChen. SupportvectormachinesfordiagnosisofbreasttumorsonUSimages.Academic radiologylO,no. 2 (2003) : 189-197)來進(jìn)行分類。
[0008] 這樣的串行系統(tǒng)獨(dú)立地考慮每個子問題，并使用特有的技術(shù)來獨(dú)立解決每個子問 題。這種串型系統(tǒng)的關(guān)鍵問題是錯誤傳播。由于每個模塊完全依賴上一步模塊的結(jié)果，并 且每個模塊都有其自己的錯誤率，因此整個系統(tǒng)的錯誤率將會是每個模塊錯誤率的累積。

【發(fā)明內(nèi)容】

[0009] 本發(fā)明的一方面在于提供一種能夠同時檢測、分割和分類目標(biāo)，從而避免由于子 模塊的使用而產(chǎn)生的錯誤傳播分類器訓(xùn)練方法、以及應(yīng)用根據(jù)所述分類器訓(xùn)練方法獲得的 分類器的目標(biāo)檢測、分割或分類方法和目標(biāo)檢測、分割或分類裝置。
[0010] 根據(jù)本發(fā)明的一方面，提供一種分類器訓(xùn)練方法，包括：獲取多個訓(xùn)練樣本，其中， 每個訓(xùn)練樣本對應(yīng)于一個分類器；通過最小化預(yù)定的目標(biāo)函數(shù)對分類器進(jìn)行訓(xùn)練，從而獲 得每個分類器；使用成績?nèi)诤戏椒ㄐＵ總€分類器，從而使每個分類器的得分相兼容。
[0011] 優(yōu)選地，所述預(yù)定的目標(biāo)函數(shù)是：
[0012] L( ^ E)