隨著交通事業(yè)的快速發(fā)展，交通事故等引起的腹部損傷呈不斷上升的趨勢，特別是肝臟因彈性較差，容易導致暴力性損傷。此外，臨床中有許多病理性損傷，如甲肝、乙肝等病毒或一些藥物和化學物質(zhì)引起的肝臟損傷，或肝臟腫瘤、心功能不全導致肝臟淤血，或某些先天性肝臟疾病等引起的肝臟損傷。暴力性或病理性損傷會讓肝臟受累，而且可能會累及更多器官，對人體造成更大的傷害，嚴重威脅到患者的生命安全和身體健康。肝臟損傷檢測為后續(xù)治療方案的制定和選擇提供重要依據(jù)，在臨床中具有重要的意義。

臨床中醫(yī)生借助醫(yī)學圖像肉眼觀察和臨床經(jīng)驗檢測肝臟損傷。Kakihara利用增強型CT(Computerized Tomography)圖像人工分析損傷的大小、形狀和位置，檢測由蛔蟲感染引起的內(nèi)臟幼蟲移動癥肝臟損傷。為了克服灌注CT圖像的高輻射缺陷，Wang在雙能量CT上分析了虛擬光譜曲線的肝臟損傷定量特征。Purysko利用增強型MRI(Magnetic ResonanceImaging)圖像人工分析了良性、腫瘤和肝細胞癌的肝臟損傷特征。Matthias Eiber比較了擴散加權(quán)的MRI和多層螺旋CT兩種模態(tài)圖像對人工檢測肝臟損傷準確率的影響。目前，醫(yī)學圖像人工肝臟損傷檢測會面臨幾個方面的問題：

(1)暴力性肝臟損傷，常伴有腹腔積血、積液、胃腸內(nèi)容物及氣體等干擾，加之患者體位不能配合，這些干擾信號增加了肝臟損傷檢測的難度。而病理性肝臟損傷，臨床癥狀及患者體征表現(xiàn)通常不夠明顯，導致?lián)p傷檢測面臨挑戰(zhàn)。

(2)人工檢測方式存在信息利用率不高(如CT有4096級灰度，而人眼的灰度分辨率僅約40級)，且人工長時間大量讀圖容易產(chǎn)生疲倦而導致準確率降低等問題。

(3)肝臟損傷呈現(xiàn)多樣性，人工檢測受個人經(jīng)驗限制，檢測存在錯誤或遺漏。此外，研究表明當肝臟損傷小于20毫米時，人工檢測的準確率急劇降低。

臨床中肝臟損傷病人越來越多，建立一個健壯、客觀和可重復(fù)的計算機輔助工具以提高肝臟損傷檢測的效率和準確率，具有重要的臨床意義和價值。

近年來，國內(nèi)外開始探索基于計算機輔助的肝臟損傷自動檢測研究，取得了一些階段性成果。Bilello使用閾值方法分割肝臟實質(zhì)，研究支持向量機(Support VectorMachine,SVM)方法分類肝臟實質(zhì)的空洞和缺口檢測損傷。Kumar使用模糊C均值方法分割肝臟腫瘤區(qū)域，研究神經(jīng)網(wǎng)絡(luò)分類器識別惡性和良性腫瘤。Masuda用EM(Expectationmaximization)算法和高斯混合模型檢測肝臟損傷。Milizer使用三級連接概率Boosting樹分類肝臟實質(zhì)和損傷。Pescia使用AdaBoost學習技術(shù)，線性組合3個弱分類器構(gòu)成肝臟損傷檢測的強分類器。Wu使用深度學習方法分類肝臟良性和惡性損傷。盡管這些方法在肝臟損傷檢測中取得到了階段性成果，但是還存在幾個問題：

(1)大多數(shù)方法需要手工標注大量肝臟損傷樣本，在臨床中很難滿足。且肝臟損傷檢測需要在肝臟目標區(qū)域上提取高維特征，高維空間的數(shù)據(jù)非常稀少，需要的樣本量呈指數(shù)級增長。

(2)大多數(shù)方法需要損傷類別數(shù)作為先驗知識，只能把肝臟損傷分為有或無損傷，惡性或良性損傷，低密度或高密度損傷等2類。事實上，暴力性或病理性肝臟損傷存在多種可能，固定損傷的類別數(shù)限制了肝臟損傷自動檢測的使用范圍。

為解決上述技術(shù)問題，本發(fā)明提出一種主動學習的肝臟損傷類別的圖像檢測方法。其特征在于該方法利用利用肝臟主動形狀模式，最優(yōu)匹配，特征定義和提取、密度聚類和主動學習等技術(shù)實現(xiàn)了肝臟損傷的圖像檢測方法。該方法只需要專家手工標注少量代表性的肝臟損傷，且可以檢測多種類型的損傷。具體步驟包括：

步驟1，使用肝臟主動形狀模型從醫(yī)院采集或網(wǎng)上公開的腹部醫(yī)學圖像測試集中定位并提取肝臟目標區(qū)域，腹部醫(yī)學圖像測試集中包含腹部醫(yī)學圖像；

步驟2，定義和提取肝臟目標區(qū)域中像素點的方向模式特征向量和灰度幅度變化模式特征向量； 

步驟3，基于肝臟目標區(qū)域中像素點局部密度和到更大密度像素點最小距離二維空間的肝臟像素密度聚類中心定義和聚類劃分；

步驟4，基于肝臟像素密度聚類邊緣、聚類中心和聚類劃分的主動學習方法進行肝臟損傷類別的圖像檢測。

本專利的優(yōu)點是：

(1)本發(fā)明提出了肝臟像素的方向模式特征向量和灰度幅度變化模式特征向量。一方面，避免了現(xiàn)有局部特征一般都考慮所有相鄰像素且僅考慮像素的灰度值，沒有考慮方向的變化模式。另一方面，幅度變化模式體現(xiàn)了更多的紋理細節(jié)變化，更加適合肝臟微小損傷的特征。

(2)本發(fā)明提出了把肝臟高維特征映射到二維參數(shù)空間的肝臟像素密度聚類方法。統(tǒng)計一定距離范圍內(nèi)像素點的個數(shù)作為局部密度，簡單有效。最小距離是局部密度的函數(shù)，適合任意形狀的聚類?；诙S參數(shù)的密度聚類定義和劃分，可以快速地把所有的肝臟像素聚類成不同的模式。

(3)基于肝臟像素密度聚類的主動學習方法，提出了新的主動學習代表性元素抽取方法和最不確定性的度量策略?；谥鲃訉W習的肝臟損傷只需要專家手工標注少量代表性樣本的損傷類別，節(jié)約了大量的人力和財力。本發(fā)明結(jié)合了主動可變模型，醫(yī)學圖像分割，特征定義與提取，肝臟像素密度聚類和主動學習等技術(shù)，實現(xiàn)了只需要少量標注樣本的肝臟損傷圖像檢測方法，對醫(yī)學圖像的臨床應(yīng)用有著很高的應(yīng)用價值。