CN101404062A - 一种基于决策树的数字乳腺图像自动筛查方法 - Google Patents

Abstract

本发明公开了一种基于决策树的数字乳腺图像自动筛查方法，该方法包括以下步骤：(1)对当前数字乳腺图像进行高斯滤波，得到去除噪声的图像；(2)根据除噪图像的灰度信息，提取8个灰度特征；(3)计算图像中每一个像素点的纹理输出值，得到纹理直方图并提取8个纹理特征；(4)把得到的16个特征组成一个样本向量，用训练好的分类器进行分类，给出筛查结果。本发明的优点是：在对大量样本进行筛查时，能够快速的排除部分正常样本，而且不需要人为干预，提高了效率。

Description

一种基于决策树的数字乳腺图像自动筛查方法

技术领域

本发明涉及一种数字乳腺图像筛查方法，尤其涉及一种基于决策树的数字乳腺图像自动筛查方法。

背景技术

乳腺癌是妇女最常见的恶性肿块之一，全世界每年新发病例超过90万人。乳腺X光影像技术(mammography)目前被认为是早期诊断乳腺癌的最可靠且有效的手段。利用乳腺X光影像技术生成的数字乳腺图像进行辅助诊断已经成为被广泛采用的预防和诊断早期乳腺癌的重要方法。目前，基于数字乳腺图像对乳腺癌进行计算机辅助检测与诊断的系统一般包括对乳腺癌可疑区域(ROI)的检测、提取特征和分类三个过程。

但上述方法在使用时存在以下问题：首先现有的检测方法一般被设计用来处理单幅或少量的图像，不能在高敏感性的要求下快速地同时检测各类肿块和钙化点簇；其次ROI检测的方法都存在这样或那样的困难，要么乳腺肿块或钙化点特征计算量大；要么检测率不高，甚至有时需要医师画出ROI的大致范围，不适合有大量样本的普查情况；最后在分类时，由于经典机器学习和模式识别技术中分类预测的方法都是以最小化预测错误为目标而设计的，所以对所关心的阳性样本的检测准确率并不理想。而在乳腺癌的体检和普查活动中，由于图像数量很多，直接对每幅图像进行ROI检测难以保证效率及准确性，从而容易造成漏诊和误诊。

发明内容

发明目的：本发明的目的是针对现有技术的不足，提供一种基于决策树的快速，自动的数字乳腺图像筛查方法。

技术方案：为了达到上述的发明目的，本发明的方法包括下列步骤：

(1)对当前数字乳腺图像进行高斯滤波，得到去除噪声的图像；

(2)根据除噪图像的灰度信息，提取8个灰度特征；

(3)计算图像中每一个像素点的纹理输出值，得到纹理直方图并提取8个纹理特征；

(4)把得到的16个特征组成一个样本向量，用训练好的分类器进行分类，给出筛查结果。

为了能够适应快速处理大量图像同时在低漏检率的情况下尽可能多地去除正常图像的要求，本发明打破了传统对乳腺癌进行计算机辅助检测与诊断的方法，提出了一种基于决策树的自动筛查方法，在检测前进行图像的自动筛查。该方法并不关心肿块及钙化点簇在图像中的具体位置，而是根据肿块或钙化点簇图像和正常图像在灰度和纹理分布上的差异直接对整幅图像提取特征，这样计算量小，可以快速去除大量正常图像，为进行准确的乳腺癌可疑区域检测打下重要的基础。

有益效果：本发明的方法与现有技术相比，其显著优点是：在对大量样本进行筛查时，能够快速的排除部分正常样本，而且不需要人为干预，提高了效率。

附图说明

图1是本发明的工作流程图；

图2是本发明的决策树分类器的训练流程图。

具体实施方式

本发明方法流程如图1所示，下面详细说明：本方法包括下列步骤：

步骤(1)：对原图像I₀(x，y)进行卷积滤波得到新的图像I₁(x，y)，I₁(x，y)可由下式计算：

$I_1(x,y)=I_0(x,y)\⊗G(x,y)$

其中G(x，y)采用了表1中的5*5的高斯核：

表1  5＊5的高斯核

0.0001	0.0020	0.0055	0.0020	0.0001
					0.0020	0.0422	0.1711	0.0422	0.0020
0.0055	0.1711	0.3248	0.1711	0.0055
					0.0020	0.0422	0.1711	0.0042	0.0020
0.0001	0.0020	0.0055	0.0020	0.0001

步骤(2)：提取基于图像I₁(x，y)灰度直方图的特征。设h(n)为图像I₁(x，y)的灰度直方图，N表示I₁(x，y)的最大灰度级。对灰度直方图h(n)进行归一化得到f(n)＝h(n)/∑h(n)。n1，n2分别表示f(n)＞T的最小灰度值和最大灰度值，阈值T的取值很小，主要是为了去掉一些异常的灰度点，使得两类图像直方图的差异更加明显。提取的前4个特征分别如下公式所示：

$\stackrel{\‾}{f}=\frac{1}{n2-n1+1}\underset{n=n1}{\overset{n2}{\mathrm{\Σ}}}f\left(n\right)$

${\mathrm{\σ}}_f=\sqrt{\frac{1}{n2-n1+1}\underset{n=n1}{\overset{n2}{\mathrm{\Σ}}}(f\left(n\right)-\stackrel{\‾}{f})}$

$\stackrel{\‾}{g}=\frac{1}{\mathrm{\Σf}\left(n\right)}\mathrm{\Σn}*f\left(n\right)$

${\mathrm{\σ}}_g=\sqrt{\frac{1}{\mathrm{\Σf}\left(n\right)}\mathrm{\Σ}{(n-\stackrel{\‾}{g})}^{2}f\left(n\right)}$

将f(n)增强以后变为f(n)*f(n)，依上述4式提取后4个特征。

步骤(3)：依下式定义用于提取纹理的LBP_P，R ^riu算子：

其中U(LBP_P，R)定义为：

$U\left({\mathrm{LBP}}_{P,R}\right)=|S(g_{p-1}-g_c)-S(g_0-g_c)|+\underset{p=1}{\overset{P-1}{\mathrm{\Σ}}}|S(g_p-g_c)-S(g_{p-1}-g_c)|$

其中g_p(p＝0，1，...，P-1)为圆形对称区域点的灰度值，g_c为中心点的灰度值。

S(x)定义为：

$S\left(x\right)=\left\{\begin{array}{c}1,x\&GreaterEqual;0\\ 0,x<0\end{array}\right.$

下图是不同(P，R)对对应的圆形对称点的集合：

(P＝4，R＝1.0)    (P＝8，R＝1.0)     (P＝12，R＝1.5)  (P＝16，R＝2.0)

由LBP_P，R ^riu算子计算每一个像素点的纹理，得到纹理直方图，提取和图像灰度直方图同样的8个特征，其中设n1＝5，n2＝20。

步骤(4)：把得到的16个特征组成一个样本向量，用训练好的分类器进行分类，给出筛查结果。

其中，上述步骤(4)中的训练好的分类器，其训练步骤如下：

(1)初始化训练集D，测试机D^U，迭代次数I；

(2)由D定义正样本集合D⁺与负样本集合D^-；

(3)对每个D⁺中的样本x，置x.label＝1，对每个D^-的样本x，置x.label＝|D^-|/|D⁺|；

(4)将D与D^U合并为D^A，置循环控制量i＝1和迭代次数II；

(5)对D^A进行一个bootstrap抽样得到的训练集D′，置循环控制量ii＝1；

(6)归一化D′中样本的权重使得所有样本的权重之和为1；

(7)根据权重从D′中bootstrap抽样出新的训练集D″，置FN′＝∞；

(8)使用D″训练J48分类器，并得到分类结果h；

(9)置假阳性量FP＝|{x∈D″|x.label＝0^h(x)＝1}|和假阴性量FN＝|{x∈D″|x.label＝1^h(x)＝0}|；

(10)如果FN为0或者FP为0或者FN/FP＜T，那么置分类结果h_ii＝h，并转(14)；

(11)否则，如果FN′＜FN，置迭代次数II＝ii-1，转(14)；

(12)否则对于D″中的任意阴性样本x，令x.label＝1；

(13)置分类结果h_ii＝h，FN′＝FN；

(14)置ε_ii为D′中所有假阴性样本的权重和；

(15)如果ε_ii＞0.5，转(19)；

(16)否则令β_ii＝ε_ii/(1-ε_ii)；

(17)对于每一个分错的正样本x更新权重x.wight＝x.weight*β_ii；

(18)令ii＝ii+1，如果ii≤II，转(6)；

(19)令 $h_i\left(x\right)=\underset{\mathrm{ii}=1}{\overset{\mathrm{II}}{\mathrm{\&Sigma;}}}{h}_{\mathrm{ii}}\left(x\right)\log (1/{\mathrm{\&beta;}}_{\mathrm{ii}});$

(20)令i＝i+1，如果i＜I，转(5)；

(21)样本x为正样本的概率 $h\left(x\right)=\frac{1}{I}\underset{i=1}{\overset{I}{\mathrm{\&Sigma;}}}{h}_i\left(x\right),$ 训练结束。

Claims (1)

1、一种基于决策树的数字乳腺图像自动筛查方法，其特征是该方法包括下列步骤：

(1)对当前数字乳腺图像进行高斯滤波，得到去除噪声的图像；

(2)根据除噪图像的灰度信息，提取8个灰度特征；

(3)计算图像中每一个像素点的纹理输出值，得到纹理直方图并提取8个纹理特征；

(4)把得到的16个特征组成一个样本向量，用训练好的分类器进行分类，给出筛查结果。

Images