CN104331864B - 基于非下采样轮廓波和视觉显著模型的乳腺影像处理 - Google Patents
基于非下采样轮廓波和视觉显著模型的乳腺影像处理 Download PDFInfo
- Publication number
- CN104331864B CN104331864B CN201410559392.5A CN201410559392A CN104331864B CN 104331864 B CN104331864 B CN 104331864B CN 201410559392 A CN201410559392 A CN 201410559392A CN 104331864 B CN104331864 B CN 104331864B
- Authority
- CN
- China
- Prior art keywords
- width
- entropy
- notable
- image
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于非下采样的轮廓波变换和视觉显著模型的乳腺影像处理方法,主要针对乳腺肿块的特点识别可疑的区域。整个系统包括:影像增强模块和影像识别模块。影像增强模块对原始影像采用非下采样轮廓波进行增强;影像识别模块,针对增强后的图像提取特征值并且生成特征图;再对特征图进行处理得到总显著图,得到候选的可疑肿块;最后对提取显著图特征及增强后的影像特征,运用机器学习方法滤除其假阳性肿块,得到最终较为精确的可疑区域。
Description
技术领域
本发明属于图像处理技术领域,涉及医学图像处理方法,可用于医学图像感兴趣区域的识别。
背景技术
近几十年来,医学影像已成为医学技术中发展最快的领域之一,其结果使临床医生对人体内部病变部位的观察更直接、更清晰,确诊率也更高。计算机辅助诊断(ComputerAided Diagnosis简称为CAD)技术被称为医生的“第二双睛”,研究如何通过图像处理技术对这些医学影像信息进行有效的处理,用于辅助医生的诊断甚至进行手术规划等,具有重大的社会效益和广泛的应用前景。医学图像处理技术作为计算机辅助诊断的关键发展至今,各学科的交叉已是发展的必然趋势,但其中还有很多问题亟待解决,特别是随着远程医疗的蓬勃发展,对医学图像处理与分析提出的要求也越来越高,所以进一步研究医学图像处理与分析具有十分重要的意义。
乳腺癌是女性中常见且高发的恶性肿瘤之一,严重影响了妇女的身心健康甚至危及生命。乳腺影像的增强和感兴趣区域的识别是乳腺癌自动监测系统的两个主要的步骤,其中,乳腺影像增强可以有效的突出影像中的病变区域的特征,同时抑制了图像中的噪声信息,提高图像的可读性,为医生提供了更可靠的诊断数据;而乳腺影像中肿块的识别是通过学习肿块的病理特征,更好的辅助医生来进行疾病诊断。一般的乳腺影像的可疑肿块区域的识别方法有简单的阈值法、基于滤波器的方法、预分割得到感兴趣区域后,提取感兴趣区域的特征后联合简单的分类器进行分类与识别,由于人与人之间个性化差异大,肿块的特性千差万别,不可能有完备的特征能够表示出肿块与正常区域的差异,所以分类器的性能再好也无法得到十分理想的结果。因此采用上述方法进行识别时一般得到的检出率较低,并且肿块的假阳性率较高。
发明内容
本发明的目的在于针对上述方法的缺陷,本发明提供了一种基于非下采样变换和视觉显著模型的乳腺影像处理系统,包括:
装置1,用于采用非下采样变换,对原始影像进行增强处理,得到增强后的影像I(x);
装置2,用于将增强后的图像I(x)分为2×2大小的像素块xi,对于图像中任一像素块xi所在的2×2大小区域提取均值E、方差V、幅值R、亮度变化率B 这四个特征值,分别得到四幅大小为原来的二分之一的特征图,即均值图E(x)、方差图V(x)、幅值图R(x)、亮度变化率图B(x);
对每一幅特征图,生成三层高斯金字塔模型,即以原特征图为金字塔的第一层,金字塔的第二层和金字塔的第三层为依次在上一层的基础上下采样得到的,大小为上一层图像的二分之一的金字塔模型;
装置3,用于对上述得到的十二幅特征图的每个像素点xi以其为中心取5×5 大小的窗口计算每个像素的熵值:
其中m代表5×5大小的窗口中各像素值的灰度级数,p为每个灰度级在该区域内出现的概率,以熵值代替每个像素点的值,得到十二幅熵值图,共四组,对应于同一幅特征图的三幅熵值图作为一组;
装置4,用于针对每组熵值图,取第一层熵值图为中央层,第二层熵值图和第三层熵值图为邻域层,采用中央邻域差分算子分别对第一层熵值图和第二层熵值图进行差分计算、对第一层熵值图和第三层熵值图进行差分计算,得到两幅不同尺度的特征图,即每个高斯金字塔模型得到两幅差分图;
经过视觉显著模型(Itti模型)的归一化算子N(·)归一化四个特征中每个特征的两幅差分子图;
采用立方插值将12幅特征图中的每幅特征图调整为同一尺度,线性融合每个特征的两幅差分子图,得到4幅显著图,最后将4幅显著图线性融合,得到最终的显著图;
装置5,用于显著图中的高亮区域即为突出后的目标区域,将目标区域对应到原图中,提取该目标区域的灰度特征、显著图特征以及纹理特征,再运用针对不平衡数据分类的支持向量机v-SVM对目标区域进行分类,滤除假阳性肿块,得到最终的可疑肿块部分。
其中,采用非下采样变换,对原始影像进行增强处理,包括:
1a).从原始乳腺影像中截取感兴趣区域,大小为256×256;
对该区域进行非下采样变换,得到低频子带系数矩阵C0和各尺度上的高频方向子带系数矩阵Cj,k,其中j表示尺度,k表示子带方向,对低频子带系数和高频子带系数进行归一化,归一化到[-1,1]范围;
1b).对1a)得到的各尺度上的高频方向子带系数矩阵Cj,k,估计各尺度各方向的噪声水平;由于噪声产生的高频系数通常与相邻尺度的高频系数相关性很小,可以通过收缩算子来进行降噪,该收缩算子是通过软阈值法对噪声产生的高频系数进行处理:
式中,Dj,k为去噪后的高频系数矩阵,阈值 sl=256×256是输入信号的长度,σj,k是指第j尺度,第k方向的噪声标准差,得到去噪后的各高频系数矩阵Dj,k;
1c).采用与去噪后的各高频系数矩阵Dj,k相应的增强算子进行增强:
式中,D′j,k为采用增强算子增强后的高频系数矩阵,阈值T2=C×max(Dj,k),其中0<C<1,γ取2;
1d).将采用增强因子增强后的高频系数进行重构,则得到增强后的图像 I(x)。
其中,所述的运用针对不平衡数据分类的支持向量机v-SVM对目标区域进行分类,滤除假阳性肿块,得到最终的可疑肿块部分包括:
5a).将步骤(4)得到的最终显著图高亮区域对应到增强后的影像I(x)中,得到可疑肿块在I(x)中的位置L(x)以及区域Q(x);为了滤除假阳性肿块,为可疑肿块提取灰度特征、显著图特征以及纹理三种特征;
5b).灰度特征fm选择可疑肿块在增强后的影像I(x)中区域Q(x)的灰度均值;
5c).显著图特征fs为对应的显著图中可疑肿块区域Q′(x)的平均灰度值和灰度变化幅值,其中所谓灰度变化幅值为可疑肿块在显著图中最大灰度值与最小灰度值之差;
5d).纹理特征ft为灰度共生矩阵的四维特征;遍历整个Q(x),对于Q(x)中每一个灰度值为xij的像素点(i,j),其中i=1,…N,j=1,…,M,N为区域行数,M为区域列数,统计与该像素点距离为δ,灰度值为xmn,其中m=1,…N,n=1,…,M的像素点(i+△i,j+△j)同时出现的概率P(xij,xmn,δ);
5e).在(5d)的基础上提取二次特征,即能量ft1、熵ft2、同质区ft3和非相似性ft4:
5f).由于假阳性肿块与肿块之间的比例数目存在严重的不平衡性,所以运用 v-SVM方法对可疑肿块进行滤除,输出结果。
其中,C取0.7。
本发明提高基于非下采样Coutourlet变换和视觉显著模型的乳腺影像处理方法,包括如下步骤:
输入大小为M×M乳腺影像,并对其进行3层非下采样Coutourlet变换,得到各个尺度上的高频方向子带系数和低频子带系数,并且分解系数和原图具有相同大小。
由于噪声产生的高频系数通常与相邻尺度的高频系数相关性很小,而由细节产生的高频系数却与相邻尺度上的高频系数相关性很大。针对这种相关性的关系,设计了基于频域相关性的信噪分离与增强函数。
由噪声产生的频域系数。通过收缩算子来进行降噪,该收缩算子通过软阈值法对频域系数进行处理:
式中阈值其中N是输入信号的长度,σ是指频域系数的标准差。
由细节信号产生的频域系数,采用非线性函数对于绝对值在阈值T1内的频域系数进行增强,这部分对应于图像的弱边缘;而在阈值T1和阈值T2之间的频域系数则采用线性函数进行增强,这部分的频域系数对应的是图像的强边缘;增强函数如下式:
式中,阈值T2=C×max(W),其中0<C<1。
将增强后的系数进行非下采样Coutourlet逆变换,得到增强后的图像I(x)。
将增强后的图像I(x)分为2×2大小的像素块xi,对于图像中任一像素xi所在的区域提取均值、方差、幅值和亮度变化率四个特征值,分别得到四幅大小为原来的二分之一的特征图,即均值图、方差图、幅值图、亮度变化率图。
对每一幅特征图,生成三层高斯金字塔模型,即以原特征图为第一层金字塔,第二层和第三层为依次在上一层的基础上下采样得到的,大小为上一层图像的二分之一的金字塔模型。
对上述得到的十二幅特征图的每个像素点xi以其为中心取5×5大小的窗口计算每个像素的熵值:
其中m代表区域内各像素的灰度级数,p为每个灰度级在区域内出现的概率。以熵值代替每个像素点的值,得到十二幅熵值图,即每组得到三幅熵值图。
采用中央邻域差分算子,针对每组熵值图,取第一层熵值图为中央层,第二层和第三层为邻域层。差分计算时得到1-2,1-3两幅不同尺度的特征图,即每个高斯金字塔得到两幅差分图。
经过Itti模型的归一化算子N(·)归一化每个特征的两幅差分子图。然后采用立方插值将每幅特征图调整为同一尺度,线性融合每个特征的两幅差分子图,得到4幅显著图,最后将4幅显著图线融合,得到最终的显著图。
可疑肿块对应到原图中,提取该区域的灰度特征,显著图特征以及纹理特征,再运用针对不平衡数据分类的支持向量机(v-SVM)对可疑肿块进行分类,滤除假阳性肿块,得到最终结果。
本发明与现有的技术相比具有以下特点:
1).本发明根据乳腺影像肿块具有对比度差、缺乏层次感,并且噪声较丰富这些特点,采用基于非下采样Coutourlet变换的增强方法,比一般的基于灰度值的增强方法更好的表征了肿块特性。
2).本发明与已有的基于视觉注意机制的方法相比,对输入的影像先进行基于非下采样Coutourlet变换的增强,使得到的显著图中感兴趣区域相对于背景区域对比度更高。
仿真实验结果表明,本发明能够较好的增强以及识别乳腺中可疑区域。
附图说明
图1是本发明步骤的总流程图;
图2是本发明方法的流程结果图;
图3是本发明的仿真结果图。
具体实施方式
参照图1,本发明的基于非下采样Coutourlet变换和视觉显著模型的乳腺影像处理方法,包括如下步骤:
步骤1.对乳腺影像进行非下采样Coutourlet变换增强,得到增强后的图像 I(x)。
(1).如图2(a)所示的是原始数据,从原图中截取的感兴趣区域,大小均为 256×256。对该区域进行非下采样Coutourlet变换,得到低频子带系数矩阵C0和各尺度上的高频方向子带系数矩阵Cj,k,其中j表示尺度,k表示子带方向;并对各子带系数进行归一化,归一化到[-1,1]范围;
(2).对(1)得到的各尺度上的高频方向子带系数矩阵Cj,k,估计各尺度各方向的噪声水平;由于噪声产生的高频系数通常与相邻尺度的高频系数相关性很小,可以通过收缩算子来对噪声产生的高频系数进行降噪,该收缩算子是通过软阈值法对噪声产生的高频系数进行处理:
式中阈值其中sl=256×256是输入信号的长度,σj,k是指第j尺度,第k方向的噪声标准差,得到去噪后的各高频系数矩阵D;
(3).采用去噪后的各高频系数矩阵D相应的增强算子进行增强:
式中D′为采用增强算子增强后的高频系数矩阵,|D|γ为将高频信号指数增强,阈值T2=C×max(D),其中0<C<1,γ取2;
(4).将采用增强因子增强后的高频系数进行重构,则得到增强后的图像 I(x),如图2(b)所示;
步骤2.对增强后的图像I(x)提取特征值并生成特征图。
(1).将增强后的图像I(x)以2×2大小的像素进行块划分,得到像素块 xi,i=1,…,N,即xi中包含四个像素点分别是xi1,xi2,xi3,xi4;
(2).对像素块xi,依次提取均值、方差、幅值和亮度变化率四个特征值:
均值:
方差:
幅值:R(xi)=max(hik)-min(hik);
亮度变化率:
其中hik为像素块xi中各像素点xik对应的像素值,k=1,2,3,4,Dim为像素块 xi中相邻像素的灰度值之差;
(3).分别用四个特征值组成对应的特征图,即均值特征图E0,方差图V0,幅值图R0和亮度变化率图B0这四个特征图,均为原图大小的二分之一;
(4).分别将所述的四个特征图的像素归一化到[0,1],得到归一化处理后的均值图E,方差图V,幅值图R和亮度变化率图B。
步骤3.对均值图E,方差图V,幅值图R和亮度变化率图B分别生成三层高斯金字塔模型。
(1).分别以均值图E,方差图V,幅值图R和亮度变化率图B作为高斯金字塔的第一层E(1)、V(1)、R(1)、B(1);
(2).分别对所述的E(1)、V(1)、R(1)、B(1)进行下2采样,用下2采样后得到的图像E(2)、V(2)、R(2)、B(2)作为高斯金字塔的第二层;
(3).分别对所述的E(2)、V(2)、R(2)、B(2)进行下2采样,用下2采样后得到的图像E(3)、V(3)、R(3)、B(3)作为高斯金字塔的第三层;即分别得到均值图E(u)、方差图V(u)、幅值图R(u)、亮度变化率图B(u)的三层高斯金字塔,u=1,2,3。
步骤4.计算特征图的信息熵。
(1).步骤3最终得到十二幅特征图F(u),F代表E、V、R,B u=1,2,3;对 F(u)的每个像素点xt取5×5,计算在5×5邻域内的熵值H(xt):
其中,T为该邻域内出现的灰度级数目,ptb为灰度级b在该邻域内出现的概率;
(2).用计算得到的熵值组成均值熵图E1(u)、方差熵图V1(u)、幅值熵图 R1(u)、亮度变化率熵图B1(u),u=1,2,3。
步骤5.均值熵图的中央邻域差分与归一化。
(1).将均值熵图的三层金字塔中的第二层E1(2)、方差熵图的三层金字塔中的第二层V1(2)、幅值熵图的三层金字塔中的第二层R1(2)、亮度变化率熵图的三层金字塔中的第二层B1(2)分别采用立方插值方法放大两倍,即放大后大小和第一层大小一样,得到的熵值图为E12(2)、V12(2)、R12(2)、B12(2);
(2).将均值熵图的三层金字塔中的第三层E1(3)、方差熵图的三层金字塔中的第三层V1(3)、幅值熵图的三层金字塔中的第三层R1(3)、亮度变化率熵图的三层金字塔中的第三层B1(3)分别采用立方插值方法放大四倍,即放大后和第一层大小一样,得到的熵值图为E13(3)、V13(3)、R13(3)、B13(3);
(3).分别用所述的熵值图金字塔中的第一层E1(1)、V1(1)、R1(1)、B1(1)和步骤(1)中得到的熵值图逐像素相减,得到四幅差分图:均值熵差分图E′(1)、方差熵差分图V′(1)、幅值熵差分图R′(1)、亮度变化率熵差分图B′(1);
(4).分别用所述的熵值图金字塔中的第一层E1(1)、V1(1)、R1(1)、B1(1)和步骤(2)中得到的熵值图逐像素相减,得到四幅差分图:均值熵差分图E′(2)、方差熵差分图V′(2)、幅值熵差分图R′(2)、亮度变化率熵差分图B′(2)。
(5).步骤(4)中得到四组差分图,每组有两幅子差分图,用X′(v)表示四组差分图E′,V′,R′,B′,其中v=1,2,将X′(v)的像素值归一化到[0,W],W是最大像素值,本实验中取值为10;
(6).找出X′(v)所有像素值中的最大值W,并计算出除了W外所有局部最大值的均值w;
(7).将X′(v)的所有像素值乘以(W-w)2,得到标准化处理后的特征差分图 X″(v),X代表E、V、R、B,其中v=1,2,即获得四组熵差分图:E″(v)、V″(v)、 R″(v)、B″(v),v=1,2。
步骤6.不同金字塔层间的组合与归一化。
(1).将步骤5最终得到的两幅差分子图X″(1)和X″(2)线性融合为一副显著特征图:
即得到的四幅对应的显著特征图:均值显著图E、方差显著图V、幅值显著图R、亮度变化率显著图
(2).将得到的四幅显著图线性融合为一副显著图S,即最终得到的显著图:
步骤7.提取假阳性肿块的特征
(1).将步骤6最终的高亮区域对应到增强后的影像I(x)中,可得到可疑肿块的所在的位置L(x)以及区域Q(x);所以,为了滤除假阳性肿块,本发明为可疑肿块提取灰度特征、显著图特征以及纹理三种特征;
(2).灰度特征fm选择可疑肿块在增强后影像I(x)中区域Q(x)的灰度均值;
(3).显著图特征fs为对应的显著图中可疑肿块区域Q′(x)的平均灰度值和灰度变化幅值,其中所谓灰度幅值即为可疑肿块在显著图中最大灰度值与最小灰度值之差;
(4).纹理特征ft为灰度共生矩阵的四维特征;遍历整个Q(x),对于Q(x)中每一个灰度值为xij的像素点(i,j),其中i=1,…N,j=1,…,M,N和M分别为区域的行数和列数,统计与该像素点距离为δ,灰度值为 xmn,其中m=1,…N,n=1,…,M的像素点(i+△i,j+△j)同时出现的概率 P(xij,xmn,δ);
(5).在(4)的基础上提取二次特征,即能量ft1、熵ft2、同质区ft3和非相似性 ft4:
(6).以上五步得到可疑区域的七维特征。
步骤8.运用机器学习方法对可疑肿块进行滤除
(1).由于假阳性肿块与肿块之间的比例数目存在严重的不平衡性,所以本发明中运用v-SVM方法对可疑肿块进行滤除,输出结果。
(2).v-SVM中以参数v,v∈(0,1)代替传统支持向量机中的参数C,给不同类别之间分配不同的惩罚因子,来平衡类别的数目比例,其中核函数选择高斯径向基核函数。
实验仿真结果:
1.实验条件
本发明的仿真在软件平台为MatlabR2013b运行,仿真选用的乳腺影像来源于公共数据集DDSM,共获取195幅发生癌变的乳腺影像,一共包含195个肿块。
2.仿真内容及结果
(1).在获取影像的同时,获得的影像信息还包含有:乳房组织类型、病理异常位置与区域、异常的大小、乳腺的位置、肿瘤的类型等结构性质信息。
(2).采用58幅作为训练样本,得到的显著模型有58个肿块显示出来,同时附带有306个假阳性肿块,即每幅图像平均5.27个假阳性肿块,然后对可疑肿块提取特征值,输入v-SVM分类器进行假阳性滤除。
(3).用另外的97幅图像作为测试数据集,得到的显著图中肿块均显示出来,并附带有580个假阳性肿块,即每幅图平均5.97个假阳性肿块。
(4).实验中参数v取值为0.18,核参数取值为2.67。检测结果如表1所示:
灵敏度 | 假阳性率 | |
训练集 | 91.33% | 3.18 |
测试集 | 90.72% | 3.65 |
表1中假阳性率为平均每幅影像包含的假阳性肿块个数。
本实验对选取的3幅乳腺影像的仿真结果如图3,其中图3中(a)、(b)、(c) 为专家标注了肿块位置的乳腺影像,(d)、(e)、(f)为用本发明的结果。从图3 可见,对3幅发生癌变的乳腺影像本发明都正确识别到了肿块的位置。
以上结果表明:本发明能够有效地对乳腺影像特点进行可疑肿块的识别,是一种能有效识别可疑区域的处理方法。
Claims (4)
1.一种基于非下采样变换和视觉显著模型的乳腺影像处理系统,包括如下装置:
装置1,用于采用非下采样变换,对原始影像进行增强处理,得到增强后的影像I(x);
装置2,用于将增强后的图像I(x)分为2×2大小的像素块xi,对于图像中任一像素块xi所在的2×2大小区域提取均值E、方差V、幅值R、亮度变化率B这四个特征值,分别得到四幅大小为原来的二分之一的特征图,即均值图E(x)、方差图V(x)、幅值图R(x)、亮度变化率图B(x);
对每一幅特征图,生成三层高斯金字塔模型,即以原特征图为金字塔的第一层,金字塔的第二层和金字塔的第三层为依次在上一层的基础上下采样得到的,大小为上一层图像的二分之一的金字塔模型;
装置3,用于对上述得到的十二幅特征图的每个像素点xi以其为中心取5×5大小的窗口计算每个像素的熵值:
其中m代表5×5大小的窗口中各像素值的灰度级数,p为每个灰度级在该区域内出现的概率,以熵值代替每个像素点的值,得到十二幅熵值图,共四组,对应于同一幅特征图的三幅熵值图作为一组;
装置4,用于针对每组熵值图,取第一层熵值图为中央层,第二层熵值图和第三层熵值图为邻域层,采用中央邻域差分算子分别对第一层熵值图和第二层熵值图进行差分计算、对第一层熵值图和第三层熵值图进行差分计算,得到两幅不同尺度的特征图,即每个高斯金字塔模型得到两幅差分图;
经过视觉显著模型的归一化算子N(·)归一化四个特征中每个特征的两幅差分子图;
采用立方插值将12幅特征图中的每幅特征图调整为同一尺度,线性融合每个特征的两幅差分子图,得到4幅显著图,最后将4幅显著图线性融合,得到最终的显著图;
装置5,用于显著图中的高亮区域即为突出后的目标区域,将目标区域对应到原图中,提取该目标区域的灰度特征、显著图特征以及纹理特征,再运用针对不平衡数据分类的支持向量机v-SVM对目标区域进行分类,滤除假阳性肿块,得到最终的可疑肿块部分。
2.根据权利要求1所述的系统,其中,采用非下采样变换,对原始影像进行增强处理,包括:
1a).从原始乳腺影像中截取感兴趣区域,大小为256×256;
对该区域进行非下采样变换,得到低频子带系数矩阵C0和各尺度上的高频方向子带系数矩阵Cj,k,其中j表示尺度,k表示子带方向,对低频子带系数和高频子带系数进行归一化,归一化到[-1,1]范围;
1b).对1a)得到的各尺度上的高频方向子带系数矩阵Cj,k,估计各尺度各方向的噪声水平;由于噪声产生的高频系数通常与相邻尺度的高频系数相关性很小,可以通过收缩算子来进行降噪,该收缩算子是通过软阈值法对噪声产生的高频系数进行处理:
式中,Dj,k为去噪后的高频系数矩阵,阈值sl=256×256是输入信号的长度,σj,k是指第j尺度,第k方向的噪声标准差,得到去噪后的各高频系数矩阵Dj,k;
1c).采用与去噪后的各高频系数矩阵Dj,k相应的增强算子进行增强:
式中,D′j,k为采用增强算子增强后的高频系数矩阵,阈值T2=C×max(Dj,k),其中0<C<1,γ取2;
1d).将采用增强因子增强后的高频系数进行重构,则得到增强后的图像I(x)。
3.根据权利要求1所述的系统,其中,所述的运用针对不平衡数据分类的支持向量机v-SVM对目标区域进行分类,滤除假阳性肿块,得到最终的可疑肿块部分包括:
5a).将步骤(4)得到的最终显著图高亮区域对应到增强后的影像I(x)中,得到可疑肿块在I(x)中的位置L(x)以及区域Q(x);为了滤除假阳性肿块,为可疑肿块提取灰度特征、显著图特征以及纹理三种特征;
5b).灰度特征fm选择可疑肿块在增强后的影像I(x)中区域Q(x)的灰度均值;
5c).显著图特征fs为对应的显著图中可疑肿块区域Q′(x)的平均灰度值和灰度变化幅值,其中所谓灰度变化幅值为可疑肿块在显著图中最大灰度值与最小灰度值之差;
5d).纹理特征ft为灰度共生矩阵的四维特征;遍历整个Q(x),对于Q(x)中每一个灰度值为xij的像素点(i,j),其中i=1,…N,j=1,…,M,N为区域行数,M为区域列数,统计与该像素点距离为δ,灰度值为xmn,其中m=1,…N,n=1,……,M的像素点(i+△i,j+△j)同时出现的概率P(xij,xmn,δ);
5e).在(5d)的基础上提取二次特征,即能量ft1、熵ft2、同质区ft3和非相似性ft4:
5f).由于假阳性肿块与肿块之间的比例数目存在严重的不平衡性,所以运用v-SVM方法对可疑肿块进行滤除,输出结果。
4.根据权利要求2所述的系统,其中,C取0.7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410559392.5A CN104331864B (zh) | 2014-10-21 | 2014-10-21 | 基于非下采样轮廓波和视觉显著模型的乳腺影像处理 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410559392.5A CN104331864B (zh) | 2014-10-21 | 2014-10-21 | 基于非下采样轮廓波和视觉显著模型的乳腺影像处理 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104331864A CN104331864A (zh) | 2015-02-04 |
CN104331864B true CN104331864B (zh) | 2018-11-23 |
Family
ID=52406585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410559392.5A Active CN104331864B (zh) | 2014-10-21 | 2014-10-21 | 基于非下采样轮廓波和视觉显著模型的乳腺影像处理 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104331864B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718753B (zh) * | 2016-03-02 | 2018-11-13 | 中国人民解放军装备学院 | 一种装备试验电磁环境的矩阵描述与逼真性评估方法 |
CN108968991B (zh) * | 2018-05-08 | 2022-10-11 | 平安科技(深圳)有限公司 | 手骨x光片骨龄评估方法、装置、计算机设备和存储介质 |
CN108960313B (zh) * | 2018-06-26 | 2021-07-02 | 南京工程学院 | 基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法 |
CN112765095B (zh) * | 2020-12-24 | 2022-08-23 | 山东省国土测绘院 | 一种立体测绘卫星影像数据归档方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247052A (zh) * | 2013-05-16 | 2013-08-14 | 东北林业大学 | 非下采样Contourlet变换局部区域特征的图像分割算法 |
CN103544707A (zh) * | 2013-10-31 | 2014-01-29 | 王浩然 | 基于轮廓波变换的光学遥感图像变化检测方法 |
CN103985105A (zh) * | 2014-02-20 | 2014-08-13 | 江南大学 | 基于统计建模的Contourlet域多模态医学图像融合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI263945B (en) * | 2003-12-05 | 2006-10-11 | Ind Tech Res Inst | Image processing apparatus for image enhancement and halftone processing |
-
2014
- 2014-10-21 CN CN201410559392.5A patent/CN104331864B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247052A (zh) * | 2013-05-16 | 2013-08-14 | 东北林业大学 | 非下采样Contourlet变换局部区域特征的图像分割算法 |
CN103544707A (zh) * | 2013-10-31 | 2014-01-29 | 王浩然 | 基于轮廓波变换的光学遥感图像变化检测方法 |
CN103985105A (zh) * | 2014-02-20 | 2014-08-13 | 江南大学 | 基于统计建模的Contourlet域多模态医学图像融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104331864A (zh) | 2015-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shen et al. | An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization | |
Schlegl et al. | f-AnoGAN: Fast unsupervised anomaly detection with generative adversarial networks | |
Jadoon et al. | Three-class mammogram classification based on descriptive CNN features | |
Wang et al. | Breast tumor detection in digital mammography based on extreme learning machine | |
CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
US20170169276A1 (en) | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images | |
Khan et al. | Recent automatic segmentation algorithms of MRI prostate regions: a review | |
Hussein et al. | Fully‐automatic identification of gynaecological abnormality using a new adaptive frequency filter and histogram of oriented gradients (HOG) | |
Lee et al. | Is intensity inhomogeneity correction useful for classification of breast cancer in sonograms using deep neural network? | |
CN104331864B (zh) | 基于非下采样轮廓波和视觉显著模型的乳腺影像处理 | |
CN104182755A (zh) | 基于塔形pca的乳腺钼靶x线图像块特征提取方法 | |
CN104751160B (zh) | 基于稀疏自动编码深度网络的乳腺图像处理方法 | |
Das et al. | A fast and automated segmentation method for detection of masses using folded kernel based fuzzy c-means clustering algorithm | |
Singh et al. | An efficient hybrid methodology for an early detection of breast cancer in digital mammograms | |
Jaleel et al. | Textural features based computer aided diagnostic system for mammogram mass classification | |
Teuwen et al. | Soft tissue lesion detection in mammography using deep neural networks for object detection | |
Kabir | Early stage brain tumor detection on MRI image using a hybrid technique | |
Gallardo-Caballero et al. | Independent component analysis to detect clustered microcalcification breast cancers | |
CN111325282B (zh) | 适应多机型的乳腺x射线影像识别方法和装置 | |
Salim | An improved invasive weed optimization enabled Shepard convolutional neural network for classification of breast cancer | |
CN110136112A (zh) | 一种基于乳腺x线摄影钙化计算机辅助检测算法 | |
Chen et al. | A new classification method in ultrasound images of benign and malignant thyroid nodules based on transfer learning and deep convolutional neural network | |
Shimanto et al. | Brain tumor detection and classification by SVM algorithm and performance analysis through CNN approach | |
Xu et al. | Segmentation of breast lesions in ultrasound images using spatial fuzzy clustering and structure tensors | |
Ding et al. | A novel wavelet-transform-based convolution classification network for cervical lymph node metastasis of papillary thyroid carcinoma in ultrasound images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |