CN104715259A - X光乳腺图像的核自适应优化分类方法 - Google Patents

Abstract

本发明提出一种基于核自优化Fisher判别的X光乳腺组织图像分类方法，该方法包括图像预处理和分类两个关键步骤。首先预处理过程包括乳腺背景、标签以及肌肉组织的去除，然后用提出的核自优化Fisher判别分类器进行乳腺组织分类。该分类器包括四个阶段框架，第一步：标签去除，第二步：胸肌去除，利用形态滤波和CCL算法去除胸肌部分。第三步：特征提取，计算无背景、标签和胸肌的像素的统计特征，包括平均值、标准差、平滑度、平均直方图、均匀度、峰度，组成统计特征向量。第四步：分类，采用增强核Fisher判别，即核自优化Fisher判别进行分类输入图像的统计特征。该分类器在公开的X光乳腺图像数据库进行了算法性能测试，本发明分类方法可有效进行X光乳腺图像分类。

Description

X光乳腺图像的核自适应优化分类方法

技术领域

本发明涉及图像处理技术领域，更具体地说，涉及一种基于核自优化Fisher判别的X光乳腺组织图像分类器方法。

背景技术

乳腺癌作为多发病严重影响人类健康和生命，早期的诊断对于提高乳腺癌治愈率有重要意义。研究学者提出了数字乳房X射线图像检查乳腺癌的各种方法，广泛用于计算机辅助乳腺癌分析系统，包括基于直方图特征的乳房组织分类，支持向量机结合多分辨率直方图特征对乳房密度进行分类，形态学和纹理特征提取相结合的乳房组织密度分类。此外，在过去研究工作中，研究学者提出信息基因选择不同的方式为基础的癌症分类。基于核的非线性分类器技术已经吸引了模式识别和学习等领域的广泛关注。有些算法使用核技巧是近几年发展，如支持向量机(SVM)，核成分分析(KPCA)和核Fisher分类器(KFD)。KFD分类器已在很多应用领域中得到应用，为了在一定程度上克服核分类器的核函数及其参数的选择问题，从离散参数值选择合适的核参数，该方法不会改变核映射空间数据的几何结构。

发明内容

本发明的目的旨在提出一种X光乳腺图像核自适应优化分类方法，基于核自优化Fisher判别(KSFD)对乳腺组织分类，KSFD适应于输入数据变化而引起的特征空间几何结构的变化。

本发明的上述目的，其实现的技术解决方案是：X光乳腺图像的核自适应优化分类方法，其特征在于包括：

步骤Ⅰ：输入乳房X光检查的原始图像，创建原始图像的强度直方图，对反映背景、乳腺癌、标签和胸肌像素统计分布的图像灰度直方图采用基于阀值的分割算法与连通区域标记法提取乳房组织的标签，并去除标签图像；

步骤Ⅱ：对去除标签的乳房X光图像先采用中值滤波法去除噪声，而后采用二值化图像直方图分割、形态学膨胀和8像素的连通区域标记法提取胸肌部分，并去除胸肌图像；

步骤Ⅲ：对去除标签和胸肌的乳房X光图像运用统计方法分别计算包括图像的像素平均值、标准差、平滑度、图像的像素左右不对称的平均值、平均直方图、均匀度、峰度的统计量，并组成统计特征向量，且统计特征向量维度为33；

步骤Ⅳ：将统计特征向量输入核自由化Fisher分类器，设定基础核及相关参数，求解数据依赖核最佳参数，并基于最优化核求解最优映射子空间的映射矩阵，通过参照已有图像组成的数据库进行比对，最后输出图像的分类结果。

进一步地，步骤Ⅱ中去除噪声后，先采用二值化图像直方图分割，再进行而之花图像形态学膨胀，而后执行8像素的连通区域标记法提取胸肌部分。

应用本发明基于KSFD分类器的乳腺组织分类方法切实可行，且较之于其它同类方法所具有的显著优点是：它通过对乳房X光检查的原始图像进行去除标签、胸肌、降噪的预处理，而后利用统计特征提取技术对图像进行特征向量提取，再利用KSFD分类器分类，经数据库比对输出分类结果，经实验验证具备更高的识别正确率。

附图说明

图1是本发明分类方法实施例的总体流程图。

图2是本发明分类方法中图像标签像素去除的流程图。

图3是本发明分类方法中图像胸肌像素去除的流程图。

图4是本发明分类方法中统计特征向量提取的流程图。

图5是本发明分类方法的分类流程图。

图6是本发明分类方法的实验系统框架示意图。

图7a-7h是乳腺X射线图像预处理实验结果照片。

具体实施方式

以下便结合实施例附图，对本发明技术方案作进一步的详细说明，以使本发明创新性、实用性更易于理解。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例提供一种基于X光乳腺图像核自适应优化分类方法，如图1所示，该分类方法主要包括图像预处理和分类两部分。预处理消除背景、标签以及肌肉组织的预处理技术；在分类上，采用提出的KSFD分类器进行乳腺组织分类。

如图2至图5所示，是本发明分类方法的各主要步骤的详细流程图。从图示可见，该X光乳腺图像核自适应分类方法的具体算法流程。

步骤Ⅰ：输入乳房X光检查的原始图像，创建原始图像的强度直方图，对反映背景、乳腺癌、标签和胸肌像素统计分布的图像灰度直方图采用基于阀值的分割算法与连通区域标记法提取乳房组织的标签，并去除标签图像。

如图2所示，该预处理步骤输入为原始乳房X光检查图像，输出为去除标签的乳房X光图像。细化步骤为：S11、创建原始图像的强度直方图；S12、基于二值化图像阈值的图像分割；S13、实现连通区域标记(CCL)算法；S14、输出去除标签图像。

步骤Ⅱ：对去除标签的乳房X光图像先采用中值滤波法去除噪声，而后采用二值化图像直方图分割、形态学膨胀和8像素的连通区域标记法提取胸肌部分，并去除胸肌图像。

如图3所示，该去除胸肌图像的步骤输入为去除标签的乳房X光图像，输出为去除标签和胸肌的乳房X光图像。细化步骤为：S21、采用中值滤波去除噪声；S22、二值化图像直方图分割；S23、二值化图像形态学膨胀；S24、执行8像素的CCL算法；S25、去除图像的胸肌部分并输出图像。

步骤Ⅲ：对去除标签和胸肌的乳房X光图像运用统计方法分别计算包括图像的像素平均值、标准差、平滑度、图像的像素左右不对称的平均值、平均直方图、均匀度、峰度的统计量，并组成统计特征向量，且统计特征向量维度为33。

如图4所示，该统计特征提取步骤输入为已去除标签和胸肌的乳房X光图像，输出为统计特征向量。细化步骤为：S31、输入已去除标签和胸肌的乳房X光直方图；S32、分别计算图像的各个统计量；S33、组成统计特征向量，将其作为乳房X光图像的特征；S34、输出统计特征向量。

步骤Ⅳ：将统计特征向量输入核自由化Fisher分类器，设定基础核及相关参数，求解数据依赖核最佳参数，并基于最优化核求解最优映射子空间的映射矩阵，通过参照已有图像组成的数据库进行比对，最后输出图像的分类结果。

上述核自优化Fisher判别进行分类，该分类器采用核自适应学习获得最优投影子空间，该空间内样本数据具有最大的类区分能力。它的输入为一个n维向量的训练统计特征进行预处理数字乳房X光图像，其输出为分类结果。细化步骤为：S41、设定基础核及相关参数；S42、求解数据依赖核最佳参数；S43、基于最优化核求解最优映射子空间的映射矩阵；S44、对测试样本进行分类，输出分类结果。

步骤Ⅳ更具体的计算方法和相关参数介绍如下，它主要包含三个子步骤，分别为：

步骤4.1、设定基础核k(x,y)及其参数δ 

$\hat{k}(x,y)=f\left(x\right)f\left(y\right)k(x,y)---\left(1\right)$

其中k(x,y)为基本核函数，为数据依赖核函数，为在基本核函数乘上系数f(x)f(y)的改进核函数，f(x)和f(y)为相同函数，定义如下

$f\left(x\right)=b_0+\underset{n=1}{\overset{N_{\mathrm{XV}}}{\mathrm{\Σ}}}{b}_n{e}^{-\mathrm{\δ}{\left|\right|x-{\tilde{x}}_n\left|\right|}^2}---\left(2\right)$

其中，N_XV为训练样本的个数，为调整数据依赖核函数的系数，为训练样本，δ为常值，令α为待求解的数据依赖核参数向量；在进行样本训练过程中，给定了训练样本集，则N_XV和均为已知量，δ为人为设定的值，例如，δ＝0.05，基本核函数k(x,y)也是提前设定的，例如，k(x,y)＝(1+xy)²。因此，针对式(1) 定义的数据依赖核函数不同的数据依赖核参数向量α可以得到不同的核函数结构。

步骤4.2、循环迭代算法求解最优最优解α

采用如下公式计算

${\mathrm{\α}}^{(n+1)}={\mathrm{\α}}^{\left(n\right)}+\mathrm{\ϵ}(\frac{1}{J_2\left({\mathrm{\α}}^{\left(n\right)}\right)}{E}^T\mathrm{BE}-\frac{J_{\mathrm{Fisher}}}{J_2\left({\mathrm{\α}}^{\left(n\right)}\right)}{E}^T\mathrm{WE}){\mathrm{\α}}^{\left(n\right)}---\left(3\right)$

式(3)的基本定义如下：

(1)ε定义为学习率，其表达式如下

$\mathrm{\ϵ}\left(n\right)={\mathrm{\ϵ}}_0(1-\frac{n}{N})$

其中ε₀为初始学习率，n和N分别为目前的循环数及事先确定的循环总数

(2)矩阵B为

$B=\mathrm{diag}(\frac{1}{n_1}{K}_{11},\frac{1}{n_2}{K}_{22},...,\frac{1}{n_L}{K}_{\mathrm{LL}})-\frac{1}{n}K$

(3)矩阵W为

$W=\mathrm{diag}(K_{11},K_{22},...,K_{\mathrm{nn}})-\mathrm{diag}(\frac{1}{n_1}{K}_{11},\frac{1}{n_2}{K}_{22},...,\frac{1}{n_L}{K}_{\mathrm{LL}})$

(4)矩阵E为

(5)J_Fisher等于矩阵(E^TWE)^-1(E^TBE)的最大特征值

(6)D＝diag(f(x₁),f(x₂),...,f(x_n))

(7)J₂(α)＝α^TE^TWEα

步骤4.3、求解最优映射子空间的映射矩阵A_opt

在求解数据依赖核最佳参数后，采用步骤4.1的数据依赖核函数 计算构造核矩阵K后，求解满足如下准则的优化方程：

$A_{\mathrm{opt}}=\underset{A}{\arg \max }\frac{\left|A^T\mathrm{KGKA}\right|}{\left|A^T\mathrm{KKA}\right|}---\left(4\right)$

其中G＝diag(G₁,G₂,...,G_L)，G_i为元素的n_i×n_i矩阵，其中n_i为第i类的训练样本的数目，其中i＝0,1,2,...,L，L为训练样本的类别数目。

具体细化步骤如下：步骤4.3.1.在求解数据依赖核最佳参数后，采用步骤4.1的数据依赖核函数计算构造核矩阵K

步骤4.3.2，计算元素的n_i×n_i矩阵G_i，然后计算矩阵G＝diag(G₁,G₂,...,G_L)，其中n_i为第i类的训练样本的数目，其中i＝0,1,2,...,L，L为训练样本的类别数目。

步骤4.3.3：计算矩阵(A^TKGKA)(A^TKKA)^-1，并求解该矩阵的特征向量，[α₁,α₂,...,α_d]，其中，L为训练样本的类别数目，d为降维的维度，0<d<L-1，d可以取0到L-1之间的任何整数值。

仿真实验在公开的mini-MIAS数据库上进行，在Matlab平台上评估算法可行性及性能。数据库中X光片已被数字化，且图像的物理分辨率为50μm×50μm，图像数据为8位，原始图像为1024×1024像素的大小。其实验系统基本框架如图6所示，实验分两组进行，第一组实验评估标签与胸肌去除算法性能，对每一步算法进行逐一验证分析。第二组实验评价乳腺组织分类性能。

第一组的实验进行图像预处理部分算法的性能评估，包括标签和肌肉去除。采用数据库中的任意一副图像，以标号为mdb004.pgm的图像为例，实验过程结果如图7a-7h所示。图7a是ID为mdb004的原始图像，图7b为直方图阈值图像分割的实验结果，图7c给出了去除标签后的二值化图像，图7d为无标签的灰度图像。在去除标签后，执行胸肌去除算法。图7e是图像中值滤波后结果，该步骤主要是去除图像存在的噪声。图7f显示了为基于直方图和形态学膨胀分割的二值化图像，图7g为8像素CCL算法后的结果，该部分主要是确定图像中胸肌的位置和范围，图7h为去除标签、胸肌后的乳腺图像。经过上述处理，原始的 X光图像所包含的噪声、物理标签、胸肌部分都被移除，在此之后进行统计特征的提取更为合理。

第二组实验评估算法分类性能。为了结合实际应用，搭建了如图3所示的实验系统。由于本实验利用现成的数据库，因此本文实验中不包含图像采集部分。为了客观比较本文提出的基于KSFD算法的乳腺组织分类性能，本文同时运行了其它乳腺组织分类算法，包括基于神经网络算法的乳腺组织分类算法^[11]，基于多分辨率直方图特征的支持向量机分类^[12]，基于形态和结构特征的KNN分类^[13]。同时，为了评价KSFD分类器与传统的KFD分类器，在同等条件下对两个算法进行了比较。实验结果如下表

采用分类器	特征	识别分辨率
			KSFD	统计特征[129]	94.46％
KFD	统计特征[129]	93.33％
			kNN	统计特征[129]	92.17％
Neural classifier[11]	直方图特征	75.31％
			SVM[12]	多分辨直方图特征	79.76％
kNN[13]	形态纹理特征	91.58％

所示。

实验结果表明，本发明提出的基于KSFD分类器的乳腺组织分类方法是可行的，与其它同类方法相比具有更高的识别正确率。在实际应用中，本算法可作为软件模块在实际的计算机医疗辅助分析系统中，以图6所示的系统框架为基础的实验系统中，首先系统通过图像采集设备对病人的胸部进行图像采集，然后利用本文提出的图像预处理软件模块进行降噪、物理标签与胸肌的去除预处理，然后利用统计特征提取技术对图像进行特征提取，最后将这些特征在KSFD分类器中进行分类，通过已经采集的图像组成的数据库的比对结果，输出分类结果，该更高识别正确率的分类结果给分析医生提供参考。

除上述实施例外，本发明还可以有其它实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明所要求保护的范围之内。

Claims (3)

1.X光乳腺图像的核自适应优化分类方法，其特征在于包括：

步骤Ⅰ：输入乳房X光检查的原始图像，创建原始图像的强度直方图，对反映背景、乳腺癌、标签和胸肌像素统计分布的图像灰度直方图采用基于阀值的分割算法与连通区域标记法提取乳房组织的标签，并去除标签图像；

步骤Ⅱ：对去除标签的乳房X光图像先采用中值滤波法去除噪声，而后采用二值化图像直方图分割、形态学膨胀和8像素的连通区域标记法提取胸肌部分，并去除胸肌图像；

步骤Ⅲ：对去除标签和胸肌的乳房X光图像运用统计方法分别计算包括图像的像素平均值、标准差、平滑度、图像的像素左右不对称的平均值、平均直方图、均匀度、峰度的统计量，并组成统计特征向量，且统计特征向量维度为33；

步骤Ⅳ：将统计特征向量输入核自由化Fisher分类器，设定基础核及相关参数，求解数据依赖核最佳参数，并基于最优化核求解最优映射子空间的映射矩阵，通过参照已有图像组成的数据库进行比对，最后输出图像的分类结果。

2.根据权利要求1所述X光乳腺图像的核自适应优化分类方法，其特征在于：步骤Ⅳ包含三个子步骤，分别为：

步骤4.1、设定基础核k(x,y)及其参数δ

$\hat{k}(x,y)=f\left(x\right)f\left(y\right)k(x,y)---\left(1\right)$

其中k(x,y)为基本核函数，为数据依赖核函数，为在基本核函数乘上系数f(x)f(y)的改进核函数，f(x)和f(y)为相同函数，定义如下

$f\left(x\right)=b_0+\underset{n=1}{\overset{N_{\mathrm{XV}}}{\mathrm{\&Sigma;}}}{b}_n{e}^{-\mathrm{\&delta;}{\left|\right|x-{\tilde{x}}_n\left|\right|}^2}---\left(2\right)$

其中，N_XV为训练样本的个数，为调整数据依赖核函数的系数，为训练样本，δ为常值，令α为待求解的数据依赖核参数向量；

步骤4.2、循环迭代算法求解最优最优解α

采用如下公式计算

${\mathrm{\&alpha;}}^{(n+1)}={\mathrm{\&alpha;}}^{\left(n\right)}+\mathrm{\&epsiv;}(\frac{1}{J_2\left({\mathrm{\&alpha;}}^{\left(n\right)}\right)}{E}^T\mathrm{BE}-\frac{J_{\mathrm{Fisher}}}{J_2\left({\mathrm{\&alpha;}}^{\left(n\right)}\right)}{E}^T\mathrm{WE}){\mathrm{\&alpha;}}^{\left(n\right)}---\left(3\right)$

式(3)的基本定义如下：

(1)ε定义为学习率，其表达式如下

$\mathrm{\&epsiv;}\left(n\right)={\mathrm{\&epsiv;}}_0(1-\frac{n}{N})$

其中ε₀为初始学习率，n和N分别为目前的循环数及事先确定的循环总数

(2)矩阵B为

$B=\mathrm{diag}(\frac{1}{n_1}{K}_{11},\frac{1}{n_2}{K}_{22},...,\frac{1}{n_L}{K}_{\mathrm{LL}})-\frac{1}{n}K$

(3)矩阵W为

$W=\mathrm{diag}(k_{11},k_{22},...,k_{\mathrm{nn}})-\mathrm{diag}(\frac{1}{n_1}{K}_{11},\frac{1}{n_2}{K}_{22},...,\frac{1}{n_L}{K}_{\mathrm{LL}})$

(4)矩阵E为

(5)J_Fisher等于矩阵(E^TWE)^-1(E^TBE)的最大特征值

(6)D＝diag(f(x₁),f(x₂),...,f(x_n))

(7)J₂(α)＝α^TE^TWEα

步骤4.3、求解最优映射子空间的映射矩阵A_opt

在求解数据依赖核最佳参数后，采用步骤4.1的数据依赖核函数计算构造核矩阵K后，求解满足如下准则的优化方程：

$A_{\mathrm{opt}}=\underset{A}{\mathrm{atg}\max }\frac{\left|A^T\mathrm{KGKA}\right|}{\left|A^T\mathrm{KKA}\right|}---\left(4\right)$

其中G＝diag(G₁,G₂,...,G_L)，G_i为元素的n_i×n_i矩阵，其中n_i为第i类的训练样本的数目，其中i＝0,1,2,...,L，L为训练样本的类别数目。

3.根据权利要求1所述X光乳腺图像的核自适应优化分类方法，其特征在于：步骤Ⅱ中去除噪声后，先采用二值化图像直方图分割，再进行而之花图像形态学膨胀，而后执行8像素的连通区域标记法提取胸肌部分。