CN104794426A - 基于cad系统提高前列腺肿瘤mri图像识别率的方法 - Google Patents
基于cad系统提高前列腺肿瘤mri图像识别率的方法 Download PDFInfo
- Publication number
- CN104794426A CN104794426A CN201510015896.5A CN201510015896A CN104794426A CN 104794426 A CN104794426 A CN 104794426A CN 201510015896 A CN201510015896 A CN 201510015896A CN 104794426 A CN104794426 A CN 104794426A
- Authority
- CN
- China
- Prior art keywords
- prostate
- algorithm
- tumor
- mri image
- feature
- 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.)
- Pending
Links
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明属于前列腺疾病医疗器械领域,具体是一种基于CAD系统提高前列腺肿瘤MRI图像识别率的方法。该方法包括以下步骤:(1)采集前列腺患者的MRI图像;(2)提取MRI前列腺肿瘤ROI区域特征;(3)对ROI区域特征进行特征级融合;(4)利用神经网络作为分类器对融合后的特征进行分类识别。该方法使识别前列腺良、恶性肿瘤的能力至少提高10%以上,对MRI前列腺肿瘤的CAD具有积极的意义。
Description
技术领域
本发明属于前列腺疾病医疗器械领域,具体是基于CAD系统提高前列腺肿瘤MRI图像识别率的方法。
背景技术
前列腺肿瘤主要包括前列腺癌与前列腺增生,两者都发生于前列腺,其中前列腺癌是一种常见的恶性肿瘤。一般情况下,前列腺增生是不会转变为前列腺癌的,前列腺癌通常是由直肠指检(Digital rectal examination,DRE)异常及血清前列腺特异性抗原(Prostate-specific antigen,PSA)升高而被临床发现的,前列腺癌一经发现,其治疗方法主要取决于肿瘤组织学分类和临床分期,前列腺癌TNM分期和Gleason分期明确了病变范围,正确分期对决定能否手术、选择治疗方法和判断预后都十分重要。MRI具有三维成像、软组织对比度好、无生物学损害、不需要注射造影剂即可显示血管结构等优点,能够区分前列腺外周带和中央腺,并提供不同方向所需切面,从而便于了解前列腺全貌以及周围关系,这不仅有利于定性、分期以决定正确处理方针,也有助于手术治疗计划的顺利实施和术后观察,因此MRI在前列腺癌的定位、癌组织范围、有无穿透包膜、有无远处转移等检查中具有重要作用。
计算机辅助诊断系统(Computer-Aided Diagnosis,CAD)是能够提供定量分析,减轻医生诊断的工作量,给医生提供具有较好一致性和 重复性的诊断参考和建议,以期提高诊断效果,降低活检次数,提高诊断效率和客观性的技术手段,大量的研究也表明,CAD系统的使用使得医师的读片质量确实得到了明显的提高。基于医学影像的CAD方法从技术的角度来讲就是目标识别技术,但是现有的目标识别方法只是根据单一的样本特征向量进行划分,对大量同类样本所表现出的高维模式特性考虑不够充分。因此对MRI前列腺肿瘤ROI区域只提取几维或者十几维特征得到的识别结果可信度不高。虽然有相关文献对前列腺肿瘤的CAD进行了一定程度的讨论,但是与人体其它器官(如乳腺、脑部等)相比,前列腺CAD方面报道较少,并且这些结论只是在小样本、抽取特征有限的条件下取得的,普遍存在假阳性率过高的缺点,缺乏更具有说服力的大样本前瞻性研究。因此,极寻求有效的方法来提高前列腺肿瘤CAD系统识别率的一种亟需解决的问题。
发明内容
本发明的目的是克服现有技术不足,提供一种基于CAD系统提高前列腺肿瘤MRI图像识别率的方法。该方法使识别前列腺良、恶性肿瘤的能力至少提高10%以上,对MRI前列腺肿瘤的CAD具有积极的意义。
本发明的目的是通过以下技术方案予以实现:
一种基于CAD系统提高前列腺肿瘤MRI图像识别率的方法,包括以下步骤:(1)采集前列腺患者的MRI图像;(2)提取MRI前列腺肿瘤ROI区域特征;(3)对ROI区域特征进行特征级融合;(4) 利用神经网络作为分类器对融合后的特征进行分类识别;
上述步骤(2)所述ROI区域特征是几何特征、统计特征、Hu不变矩特征、灰度共生矩阵的纹理特征、TAMURA纹理特征、频域特征。
上述步骤(2)所述几何特征是:面积、周长、矩形度、伸长督、圆形度、欧拉数;
所述统计特征是:均值、方差、倾斜度、峰态、能量、熵;
所述Hu不变矩特征是:C1、C2、C3、C4、C5、C6、C7;
所述灰度共生矩阵的纹理特征是:能量、对比度(反差、惯量)、熵、和熵、差熵、相关性、逆差距、方差、和的方差、和的均值、差分方差、相关信息度量(2维)、最大相关系数;
所述TAMURA纹理特征是粗糙度、对比度、方向度;
所述频域特征是:能量8维(小波特征能量1-8)、范数8维(小波特征范数1-8)、标准差8维(小波特征标准差1-8);
上述步骤(3)特征级融合采用的算法是线性降维算法。
上述线性降维算法是PCA主成份分析法。
上述步骤(4)所述神经网络采用训练算法是BFGS拟牛顿算法、BP算法、最速梯度下降算法和Levenberg-Marquardt算法。
本发明的有益效果:本发明提出了一种基于CAD系统提高前列腺肿瘤MRI图像识别率的方法,该方法是基于PCA特征级融合神经网络的前列腺肿瘤CAD模型,利用PCA在特征级进行变换,降低了特征矢量的维数,用神经网络分类识别,基于PCA的特征融合后的 图像的识别率均有明显提高,其提高幅度分别是12.5%、17.18%、22.22%和22.22%,这说明了本发明采取的主成分分析法在特征级融合是有效的,不仅能降低特征之间的冗余性,也消除了特征中的部分异常数据对实验结果造成的影响,更重要的是进一步提高了前列腺肿瘤MRI图像的识别率,该方法使得识别前列腺良、恶性肿瘤的能力至少提高10%以上,对MRI前列腺肿瘤的CAD具有积极的意义。
附图说明
图1前列腺癌ROI区域;
图2前列腺增生ROI区域;
图3各主成份的累计贡献率;
图4PCA融合前L-M训练算法下的测试结果;
图5PCA融合前L-M训练算法下的训练误差;
图6PCA融合前拟牛顿算法下的测试结果;
图7PCA融合前拟牛顿算法下的训练误差;
图8PCA融合前BP算法下的测试结果;
图9PCA融合前BP算法下的训练误差;
图10PCA融合前最速梯度下降算法下的测试结果;
图11PCA融合前最速梯度下降算法下的训练误差;
图12PCA融合后L-M训练算法下的测试结果;
图13PCA融合后L-M训练算法下的训练误差;
图14PCA融合后拟牛顿算法下的测试结果;
图15PCA融合后拟牛顿算法下的训练误差;
图16PCA融合后BP算法下的测试结果;
图17PCA融合后BP算法下的训练误差;
图18PCA融合后最速梯度下降算法下的测试结果;
图19PCA融合后最速梯度下降算法下的训练误差
具体实施方式
以下结合附图通过实施例对本发明的技术方案做进一步的说明:
实施例1
本发明所涉及到的软、硬件环境如下:
软件环境:windows XP操作系统,MATLAB 7.0NN Toolbox,efilm 3.4
硬件环境:2G内存,320G硬盘,M320-AMD处理器
输入:1)MRI前列腺肿瘤的ROI图像Xi,i=1,2,…,180
2)样本类别数n=2;
输出:四种训练算法下的特征变换前后的神经网络识别精度
步骤:
具体步骤如下:
(1)采集前列腺患者的MRI图像;
提取出了具有区分价值的180幅前列腺MRI图像(其中前列腺癌症90幅,前列腺增生90幅)中的ROI区域,图1中给出了其中1例前列腺癌MRI图像ROI区域,图2中给出了其中1例前列增生MRI图像ROI区域。
(2)提取MRI前列腺肿瘤图像ROI特征;
对每一幅MRI前列腺肿瘤ROI提取六大类,共计102维特征,主要包括6维几何特征,6维统计特征、7维Hu不变矩特征、56维灰度共生矩阵的纹理特征、3维TAMURA纹理特征,24维频域特征。
表1给出了1例前列腺癌MRI图像ROI区域和1例前列增生MRI图像ROI区域提取出来的102维特征。
表1 前列腺MRI图像中ROI区域的特征值
(3)对ROI区域特征进行特征级融合;
分别对前列腺癌症和增生特征库进行PCA分析,根据PCA理论,一般要求主成分累积贡献率要达到85%,(数据引用文献:王学仁,王松桂.实用多元统计分析.上海科学出版社,1990;杨维权,刘兰亭,林鸿洲.多元统计分析.高等教育出版社,1989)。在PCA主成份分析法中,计算出前10维的成分累积贡献率,通过对特征级数据融合得到的各主成分贡献率和累积贡献率的分析分别见表2和图3,从表2中可以看到特征级融合后的特征向量的维数大于等于6维时,其累积贡献率已经达到85.623%,大于文献报道的85%,在本方法中,在算法时间开销增加不大的情况下,为了进一步提高识别率,采用8维主成份,主元分析后的8维向量可以表示分析前的102维的特征矢量,实现了特征矢量的有效的降维处理。
表2 各个主成分的贡献率
主成分 | 贡献率 | 累计贡献率 |
1 | 47.497 | 47.497 |
2 | 20.071 | 67.568 |
[0062]
3 | 7.529 | 75.097 |
4 | 4.788 | 79.885 |
5 | 3.119 | 83.004 |
6 | 2.619 | 85.623 |
7 | 2.309 | 87.932 |
8 | 1.689 | 89.621 |
9 | 1.251 | 90.872 |
10 | 1.097 | 91.969 |
(4)利用神经网络作为分类器对融合后的特征进行分类识别;
利用神经网络:分别采用四种训练算法BFGS拟牛顿算法、BP算法、最速梯度下降算法和Levenberg-Marquardt训练算法,对前列腺肿瘤变换前的102维特征和变换后的8维特征进行识别,并采用了3折交叉验证的方法对结果进行了统计。图4-图11给出了PCA融合前,四种训练算法下神经网络的样本测试结果,图12-图19给出了PCA融合后,四种训练算法下神经网络的样本测试结果,表3给出了PCA融合前后不同训练函数下的识别率。
表3 PCA融合前后不同训练函数下的识别率
实验结果表明,在以上4个不同的训练函数下,基于PCA的特征融合后的MRI前列腺肿瘤图像的识别率均有明显提高,其提高幅 度分别是12.5%、17.18%、22.22%和22.22%,这说明了主成份分析法在本发明的102维特征空间中的特征级融合是有效的,不仅能降低特征之间的冗余性,也消除了特征中的部分异常数据对实验结果造成的影响,而且也进一步提高了前列腺肿瘤MRI图像的识别率,在4个不同的训练函数中,其中BP神经网络对前列腺肿瘤MRI图像的识别效果最好,而且识别率比较稳定。
Claims (6)
1.一种基于CAD系统提高前列腺肿瘤MRI图像识别率的方法,其特征在于:包括以下步骤:(1)采集前列腺患者的MRI图像;(2)提取MRI前列腺肿瘤ROI区域特征;(3)对ROI区域特征进行特征级融合;(4)利用神经网络作为分类器对融合后的特征进行分类识别。
2.根据权利要求1所述的基于CAD系统提高前列腺肿瘤MRI图像识别率的方法,其特征在于,步骤(2)所述ROI区域特征是几何特征、统计特征、Hu不变矩特征、灰度共生矩阵的纹理特征、TAMURA纹理特征、频域特征。
3.根据权利要求2所述的基于CAD系统提高前列腺肿瘤MRI图像识别率的方法,其特征在于,步骤(2)所述几何特征是:面积、周长、矩形度、伸长督、圆形度、欧拉数;
所述统计特征是:均值、方差、倾斜度、峰态、能量、熵;
所述Hu不变矩特征是:C1、C2、C3、C4、C5、C6、C7;
所述灰度共生矩阵的纹理特征是:能量、对比度、熵、和熵、差熵、相关性、逆差距、方差、和的方差、和的均值、差分方差、相关信息度量、最大相关系数;
所述TAMURA纹理特征是粗糙度、对比度、方向度;
所述频域特征是:能量、范数、标准差。
4.根据权利要求1所述的基于CAD系统提高前列腺肿瘤MRI图像识别率的方法,其特征在于,步骤(3)特征级融合采用的算法是线性降维算法。
5.根据权利要求4所述的基于CAD系统提高前列腺肿瘤MRI图像识别率的方法,其特征在于,所述线性降维算法是PCA主成份分析法。
6.根据上述任意一项权利要求所述的基于CAD系统提高前列腺肿瘤MRI图像识别率的方法,其特征在于,步骤(4)所述神经网络采用的训练算法是BFGS拟牛顿算法、BP算法、最速梯度下降算法Levenberg-Marquardt算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510015896.5A CN104794426A (zh) | 2015-01-13 | 2015-01-13 | 基于cad系统提高前列腺肿瘤mri图像识别率的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510015896.5A CN104794426A (zh) | 2015-01-13 | 2015-01-13 | 基于cad系统提高前列腺肿瘤mri图像识别率的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104794426A true CN104794426A (zh) | 2015-07-22 |
Family
ID=53559214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510015896.5A Pending CN104794426A (zh) | 2015-01-13 | 2015-01-13 | 基于cad系统提高前列腺肿瘤mri图像识别率的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104794426A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513057A (zh) * | 2015-11-30 | 2016-04-20 | 首都医科大学 | 一种肿瘤辅助诊断方法 |
CN105718952A (zh) * | 2016-01-22 | 2016-06-29 | 武汉科恩斯医疗科技有限公司 | 使用深度学习网络对断层医学影像进行病灶分类的方法 |
CN106778005A (zh) * | 2016-12-27 | 2017-05-31 | 中南民族大学 | 基于多参数mri的前列腺癌计算机辅助检测方法及系统 |
CN107133638A (zh) * | 2017-04-01 | 2017-09-05 | 中南民族大学 | 基于两分类器的多参数mri前列腺癌cad方法及系统 |
CN108573490A (zh) * | 2018-04-25 | 2018-09-25 | 王成彦 | 一种针对肿瘤影像数据的智能读片系统 |
CN109009110A (zh) * | 2018-06-26 | 2018-12-18 | 东北大学 | 基于mri影像的腋窝淋巴结转移预测系统 |
CN109655466A (zh) * | 2019-01-08 | 2019-04-19 | 中国矿业大学 | 一种基于机器视觉的矸石带煤率在线检测方法及装置 |
CN109801278A (zh) * | 2019-01-21 | 2019-05-24 | 燕山大学 | 一种高速滑动电接触运动副表面损伤分类方法 |
CN112270676A (zh) * | 2020-11-13 | 2021-01-26 | 上海理工大学 | 一种mri图像子宫内膜癌肌层浸润深度计算机辅助判断方法 |
US11631171B2 (en) | 2019-01-10 | 2023-04-18 | Regents Of The University Of Minnesota | Automated detection and annotation of prostate cancer on histopathology slides |
US11633146B2 (en) | 2019-01-04 | 2023-04-25 | Regents Of The University Of Minnesota | Automated co-registration of prostate MRI data |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101103924A (zh) * | 2007-07-13 | 2008-01-16 | 华中科技大学 | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统 |
CN101799864A (zh) * | 2010-01-15 | 2010-08-11 | 北京工业大学 | 基于血管内超声波图像的动脉斑块类型自动识别方法 |
CN101853493A (zh) * | 2009-10-21 | 2010-10-06 | 首都医科大学 | 医学图像中结节的多维度纹理提取方法 |
CN102799858A (zh) * | 2012-06-21 | 2012-11-28 | 华中科技大学 | 基于冗余特征消减的医学超声图像自动识别方法 |
CN103646183A (zh) * | 2013-12-24 | 2014-03-19 | 张擎 | 一种基于人工神经网络和多模态mri的阿尔茨海默病智能判别分析方法 |
-
2015
- 2015-01-13 CN CN201510015896.5A patent/CN104794426A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101103924A (zh) * | 2007-07-13 | 2008-01-16 | 华中科技大学 | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统 |
CN101853493A (zh) * | 2009-10-21 | 2010-10-06 | 首都医科大学 | 医学图像中结节的多维度纹理提取方法 |
CN101799864A (zh) * | 2010-01-15 | 2010-08-11 | 北京工业大学 | 基于血管内超声波图像的动脉斑块类型自动识别方法 |
CN102799858A (zh) * | 2012-06-21 | 2012-11-28 | 华中科技大学 | 基于冗余特征消减的医学超声图像自动识别方法 |
CN103646183A (zh) * | 2013-12-24 | 2014-03-19 | 张擎 | 一种基于人工神经网络和多模态mri的阿尔茨海默病智能判别分析方法 |
Non-Patent Citations (6)
Title |
---|
LIU HUI等: "Cirrhosis classification based on MRI with duplicative-feature support vector machine (DFSVM)", 《BIOMEDICAL SIGNAL PROCESSING AND CONTROL》 * |
刘军伟等: "基于MRI的前列腺癌自动检出系统的研究进展", 《国际生物医学工程杂志》 * |
刘雪娜: "基于支持向量机的MRI图像分割方法的研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
周涛等: "基于两阶段集成支持向量机的前列腺肿瘤识别", 《光学 精密工程》 * |
张卫国等: "基于PCA多特征融合的肝脏B超临床医学图像识别研究与实现", 《计算机应用与软件》 * |
焦蓬蓬等: "基于LVQ神经网络的医学图像识别研究", 《科学技术与工程》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513057A (zh) * | 2015-11-30 | 2016-04-20 | 首都医科大学 | 一种肿瘤辅助诊断方法 |
CN105718952B (zh) * | 2016-01-22 | 2018-10-30 | 武汉科恩斯医疗科技有限公司 | 使用深度学习网络对断层医学影像进行病灶分类的系统 |
CN105718952A (zh) * | 2016-01-22 | 2016-06-29 | 武汉科恩斯医疗科技有限公司 | 使用深度学习网络对断层医学影像进行病灶分类的方法 |
CN106778005A (zh) * | 2016-12-27 | 2017-05-31 | 中南民族大学 | 基于多参数mri的前列腺癌计算机辅助检测方法及系统 |
CN106778005B (zh) * | 2016-12-27 | 2019-06-07 | 中南民族大学 | 基于多参数mri的前列腺癌计算机辅助检测系统 |
CN107133638A (zh) * | 2017-04-01 | 2017-09-05 | 中南民族大学 | 基于两分类器的多参数mri前列腺癌cad方法及系统 |
CN107133638B (zh) * | 2017-04-01 | 2020-01-14 | 中南民族大学 | 基于两分类器的多参数mri前列腺癌cad方法及系统 |
CN108573490A (zh) * | 2018-04-25 | 2018-09-25 | 王成彦 | 一种针对肿瘤影像数据的智能读片系统 |
CN108573490B (zh) * | 2018-04-25 | 2020-06-05 | 王成彦 | 一种针对肿瘤影像数据的智能读片系统 |
CN109009110A (zh) * | 2018-06-26 | 2018-12-18 | 东北大学 | 基于mri影像的腋窝淋巴结转移预测系统 |
US11633146B2 (en) | 2019-01-04 | 2023-04-25 | Regents Of The University Of Minnesota | Automated co-registration of prostate MRI data |
CN109655466A (zh) * | 2019-01-08 | 2019-04-19 | 中国矿业大学 | 一种基于机器视觉的矸石带煤率在线检测方法及装置 |
US11631171B2 (en) | 2019-01-10 | 2023-04-18 | Regents Of The University Of Minnesota | Automated detection and annotation of prostate cancer on histopathology slides |
CN109801278A (zh) * | 2019-01-21 | 2019-05-24 | 燕山大学 | 一种高速滑动电接触运动副表面损伤分类方法 |
CN109801278B (zh) * | 2019-01-21 | 2023-05-30 | 燕山大学 | 一种高速滑动电接触运动副表面损伤分类方法 |
CN112270676A (zh) * | 2020-11-13 | 2021-01-26 | 上海理工大学 | 一种mri图像子宫内膜癌肌层浸润深度计算机辅助判断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104794426A (zh) | 基于cad系统提高前列腺肿瘤mri图像识别率的方法 | |
Jadoon et al. | Three‐class mammogram classification based on descriptive CNN features | |
Tang et al. | Computer-aided detection and diagnosis of breast cancer with mammography: recent advances | |
US9355450B2 (en) | Apparatus and method for utilizing mammogram images for verification | |
Wang et al. | Breast mass detection in digital mammogram based on gestalt psychology | |
Huang et al. | Nasopharyngeal carcinoma segmentation via HMRF-EM with maximum entropy | |
CA2769918A1 (en) | Apparatus and method for registering two medical images | |
CN101103924A (zh) | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统 | |
Choi et al. | Multiresolution local binary pattern texture analysis combined with variable selection for application to false-positive reduction in computer-aided detection of breast masses on mammograms | |
Khan et al. | Thermography as an economical alternative modality to mammography for early detection of breast cancer | |
Sapate et al. | Breast cancer diagnosis using abnormalities on ipsilateral views of digital mammograms | |
Bing et al. | Sparse Representation Based Multi‐Instance Learning for Breast Ultrasound Image Classification | |
Khan | An automated and fast system to identify COVID‐19 from X‐ray radiograph of the chest using image processing and machine learning | |
Rana et al. | Classification of focal kidney lesions using wavelet-based texture descriptors | |
Femil et al. | An Efficient Hybrid Optimization for Skin Cancer Detection Using PNN Classifier. | |
Armya et al. | Medical images segmentation based on unsupervised algorithms: a review | |
Ou et al. | Sampling the spatial patterns of cancer: Optimized biopsy procedures for estimating prostate cancer volume and Gleason Score | |
AU2020103785A4 (en) | Method for improving recognition rates of mri images of prostate tumors based on cad system | |
Zhang et al. | A computer-aided system for classification of breast tumors in ultrasound images via biclustering learning | |
Chen et al. | Predictions for Central Lymph Node Metastasis of Papillary Thyroid Carcinoma via CNN-Based Fusion Modeling of Ultrasound Images. | |
Zewei et al. | An interactive method based on the live wire for segmentation of the breast in mammography images | |
Patel et al. | Detection of prostate cancer using deep learning framework | |
Thanya et al. | Grey Wolf Optimizer Based Deep Learning for Pancreatic Nodule Detection. | |
Xu et al. | Novel Robust Automatic Brain-Tumor Detection and Segmentation Using Magnetic Resonance Imaging | |
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 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150722 |