CN106202930A - 一种基于ss‑elm的肺结节患病风险预测系统及方法 - Google Patents
一种基于ss‑elm的肺结节患病风险预测系统及方法 Download PDFInfo
- Publication number
- CN106202930A CN106202930A CN201610545579.9A CN201610545579A CN106202930A CN 106202930 A CN106202930 A CN 106202930A CN 201610545579 A CN201610545579 A CN 201610545579A CN 106202930 A CN106202930 A CN 106202930A
- Authority
- CN
- China
- Prior art keywords
- target image
- image
- directions
- lung neoplasm
- haralick
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于SS‑ELM的肺结节患病风险预测系统及方法,该系统包括肺结节图像处理单元、灰度共生矩阵构造单元、Haralick特征参数计算单元、Haralick特征集合构成单元和肺结节患病风险预测单元;该方法过程为获取有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像作为目标图像;将目标图像进行灰度处理;将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵;确定目标图像在0°、45°、90°和135°四个方向上的Haralick特征参数;确定目标图像的Haralick特征集合;利用SS‑ELM算法得到待诊断肺结节图像性质表现为恶性的风险概率;本发明能够有效地改善肺结节患病风险预测的性能。
Description
技术领域
本发明属于计算机辅助诊断技术领域,具体涉及一种基于SS-ELM的肺结节患病风险预测系统及方法。
背景技术
目前,肺癌已成为死亡率最高的恶性肿瘤,主要是因为早期难发现,晚期难治愈。肺癌的早期表现形式是肺结节,对肺结节早发现,早诊断,早治疗的意义很大。临床上,肺结节的诊断方法中最常用的是电子计算机断层扫描CT的影像学诊断方法。但是随着CT成像技术的发展,所能检测到的肺结节越来越多,仅靠影像科医生的视觉观察来发现并诊断肺结节很困难。因此关于肺结节的患病风险预测系统具有很大的研究价值。
判别肺结节患病风险的关键在于找到合适的机器学习方法来实现肺结节图像的良恶性分类并得到肺结节性质表现为恶性的风险概率。同时,纹理特征能反映肺结节内部结构信息。传统肺结节良恶性分类载体使用基于有监督的分类算法,需要对有标记的肺结节数据所包含的信息进行学习,得出分类模型后对无标记数据进行分类,但是获取标记数据时需要耗费一定的人力和物力资源,则大量标记数据的获取通常比较困难,然而随着信息技术的飞速发展,收集大量未标记数据则相当容易。因此,如何利用大量的无标记肺结节数据和少量的有标记肺结节数据来快速精准的实现肺结节的良恶性分类成为了技术难点。
发明内容
针对现有技术的不足,本发明提出一种基于SS-ELM的肺结节患病风险预测系统及方法。
本发明的技术方案是:
一种基于SS-ELM的肺结节患病风险预测系统,包括肺结节图像处理单元、灰度共生矩阵构造单元、Haralick特征参数计算单元、Haralick特征集合构成单元和肺结节患病风险预测单元;
所述肺结节图像处理单元,用于将获取的有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像作为目标图像,得到目标图像集,并将目标图像进行灰度处理,对灰度处理后的目标图像的灰度级进行压缩;
所述灰度共生矩阵构造单元,用于将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵,并计算灰度共生矩阵中各灰度值组合在目标图像上的概率,确定目标图像在0°、45°、90°和135°四个方向上的关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数;
所述Haralick特征参数计算单元,用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数,确定目标图像在0°、45°、90°和135°四个方向上的Haralick特征参数,即目标图像在0°、45°、90°和135°四个方向上的角二阶矩值、灰度值的对比度值、相关性值、灰度值方差、逆差矩、均和值、熵和、方差和、熵、差值的方差、差熵、第一相关性信息测度、第二相关性信息测度;
所述Haralick特征集合构成单元,用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的特征均值和特征方差,得到目标图像的13个特征均值和目标图像的13个特征方差,组成目标图像的Haralick特征集合;
所述肺结节患病风险预测单元,用于将有标签肺结节图像的Haralick特征集合和无标签肺结节图像的Haralick特征集合作为SS-ELM学习机的输入数据,得到SS-ELM学习机的学习参数,从而得到训练后的SS-ELM学习机,将待诊断肺结节图像的Haralick特征集合输入到训练后的SS-ELM学习机中,得到待诊断肺结节图像性质表现为恶性的风险概率。
可选地,所述肺结节图像处理单元,包括灰度图像生成器和图像灰度级压缩器;
所述灰度图像生成器,用于将获取的有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像作为目标图像,得到目标图像集,并将目标图像进行灰度处理,得到灰度处理后的目标图像;
所述图像灰度级压缩器,用于对灰度处理后的目标图像的灰度级进行压缩,将每个像素点的灰度值映射到1~Ng的整数范围内,其中Ng为设定灰度级。
可选地,所述灰度共生矩阵构造单元,包括灰度共生矩阵生成器和概率参数计算器;
所述灰度共生矩阵生成器,用于将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵;所述各个方向上的灰度共生矩阵为:中心像素点的灰度值i与在该方向上与中心像素点距离1个像素点单位的邻域像素点的灰度值j的灰度值组合(i,j)在目标图像上出现的次数作为元素的矩阵;
所述概率参数计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的灰度共生矩阵计算各灰度值组合(i,j)在目标图像上的概率,确定目标图像在四个方向上的关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数。
可选地,所述Haralick特征参数计算单元包括:角二阶矩计算器、对比度计算器、相关性计算器、方差计算器、逆差矩计算器、均值和计算器、熵和计算器、方差和计算器、熵计算器、差值的方差计算器、差熵计算器、第一相关性信息测度计算器、第二相关性信息测度计算器;
所述角二阶矩计算器,用于根根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的角二阶矩值;
所述对比度计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的灰度值的对比度值;
所述相关性计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的关于X的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的相关性值;
所述方差计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的灰度值方差;
所述逆差矩计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的逆差矩;
所述均值和计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的均和值;
所述熵和计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的熵和;
所述方差和计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数以及熵和来确定目标图像在0°、45°、90°和135°四个方向上的方差和;
所述熵计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的熵;
所述差值的方差计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的差值的方差;
所述差熵计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的差熵;
所述第一相关性信息测度计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及熵确定目标图像在0°、45°、90°和135°四个方向上的第一相关性信息测度;
所述第二相关性信息测度计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的关于X的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的第二相关性信息测度。
可选地,所述Haralick特征集合构成单元,包括特征均值计算器、特征方差计算器和Haralick特征集合生成器;
所述特征均值计算器,用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的均值,得到目标图像的13个特征均值;
所述特征方差计算器,用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的方差,得到目标图像的13个特征方差;
所述Haralick特征集合生成器,用于将目标图像的13个特征均值和目标图像的13个特征方差组成目标图像的Haralick特征集合。
可选地,所述肺结节患病风险预测单元,包括SS-ELM训练器和SS-ELM诊断器;
所述SS-ELM训练器,用于将有标签肺结节图像的Haralick特征集合和无标签肺结节图像的Haralick特征集合作为SS-ELM学习机的输入数据,得到SS-ELM学习机的学习参数,从而得到训练后的SS-ELM学习机;
所述SS-ELM诊断器,用于将待诊断肺结节图像的Haralick特征集合输入到训练后的SS-ELM学习机中,得到待诊断肺结节图像性质表现为恶性的风险概率。
采用基于SS-ELM的肺结节患病风险预测系统进行肺结节患病风险预测的方法,包括以下步骤:
步骤1:获取有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像;
步骤2:将获取的有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像作为目标图像,得到目标图像集;
步骤3:将目标图像进行灰度处理,对灰度处理后的目标图像的灰度级进行压缩;
步骤4:将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵;
步骤5:根据目标图像在0°、45°、90°和135°四个方向上的灰度共生矩阵计算各灰度值组合(i,j)在目标图像上的概率,确定目标图像在四个方向上的关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数;
步骤6:根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数,确定目标图像在0°、45°、90°和135°四个方向上的Haralick特征参数;
步骤7:计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的特征均值和特征方差,得到目标图像的13个特征均值和目标图像的13个特征方差,组成目标图像的Haralick特征集合;
步骤8:将有标签肺结节图像的Haralick特征集合和无标签肺结节图像的Haralick特征集合作为SS-ELM训练器的输入数据,得到SS-ELM训练器的学习参数,从而得到训练后的SS-ELM诊断器;
步骤9:将待诊断肺结节图像的Haralick特征集合输入到训练后的SS-ELM诊断器中,得到待诊断肺结节图像性质表现为恶性的风险概率。
本发明的有益效果:
本发明提出一种基于SS-ELM的肺结节患病风险预测系统及方法,有别于传统的基于监督学习的肺结节患病风险预测方法,不仅能够有效地改善肺结节患病风险预测的性能,而且解决了无标签肺结节数据的训练学习问题。
附图说明
图1为本发明实施方式中基于SS-ELM的肺结节患病风险预测系统的结构框图;
图2为本发明实施方式中有标签肺结节图像;
图3为本发明实施方式中无标签肺结节图像;
图4为本发明实施方式中待诊断肺结节图像;
图5为本发明实施方式中基于SS-ELM的肺结节患病风险预测方法的流程图。
具体实施方式
下面结合附图对本发明具体实施方式加以详细的说明。
一种基于SS-ELM的肺结节患病风险预测系统,如图1所示,包括肺结节图像处理单元、灰度共生矩阵构造单元、Haralick特征参数计算单元、Haralick特征集合构成单元和肺结节患病风险预测单元。
肺结节图像处理单元,用于将获取的有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像作为目标图像,得到目标图像集,并将目标图像进行灰度处理,对灰度处理后的目标图像的灰度级进行压缩。
本实施方式中,得到的有标签肺结节图像如图2所示,无标签肺结节图像如图3所示,待诊断肺结节图像如图4所示。
本实施方式中,肺结节图像处理单元,包括灰度图像生成器和图像灰度级压缩器。
灰度图像生成器,用于将获取的有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像作为目标图像,得到目标图像集,并将目标图像进行灰度处理,得到灰度处理后的目标图像。
本实施方式中,由于肺结节CT图像以DICOM格式存储,因此将目标图像进行灰度处理,得到灰度处理后的目标图像。
图像灰度级压缩器,用于对灰度处理后的目标图像的灰度级进行压缩,将每个像素点的灰度值映射到1~Ng的整数范围内,其中Ng为设定灰度级。
本实施方式中,Ng取值为32。
灰度共生矩阵构造单元,用于将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵,并计算灰度共生矩阵中各灰度值组合在目标图像上的概率,确定目标图像在0°、45°、90°和135°四个方向上的关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数。
本实施方式中,灰度共生矩阵构造单元,包括灰度共生矩阵生成器和概率参数计算器。
灰度共生矩阵生成器,用于将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵;各个方向上的灰度共生矩阵为:中心像素点的灰度值i与在该方向上与中心像素点距离1个像素点单位的邻域像素点的灰度值j的灰度值组合(i,j)在目标图像上出现的次数作为元素的矩阵。
概率参数计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的灰度共生矩阵计算各灰度值组合(i,j)在目标图像上的概率,确定目标图像在四个方向上的关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数。
本实施方式中,各灰度值组合(i,j)在目标图像上的概率p(i,j)的计算公式如式(1)所示:
p(i,j)=P(i,j)/R (1)
其中,户(i,j)为灰度值组合(i,j)在整幅目标图像区域中出现的次数,R为所有灰度值组合出现的次数之和。
关于X的边缘概率密度矩阵的第i个输入元素px(i)如式(2)所示:
关于Y的边缘概率密度矩阵的第j个输入元素py(j)如式(3)所示:
两个联合概率分布密度函数px+y(k)和px-y(k)如式(4)和式(5)所示:
其中,k取值为2,3,…,2Ng。
其中,k取值为0,1,…,Ng-1。
Haralick特征参数计算单元,用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数,确定目标图像在0°、45°、90°和135°四个方向上的Haralick特征参数,即目标图像在0°、45°、90°和135°四个方向上的角二阶矩值、灰度值的对比度值、相关性值、灰度值方差、逆差矩、均和值、熵和、方差和、熵、差值的方差、差熵、第一相关性信息测度、第二相关性信息测度。
本实施方式中,Haralick特征参数计算单元包括:角二阶矩计算器、对比度计算器、相关性计算器、方差计算器、逆差矩计算器、均值和计算器、熵和计算器、方差和计算器、熵计算器、差值的方差计算器、差熵计算器、第一相关性信息测度计算器、第二相关性信息测度计算器。
角二阶矩计算器,用于根根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的角二阶矩值。
本实施方式中,角二阶矩计算器f1的计算公式如式(6)所示:
对比度计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的灰度值的对比度值。
本实施方式中,对比度计算器f2的计算公式如式(7)所示:
相关性计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的关于X的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的相关性值。
本实施方式中,相关性计算器f3的计算公式如式(8)所示:
其中,μx为px的均值,μy为py的均值,σx为px的标准差,σy为py的标准差。
方差计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的灰度值方差。
本实施方式中,方差计算器f4的计算公式如式(9)所示:
逆差矩计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的逆差矩。
本实施方式中,逆差矩计算器f的计算公式如式(10)所示:
均值和计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的均和值。
本实施方式中,均值和计算器f6的计算公式如式(11)所示:
熵和计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的熵和。
本实施方式中,熵和计算器f7的计算公式如式(12)所示:
方差和计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数以及熵和来确定目标图像在0°、45°、90°和135°四个方向上的方差和。
本实施方式中,方差和计算器f8的计算公式如式(13)所示:
熵计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的熵。
本实施方式中,熵计算器f9的计算公式如式(14)所示:
差值的方差计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的差值的方差。
本实施方式中,差值的方差计算器f10的计算公式如式(15)所示:
f10=px-y的方差 (15)
差熵计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的差熵。
本实施方式中,差熵计算器f11的计算公式如式(16)所示:
第一相关性信息测度计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及熵确定目标图像在0°、45°、90°和135°四个方向上的第一相关性信息测度。
本实施方式中,第一相关性信息测度计算器f12的计算公式如式(17)所示:
其中,HXY=f9,
第二相关性信息测度计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的关于X的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的第二相关性信息测度。
本实施方式中,第二相关性信息测度计算器f13的计算公式如式(18)所示:
f13=(1-exp[-2.0(HXY2-HXY)])1/2 (18)
其中,
Haralick特征集合构成单元,用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的特征均值和特征方差,得到目标图像的13个特征均值和目标图像的13个特征方差,组成目标图像的Haralick特征集合。
本实施方式中,Haralick特征集合构成单元,包括特征均值计算器、特征方差计算器和Haralick特征集合生成器。
特征均值计算器,用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的均值,得到目标图像的13个特征均值。
特征方差计算器,用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的方差,得到目标图像的13个特征方差。
Haralick特征集合生成器,用于将目标图像的13个特征均值和目标图像的13个特征方差组成目标图像的Haralick特征集合。
肺结节患病风险预测单元,用于将有标签肺结节图像的Haralick特征集合和无标签肺结节图像的Haralick特征集合作为SS-ELM学习机的输入数据,得到SS-ELM学习机的学习参数,从而得到训练后的SS-ELM学习机,将待诊断肺结节图像的Haralick特征集合输入到训练后的SS-ELM学习机中,得到待诊断肺结节图像性质表现为恶性的风险概率。
本实施方式中,肺结节患病风险预测单元,包括SS-ELM训练器和SS-ELM诊断器。
SS-ELM训练器,用于将有标签肺结节图像的Haralick特征集合和无标签肺结节图像的Haralick特征集合作为SS-ELM学习机的输入数据,得到SS-ELM学习机的学习参数,从而得到训练后的SS-ELM学习机。
SS-ELM诊断器,用于将待诊断肺结节图像的Haralick特征集合输入到训练后的SS-ELM学习机中,得到待诊断肺结节图像性质表现为恶性的风险概率。
采用基于SS-ELM的肺结节患病风险预测系统进行肺结节患病风险预测的方法,如图5所示,包括以下步骤:
步骤1:获取有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像。
步骤2:将获取的有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像作为目标图像,得到目标图像集。
步骤3:将目标图像进行灰度处理,对灰度处理后的目标图像的灰度级进行压缩。
步骤4:将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵;。
步骤5:根据目标图像在0°、45°、90°和135°四个方向上的灰度共生矩阵计算各灰度值组合(i,j)在目标图像上的概率,确定目标图像在四个方向上的关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数。
步骤6:根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于X的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数,确定目标图像在0°、45°、90°和135°四个方向上的Haralick特征参数。
步骤7:计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的特征均值和特征方差,得到目标图像的13个特征均值和目标图像的13个特征方差,组成目标图像的Haralick特征集合。
本实施方式中,得到v个有标签肺结节图像的Haralick特征集合HL如式(19)所示:
其中,公式(19)第一列为标签,1表示恶性肺结节标签,0表示良性肺结节标签。
得到例个无标签肺结节的Haralick特征集合HU如式(20)所示:
待诊断肺结节的Haralick特征集合HW如式(21)所示:
HW=[0.112919…0.015359]1×26 (21)
步骤8:将有标签肺结节图像的Haralick特征集合和无标签肺结节图像的Haralick特征集合作为SS-ELM训练器的输入数据,得到SS-ELM训练器的学习参数,从而得到训练后的SS-ELM诊断器。
步骤9:将待诊断肺结节图像的Haralick特征集合输入到训练后的SS-ELM诊断器中,得到待诊断肺结节图像性质表现为恶性的风险概率。
Claims (7)
1.一种基于SS-ELM的肺结节患病风险预测系统,其特征在于,包括肺结节图像处理单元、灰度共生矩阵构造单元、Haralick特征参数计算单元、Haralick特征集合构成单元和肺结节患病风险预测单元;
所述肺结节图像处理单元,用于将获取的有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像作为目标图像,得到目标图像集,并将目标图像进行灰度处理,对灰度处理后的目标图像的灰度级进行压缩;
所述灰度共生矩阵构造单元,用于将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵,并计算灰度共生矩阵中各灰度值组合在目标图像上的概率,确定目标图像在0°、45°、90°和135°四个方向上的关于x的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数;
所述Haralick特征参数计算单元,用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于x的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数,确定目标图像在0°、45°、90°和135°四个方向上的Haralick特征参数,即目标图像在0°、45°、90°和135°四个方向上的角二阶矩值、灰度值的对比度值、相关性值、灰度值方差、逆差矩、均和值、熵和、方差和、熵、差值的方差、差熵、第一相关性信息测度、第二相关性信息测度;
所述Haralick特征集合构成单元,用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的特征均值和特征方差,得到目标图像的13个特征均值和目标图像的13个特征方差,组成目标图像的Haralick特征集合;
所述肺结节患病风险预测单元,用于将有标签肺结节图像的Haralick特征集合和无标签肺结节图像的Haralick特征集合作为SS-ELM学习机的输入数据,得到SS-ELM学习机的学习参数,从而得到训练后的SS-ELM学习机,将待诊断肺结节图像的Haralick特征集合输入到训练后的SS-ELM学习机中,得到待诊断肺结节图像性质表现为恶性的风险概率。
2.根据权利要求1所述的基于SS-ELM的肺结节患病风险预测系统,其特征在于,所述肺结节图像处理单元,包括灰度图像生成器和图像灰度级压缩器;
所述灰度图像生成器,用于将获取的有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像作为目标图像,得到目标图像集,并将目标图像进行灰度处理,得到灰度处理后的目标图像;
所述图像灰度级压缩器,用于对灰度处理后的目标图像的灰度级进行压缩,将每个像素点的灰度值映射到1~Ng的整数范围内,其中Ng为设定灰度级。
3.根据权利要求1所述的基于SS-ELM的肺结节患病风险预测系统,其特征在于,所述灰度共生矩阵构造单元,包括灰度共生矩阵生成器和概率参数计算器;
所述灰度共生矩阵生成器,用于将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵;所述各个方向上的灰度共生矩阵为:中心像素点的灰度值i与在该方向上与中心像素点距离1个像素点单位的邻域像素点的灰度值j的灰度值组合(i,j)在目标图像上出现的次数作为元素的矩阵;
所述概率参数计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的灰度共生矩阵计算各灰度值组合(i,j)在目标图像上的概率,确定目标图像在四个方向上的关于x的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数。
4.根据权利要求1所述的基于SS-ELM的肺结节患病风险预测系统,其特征在于,所述Haralick特征参数计算单元包括:角二阶矩计算器、对比度计算器、相关性计算器、方差计算器、逆差矩计算器、均值和计算器、熵和计算器、方差和计算器、熵计算器、差值的方差计算器、差熵计算器、第一相关性信息测度计算器、第二相关性信息测度计算器;
所述角二阶矩计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的角二阶矩值;
所述对比度计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的灰度值的对比度值;
所述相关性计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的关于x的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的相关性值;
所述方差计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于x的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的灰度值方差;
所述逆差矩计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的逆差矩;
所述均值和计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的均和值;
所述熵和计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的熵和;
所述方差和计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数和熵和确定目标图像在0°、45°、90°和135°四个方向上的方差和;
所述熵计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率确定目标图像在0°、45°、90°和135°四个方向上的熵;
所述差值的方差计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的的差值的方差;
所述差熵计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的联合概率分布密度函数确定目标图像在0°、45°、90°和135°四个方向上的差熵;
所述第一相关性信息测度计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于x的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及熵确定目标图像在0°、45°、90°和135°四个方向上的第一相关性信息测度;
所述第二相关性信息测度计算器,用于根据目标图像在0°、45°、90°和135°四个方向上的关于x的边缘概率密度矩阵和关于Y的边缘概率密度矩阵确定目标图像在0°、45°、90°和135°四个方向上的第二相关性信息测度。
5.根据权利要求1所述的基于SS-ELM的肺结节患病风险预测系统,其特征在于,所述Haralick特征集合构成单元,包括特征均值计算器、特征方差计算器和Haralick特征集合生成器;
所述特征均值计算器,用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的均值,得到目标图像的13个特征均值;
所述特征方差计算器,用于计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的方差,得到目标图像的13个特征方差;
所述Haralick特征集合生成器,用于将目标图像的13个特征均值和目标图像的13个特征方差组成目标图像的Haralick特征集合。
6.根据权利要求1所述的基于SS-ELM的肺结节患病风险预测系统,其特征在于,所述肺结节患病风险预测单元,包括SS-ELM训练器和SS-ELM诊断器;
所述SS-ELM训练器,用于将有标签肺结节图像的Haralick特征集合和无标签肺结节图像的Haralick特征集合作为SS-ELM学习机的输入数据,得到SS-ELM学习机的学习参数,从而得到训练后的SS-ELM学习机;
所述SS-ELM诊断器,用于将待诊断肺结节图像的Haralick特征集合输入到训练后的SS-ELM学习机中,得到待诊断肺结节图像性质表现为恶性的风险概率。
7.采用权利要求1所述的基于SS-ELM的肺结节患病风险预测系统进行肺结节患病风险预测的方法,其特征在于,包括以下步骤:
步骤1:获取有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像;
步骤2:将获取的有标签肺结节图像、无标签肺结节图像和待诊断肺结节图像作为目标图像,得到目标图像集;
步骤3:将目标图像进行灰度处理,对灰度处理后的目标图像的灰度级进行压缩;
步骤4:将灰度处理后的目标图像在0°、45°、90°和135°四个方向上分别生成灰度共生矩阵;
步骤5:根据目标图像在0°、45°、90°和135°四个方向上的灰度共生矩阵计算各灰度值组合(i,j)在目标图像上的概率,确定目标图像在四个方向上的关于x的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数;
步骤6:根据目标图像在0°、45°、90°和135°四个方向上的各灰度值组合在目标图像上的概率、关于x的边缘概率密度矩阵、关于Y的边缘概率密度矩阵以及联合概率分布密度函数,确定目标图像在0°、45°、90°和135°四个方向上的Haralick特征参数;
步骤7:计算目标图像在0°、45°、90°和135°四个方向上的各个Haralick特征参数的特征均值和特征方差,得到目标图像的13个特征均值和目标图像的13个特征方差,组成目标图像的Haralick特征集合;
步骤8:将有标签肺结节图像的Haralick特征集合和无标签肺结节图像的Haralick特征集合作为SS-ELM训练器的输入数据,得到SS-ELM训练器的学习参数,从而得到训练后的SS-ELM诊断器;
步骤9:将待诊断肺结节图像的Haralick特征集合输入到训练后的SS-ELM诊断器中,得到待诊断肺结节图像性质表现为恶性的风险概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610545579.9A CN106202930B (zh) | 2016-07-12 | 2016-07-12 | 一种基于ss-elm的肺结节患病风险预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610545579.9A CN106202930B (zh) | 2016-07-12 | 2016-07-12 | 一种基于ss-elm的肺结节患病风险预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106202930A true CN106202930A (zh) | 2016-12-07 |
CN106202930B CN106202930B (zh) | 2018-08-28 |
Family
ID=57477031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610545579.9A Active CN106202930B (zh) | 2016-07-12 | 2016-07-12 | 一种基于ss-elm的肺结节患病风险预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106202930B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300113A (zh) * | 2018-08-28 | 2019-02-01 | 东北大学 | 一种基于改进凸包方法的肺结节辅助检测系统及方法 |
CN109599177A (zh) * | 2018-11-27 | 2019-04-09 | 华侨大学 | 一种基于病历的深度学习预测医疗轨迹的方法 |
CN110148467A (zh) * | 2019-05-16 | 2019-08-20 | 东北大学 | 一种基于改进cnn的肺结节计算机辅助诊断装置及方法 |
CN113065609A (zh) * | 2021-04-22 | 2021-07-02 | 平安国际智慧城市科技股份有限公司 | 图像分类方法、装置、电子设备及可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008035286A2 (en) * | 2006-09-22 | 2008-03-27 | Koninklijke Philips Electronics N.V. | Advanced computer-aided diagnosis of lung nodules |
US20090252394A1 (en) * | 2007-02-05 | 2009-10-08 | Siemens Medical Solutions Usa, Inc. | Computer Aided Detection of Pulmonary Embolism with Local Characteristic Features in CT Angiography |
CN101556650A (zh) * | 2009-04-01 | 2009-10-14 | 东北大学 | 一种分布式自适应肺结节计算机检测方法及系统 |
CN104123722A (zh) * | 2014-07-08 | 2014-10-29 | 东北大学 | 一种核磁图像超分辨率的系统及方法 |
-
2016
- 2016-07-12 CN CN201610545579.9A patent/CN106202930B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008035286A2 (en) * | 2006-09-22 | 2008-03-27 | Koninklijke Philips Electronics N.V. | Advanced computer-aided diagnosis of lung nodules |
US20090252394A1 (en) * | 2007-02-05 | 2009-10-08 | Siemens Medical Solutions Usa, Inc. | Computer Aided Detection of Pulmonary Embolism with Local Characteristic Features in CT Angiography |
CN101556650A (zh) * | 2009-04-01 | 2009-10-14 | 东北大学 | 一种分布式自适应肺结节计算机检测方法及系统 |
CN104123722A (zh) * | 2014-07-08 | 2014-10-29 | 东北大学 | 一种核磁图像超分辨率的系统及方法 |
Non-Patent Citations (1)
Title |
---|
S.RAMYA PREETHI: "《Lung Nodule Detection Based on Semi Supervised Classification》", 《INTERNATIONAL JOURNAL OF INNOVATIVE RESEARCH IN SCIENCE,ENGINEERING AND TECHNOLOGY》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300113A (zh) * | 2018-08-28 | 2019-02-01 | 东北大学 | 一种基于改进凸包方法的肺结节辅助检测系统及方法 |
CN109300113B (zh) * | 2018-08-28 | 2021-12-24 | 东北大学 | 一种基于改进凸包方法的肺结节辅助检测系统及方法 |
CN109599177A (zh) * | 2018-11-27 | 2019-04-09 | 华侨大学 | 一种基于病历的深度学习预测医疗轨迹的方法 |
CN110148467A (zh) * | 2019-05-16 | 2019-08-20 | 东北大学 | 一种基于改进cnn的肺结节计算机辅助诊断装置及方法 |
CN110148467B (zh) * | 2019-05-16 | 2023-05-23 | 东北大学 | 一种基于改进cnn的肺结节计算机辅助诊断装置及方法 |
CN113065609A (zh) * | 2021-04-22 | 2021-07-02 | 平安国际智慧城市科技股份有限公司 | 图像分类方法、装置、电子设备及可读存储介质 |
CN113065609B (zh) * | 2021-04-22 | 2024-04-09 | 深圳赛安特技术服务有限公司 | 图像分类方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106202930B (zh) | 2018-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Moreira et al. | Inbreast: toward a full-field digital mammographic database | |
Losurdo et al. | Radiomics analysis on contrast-enhanced spectral mammography images for breast cancer diagnosis: A pilot study | |
US9977966B2 (en) | System and method for identifying, analyzing, and reporting on players in a game from video | |
CN107229917B (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN110223281A (zh) | 一种数据集中含有不确定数据时的肺结节图像分类方法 | |
CN108334899A (zh) | 基于手骨x光片骨骼和关节量化信息集成的骨龄评估方法 | |
CN106202930A (zh) | 一种基于ss‑elm的肺结节患病风险预测系统及方法 | |
CN104778374A (zh) | 一种基于图像处理识别方法的自动膳食评估装置 | |
Güraksın et al. | Support vector machines classification based on particle swarm optimization for bone age determination | |
Devnath et al. | Computer-aided diagnosis of coal workers’ pneumoconiosis in chest x-ray radiographs using machine learning: A systematic literature review | |
CN106170799A (zh) | 从图像提取信息以及将信息包括在临床报告中 | |
CN101551855A (zh) | 自适应核匹配追踪辅助诊断系统及其辅助诊断方法 | |
CN111932534A (zh) | 医学影像图片分析方法、装置、电子设备及可读存储介质 | |
CN109448854A (zh) | 一种肺结核检测模型的构建方法及应用 | |
CN104217213A (zh) | 一种基于对称性理论的医学图像多阶段分类方法 | |
CN104751160B (zh) | 基于稀疏自动编码深度网络的乳腺图像处理方法 | |
Tang et al. | CNN-based qualitative detection of bone mineral density via diagnostic CT slices for osteoporosis screening | |
He et al. | Mammographic segmentation and risk classification using a novel binary model based bayes classifier | |
Ogawa et al. | Effect of augmented datasets on deep convolutional neural networks applied to chest radiographs | |
CN103839074B (zh) | 一种基于素描线段信息和空间金字塔匹配的图像分类方法 | |
Chen et al. | Enhancement of chest radiographs obtained in the intensive care unit through bone suppression and consistent processing | |
Li et al. | Automated detection of skeletal metastasis of lung cancer with bone scans using convolutional nuclear network | |
CN107330907A (zh) | 一种结合深度学习形状先验的mrf图像分割方法 | |
CN106250701A (zh) | 计算机软件系统中实现肺结节危险程度分类的系统和方法 | |
Chakraborty | Recent developments in imaging system assessment methodology, FROC analysis and the search model |
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 |