CN107133638A - 基于两分类器的多参数mri前列腺癌cad方法及系统 - Google Patents
基于两分类器的多参数mri前列腺癌cad方法及系统 Download PDFInfo
- Publication number
- CN107133638A CN107133638A CN201710212024.7A CN201710212024A CN107133638A CN 107133638 A CN107133638 A CN 107133638A CN 201710212024 A CN201710212024 A CN 201710212024A CN 107133638 A CN107133638 A CN 107133638A
- Authority
- CN
- China
- Prior art keywords
- focus
- candidate
- dwi
- adc
- kinds
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 208000000236 Prostatic Neoplasms Diseases 0.000 title claims abstract description 39
- 206010060862 Prostate cancer Diseases 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 49
- 230000000505 pernicious effect Effects 0.000 claims abstract description 32
- 238000004195 computer-aided diagnosis Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000002597 diffusion-weighted imaging Methods 0.000 claims description 140
- 238000012549 training Methods 0.000 claims description 88
- 238000012360 testing method Methods 0.000 claims description 79
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 41
- 230000007935 neutral effect Effects 0.000 claims description 37
- 230000003321 amplification Effects 0.000 claims description 25
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 25
- 210000002307 prostate Anatomy 0.000 claims description 20
- 238000013145 classification model Methods 0.000 claims description 18
- 210000001519 tissue Anatomy 0.000 claims description 15
- 238000003745 diagnosis Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 8
- 238000009792 diffusion process Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 201000010099 disease Diseases 0.000 claims description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 230000001788 irregular Effects 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 5
- 238000010008 shearing Methods 0.000 claims description 5
- 238000013316 zoning Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims 2
- 239000000284 extract Substances 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 8
- 206010028980 Neoplasm Diseases 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 5
- 108010072866 Prostate-Specific Antigen Proteins 0.000 description 4
- 102100038358 Prostate-specific antigen Human genes 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 210000004907 gland Anatomy 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 206010004446 Benign prostatic hyperplasia Diseases 0.000 description 2
- 238000001574 biopsy Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 210000002966 serum Anatomy 0.000 description 2
- 235000019640 taste Nutrition 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 208000017497 prostate disease Diseases 0.000 description 1
- 201000007094 prostatitis Diseases 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 210000000664 rectum Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
Abstract
本发明公开了一种基于两分类器的多参数MRI前列腺癌CAD方法及系统，涉及医学图像处理领域。该方法包括以下步骤：候选病灶的自动检测：对每个病例的三种MRI序列：T2WI、DWI、ADC，分别进行预处理，使其分辨率和尺寸相同，同样位置的像素基本对应人体内的同一部位；在每个病例的三种MRI序列上分别提取点特征，将这些点特征输入病灶检测分类器，得到候选病灶；候选病灶的计算机辅助诊断：计算每个病例的三种MRI序列中候选病灶的区域特征，将这些区域特征输入病灶诊断分类器，得到相应的诊断结果。本发明能给放射科医生提供一系列的量化指标及相应的恶性概率值。
Description
技术领域
本发明涉及医学图像处理领域，具体是涉及一种基于两分类器的多参数MRI前列腺癌CAD方法及系统。
背景技术
PCa(Prostate Cancer，前列腺癌)是世界上男性的第二大癌症，在美国，大约1/6的男人会得前列腺癌，1/36的男人会死于这种疾病。目前，前列腺癌的诊断方法有：TRUS(Trans-rectal Ultrasound，超声引导下经直肠)前列腺穿刺活检术和PSA(Prostate-specific Antigen，前列腺特异抗原)血清检查。前列腺穿刺活检会给病人带来较大不适，可能会发生严重感染。前列腺特异抗原具有前列腺组织特异性，而不具前列腺癌特异性，前列腺癌与良性前列腺增生的血清PSA结果存在相当程度的重叠。
不同于上述两种方法，多参数磁共振成像能够探测前列腺区域的形态和功能信息，已经成为一种较好的前列腺癌诊断方法。与前列腺癌诊断相关的MRI(MagneticResonance Imaging，磁共振成像)序列包括T2WI(T2weight imaging，T2加权图像)、DWI(Diffusion Weight Imaging，弥散加权成像)、DCE(Dynamic Contrast Enhanced，动态增强)、磁共振波谱成像(MR spectroscopy)等等。放射科医生整合这些不同的序列的信息来进行诊断。
由于放射科医生本身的限制和MRI图像数据的复杂性，放射科医生的诊断效率不高，特别是对于经验不足的医生。在前列腺癌的MRI图像诊断过程中，需要经验丰富的放射科医生分析从不同MRI 序列提取的数据，劳动量十分巨大。而且，在诊断过程中，人为疏忽和感知错误也会造成一定的误诊，不同放射科医生对同一病例的判断也会由于经验不同而存在一定的差异。对于经验不足的放射科医生来说，从各种不同MRI序列对前列腺癌进行诊断非常具有挑战性。
CAD(Computer-Aided Diagnosis，计算机辅助诊断)是指采用计算机对医学图像进行分析，得到分析结果作为“参考意见”，由医生进行诊断。目前，比较成熟的CAD系统包括：乳腺X射线摄影CAD 系统和胸部X光片CAD系统。在前列腺癌计算机辅助诊断领域，研究者已经设计出一些基于多参数MRI的前列腺癌计算机辅助诊断系统，在训练阶段，这些系统从MRI序列提取各类不同的特征，用来训练分类器，在测试阶段，采用训练好的分类器来对测试病例的特征进行分类，得到相应的诊断结果。
目前有些方法提取像素点特征，这些方法一般是以某像素点为中心的局部窗口内的统计特征作为该点的特征，这些方法的不足在于：所用的像素点特征无法描述整个病变区域的全貌，不像区域特征那样容易被医生所理解。
另外一些方法提取病灶候选区域的特征，例如：尺寸、形状、纹理、不对称性，不足之处在于：前列腺区域内的癌症病灶需要有经验的医生手工分割来获取，同时除了目前已经被验证有效的纹理特征以外，还需要更多的有效特征来描述前列腺癌的病灶区域。
发明内容
本发明的目的是为了帮助放射科医生进行前列腺癌的诊断，提供一种基于两分类器的多参数MRI前列腺癌CAD方法及系统，能给放射科医生提供一系列的量化指标及相应的恶性概率值。
本发明提供一种基于两分类器的多参数MRI前列腺癌CAD方法，包括以下步骤：
S1、候选病灶的自动检测：
将包含全部病例的数据集合分为集合X、Y、Z，这三个集合分别包含不同的病例，三个集合中的每个病例都包含T2加权图像 T2WI、弥散加权成像DWI、表观扩散系数ADC这三种MRI序列，其中ADC是由DWI计算得到，同一病例中的三种MRI序列T2WI、 DWI、ADC分别表示为IT2、IDWI、IADC；
对每个病例的三种MRI序列分别进行预处理，使其分辨率和尺寸相同，同样位置的像素基本对应人体内的同一部位；在每个病例的三种MRI序列上分别提取点特征，将这些点特征输入病灶检测分类器，得到候选病灶；
S2、候选病灶的计算机辅助诊断：
计算每个病例的三种MRI序列中候选病灶的区域特征，将这些区域特征输入病灶诊断分类器，得到相应的诊断结果。
在上述技术方案的基础上，步骤S1中所述候选病灶的自动检测具体包括以下步骤：
S101、第一训练阶段：
S101a、进行预处理：
将集合X作为训练样本，对训练样本中的每个病例的三种MRI 序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S101b、生成病灶检测模型：
在训练样本中，对每个病例的三种MRI序列上分别提取点特征，并组织相应的标签，提取到训练样本中全部病例的点特征，将提取到的点特征送入病灶检测分类器进行训练，生成病灶检测模型；
S102、第一测试阶段：
S102a、进行预处理：
将集合Y和Z作为测试样本，对测试样本中病例的三种MRI序列IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S102b、获取测试样本中每个病例的候选病灶：
在测试样本中，对每个病例的三种MRI序列上分别提取点特征，将提取到的点特征送入步骤S101b生成的病灶检测模型进行测试，测试样本中病例的每个点都得到一个相应的恶性概率值，根据图像上每个点的恶性概率，将恶性概率大于某一阈值的点所形成的区域判断为候选病灶；
步骤S2中所述候选病灶的计算机辅助诊断具体包括以下步骤：
S201、第二训练阶段：
S201a、进行预处理：
将集合Y作为训练样本，对训练样本中的每个病例的三种MRI 序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S201b、生成病灶诊断分类模型：
按照步骤S102b获取训练样本中每个病例的候选病灶；计算IT2、 IDWI、IADC中对应的候选病灶的区域特征，得到训练样本中全部病例的候选病灶的区域特征；将得到的区域特征送入病灶诊断分类器进行训练，生成病灶诊断分类模型；
S202、第二测试阶段
S202a、进行预处理：
将集合Z作为测试样本，对测试样本中的病例的三种MRI序列 IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同， IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S202b、得到病灶候选区域的恶性概率值：
按照步骤S102b获取测试样本中每个病例的候选病灶；计算IT2、 IDWI、IADC中对应的候选病灶的区域特征，得到测试样本中全部病例的候选病灶的区域特征；将得到的区域特征送入步骤S201b生成的病灶诊断分类模型进行测试，测试样本中病例的每个病灶候选区域都得到一个相应的恶性概率值。
在上述技术方案的基础上，步骤S101a、S201a、S201a、S202a 中，所述预处理的过程为：
对IDWI进行放大和剪切：
放大的方法由扩展插值算子实现，如果要扩展一倍的尺寸，则在水平和垂直两个方向上增强一倍的像素，即每行任意两个像素间需要插入一个值，每两行间需插入一行；插值算子采用双立方插值方法；放大的倍数为IDWI中的pixel spacing参数和IT2中的pixelspacing参数的比值，其中，pixel spacing参数表示图像中两个相邻像素在真实物理空间中的距离；
以放大后的图像的中心点为新图像的中心，对放大后的图像进行剪切，使新图像与IT2的尺寸一致；
对IADC也进行放大和剪切，方法与上面一致；
经过上述放大和剪切的处理，IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位。
在上述技术方案的基础上，步骤S101b和S102b中，对每个病例的三种MRI序列上分别提取的点特征均为自编码特征，自编码特征是根据训练好的自编码神经网络计算得到，自编码神经网络是一种无监督的学习算法，采用反向传播算法，让目标值等于输入值，即尝试学习一个函数hW，b(x)≈x，使输出接近输入x；
自编码特征的提取分为两个部分：训练自编码神经网络；将数据输入训练好的自编码神经网络，得到自编码特征，具体包括以下步骤：
对于每个病例的三种MRI序列，分别训练三种自编码神经网络，提取训练样本中每个病例的前列腺区域内的每个像素点的原始信号，对每个像素点，以该像素点为中心的5×5像素点的区域内信息，作为输入的小块，用来训练自编码神经网络，即输入和输出都是25维；对三种不同的MRI序列，分别进行训练，得到三种自编码神经网络；这三种自编码神经网络的输入层和输出层都为25维，隐藏层神经元的个数设置为10，迫使自编码神经网络学习输入数据的压缩表示；
将三种MRI序列原始信号输入训练得到的三种自编码神经网络，得到三种自编码特征，每种特征的维数为10维，对应隐藏层中的10 个神经元，三种MRI序列的特征联合起来为30维，作为像素点的特征。
在上述技术方案的基础上，步骤S201b和S202b中，计算IT2、 IDWI、IADC中对应的候选病灶的区域特征，具体包括以下步骤：
每个候选病灶的区域特征包括：原始的多参数磁共振成像MRI 信号、纹理特征、表示病灶与周围组织的关系的两类新特征：病灶- 凸包比值、病灶-环境差异特征；
病灶-凸包比值，即病灶与其凸包的面积比值，表示为Fr，包含候选病灶的不规则形状是其凸包，对于一个集合H，所有包含H的凸集之交称为H的凸包，候选病灶的总面积表示为Ac，凸包的总面积为Ah，则病灶-凸包比值Fr为：
病灶-环境差异特征，表示病灶与周围组织差异，表示为Fd，候选病灶表示为A，包含候选病灶的椭圆形是前列腺区域，表示为B；候选病灶所处的环境，即前列腺区域内且病灶以外的区域，表示为 B-A；
病灶-环境差异特征包括病灶-环境信号强度差异特征和病灶- 环境纹理差异特征
病灶-环境信号强度差异特征用数学公式表示为：
其中，SIA表示区域A的平均信号强度，SIB-A表示区域B-A的平均信号强度；
病灶-环境纹理差异特征用数学公式表示为：
其中，TA表示区域A的纹理特征，TB-A表示区域B-A的纹理特征；
纹理特征的计算过程如下：
首先，将MRI序列上的信号缩放到0-256灰度区间；
然后，对于每个像素点，在以像素点为中心的5×5像素点的区域内，计算区域内像素点的灰度共生矩阵，将灰度共生矩阵的纹理描述符：能量、对比度、相关性、熵、均匀性作为该像素点的纹理特征；
区域A或区域B-A的纹理特征为该区域中全部像素点的纹理特征的平均值。
本发明还提供一种基于两分类器的多参数MRI前列腺癌CAD系统，该系统包括候选病灶的自动检测单元、候选病灶的计算机辅助诊断单元，其中：
候选病灶的自动检测单元用于：
将包含全部病例的数据集合分为集合X、Y、Z，这三个集合分别包含不同的病例，三个集合中的每个病例都包含T2加权图像 T2WI、弥散加权成像DWI、表观扩散系数ADC这三种MRI序列，其中ADC是由DWI计算得到，同一病例中的三种MRI序列T2WI、 DWI、ADC分别表示为IT2、IDWI、IADC；
对每个病例的三种MRI序列分别进行预处理，使其分辨率和尺寸相同，同样位置的像素基本对应人体内的同一部位；在每个病例的三种MRI序列上分别提取点特征，将这些点特征输入病灶检测分类器，得到候选病灶；
候选病灶的计算机辅助诊断单元用于：
计算每个病例的三种MRI序列中候选病灶的区域特征，将这些区域特征输入病灶诊断分类器，得到相应的诊断结果。
在上述技术方案的基础上，所述候选病灶的自动检测单元具体用于：
S101、第一训练阶段：
S101a、进行预处理：
将集合X作为训练样本，对训练样本中的每个病例的三种MRI 序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S101b、生成病灶检测模型：
在训练样本中，对每个病例的三种MRI序列上分别提取点特征，并组织相应的标签，提取到训练样本中全部病例的点特征，将提取到的点特征送入病灶检测分类器进行训练，生成病灶检测模型；
S102、第一测试阶段：
S102a、进行预处理：
将集合Y和Z作为测试样本，对测试样本中病例的三种MRI序列IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S102b、获取测试样本中每个病例的候选病灶：
在测试样本中，对每个病例的三种MRI序列上分别提取点特征，将提取到的点特征送入步骤S101b生成的病灶检测模型进行测试，测试样本中病例的每个点都得到一个相应的恶性概率值，根据图像上每个点的恶性概率，将恶性概率大于某一阈值的点所形成的区域判断为候选病灶；
所述候选病灶的计算机辅助诊断单元具体用于：
S201、第二训练阶段：
S201a、进行预处理：
将集合Y作为训练样本，对训练样本中的每个病例的三种MRI 序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S201b、生成病灶诊断分类模型：
按照步骤S102b获取训练样本中每个病例的候选病灶；计算IT2、 IDWI、IADC中对应的候选病灶的区域特征，得到训练样本中全部病例的候选病灶的区域特征；将得到的区域特征送入病灶诊断分类器进行训练，生成病灶诊断分类模型；
S202、第二测试阶段
S202a、进行预处理：
将集合Z作为测试样本，对测试样本中的病例的三种MRI序列 IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同， IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S202b、得到病灶候选区域的恶性概率值：
按照步骤S102b获取测试样本中每个病例的候选病灶；计算IT2、 IDWI、IADC中对应的候选病灶的区域特征，得到测试样本中全部病例的候选病灶的区域特征；将得到的区域特征送入步骤S201b生成的病灶诊断分类模型进行测试，测试样本中病例的每个病灶候选区域都得到一个相应的恶性概率值。
在上述技术方案的基础上，步骤S101a、S201a、S201a、S202a 中，所述预处理的过程为：
对IDWI进行放大和剪切：
放大的方法由扩展插值算子实现，如果要扩展一倍的尺寸，则在水平和垂直两个方向上增强一倍的像素，即每行任意两个像素间需要插入一个值，每两行间需插入一行；插值算子采用双立方插值方法；放大的倍数为IDWI中的pixel spacing参数和IT2中的pixelspacing参数的比值，其中，pixel spacing参数表示图像中两个相邻像素在真实物理空间中的距离；
以放大后的图像的中心点为新图像的中心，对放大后的图像进行剪切，使新图像与IT2的尺寸一致；
对IADC也进行放大和剪切，方法与上面一致；
经过上述放大和剪切的处理，IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位。
在上述技术方案的基础上，步骤S101b和S102b中，对每个病例的三种MRI序列上分别提取的点特征均为自编码特征，自编码特征是根据训练好的自编码神经网络计算得到，自编码神经网络是一种无监督的学习算法，采用反向传播算法，让目标值等于输入值，即尝试学习一个函数hW，b(x)≈x，使输出接近输入x；
自编码特征的提取分为两个部分：训练自编码神经网络；将数据输入训练好的自编码神经网络，得到自编码特征，具体包括以下步骤：
对于每个病例的三种MRI序列，分别训练三种自编码神经网络，提取训练样本中每个病例的前列腺区域内的每个像素点的原始信号，对每个像素点，以该像素点为中心的5×5像素点的区域内信息，作为输入的小块，用来训练自编码神经网络，即输入和输出都是25维；对三种不同的MRI序列，分别进行训练，得到三种自编码神经网络；这三种自编码神经网络的输入层和输出层都为25维，隐藏层神经元的个数设置为10，迫使自编码神经网络学习输入数据的压缩表示；
将三种MRI序列原始信号输入训练得到的三种自编码神经网络，得到三种自编码特征，每种特征的维数为10维，对应隐藏层中的10 个神经元，三种MRI序列的特征联合起来为30维，作为像素点的特征。
在上述技术方案的基础上，步骤S201b和S202b中，计算IT2、 IDWI、IADC中对应的候选病灶的区域特征，具体包括以下步骤：
每个候选病灶的区域特征包括：原始的多参数磁共振成像MRI 信号、纹理特征、表示病灶与周围组织的关系的两类新特征：病灶- 凸包比值、病灶-环境差异特征；
病灶-凸包比值，即病灶与其凸包的面积比值，表示为Fr，包含候选病灶的不规则形状是其凸包，对于一个集合H，所有包含H的凸集之交称为H的凸包，候选病灶的总面积表示为Ac，凸包的总面积为Ah，则病灶-凸包比值Fr为：
病灶-环境差异特征，表示病灶与周围组织差异，表示为Fd，候选病灶表示为A，包含候选病灶的椭圆形是前列腺区域，表示为B；候选病灶所处的环境，即前列腺区域内且病灶以外的区域，表示为 B-A；
病灶-环境差异特征包括病灶-环境信号强度差异特征和病灶- 环境纹理差异特征
病灶-环境信号强度差异特征用数学公式表示为：
其中，SIA表示区域A的平均信号强度，SIB-A表示区域B-A的平均信号强度；
病灶-环境纹理差异特征用数学公式表示为：
其中，TA表示区域A的纹理特征，TB-A表示区域B-A的纹理特征；
纹理特征的计算过程如下：
首先，将MRI序列上的信号缩放到0-256灰度区间；
然后，对于每个像素点，在以像素点为中心的5×5像素点的区域内，计算区域内像素点的灰度共生矩阵，将灰度共生矩阵的纹理描述符：能量、对比度、相关性、熵、均匀性作为该像素点的纹理特征；
区域A或区域B-A的纹理特征为该区域中全部像素点的纹理特征的平均值。
与现有技术相比，本发明的优点如下：
本发明涉及两种分类器：病灶检测分类器和病灶诊断分类器。针对前列腺区域内的候选病灶的手工分割可能会造成不一致的诊断结论，本发明采用自编码特征训练病灶检测分类器，用来检测候选病灶。在病灶检测阶段，本发明采用自编码特征描述像素点，输入病灶检测分类器，得到概率图，根据该概率图得到候选病灶。为了更准确地描述病灶，本发明在病灶诊断阶段，采用原始信号和灰度共生矩阵描述候选病灶区域的纹理特征，来表征病灶，同时设计了两类新的融合医生经验的区域特征，来表征病灶与周围组织的关系，输入病灶诊断分类器，得到相应的诊断结果，作为参考意见提供给医生，本发明能有效辅助医生利用MRI图像对前列腺癌进行诊断，提高多参数MRI前列腺癌计算机辅助诊断系统的性能。
附图说明
图1是本发明实施例中基于两分类器的多参数MRI前列腺癌 CAD方法的流程图。
图2是本发明实施例中候选病灶自动检测的流程图。
图3是本发明实施例中候选病灶计算机辅助诊断的流程图。
图4是本发明实施例中病灶检测中所用到的自编码神经网络的示意图。
图5是本发明实施例中某病例的概率图。
图6是本发明实施例中“病灶-凸包比值”特征的计算示意图。
图7是本发明实施例中“病灶-环境差异特征”特征的计算示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细描述。
参见图1所示，本发明实施例提供一种基于两分类器的多参数 MRI前列腺癌CAD方法，包括以下步骤：
S1、候选病灶的自动检测：
将包含全部病例的数据集合分为集合X、Y、Z，这三个集合分别包含不同的病例，三个集合中的每个病例都包含T2WI、DWI、ADC (apparent diffusion coefficient，表观扩散系数)这三种MRI序列，其中，ADC是由DWI计算得到；同一病例中的三种MRI序列T2WI、 DWI、ADC分别表示为IT2、IDWI、IADC；
对每个病例的三种MRI序列分别进行预处理，使其分辨率和尺寸相同，同样位置的像素基本对应人体内的同一部位；在每个病例的三种MRI序列上分别提取点特征，将这些点特征输入病灶检测分类器，得到候选病灶；
S2、候选病灶的计算机辅助诊断：
计算每个病例的三种MRI序列中候选病灶的区域特征，将这些区域特征输入病灶诊断分类器，得到相应的诊断结果。
在病灶检测阶段，将集合X作为训练样本，用来训练病灶检测分类器，根据训练好的分类器得到集合Y和Z的候选病灶；在获取集合Y和Z的候选病灶之后，在病灶诊断阶段，将集合Y作为训练样本，用来训练病灶诊断分类器，采用训练好的病灶诊断分类器，对集合Z中的病例进行诊断。为了保证这两类分类器的真实有效，集合 X只用来训练病灶检测分类器，不参与后面的病灶诊断阶段。
步骤S1包括第一训练阶段和第一测试阶段，参见图2所示，图2的第一行显示的是第一训练阶段，第二行显示的是第一测试阶段。
步骤S1中所述候选病灶的自动检测具体包括以下步骤：
S101、第一训练阶段：
S101a、进行预处理：
将集合X作为训练样本，对训练样本中的每个病例的三种MRI 序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S101b、生成病灶检测模型：
在训练样本中，对每个病例的三种MRI序列上分别提取点特征，并组织相应的标签，提取到训练样本中全部病例的点特征，将提取到的点特征送入病灶检测分类器进行训练，生成病灶检测模型。
S102、第一测试阶段：
S102a、进行预处理：
将集合Y和Z作为测试样本，对测试样本中病例的三种MRI序列IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S102b、获取测试样本中每个病例的候选病灶：
在测试样本中，对每个病例的三种MRI序列上分别提取点特征，将提取到的点特征送入步骤S101b生成的病灶检测模型进行测试，测试样本中病例的每个点都得到一个相应的恶性概率值，根据图像上每个点的恶性概率，将恶性概率大于某一阈值的点所形成的区域判断为候选病灶。图5是某病例的概率图与T2加权图像的叠加，前列腺部位的灰度越亮，表示该点的概率值越大，越暗，表示值越小。
步骤S2包括第二训练阶段和第二测试阶段，参见图3所示，图3的第一行显示的是第二训练阶段，第二行显示的是第二测试阶段。
步骤S2中所述候选病灶的计算机辅助诊断具体包括以下步骤：
S201、第二训练阶段：
S201a、进行预处理：
将集合Y作为训练样本，对训练样本中的每个病例的三种MRI 序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S201b、生成病灶诊断分类模型：
按照步骤S102b获取训练样本中每个病例的候选病灶；计算IT2、 IDWI、IADC中对应的候选病灶的区域特征，得到训练样本中全部病例的候选病灶的区域特征；将得到的区域特征送入病灶诊断分类器进行训练，生成病灶诊断分类模型。
S202、第二测试阶段
S202a、进行预处理：
将集合Z作为测试样本，对测试样本中的病例的三种MRI序列 IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同， IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S202b、得到病灶候选区域的恶性概率值：
按照步骤S102b获取测试样本中每个病例的候选病灶；计算IT2、 IDWI、IADC中对应的候选病灶的区域特征，得到测试样本中全部病例的候选病灶的区域特征；将得到的区域特征送入步骤S201b生成的病灶诊断分类模型进行测试，测试样本中病例的每个病灶候选区域都得到一个相应的恶性概率值。
本发明实施例还提供一种基于两分类器的多参数MRI前列腺癌CAD系统，该系统包括候选病灶的自动检测单元、候选病灶的计算机辅助诊断单元，其中：
候选病灶的自动检测单元用于：
将包含全部病例的数据集合分为集合X、Y、Z，这三个集合分别包含不同的病例，三个集合中的每个病例都包含T2加权图像 T2WI、弥散加权成像DWI、表观扩散系数ADC这三种MRI序列，其中ADC是由DWI计算得到，同一病例中的三种MRI序列T2WI、DWI、ADC分别表示为IT2、IDWI、IADC；
对每个病例的三种MRI序列分别进行预处理，使其分辨率和尺寸相同，同样位置的像素基本对应人体内的同一部位；在每个病例的三种MRI序列上分别提取点特征，将这些点特征输入病灶检测分类器，得到候选病灶；
候选病灶的计算机辅助诊断单元用于：
计算每个病例的三种MRI序列中候选病灶的区域特征，将这些区域特征输入病灶诊断分类器，得到相应的诊断结果。
候选病灶的自动检测单元具体用于：
S101、第一训练阶段：
S101a、进行预处理：
将集合X作为训练样本，对训练样本中的每个病例的三种MRI 序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S101b、生成病灶检测模型：
在训练样本中，对每个病例的三种MRI序列上分别提取点特征，并组织相应的标签，提取到训练样本中全部病例的点特征，将提取到的点特征送入病灶检测分类器进行训练，生成病灶检测模型；
S102、第一测试阶段：
S102a、进行预处理：
将集合Y和Z作为测试样本，对测试样本中病例的三种MRI序列IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDMI、IADC中的同样位置的像素基本对应人体内的同一部位；
S102b、获取测试样本中每个病例的候选病灶：
在测试样本中，对每个病例的三种MRI序列上分别提取点特征，将提取到的点特征送入步骤S101b生成的病灶检测模型进行测试，测试样本中病例的每个点都得到一个相应的恶性概率值，根据图像上每个点的恶性概率，将恶性概率大于某一阈值的点所形成的区域判断为候选病灶；
候选病灶的计算机辅助诊断单元具体用于：
S201、第二训练阶段：
S201a、进行预处理：
将集合Y作为训练样本，对训练样本中的每个病例的三种MRI 序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S201b、生成病灶诊断分类模型：
按照步骤S102b获取训练样本中每个病例的候选病灶；计算IT2、 IDWI、IADC中对应的候选病灶的区域特征，得到训练样本中全部病例的候选病灶的区域特征；将得到的区域特征送入病灶诊断分类器进行训练，生成病灶诊断分类模型；
S202、第二测试阶段
S202a、进行预处理：
将集合Z作为测试样本，对测试样本中的病例的三种MRI序列 IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同， IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S202b、得到病灶候选区域的恶性概率值：
按照步骤S102b获取测试样本中每个病例的候选病灶；计算IT2、 IDWI、IADC中对应的候选病灶的区域特征，得到测试样本中全部病例的候选病灶的区域特征；将得到的区域特征送入步骤S201b生成的病灶诊断分类模型进行测试，测试样本中病例的每个病灶候选区域都得到一个相应的恶性概率值。
步骤S101a、S201a、S201a、S202a中，预处理的过程为：
对IDWI进行放大和剪切：
放大的方法由扩展插值算子实现，如果要扩展一倍的尺寸，则在水平和垂直两个方向上增强一倍的像素，即每行任意两个像素间需要插入一个值，每两行间需插入一行；插值算子采用双立方插值方法；放大的倍数为IDWI中的pixel spacing参数和IT2中的pixelspacing参数的比值，其中，pixel spacing参数表示图像中两个相邻像素在真实物理空间中的距离；
以放大后的图像的中心点为新图像的中心，对放大后的图像进行剪切，使新图像与IT2的尺寸一致，例如：都为512×512个像素点；
对IADC也进行放大和剪切，方法与上面一致；
经过上述放大和剪切的处理，IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位。
步骤S101b和S102b中，对每个病例的三种MRI序列上分别提取的点特征均为自编码特征，自编码特征是根据训练好的自编码神经网络计算得到，所用到的自编码神经网络参见图4所示。自编码神经网络是一种无监督的学习算法，采用反向传播算法，让目标值等于输入值，即尝试学习一个函数hW，b(x)≈x，使输出接近输入x。
自编码特征的提取分为两个部分：训练自编码神经网络；将数据输入训练好的自编码神经网络，得到自编码特征，具体包括以下步骤：
对于每个病例的三种MRI序列，分别训练三种自编码神经网络，提取训练样本中每个病例的前列腺区域内的每个像素点的原始信号，对每个像素点，以该像素点为中心的5×5像素点的区域内信息，作为输入的小块，用来训练自编码神经网络，即输入和输出都是25维；对三种不同的MRI序列，分别进行训练，得到三种自编码神经网络。图4中，最左边的为输入层，最右边的为输出层，中间为隐藏层。这三种自编码神经网络的输入层和输出层都为25维，隐藏层神经元的个数设置为10，这样迫使自编码神经网络学习输入数据的压缩表示。
将三种MRI序列的原始信号输入训练得到的三种自编码神经网络，得到三种自编码特征，每种特征的维数为10维，对应隐藏层中的10个神经元，三种MRI序列的特征联合起来为30维，作为像素点的特征。
步骤S201b和S202b中，计算IT2、IDWI、IADC中对应的候选病灶的区域特征，具体包括以下步骤：
每个候选病灶的区域特征包括：原始的多参数MRI信号、纹理特征、表示病灶与周围组织的关系的两类新特征：病灶-凸包比值、病灶-环境差异特征。
通过分析前列腺癌与良性前列腺增生的病例，发现这两者的不同之处：第一点，良性前列腺增生的病灶比较分散，成片状结构，而前列腺癌的病灶比较集中；第二点，前列腺癌与周围组织的差别较大，而良性前列腺增生与周围组织的差别相对较小。根据第一点，本发明实施例提出病灶-凸包比值；根据第二点，本发明实施例提出病灶-环境差异特征。
病灶-凸包比值，即病灶与其凸包的面积比值，表示为Fr。参见图6所示，图像中部有三个候选病灶被标注出来，包含这三个候选病灶的不规则形状是其凸包，对于一个集合H，所有包含H的凸集之交称为H的凸包，凸包可想象为一条刚好包着所有点的橡皮圈，候选病灶的总面积表示为Ac，凸包的总面积为Ah，则病灶-凸包比值Fr为：
在有多个候选病灶的病例中，良性病灶一般比较分散，其病灶- 凸包比值较小，而恶性病灶一般比较集中，其病灶-凸包比值较大。所以病灶-凸包比值可以作为区分良性和恶性病灶的一种指标。
病灶-环境差异特征，表示病灶与周围组织差异，表示为Fd。参见图7所示，图像中部有三个候选病灶被标注出来，表示为A，包含这三个候选病灶的椭圆形是前列腺区域，表示为B。候选病灶所处的环境，即前列腺区域内且病灶以外的区域，表示为B-A。采用多参数MRI诊断前列腺疾病的时候，与前列腺增生相比，前列腺癌病灶与周围组织的差异更大，本发明实施例设计病灶-环境差异特征来量化这种差异，可以分别在T2WI、DWI、ADC这三种MRI序列上计算病灶-环境差异特征。
病灶-环境差异特征包括病灶-环境信号强度差异特征和病灶- 环境纹理差异特征
病灶-环境信号强度差异特征用数学公式表示为：
其中，SIA表示区域A的平均信号强度(Signal Intensity)，SIB-A表示区域B-A的平均信号强度(Signal Intensity)。
病灶-环境纹理差异特征用数学公式表示为：
其中，TA表示区域A的纹理特征(Texture)，TB-A表示区域B-A 的纹理特征(Texture)。
纹理特征的计算过程如下：
首先，将MRI序列上的信号缩放到0-256灰度区间；
然后，对于每个像素点，在以像素点为中心的5×5像素点的区域内，计算区域内像素点的灰度共生矩阵，将灰度共生矩阵的纹理描述符：能量、对比度、相关性、熵、均匀性作为该像素点的纹理特征；
区域A或区域B-A的纹理特征为该区域中全部像素点的纹理特征的平均值。
本发明实施例采用ROC(Receiver operating characteristic)曲线下面积(AUC)描述多参数MRI前列腺癌CAD系统的性能。
实验结果表明，病灶-凸包比值、病灶-环境差异特征这两类新设计的特征均能有效提升多参数MRI前列腺癌CAD系统的性能。
本领域的技术人员可以对本发明实施例进行各种修改和变型，倘若这些修改和变型在本发明权利要求及其等同技术的范围之内，则这些修改和变型也在本发明的保护范围之内。
说明书中未详细描述的内容为本领域技术人员公知的现有技术。
Claims (10)
1.一种基于两分类器的多参数MRI前列腺癌CAD方法，其特征在于，包括以下步骤：
S1、候选病灶的自动检测：
将包含全部病例的数据集合分为集合X、Y、Z，这三个集合分别包含不同的病例，三个集合中的每个病例都包含T2加权图像T2WI、弥散加权成像DWI、表观扩散系数ADC这三种MRI序列，其中ADC是由DWI计算得到，同一病例中的三种MRI序列T2WI、DWI、ADC分别表示为IT2、IDWI、IADC；
对每个病例的三种MRI序列分别进行预处理，使其分辨率和尺寸相同，同样位置的像素基本对应人体内的同一部位；在每个病例的三种MRI序列上分别提取点特征，将这些点特征输入病灶检测分类器，得到候选病灶；
S2、候选病灶的计算机辅助诊断：
计算每个病例的三种MRI序列中候选病灶的区域特征，将这些区域特征输入病灶诊断分类器，得到相应的诊断结果。
2.如权利要求1所述的基于两分类器的多参数MRI前列腺癌CAD方法，其特征在于：步骤S1中所述候选病灶的自动检测具体包括以下步骤：
S101、第一训练阶段：
S101a、进行预处理：
将集合X作为训练样本，对训练样本中的每个病例的三种MRI序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S101b、生成病灶检测模型：
在训练样本中，对每个病例的三种MRI序列上分别提取点特征，并组织相应的标签，提取到训练样本中全部病例的点特征，将提取到的点特征送入病灶检测分类器进行训练，生成病灶检测模型；
S102、第一测试阶段：
S102a、进行预处理：
将集合Y和Z作为测试样本，对测试样本中病例的三种MRI序列IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S102b、获取测试样本中每个病例的候选病灶：
在测试样本中，对每个病例的三种MRI序列上分别提取点特征，将提取到的点特征送入步骤S101b生成的病灶检测模型进行测试，测试样本中病例的每个点都得到一个相应的恶性概率值，根据图像上每个点的恶性概率，将恶性概率大于某一阈值的点所形成的区域判断为候选病灶；
步骤S2中所述候选病灶的计算机辅助诊断具体包括以下步骤：
S201、第二训练阶段：
S201a、进行预处理：
将集合Y作为训练样本，对训练样本中的每个病例的三种MRI序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S201b、生成病灶诊断分类模型：
按照步骤S102b获取训练样本中每个病例的候选病灶；计算IT2、IDWI、IADC中对应的候选病灶的区域特征，得到训练样本中全部病例的候选病灶的区域特征；将得到的区域特征送入病灶诊断分类器进行训练，生成病灶诊断分类模型；
S202、第二测试阶段
S202a、进行预处理：
将集合Z作为测试样本，对测试样本中的病例的三种MRI序列IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S202b、得到病灶候选区域的恶性概率值：
按照步骤S102b获取测试样本中每个病例的候选病灶；计算IT2、IDWI、IADC中对应的候选病灶的区域特征，得到测试样本中全部病例的候选病灶的区域特征；将得到的区域特征送入步骤S201b生成的病灶诊断分类模型进行测试，测试样本中病例的每个病灶候选区域都得到一个相应的恶性概率值。
3.如权利要求2所述的基于两分类器的多参数MRI前列腺癌CAD方法，其特征在于：步骤S101a、S201a、S201a、S202a中，所述预处理的过程为：
对IDWI进行放大和剪切：
放大的方法由扩展插值算子实现，如果要扩展一倍的尺寸，则在水平和垂直两个方向上增强一倍的像素，即每行任意两个像素间需要插入一个值，每两行间需插入一行；插值算子采用双立方插值方法；放大的倍数为IDWI中的pixel spacing参数和IT2中的pixelspacing参数的比值，其中，pixel spacing参数表示图像中两个相邻像素在真实物理空间中的距离；
以放大后的图像的中心点为新图像的中心，对放大后的图像进行剪切，使新图像与IT2的尺寸一致；
对IADC也进行放大和剪切，方法与上面一致；
经过上述放大和剪切的处理，IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位。
4.如权利要求2所述的基于两分类器的多参数MRI前列腺癌CAD方法，其特征在于：步骤S101b和S102b中，对每个病例的三种MRI序列上分别提取的点特征均为自编码特征，自编码特征是根据训练好的自编码神经网络计算得到，自编码神经网络是一种无监督的学习算法，采用反向传播算法，让目标值等于输入值，即尝试学习一个函数hW，b(x)≈x，使输出接近输入x；
自编码特征的提取分为两个部分：训练自编码神经网络；将数据输入训练好的自编码神经网络，得到自编码特征，具体包括以下步骤：
对于每个病例的三种MRI序列，分别训练三种自编码神经网络，提取训练样本中每个病例的前列腺区域内的每个像素点的原始信号，对每个像素点，以该像素点为中心的5×5像素点的区域内信息，作为输入的小块，用来训练自编码神经网络，即输入和输出都是25维；对三种不同的MRI序列，分别进行训练，得到三种自编码神经网络；这三种自编码神经网络的输入层和输出层都为25维，隐藏层神经元的个数设置为10，迫使自编码神经网络学习输入数据的压缩表示；
将三种MRI序列原始信号输入训练得到的三种自编码神经网络，得到三种自编码特征，每种特征的维数为10维，对应隐藏层中的10个神经元，三种MRI序列的特征联合起来为30维，作为像素点的特征。
5.如权利要求2所述的基于两分类器的多参数MRI前列腺癌CAD方法，其特征在于：步骤S201b和S202b中，计算IT2、IDWI、IADC中对应的候选病灶的区域特征，具体包括以下步骤：
每个候选病灶的区域特征包括：原始的多参数磁共振成像MRI信号、纹理特征、表示病灶与周围组织的关系的两类新特征：病灶-凸包比值、病灶-环境差异特征；
病灶-凸包比值，即病灶与其凸包的面积比值，表示为Fr，包含候选病灶的不规则形状是其凸包，对于一个集合H，所有包含H的凸集之交称为H的凸包，候选病灶的总面积表示为Ac，凸包的总面积为Ah，则病灶-凸包比值Fr为：
<mrow>
<msub>
<mi>F</mi>
<mi>r</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>A</mi>
<mi>c</mi>
</msub>
<msub>
<mi>A</mi>
<mi>h</mi>
</msub>
</mfrac>
<mo>;</mo>
</mrow>
病灶-环境差异特征，表示病灶与周围组织差异，表示为Fd，候选病灶表示为A，包含候选病灶的椭圆形是前列腺区域，表示为B；候选病灶所处的环境，即前列腺区域内且病灶以外的区域，表示为B-A；
病灶-环境差异特征包括病灶-环境信号强度差异特征和病灶-环境纹理差异特征
病灶-环境信号强度差异特征用数学公式表示为：
<mrow>
<msubsup>
<mi>F</mi>
<mi>d</mi>
<mrow>
<mi>S</mi>
<mi>l</mi>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>SI</mi>
<mrow>
<mi>B</mi>
<mo>-</mo>
<mi>A</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>SI</mi>
<mi>A</mi>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<msub>
<mi>SI</mi>
<mrow>
<mi>B</mi>
<mo>-</mo>
<mi>A</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中，SIA表示区域A的平均信号强度，SIB-A表示区域B-A的平均信号强度；
病灶-环境纹理差异特征用数学公式表示为：
<mrow>
<msubsup>
<mi>F</mi>
<mi>d</mi>
<mi>T</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>B</mi>
<mo>-</mo>
<mi>A</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mi>A</mi>
</msub>
<mo>|</mo>
</mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>B</mi>
<mo>-</mo>
<mi>A</mi>
</mrow>
</msub>
</mfrac>
<mo>,</mo>
</mrow>
其中，TA表示区域A的纹理特征，TB-A表示区域B-A的纹理特征；
纹理特征的计算过程如下：
首先，将MRI序列上的信号缩放到0-256灰度区间；
然后，对于每个像素点，在以像素点为中心的5×5像素点的区域内，计算区域内像素点的灰度共生矩阵，将灰度共生矩阵的纹理描述符：能量、对比度、相关性、熵、均匀性作为该像素点的纹理特征；
区域A或区域B-A的纹理特征为该区域中全部像素点的纹理特征的平均值。
6.一种基于两分类器的多参数MRI前列腺癌CAD系统，其特征在于，该系统包括候选病灶的自动检测单元、候选病灶的计算机辅助诊断单元，其中：
候选病灶的自动检测单元用于：
将包含全部病例的数据集合分为集合X、Y、Z，这三个集合分别包含不同的病例，三个集合中的每个病例都包含T2加权图像T2WI、弥散加权成像DWI、表观扩散系数ADC这三种MRI序列，其中ADC是由DWI计算得到，同一病例中的三种MRI序列T2WI、DWI、ADC分别表示为IT2、IDWI、IADC；
对每个病例的三种MRI序列分别进行预处理，使其分辨率和尺寸相同，同样位置的像素基本对应人体内的同一部位；在每个病例的三种MRI序列上分别提取点特征，将这些点特征输入病灶检测分类器，得到候选病灶；
候选病灶的计算机辅助诊断单元用于：
计算每个病例的三种MRI序列中候选病灶的区域特征，将这些区域特征输入病灶诊断分类器，得到相应的诊断结果。
7.如权利要求6所述的基于两分类器的多参数MRI前列腺癌CAD系统，其特征在于：所述候选病灶的自动检测单元具体用于：
S101、第一训练阶段：
S101a、进行预处理：
将集合X作为训练样本，对训练样本中的每个病例的三种MRI序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S101b、生成病灶检测模型：
在训练样本中，对每个病例的三种MRI序列上分别提取点特征，并组织相应的标签，提取到训练样本中全部病例的点特征，将提取到的点特征送入病灶检测分类器进行训练，生成病灶检测模型；
S102、第一测试阶段：
S102a、进行预处理：
将集合Y和Z作为测试样本，对测试样本中病例的三种MRI序列IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S102b、获取测试样本中每个病例的候选病灶：
在测试样本中，对每个病例的三种MRI序列上分别提取点特征，将提取到的点特征送入步骤S101b生成的病灶检测模型进行测试，测试样本中病例的每个点都得到一个相应的恶性概率值，根据图像上每个点的恶性概率，将恶性概率大于某一阈值的点所形成的区域判断为候选病灶；
所述候选病灶的计算机辅助诊断单元具体用于：
S201、第二训练阶段：
S201a、进行预处理：
将集合Y作为训练样本，对训练样本中的每个病例的三种MRI序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S201b、生成病灶诊断分类模型：
按照步骤S102b获取训练样本中每个病例的候选病灶；计算IT2、IDWI、IADC中对应的候选病灶的区域特征，得到训练样本中全部病例的候选病灶的区域特征；将得到的区域特征送入病灶诊断分类器进行训练，生成病灶诊断分类模型；
S202、第二测试阶段
S202a、进行预处理：
将集合Z作为测试样本，对测试样本中的病例的三种MRI序列IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；
S202b、得到病灶候选区域的恶性概率值：
按照步骤S102b获取测试样本中每个病例的候选病灶；计算IT2、IDWI、IADC中对应的候选病灶的区域特征，得到测试样本中全部病例的候选病灶的区域特征；将得到的区域特征送入步骤S201b生成的病灶诊断分类模型进行测试，测试样本中病例的每个病灶候选区域都得到一个相应的恶性概率值。
8.如权利要求7所述的基于两分类器的多参数MRI前列腺癌CAD系统，其特征在于：步骤S101a、S201a、S201a、S202a中，所述预处理的过程为：
对IDWI进行放大和剪切：
放大的方法由扩展插值算子实现，如果要扩展一倍的尺寸，则在水平和垂直两个方向上增强一倍的像素，即每行任意两个像素间需要插入一个值，每两行间需插入一行；插值算子采用双立方插值方法；放大的倍数为IDWI中的pixel spacing参数和IT2中的pixelspacing参数的比值，其中，pixel spacing参数表示图像中两个相邻像素在真实物理空间中的距离；
以放大后的图像的中心点为新图像的中心，对放大后的图像进行剪切，使新图像与IT2的尺寸一致；
对IADC也进行放大和剪切，方法与上面一致；
经过上述放大和剪切的处理，IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位。
9.如权利要求7所述的基于两分类器的多参数MRI前列腺癌CAD系统，其特征在于：步骤S101b和S102b中，对每个病例的三种MRI序列上分别提取的点特征均为自编码特征，自编码特征是根据训练好的自编码神经网络计算得到，自编码神经网络是一种无监督的学习算法，采用反向传播算法，让目标值等于输入值，即尝试学习一个函数hW，b(x)≈x，使输出接近输入x；
自编码特征的提取分为两个部分：训练自编码神经网络；将数据输入训练好的自编码神经网络，得到自编码特征，具体包括以下步骤：
对于每个病例的三种MRI序列，分别训练三种自编码神经网络，提取训练样本中每个病例的前列腺区域内的每个像素点的原始信号，对每个像素点，以该像素点为中心的5×5像素点的区域内信息，作为输入的小块，用来训练自编码神经网络，即输入和输出都是25维；对三种不同的MRI序列，分别进行训练，得到三种自编码神经网络；这三种自编码神经网络的输入层和输出层都为25维，隐藏层神经元的个数设置为10，迫使自编码神经网络学习输入数据的压缩表示；
将三种MRI序列原始信号输入训练得到的三种自编码神经网络，得到三种自编码特征，每种特征的维数为10维，对应隐藏层中的10个神经元，三种MRI序列的特征联合起来为30维，作为像素点的特征。
10.如权利要求7所述的基于两分类器的多参数MRI前列腺癌CAD系统，其特征在于：步骤S201b和S202b中，计算IT2、IDWI、IADC中对应的候选病灶的区域特征，具体包括以下步骤：
每个候选病灶的区域特征包括：原始的多参数磁共振成像MRI信号、纹理特征、表示病灶与周围组织的关系的两类新特征：病灶-凸包比值、病灶-环境差异特征；
病灶-凸包比值，即病灶与其凸包的面积比值，表示为Fr，包含候选病灶的不规则形状是其凸包，对于一个集合H，所有包含H的凸集之交称为H的凸包，候选病灶的总面积表示为Ac，凸包的总面积为Ah，则病灶-凸包比值Fr为：
<mrow>
<msub>
<mi>F</mi>
<mi>r</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>A</mi>
<mi>c</mi>
</msub>
<msub>
<mi>A</mi>
<mi>h</mi>
</msub>
</mfrac>
<mo>;</mo>
</mrow>
病灶-环境差异特征，表示病灶与周围组织差异，表示为Fd，候选病灶表示为A，包含候选病灶的椭圆形是前列腺区域，表示为B；候选病灶所处的环境，即前列腺区域内且病灶以外的区域，表示为B-A；
病灶-环境差异特征包括病灶-环境信号强度差异特征和病灶-环境纹理差异特征
病灶-环境信号强度差异特征用数学公式表示为：
<mrow>
<msubsup>
<mi>F</mi>
<mi>d</mi>
<mrow>
<mi>S</mi>
<mi>I</mi>
</mrow>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>SI</mi>
<mrow>
<mi>B</mi>
<mo>-</mo>
<mi>A</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>SI</mi>
<mi>A</mi>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<msub>
<mi>SI</mi>
<mrow>
<mi>B</mi>
<mo>-</mo>
<mi>A</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中，SIA表示区域A的平均信号强度，SIB-A表示区域B-A的平均信号强度；
病灶-环境纹理差异特征用数学公式表示为：
<mrow>
<msubsup>
<mi>F</mi>
<mi>d</mi>
<mi>T</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>B</mi>
<mo>-</mo>
<mi>A</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mi>A</mi>
</msub>
<mo>|</mo>
</mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>B</mi>
<mo>-</mo>
<mi>A</mi>
</mrow>
</msub>
</mfrac>
<mo>,</mo>
</mrow>
其中，TA表示区域A的纹理特征，TB-A表示区域B-A的纹理特征；
纹理特征的计算过程如下：
首先，将MRI序列上的信号缩放到0-256灰度区间；
然后，对于每个像素点，在以像素点为中心的5×5像素点的区域内，计算区域内像素点的灰度共生矩阵，将灰度共生矩阵的纹理描述符：能量、对比度、相关性、熵、均匀性作为该像素点的纹理特征；
区域A或区域B-A的纹理特征为该区域中全部像素点的纹理特征的平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710212024.7A CN107133638B (zh) | 2017-04-01 | 2017-04-01 | 基于两分类器的多参数mri前列腺癌cad方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710212024.7A CN107133638B (zh) | 2017-04-01 | 2017-04-01 | 基于两分类器的多参数mri前列腺癌cad方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107133638A true CN107133638A (zh) | 2017-09-05 |
| CN107133638B CN107133638B (zh) | 2020-01-14 |
Family
ID=59716313
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710212024.7A Expired - Fee Related CN107133638B (zh) | 2017-04-01 | 2017-04-01 | 基于两分类器的多参数mri前列腺癌cad方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107133638B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108324244A (zh) * | 2018-01-03 | 2018-07-27 | 华东师范大学 | 用于ai+mri影像辅助诊断的自动增广训练样本的构建方法及系统 |
| CN108846327A (zh) * | 2018-05-29 | 2018-11-20 | 中国人民解放军总医院 | 一种色素痣与黑素瘤的智能判别系统及方法 |
| CN109410216A (zh) * | 2018-09-14 | 2019-03-01 | 北京市商汤科技开发有限公司 | 一种缺血性脑卒中图像区域分割方法及装置 |
| CN110188792A (zh) * | 2019-04-18 | 2019-08-30 | 万达信息股份有限公司 | 前列腺mri三维图像的图像特征获取方法 |
| WO2019200745A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技（深圳）有限公司 | Mri病变位置检测方法、装置、计算机设备和存储介质 |
| CN111028206A (zh) * | 2019-11-21 | 2020-04-17 | 万达信息股份有限公司 | 一种基于深度学习前列腺癌自动检测和分类系统 |
| CN111476775A (zh) * | 2020-04-07 | 2020-07-31 | 广州柏视医疗科技有限公司 | Dr征象识别装置和方法 |
| 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 |
| US11963788B2 (en) | 2021-12-17 | 2024-04-23 | City University Of Hong Kong | Graph-based prostate diagnosis network and method for using the same |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104424386A (zh) * | 2013-08-23 | 2015-03-18 | 北京大学 | 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 |
| CN104794426A (zh) * | 2015-01-13 | 2015-07-22 | 宁夏医科大学 | 基于cad系统提高前列腺肿瘤mri图像识别率的方法 |
| CN106355573A (zh) * | 2016-08-24 | 2017-01-25 | 北京小米移动软件有限公司 | 图片中目标物的定位方法及装置 |
| CN106408610A (zh) * | 2015-04-16 | 2017-02-15 | 西门子公司 | 用边缘空间深度神经网络进行解剖对象检测的方法和系统 |
-
2017
- 2017-04-01 CN CN201710212024.7A patent/CN107133638B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104424386A (zh) * | 2013-08-23 | 2015-03-18 | 北京大学 | 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 |
| CN104794426A (zh) * | 2015-01-13 | 2015-07-22 | 宁夏医科大学 | 基于cad系统提高前列腺肿瘤mri图像识别率的方法 |
| CN106408610A (zh) * | 2015-04-16 | 2017-02-15 | 西门子公司 | 用边缘空间深度神经网络进行解剖对象检测的方法和系统 |
| CN106355573A (zh) * | 2016-08-24 | 2017-01-25 | 北京小米移动软件有限公司 | 图片中目标物的定位方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 高歌等: "前列腺癌多参数MRI计算机辅助诊断系统的构建", 《肿瘤影像学》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108324244A (zh) * | 2018-01-03 | 2018-07-27 | 华东师范大学 | 用于ai+mri影像辅助诊断的自动增广训练样本的构建方法及系统 |
| WO2019200745A1 (zh) * | 2018-04-20 | 2019-10-24 | 平安科技（深圳）有限公司 | Mri病变位置检测方法、装置、计算机设备和存储介质 |
| CN108846327A (zh) * | 2018-05-29 | 2018-11-20 | 中国人民解放军总医院 | 一种色素痣与黑素瘤的智能判别系统及方法 |
| CN109410216B (zh) * | 2018-09-14 | 2020-12-29 | 北京市商汤科技开发有限公司 | 一种缺血性脑卒中图像区域分割方法及装置 |
| CN109410216A (zh) * | 2018-09-14 | 2019-03-01 | 北京市商汤科技开发有限公司 | 一种缺血性脑卒中图像区域分割方法及装置 |
| US11633146B2 (en) | 2019-01-04 | 2023-04-25 | Regents Of The University Of Minnesota | Automated co-registration of prostate MRI data |
| US11631171B2 (en) | 2019-01-10 | 2023-04-18 | Regents Of The University Of Minnesota | Automated detection and annotation of prostate cancer on histopathology slides |
| CN110188792A (zh) * | 2019-04-18 | 2019-08-30 | 万达信息股份有限公司 | 前列腺mri三维图像的图像特征获取方法 |
| CN110188792B (zh) * | 2019-04-18 | 2023-09-08 | 万达信息股份有限公司 | 前列腺mri三维图像的图像特征获取方法 |
| CN111028206A (zh) * | 2019-11-21 | 2020-04-17 | 万达信息股份有限公司 | 一种基于深度学习前列腺癌自动检测和分类系统 |
| CN111476775B (zh) * | 2020-04-07 | 2021-11-16 | 广州柏视医疗科技有限公司 | Dr征象识别装置和方法 |
| CN111476775A (zh) * | 2020-04-07 | 2020-07-31 | 广州柏视医疗科技有限公司 | Dr征象识别装置和方法 |
| US11963788B2 (en) | 2021-12-17 | 2024-04-23 | City University Of Hong Kong | Graph-based prostate diagnosis network and method for using the same |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107133638B (zh) | 2020-01-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107133638A (zh) | 基于两分类器的多参数mri前列腺癌cad方法及系统 | |
| CN110060774B (zh) | 一种基于生成式对抗网络的甲状腺结节识别方法 | |
| CN106778005B (zh) | 基于多参数mri的前列腺癌计算机辅助检测系统 | |
| CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 | |
| Maitra et al. | Identification of abnormal masses in digital mammography images | |
| Shahangian et al. | Automatic brain hemorrhage segmentation and classification in CT scan images | |
| Baskar et al. | Classification system for lung cancer nodule using machine learning technique and CT images | |
| Baccouche et al. | Early detection and classification of abnormality in prior mammograms using image-to-image translation and YOLO techniques | |
| CN103955912A (zh) | 自适应窗的胃部ct图像淋巴结跟踪检测系统及方法 | |
| Raza et al. | Lung-EffNet: Lung cancer classification using EfficientNet from CT-scan images | |
| Jiang et al. | Integration of fuzzy logic and structure tensor towards mammogram contrast enhancement | |
| Casti et al. | Towards localization of malignant sites of asymmetry across bilateral mammograms | |
| CN104933446B (zh) | 一种用于计算机辅助诊断乳腺b超特征有效性验证的方法 | |
| Zhang et al. | A computer aided diagnosis system in mammography using artificial neural networks | |
| Huang et al. | Breast cancer diagnosis based on hybrid SqueezeNet and improved chef-based optimizer | |
| CN113397485A (zh) | 一种基于深度学习的脊柱侧弯筛查方法 | |
| Liu et al. | Automated classification of cervical Lymph-Node-Level from ultrasound using depthwise separable convolutional swin transformer | |
| US20230162353A1 (en) | Multistream fusion encoder for prostate lesion segmentation and classification | |
| Qiu et al. | Texture analysis of computed tomography images in the classification of pancreatic cancer and normal pancreas: a feasibility study | |
| Zhang et al. | Advances in micro-calcification clusters detection in mammography | |
| URAL | Computer aided deep learning based assessment of stroke from brain radiological ct images | |
| Herwanto et al. | Association technique based on classification for classifying microcalcification and mass in mammogram | |
| Ramanjaneyulu et al. | Detection and classification of lung cancer using VGG-16 | |
| Mahoro et al. | Breast masses detection on mammograms using recent one-shot deep object detectors | |
| Kaur et al. | Comparative Study of Different Deep Learning Techniques for Diagnosis of Brain Tumor |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200114 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |