CN107358267A - 一种基于互相关特征的乳腺超声图像多元分类系统及方法 - Google Patents
一种基于互相关特征的乳腺超声图像多元分类系统及方法 Download PDFInfo
- Publication number
- CN107358267A CN107358267A CN201710595459.4A CN201710595459A CN107358267A CN 107358267 A CN107358267 A CN 107358267A CN 201710595459 A CN201710595459 A CN 201710595459A CN 107358267 A CN107358267 A CN 107358267A
- Authority
- CN
- China
- Prior art keywords
- image
- interest
- feature
- density
- area
- 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
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 68
- 210000000481 breast Anatomy 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 73
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 29
- 239000000284 extract Substances 0.000 claims abstract description 13
- 230000000877 morphologic effect Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 12
- 206010028980 Neoplasm Diseases 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 11
- 230000003211 malignant effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 9
- 230000001131 transforming effect Effects 0.000 claims description 8
- 201000010099 disease Diseases 0.000 claims description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 210000005075 mammary gland Anatomy 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 7
- 238000004195 computer-aided diagnosis Methods 0.000 abstract description 6
- 230000003902 lesion Effects 0.000 abstract description 3
- 238000010606 normalization Methods 0.000 description 10
- 208000026310 Breast neoplasm Diseases 0.000 description 5
- 206010006272 Breast mass Diseases 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 206010006187 Breast cancer Diseases 0.000 description 3
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 229910052750 molybdenum Inorganic materials 0.000 description 3
- 239000011733 molybdenum Substances 0.000 description 3
- 201000011510 cancer Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004614 tumor growth Effects 0.000 description 2
- 206010026730 Mammary duct ectasia Diseases 0.000 description 1
- 208000002458 carcinoid tumor Diseases 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229940069016 go-dry Drugs 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000505 pernicious effect Effects 0.000 description 1
- 238000003672 processing method 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Probability & Statistics with Applications (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于互相关特征的乳腺超声图像多元分类系统及方法,包括超声图像预处理单元;感兴趣区域提取单元,用于提取感兴趣区域图像;内部互相关密度特征提取单元,提取感兴趣图像的内部互相关密度特征值;传统特征提取单元,用于提取感兴趣区域图像的多种传统特征值;多元分类单元,用于对分类器进行训练,并将内部互相关密度特征值向量和传统特征向量输入到训练完成的3个分类器进行分类,把被预测最多的类别作为最终分类结果。本发明的分类方法增加了基于感兴趣区域内部互相关密度特征,能够有效地改善乳腺超声计算机辅助诊断效果,并增加了乳腺囊肿这一良性病变的分类类别,进一步满足医生对乳腺超声计算机辅助系统的需求。
Description
技术领域
本发明属于医学图像后处理技术领域,具体涉及一种基于互相关特征的乳腺超声图像多元分类系统及方法。
背景技术
乳腺疾病是现代女性较为常见的疾病之一,其中,乳腺癌是常见的女性恶性肿瘤。从发病率上来看,乳腺癌在欧美国家发病率占到女性恶性肿瘤的首位,在中国也是高居第二位,已成为影响女性身心健康的重要疾病。关于乳腺肿块良恶性的鉴别,影像学手段无疑起到了重要的作用,钼靶X射线图像、CT、MRI、超声等影像学检查均对乳腺肿块的诊断与鉴别有着重要的影响。其中,随着设备的更新与技术的发展,超声在乳腺肿瘤诊断中的作用越来越受到重视,尤其在亚洲人种常常出现的致密型乳腺影像中,超声可以筛查出钼靶X射线图像无法判别的肿块位置信息及病灶情况。此外,由于超声检查费用低廉,还被广泛应用于体检中,可检查出包括乳腺肿瘤、乳腺导管扩张、乳腺囊肿等多类别乳腺疾病。
但医用超声图像属于相干图像,相比较于钼靶X射线图像、CT、MRI依然存在着图像质量较低、存在着极为明显的伪影和信噪比低等易影响诊断结果的缺陷。因此,能否利用带有伪影和低信噪比的超声图像判别出感兴趣区域的图像是否包含良性肿块、恶性肿块以及乳腺囊肿,具有重要的意义。
发明内容
本发明提供一种基于互相关特征的乳腺超声图像多元分类系统及方法,增加了基于感兴趣区域内部互相关密度特征,能够有效地改善乳腺超声计算机辅助诊断效果。
本发明提供一种基于互相关特征的乳腺超声图像多元分类系统,包括:
超声图像预处理单元,用于对原始乳腺超声图像集中的每一张图像进行增强处理和去燥处理;
感兴趣区域提取单元,利用区域生长分割方法提取经去噪处理后的每一张图像中的病灶区域作为感兴趣区域,构成感兴趣区域图像集;
内部互相关密度特征提取单元,用于将感兴趣区域图像均匀分割成多个子图像,并提取子图像的密度特征值,对所有子图像的密度特征值进行聚类,获得该感兴趣图像的内部互相关密度特征值,由感兴趣图像集中所有感兴趣图像的内部互相关密度特征值构成内部互相关密度特征向量;
传统特征提取单元,用于提取感兴趣区域图像集中所有感兴趣区域图像的多种传统特征值,构成多个传统特征向量;
多元分类单元,用于将内部互相关密度特征向量和传统特征向量两两分组输入到3个分类器中对分类器进行训练,并通过训练完成的3个分类器进行分类,在得到的不同分类结果中,把被预测最多的类别作为最终分类结果,输出多元分类结果。
在本发明的基于互相关特征的乳腺超声图像多元分类系统中,所述超声图像预处理单元包括:
图像增强器,用于通过变换函数将原始乳腺超声图像的灰度级从原范围线性拉伸至饱和范围,再通过概率密度函数变换增强原始乳腺超声图像的灰度级;
图像去噪器,采用均值滤波操作平滑原始乳腺超声图像,去掉高斯白噪声。
在本发明的基于互相关特征的乳腺超声图像多元分类系统中,所述内部互相关密度特征提取单元包括:
图像分割器,用于将感兴趣区域图像集中的每张感兴趣图像均匀分割成多个子图像;
密度特征提取器,用于提取感兴趣图像中每个子图像的密度特征信息,包括能量、灰度密度方差、灰度密度偏斜度和灰度密度峰值,计算得到子图像的密度特征值;
特征聚类器,用于对感兴趣图像的所有子图像的密度特征值进行聚类,获得该感兴趣图像的内部互相关密度特征值,由感兴趣图像集中每张感兴趣图像的内部互相关密度特征值构成内部互相关密度特征向量;
在本发明的基于互相关特征的乳腺超声图像多元分类系统中,所述传统特征提取单元包括:
形态学特征提取器,用于提取感兴趣区域图像集中的所有感兴趣图像的多种形态学特征,构成多个形态学特征向量;
纹理特征提取器,用于提取感兴趣区域图像集中的所有感兴趣图像的多种纹理特征,构成多个纹理特征向量。
在本发明的基于互相关特征的乳腺超声图像多元分类系统中,所述多元分类单元包括:
数据训练器,用于将感兴趣图像集中部分带有诊断结果的良性肿块、恶性肿块和乳腺囊肿的感兴趣区域图像构成训练集,将训练集中图像的内部互相关密度特征向量和传统特征向量两两分组输入到3个分类器中进行二分类任务,对分类器进行训练;
数据分类器,用于将感兴趣图像集中剩余的图像构成测试集,将测试集中图像的内部互相关密度特征向量和传统特征向量输入到完成训练的3个分类器中,在得到的不同分类结果中,采取投票选举法产生最终结果,即把被预测最多的类别作为最终分类结果,输出多元分类结果。
本发明还提供一种基于互相关特征的乳腺超声图像多元分类方法,包括如下步骤:
步骤1:对原始乳腺超声图像集中的每一张图像进行增强处理和去燥处理;
步骤2:利用区域生长分割方法提取经去噪处理后的每一张图像中的病灶区域作为感兴趣区域,构成感兴趣区域图像集;
步骤3:将感兴趣区域图像均匀分割成多个子图像,并提取子图像的密度特征值,对所有子图像的密度特征值进行聚类,获得该感兴趣图像的内部互相关密度特征值,由感兴趣图像集中所有感兴趣图像的内部互相关密度特征值构成内部互相关密度特征向量;
步骤4:提取感兴趣区域图像集中所有感兴趣区域图像的多种传统特征值,构成多个传统特征向量;
步骤5:将内部互相关密度特征向量和传统特征向量两两分组输入到3个分类器中对分类器进行训练,并通过训练完成的3个分类器进行分类,在得到的不同分类结果中,把被预测最多的类别作为最终分类结果,输出多元分类结果。
在本发明的基于互相关特征的乳腺超声图像多元分类方法中,所述步骤1包括:
步骤1.1:通过变换函数将原始乳腺超声图像的灰度级从原范围线性拉伸至饱和范围,再通过概率密度函数变换增强原始乳腺超声图像的灰度级;
步骤1.2:采用均值滤波操作平滑原始乳腺超声图像,去掉高斯白噪声。
在本发明的基于互相关特征的乳腺超声图像多元分类方法中,所述步骤3包括:
步骤3.1:将感兴趣区域图像集中的每张感兴趣图像均匀分割成多个子图像;
步骤3.2:提取感兴趣图像中每个子图像的密度特征信息,包括能量、灰度密度方差、灰度密度偏斜度和灰度密度峰值,计算得到子图像的密度特征值;
步骤3.3:对感兴趣图像的所有子图像的密度特征值进行聚类,获得该感兴趣图像的内部互相关密度特征值,由感兴趣图像集中每张感兴趣图像的内部互相关密度特征值构成内部互相关密度特征向量;
在本发明的基于互相关特征的乳腺超声图像多元分类方法中,所述步骤4包括:
步骤4.1:提取感兴趣区域图像集中的所有感兴趣图像的多种形态学特征,构成多个形态学特征向量;
步骤4.2:提取感兴趣区域图像集中的所有感兴趣图像的多种纹理特征,构成多个纹理特征向量。
在本发明的基于互相关特征的乳腺超声图像多元分类方法中,所述步骤5包括:
步骤5.1:将感兴趣图像集中部分带有诊断结果的良性肿块、恶性肿块和乳腺囊肿的感兴趣区域图像构成训练集,将训练集中图像的内部互相关密度特征向量和传统特征向量两两分组输入到3个分类器中进行二分类任务,对分类器进行训练;
步骤5.2:将感兴趣图像集中剩余的图像构成测试集,将测试集中图像的内部互相关密度特征向量和传统特征向量输入到完成训练的3个分类器中,在得到的不同分类结果中,采取投票选举法产生最终结果,即把被预测最多的类别作为最终分类结果,输出多元分类结果。
本发明提出一种基于互相关特征的乳腺超声图像多元分类系统及方法,在传统的二元分类的乳腺超声计算机辅助诊断基础上,增加了基于感兴趣区域内部互相关密度特征,能够有效地改善乳腺超声计算机辅助诊断效果,并增加了乳腺囊肿这一良性病变的分类类别,从而进一步满足医生对乳腺超声计算机辅助系统的需求。
附图说明
图1为本发明的基于互相关特征的乳腺超声图像多元分类系统的结构框图;
图2为本发明的基于互相关特征的乳腺超声图像多元分类方法的流程图。
具体实施方式
结合附图对本发明的基于互相关特征的乳腺超声图像多元分类系统及方法进行说明。
如图1所示为本发明的基于互相关特征的乳腺超声图像多元分类系统的结构框图,分类系统包括:超声图像预处理单元1、感兴趣区域提取单元2、内部互相关密度特征提取单元3、传统特征提取单元4以及多元分类单元。
超声图像预处理单元1用于对原始乳腺超声图像集(P1,P2…,Pn)中的每一张图像进行增强处理和去噪处理。感兴趣区域提取单元2利用区域生长分割方法提取经去噪处理后的每一张图像中的病灶区域作为感兴趣区域,构成感兴趣区域图像集(S1,S2,…,Sn)。内部互相关密度特征提取单元3用于将感兴趣区域图像均匀分割成多个子图像,并提取子图像的密度特征值,对所有子图像的密度特征值进行聚类,获得该感兴趣图像的内部互相关密度特征值,由感兴趣图像集中所有感兴趣图像的内部互相关密度特征值构成内部互相关密度特征向量。传统特征提取单元4用于提取感兴趣区域图像集中所有感兴趣区域图像的多种传统特征值,构成多个传统特征向量。多元分类单元5用于将内部互相关密度特征向量和传统特征向量两两分组输入到3个分类器中对分类器进行训练,并通过训练完成的3个分类器进行分类,在得到的不同分类结果中,把被预测最多的类别作为最终分类结果,输出多元分类结果。
超声图像预处理单元1包括:图像增强器11和图像去噪器12。图像增强器1用于通过变换函数将原始乳腺超声图像的灰度级从原范围线性拉伸至饱和范围,再通过概率密度函数变换增强原始乳腺超声图像的灰度级。图像去噪器2采用均值滤波操作平滑原始乳腺超声图像,去掉高斯白噪声。
内部互相关密度特征提取单元3包括:图像分割器31、密度特征提取器32以及特征聚类器33。图像分割器31用于将感兴趣区域图像集(S1,S2,…,Sn)中的每张感兴趣图像均匀分割成多个子图像,构成子图像集S1=(s101,s102,…,s164),S2=(s201,s202,…,s264),……,Sn=(sn01,sn02,…,sn64)。
密度特征提取器32用于提取感兴趣图像中每个子图像的密度特征信息,包括能量、灰度密度方差、灰度密度偏斜度和灰度密度峰值,并计算得到子图像的密度特征值,感兴趣图像中每个子图像的密度特征值构成密度特征向量R1=(r101,r102,…,r164),R2=(r201,r202,…,r264),……,Rn=(rn01,rn02,…,rn64)。
特征聚类器33用于对感兴趣图像的所有子图像的密度特征值进行聚类,即对每组密度特征向量进行聚类,获得该感兴趣图像的内部互相关密度特征值,由感兴趣图像集中每张感兴趣图像的内部互相关密度特征值构成内部互相关密度特征向量(α1,α2,…,αn)。
传统特征提取单元4包括:形态学特征提取器41和纹理特征提取器42。形态学特征提取器41用于提取感兴趣区域图像集(S1,S2,…,Sn)中的所有感兴趣图像的多种形态学特征,构成多个形态学特征向量;
纹理特征提取器,用于提取感兴趣区域图像集(S1,S2,…,Sn)中的所有感兴趣图像的多种纹理特征,构成多个纹理特征向量。
具体实施时,提取下列形态学特征:包括似圆度、标准化半径的熵、标准化半径的方差、面积比率、紧凑度及粗糙度,构成多个形态学特征向量;提取下列纹理特征:包括归一化自相关系数、均方差系数、逆差矩和对比度,构成多个纹理特征向量。其中各特征计算的具体方法和公式如下:
形态学基本特征似圆度在临床上,乳腺肿块边缘平滑程度与似圆度间有密切关系。肿块形状越类似椭圆形,其似圆度的值就越小,而肿块为良性的可能性越大。相反,乳腺肿块边缘越不规则并且带有毛刺或者突起等,则似圆度的值越大,肿块为恶性的可能性越大。数学表达式为
其中,A是乳腺肿块的面积。p为肿块边缘的周长。
形态学特征标准化半径的熵,反映的是肿块边界的规则程度,即归一化半径之间的差异。
其中,pk表示的是肿块某一边缘点的归一化半径落在第k个区间的概率,将肿块边缘点到中心点的最大距离和最小距离间划分为100等份,则pk代表的是第k个区间内边缘点数与边缘点总数的比值。
形态学特征标准化半径长度标准差,描述的是肿块的边缘轮廓和圆的相似性,同时也表示变化幅度的量度。
其中,davg是平均归一化径向长度。
式中,N1是肿块边界上所有点的个数,di是边缘上第i个点的归一化半径。平均归一化半径是无量纲的数值。归一化径向长度标准差的值越小,表示肿块形状越接近圆,形状规则,则良性肿瘤的可能性大;反之,恶性肿瘤因为边缘轮廓模糊,界限不清晰,因此归一化径向长度标准差的值较大。
形态学特征面积比率的计算公式是
其中,N2是肿块边界上所有点的个数从计算公式中可以看出,面积比率为大于平均半径的区域构成的面积和与平均半径构成圆形面积的比值。边界轮廓规则并且形状越趋近于圆形的良性肿块,其面积比率值会较小;反之,恶性肿块边界轮廓往往不清晰并且含有毛刺等,根据公式计算可知面积比率的值较大。
形态学特征紧凑度,反映的是肿块的形状差异。由于良性肿瘤形状为椭圆形或圆形,恶性肿瘤形状多不规则,几何特征是一个非常有效的判据。这里采用紧凑度作为几何特征的描述。
其中Ar为肿瘤生长区域面积,L为肿瘤生长区域边界周长。xi,yi分别是肿瘤轮廓上第i点的横坐标和纵坐标,N3是轮廓上点的个数,一般情况N3的取值在180时,即可满足要求。
形态学特征粗糙度的计算公式是:
其中,N4是肿块边界上所有像素点的个数。肿块边界粗糙度是由肿块轮廓上相邻两点的归一化半径差的绝对值累加和计算出的。如果肿块边缘形状模糊,难以分辨,并且粗糙度值较大,往往是恶性肿块。反之,肿块边缘形状较规则并且毛刺较少,则粗糙度越小,同时肿块为良性的可能则越大。
纹理学特征逆差矩表示的是图像中纹理信息的局部均匀性。逆差矩的值越大,表明在图像局部区域中,纹理变化的程度较小,图像信息较均匀。
其中,P(i,j)表示的是灰度共生矩阵中第i行、第j列元素的灰度。
纹理学特征对比度反映图像中相邻两个像素之间亮度差异。对比度值大小与图像亮度变化呈正相关。同时,对比度还间接反映了图像的清晰度和纹理沟纹。图像清晰度高,则对比度值较大,反之,对比度值则较小。
t2=(i-j)2*P(i,j)
多元分类单元5包括:数据训练器51和数据分类器52。数据训练器51用于将感兴趣图像集(S1,S2,…,Sn)中部分带有诊断结果的良性肿块、恶性肿块和乳腺囊肿的感兴趣区域图像构成训练集,将训练集中图像的内部互相关密度特征向量和传统特征向量两两分组输入到3个分类器中进行二分类任务,对分类器进行训练。数据分类器52用于将感兴趣图像集(S1,S2,…,Sn)中剩余的图像构成测试集,将测试集中图像的内部互相关密度特征向量和传统特征向量输入到完成训练的3个分类器中,在得到的不同分类结果中,采取投票选举法产生最终结果,即把被预测最多的类别作为最终分类结果,输出多元分类结果。
如图2所示为本发明的一种基于互相关特征的乳腺超声图像多元分类方法,包括如下步骤:
步骤1:超声图像预处理,对原始乳腺超声图像集(P1,P2…,Pn)中的每一张图像进行增强处理和去燥处理;
步骤2:感兴趣区域提取,利用区域生长分割方法提取经去噪处理后的每一张图像中的病灶区域作为感兴趣区域,构成感兴趣区域图像集(S1,S2,…,Sn);
步骤3:内部互相关密度特征提取,将感兴趣区域图像均匀分割成多个子图像,并提取子图像的密度特征值,对所有子图像的密度特征值进行聚类,获得该感兴趣图像的内部互相关密度特征值,由感兴趣图像集中所有感兴趣图像的内部互相关密度特征值构成内部互相关密度特征向量;
步骤4:传统特征提取,提取感兴趣区域图像集中所有感兴趣区域图像的多种传统特征值,构成多个传统特征向量;
步骤5:多元分类,将内部互相关密度特征向量和传统特征向量两两分组输入到3个分类器中对分类器进行训练,并通过训练完成的3个分类器进行分类,在得到的不同分类结果中,把被预测最多的类别作为最终分类结果,输出多元分类结果。
步骤1包括:
步骤1.1:图像增强,通过变换函数将原始乳腺超声图像的灰度级从原范围线性拉伸至饱和范围,再通过概率密度函数变换增强原始乳腺超声图像的灰度级;
具体包括步骤1.1.1:采用直方图均一化操作,原始乳腺超声图像中,每一个像素值z产生一个灰度值w,变换函数T(z)满足单调性且输出灰度级与输入灰度级有同样的范围,随机变量被描述为其概率密度函数,变换变量使得概率密度函数由输入图像的灰度级PDF和所选择的变换函数所得到;
步骤1.1.2:调整灰度值对比度,通过灰度拉升调整图像的动态范围,将原来低对比度的图像拉伸为高对比度图像,使其达到图像局部灰度相对一致的效果;
步骤1.1.3:通过局部自适应性图像阈值化处理方法,根据图像局部特点动态的调整其阈值,从而得到比较理想的阈值化处理效果,增强感兴趣区域和无关区域之间的差异。
步骤1.2:图像去噪,采用均值滤波操作平滑原始乳腺超声图像,去掉高斯白噪声。
具体实施时,采用的均值滤波器进行均值滤波操作,令Dxy表示中心点在(x,y)点,尺寸为m×n的矩形子图像窗口的坐标组。算数均值滤波过程就是计算由Dxy定义的区域中被干扰图像g(x,y)的平均值。在任意点(x,y)处复原图像f的值就是用Dxy定义的区域中的像素计算出的算术均值;
步骤2:提取感兴趣区域,由于超声图像的质量较差,区分度不高,临床检查时,医师会对肿块所在区域进行标注。其中感兴趣区域是指拥有待检测病灶的原图像的子图像。在此步骤中,利用区域生长分割方法提取病灶区域作为感兴趣区域,并将病灶外的像素值设置为零,将感兴趣区域补成128×128像素大小。具体包括:
步骤2.1:选取图像的种子点
步骤2.2:将与种子点性质相似的相邻像素附加到每个种子点上,P(Ei)=TRUE,其中i=1,2,…,N
步骤2.3:没有像素满足加入某个区域的条件时,区域增长就会停止,P(Ei∩Ej)=FALSE,对于任意相邻区域Ei和Ej;
步骤3包括:
步骤3.1:将感兴趣区域图像集(S1,S2,…,Sn)中的每张感兴趣图像均匀分割成多个子图像,本实施例中将感兴趣图像均匀分割成64个16×16像素大小的子图像,构成子图像集S1=(s101,s102,…,s164),S2=(s201,s202,…,s264),…,Sn=(sn01,sn02,…,sn64);
步骤3.2:提取感兴趣图像中每个子图像的密度特征信息,包括能量、灰度密度方差、灰度密度偏斜度和灰度密度峰值,计算得到子图像的密度特征值,感兴趣图像中每个子图像的密度特征值构成密度特征向量R1=(r101,r102,…,r164),R2=(r201,r202,…,r264),……,Rn=(rn01,rn02,…,rn64);
步骤3.3:对感兴趣图像的所有子图像的密度特征值进行聚类,在提取的子图像的密度特征值中,任选一个核心对象作为出发点,找出由其密度可达的样本生成聚类簇,直到所有的核心对象均被访问过为止,得到簇划分结果,即聚类结果;通过聚类操作获得该感兴趣图像的内部互相关密度特征值,由感兴趣图像集(S1,S2,…,Sn)中每张感兴趣图像的内部互相关密度特征值构成内部互相关密度特征向量(α1,α2,…,αn)。
步骤4包括:
步骤4.1:提取感兴趣区域图像集(S1,S2,…,Sn)中的所有感兴趣图像的多种形态学特征,包括似圆度、标准化半径的熵、标准化半径的方差、面积比率、紧凑度及粗糙度,构成多个形态学特征向量;
步骤4.2:提取感兴趣区域图像集中的所有感兴趣图像的多种纹理特征,包括归一化自相关系数、均方差系数、逆差矩和对比度,构成多个纹理特征向量。多个形态学特征向量和多个纹理特征向量构成多个传统特征向量,T1=(β11,β12,…,β1n),T2=(β21,β22,…,β2n),……,Ti=(βi1,βi2,…,βin)。
步骤5包括:
步骤5.1:将感兴趣图像集中部分带有诊断结果的良性肿块、恶性肿块和乳腺囊肿的感兴趣区域图像构成训练集,将训练集中图像的内部互相关密度特征向量和传统特征向量两两分组输入到3个分类器中进行二分类任务,对分类器进行训练;
步骤5.2:将感兴趣图像集中剩余的图像构成测试集,将测试集中图像的内部互相关密度特征向量和传统特征向量输入到完成训练的3个分类器中,在得到的不同分类结果中,采取投票选举法产生最终结果,即把被预测最多的类别作为最终分类结果,输出多元分类结果。
本发明提出一种基于互相关特征的乳腺超声图像多元分类系统及方法,在传统的二元分类的乳腺超声计算机辅助诊断基础上,增加了基于感兴趣区域内部互相关密度特征,能够有效地改善乳腺超声计算机辅助诊断效果,并增加了乳腺囊肿这一良性病变的分类类别,从而进一步满足医生对乳腺超声计算机辅助系统的需求。
以上所述是本发明的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于互相关特征的乳腺超声图像多元分类系统,其特征在于,包括:
超声图像预处理单元,用于对原始乳腺超声图像集中的每一张图像进行增强处理和去燥处理;
感兴趣区域提取单元,利用区域生长分割方法提取经去噪处理后的每一张图像中的病灶区域作为感兴趣区域,构成感兴趣区域图像集;
内部互相关密度特征提取单元,用于将感兴趣区域图像均匀分割成多个子图像,并提取子图像的密度特征值,对所有子图像的密度特征值进行聚类,获得该感兴趣图像的内部互相关密度特征值,由感兴趣图像集中所有感兴趣图像的内部互相关密度特征值构成内部互相关密度特征向量;
传统特征提取单元,用于提取感兴趣区域图像集中所有感兴趣区域图像的多种传统特征值,构成多个传统特征向量;
多元分类单元,用于将内部互相关密度特征向量和传统特征向量两两分组输入到3个分类器中对分类器进行训练,并通过训练完成的3个分类器进行分类,在得到的不同分类结果中,把被预测最多的类别作为最终分类结果,输出多元分类结果。
2.如权利要求1所述的基于互相关特征的乳腺超声图像多元分类系统,其特征在于,所述超声图像预处理单元包括:
图像增强器,用于通过变换函数将原始乳腺超声图像的灰度级从原范围线性拉伸至饱和范围,再通过概率密度函数变换增强原始乳腺超声图像的灰度级;
图像去噪器,采用均值滤波操作平滑原始乳腺超声图像,去掉高斯白噪声。
3.如权利要求1所述的基于互相关特征的乳腺超声图像多元分类系统,其特征在于,所述内部互相关密度特征提取单元包括:
图像分割器,用于将感兴趣区域图像集中的每张感兴趣图像均匀分割成多个子图像;
密度特征提取器,用于提取感兴趣图像中每个子图像的密度特征信息,包括能量、灰度密度方差、灰度密度偏斜度和灰度密度峰值,计算得到子图像的密度特征值;
特征聚类器,用于对感兴趣图像的所有子图像的密度特征值进行聚类,获得该感兴趣图像的内部互相关密度特征值,由感兴趣图像集中每张感兴趣图像的内部互相关密度特征值构成内部互相关密度特征向量。
4.如权利要求1所述的基于互相关特征的乳腺超声图像多元分类系统,其特征在于,所述传统特征提取单元包括:
形态学特征提取器,用于提取感兴趣区域图像集中的所有感兴趣图像的多种形态学特征,构成多个形态学特征向量;
纹理特征提取器,用于提取感兴趣区域图像集中的所有感兴趣图像的多种纹理特征,构成多个纹理特征向量。
5.如权利要求1所述的基于互相关特征的乳腺超声图像多元分类系统,其特征在于,所述多元分类单元包括:
数据训练器,用于将感兴趣图像集中部分带有诊断结果的良性肿块、恶性肿块和乳腺囊肿的感兴趣区域图像构成训练集,将训练集中图像的内部互相关密度特征向量和传统特征向量两两分组输入到3个分类器中进行二分类任务,对分类器进行训练;
数据分类器,用于将感兴趣图像集中剩余的图像构成测试集,将测试集中图像的内部互相关密度特征向量和传统特征向量输入到完成训练的3个分类器中,在得到的不同分类结果中,采取投票选举法产生最终结果,即把被预测最多的类别作为最终分类结果,输出多元分类结果。
6.一种基于互相关特征的乳腺超声图像多元分类方法,其特征在于,包括如下步骤:
步骤1:对原始乳腺超声图像集中的每一张图像进行增强处理和去燥处理;
步骤2:利用区域生长分割方法提取经去噪处理后的每一张图像中的病灶区域作为感兴趣区域,构成感兴趣区域图像集;
步骤3:将感兴趣区域图像均匀分割成多个子图像,并提取子图像的密度特征值,对所有子图像的密度特征值进行聚类,获得该感兴趣图像的内部互相关密度特征值,由感兴趣图像集中所有感兴趣图像的内部互相关密度特征值构成内部互相关密度特征向量;
步骤4:提取感兴趣区域图像集中所有感兴趣区域图像的多种传统特征值,构成多个传统特征向量;
步骤5:将内部互相关密度特征向量和传统特征向量两两分组输入到3个分类器中对分类器进行训练,并通过训练完成的3个分类器进行分类,在得到的不同分类结果中,把被预测最多的类别作为最终分类结果,输出多元分类结果。
7.如权利要求6所述的基于互相关特征的乳腺超声图像多元分类方法,其特征在于,所述步骤1包括:
步骤1.1:通过变换函数将原始乳腺超声图像的灰度级从原范围线性拉伸至饱和范围,再通过概率密度函数变换增强原始乳腺超声图像的灰度级;
步骤1.2:采用均值滤波操作平滑原始乳腺超声图像,去掉高斯白噪声。
8.如权利要求6所述的基于互相关特征的乳腺超声图像多元分类方法,其特征在于,所述步骤3包括:
步骤3.1:将感兴趣区域图像集中的每张感兴趣图像均匀分割成多个子图像;
步骤3.2:提取感兴趣图像中每个子图像的密度特征信息,包括能量、灰度密度方差、灰度密度偏斜度和灰度密度峰值,计算得到子图像的密度特征值;
步骤3.3:对感兴趣图像的所有子图像的密度特征值进行聚类,获得该感兴趣图像的内部互相关密度特征值,由感兴趣图像集中每张感兴趣图像的内部互相关密度特征值构成内部互相关密度特征向量。
9.如权利要求6所述的基于互相关特征的乳腺超声图像多元分类方法,其特征在于,所述步骤4包括:
步骤4.1:提取感兴趣区域图像集中的所有感兴趣图像的多种形态学特征,构成多个形态学特征向量;
步骤4.2:提取感兴趣区域图像集中的所有感兴趣图像的多种纹理特征,构成多个纹理特征向量。
10.如权利要求6所述的基于互相关特征的乳腺超声图像多元分类方法,其特征在于,所述步骤5包括:
步骤5.1:将感兴趣图像集中部分带有诊断结果的良性肿块、恶性肿块和乳腺囊肿的感兴趣区域图像构成训练集,将训练集中图像的内部互相关密度特征向量和传统特征向量两两分组输入到3个分类器中进行二分类任务,对分类器进行训练;
步骤5.2:将感兴趣图像集中剩余的图像构成测试集,将测试集中图像的内部互相关密度特征向量和传统特征向量输入到完成训练的3个分类器中,在得到的不同分类结果中,采取投票选举法产生最终结果,即把被预测最多的类别作为最终分类结果,输出多元分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710595459.4A CN107358267B (zh) | 2017-07-20 | 2017-07-20 | 一种基于互相关特征的乳腺超声图像多元分类系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710595459.4A CN107358267B (zh) | 2017-07-20 | 2017-07-20 | 一种基于互相关特征的乳腺超声图像多元分类系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107358267A true CN107358267A (zh) | 2017-11-17 |
CN107358267B CN107358267B (zh) | 2020-04-17 |
Family
ID=60284728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710595459.4A Expired - Fee Related CN107358267B (zh) | 2017-07-20 | 2017-07-20 | 一种基于互相关特征的乳腺超声图像多元分类系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107358267B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830835A (zh) * | 2018-05-25 | 2018-11-16 | 北京长木谷医疗科技有限公司 | 识别脊柱矢状位图像异常的方法及计算设备 |
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 |
CN109146848A (zh) * | 2018-07-23 | 2019-01-04 | 东北大学 | 一种融合多模态乳腺图像的计算机辅助参考系统及方法 |
CN110033432A (zh) * | 2019-03-01 | 2019-07-19 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 基于机器学习和能谱ct的泌尿结石成分分析方法及系统 |
CN110399891A (zh) * | 2018-04-24 | 2019-11-01 | 中国科学院沈阳自动化研究所 | 一种基于大数据的医学图像的高效分类管理方法 |
CN111090764A (zh) * | 2019-12-20 | 2020-05-01 | 中南大学 | 基于多任务学习和图卷积神经网络的影像分类方法及装置 |
CN112001894A (zh) * | 2020-08-03 | 2020-11-27 | 什维新智医疗科技(上海)有限公司 | 一种甲状腺边界平滑度检测装置 |
CN112465779A (zh) * | 2020-11-26 | 2021-03-09 | 中国科学院苏州生物医学工程技术研究所 | 腹部ct中胆总管囊肿病灶全自动检测分割方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143101A (zh) * | 2014-07-01 | 2014-11-12 | 华南理工大学 | 一种基于超声图像的乳腺肿瘤区域自动识别方法 |
CN105913086A (zh) * | 2016-04-12 | 2016-08-31 | 福州大学 | 一种应用特征权重自适应选择的计算机辅助诊断乳腺的方法 |
CN106023239A (zh) * | 2016-07-05 | 2016-10-12 | 东北大学 | 基于乳腺子区域密度聚类的乳腺肿块分割系统及方法 |
CN106127255A (zh) * | 2016-06-29 | 2016-11-16 | 深圳先进技术研究院 | 一种癌症数字病理细胞图像的分类方法及系统 |
US20170193175A1 (en) * | 2015-12-30 | 2017-07-06 | Case Western Reserve University | Prediction of recurrence of non-small cell lung cancer |
-
2017
- 2017-07-20 CN CN201710595459.4A patent/CN107358267B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104143101A (zh) * | 2014-07-01 | 2014-11-12 | 华南理工大学 | 一种基于超声图像的乳腺肿瘤区域自动识别方法 |
US20170193175A1 (en) * | 2015-12-30 | 2017-07-06 | Case Western Reserve University | Prediction of recurrence of non-small cell lung cancer |
CN105913086A (zh) * | 2016-04-12 | 2016-08-31 | 福州大学 | 一种应用特征权重自适应选择的计算机辅助诊断乳腺的方法 |
CN106127255A (zh) * | 2016-06-29 | 2016-11-16 | 深圳先进技术研究院 | 一种癌症数字病理细胞图像的分类方法及系统 |
CN106023239A (zh) * | 2016-07-05 | 2016-10-12 | 东北大学 | 基于乳腺子区域密度聚类的乳腺肿块分割系统及方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110399891A (zh) * | 2018-04-24 | 2019-11-01 | 中国科学院沈阳自动化研究所 | 一种基于大数据的医学图像的高效分类管理方法 |
CN108830835A (zh) * | 2018-05-25 | 2018-11-16 | 北京长木谷医疗科技有限公司 | 识别脊柱矢状位图像异常的方法及计算设备 |
CN108830835B (zh) * | 2018-05-25 | 2021-12-03 | 北京长木谷医疗科技有限公司 | 识别脊柱矢状位图像异常的方法及计算设备 |
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 |
CN109146848A (zh) * | 2018-07-23 | 2019-01-04 | 东北大学 | 一种融合多模态乳腺图像的计算机辅助参考系统及方法 |
CN110033432A (zh) * | 2019-03-01 | 2019-07-19 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 基于机器学习和能谱ct的泌尿结石成分分析方法及系统 |
CN110033432B (zh) * | 2019-03-01 | 2023-04-18 | 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) | 基于机器学习和能谱ct的泌尿结石成分分析方法及系统 |
CN111090764A (zh) * | 2019-12-20 | 2020-05-01 | 中南大学 | 基于多任务学习和图卷积神经网络的影像分类方法及装置 |
CN112001894A (zh) * | 2020-08-03 | 2020-11-27 | 什维新智医疗科技(上海)有限公司 | 一种甲状腺边界平滑度检测装置 |
CN112465779A (zh) * | 2020-11-26 | 2021-03-09 | 中国科学院苏州生物医学工程技术研究所 | 腹部ct中胆总管囊肿病灶全自动检测分割方法及系统 |
CN112465779B (zh) * | 2020-11-26 | 2024-02-27 | 中国科学院苏州生物医学工程技术研究所 | 腹部ct中胆总管囊肿病灶全自动检测分割方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107358267B (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rajan et al. | Brain tumor detection and segmentation by intensity adjustment | |
Huang et al. | Segmentation of breast ultrasound image with semantic classification of superpixels | |
CN107358267A (zh) | 一种基于互相关特征的乳腺超声图像多元分类系统及方法 | |
Khan et al. | Lungs nodule detection framework from computed tomography images using support vector machine | |
Rebouças Filho et al. | Analysis of human tissue densities: A new approach to extract features from medical images | |
Tai et al. | An automatic mass detection system in mammograms based on complex texture features | |
CN109635846B (zh) | 一种多类医学图像判断方法和系统 | |
Al-Shamlan et al. | Feature extraction values for breast cancer mammography images | |
Liu et al. | Multiresolution detection of spiculated lesions in digital mammograms | |
CN108241865B (zh) | 基于超声图像的多尺度多子图肝纤维化多级量化分期方法 | |
Liu et al. | A method of pulmonary nodule detection utilizing multiple support vector machines | |
Safdarian et al. | Detection and classification of breast cancer in mammography images using pattern recognition methods | |
Jiang et al. | Integration of fuzzy logic and structure tensor towards mammogram contrast enhancement | |
Bose et al. | Detection of microcalcification in mammograms using soft computing techniques | |
Singh et al. | Computerized detection of breast cancer in digital mammograms | |
Qu et al. | Fuzzy-rough assisted refinement of image processing procedure for mammographic risk assessment | |
Toz et al. | A novel hybrid image segmentation method for detection of suspicious regions in mammograms based on adaptive multi-thresholding (HCOW) | |
Samhitha et al. | Prediction of lung cancer using convolutional neural network (CNN) | |
Anandgaonkar et al. | Brain tumor detection and identification from T1 post contrast MR images using cluster based segmentation | |
Pezeshki et al. | Mass classification of mammograms using fractal dimensions and statistical features | |
CN110136112B (zh) | 一种基于乳腺x线摄影钙化计算机辅助检测算法 | |
Berbar et al. | Breast mass classification using statistical and local binary pattern features | |
Johny et al. | Breast cancer detection in mammogram using fuzzy C-means and random forest classifier | |
Rehman et al. | Dermoscopy cancer detection and classification using geometric feature based on resource constraints device (Jetson Nano) | |
Srilatha et al. | Automated ultrasound ovarian tumour segmentation and classification based on deep learning techniques |
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: 20200417 |