CN107748889A - 一种乳腺肿瘤超声图像自动分类方法 - Google Patents
一种乳腺肿瘤超声图像自动分类方法 Download PDFInfo
- Publication number
- CN107748889A CN107748889A CN201710957652.8A CN201710957652A CN107748889A CN 107748889 A CN107748889 A CN 107748889A CN 201710957652 A CN201710957652 A CN 201710957652A CN 107748889 A CN107748889 A CN 107748889A
- Authority
- CN
- China
- Prior art keywords
- picture
- feature
- carry out
- mrow
- extraction
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
Abstract
本发明涉及一种乳腺超声图像自动分类方法,属于人工智能应用技术领域。本发明紧密结合乳腺超声图像量化特征,将乳腺肿瘤超声图像中的直方图特征、颜色特征、轮廓特征、边界特征、回声特征进行量化,选择决策树、朴素贝叶斯及随机森林方法做为机器学习方法,并提出了一种决策树、朴素贝叶斯及随机森林加权融合多维分类方法对乳腺图像进行识别。本发明可有效提高乳腺肿瘤超声图像自动分类准确率。
Description
技术领域
本发明涉及一种乳腺肿瘤超声图像自动分类方法,属于人工智能应用技术领域。
背景技术
当前,医学图像的临床分析主要透过医生对图像的定性评价完成,缺乏图像特征的定量度量。人们视觉感知的差异,经验积累的不同,不同的特征和诊断标准的使用,导致了不同医生诊断结果的差异。通过计算机方法,可客观定量地提取和分析影像特征,解决人眼视觉的局限。基于影像的计算机辅助诊断由此需求而发展起来。
对于乳腺超声图像自动分类,从识别方法上来看,目前文献中曾提到过的图像识别方法有:统计模式识别法、结构(句法)识别法、基于模型(知识)的算法、基于人工神经网络的图像识别、基于模糊集的模式识别等。
但由于乳腺肿瘤医学图像中蕴含着丰富的人体图像特征信息和规则,其具有高分辨率、图像特征表达复杂等特点,这也使得目前的分类方法在乳腺肿瘤超声图像自动分类方面,准确率不能满足实际需要。
发明内容
本发明的目的是为解决乳腺肿瘤超声图像自动分类准确率低问题,紧密结合乳腺超声图像量化特征,将乳腺肿瘤超声图像中的直方图特征、颜色特征、轮廓特征、边界特征、回声特征进行量化,选择决策树、朴素贝叶斯及随机森林方法做为机器学习方法,并提出了一种决策树、朴素贝叶斯及随机森林加权融合多维分类方法对乳腺图像进行识别。为实现上述目的,本发明所采用的技术方案如下:
步骤一、进行图像类型选择:将图片按照来源分成正常图片,良性图肿瘤图片和恶性肿瘤图片,放在不同的文件夹内;
步骤二、初始化正常图片、良性肿瘤图片、恶性肿瘤图片目录,初始化测试样本矩阵,初始化总文件数,目前处理的文件数;
步骤三、对正常图片、良性肿瘤图片、恶性肿瘤图片进行处理,分别在每个文件夹下提取各种特征,包括图片的直方图特征、颜色矩、轮廓特征、回声模式、边界特征;轮廓特征通过似圆度刻画:
提取方法为:进行直方图计算,将得出的直方图向量值输入特征矩阵;
进行颜色矩计算:对所选区域进行颜色矩计算,将得出的颜色向量值输入特征矩阵;
进行轮廓特征计算:对所选区域进行轮廓特征提取,首先找到所有的轮廓,计算似圆度C,
其中P为肿瘤区域的周长,A为肿瘤区域的面积,将提取的各种特征写入特征矩阵;
进行回声模式计算:采用病灶内部区域灰度均值与病灶外部带状区域的灰度均值之比,将提取的各种特征写入特征矩阵;
进行边界特征计算:利用肿瘤边界邻近区域灰度的分布来进行;肿瘤邻近边界的内外区域之间灰度的统计差异用类间方差度量;将提取的各种特征写入特征矩阵;
步骤四、将提取的特征写入特征矩阵供学习系统进行训练和学习;
步骤五、应用决策树、朴素贝叶斯及随机森林三种不同的判断方式对同一区域进行判断;
步骤六、对步骤五中三种方法判断的不同类型的判断结果采用“正常:0.1”,“良性:0.2”,“恶行:0.7”的权重加权对结果进行累加;
步骤七、对结果进行归一化,根据结果值确定最终的类型,具体公式为:
其中:
wi为第i种方法的权重;ti为采用第i种方法判断得到的类型值,i=1,2,3,分别对应决策树、朴素贝叶斯及随机森林三种方法;类型表示:0:正常;1:良性;2:恶性。
有益效果
本发明对比现有技术,通过采用结合乳腺肿瘤超声图像特征的,将乳腺肿瘤超声图像中的直方图特征、颜色特征、轮廓特征、边界特征、回声特征进行量化,决策树、朴素贝叶斯及随机森林加权融合多维分类方法对乳腺图像进行识别,可以有效提高肿瘤图像识别准确率。
附图说明
图1为本发明方法的流程图
图2为本方法的图像训练流程图
图3为新图像识别流程图
图4为决策树的形式
图5为朴素贝叶斯分类器模型
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细说明。
图1为本发明方法的流程图,根据步骤一进行语料预处理,实现步骤如下:
步骤一、进行图像类型选择:将图片按照来源根据一定的规则分成正常图片,良性图肿瘤图片和恶性肿瘤图片,放在不同的文件夹内;
步骤二、初始化正常图片、良性肿瘤图片、恶性肿瘤图片目录,初始化测试样本矩阵,初始化总文件数,目前处理的文件数;
步骤三、对正常图片、良性肿瘤图片、恶性肿瘤图片进行处理,分别在每个文件夹下提取各种特征,包括图片的直方图特征,颜色特征,以及从图片中提取的轮廓特征,图像训练流程如图2所示:
提取方法为:进行直方图计算:对所选区域进行直方图计算,设数字图像像素的灰度值为r0,r1,…,rL-1。,则概率p(ri)为:P(ri)=n(ri)/N i=r0,r1,…,rL-1;p(ri)表示灰度级ri出现的概率,N表示一幅图像的总像素数,n(ri)表示灰度值为ri的像素数;将得出的直方图向量值输入特征矩阵;
进行颜色矩计算:对所选区域进行颜色矩计算,计算每一个颜色通道的前三阶矩,记第i通道的第j个像素为pij,则该通道的前三阶矩为:
将得出的颜色向量值输入特征矩阵;
进行轮廓特征计算:对所选区域进行轮廓特征提取,首先找到所有的轮廓,计算似圆度C,
式中P为肿瘤区域的周长,A为肿瘤区域的面积,将提取的各种特征写入特征矩阵;
步骤四、将提取的特征写入特征矩阵供学习系统进行训练和学习;
步骤五、分别调用openCV中封装的决策树、朴素贝叶斯及随机森林三种不同的判断方式对同一区域进行判断,新图像识别流程如图3所示;决策树由节点和分支组成,其中节点又分为内部节点和叶子节点。每一个内部节点N1,N21,N22,代表一个属性;每一个叶节点L1,L2,L3,代表一个类别;每一个分支r1,r2,r3,r4,r5,代表属性上的一个测试值,如图4所示;
朴素贝叶斯分类器如图5所示;设有变量集U={A1,A2,...An,C},其中A1,A2,...An是实例的属性变量,C是取m个值的类变量。假设所有的属性都条件独立于类变量C,即每一个属性变量都以类变量作为唯一的父节点,就得到朴素贝叶斯分类器模型;
步骤六、对步骤五中三种方法的不同类型的判断结果采用“正常:0.1”,“良性:0.2”,“恶行:0.7”的权重加权对结果进行累加;
步骤七、对结果进行归一化,根据结果值确定最终的类型;
具体公式为:
其中:
wi为第i种方法的权重;ti为采用第i种方法判断得到的类型值;i=1,2,3,分别对应决策树、朴素贝叶斯及随机森林三种方法;类型表示:0:正常;1:良性;2:恶性。
Claims (1)
1.一种乳腺肿瘤超声图像自动分类方法,其特征在于:
步骤一、进行图像类型选择:将图片按照来源分成正常图片,良性图肿瘤图片和恶性肿瘤图片,放在不同的文件夹内;
步骤二、初始化正常图片、良性肿瘤图片、恶性肿瘤图片目录,初始化测试样本矩阵,初始化总文件数,目前处理的文件数;
步骤三、对正常图片、良性肿瘤图片、恶性肿瘤图片进行处理,分别在每个文件夹下提取各种特征,包括图片的直方图特征、颜色矩、轮廓特征、回声模式、边界特征;轮廓特征通过似圆度刻画:
提取方法为:进行直方图计算,将得出的直方图向量值输入特征矩阵;
进行颜色矩计算:对所选区域进行颜色矩计算,将得出的颜色向量值输入特征矩阵;
进行轮廓特征计算:对所选区域进行轮廓特征提取,首先找到所有的轮廓,计算似圆度C,
<mrow>
<mi>C</mi>
<mo>=</mo>
<mfrac>
<msup>
<mi>P</mi>
<mn>2</mn>
</msup>
<mi>A</mi>
</mfrac>
</mrow>
其中P为肿瘤区域的周长,A为肿瘤区域的面积,将提取的各种特征写入特征矩阵;
进行回声模式计算:采用病灶内部区域灰度均值与病灶外部带状区域的灰度均值之比,将提取的各种特征写入特征矩阵;
进行边界特征计算:利用肿瘤边界邻近区域灰度的分布来进行;肿瘤邻近边界的内外区域之间灰度的统计差异用类间方差度量;将提取的各种特征写入特征矩阵;
步骤四、将提取的特征写入特征矩阵供学习系统进行训练和学习;
步骤五、应用决策树、朴素贝叶斯及随机森林三种不同的判断方式对同一区域进行判断;
步骤六、对步骤五中三种方法判断的不同类型的判断结果采用“正常:0.1”,“良性:0.2”,“恶行:0.7”的权重加权对结果进行累加;
步骤七、对结果进行归一化,根据结果值确定最终的类型,具体公式为:
<mrow>
<mi>t</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>*</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</mrow>
其中:
wi为第i种方法的权重;ti为采用第i种方法判断得到的类型值,i=1,2,3,分别对应决策树、朴素贝叶斯及随机森林三种方法;类型表示:0:正常;1:良性;2:恶性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710957652.8A CN107748889A (zh) | 2017-10-16 | 2017-10-16 | 一种乳腺肿瘤超声图像自动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710957652.8A CN107748889A (zh) | 2017-10-16 | 2017-10-16 | 一种乳腺肿瘤超声图像自动分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107748889A true CN107748889A (zh) | 2018-03-02 |
Family
ID=61252845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710957652.8A Pending CN107748889A (zh) | 2017-10-16 | 2017-10-16 | 一种乳腺肿瘤超声图像自动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107748889A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108538369A (zh) * | 2018-03-20 | 2018-09-14 | 中南大学湘雅医院 | 中枢神经系统肿瘤影像数据的分析方法 |
CN109065150A (zh) * | 2018-07-02 | 2018-12-21 | 江苏省中医院 | 一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法 |
CN109620294A (zh) * | 2018-12-08 | 2019-04-16 | 余姚市华耀工具科技有限公司 | 肿瘤恶性程度鉴定机构 |
CN110837844A (zh) * | 2019-09-26 | 2020-02-25 | 浙江工业大学 | 基于ct图像不相似性特征的胰腺囊性肿瘤良恶性分类方法 |
CN111311578A (zh) * | 2020-02-17 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 基于人工智能的对象分类方法以及装置、医学影像设备 |
CN111402205A (zh) * | 2020-02-27 | 2020-07-10 | 华南理工大学 | 一种基于多层感知机的乳腺肿瘤数据清洗方法 |
CN113139930A (zh) * | 2021-03-17 | 2021-07-20 | 杭州迪英加科技有限公司 | 甲状腺切片图像分类方法、装置、计算机设备和存储介质 |
-
2017
- 2017-10-16 CN CN201710957652.8A patent/CN107748889A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108538369A (zh) * | 2018-03-20 | 2018-09-14 | 中南大学湘雅医院 | 中枢神经系统肿瘤影像数据的分析方法 |
CN108538369B (zh) * | 2018-03-20 | 2022-02-15 | 中南大学湘雅医院 | 中枢神经系统肿瘤影像数据的分析方法 |
CN109065150A (zh) * | 2018-07-02 | 2018-12-21 | 江苏省中医院 | 一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法 |
CN109620294A (zh) * | 2018-12-08 | 2019-04-16 | 余姚市华耀工具科技有限公司 | 肿瘤恶性程度鉴定机构 |
CN110837844A (zh) * | 2019-09-26 | 2020-02-25 | 浙江工业大学 | 基于ct图像不相似性特征的胰腺囊性肿瘤良恶性分类方法 |
CN111311578A (zh) * | 2020-02-17 | 2020-06-19 | 腾讯科技(深圳)有限公司 | 基于人工智能的对象分类方法以及装置、医学影像设备 |
CN111311578B (zh) * | 2020-02-17 | 2024-05-03 | 腾讯科技(深圳)有限公司 | 基于人工智能的对象分类方法以及装置、医学影像设备 |
CN111402205A (zh) * | 2020-02-27 | 2020-07-10 | 华南理工大学 | 一种基于多层感知机的乳腺肿瘤数据清洗方法 |
CN111402205B (zh) * | 2020-02-27 | 2023-06-23 | 华南理工大学 | 一种基于多层感知机的乳腺肿瘤数据清洗方法 |
CN113139930A (zh) * | 2021-03-17 | 2021-07-20 | 杭州迪英加科技有限公司 | 甲状腺切片图像分类方法、装置、计算机设备和存储介质 |
CN113139930B (zh) * | 2021-03-17 | 2022-07-15 | 杭州迪英加科技有限公司 | 甲状腺切片图像分类方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107748889A (zh) | 一种乳腺肿瘤超声图像自动分类方法 | |
CN107316307B (zh) | 一种基于深度卷积神经网络的中医舌图像自动分割方法 | |
CN107437092B (zh) | 基于三维卷积神经网络的视网膜oct图像的分类方法 | |
CN112132817B (zh) | 一种混合注意力机制的眼底图像视网膜血管分割方法 | |
CN103996018B (zh) | 基于4dlbp的人脸识别方法 | |
CN107977671A (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
CN109101938B (zh) | 一种基于卷积神经网络的多标签年龄估计方法 | |
CN106919920A (zh) | 基于卷积特征和空间视觉词袋模型的场景识别方法 | |
CN109711426A (zh) | 一种基于gan和迁移学习的病理图片分类装置及方法 | |
CN104217213B (zh) | 一种基于对称性理论的医学图像多阶段分类方法 | |
CN109753950A (zh) | 动态人脸表情识别方法 | |
CN111444829B (zh) | 面向液基细胞学检查的融合推理与学习的决策分类方法 | |
CN108537751A (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
CN111079620A (zh) | 基于迁移学习的白细胞图像检测识别模型构建方法及应用 | |
CN108256462A (zh) | 一种商场监控视频中的人数统计方法 | |
CN107229937A (zh) | 一种视网膜血管分类方法及装置 | |
Urdal et al. | Prognostic prediction of histopathological images by local binary patterns and RUSBoost | |
CN110298364A (zh) | 面向功能性脑网络的多阈值下基于多任务的特征选择方法 | |
Jiang et al. | Convolutional neural networks in automatic recognition of trans-differentiated neural progenitor cells under bright-field microscopy | |
CN109523514A (zh) | 对逆合成孔径雷达isar的批量成像质量评估方法 | |
CN103279960B (zh) | 一种基于x射线背散射图像的人体隐藏物的图像分割方法 | |
Tu et al. | DRPAN: a novel adversarial network approach for retinal vessel segmentation | |
CN105809200A (zh) | 一种生物启发式自主抽取图像语义信息的方法及装置 | |
CN108831519A (zh) | 一种基于形态学和临床实践的皮肤疾病分类装置 | |
CN206897873U (zh) | 一种基于检测产品特性的图像处理与检测系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180302 |
|
WD01 | Invention patent application deemed withdrawn after publication |