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 PDF

Info

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
Application number
CN201710957652.8A
Other languages
English (en)
Inventor
高东平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201710957652.8A priority Critical patent/CN107748889A/zh
Publication of CN107748889A publication Critical patent/CN107748889A/zh
Pending legal-status Critical Current

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

一种乳腺肿瘤超声图像自动分类方法
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>&amp;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。
CN201710957652.8A 2017-10-16 2017-10-16 一种乳腺肿瘤超声图像自动分类方法 Pending CN107748889A (zh)

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)

* Cited by examiner, † Cited by third party
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

Cited By (11)

* Cited by examiner, † Cited by third party
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