CN108268897A - 一种乳腺肿瘤多模态超声多层次计算机辅助诊断方法 - Google Patents
一种乳腺肿瘤多模态超声多层次计算机辅助诊断方法 Download PDFInfo
- Publication number
- CN108268897A CN108268897A CN201810052319.7A CN201810052319A CN108268897A CN 108268897 A CN108268897 A CN 108268897A CN 201810052319 A CN201810052319 A CN 201810052319A CN 108268897 A CN108268897 A CN 108268897A
- Authority
- CN
- China
- Prior art keywords
- tumor
- breast
- modal
- ultrasonoscopy
- grader
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0825—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the breast, e.g. mammography
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Genetics & Genomics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种乳腺肿瘤多模态超声多层次计算机辅助诊断方法,从多模态超声图像中提取多种特征参数,利用经特征选择处理后的特征参数训练三层乳腺肿瘤计算机辅助诊断分类器,根据多模态超声图像多层次计算机辅助诊断分类器,得到是否存在乳腺肿瘤、乳腺肿瘤是否为恶性、乳腺肿瘤恶性分期的多层次辅助诊断信息。该方法兼具乳腺肿瘤计算机辅助检测、乳腺肿瘤良恶性计算机辅助分类和恶性乳腺肿瘤计算机辅助分期,可提供多层次辅助诊断信息;该方法利用多模态超声图像的多种特征参数,可提高计算机辅助诊断的性能。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种多模态医学超声图像中乳腺肿瘤的多层次计算机辅助诊断方法。
背景技术
乳腺癌已成为中国女性最常见的恶性肿瘤之一,与西方女性比较,我国女性乳房体积较小、脂肪较少、腺体更为致密,超声检查能克服X线-钼靶难以诊断致密性乳腺患者乳腺癌的不足,因而成为X线-钼靶筛查和诊断乳腺癌的重要辅助工具,乳腺超声计算机辅助诊断系统的输出结果可以为医生在乳腺肿瘤检测、定征和诊断决策时提供一种参考,但现有的乳腺超声计算机辅助诊断技术存在乳腺肿瘤检测、肿瘤良恶性分类、恶性肿瘤分期等三个层面相互独立、计算机辅助诊断层次单一、诊断信息有限的问题。
本发明旨在提出一种乳腺肿瘤多模态超声多层次计算机辅助诊断方法,从多模态超声成像多特征参数提取和多层次计算机辅助诊断模型构建两个方面,通过提取结构超声(B模式超声成像)和功能超声(彩色多普勒血流成像、超声弹性成像)多模态成像的多种特征参数(形状特征、纹理特征、血流特征、弹性特征),建立三层乳腺肿瘤计算机辅助诊断分类器(乳腺肿瘤计算机辅助检测、乳腺肿瘤良恶性计算机辅助分类、恶性乳腺肿瘤计算机辅助分期),实现乳腺肿瘤多模态超声多层次计算机辅助诊断,为乳腺肿瘤超声筛查和诊断提供“是否有肿瘤、肿瘤是否为恶性、恶性肿瘤级别”的多层级计算机辅助诊断信息。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出一种乳腺肿瘤多模态超声多层次计算机辅助诊断方法,首先从多模态超声图像(包括B模式超声图像、多普勒血流图像和超声弹性图像)中提取多种特征参数,利用经特征选择处理后的特征参数训练三层乳腺肿瘤计算机辅助诊断分类器,得到多模态超声图像多层次计算机辅助诊断分类器;根据所述的多模态超声图像多层次计算机辅助诊断分类器,得到是否存在乳腺肿瘤、乳腺肿瘤是否为恶性、乳腺肿瘤恶性分期的多层次辅助诊断信息。
本发明的一种乳腺肿瘤多模态超声多层次计算机辅助诊断方法,包括以下步骤:
步骤1、根据多模态超声图像(包括B模式超声图像、多普勒血流图像和超声弹性图像),提取多模态超声图像多特征参数,包括:从B模式超声图像提取肿瘤的形状特征、边缘特征、肿瘤朝向、后方回声衰减、纵横比等特征参数,从多普勒血流图像提取血流速度、血管分布特征参数,从超声弹性图像提取弹性特征参数;
步骤2、训练多模态超声图像多层次计算机辅助诊断分类器,根据所述的多模态超声图像多特征参数,经过特征选择,利用特征选择后的特征参数训练三层乳腺肿瘤计算机辅助诊断分类器:分类器1为乳腺肿瘤计算机辅助检测,分类器2为乳腺肿瘤良恶性计算机辅助分类,分类器3为恶性乳腺肿瘤计算机辅助分期,级联分类器1、分类器2和分类器3得到多模态超声图像多层次计算机辅助诊断分类器;
步骤3、根据所述的多模态超声图像多层次计算机辅助诊断分类器,得到是否存在乳腺肿瘤、乳腺肿瘤是否为恶性、乳腺肿瘤恶性分期的多层次辅助诊断信息。
作为优选,采用遗传算法或主成分分析方法进行特征选择。
作为优选,分类器采用支持向量机或自适应增强学习算法或人工神经网络进行训练。
本发明与现有技术相比,具有如下优点和有益效果:
1.本发明方法兼具乳腺肿瘤计算机辅助检测、乳腺肿瘤良恶性计算机辅助分类和恶性乳腺肿瘤计算机辅助分期,可提供多层次辅助诊断信息。
2.本发明方法利用多模态超声图像的多种特征参数,可提高计算机辅助诊断的性能。
附图说明
图1:本发明方法的流程图;
图2:本发明方法中多层次计算机辅助诊断分类器训练的流程图。
具体实施方式
图1为本发明方法的流程图,主要包括多模态超声图像特征参数提取和多层次计算机辅助诊断分类器训练。
多模态超声图像特征参数提取:基于B模式超声图像,提取潜在肿瘤的形状特征、边缘特征、肿瘤朝向、后方回声衰减、纵横比等特征参数;基于彩色多普勒血流图像,提取血流特征参数(血流速度、血管分布);基于超声弹性成像,提取弹性特征参数。基于这些特征参数进行多层次计算机辅助诊断的理论基础是不同乳腺组织(良性肿瘤、恶性肿瘤I~III期、正常乳腺)的多模态超声特征参数存在差异,例如:恶性肿瘤的边界比良性肿瘤更加不规则、恶性肿瘤的B模式超声图像纹理比良性肿瘤更加不均匀、恶性肿瘤的血流速度比良性肿瘤更快、恶性肿瘤的硬度比良性肿瘤更高。
形状特征参数包括似圆度、似椭圆度和不规则度。似圆度=A/(4π×P2),其中A为肿瘤面积,P为肿瘤边缘的周长。似椭圆度=π×(l+s)/P,其中l和s分别为肿瘤边缘拟合椭圆的长轴和短轴的长度。不规则度=C/A,其中C为肿瘤区域与肿瘤拟合圆的重叠面积。
边缘特征参数采用B模式超声图像中,肿瘤边缘上各像素点的梯度幅度的平均值。
肿瘤朝向特征参数采用肿瘤边缘拟合椭圆的主轴与水平方向的夹角。
后方回声衰减特征参数根据B模式超声图像中,肿瘤内部的灰度均值与肿瘤下方区域内的灰度均值的比值。
纵横比特征参数采用肿瘤边缘的外接矩形的高度除以肿瘤边缘的外接矩形的宽度。
血流速度特征参数的计算通过彩色多普勒血流图像中,肿瘤内部的彩色图像像素的RGB值与彩色多普勒色阶条对比得到。
血流分布特征参数的计算采用彩色多普勒血流图像中,肿瘤内部的彩色图像像素个数除以肿瘤内部的灰阶图像像素个数。
弹性特征参数的计算通过超声弹性图像中,肿瘤内部的彩色图像像素的RGB值与弹性色阶条对比得到。
多层次计算机辅助诊断分类器训练:如图2所示。基于多模态超声特征参数提取,经过特征选择,利用经特征选择后的特征参数训练三层乳腺肿瘤计算机辅助诊断分类器:分类器1为乳腺肿瘤计算机辅助检测,训练数据为乳腺多模态超声图像数据库1(含正常乳腺、良性肿瘤和I、II、III期恶性乳腺肿瘤);分类器2为乳腺肿瘤良恶性计算机辅助分类,训练数据为乳腺多模态超声图像数据库2(含良性肿瘤和I、II、III期恶性乳腺肿瘤);分类器3为恶性乳腺肿瘤计算机辅助分期,训练数据为乳腺多模态超声图像数据库3(含I、II、III期恶性乳腺肿瘤)。采用遗传算法、主成分分析等方法进行特征选择。分类器采用支持向量机、自适应增强学习算法、人工神经网络等。
Claims (4)
1.一种乳腺肿瘤多模态超声多层次计算机辅助诊断方法,其特征在于,包括以下步骤:
步骤1、根据多模态超声图像提取多模态超声图像多特征参数,所述多模态超声图像:包括B模式超声图像、多普勒血流图像和超声弹性图像,其中,从B模式超声图像提取肿瘤的形状特征、边缘特征、肿瘤朝向、后方回声衰减、纵横比等特征参数,从多普勒血流图像提取血流速度、血管分布特征参数,从超声弹性图像提取弹性特征参数;
步骤2、训练多模态超声图像多层次计算机辅助诊断分类器,根据所述的多模态超声图像多特征参数,经过特征选择,利用特征选择后的特征参数训练三层乳腺肿瘤计算机辅助诊断分类器:分类器1为乳腺肿瘤计算机辅助检测,分类器2为乳腺肿瘤良恶性计算机辅助分类,分类器3为恶性乳腺肿瘤计算机辅助分期,级联分类器1、分类器2和分类器3得到多模态超声图像多层次计算机辅助诊断分类器;
步骤3、根据所述的多模态超声图像多层次计算机辅助诊断分类器,得到是否存在乳腺肿瘤、乳腺肿瘤是否为恶性、乳腺肿瘤恶性分期的多层次辅助诊断信息。
2.如权利要求1所述的乳腺肿瘤多模态超声多层次计算机辅助诊断方法,其特征在于,特征参数具体计算如下:
形状特征参数包括:似圆度、似椭圆度和不规则度,其中,似圆度=A/(4π×P2),其中,A为肿瘤面积,P为肿瘤边缘的周长;似椭圆度=π×(l+s)/P,其中,l和s分别为肿瘤边缘拟合椭圆的长轴和短轴的长度,不规则度=C/A,其中C为肿瘤区域与肿瘤拟合圆的重叠面积;
边缘特征参数采用B模式超声图像中,肿瘤边缘上各像素点的梯度幅度的平均值;
肿瘤朝向特征参数采用肿瘤边缘拟合椭圆的主轴与水平方向的夹角;
后方回声衰减特征参数根据B模式超声图像中,肿瘤内部的灰度均值与肿瘤下方区域内的灰度均值的比值;
纵横比特征参数采用肿瘤边缘的外接矩形的高度除以肿瘤边缘的外接矩形的宽度;
血流速度特征参数的计算通过彩色多普勒血流图像中,肿瘤内部的彩色图像像素的RGB值与彩色多普勒色阶条对比得到;
血流分布特征参数的计算采用彩色多普勒血流图像中,肿瘤内部的彩色图像像素个数除以肿瘤内部的灰阶图像像素个数;
弹性特征参数的计算通过超声弹性图像中,肿瘤内部的彩色图像像素的RGB值与弹性色阶条对比得到。
3.如权利要求1所述的乳腺肿瘤多模态超声多层次计算机辅助诊断方法,其特征在于,采用遗传算法或主成分分析方法进行特征选择。
4.如权利要求1所述的乳腺肿瘤多模态超声多层次计算机辅助诊断方法,其特征在于,分类器采用支持向量机或自适应增强学习算法或人工神经网络进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810052319.7A CN108268897A (zh) | 2018-01-19 | 2018-01-19 | 一种乳腺肿瘤多模态超声多层次计算机辅助诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810052319.7A CN108268897A (zh) | 2018-01-19 | 2018-01-19 | 一种乳腺肿瘤多模态超声多层次计算机辅助诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108268897A true CN108268897A (zh) | 2018-07-10 |
Family
ID=62776044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810052319.7A Pending CN108268897A (zh) | 2018-01-19 | 2018-01-19 | 一种乳腺肿瘤多模态超声多层次计算机辅助诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108268897A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829889A (zh) * | 2018-12-27 | 2019-05-31 | 清影医疗科技(深圳)有限公司 | 一种超声图像处理方法及其系统、设备、存储介质 |
CN110313941A (zh) * | 2019-08-01 | 2019-10-11 | 无锡海斯凯尔医学技术有限公司 | 数据处理方法、装置、设备及存储介质 |
CN110604598A (zh) * | 2018-12-04 | 2019-12-24 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像方法以及超声成像系统 |
CN110838110A (zh) * | 2019-11-05 | 2020-02-25 | 张峰 | 一种基于超声成像的良恶性肿块的识别系统 |
CN110930367A (zh) * | 2019-10-31 | 2020-03-27 | 上海交通大学 | 多模态超声影像分类方法以及乳腺癌诊断装置 |
WO2021004432A1 (zh) * | 2019-07-08 | 2021-01-14 | 无锡海斯凯尔医学技术有限公司 | 基于弹性成像的检测设备 |
WO2021017418A1 (zh) * | 2019-08-01 | 2021-02-04 | 中国医学科学院北京协和医院 | 三维光声成像在乳腺肿瘤评分系统、设备中的应用 |
CN112465750A (zh) * | 2020-11-13 | 2021-03-09 | 北京小白世纪网络科技有限公司 | 一种基于乳腺癌分子分型超声多模态自动识别方法和装置 |
-
2018
- 2018-01-19 CN CN201810052319.7A patent/CN108268897A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110604598A (zh) * | 2018-12-04 | 2019-12-24 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像方法以及超声成像系统 |
CN109829889A (zh) * | 2018-12-27 | 2019-05-31 | 清影医疗科技(深圳)有限公司 | 一种超声图像处理方法及其系统、设备、存储介质 |
WO2021004432A1 (zh) * | 2019-07-08 | 2021-01-14 | 无锡海斯凯尔医学技术有限公司 | 基于弹性成像的检测设备 |
CN110313941A (zh) * | 2019-08-01 | 2019-10-11 | 无锡海斯凯尔医学技术有限公司 | 数据处理方法、装置、设备及存储介质 |
WO2021017418A1 (zh) * | 2019-08-01 | 2021-02-04 | 中国医学科学院北京协和医院 | 三维光声成像在乳腺肿瘤评分系统、设备中的应用 |
CN110313941B (zh) * | 2019-08-01 | 2021-02-19 | 无锡海斯凯尔医学技术有限公司 | 数据处理方法、装置、设备及存储介质 |
CN110930367A (zh) * | 2019-10-31 | 2020-03-27 | 上海交通大学 | 多模态超声影像分类方法以及乳腺癌诊断装置 |
CN110930367B (zh) * | 2019-10-31 | 2022-12-20 | 上海交通大学 | 多模态超声影像分类方法以及乳腺癌诊断装置 |
CN110838110A (zh) * | 2019-11-05 | 2020-02-25 | 张峰 | 一种基于超声成像的良恶性肿块的识别系统 |
CN112465750A (zh) * | 2020-11-13 | 2021-03-09 | 北京小白世纪网络科技有限公司 | 一种基于乳腺癌分子分型超声多模态自动识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108268897A (zh) | 一种乳腺肿瘤多模态超声多层次计算机辅助诊断方法 | |
Zhou et al. | A radiomics approach with CNN for shear-wave elastography breast tumor classification | |
Meiburger et al. | Automated localization and segmentation techniques for B-mode ultrasound images: A review | |
CN107230206B (zh) | 一种基于多模态数据的超体素序列肺部图像的3d肺结节分割方法 | |
CN109146848A (zh) | 一种融合多模态乳腺图像的计算机辅助参考系统及方法 | |
Akram et al. | Artificial neural network based classification of lungs nodule using hybrid features from computerized tomographic images | |
CN105447872A (zh) | 一种在超声影像中自动识别肝脏肿瘤类型的方法 | |
Maitra et al. | Identification of abnormal masses in digital mammography images | |
US20090252395A1 (en) | System and Method of Identifying a Potential Lung Nodule | |
Suárez-Cuenca et al. | Application of the iris filter for automatic detection of pulmonary nodules on computed tomography images | |
Rana et al. | SVM-Based Characterization of Focal Kidney Lesions from B-Mode Ultrasound Images. | |
CN101103924A (zh) | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其系统 | |
Jarosik et al. | Breast lesion classification based on ultrasonic radio-frequency signals using convolutional neural networks | |
Byra et al. | Joint segmentation and classification of breast masses based on ultrasound radio-frequency data and convolutional neural networks | |
CN110288698B (zh) | 基于mri的半月板三维重建系统 | |
Park | Connectivity-based local adaptive thresholding for carotid artery segmentation using MRA images | |
Ding et al. | Joint localization and classification of breast cancer in B-mode ultrasound imaging via collaborative learning with elastography | |
Qiu et al. | Lung Nodules Detection in CT Images Using Gestalt‐Based Algorithm | |
Zhang et al. | Comparison of multiple feature extractors on Faster RCNN for breast tumor detection | |
Jayanthi | Comparative study of different techniques used for medical image segmentation of liver from abdominal CT scan | |
Wang et al. | EE-Net: An edge-enhanced deep learning network for jointly identifying corneal micro-layers from optical coherence tomography | |
Diao et al. | Highly sensitive computer aided diagnosis system for breast tumor based on color Doppler flow images | |
Huang | Computer-aided diagnosis using neural networks and support vector machines for breast ultrasonography | |
Santos et al. | Detection of pathologic liver using ultrasound images | |
CN107705308A (zh) | 基于多模态磁共振的脑肿瘤图像分割方法 |
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: 20180710 |
|
WD01 | Invention patent application deemed withdrawn after publication |