CN108875829A - 一种乳腺肿瘤图像的分类方法及系统 - Google Patents
一种乳腺肿瘤图像的分类方法及系统 Download PDFInfo
- Publication number
- CN108875829A CN108875829A CN201810636416.0A CN201810636416A CN108875829A CN 108875829 A CN108875829 A CN 108875829A CN 201810636416 A CN201810636416 A CN 201810636416A CN 108875829 A CN108875829 A CN 108875829A
- Authority
- CN
- China
- Prior art keywords
- tumor
- algorithm
- region
- breast tumor
- 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.)
- Withdrawn
Links
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 99
- 241000288113 Gallirallus australis Species 0.000 claims abstract description 24
- 206010006187 Breast cancer Diseases 0.000 claims description 100
- 206010028980 Neoplasm Diseases 0.000 claims description 84
- 238000012549 training Methods 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 26
- 210000002569 neuron Anatomy 0.000 claims description 25
- 230000000877 morphologic effect Effects 0.000 claims description 22
- 238000003062 neural network model Methods 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 11
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 102000037983 regulatory factors Human genes 0.000 claims 1
- 108091008025 regulatory factors Proteins 0.000 claims 1
- 238000012706 support-vector machine Methods 0.000 abstract description 51
- 230000003902 lesion Effects 0.000 abstract description 9
- 239000002131 composite material Substances 0.000 abstract 2
- 239000000203 mixture Substances 0.000 abstract 1
- 239000013598 vector Substances 0.000 description 18
- 241000255588 Tephritidae Species 0.000 description 17
- 230000003211 malignant effect Effects 0.000 description 9
- 201000007295 breast benign neoplasm Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 235000013305 food Nutrition 0.000 description 5
- 210000004205 output neuron Anatomy 0.000 description 5
- 201000011510 cancer Diseases 0.000 description 4
- 238000007418 data mining Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 208000004434 Calcinosis Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000002308 calcification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 210000002364 input neuron Anatomy 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000796 flavoring agent Substances 0.000 description 2
- 235000019634 flavors Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000008786 sensory perception of smell Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000255925 Diptera Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002964 excitative effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000036210 malignancy Effects 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
- 238000012800 visualization 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
- G06F18/21—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering 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
- G06F18/2411—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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种乳腺肿瘤图像的分类方法及系统，所述方法包括：基于FCM算法获取待分类乳腺肿瘤图像中的肿块区域；基于Weka系统获取所述肿块区域的混合特征；根据所述肿块区域的混合特征，基于SVM算法对所述待分类乳腺肿瘤图像进行分类；其中，SVM算法的参数预先使用改进的FOA算法进行优化。本发明使用Weka系统获取乳腺肿瘤病灶区形态形状纹理混合特征用于分类，以提高分类效率和准确率；考虑到支持向量机中核函数参数和惩罚系数对分类性能的影响，利用改进的FOA算法对SVM分类器的参数进行优化，提高算法分类的性能。
Description
技术领域
本发明属于图像分类技术领域，更具体地，涉及一种乳腺肿瘤图像的分类方法及系统。
背景技术
乳腺癌已成为世界上妇女发病率最高的癌症之一，但是研究表明，乳腺肿瘤若能早发现、早诊断、早治疗，就可取得良好的治疗效果。医学研究发现，乳腺肿瘤病灶组织的细胞核显微图像与正常组织的细胞核显微图像不同，但用一般的图像处理方法很难对其进行有效区分。并且医疗机构的医学图像产出量巨大，图像数据往往包含大量潜在信息。
目前主要对拍摄的图像依靠人工判读分析，效率较低且能挖掘到的信息有限，无法充分利用数据资源。而深度学习在图像处理领域的优异表现为医学图像的自动化处理提供了新方法。目前深度学习在医学图像中主要应用于临床图像分类，关键目标发现和图片自动分割等方面。因此，利用深度学习和智能计算方法来检测乳腺肿瘤是否为恶性就显得尤为重要，且已成为非常热门的研究领域。
由于一些良性和恶性肿瘤的声像图本身有很大的重叠。比如一些恶性肿瘤表现为边界光滑，一些良性肿瘤表现为形态不规则，边界粗糙。对于这些情况，现有的乳腺肿瘤图像的分类方法不能进行区分。此外，现有的乳腺肿瘤图像的分类方法正确率低，运算速度慢。
发明内容
为克服上述现有的乳腺肿瘤图像的分类方法正确率低且运算速度慢的问题或者至少部分地解决上述问题，本发明提供一种乳腺肿瘤图像的分类方法及系统。
根据本发明的第一方面，提供一种乳腺肿瘤图像的分类方法，包括：
基于FCM算法获取待分类乳腺肿瘤图像中的肿块区域；
基于Weka系统获取所述肿块区域的混合特征；
根据所述肿块区域的混合特征，基于SVM算法对所述待分类乳腺肿瘤图像进行分类；其中，SVM算法的参数预先使用改进的FOA算法进行优化。
根据本发明第二方面提供一种乳腺肿瘤图像的分类系统，包括：
第一获取模块，用于基于FCM算法获取待分类乳腺肿瘤图像中的肿块区域；
第二获取模块，用于基于Weka系统获取所述肿块区域的混合特征；
分类模块，用于根据肿块区域的混合特征，基于SVM算法对乳腺肿瘤图像进行分类，其中，SVM算法的参数预先使用改进的FOA算法进行优化。
根据本发明第三方面提供一种乳腺肿瘤图像的分类设备，其特征在于，包括：
至少一个处理器、至少一个存储器和总线；其中，
所述处理器和存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述方法。
本发明提供一种乳腺肿瘤图像的分类方法及系统，该方法通过基于FCM算法获取待分类乳腺肿瘤图像中的肿块区域，利用数据挖掘软件Weka系统对肿块区域的特征进行属性筛选和降维提取，选出与乳腺肿瘤良恶性分类目标相关度高，相互之间尽可能独立的属性，构成乳腺肿瘤病灶区形态形状纹理混合特征用于分类，以提高分类效率和准确率；考虑到支持向量机中核函数参数和惩罚系数对分类性能的影响，利用改进的FOA算法对SVM分类器的参数进行优化，提高算法分类的性能。
附图说明
图1为本发明实施例提供的乳腺肿瘤图像的分类方法整体流程示意图；
图2为本发明实施例提供的乳腺肿瘤图像的分类方法中SOM和SVM相结合的流程示意图；
图3为本发明实施例提供的乳腺肿瘤图像的分类系统整体结构示意图；
图4为本发明实施例提供的乳腺肿瘤图像的分类设备整体结构示意图。
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描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
在本发明的一个实施例中提供一种乳腺肿瘤图像的分类方法，图1为本发明实施例提供的乳腺肿瘤图像的分类方法整体流程示意图，该方法包括：
S101，基于FCM算法获取待分类乳腺肿瘤图像中的肿块区域；
其中，待分类乳腺肿瘤图像为需要进行分类的乳腺肿瘤超声图像。在基于FCM算法获取待分类乳腺肿瘤中的肿块区域之前，对待分类乳腺肿瘤图像进行预处理，预处理包括中值滤波去噪、增强对比度归一化等。因为在显微图像下，提取的肿瘤细胞核特征的变量之间量纲不同，因此利用极差化技术对数据实行归一化，采用以下函数把模型样本的原始数据归一化到[0，1]之间：
其中，x为原始数据；xmin为原始数据的最小值；xmax为原始数据的最大值；y为归一化后的数据。
FCM(Fuzzy C-Means，模糊C均值)算法是一种聚类算法，用于是实现对待分类乳腺肿瘤图像进行分割，从而提取ROI(Region Of Interest感兴趣区域)，即肿块区域。FCM算法将整幅待分类乳腺肿瘤图像看作一个样本集，其中的每一个像素点作为一个将要被聚类的样本，将特征相同或相近的像素划分到一类中，特征不相似的像素尽可能的划分在不一样的类别中，进而标记每一个像素的类别，从而实现对待分类乳腺肿瘤图像的分割。FCM算法的根本原理是经过反复修正聚类中心和隶属度矩阵，获取目标函数的最小值，随后依据最大隶属度原则，实现样本分类，这时样本的聚类效果达到最佳。
假设给定任意的一组数据样本集合记为其中s为数据集X的维数，n为集合中样本的数目，c(2≤c＜n，c∈Z)是对数据集X进行划分的聚类个数。那么FCM聚类算法的目标函数定义为：
需要满足的约束条件为：
其中，m是模糊因子；uij是第j个样本，xj属于第i类的隶属度值，取值区间为(0，1)，||xj-vi||表示xj到vi的欧氏距离。对于c和m的选择，当前无法给出准确的理论数值，一般根据实验或经验获取。一般情况下，令m取2，当m＝0时，FCM等价于硬C均值聚类。求解uij和vi的表达式是实现目标函数最小值的关键。因而该求解可以利用数学中解得最小值情况来解决。因此，在满足隶属度归一化的约束条件下，通过建立拉格朗日方程来构造一个新的函数F(U，V，λ)，以此来求解uij和vi。
其中，λj(j＝1，2，...，n)为拉格朗日乘子。F(U，V，λ)函数分别对λ、u和v求取偏导数：
从而可以得到vi和uij的表达式为：
获取待分类乳腺肿瘤图像后，为提取相对准确的乳腺肿瘤病灶区图像特征，基于FCM算法对待分类乳腺肿瘤图像进行分割，获取精确的肿块区域。肿块区域为乳腺肿瘤的病灶区域。
S102，基于Weka系统获取肿块区域的混合特征；
其中，Weka(Waikato Environment for Knowledge Analysis，怀卡托智能分析环境)系统是一款免费的、非商业化的、基于JAVA环境下开源的机器学习以及数据挖掘软件。Weka作为一个公开的数据挖掘工作平台，集合了大量能承担数据挖掘任务的机器学习算法，包括对数据进行预处理，分类，回归、聚类、关联规则以及在新的交互式界面上的可视化。开发者可使用Java语言，利用Weka架构开发出更多的数据挖掘算法。基于Weka系统对肿块区域的特征进行属性筛选和降维，将最终保留下来的特征进行组合，获取肿块区域的混合特征。
S103，根据肿块区域的混合特征，基于SVM算法对待分类乳腺肿瘤图像进行分类；其中，SVM算法的参数预先使用改进的FOA算法进行优化。
其中，SVM(Support Vector Machine，支持向量机)算法是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。SVM的主要思想可以概括为两点：(1)它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。(2)它基于结构风险最小化理论之上在特征空间中构建最优超平面，使得学习器得到全局最优化，并且在整个样本空间的期望以某个概率满足一定上界。
FOA(Fruit Fly Optimization Algorithm，果蝇优化算法)是一种对果蝇在觅食过程中的行为进行仿真模拟从而总结得出的一种优化算法。自然界中果蝇感觉器官的特性优于其他动物，特别表现在嗅觉与视觉方面。漂浮在大气中的许多味道都能被果蝇闻到并且找寻到其位置所在，果蝇最远可以闻到比40公里更远距离的食物味道。随后，当其靠近食物所在的地方后，可以通过灵活的眼睛找到食物与伙伴汇集的地方。在非线性情况中，SVM算法的分类正确度和推广能力依托于参数的选择。利用标准FOA算法对SVM参数进行优化，易导致局部最优，从而错过最佳参数，使得收敛精度不高。为避免陷入局部最优，本实施例中使用改进的FOA算法，改进的FOA算法是一种三维空间区域全局寻优的算法，这样就使果蝇搜索空间扩大，具有更好的寻优效果。本实施例中根据肿块区域的混合特征，基于SVM算法对待分类乳腺肿瘤图像进行分类，从而实现对乳腺肿瘤的良恶性进行分类。其中，SVM算法的参数预先使用改进的FOA算法进行优化。
本实施例通过基于FCM算法获取待分类乳腺肿瘤图像中的肿块区域，利用数据挖掘软件Weka系统对肿块区域的特征进行属性筛选和降维提取，选出与乳腺肿瘤良恶性分类目标相关度高，相互之间尽可能独立的属性，构成乳腺肿瘤病灶区形态形状纹理混合特征用于分类，以提高分类效率和准确率；考虑到支持向量机中核函数参数和惩罚系数对分类性能的影响，利用改进的FOA算法对SVM分类器的参数进行优化，提高算法分类的性能。
在上述实施例的基础上，本实施例中基于FCM算法获取待分类乳腺肿瘤图像中的肿块区域的步骤之后还包括：基于图像增强方法对所述肿块区域进行增强；对增强后的肿块区域进行傅里叶变换后基于巴特沃斯滤波器和几何开闭运算对增强后的肿块区域进行去噪；基于阈值法对傅里叶变换后的肿块区域进行二值化，以基于Weka系统获取二值化后的肿块区域的混合特征。
其中，图像增强方法包括中值滤波、直方图均衡等操作。本实施例基于图像增强方法对肿块区域进行增强。然后，对增强后的肿块区域进行傅里叶变换，采用巴特沃斯滤波器消除肿块区域的斑点噪声，使用图像几何开闭运算滤掉肿块区域中的小毛刺和孤立点，从而平滑肿块区域的边缘。采用域值法对肿块区域进行二值化，从而获取肿块区域的形状。基于肿块区域的形状获取肿块区域的特征，以供Weka系统对肿块区域的特征进行属性筛选和降维。
在上述实施例的基础上，本实施例中基于Weka系统获取肿块区域的混合特征的步骤具体包括：提取肿块区域的特征；其中，特征包括形态特征、形状Hu矩特征和灰度共生矩阵纹理特征中的一种或多种；
具体地，根据BI-RADS系统6级标准分级表述，乳腺肿瘤病灶区域的形态、形状及纹理特征与乳腺肿瘤良恶性程度有关。乳腺肿瘤在超声图像的形态表现中，良性肿瘤具有边缘清晰，回声均匀，边界无毛刺，病灶纵横比小于1，无钙化点等特征。相反，恶性肿瘤则在形态表现上，边界不清晰、有毛刺蟹足样病变，病灶纵横比大于1、有钙化点等特征，出现上述形态特征越多，乳腺肿瘤恶性程度越高。为此，提取乳腺肿瘤病灶区域的形态特征、形状Hu矩特征和灰度共生矩阵纹理特征中的一种或多种，构建乳腺肿瘤特征数据库，用于待分类乳腺肿瘤图像的检索与分类。其中，形态特征提取是根据肿块区域在形态表现上边界是否清晰、是否为蟹足样病变，病灶纵横比是否大于1、是否有钙化点等特征，提取肿块区域的形态特征。
对肿块区域的特征进行筛选和降维，获取肿块区域优化后的特征；
具体地，依据BI-RADS报告系统，肿瘤病灶区域在形状、形态方面表现为边界是否清晰、病变形状是圆形、椭圆形或是有毛刺蟹足样病变，病灶纵横比是否大于1等特征；同时，肿瘤病灶区域纹理是否有钙化点、病灶区长轴是否与皮肤平行等，对以上问题的回答是评价乳腺良恶性程度的重要依据。将乳腺肿瘤形态特征、形状特征、纹理特征联合起来构成超声图像形态、形状、纹理混合特征21个分量，进行乳腺肿瘤良恶性分类，以期提高乳腺肿瘤良恶性分类的准确率。肿块区域的特征可能存在冗余特征分量，若使用全部特征分量作为图像特征用于检索，反而可能降低图像分类检索准确率。对肿块区域的特征进行属性筛选和降维，选出与乳腺肿瘤良恶性分类目标相关度高，相互之间尽可能独立的属性，构成乳腺肿瘤病灶区形态形状纹理混合特征用于分类，以提高分类效率和准确率。
基于Weka系统中的属性子集评估器CfsSubsetEval和BestFirst搜索，对优化后的特征进行筛选；
乳腺肿瘤形态特征是乳腺肿瘤良恶性分类的重要依据，可直接作为混合特征分量。对于乳腺肿瘤形状及纹理特征，以不降低分类准确率，所需特征分量最少为目标，应用数据挖掘方法进行属性选择，减少特征维数。采用Weka数据挖掘软件的属性子集评估器CfsSubsetEval和BestFirst搜索相结合的方法分别对肿块区域的形状、纹理特征进行属性选择实验，评估特征向量各属性相互之间的冗余度和预测能力。
将筛选出的优化后的特征进行组合，获取肿块区域的混合特征。
例如，经测试，选择肿块区域的形状Hu矩特征的1、2和6分量，纹理特征1和3分量与乳腺肿瘤形态特征进行组合，获取乳腺肿瘤超声图像中病灶区形态形状纹理混合特征。
在上述实施例的基础上，本实施例中形态特征包括紧密度、标准化半径、面积比率、肿块区域的周长与肿块区域的最小外接矩形的周长之比、肿块区域的面积与最小外接矩形的面积之比，以及肿块区域的形状纵横比中的一种或多种；
具体地，设乳腺肿瘤形状边缘点坐标(xi，yi)，质心坐标(x0，y0)，乳腺肿瘤面积为A，周长为P，其外接矩形宽为W，高为H。紧密度是一个粗略描述物体边缘规则度的特征参数，较多地应用于识别物体形状领域。紧密度的定义如下：
标准化半径是将半径归一化处理后的值，它是无量纲的，定义如下：
其中，di为半径。
面积比率的定义如下：
其中，为平均标准化半径。
肿块区域周长与其最小外接矩形周长之比，用于度量蟹足样病变程度，定义如下：
肿块区域面积与最小外接矩形面积之比，用于度量蟹足样病变程度，定义如下：
肿块区域的形状纵横比定义如下：
形状Hu矩特征由肿块区域的二阶和三阶中心线性组合获取；
具体地，乳腺肿瘤病灶区域形状及纹理特征表现是乳腺肿瘤良恶性程度判定的重要依据，由病灶区形状的二阶和三阶中心矩线性组合构成的乳腺肿瘤病灶区形状Hu矩特征的7个分量。
灰度共生矩阵纹理特征根据肿块区域的对比度、能量、熵、相关性的均值和方差获取。
具体地，由肿块区域的对比度、能量、熵、相关性的均值和方差形成8个灰度共生矩阵纹理特征分量。
在上述任一实施例的基础上，本实施例中在根据肿块区域的混合特征，基于SVM算法对乳腺肿瘤图像进行分类的步骤之前还包括：基于改进的FOA算法对SVM算法中的惩罚系数和核函数参数进行优化。
在上述实施例的基础上，本实施例中基于改进的FOA算法对SVM算法中的惩罚系数和核函数参数进行优化的步骤具体包括：根据果蝇群体中各果蝇进行参数优化的三维坐标，计算各果蝇与原点之间的距离；根据各距离计算味道浓度判定值，根据味道浓度判定值对SVM算法中的惩罚系数和核函数参数进行赋值；基于5折交叉验证，将味道浓度判定值作为适应度函数的参数进行计算，获取各三维坐标处的味道浓度和最大的味道浓度对应的三维坐标；将最大的味道浓度对应的三维坐标作为各果蝇下一次进行参数优化的三维坐标。
具体地，基于改进的FOA算法对SVM算法进行优化，设定果蝇群体的规模为k，群体最大迭代次数Gmax，果蝇随机飞行搜寻范围h，随机给定果蝇开始的位置(X1，Y1，Z1)。果蝇个体通过嗅觉寻找食物，由于优化参数是SVM的惩罚系数c和核函数参数g两个参数，所以X，Y，Z分别为k行2列的矩阵。
其中，i＝1，2，...，k；X(i)、Y(i)和Z(i)均为k维的矩阵；rand为0～1之间的随机数或伪随机数。果蝇一开始不知道食物源的具体坐标，根据每个果蝇与原点的间距D(i，：)算出味道浓度判定值S(i，：)，并对SVM的参数(c，g)赋值。
c＝cm*S(i，1)；
g＝gm*S(i，2)；
其中，c为惩罚系数；g为核函数参数，cm是c的缩放系数，gm是g的缩放系数。例如，根据实验经验判定cm取20，gm取1。
学习样本采用5折交叉验证，将S(i，：)带入适应度函数，算出该果蝇个体位置的味道浓度Smelli和此果蝇群体中味道浓度最高的果蝇。
Smelli＝Fouction(S(i，：))；
[bestSmell，bestIndex]＝max(Smelli)；
其中，Function为适应度函数；bestSmell为最优味道浓度值；bestIndex为最优味道浓度值对应的果蝇位置。
将果蝇群体中味道浓度最高的果蝇位置X，Y，Z以及最优味道浓度值记录下来，那么果蝇就会根据其知觉向该位置飞去。
Smellbest＝bestSmell；
反复进行迭代寻优，直到达到目标精度要求或迭代次数达到最大值时，迭代终止。
在上述任一实施例的基础上，本实施例中在根据肿块区域的混合特征，基于SVM算法对乳腺肿瘤图像进行分类的步骤之前还包括：基于改进的SOM神经网络模型根据训练样本集合的混合特征对训练样本进行聚类，获取各训练样本子集；对于任一训练样本子集，计算该训练样本子集中各训练样本与该训练样本子集的聚类中心之间的距离；若各距离小于或等于预设阈值，则基于各距离对应的训练样本对SVM算法进行训练。
其中，SOM(Self-organizing Maps，自组织映射)神经网络模型属于无监督算法，该算法主要包括两个步骤：竞争学习过程以及竞争层神经元的侧交互过程。其中，在神经元竞争学习过程中对于每个输入向量，通过输入向量值与权重值之间的比较，在神经元间产生竞争，权重向量与输入模式最相近的神经元被认为对输入模式反应最强烈，被设定为获胜神经元，这是SOM的神经元竞争学习过程。在竞争层神经元的侧反馈过程中，每个输入的数据都会在竞争层上产生影响，这种影响主要体现在正反反馈的关系上，遵循的规则是临近获胜神经元的会产生兴奋性反馈，距离较远的会产生抑制性反馈，这个距离是多大在算法中确定。在学习刚开始时，输入、输出层节点跟输入模式的关系还不能确定向量权值都先初始化为一个值，这些权值会随着数据的不断输入训练进行修改，使得连接权值向量朝着输入模式靠近。输入数据会影响到输出层的神经元变化情况，当输入数据集的模式类别发生改变时，输出层二维平面上的获胜神经元节点也将从原节点移动到其他新的节点，这就是SOM的自组织映射方式，数据训练完之后，输出层神经元能很好地反映数据聚类后的网络拓扑结构分布。
对于输入向量每个输入神经元为uj(j＝1，2，…M)，相应的权向量wj＝[wj1，wj2，…wjn]T。权向量与输入向量有最小欧氏距离的输出层神经元作为获胜单元。具体步骤如下：
步骤1：初始化网络。一般情况下，在给权值向量Wij赋值时，在[0，1]间选择随机值，但是这样容易出现权值在学习过程中的调整过慢，影响训练速度，一般把权值都设置为0.5，降低权值波动范围。
步骤2：从样本数据中选取一个输入向量Xk，进行归一化处理，如下式所示，并提供给输入层。
通过以下公式对连接全矢量归一化：
步骤3：计算输入矢量数据与权向量的欧氏距离，选择距离最小的神经元节点c为获胜单元。
步骤4：以c为中心，将Nc范围内的神经元按照公式Wij(t+1)＝Wij(t)+a(t)*Nc(t)*[Xi-Wij(t)]调节权重，Nc范围外的神经元权重不调整，其中，a是学习增益系数。
步骤5：回到步骤2反复执行。
以上是SOM聚类算法的一般工作过程，常规的SOM算法还有不足之处，比如在SOM学习过程中，如果学习速度a(t)过大，网络学习稳定性较差，而如果a(t)过小，会使网络学习收敛时间过长；同时邻域Nc的选取也会影响训练的速度以及准确性，过大过小同样会产生不良的效果。
在上述实施例的基础上，本实施例中所述改进的SOM神经网络模型的第t次学习过程中的学习速度a(t)通过以下公式获取：
a(t)＝α-βt；
其中，α和β为调节因子；所述改进的SOM神经网络模型在训练过程中的邻域Nc(t)通过以下公式获取：
其中，σ为邻域的有效宽度，σ0≈md/2，md是所述改进的SOM神经网络模型中对角线上的神经元数量，dc为最小距离，c为获胜神经元，σi＝0.5，Nc(t)为第t次学习过程中邻域内神经元的个数；所述改进的SOM神经网络模型的后续连接权值通过以下公式更新：
Wij(t+1)＝Wij(t)+a(t)*Nc(t)*[Xi-Wij(t)]。
因此，本实施例基于改进的SOM神经网络模型根据训练样本集合的混合特征对训练样本进行聚类。本实施例不限于改进的SOM神经网络模型的类别。在此基础上基于SVM对乳腺肿瘤进行良恶分类判别，具体过程为首先利用SOM方法对训练样本进行划分，即对目标特征矢量数据集进行聚类，从而将目标特征空间划分为有一定聚类中心的子集。然后，使用SVM对划分后的样本数据进行训练，再对待分类数据进行分类识别，这样既可以缩短SVM的训练时间，又可以保持好的识别效果。在对SVM进行训练时，以特征数据的量化向量作为输入，以乳腺肿瘤良性或恶性的结果作为输出，训练SVM分类器。采用训练好的分类器对待分类乳腺肿瘤图像进行分类，算出识别准确率，并对识别的结果进行性能评价。
如图2所示，基于改进的SOM神经网络模型与支持向量机SVM根据训练样本集合的混合特征对训练样本进行分类判别的具体步骤如下：
步骤1：初始化SOM和SVM的参数。
步骤2：用基于SOM的神经网络模型对样本数据集G进行聚类。
步骤2.1：先对权系数进行初始化：对于有m个神经元，p个输出神经元的SOM网络，对连接输入神经元和输出神经元之间的权系数，设定为小的随机数α，这里让α＝0.5，同时设定临界区域的初始半径；
步骤2.2：输入样本数据，求出样本数据与所有输出神经元的距离，计算方法如下：对于输出神经元j，它与样本Xk之间的距离，如下式表示：
其中，j＝1，2，...，p；
步骤2.3：选择和输入样本Xk的距离最小的神经元c作为最优匹配的输出神经元，用Wc表示神经元c对输入神经元的权系数向量，如下式所示：
||Xk-Wc||＝minj{djk}；
步骤2.4：对权系数进行修改，使用下式修改神经元c与其邻接神经元的权值：
Δωij＝ωij(t+1)-ωij(t)＝η(t)(Xi(t)-ωij(t))；
其中，η是一个大于0小于1的常数，随着计算过程的进行逐渐变成0，函数表示为：
或者，
步骤2.5：对于不同的t＝1，2，...，z(500＜t＜1000)重新返回步骤2.2执行。
步骤3：在聚类的结果集中产生压缩的训练集G；
步骤3.1：在SOM的初步聚类结束后，会得到相应样本的类别标识和聚类中心Cj(j＝1，2，...，s，其中s为类别数)；
步骤3.2：利用Dij＝||Xi-Cj||计算每个样本到聚类中心的距离Dij，并选择Dij最小的样本添加到G，其中Xi代表第i个样本，Cj为第j个聚类中心。
步骤4：通过SVM对数据集G进行训练和测试；
步骤4.1：给定训练集G＝{(x1，y1)，(x2，y2)，...，(xi，yi)}∈(Rn×Y)i；
步骤4.2：选择核函数k(x，xi)并利用改进的FOA算法优化惩罚参数；
步骤4.3：构造并求解凸二次规划问题式：
本实施例将SOM改进后与SVM进行结合，将肿块区域中对支持向量机无关的样本点进行剔除处理，大大提高SVM的训练速度。
在本发明的另一个实施例中提供一种乳腺肿瘤图像的分类系统，图3为本发明实施例提供的乳腺肿瘤图像的分类系统整体结构示意图，该系统用于实现前述各实施例中的乳腺肿瘤图像的分类方法。因此，在前述各实施例中乳腺肿瘤图像的分类方法中的描述和定义，可以用于本发明实施例中各个执行模块的理解。该系统包括第一获取模块301、第二获取模块302和分类模块303；其中：
第一获取模块301用于基于FCM算法获取待分类乳腺肿瘤图像中的肿块区域；第二获取模块302用于基于Weka系统获取肿块区域的混合特征；分类模块303用于根据肿块区域的混合特征，基于SVM算法对乳腺肿瘤图像进行分类；其中，SVM算法的参数预先使用改进的FOA算法进行优化。
在上述实施例的基础上，本实施例中还包括处理模块，用于基于图像增强方法对所述肿块区域进行增强；对增强后的肿块区域进行傅里叶变换后基于巴特沃斯滤波器和几何开闭运算对增强后的肿块区域进行去噪；基于阈值法对傅里叶变换后的肿块区域进行二值化，以基于Weka系统获取二值化后的肿块区域的混合特征。
在上述实施例的基础上，本实施例中第二获取模块具体用于：提取肿块区域的特征；其中，特征包括形态特征、形状Hu矩特征和灰度共生矩阵纹理特征中的一种或多种；对肿块区域的特征进行筛选和降维，获取肿块区域优化后的特征；基于Weka系统中的属性子集评估器CfsSubsetEval和BestFirst搜索，对优化后的特征进行筛选；将筛选出的优化后的特征进行组合，获取肿块区域的混合特征。
在上述实施例的基础上，本实施例中形态特征包括紧密度、标准化半径、面积比率、肿块区域的周长与肿块区域的最小外接矩形的周长之比、肿块区域的面积与最小外接矩形的面积之比，以及肿块区域的形状纵横比中的一种或多种；形状Hu矩特征由肿块区域的二阶和三阶中心线性组合获取；灰度共生矩阵纹理特征根据肿块区域的对比度、能量、熵、相关性的均值和方差获取。
在上述各实施例的基础上，本实施例中还包括优化模块，用于基于改进的FOA算法对SVM算法中的惩罚系数和核函数参数进行优化。
在上述实施例的基础上，本实施例中优化模块具体用于：根据果蝇群体中各果蝇进行参数优化的三维坐标，计算各所述果蝇与原点之间的距离；根据各所述距离计算味道浓度判定值，根据所述味道浓度判定值对SVM算法中的惩罚系数和核函数参数进行赋值；基于5折交叉验证，将所述味道浓度判定值作为适应度函数的参数进行计算，获取各所述三维坐标处的味道浓度和最大的所述味道浓度对应的三维坐标；将最大的所述味道浓度对应的三维坐标作为各所述果蝇下一次进行参数优化的三维坐标。
在上述实施例的基础上，本实施例中还包括训练模块，用于基于改进的SOM神经网络模型根据训练样本集合的混合特征对训练样本进行聚类，获取各训练样本子集；对于任一所述训练样本子集，计算该训练样本子集中各训练样本与该训练样本子集的聚类中心之间的距离；若各所述距离小于或等于预设阈值，则基于各所述距离对应的训练样本对SVM算法进行训练。
在上述实施例的基础上，本实施例中所述改进的SOM神经网络模型的第t次学习过程中的学习速度a(t)通过以下公式获取：
a(t)＝α-βt；
其中，α和β为调节因子；所述改进的SOM神经网络模型在训练过程中的邻域Nc(t)通过以下公式获取：
其中，σ为邻域的有效宽度，σ0≈md/2，md是所述改进的SOM神经网络模型中对角线上的神经元数量；所述改进的SOM神经网络模型的后续连接权值通过以下公式获取：
Wij(t+1)＝Wij(t)+a(t)*Nc(t)*[Xi-Wij(t)]。
本实施例通过基于FCM算法获取待分类乳腺肿瘤图像中的肿块区域，利用数据挖掘软件Weka系统对肿块区域的特征进行属性筛选和降维提取，选出与乳腺肿瘤良恶性分类目标相关度高，相互之间尽可能独立的属性，构成乳腺肿瘤病灶区形态形状纹理混合特征用于分类，以提高分类效率和准确率；考虑到支持向量机中核函数参数和惩罚系数对分类性能的影响，利用改进的FOA算法对SVM分类器的参数进行优化，提高算法分类的性能。
本实施例提供一种乳腺肿瘤图像的分类设备，图4为本发明实施例提供的乳腺肿瘤图像的分类设备整体结构示意图，该设备包括：至少一个处理器401、至少一个存储器402和总线403；其中，
处理器401和存储器402通过总线403完成相互间的通信；
存储器402存储有可被处理器401执行的程序指令，处理器调用程序指令能够执行上述各方法实施例所提供的方法，例如包括：基于FCM算法获取待分类乳腺肿瘤图像中的肿块区域；基于Weka系统获取所述肿块区域的混合特征；根据所述肿块区域的混合特征，基于SVM算法对所述待分类乳腺肿瘤图像进行分类；其中，SVM算法的参数预先使用改进的FOA算法进行优化。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：基于FCM算法获取待分类乳腺肿瘤图像中的肿块区域；基于Weka系统获取所述肿块区域的混合特征；根据所述肿块区域的混合特征，基于SVM算法对所述待分类乳腺肿瘤图像进行分类；其中，SVM算法的参数预先使用改进的FOA算法进行优化。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的乳腺肿瘤图像的分类设备实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种乳腺肿瘤图像的分类方法，其特征在于，包括：
基于FCM算法获取待分类乳腺肿瘤图像中的肿块区域；
基于Weka系统获取所述肿块区域的混合特征；
根据所述肿块区域的混合特征，基于SVM算法对所述待分类乳腺肿瘤图像进行分类；其中，所述SVM算法的参数预先使用改进的FOA算法进行优化。
2.根据权利要求1所述的方法，其特征在于，基于FCM算法获取待分类乳腺肿瘤图像中的肿块区域的步骤之后还包括：
基于图像增强方法对所述肿块区域进行增强；
对增强后的所述肿块区域进行傅里叶变换，对增强后的所述肿块区域进行傅里叶变换后基于巴特沃斯滤波器和几何开闭运算对增强后的所述肿块区域进行去噪；
基于阈值法对傅里叶变换后的所述肿块区域进行二值化，以基于Weka系统获取二值化后的所述肿块区域的混合特征。
3.根据权利要求1所述的方法，其特征在于，基于Weka系统获取所述肿块区域的混合特征的步骤具体包括：
提取所述肿块区域的特征；其中，所述特征包括形态特征、形状Hu矩特征和灰度共生矩阵纹理特征中的一种或多种；
对所述肿块区域的特征进行筛选和降维，获取所述肿块区域优化后的特征；
基于Weka系统中的属性子集评估器CfsSubsetEval和BestFirst搜索，对所述优化后的特征进行筛选；
将筛选出的所述优化后的特征进行组合，获取所述肿块区域的混合特征。
4.根据权利要求3所述的方法，其特征在于，所述形态特征包括紧密度、标准化半径、面积比率、所述肿块区域的周长与所述肿块区域的最小外接矩形的周长之比、所述肿块区域的面积与所述最小外接矩形的面积之比，以及所述肿块区域的形状纵横比中的一种或多种；
所述形状Hu矩特征由所述肿块区域的二阶和三阶中心线性组合获取；
所述灰度共生矩阵纹理特征根据所述肿块区域的对比度、能量、熵、相关性的均值和方差获取。
5.根据权利要求1-4任一所述的方法，其特征在于，在根据肿块区域的混合特征，基于SVM算法对待分类乳腺肿瘤图像进行分类的步骤之前还包括：
基于改进的FOA算法对SVM算法中的惩罚系数和核函数参数进行优化。
6.根据权利要求5所述的方法，其特征在于，基于改进的FOA算法对SVM算法中的惩罚系数和核函数参数进行优化的步骤具体包括：
根据果蝇群体中各果蝇进行参数优化的三维坐标，计算各所述果蝇与原点之间的距离；
根据各所述距离计算味道浓度判定值，根据所述味道浓度判定值对SVM算法中的惩罚系数和核函数参数进行赋值；
基于5折交叉验证，将所述味道浓度判定值作为适应度函数的参数进行计算，获取各所述三维坐标处的味道浓度和最大的所述味道浓度对应的三维坐标；
将最大的所述味道浓度对应的三维坐标作为各所述果蝇下一次进行参数优化的三维坐标。
7.根据权利要求1-4任一所述的方法，其特征在于，在根据肿块区域的混合特征，基于SVM算法对待分类乳腺肿瘤图像进行分类的步骤之前还包括：
基于改进的SOM神经网络模型根据训练样本集合的混合特征对训练样本进行聚类，获取各训练样本子集；
对于任一所述训练样本子集，计算该训练样本子集中各训练样本与该训练样本子集的聚类中心之间的距离；
若各所述距离小于或等于预设阈值，则基于各所述距离对应的训练样本对SVM算法进行训练。
8.根据权利要求7所述的方法，其特征在于，所述改进的SOM神经网络模型的第t次学习过程中的学习速度a(t)通过以下公式获取：
a(t)＝α-βt；
其中，α和β为调节因子；
所述改进的SOM神经网络模型在训练过程中的邻域Nc(t)通过以下公式获取：
其中，σ为邻域的有效宽度，σ0≈md/2，md是所述改进的SOM神经网络模型中对角线上的神经元数量，dc为最小距离，c为获胜神经元，σi＝0.5，Nc(t)为第t次学习过程中邻域内神经元的个数；
所述改进的SOM神经网络模型的后续连接权值通过以下公式更新：
Wij(t+1)＝Wij(t)+a(t)*Nc(t)*[Xi-Wij(t)]。
9.一种乳腺肿瘤图像的分类系统，其特征在于，包括：
第一获取模块，用于基于FCM算法获取待分类乳腺肿瘤图像中的肿块区域；
第二获取模块，用于基于Weka系统获取所述肿块区域的混合特征；
分类模块，用于根据肿块区域的混合特征，基于SVM算法对乳腺肿瘤图像进行分类，其中，SVM算法的参数预先使用改进的FOA算法进行优化。
10.一种乳腺肿瘤图像的分类设备，其特征在于，包括：
至少一个处理器、至少一个存储器和总线；其中，
所述处理器和存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至8任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810636416.0A CN108875829A (zh) | 2018-06-20 | 2018-06-20 | 一种乳腺肿瘤图像的分类方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810636416.0A CN108875829A (zh) | 2018-06-20 | 2018-06-20 | 一种乳腺肿瘤图像的分类方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108875829A true CN108875829A (zh) | 2018-11-23 |
Family
ID=64339820
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810636416.0A Withdrawn CN108875829A (zh) | 2018-06-20 | 2018-06-20 | 一种乳腺肿瘤图像的分类方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108875829A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109598709A (zh) * | 2018-11-29 | 2019-04-09 | 东北大学 | 基于融合深度特征的乳腺辅助诊断系统及方法 |
| CN109903251A (zh) * | 2019-02-27 | 2019-06-18 | 湖北工业大学 | 果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法 |
| CN110428396A (zh) * | 2019-06-25 | 2019-11-08 | 郑州大学第一附属医院 | 一种基于ct影像的特征参数降维方法和系统 |
| CN110473163A (zh) * | 2019-06-03 | 2019-11-19 | 赵旭东 | 一种用于诊断乳腺肿块的超声图像预处理系统及处理超声图像的方法 |
| CN110738637A (zh) * | 2019-09-19 | 2020-01-31 | 华中科技大学 | 一种乳腺癌病理切片的自动分类方法及系统 |
| CN111179227A (zh) * | 2019-12-16 | 2020-05-19 | 西北工业大学 | 基于辅助诊断和主观美学的乳腺超声图像质量评价方法 |
| CN111369532A (zh) * | 2020-03-05 | 2020-07-03 | 北京深睿博联科技有限责任公司 | 乳腺x射线影像的处理方法和装置 |
| CN111832563A (zh) * | 2020-07-17 | 2020-10-27 | 江苏大学附属医院 | 一种基于超声图像的智能化乳腺肿瘤辨别方法 |
| CN112132827A (zh) * | 2020-10-13 | 2020-12-25 | 腾讯科技（深圳）有限公司 | 病理图像的处理方法、装置、电子设备及可读存储介质 |
| CN112862822A (zh) * | 2021-04-06 | 2021-05-28 | 华侨大学 | 一种超声乳腺肿瘤检测与分类方法、装置与介质 |
| WO2021129325A1 (zh) * | 2019-12-25 | 2021-07-01 | 飞依诺科技(苏州)有限公司 | 超声图像病灶的分割方法、装置和计算机设备 |
| CN113924046A (zh) * | 2019-05-31 | 2022-01-11 | 都灵理工大学 | 用于将器官肿块分类为囊肿的基于计算机的方法 |
-
2018
- 2018-06-20 CN CN201810636416.0A patent/CN108875829A/zh not_active Withdrawn
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109598709B (zh) * | 2018-11-29 | 2023-05-26 | 东北大学 | 基于融合深度特征的乳腺辅助诊断系统及方法 |
| CN109598709A (zh) * | 2018-11-29 | 2019-04-09 | 东北大学 | 基于融合深度特征的乳腺辅助诊断系统及方法 |
| CN109903251A (zh) * | 2019-02-27 | 2019-06-18 | 湖北工业大学 | 果蝇算法和杜鹃搜索算法串行融合进行图像增强优化的方法 |
| CN113924046A (zh) * | 2019-05-31 | 2022-01-11 | 都灵理工大学 | 用于将器官肿块分类为囊肿的基于计算机的方法 |
| CN110473163A (zh) * | 2019-06-03 | 2019-11-19 | 赵旭东 | 一种用于诊断乳腺肿块的超声图像预处理系统及处理超声图像的方法 |
| CN110428396A (zh) * | 2019-06-25 | 2019-11-08 | 郑州大学第一附属医院 | 一种基于ct影像的特征参数降维方法和系统 |
| CN110738637A (zh) * | 2019-09-19 | 2020-01-31 | 华中科技大学 | 一种乳腺癌病理切片的自动分类方法及系统 |
| CN110738637B (zh) * | 2019-09-19 | 2022-10-14 | 华中科技大学 | 一种乳腺癌病理切片的自动分类系统 |
| CN111179227B (zh) * | 2019-12-16 | 2022-04-05 | 西北工业大学 | 基于辅助诊断和主观美学的乳腺超声图像质量评价方法 |
| CN111179227A (zh) * | 2019-12-16 | 2020-05-19 | 西北工业大学 | 基于辅助诊断和主观美学的乳腺超声图像质量评价方法 |
| WO2021129325A1 (zh) * | 2019-12-25 | 2021-07-01 | 飞依诺科技(苏州)有限公司 | 超声图像病灶的分割方法、装置和计算机设备 |
| CN111369532A (zh) * | 2020-03-05 | 2020-07-03 | 北京深睿博联科技有限责任公司 | 乳腺x射线影像的处理方法和装置 |
| CN111832563A (zh) * | 2020-07-17 | 2020-10-27 | 江苏大学附属医院 | 一种基于超声图像的智能化乳腺肿瘤辨别方法 |
| CN112132827A (zh) * | 2020-10-13 | 2020-12-25 | 腾讯科技（深圳）有限公司 | 病理图像的处理方法、装置、电子设备及可读存储介质 |
| CN112862822A (zh) * | 2021-04-06 | 2021-05-28 | 华侨大学 | 一种超声乳腺肿瘤检测与分类方法、装置与介质 |
| CN112862822B (zh) * | 2021-04-06 | 2023-05-30 | 华侨大学 | 一种超声乳腺肿瘤检测与分类方法、装置与介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108875829A (zh) | 一种乳腺肿瘤图像的分类方法及系统 | |
| Öztürk et al. | Variants of Artificial Bee Colony algorithm and its applications in medical image processing | |
| Pitchai et al. | RETRACTED ARTICLE: Brain Tumor Segmentation Using Deep Learning and Fuzzy K-Means Clustering for Magnetic Resonance Images | |
| Fondón et al. | Automatic classification of tissue malignancy for breast carcinoma diagnosis | |
| Yu et al. | A systematic survey of deep learning in breast cancer | |
| CN108537102B (zh) | 基于稀疏特征与条件随机场的高分辨sar图像分类方法 | |
| CN101556650B (zh) | 一种分布式自适应肺结节计算机检测方法及系统 | |
| Lalitha et al. | A survey on image segmentation through clustering algorithm | |
| Thilagaraj et al. | [Retracted] Classification of Breast Cancer Images by Implementing Improved DCNN with Artificial Fish School Model | |
| Yang et al. | Color texture segmentation based on image pixel classification | |
| Priya et al. | Optimal deep belief network with opposition based pity beetle algorithm for lung cancer classification: A DBNOPBA approach | |
| Nga et al. | Combining binary particle swarm optimization with support vector machine for enhancing rice varieties classification accuracy | |
| Keyvanpour et al. | WARM: a new breast masses classification method by weighting association rule mining | |
| Balasubramaniyan et al. | Color contour texture based peanut classification using deep spread spectral features classification model for assortment identification | |
| Amiriebrahimabadi et al. | A Comprehensive Survey of Multi-Level Thresholding Segmentation Methods for Image Processing | |
| Rotem et al. | Combining region and edge cues for image segmentation in a probabilistic gaussian mixture framework | |
| Deepa et al. | A fuzzy shape representation of a segmented vessel tree and kernel-induced random forest classifier for the efficient prediction of lung cancer | |
| Khosa et al. | Feature extraction in X-ray images for hazelnuts classification | |
| Rajesh et al. | Automatic data acquisition and spot disease identification system in plants pathology domain: agricultural intelligence system in plant pathology domain | |
| Karthikeyan et al. | Machine Learning based Algorithmic approach for Detection and Classification of Leukemia | |
| Karasulu | An approach based on simulated annealing to optimize the performance of extraction of the flower region using mean-shift segmentation | |
| Das et al. | Skin lesion segmentation and classification: A deep learning and Markovian approach | |
| Sasmal et al. | Aquila-particle swarm based cooperative search optimizer with superpixel techniques for epithelial layer segmentation | |
| Kode et al. | Deep Learning-and Expert Knowledge-Based Feature Extraction and Performance Evaluation in Breast Histopathology Images. Cancers 2023, 15, 3075 | |
| Wu et al. | Application of principal component analysis and adaptive median filter to improve real-time prostate capsula detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181123 |