CN108960313B - 基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法 - Google Patents

基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法 Download PDF

Info

Publication number
CN108960313B
CN108960313B CN201810674801.4A CN201810674801A CN108960313B CN 108960313 B CN108960313 B CN 108960313B CN 201810674801 A CN201810674801 A CN 201810674801A CN 108960313 B CN108960313 B CN 108960313B
Authority
CN
China
Prior art keywords
shearlet
breast
feature
grade
tumor
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.)
Active
Application number
CN201810674801.4A
Other languages
English (en)
Other versions
CN108960313A (zh
Inventor
童莹
祁小银
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.)
Nanjing tianzhixin Technology Co.,Ltd.
Original Assignee
Nanjing Institute of Technology
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 Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN201810674801.4A priority Critical patent/CN108960313B/zh
Publication of CN108960313A publication Critical patent/CN108960313A/zh
Application granted granted Critical
Publication of CN108960313B publication Critical patent/CN108960313B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明提供一种基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法，通过输入乳腺超声RF数据；提取Shearlet特征并降维，基于Shearlet变换实现乳腺肿块特征提取，基于LBP的Shearlet特征降维；采用层级二叉树SVM分类器进行乳腺肿块分级检测。该方法基于Shearlet变换进行乳腺肿块特征提取，可以准确描述不同分级的乳腺肿块特征差异，同时，基于LBP编码的降维算法，可以既不损失乳腺肿块特征信息，同时也降低了算法的计算复杂度，有利于提高算法的有效性；通过层级二叉树SVM分类器，可以对乳腺肿块进行有效分级；能够提高阅片的准确率，能够减少医生的主观因素影响，有助于提高医生诊断的准确率。

Description

基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块 分级检测方法
技术领域
本发明涉及一种基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法。
背景技术
根据2013年美国癌症协会公布的统计数据，乳腺癌是女性中最常见的癌症类型之一，占所有癌症病例的29％。据世界卫生组织估计，全世界约有138万妇女每年被诊断患有乳腺癌，这个数据量占所有癌症病例的23％，早期发现和及时治疗在减少乳腺癌死亡人数方面起着重要作用。目前，超声成像技术是进行乳腺癌早期筛查的常用手段之一，它具有无创、简易、可重复等特点，超声医师根据BI-RADS(Breast Imaging Reporting And DataSystem)标准对超声乳腺图像进行分级诊断。
BI-RADS标准是对乳腺病灶特征标准化的描述和报告方法，由美国放射学会(American College of Radiology,ACR)提出。BI-RADS分级标准对乳腺肿块特征描述如表1所示。
表1BI-RADS-US分级标准与对应特征
Figure BDA0001708470240000011
Figure BDA0001708470240000021
由表1可以看出，虽然BI-RADS标准对回声模式、钙化等进行了严格的定义，但这些特征描述具有主观性，导致准确阅读超声图像需要丰富的临床实践经验，医生人工阅片的准确率仅为69％～75％。因此，利用计算机辅助诊断(Computer Aided Diagnosis,CAD)系统直接对超声图像进行分析，根据一定的分类算法对超声乳腺肿块进行诊断，可以减少医生的主观因素影响，有助于提高诊断的准确性。
目前，传统超声成像技术是将超声探头接收到的超声射频(Radio Frequency，RF)信号转换为B-Mode图像的过程，它仅利用RF信号中的包络线幅度信息产生灰阶超声图像，忽略了RF信号中的频率信息和相位信息。因此，基于传统超声灰阶图像的分析技术只能分辨直径大于超声波长的组织结构，对小于超声波长的组织微结构特征无法评价。鉴于此，采用未经处理的原始RF信号进行病变分析，可以充分利用RF信号中的幅度、频率和相位信息，准确描述组织微结构的病变特征。目前，基于RF信号的病变检测研究多集中于前列腺癌检测、乳腺癌检测、胰腺及淋巴结疾病鉴别、眼肿瘤、肝脏消融组织前后变化监测等方面。Masotti等利用射频超声局部定征参数分析法对前列腺疾病进行了离体组织定征；Moradi等提出了利用超声RF信号诊断前列腺癌的新方法；四川大学刘志东等采用时域、频域分析方法和模式识别技术，探讨了一种新的脂肪肝分级量化方法；严郁等选取标准差与熵值两种特征算法，实现了正常乳腺组织与良性肿瘤的鉴别；庄淑莲等采用尺寸测量关系(SizeMeasure Relationship，SMR)分形维数、Higuchi分形维数、谱斜率、谱截距、中频以及S1～S4九个特征对病灶感兴趣区进行定量分析，实现乳腺肿瘤良恶性鉴别。
分析研究现状，发现基于超声RF数据的乳腺肿块检测研究仍存在以下几个不足之处：
(1)目前，对乳腺肿块的检测研究多集中于良恶性鉴别、正常组织与良性组织鉴别，而对于乳腺肿块中的3级、4级(4A级～4C级)和5级分级检测研究仍没有涉猎。
(2)目前，提取乳腺肿块特征多采用SMR分形维数、Higuchi分形维数、均值、方差、熵等纹理统计方法，而多尺度几何分析方法、频域特征提取算法仍甚少涉猎。
(3)目前，多采用评分法或单一机器学习算法对乳腺肿瘤进行分类检测，其检测性能仍有待进一步提高。
发明内容
本发明的目的是提供一种基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法，解决现有技术中存在的多采用评分法或单一机器学习算法对乳腺肿瘤进行分类检测，其检测性能仍有待进一步提高的问题。
本发明的技术解决方案是：
一种基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法，包括以下步骤，
S1、输入乳腺超声RF数据；
S2、对步骤S1所输入的乳腺超声RF数据，提取Shearlet特征并降维，得到乳腺肿块特征，其中，基于Shearlet变换实现乳腺肿块特征提取，基于LBP的Shearlet特征降维；
S3、采用层级二叉树SVM分类器对步骤S2所得的基于Shearlet特征提取和LBP特征降维的乳腺肿块特征，进行乳腺肿块分级检测。
进一步地，步骤S2中，基于Shearlet变换实现乳腺肿块特征提取，具体包括以下步骤，
S21、将原始乳腺超声RF信号依次进行尺度为m、方向为n的Shearlet变换，获得m*n个Shearlet高频特征矩阵；
S22、将每一个Shearlet高频特征矩阵划分为k1*k2个子块，并对每一子块进行LBP编码，计算每一子块的统计直方图；将k1*k2个子块的统计直方图首尾级联，得到一个Shearlet高频特征矩阵对应的LBP统计直方图特征；
S23、对m*n个Shearlet高频特征矩阵重复步骤S22的操作，得到m*n个LBP统计直方图特征，将这些LBP统计直方图特征全部首尾级联，得到一个RF信号对应的完全LBP统计直方图特征；
S24、对完全LBP统计直方图特征进行PCA降维和归一化处理，得到最终的乳腺肿块特征。
进一步地，步骤S21具体为，
S211、使用拉普拉斯金字塔算法，将乳腺超声RF信号分解为低频子带特征矩阵
Figure BDA0001708470240000041
和高频子带特征矩阵
Figure BDA0001708470240000042
j表示层数，j＝1,2,.....n；
S212、将
Figure BDA0001708470240000043
从直角坐标系转换到伪极网格坐标系，并通过离散傅里叶变换将其转换至频域上
Figure BDA0001708470240000044
S213、
Figure BDA0001708470240000045
作为Shearlet变换的输入，实现信号多方向分解，并将结果从伪极网格坐标又映射回笛卡尔坐标进行傅里叶逆变换，得到一系列多方向高频子带特征矩阵；
S214、低频子带特征矩阵
Figure BDA0001708470240000046
重复S212-S213的步骤，实现对乳腺超声RF信号的多尺度多方向Shearlet高频特征提取。
进一步地，步骤S22中，LBP编码比较3×3邻域中水平、垂直、对角四个方向的像素灰度值大小，以及中心像素灰度值与平均像素灰度值大小，实现Shearlet特征的降维。
进一步地，步骤S22中，LBP编码公式如下：
LBP＝S(g0-gm)24+S(g1-g8)23+S(g4-g5)22+S(g3-g6)21+S(g2-g7)20 (3)
其中，g0～g8为3×3邻域中各个像素的灰度值，
Figure BDA0001708470240000047
Figure BDA0001708470240000048
进一步地，步骤S3中，采用层级二叉树SVM分类器，实现对乳腺肿块的分级检测，具体为：
首先从可能良性肿块即3级和可能恶性肿块的角度对乳腺肿块进行判断，可能恶性肿块包括4A级～4C级、5级，若判断为可能良性肿块，则分为3级；若判断为可能恶性肿块，则需要继续判断肿块属于可能恶性肿块中的哪一个级别；
其次，区分肿块是属于高度可能恶性肿块即5级还是疑似可能恶性肿块即4A级～4C级，若判断为高度可能恶性肿块，则分为5级；若判断为疑似可能恶性肿块，则仍然还需继续分析肿块属于低度疑似恶性即4A级、中度疑似恶性即4B级和高度疑似恶性即4C级中的哪一种；
然后，先判断肿块属于低度疑似恶性即4A级还是非低度疑似恶性包括4B级和4C级，在判断为非低度疑似恶性的基础上，再判断肿块属于中度疑似恶性即4B级还是高度疑似恶性即4C级。
本发明的有益效果是：
一、该种基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法，能够从多个方向、多个尺度描述乳腺肿块的形状特征，边缘特征以及分叶、毛刺、成角等特征，相比传统方法，Shearlet特征更有利于乳腺肿块的分级检测。
二、本发明针对乳腺肿块Shearlet特征的多方向、多尺度特点，采用基于LBP编码的降维算法，能够准确描述不同分级的乳腺肿块特征差异，同时能够既不损失乳腺肿块特征信息，同时也降低了算法的计算复杂度，有利于提高算法的有效性。
三、本发明方法分析医生主观阅片规律，采用合理的层级二叉树SVM分类器，能够对乳腺肿块进行有效分级检测。
四、本发明应用于医疗辅助诊断系统中，实现基于超声RF数据的乳腺肿块分级检测，帮助医生提高阅片的准确率，能够减少医生的主观因素影响，有助于提高医生诊断的准确率。
五、本发明是针对医院中实际采集的乳腺超声RF数据进行分级检测的，具有实用价值。
附图说明
图1是本发明实施例基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法的说明框图。
图2是实施例中Shearlet变换的说明示意图。
图3是实施例中3×3邻域的示意图。
图4是实施例中基于Shearlet变换的乳腺肿块特征提取算法框图。
图5是实施例中有向无环图SVM分类器的结构示意图。
图6是实施例中层级二叉树SVM分类器的结构示意图。
图7是实施例中层级二叉树SVM分类器的ROC曲线的示意图。
图8是实施例中有向无环图SVM分类器的ROC曲线的示意图。
图9是实施例中KNN分类器的ROC曲线的示意图。
图10是实施例中随机森林分类器的ROC曲线的示意图。
图7～图10中，ROC曲线为受试者工作特性(Receiver OperatingCharacteristic，ROC)曲线，并且AUC为ROC曲线下面积(Area Under Curve，AUC)
具体实施方式
下面结合附图详细说明本发明的优选实施例。
实施例
实施例的基于Shearlet特征和层级二叉树支持向量机(Support VectorMachine，SVM)分类器的超声乳腺肿块分级检测方法，结合Shearlet变换与局部二值模式的编码特点，提取乳腺超声射频RF数据的多尺度多方向特征，同时，基于BI-RADS标准，依据医生主观阅片的规律，设计出适合乳腺超声RF数据分级检测的层级二叉树SVM分类器，实现了3级、4A级～4C级、5级乳腺肿块的有效判别。将其应用在计算机辅助医疗诊断系统中，既降低医生误诊率，避免患者承担不必要的活检痛苦，又降低医生的漏诊率，避免患者错失最佳治疗时机。
一种基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法，如图1，首先采集超声射频RF数据，将其分为训练样本和测试样本两部分，其次基于Shearlet特征提取和LBP特征降维获取RF数据的乳腺肿块特征，然后用训练样本训练层级二叉树SVM分类器，最后用测试样本验证本发明的有效性。包括以下步骤，
S1、输入乳腺超声RF数据；
S2、对步骤S1所输入的乳腺超声RF数据，提取Shearlet特征并降维，得到乳腺肿块特征，其中，基于Shearlet变换实现乳腺肿块特征提取，基于局部二值模式LBP的Shearlet特征降维；
图4为乳腺超声RF数据特征提取算法示意图，基于Shearlet特征提取和LBP特征降维的乳腺肿块特征提取的具体实现步骤如下：
S21、将原始乳腺超声RF信号依次进行尺度为m、方向为n的Shearlet变换，获得m*n个Shearlet高频特征矩阵，具体实现过程见图2；
实施例中，基于Shearlet变换实现乳腺肿块特征提取。Shearlet变换是由合成小波理论衍生而来，继承了曲波和轮廓波的优点，是一种新型的多尺度几何分析工具。当
Figure BDA0001708470240000071
时，产生的函数集为：
{ψast(x)＝a-3/4ψ(Aa -1Bs -1x-t),a∈R+,s∈R,t∈R2)} (1)
其中，ψ∈L2(R2)，L2(R2)表示平方可积空间。a是尺度参数，s是剪切参数，t是平移参数。各向异性膨胀矩阵Aa控制了Shearlet变换的尺度，剪切矩阵Bs控制了Shearlet变换的方向，一般情况下取a＝4，s＝1。
此时，对给定的任意函数f∈L2(R2)，其Shearlet变换定义如下：
SHψf(a,s,t)＝＜f,ψast(x)＞ (2)
这里f∈L2(R2)表示为平方可积空间中的二维连续函数。
Shearlet变换的实现过程如图2所示，具体实现步骤如下：
S211、使用拉普拉斯金字塔算法，将乳腺超声RF信号分解为低频子带特征矩阵
Figure BDA0001708470240000072
和高频子带特征矩阵
Figure BDA0001708470240000073
j表示层数，j＝1,2,.....n；
S212、将
Figure BDA0001708470240000074
从直角坐标系转换到伪极网格坐标系，并通过离散傅里叶变换将其转换至频域上
Figure BDA0001708470240000075
S213、
Figure BDA0001708470240000076
作为Shearlet变换的输入，实现信号多方向分解，并将结果从伪极网格坐标又映射回笛卡尔坐标进行傅里叶逆变换，得到一系列多方向高频子带特征矩阵；
S214、低频子带特征矩阵
Figure BDA0001708470240000077
重复S212-S213的步骤，实现对乳腺超声RF信号的多尺度多方向Shearlet高频特征提取。
S22、将每一个Shearlet高频特征矩阵划分为k1*k2个子块，并对每一子块进行LBP编码，计算每一子块的统计直方图。将k1*k2个子块的统计直方图首尾级联，得到一个Shearlet高频特征矩阵对应的LBP统计直方图特征。
实施例中，基于局部二值模式(Local Binary Pattern，LBP)的Shearlet特征降维。传统LBP的编码原理是比较中心像素的灰度值与其3×3邻域内8个周边像素的灰度值大小，若邻域像素灰度值比中心像素灰度值大，则编码为1，反之编码为0。从左上角开始顺时针读取数值，先读出的数值放在低位，后读出的数值放在高位，依次得到8位二进制数，即LBP编码，该码值对应的十进制数即为LBP值。考虑Sheartlet特征的方向性，实施例仅比较3×3邻域中水平、垂直、对角四个方向的像素灰度值大小，以及中心像素灰度值与平均像素灰度值大小，实现Shearlet特征的降维。LBP编码公式如下：
LBP＝S(g0-gm)24+S(g1-g8)23+S(g4-g5)22+S(g3-g6)21+S(g2-g7)20 (3)
其中，如图3，g0～g8为3×3邻域中各个像素的灰度值，
Figure BDA0001708470240000081
Figure BDA0001708470240000082
S23、对m*n个Shearlet高频特征矩阵重复步骤S22的操作，得到m*n个LBP统计直方图特征。将这些LBP统计直方图特征全部首尾级联，得到一个RF信号对应的完全LBP统计直方图特征。
S24、对完全LBP统计直方图特征进行主成份分析(Principal ComponentAnalysis，PCA)降维和归一化处理，得到最终的乳腺肿块特征。
S3、采用层级二叉树SVM分类器对步骤S2所得乳腺肿块特征，进行乳腺肿块分级检测。
考虑实际诊断中，多数患者为3级，仅少数患者为4级或5级，采集的RF数据量不平衡。因此，实施例根据BI-RADS标准中对不同分级的乳腺肿块的特征定义，以及医生阅片的主观规律，设计层级二叉树SVM分类器，如图6，实现对乳腺肿块的分级检测，具体如下：
首先从可能良性肿块(3级)和可能恶性肿块(4A级～4C级、5级)的角度对乳腺肿块进行判断，若判断为可能良性肿块，则分为3级；若判断为可能恶性肿块，则需要继续判断肿块属于可能恶性肿块中的哪一个级别。由于5级肿块的恶性特征更明显，更容易辨识，因此，可以首先区分肿块是属于高度可能恶性肿块(5级)还是疑似可能恶性肿块(4A级～4C级)。若判断为高度可能恶性肿块，则分为5级；若判断为疑似可能恶性肿块，则仍然还需继续分析肿块属于低度疑似恶性(4A级)、中度疑似恶性(4B级)和高度疑似恶性(4C级)中的哪一种。同样的，可以先判断肿块属于低度疑似恶性(4A级)还是非低度疑似恶性(4B级和4C级)，在判断为非低度疑似恶性的基础上，再判断肿块属于中度疑似恶性(4B级)还是高度疑似恶性(4C级)。层级二叉树SVM分类器的具体结构如图6所示。
实验验证
在实验中，乳腺超声RF数据来源于超声诊断仪(VINNO 70，飞依诺科技有限公司，苏州)，探头发射频率为5MHz～14MHz。共采集3级RF数据584条，4A级RF数据128条，4B级RF数据44条，4C级RF数据50条，5级RF122条，共928组数据。所有数据都获得受试者书面同意，且符合医院人体伦理认可。选取704组作为训练样本，其中3级有448条，4A级有96条，4B级有32条，4C级有32条，5级有96条，剩余的224条数据作为测试样本，实验结果分析如下。
1、Shearlet变换的参数选择
在Shearlet变换中方向和尺度这两个参数的选择，对特征描述是否准确尤为重要，若方向和尺度过多，则容易造成特征描述冗余，反之，若方向和尺度多少，则容易造成特征描述不足。这里，针对3尺度4方向，3尺度8方向和4尺度8方向三种情况分别提取Shearlet特征，并采用层级二叉树SVM分类器进行分级检测，实验结果如表1所示，这里对Shearlet特征进行LBP编码降维时，每个分块的尺寸均为26pixels*28pixels。可以看出，选用4尺度8方向时，Shearlet变换提取的病灶信息最充足，分级检测准确率最高。
表1不同方向与尺度参数下的识别结果
Figure BDA0001708470240000091
2、LBP编码的参数选择
当Shearlet变换中方向与尺度参数固定时(这里取4尺度8方向)，LBP编码中对高频系数矩阵进行分块的个数多少则会影响特征的准确度，若分块个数太多，则特征描述冗余，反之，若分块个数太少，则特征描述不足。这里，取每个子块大小为14*13pixels，28*26pixels和42*39pixels三种情况，并采用层级二叉树SVM分类器进行分级检测，实验结果如表2所示。可以看出，当子块尺寸为14*13pixels时，分块个数过多，而当子块尺寸为42*39pixels时，分块个数又过少，这两种情况下特征描述均不如子块尺寸为28*26pixels时准确，此时分块个数最适中，特征描述最准确，识别率最高。
表2不同分块尺寸下的识别率
Figure BDA0001708470240000101
3、Shearlet特征的有效性验证
为了验证Shearlet变换在提取乳腺肿块特征中的有效性，这里选用Gabor变换和Log_Gabor变换分别提取乳腺超声RF数据特征，参数仍为4个尺度，8个方向，分块尺寸为26*28pixels，分别得到Gabor特征和Log_Gabor特征。为了丰富比较结果，这里又采用传统纹理特征和Nishant特征进行比较。用于乳腺病变描述的传统特征包括尺寸测量关系(sizemeasure relationship,SMR)分形维数、Higuchi分形维数、谱斜率Slope、谱截距Intercept、中频(Mid-band fit)、低频(S1)、中低(S2)、中高(S3)、高频(S4)，共九个特征。Nishant特征则是在传统特征的基础上又增加了164个特征，包括均值、标准差、偏度、峰度以及灰度共生矩阵等等，具体可以参看Nishant发表在2015IEEE Transactions onMedical Imaging上的文章。这里统一采用层级二叉树SVM器对乳腺超声RF数据进行分级检测，实验结果如表3所示。可以看出，Shearlet变换更适合乳腺肿块特征提取。
表3不同特征提取算法下的识别率
Figure BDA0001708470240000102
4、层级二叉树SVM分类器的有效性验证
为了验证层级二叉树SVM分类器的有效性，选用有向无环图SVM分类器、一对一SVM分类器、KNN分类器和随机森林分类器对测试样本进行乳腺肿块分级检测，这里特征提取方法一致，均采用4尺度8方向的Shearlet变换和子块尺寸为28*26pixels的LBP编码获取超声RF数据的乳腺肿块特征。
根节点选择是设计有向无环图SVM分类器的关键，考虑3级乳腺肿块(良性)与5级乳腺肿块(恶性)的特征差异性最大，则训练得到的SVM二分类器的Margin值最大，因此，这里取〈3级VS 5级〉SVM二分类器作为有向无环图SVM分类器的根节点，经过4个SVM二分类器即可对乳腺超声RF数据进行分级判断。有向无环图SVM分类器的结构如图5所示。一对一SVM分类器相比有向无环图SVM分类器，仅缺少二叉树判断路径，它依次采用10个SVM二分类器(与图5中10个SVM二分类器一致)进行乳腺肿块分级判断，然后统计10个二分类器的输出标签，标签统计个数最多者即为最终分级结果。KNN分类器和随机森林分类器均采用现有Matlab库函数代码进行实验仿真，不对它们做任何改动。
采用五种不同分类器分别对乳腺肿块的Shearlet特征(4个尺度，8个方向，分块尺寸为26*28pixels)进行分级检测，结果如表4所示。可以看出，虽然有向无环图SVM分类器和一对一SVM分类器从个体的角度依次分析各个不同级别乳腺肿块的特征差异性，但相比层级二叉树SVM分类器，分类效果不佳。同时，在不考虑分类器训练代价的基础上，层级二叉树SVM分类器的检测时间最短，具有实际应用价值。
表4不同分类器下的识别率和时间
Figure BDA0001708470240000111
5、分类器性能比较
为了进一步说明层级二叉树分类器的有效性，这里使用6个指标评估分类器的性能，分别为准确度(Accuracy)，敏感度(Sensitivity)、特异度(Specificity)、阳性预测值(Positive Predictive Value，PPV)、阴性预测值(Negative Predictive Value，NPV)、马修斯相关性系数(Matthews Correlation Coefficient，MCC)。定义如下：
Figure BDA0001708470240000121
Figure BDA0001708470240000122
Figure BDA0001708470240000123
Figure BDA0001708470240000124
Figure BDA0001708470240000125
Figure BDA0001708470240000126
其中，TP为真阳性例数，TN为真阴性例数，FP为假阳性例数，FN为假阴性例数。这里分别计算每个级别的评价指标，最终评价指标为5个级别的平均值。
由于有向无环图SVM分类器的检测结果与一对一SVM分类器的检测结果是一致的(见表4)，所以这里仅分析有向无环图SVM分类器、KNN分类器、随机森林分类器和层级二叉树SVM分类器四种分类器的性能，准确度等评价指标的比较如表5所示，它们的混淆矩阵分别如表6～表9所示。
表5四种分类器性能比较
Figure BDA0001708470240000127
表6有向无环图SVM分类器的混淆矩阵
Figure BDA0001708470240000128
Figure BDA0001708470240000131
表7KNN分类器的混淆矩阵
Figure BDA0001708470240000132
表8随机森林分类器的混淆矩阵
Figure BDA0001708470240000133
表9层级二叉树分类器的混淆矩阵
Figure BDA0001708470240000134
Figure BDA0001708470240000141
根据表6～表9，将3级表示为良性病变，4级和5级表示为恶性病变，画出受试者工作特性曲线(Receiver Operating Characteristic Curve,简称ROC曲线)，并计算曲下面积(Area Under Curve，AUC)，如图7～图10所示，AUC越大，则分离器性能越佳，由此也进一步验证了层级二叉树分类器的有效性。
由以上实验验证结果可知，实施例设计的基于Shealet变换的特征提取算法，可以从多个方向、多个尺度描述乳腺肿块的形状特征，边缘特征以及分叶、毛刺、成角等特征，相比传统方法，Shearlet特征更有利于乳腺肿块的分级检测。
实施例针对乳腺肿块Shearlet特征的特点，采用基于LBP编码的降维算法，能够既不损失乳腺肿块特征信息，同时也降低了算法的计算复杂度，有利于提高算法的有效性。
实施例分析医生主观阅片规律，采用合理的层级二叉树SVM分类器，可能够乳腺肿块进行有效分级。
实施例应用于医疗辅助诊断系统中，可以减少医生的主观因素影响，有助于提高医生诊断的准确率。
实施例是针对医院中实际采集的乳腺超声RF数据进行分级检测的，具有实用价值。

Claims (5)

1.一种基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法，其特征在于：包括以下步骤，
S1、输入乳腺超声RF数据；
S2、对步骤S1所输入的乳腺超声RF数据，提取Shearlet特征并降维，得到乳腺肿块特征，其中，基于Shearlet变换实现乳腺肿块特征提取，基于LBP的Shearlet特征降维；步骤S2中，基于Shearlet变换实现乳腺肿块特征提取，具体包括以下步骤，
S21、将原始乳腺超声RF信号依次进行尺度为m、方向为n的Shearlet变换，获得m*n个Shearlet高频特征矩阵；
S22、将每一个Shearlet高频特征矩阵划分为k1*k2个子块，并对每一子块进行LBP编码，计算每一子块的统计直方图；将k1*k2个子块的统计直方图首尾级联，得到一个Shearlet高频特征矩阵对应的LBP统计直方图特征；
S23、对m*n个Shearlet高频特征矩阵重复步骤S22的操作，得到m*n个LBP统计直方图特征，将这些LBP统计直方图特征全部首尾级联，得到一个RF信号对应的完全LBP统计直方图特征；
S24、对完全LBP统计直方图特征进行PCA降维和归一化处理，得到最终的乳腺肿块特征；
S3、采用层级二叉树SVM分类器对步骤S2所得的基于Shearlet特征提取和LBP特征降维的乳腺肿块特征，进行乳腺肿块分级检测。
2.如权利要求1所述的基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法，其特征在于：步骤S21具体为，
S211、使用拉普拉斯金字塔算法，将输入原始乳腺超声RF信号分解为低频子带特征矩阵
Figure FDA0003039370620000011
和高频子带特征矩阵
Figure FDA0003039370620000012
j表示层数，j＝1,2,.....n；
S212、将
Figure FDA0003039370620000013
从直角坐标系转换到伪极网格坐标系，并通过离散傅里叶变换将其转换至频域上
Figure FDA0003039370620000014
S213、
Figure FDA0003039370620000015
作为Shearlet变换的输入，实现信号多方向分解，并将结果从伪极网格坐标又映射回笛卡尔坐标进行傅里叶逆变换，得到一系列多方向高频子带特征矩阵；
S214、低频子带特征矩阵
Figure FDA0003039370620000021
重复S212-S213的步骤，实现对乳腺超声RF信号的多尺度多方向Shearlet高频特征提取。
3.如权利要求1所述的基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法，其特征在于：步骤S22中，LBP编码比较3×3邻域中水平、垂直、对角四个方向的像素灰度值大小，以及中心像素灰度值与平均像素灰度值大小，实现Shearlet特征的降维。
4.如权利要求3所述的基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法，其特征在于：步骤S22中，LBP编码公式如下：
LBP＝S(g0-gm)24+S(g1-g8)23+S(g4-g5)22+S(g3-g6)21+S(g2-g7)20 (3)
其中，g0～g8为3×3邻域中各个像素的灰度值，
Figure FDA0003039370620000022
Figure FDA0003039370620000023
5.如权利要求2所述的基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法，其特征在于：步骤S3中，采用层级二叉树SVM分类器，实现对乳腺肿块的分级检测，具体为：
首先从可能良性肿块即3级和可能恶性肿块的角度对乳腺肿块进行判断，可能恶性肿块包括4A级～4C级、5级，若判断为可能良性肿块，则分为3级；若判断为可能恶性肿块，则需要继续判断肿块属于可能恶性肿块中的哪一个级别；
其次，区分肿块是属于高度可能恶性肿块即5级还是疑似可能恶性肿块即4A级～4C级，若判断为高度可能恶性肿块，则分为5级；若判断为疑似可能恶性肿块，则仍然还需继续分析肿块属于低度疑似恶性即4A级、中度疑似恶性即4B级和高度疑似恶性即4C级中的哪一种；
然后，先判断肿块属于低度疑似恶性即4A级还是非低度疑似恶性包括4B级和4C级，在判断为非低度疑似恶性的基础上，再判断肿块属于中度疑似恶性即4B级还是高度疑似恶性即4C级。
CN201810674801.4A 2018-06-26 2018-06-26 基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法 Active CN108960313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810674801.4A CN108960313B (zh) 2018-06-26 2018-06-26 基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810674801.4A CN108960313B (zh) 2018-06-26 2018-06-26 基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法

Publications (2)

Publication Number Publication Date
CN108960313A CN108960313A (zh) 2018-12-07
CN108960313B true CN108960313B (zh) 2021-07-02

Family

ID=64487176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810674801.4A Active CN108960313B (zh) 2018-06-26 2018-06-26 基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法

Country Status (1)

Country Link
CN (1) CN108960313B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163828B (zh) * 2019-07-10 2022-02-18 复旦大学 基于超声射频信号的乳腺钙化点图像优化系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331864A (zh) * 2014-10-21 2015-02-04 西安电子科技大学 基于非下采样轮廓波和视觉显著模型的乳腺影像处理
US20160120502A1 (en) * 2013-05-24 2016-05-05 Sunnybrook Research Institute System and method for classifying and characterizing tissues using first-order and second-order statistics of quantitative ultrasound parametric maps
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
CN106097280A (zh) * 2016-06-23 2016-11-09 浙江工业大学之江学院 基于正态逆高斯模型的医学超声图像去噪方法
CN107683113A (zh) * 2015-06-04 2018-02-09 皇家飞利浦有限公司 用于通过癌症分级绘图增强的精确诊断和治疗的系统和方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160120502A1 (en) * 2013-05-24 2016-05-05 Sunnybrook Research Institute System and method for classifying and characterizing tissues using first-order and second-order statistics of quantitative ultrasound parametric maps
CN104331864A (zh) * 2014-10-21 2015-02-04 西安电子科技大学 基于非下采样轮廓波和视觉显著模型的乳腺影像处理
CN107683113A (zh) * 2015-06-04 2018-02-09 皇家飞利浦有限公司 用于通过癌症分级绘图增强的精确诊断和治疗的系统和方法
CN106097280A (zh) * 2016-06-23 2016-11-09 浙江工业大学之江学院 基于正态逆高斯模型的医学超声图像去噪方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
二维Fisher准则函数在区域生长算法中的应用;童莹;《信号处理》;20070430;第239-245页 *

Also Published As

Publication number Publication date
CN108960313A (zh) 2018-12-07

Similar Documents

Publication Publication Date Title
CN108464840B (zh) 一种乳腺肿块自动检测方法及系统
Patel et al. An adaptive K-means clustering algorithm for breast image segmentation
Novitasari et al. Application of feature extraction for breast cancer using one order statistic, GLCM, GLRLM, and GLDM
Tai et al. An automatic mass detection system in mammograms based on complex texture features
Maitra et al. Identification of abnormal masses in digital mammography images
Kuo et al. Computer-aided diagnosis of breast tumors with different US systems
CN109036547A (zh) 一种基于聚类分析的肺部ct图像计算机辅助系统及方法
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
Patel et al. Mammography feature analysis and mass detection in breast cancer images
Khazendar et al. Automated classification of static ultrasound images of ovarian tumours based on decision level fusion
Beheshti et al. Classification of abnormalities in mammograms by new asymmetric fractal features
Zhang et al. Comparison of multiple feature extractors on Faster RCNN for breast tumor detection
Tarique et al. Fourier transform based early detection of breast cancer by mammogram image processing
Wei et al. Automatic classification of benign and malignant breast tumors in ultrasound image with texture and morphological features
CN108960313B (zh) 基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法
Pashoutan et al. Automatic breast tumor classification using a level set method and feature extraction in mammography
Shao et al. Deep convolutional neural networks for thyroid tumor grading using ultrasound b-mode images
CN109065150A (zh) 一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法
Baek et al. Improving breast cancer diagnosis by incorporating raw ultrasound parameters into machine learning
Wei et al. Multi-feature fusion for ultrasound breast image classification of benign and malignant
Chen et al. Dual-mode ultrasound radiomics and intrinsic imaging phenotypes for diagnosis of lymph node lesions
Dheeba et al. Breast cancer diagnosis: an intelligent detection system using wavelet neural network
Byra et al. Impact of ultrasound image reconstruction method on breast lesion classification with neural transfer learning
Zhang et al. A computer-aided system for classification of breast tumors in ultrasound images via biclustering learning
CN110136112A (zh) 一种基于乳腺x线摄影钙化计算机辅助检测算法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20211012

Address after: Room 108, 7 Yingcui Road, Jiangning Development Zone, Nanjing, Jiangsu 210000

Patentee after: Nanjing tianzhixin Technology Co.,Ltd.

Address before: 1 No. 211167 Jiangsu city of Nanjing province Jiangning Science Park Hongjing Road

Patentee before: NANJING INSTITUTE OF TECHNOLOGY