CN109978880A - 采用高维特征选择对肺部肿瘤ct图像进行判别的方法 - Google Patents

采用高维特征选择对肺部肿瘤ct图像进行判别的方法 Download PDF

Info

Publication number
CN109978880A
CN109978880A CN201910277632.5A CN201910277632A CN109978880A CN 109978880 A CN109978880 A CN 109978880A CN 201910277632 A CN201910277632 A CN 201910277632A CN 109978880 A CN109978880 A CN 109978880A
Authority
CN
China
Prior art keywords
image
lung
feature
carried out
algorithm
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
CN201910277632.5A
Other languages
English (en)
Inventor
王进科
赵聪聪
祖宏亮
黄飞
杨博韬
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.)
Harbin University of Science and Technology
Harbin Institute of Technology Weihai
Original Assignee
Harbin University of Science and Technology
Harbin Institute of Technology Weihai
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 Harbin University of Science and Technology, Harbin Institute of Technology Weihai filed Critical Harbin University of Science and Technology
Priority to CN201910277632.5A priority Critical patent/CN109978880A/zh
Publication of CN109978880A publication Critical patent/CN109978880A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2111—Selection of the most significant subset of features by using evolutionary computational techniques, e.g. genetic algorithms
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Computing Systems (AREA)
  • Physiology (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开一种采用高维特征选择对肺部肿瘤CT图像进行良恶性判别的方法，该方法包括：获取肺部图像数据库中获取带有明确诊断结论的肺部肿瘤CT图像，形成单个样本；采用最大类间方差法对预处理后的ROI区域进行分割，以准确刻画肺部肿瘤CT图像的形状、纹理和灰度特征；对获取到的肺部CT图像进行区域特征提取，对提取到的特征进行82维特征分量归一化，从而共同量化ROI；利用BRS和GA算法进行属性约简，降低分类器的时间复杂度和空间复杂度，提高分类性能；利用布谷鸟算法及SVM方式，进行参数全局寻优分类操作，进行肺部肿瘤高维特征选择。该方法对于诊断肺癌具有很好的辅助作用，能够有效降低漏诊率和误诊率。

Description

采用高维特征选择对肺部肿瘤CT图像进行判别的方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于CT图像的肺部肿瘤高维特征选择进行良恶性判别的方法。
背景技术
随着计算机辅助诊断研究发展以及不同模态医学图像技术应用而生，模态之间按照不同层次划分为像素级、特征级和决策级。特征级的处理在保留重要信息基础上实现了信息量的压缩，处理速度更快。在图像特征级处理过程中，特征之间的冗余性和相关性使得“维数灾难”成为一个NP-hard问题，特征选择是解决这一问题行之有效的措施，可以有效减少特征空间的维度，降低时间复杂度。但是，高维特征选择过程存在的问题包括如何生成最优特征子集，效果如何评价，评价所用分类器的选择，分类器参数的优化等，因此，如何建立一个鲁棒性强的系统与智能化结合进行特征选择仍然是一个待解决的问题。目前CT图像成为检测肺部肿瘤的最常用手段，随着CT精度的提高，每次扫描产生的CT图片数量也大大增加，放射医师的诊断工作量加重，容易造成误诊，计算机辅助诊断系统CAD的使用使医疗服务水平进一步提升。该系统一方面较高程度上减少医生的工作量,能有效地辅助医生对潜在的肺肿瘤进行早期检测和特征描述，另一方面使医学影像诊断更为客观,提高诊断效率和准确率,最大程度上避免肺部肿瘤的漏诊和误诊。因此,用计算机进行肺部肿瘤辅助诊断,提取特征,检测和识别,具有重要的理论指导意义和应用研究价值。
肺部肿瘤的计算机辅助诊断主要流程包括肺部肿瘤图像分割、肺部肿瘤特征提取和肺部肿瘤的分类识别。在图像分割环节,通常分为基于阈值的分割、基于边缘的分割、基于区域的分割和基于图论的分割,单一的分割方法通常不能完整的分割出图像中的肺部肿瘤。在特征提取环节,由于肺部肿瘤具有各种形态,无法通过单一的形状特征进行检测。在肺部肿瘤分类识别环节,通常是基于统计学得到的,需要先验知识或者需要通过不同的特征尝试和参数选择才能得到满意的特征,给整个分类问题带来复杂性,导致现有的医学图像肺部肿瘤的检测速度较慢、精度较低。
发明内容
有鉴于此，本发明的目的在于针对上述现有医学影像诊断技术的不足,提供一种对肺部肿瘤CT采用高维特征选择进行良恶性判别的系统，对于CT图像的像素级、特征级和决策级环节存在的问题有着较好的解决方法,使得经过特征选择后进行肺部肿瘤检测环结,达到很高的精确度、灵敏度和特异性。
本发明实施例提供的一种采用高维特征选择对肺部肿瘤CT图像进行良恶性判别的方法，包括如下步骤：
实验数据获取和预处理步骤：获取肺部图像数据库中获取带有明确诊断结论的肺部肿瘤CT图像，形成单个样本，所述CT图像包括良性肿瘤图像和恶性肿瘤图像，所述单个样本包括82维条件属性和1维决策属性，从原始CT图像中截取对肺部肿瘤有较强区分能力的子图作为ROI区域，并将ROI图像归一化为50*50大小的实验图像；
图像分割步骤：采用最大类间方差法对预处理后的ROI区域进行分割，以准确刻画肺部肿瘤CT图像的形状、纹理和灰度特征；
肺部区域特征提取步骤：对获取到的肺部CT图像进行区域特征提取，所述区域特征包括形状、灰度及纹理特征，对提取到的特征进行82维特征分量归一化，从而共同量化ROI；
属性约简步骤：利用BRS和GA算法进行属性约简，降低分类器的时间复杂度和空间复杂度，提高分类性能；
肺部区域寻优分类识别步骤：利用布谷鸟算法及SVM方式，进行参数全局寻优分类操作，进行肺部肿瘤高维特征选择。
根据本发明实施例的一种具体实现方式，所述肺部区域特征提取步骤还包括：
采用最大类间方差法(OTSU)对预处理后的ROI区域进行分割。
1、根据权利要求2所述方法，其特征在于，所述方法还包括：
在ROI区域分割提取特征后，构建决策信息表；
采用模糊C均值聚类算法对决策信息表进行离散化处理。
根据本发明实施例的一种具体实现方式，所述方法还包括：
利用BRS和GA算法进行属性约简，降低分类器的时间复杂度和空间复杂度，提高分类性能，具体包括：
参数设定：染色体为0，1组成的序列，其长度等于条件属性的数目N，交叉概率Pc，变异概率Pm，最大迭代次数K＝150，初始种群M＝20；
编码：采用二进制编码，长度等于条件属性的个数，“0”表示特征未被选中，“1”表示特征被选中；
初始种群的生成：随机产生M个长度等于条件属性个数的染色体串构成初始种群；
遗传算子：遗传算子包括选择算子、交叉算子和变异算子，遗传算子组合为无回放随机余数选择、均匀交叉和高斯变异；
适应度函数：适应度函数的有效性决定GA算法的搜索方向和进化结果，适应度值是判断个体性能的主要指标；
从全局相对增益函数、属性约简长度和基因编码权值函数三个方面，通过加权和构造适应度函数框架，进行遗传算法的寻优过程，找到最具区分能力的特征子集，从而实现对肺部肿瘤CT图像基于高维特征选择的良恶性判别。
本发明与现有技术相比，其显著优点是：
(1)首先分析了高维特征选择算法在特征子集生成和分类器参数优化两阶段的研究现状，论证了使用BRS-GA生成特征子集和采用CS(Cuckoo Search,布谷鸟算法)优化SVM的合理性和优越性；
(2)采用BRS-GA进行属性约简克服了VPRSGA参数人工设置的局限性，并且在属性约简和分类阶段都表现出较为理想的效果，并且采用CS算法优化SVM的参数，相比GS-SVM、GA-SVM和PSO-SVM算法在一定程度上提高了分类精确度，分类时间只高于GS-SVM，但是相比GA-SVM和PSO-SVM分类时间显著降低。
因此，基于BRS-GA和CS两阶段优化的肺部肿瘤高维特征选择，对肺部肿瘤CT进行良恶性判别的系统，其对医学图像处理和医疗辅助应用上有效提升了肺部肿瘤良恶性识别能力，降低了系统的时间复杂度和协助医生判断病人肺部恶性肿瘤的发病率。
附图说明
为更清楚说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例中计算机辅助肺部肿瘤检测与诊断系统框架示意图；
图2为基于BRS-GA和CS的高维特征选择算法流程图示意图；
图3a为肺部分割OTSU算法分割前的实例结果图；
图3b为肺部分割OTSU算法分割后的实例结果图；
图4为最优特征子集生成流程图示意图；
图5为利用布谷鸟算法优化SVM参数流程图示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面给出本发明的具体实施例，帮助对于本发明的理解。
本发明基于阈值图像分割模型和肺部肿瘤分类模型设计，包括步骤S101～S103：
S101，图像分割,本发明采用最大类间方差法(OTSU)对预处理后的ROI区域进行图像分割。在图像分割之前,先对病例图像进行预处理,采用从原始CT图像中人工手动截取对肺部肿瘤有较强区分能力的子图作为ROI区域。为了增强图片的内部结构,尤其是肺肿瘤部分,采用ROI图像归一化为50*50大小的图像对所有的病例图像进行处理进一步得到肺实质部分。
S102，图像分割步骤完成以后是特征提取与特征选择,本发明提取了多种特征包括形状特征、灰度特征与纹理特征。形状特征能够基本概括肺部肿瘤轮廓,形状的信息灰度特征是基于像素的特征,根据肺部肿瘤区域与背景区域的像素差异从而提取的纹理特征是用灰度共生矩阵提取的图像信息。将BRS与智能优化算法结合进行特征选择，使用CS优化SVM的参数具有一定的可行性和有效性。结合BRS、GA、CS和SVM算法，本发明采用BRS-GA和CS两阶段优化的高维特征选择算法进行特征选择,将高维含噪的特征矩阵降低到低维的分类空间,并且特征选择后的矩阵包含了原始特征矩阵的信息。
S103，分类器的性能在很大程度上影响了肺部肿瘤分类精度,本发明构造了属性约简分类器进行肺部肿瘤诊断。首先利用适应度函数的有效性决定GA算法的搜索方向和进化结果，适应度值是判断个体性能的主要指标。然后采用支持向量机分类器进行肺部肿瘤的精确分类,特征样本被分为训练样本和测试样本,用训练好的新检测模型对测试数据集中每张医学图像进行测试,得到每张医学图像肺部肿瘤的检测结果。
除了步骤S101～S103之外，本发明实施例还提供了基于计算机辅助检测的使用方法，包括如下步骤S201～S203：
S201，从肺部图像数据库中获取带有明确诊断结论的肺部肿瘤CT图像，包括良性肿瘤和恶性肿瘤，单个样本包括82维条件属性和1维决策属性。
S202，利用迭代阈值选取合适的阈值对图像进行分割,先设定初始阈值,通常是图像的最大灰度值和最小灰度值的均值将图像分为两个部分灰度值大于的集合和灰度值小于等于的集合,分别计算其平均值,然后计算出新的阈值,如果新的阈值小于一个特定值,则停止迭代。分割完所有切片后便得到了肺肿瘤候选,需要提取肺肿瘤候选的混合特征。采用从原始CT图像中人工手动截取对肺部肿瘤有较强区分能力的子图作为ROI区域，并将ROI图像归一化为50*50大小的图像，从而将高维数据转化为低维数据,通过计算本征值和本征向量实现这一过程。
S203，肺部肿瘤检测运用的是属性约简分类器。基于规则的分类器实现了简单的阈值筛选,去除了一部分非肿瘤支持向量机分类器将低维特征投影到高维空间,然后建立一个超平面并采用粒子群算法优化参数,实现肺部肿瘤的精确分类。
在实现本发明的过程中，作为一种可选实施方式，本发明还提供了一种基于BRS-GA和CS两阶段优化的肺部肿瘤高维特征选择系统。系统分为两个过程阶段：第一阶段的优化采用BRS-GA算法对原始特征空间进行约简，得到最优特征子集，第二阶段采用CS算法优化SVM的惩罚因子和核函数参数，得到参数最优的分类识别模型，对肺部肿瘤CT图像进行良恶性的判别。本发明中系统处理流程包括数据的获取、数据预处理、图像分割、特征提取、属性约简和分类识别等，具体包括下述步骤S301～S305：
S301，实验数据获取和预处理，综合考虑常见肺部肿瘤检查影像学方法的普及型、医患的接受程度、费用以及为避免肺部肿瘤CT图像受检查设备规格、型号和环境等因素的影响，收集带有明确诊断结论的肺部肿瘤CT图像。从原始CT图像中人工手动截取对肺部肿瘤有较强区分能力的子图作为ROI区域，并将ROI图像归一化为50*50大小的实验图像；
S302，图像分割，为了准确刻画肺部肿瘤CT图像的形状、纹理和灰度等特征，采用最大类间方差法(OTSU)对预处理后的ROI区域进行分割，原因在于OTSU算法是阈值自动选取最有效、最稳定的方法之一，且在一定条件下不受图像对比度与亮度变化的影响；
S303，特征提取，ROI区域分割后提取82维特征，包括形状特征、纹理特征和灰度特征。提取特征后构建决策信息表：单个样本包括82维条件属性和1维决策属性，并采用模糊C均值聚类算法对决策信息表进行离散化处理；
S304，属性约简，本发明结合BRS和GA算法进行属性约简，降低分类器的时间复杂度和空间复杂度，提高分类性能；
S305，分类识别，采用布谷鸟算法优化支持向量机的算法，以此得到最优的SVM参数组合。
作为一种可选实施方式，在步骤S301中，采用从原始CT图像中人工手动截取方式对肺部肿瘤有较强区分能力的子图作为ROI区域，并将ROI图像归一化为50*50大小的实验图像，以此来获取实验数据和预处理数据，其有益效果是将肺部特征进行噪声消减以及数据归一化处理操作，为最优解的寻优过程明会变得平缓和更容易正确的收敛到最优解而作前期准备工作。
作为一种可选实施方式，在步骤S302中，利用最大类间方差法(OTSU)对预处理后的ROI区域进行分割，将直方图在某一阈值处分割成两组，一组对应背景，一组对应目标，其有益效果是可以自动选取有效、最稳定的特征样本，并且在一定条件下不受图像亮度转变和对比度的干扰。
作为一种可选实施方式，在步骤S303中，对肺部肿瘤CT图像特征集合分别提取了82维特征，包括形状特征、纹理特征和灰度特征。其中，形状特征包括角点特征和Hu矩特征；纹理特征包括Tamura纹理特征；灰度特征包括小波特征、统计特征、几何特征、灰度共生、矩阵特征。通过采用模糊C均值聚类算法对决策信息进行离散化处理，其有益效果是得到具有强区分的特征池。
作为一种可选实施方式，在步骤S304中，采用属性约简BRS和GA结合方式提高分类性能。对于参数设定、编码、初始种群生成、遗传算子、适应度函数的设置都进行了预先规定，其有益效果是降低分类器的时间复杂度和空间复杂度，找到遗传算法的最优区分能力的特征子集，提高分类器分类性能。
作为一种可选实施方式，在步骤S305中，通过采用布谷鸟算法优化支持向量机方式，计算初始算法的适应值，按照概率统计随机丢弃策略原则，重新计算适应值，保存算法最优解。其有益效果是最终得到最优的SVM参数组合，提高分类器的自动性。
本发明与现有技术相比，其显著优点是：
(1)首先分析了高维特征选择算法在特征子集生成和分类器参数优化两阶段的研究现状，论证了使用BRS-GA生成特征子集和采用CS优化SVM的合理性和优越性；
(2)采用BRS-GA进行属性约简克服了VPRSGA参数人工设置的局限性，并且在属性约简和分类阶段都表现出较为理想的效果，并且采用CS算法优化SVM的参数，相比GS-SVM、GA-SVM和PSO-SVM算法在一定程度上提高了分类精确度，分类时间只高于GS-SVM，但是相比GA-SVM和PSO-SVM分类时间显著降低。
因此，基于BRS-GA和CS两阶段优化的肺部肿瘤高维特征选择，对肺部肿瘤CT进行良恶性判别的系统，其对医学图像处理和医疗辅助应用上有效提升了肺部肿瘤良恶性识别能力，降低了系统的时间复杂度和协助医生判断病人肺部恶性肿瘤的发病率。
如图1所示，本发明所提供对肺部肿瘤CT采用高维特征选择进行良恶性判别的系统，首先获取肺部CT图像，从肺部图像数据库中获取带有明确诊断结论的肺部肿瘤CT图像，包括良性肿瘤和恶性肿瘤，单个样本包括82维条件属性和1维决策属性。
本发明的具体实施系统流程，其主要流程如图2所示：首先，对于原始CT图像，采用人工手动截取方式对肺部肿瘤有较强区分能力的子图作为ROI区域，并将ROI图像归一化为50*50大小的实验图像，以此来获取实验数据和预处理数据；然后，应用基于最优阈值的算法初分割肺实质，根据用最大类间方差法OTSU方法确定阈值，OTSU对预处理后的ROI区域进行分割，将直方图在某一阈值处分割成两组，一组对应背景，一组对应目标，在一定条件下不受图像亮度转变和对比度的干扰，选取一个阈值T，使分割结果的类间方差达到最大值；紧接着对每片CT图像特征集合分别提取82维特征，包括形状特征、纹理特征和灰度特征。其中，形状特征包括角点特征和Hu矩特征；纹理特征包括Tamura纹理特征；灰度特征包括小波特征、统计特征、几何特征、灰度共生、矩阵特征。通过采用模糊C均值聚类算法对决策信息进行离散化处理以得到具有强区分的特征池；之后利用采用属性约简RBS和GA结合方式提高分类性能，对于参数设定、编码、初始种群生成、遗传算子、适应度函数的设置都进行预先规定，找到遗传算法的最优区分能力的特征子集提高分类器分类性能，主要解决肺实质分割过程中，过分割近胸膜肿瘤导致的边界凹陷；最后，由于肺部边界凹陷尺寸不同，无法找到一个有效匹配步长，对所有尺寸的肺部边界凹陷都有效，因此采用通过采用布谷鸟算法优化支持向量机SVM方式，计算初始算法的适应值，按照概率统计随机丢弃策略原则，重新计算适应值，保存算法最优解，得到最终候选肿瘤。
图3展示了肺部不同位置肺实质分割OTSU算法分割前后的实例结果图，图3a是初始的CT输入分割前图像；图3b是通过对不同位置肺部区域分割的展示。
本发明中的基于属性约简策略最优特征自己生成流程图，其主要流程如图4所示：发明结合BRS和GA算法进行属性约简，降低分类器的时间复杂度和空间复杂度，提高分类性能。
图5给出了采用CS对SVM进行参数优化的流程图，首先，对SVM和CS进行参数初始化，计算每个鸟巢的适应度值，并将对应结果保存在当前最优位置xbest和适应度值fbest，然后，利用CS算法更新位置，重新计算每个鸟巢的适应度fi。如果fi＜fbest，则使xbest＝xi，fbest＝fi；否则，以概率Pa抛弃差的鸟巢，进而建立新巢。如果随机数r>Pa，则更新鸟巢位置，否则，位置不变。最后，计算适应度值，保留最优的鸟巢位置，如果达到分类器精度要求或者算法迭代次数，则输出当前最优的SVM参数，否则，返回流程起始处作，继续利用CS算法更新位置，重新计算鸟巢适应度值，重新执行上述过程。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (4)

1.一种采用高维特征选择对肺部肿瘤CT图像进行判别的方法，其特征在于，包括如下步骤：
实验数据获取和预处理步骤：获取肺部图像数据库中获取带有明确诊断结论的肺部肿瘤CT图像，形成单个样本，所述CT图像包括良性肿瘤图像和恶性肿瘤图像，所述单个样本包括82维条件属性和1维决策属性，从原始CT图像中截取对肺部肿瘤有较强区分能力的子图作为ROI区域，并将ROI图像归一化为50*50大小的实验图像；
图像分割步骤：采用最大类间方差法对预处理后的ROI区域进行分割，以准确刻画肺部肿瘤CT图像的形状、纹理和灰度特征；
肺部区域特征提取步骤：对获取到的肺部CT图像进行区域特征提取，所述区域特征包括形状、灰度及纹理特征，对提取到的特征进行82维特征分量归一化，从而共同量化ROI；
属性约简步骤：利用BRS和GA算法进行属性约简，降低分类器的时间复杂度和空间复杂度，提高分类性能；
肺部区域寻优分类识别步骤：利用布谷鸟算法及SVM方式，进行参数全局寻优分类操作，进行肺部肿瘤高维特征选择。
2.根据权利要求1所述方法，其特征在于，所述肺部区域特征提取步骤还包括：
采用最大类间方差法对预处理后的ROI区域进行分割。
3.根据权利要求2所述方法，其特征在于，所述方法还包括：
在ROI区域分割提取特征后，构建决策信息表；
采用模糊C均值聚类算法对决策信息表进行离散化处理。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
利用BRS和GA算法进行属性约简，降低分类器的时间复杂度和空间复杂度，提高分类性能，具体包括：
参数设定：染色体为0，1组成的序列，其长度等于条件属性的数目N，交叉概率Pc，变异概率Pm，最大迭代次数K＝150，初始种群M＝20；
编码：采用二进制编码，长度等于条件属性的个数，“0”表示特征未被选中，“1”表示特征被选中；
初始种群的生成：随机产生M个长度等于条件属性个数的染色体串构成初始种群；
遗传算子：遗传算子包括选择算子、交叉算子和变异算子，遗传算子组合为无回放随机余数选择、均匀交叉和高斯变异；
适应度函数：适应度函数的有效性决定GA算法的搜索方向和进化结果，适应度值是判断个体性能的主要指标；
从全局相对增益函数、属性约简长度和基因编码权值函数三个方面，通过加权和构造适应度函数框架，进行遗传算法的寻优过程，找到最具区分能力的特征子集，从而实现对肺部肿瘤CT图像基于高维特征选择的良恶性判别。
CN201910277632.5A 2019-04-08 2019-04-08 采用高维特征选择对肺部肿瘤ct图像进行判别的方法 Pending CN109978880A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910277632.5A CN109978880A (zh) 2019-04-08 2019-04-08 采用高维特征选择对肺部肿瘤ct图像进行判别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910277632.5A CN109978880A (zh) 2019-04-08 2019-04-08 采用高维特征选择对肺部肿瘤ct图像进行判别的方法

Publications (1)

Publication Number Publication Date
CN109978880A true CN109978880A (zh) 2019-07-05

Family

ID=67083449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910277632.5A Pending CN109978880A (zh) 2019-04-08 2019-04-08 采用高维特征选择对肺部肿瘤ct图像进行判别的方法

Country Status (1)

Country Link
CN (1) CN109978880A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532721A (zh) * 2019-09-05 2019-12-03 哈尔滨理工大学 基于优化量子粒子群算法准确提取未知相移量的方法
CN111292291A (zh) * 2020-01-15 2020-06-16 李东航 一种基于pca或m波段小波域的癌症ct图像判断装置
CN111583194A (zh) * 2020-04-22 2020-08-25 北方民族大学 基于贝叶斯粗糙集和布谷鸟算法的高维特征选择算法
CN111582330A (zh) * 2020-04-22 2020-08-25 北方民族大学 基于肺部肿瘤影像划分样本空间下的集成ResNet-NRC方法
CN111598883A (zh) * 2020-05-20 2020-08-28 重庆工程职业技术学院 获取云数据医学影像的标定标签设备和工作方法
CN111738992A (zh) * 2020-06-04 2020-10-02 科大讯飞股份有限公司 肺部病灶区域提取方法、装置、电子设备和存储介质
CN111815624A (zh) * 2020-07-28 2020-10-23 复旦大学附属华山医院 基于图像处理算法的肿瘤间质比判定方法及系统
CN112784710A (zh) * 2021-01-07 2021-05-11 上海海事大学 胸腔积液性质分析决策函数的构造方法及基于其的分析方法
CN115294122A (zh) * 2022-10-08 2022-11-04 江苏诺阳家居科技有限公司 基于ct图像的肺部肿瘤特征提取方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130259345A1 (en) * 2012-03-30 2013-10-03 University Of Louisville Research Foundation, Inc. Computer aided diagnostic system incorporating shape analysis for diagnosing malignant lung nodules
CN106844826A (zh) * 2016-12-02 2017-06-13 上海电机学院 一种用于风电机组齿轮箱故障预测诊断的方法
CN107784353A (zh) * 2016-08-29 2018-03-09 普天信息技术有限公司 一种基于布谷鸟搜索算法的函数优化方法
CN109035227A (zh) * 2018-07-13 2018-12-18 哈尔滨理工大学 对ct图像进行肺部肿瘤检测与诊断的系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130259345A1 (en) * 2012-03-30 2013-10-03 University Of Louisville Research Foundation, Inc. Computer aided diagnostic system incorporating shape analysis for diagnosing malignant lung nodules
CN107784353A (zh) * 2016-08-29 2018-03-09 普天信息技术有限公司 一种基于布谷鸟搜索算法的函数优化方法
CN106844826A (zh) * 2016-12-02 2017-06-13 上海电机学院 一种用于风电机组齿轮箱故障预测诊断的方法
CN109035227A (zh) * 2018-07-13 2018-12-18 哈尔滨理工大学 对ct图像进行肺部肿瘤检测与诊断的系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张飞飞 等: "基于贝叶斯粗糙集的肺部肿瘤 CT 图像高维特征选择算法", 《生物医学工程研究》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110532721A (zh) * 2019-09-05 2019-12-03 哈尔滨理工大学 基于优化量子粒子群算法准确提取未知相移量的方法
CN110532721B (zh) * 2019-09-05 2022-08-05 哈尔滨理工大学 基于优化量子粒子群算法准确提取未知相移量的方法
CN111292291A (zh) * 2020-01-15 2020-06-16 李东航 一种基于pca或m波段小波域的癌症ct图像判断装置
CN111292291B (zh) * 2020-01-15 2024-02-02 李东航 一种基于pca或m波段小波域的癌症ct图像判断装置
CN111583194B (zh) * 2020-04-22 2022-07-15 北方民族大学 基于贝叶斯粗糙集和布谷鸟算法的高维特征选择算法
CN111583194A (zh) * 2020-04-22 2020-08-25 北方民族大学 基于贝叶斯粗糙集和布谷鸟算法的高维特征选择算法
CN111582330A (zh) * 2020-04-22 2020-08-25 北方民族大学 基于肺部肿瘤影像划分样本空间下的集成ResNet-NRC方法
CN111598883A (zh) * 2020-05-20 2020-08-28 重庆工程职业技术学院 获取云数据医学影像的标定标签设备和工作方法
CN111598883B (zh) * 2020-05-20 2023-05-26 重庆工程职业技术学院 获取云数据医学影像的标定标签设备和工作方法
CN111738992B (zh) * 2020-06-04 2023-12-22 讯飞医疗科技股份有限公司 肺部病灶区域提取方法、装置、电子设备和存储介质
CN111738992A (zh) * 2020-06-04 2020-10-02 科大讯飞股份有限公司 肺部病灶区域提取方法、装置、电子设备和存储介质
CN111815624A (zh) * 2020-07-28 2020-10-23 复旦大学附属华山医院 基于图像处理算法的肿瘤间质比判定方法及系统
CN111815624B (zh) * 2020-07-28 2024-05-03 复影(上海)医疗科技有限公司 基于图像处理算法的肿瘤间质比判定方法及系统
CN112784710A (zh) * 2021-01-07 2021-05-11 上海海事大学 胸腔积液性质分析决策函数的构造方法及基于其的分析方法
CN112784710B (zh) * 2021-01-07 2024-01-19 上海海事大学 胸腔积液性质分析决策函数的构造方法及基于其的分析方法
CN115294122A (zh) * 2022-10-08 2022-11-04 江苏诺阳家居科技有限公司 基于ct图像的肺部肿瘤特征提取方法及系统

Similar Documents

Publication Publication Date Title
CN109978880A (zh) 采用高维特征选择对肺部肿瘤ct图像进行判别的方法
CN108364006B (zh) 基于多模式深度学习的医学图像分类装置及其构建方法
CN107886514B (zh) 基于深度残差网络的乳腺钼靶图像肿块语义分割方法
Froz et al. Lung nodule classification using artificial crawlers, directional texture and support vector machine
Hariraj et al. Fuzzy multi-layer SVM classification of breast cancer mammogram images
Saha et al. Brain image segmentation using semi-supervised clustering
CN104751178B (zh) 基于形状模板匹配结合分类器的肺结节检测装置及方法
CN102165454B (zh) 用于提高计算机辅助诊断对图像处理不确定性的鲁棒性的方法
CN109658411A (zh) 一种基于ct影像学特征与非小细胞肺癌患者预后情况的相关性分析方法
CN110766051A (zh) 一种基于神经网络的肺结节形态学分类方法
Albalawi et al. Classification of breast cancer mammogram images using convolution neural network
CN110942446A (zh) 一种基于ct影像的肺结节自动检测方法
Reshma et al. Detection of breast cancer using histopathological image classification dataset with deep learning techniques
Shakibapour et al. An unsupervised metaheuristic search approach for segmentation and volume measurement of pulmonary nodules in lung CT scans
CN108549912A (zh) 一种基于机器学习的医学图像肺结节检测方法
CN104217213B (zh) 一种基于对称性理论的医学图像多阶段分类方法
Wakili et al. Classification of breast cancer histopathological images using DenseNet and transfer learning
Song et al. Using HOG-LBP features and MMP learning to recognize imaging signs of lung lesions
Yao et al. Pneumonia detection using an improved algorithm based on faster r-cnn
Cordeiro et al. Analysis of supervised and semi-supervised GrowCut applied to segmentation of masses in mammography images
US11684333B2 (en) Medical image analyzing system and method thereof
Anshad et al. Recent methods for the detection of tumor using computer aided diagnosis—A review
CN113796877A (zh) 脑卒中预测值获取方法、装置及存储介质
Bhat et al. Convolutional neural network approach for the classification and recognition of lung nodules
Wei et al. Multi-feature fusion for ultrasound breast image classification of benign and malignant

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190705