CN110136108B - 一种采用机器学习算法对乳腺癌进行良恶性特征统计的方法 - Google Patents

一种采用机器学习算法对乳腺癌进行良恶性特征统计的方法 Download PDF

Info

Publication number
CN110136108B
CN110136108B CN201910379311.6A CN201910379311A CN110136108B CN 110136108 B CN110136108 B CN 110136108B CN 201910379311 A CN201910379311 A CN 201910379311A CN 110136108 B CN110136108 B CN 110136108B
Authority
CN
China
Prior art keywords
characteristic
server
training
database server
image database
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
CN201910379311.6A
Other languages
English (en)
Other versions
CN110136108A (zh
Inventor
翟运开
赵杰
陈昊天
甘富文
石金铭
陈保站
卢耀恩
曹明波
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.)
Zhengzhou University
Original Assignee
Zhengzhou University
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 Zhengzhou University filed Critical Zhengzhou University
Priority to CN201910379311.6A priority Critical patent/CN110136108B/zh
Publication of CN110136108A publication Critical patent/CN110136108A/zh
Application granted granted Critical
Publication of CN110136108B publication Critical patent/CN110136108B/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
    • 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
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/30068—Mammography; Breast
    • 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)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Epidemiology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种采用机器学习算法对乳腺癌进行良恶性特征统计的方法，属于大数据技术领域，建立影像数据库服务器、医生客户端服务器、第一辅助服务器和第二辅助服务器，解决了全面的提取重要的影响特征，进行特征去冗余，提高结果准确度的技术问题，本发明辅助系统的分类结果比较准确，可以作为医生诊断的重要参考信息，同时本发明可以循环迭代更新，随着数据量的增多，准确率会越来越高。

Description

一种采用机器学习算法对乳腺癌进行良恶性特征统计的方法
技术领域
本发明属于大数据技术领域，尤其涉及一种采用机器学习算法对 乳腺癌进行良恶性特征统计的方法。
背景技术
目前对于乳腺癌的诊断主要依靠医生的临床经验，很多医院的医 生水平有限，不能对患者的病情进行准确的判断，这会延误病人的治 疗，如果借助影像组学的方法对乳腺癌的MRI图像进行分析，从而对 病人的病情进行较为准确的判断，将大大减轻医生的压力，帮助医生 制定治疗方案。
然而采用影像组学的方法其在对MRI图像进行分析会产生大量 的特征冗余，其结果准确度低。
发明内容
本发明的目的是提供一种采用机器学习算法对乳腺癌进行良恶 性特征统计的方法，解决了全面的提取重要的影响特征，进行特征去 冗余，提高结果准确度的技术问题。
为实现上述目的，本发明采用如下技术方案：
一种采用机器学习算法对乳腺癌进行良恶性特征统计的方法，包 括如下步骤：
步骤1：建立影像数据库服务器、医生客户端服务器、第一辅助 服务器和第二辅助服务器，影像数据库服务器、医生客户端服务器、 第一辅助服务器和第二辅助服务器之间均通过互联网通信；
影像数据库服务器用于存储所有病人的乳腺MRI图像；
步骤2：医生通过医生客户端服务器读取影像数据库服务器中的 病人的乳腺MRI图像；
医生在医生客户端服务器上对病人的乳腺MRI图像进行肿瘤区域 分割，医生客户端服务器将分割后的病人的乳腺MRI图像保存为分割 文件，并将分割文件传送给数据库服务器进行存储；
数据库服务器将分割文件和病人的乳腺MRI图像归类存储在同一 个文件夹中，生成病人数据包；
步骤3：重复执行步骤2，直到影像数据库服务器中存储的所有病 人的乳腺MRI图像均生成分割文件，并生成病人数据包为止；
步骤4：第二辅助服务器调取影像数据库服务器中所有的病人数 据包作为训练数据，并进行特征提取、特征选择和分类器训练，进而 得到分类器模型，其具体步骤如下：
步骤A1：每一个病人数据包中包含的乳腺MRI图像均拥有2个序 列，分别为T2W序列和T1C序列，T2W序列和T1C序列均包括数张 图片；
步骤A2：特征提取包括使用Pyradiomics2.1.2工具中的python包 对分割文件进行肿瘤最大层面的2D特征提取，2D特征包括一阶统计 特征、2D形状特征、灰度共生矩阵特征和灰度游程长度矩阵纹理特 征；
同时对一阶统计特征和灰度游程长度矩阵纹理特征进行小波变 换；
步骤A3：特征选择包括对所述2D特征进行Box-Cox变换，使得 偏态分布更接近于正态分布；
对所述2D特征进行全局归一化z-score标准化，生成数据集，经 过处理后的2D特征值均值为0，标准差为1；
采用Scikitlearn工具中的分层抽样的方法对数据集进行划分，分 成训练样本和测试样本，训练集样本为N例，测试集样本为M例，N 取值为正整数，M取值为正整数，指定一个用于保证试验的可重复性 的随机数种子，随机数种子的选取只是为了保证每次分层抽样的结果 不变，随机数种子的取值数由用户自由选取；
对训练样本和测试样本的2D特征值进行曼-惠特尼U检验，选取 p值小于0.10的特征；
在单参数情况下，使用曼-惠特尼U检验单独评估每个2D特征值 的预测值，在youden系数最大化时记录每个2D特征值的AUC值；
使用最大相关最小冗余的特征选择算法进行2D特征值的筛选， 即，采用Survcomo程序包，将每个2D特征值得出的mRMR值按照 由大到小的顺序进行排序；
选取mRMR排名前30的2D特征值，通过基于AIC的后退法减少 2D特征值，知道最后剩余20个2D特征值；
步骤A4：分类器训练包括分别对T1C序列、T2W序列和T1C序列 +T2W序列进行训练，使用SVM分类器进行模型训练：
采用支持向量机训练分类模型，得出最优模型，分类决策函数为 以下公式：
Figure BDA0002052804870000031
其中，k(x,y)＝h(x)·h(y)为核函数，用于将样本数据映射到线性可 分离的高维空间；
通过选择合适的核函数k(x,y)和惩罚系数，构造并找到最优解ai*， 其中bi*的值通过任意一个支持向量求得；用四种核函数进行训练， 这四种核函数包括线性核函数Linear、多项式核函数Poly、径向基核 函数RBF和Sigmoid核函数Sigmoid，训练模型在验证数据集上进行 验证，最后选出效果最好的SVM模型，作为最优模型；
步骤5：第二辅助服务器将最优模型传送给影像数据库服务器进 行存储器；
步骤6：医生通过医生客户端服务器将就诊病人的MRI图像输入 到影像数据库服务器；
影像数据库服务器根据步骤2的方法生成病人数据包；
第一辅助服务器从影像数据库服务器中调取病人数据包，第一辅 助服务器根据步骤A1到步骤A3的方法对病人数据包进行特征提取、 特征选择和分类器训练，并调取第二辅助服务器所得出的最优模型， 进行肿瘤良恶性的数据统计，生成特征数据统计表；
步骤7：第一辅助服务器将特征数据统计表发送给医生客户端服 务器并展示给医生进行参考。
优选的，在执行步骤1时，影像数据库服务器中的病人的乳腺MRI 图像均为dicom图像数据。
优选的，在执行步骤2时，所述分割文件为mha文件。
本发明所述的一种采用机器学习算法对乳腺癌进行良恶性特征统 计的方法，解决了全面的提取重要的影响特征，进行特征去冗余，提 高结果准确度的技术问题，本发明辅助系统的分类结果比较准确，可 以作为医生诊断的重要参考信息，同时本发明可以循环迭代更新，随 着数据量的增多，准确率会越来越高。
附图说明
图1是本发明的流程图图；
图2是本发明的影像组学基本流程图；
图3是本发明的最优模型的数学模型图。
具体实施方式
如图1-图3所示的一种采用机器学习算法对乳腺癌进行良恶性特 征统计的方法，包括如下步骤：
步骤1：建立影像数据库服务器、医生客户端服务器、第一辅助 服务器和第二辅助服务器，影像数据库服务器、医生客户端服务器、 第一辅助服务器和第二辅助服务器之间均通过互联网通信；
影像数据库服务器用于存储所有病人的乳腺MRI图像；
步骤2：医生通过医生客户端服务器读取影像数据库服务器中的 病人的乳腺MRI图像；
医生在医生客户端服务器上对病人的乳腺MRI图像进行肿瘤区域 分割，医生客户端服务器将分割后的病人的乳腺MRI图像保存为分割 文件，并将分割文件传送给数据库服务器进行存储；
肿瘤区域全部由影像科的专业医生在ITK-SNAP上进行勾画，并由 另一位医生进行重新检查，保证了肿瘤区域的准确性。
数据库服务器将分割文件和病人的乳腺MRI图像归类存储在同一 个文件夹中，生成病人数据包；
步骤3：重复执行步骤2，直到影像数据库服务器中存储的所有病 人的乳腺MRI图像均生成分割文件，并生成病人数据包为止；
步骤4：第二辅助服务器调取影像数据库服务器中所有的病人数 据包作为训练数据，并进行特征提取、特征选择和分类器训练，进而 得到分类器模型，其具体步骤如下：
步骤A1：每一个病人数据包中包含的乳腺MRI图像均拥有2个序 列，分别为T2W序列和T1C序列，T2W序列和T1C序列均包括数张 图片；
本实施例采用2017-2018年的300例病人的乳腺MRI图像作为样 本进行训练，其中训练集200例，测试集100例，正负样本比例为1： 1。每个病人拥有两个序列，分别为T2W和T1C，其中每个病人有T2W 图片24张，T1C图片132张，T2W和T1C是核磁共振的两个序列， 分别代表T2增强和T1增强
步骤A2：特征提取包括使用Pyradiomics2.1.2工具中的python包 对分割文件进行肿瘤最大层面的2D特征提取，2D特征包括一阶统计 特征、2D形状特征、灰度共生矩阵特征和灰度游程长度矩阵纹理特 征；
本实施中，使用Pyradiomics2.1.2的python包进行肿瘤最大层面 的2D特征提取，其中
一阶统计特征17个包括Energy、Total Energy、Entropy、Minimum、 10thPercentile、90th Percentile、Maximum、Mean、Median、Interquartile Range、Range、MAD、rMAD、RMS、Standard Deviation、Kurtosis、 Uniformity。
一阶统计特征的含义如表1所示：
编号 名称 含义
1 Energy 能量
2 Total Energy 总能量
3 Entropy 熵
4 Minimum 最小值
5 10th Percentile 第十百分位数
6 90th Percentile 第九十百分位数
7 Maximum 最大值
8 Mean 均值
9 Median 中位数
10 Interquartile Range 四分位数范围
11 Range 区域大小
12 MAD 平均绝对偏差
13 rMAD 稳定平均绝对偏差
14 RMS 均方根
15 Standard Deviation 标准偏差
16 Kurtosis 峰态
17 Uniformity 一致性
表1
其中Energy能量是图像中体素值的大小的度量，值越大意味着这 些值的平方和越大。
2D形状特征10个包括：Mesh Surface、Pixel Surface、Perimeter、 Perimeter toSurface Ratio、Sphericity、Spherical Disproportion、 Maximum 2D diameter、MajorAxis Length、Minor Axis Length、 Elongation。
2D形状特征的含义如表2所示：
编号 名称 含义
1 Mesh Surface 网格面积
2 Pixel Surface 像素面积
3 Perimeter 周长
4 Perimeter to Surface Ratio 周长与面积比
5 Sphericity 球形度
6 Spherical Disproportion 球形比例
7 Maximum 2D diameter 最大2D直径
8 Major Axis Length 主轴长度
9 Minor Axis Length 小轴长度
10 Elongation 伸长率
表2
灰度共生矩阵特征(GLCM)26个包括：Autocorrelation、Joint Average、ClusterProminence、Cluster Shade、Cluster Tendency、Contrast、 Correlation、DifferenceEntropy、Difference Variance、Joint Energy、Joint Entropy、DEPRECATED.Homogeneity1、DEPRECATED.Homogeneity2、 I MC1、IMC2、IDM、MCC、IDMN、Inverse Difference、I DN、I nverse Variance、Maximum Probability、Sum Average、DEPRECATED.Sum Variance、Sum Entropy、Sum of Squares。
灰度共生矩阵特征的含义如表3所示：
编号 名称 含义
1 Autocorrelation 自相关
2 Joint Average 联合平均数
3 Cluster Prominence 聚类突出
4 Cluster Shade 聚类阴影
5 Cluster Tendency 聚类趋势
6 Contrast 对比
7 Correlation 相关性
8 Difference Entropy 差异熵
9 Difference Variance 差异方差
10 Joint Energy 联合能量
11 Joint Entropy 联合熵
12 DEPRECATED.Homogeneity1 同质性1
13 Homogeneity2 同质性2
14 IMC1 信息相关度量1
15 IMC2 信息相关度量2
16 IDM 逆差均值
17 MCC 最大相关系数
18 IDMN 逆差分矩归一化
19 Inverse Difference 逆差
20 IDN 逆差归一化
21 Inverse Variance 反方差
22 Maximum Probability 最大概率
23 Sum Average 总和平均值
24 Sum Variance 总和方差
25 Sum Entropy 熵的和
26 Sum of Squares 平方和
表3
灰度游程长度矩阵文理特征(GLRLM)13个包括：SRE、LRE、GLM、 RLN、PR、LGRE、HGRE、SRLGE、SRHGE、LRLGE、LRHGE、GLV、RLV。
灰度游程长度矩阵文理特征的含义如表4所示：
编号 名称 含义
1 SRE 短期强调
2 LRE 长期强调
3 GLN 灰度不均匀性
4 RLN 运行长度不均匀性
5 PR 运行百分比
6 RE 运行熵
7 HGLRE 高灰度级运行强调
8 SRLGLE 短期低灰度级运行强调
9 SRHGE 短期高灰度级强调
10 LRLGLE 长期低灰度级强调
11 LRHGLE 长期高灰度强调
12 GLV 灰度变化
13 RV 运行方差
表4
对一阶统计特征和纹理特征(GLRLM)进行小波变换，小波变换 为现有技术故不详细叙述。
通过Pyradiomics和小波变换，在MRI图像上一共提取了274个特 征。
同时对一阶统计特征和灰度游程长度矩阵纹理特征进行小波变 换；
步骤A3：特征选择包括对所述2D特征进行Box-Cox变换，使得 偏态分布更接近于正态分布；
对所述2D特征进行全局归一化z-score标准化，生成数据集，经 过处理后的2D特征值均值为0，标准差为1；
采用Scikitlearn工具中的分层抽样的方法对数据集进行划分，分 成训练样本和测试样本，训练集样本为N例，测试集样本为M例，N 取值为正整数，M取值为正整数，指定一个用于保证试验的可重复性 的随机数种子，随机数种子的选取只是为了保证每次分层抽样的结果 不变，随机数种子的取值数由用户自由选取；
对训练样本和测试样本的2D特征值进行曼-惠特尼U检验，选取 p值小于0.10的特征；
在单参数情况下，使用曼-惠特尼U检验单独评估每个2D特征值 的预测值，在youden系数最大化时记录每个2D特征值的AUC值；
使用最大相关最小冗余的特征选择算法进行2D特征值的筛选， 即，采用Survcomo程序包，将每个2D特征值得出的mRMR值按照 由大到小的顺序进行排序；
选取mRMR排名前30的2D特征值，通过基于AIC的后退法减少 2D特征值，知道最后剩余20个2D特征值；
步骤A4：分类器训练包括分别对T1C序列、T2W序列和T1C序列 +T2W序列进行训练，使用SVM分类器进行模型训练：
采用支持向量机训练分类模型，得出最优模型，分类决策函数为 以下公式：
Figure BDA0002052804870000101
其中，xi为输入数据，x为函数系数，yi为每个函数的权重， k(x,y)＝h(x)·h(y)为核函数，用于将样本数据映射到线性可分离的高维 空间；
通过选择合适的核函数k(x,y)和惩罚系数，构造并找到最优解ai*， 其中bi*的值通过任意一个支持向量求得；用四种核函数进行训练， 这四种核函数包括线性核函数Linear、多项式核函数Poly、径向基核 函数RBF和Sigmoid核函数Sigmoid，训练模型在验证数据集上进行 验证，最后选出效果最好的SVM模型，作为最优模型；
步骤5：第二辅助服务器将最优模型传送给影像数据库服务器进 行存储器；
步骤6：医生通过医生客户端服务器将就诊病人的MRI图像输入 到影像数据库服务器；
影像数据库服务器根据步骤2的方法生成病人数据包；
第一辅助服务器从影像数据库服务器中调取病人数据包，第一辅 助服务器根据步骤A1到步骤A3的方法对病人数据包进行特征提取、 特征选择和分类器训练，并调取第二辅助服务器所得出的最优模型， 进行肿瘤良恶性的数据统计，生成特征数据统计表；
步骤7：第一辅助服务器将特征数据统计表发送给医生客户端服 务器并展示给医生进行参考。
优选的，在执行步骤1时，影像数据库服务器中的病人的乳腺MRI 图像均为dicom图像数据。
优选的，在执行步骤2时，所述分割文件为mha文件。
本发明所述的一种采用机器学习算法对乳腺癌进行良恶性特征统 计的方法，解决了全面的提取重要的影响特征，进行特征去冗余，提 高结果准确度的技术问题，本发明辅助系统的分类结果比较准确，可 以作为医生诊断的重要参考信息，同时本发明可以循环迭代更新，随 着数据量的增多，准确率会越来越高。

Claims (3)

1.一种采用机器学习算法对乳腺癌进行良恶性特征统计的方法，其特征在于：包括如下步骤：
步骤1：建立影像数据库服务器、医生客户端服务器、第一辅助服务器和第二辅助服务器，影像数据库服务器、医生客户端服务器、第一辅助服务器和第二辅助服务器之间均通过互联网通信；
影像数据库服务器用于存储所有病人的乳腺MRI图像；
步骤2：医生通过医生客户端服务器读取影像数据库服务器中的病人的乳腺MRI图像；
医生在医生客户端服务器上对病人的乳腺MRI图像进行肿瘤区域分割，医生客户端服务器将分割后的病人的乳腺MRI图像保存为分割文件，并将分割文件传送给数据库服务器进行存储；
数据库服务器将分割文件和病人的乳腺MRI图像归类存储在同一个文件夹中，生成病人数据包；
步骤3：重复执行步骤2，直到影像数据库服务器中存储的所有病人的乳腺MRI图像均生成分割文件，并生成病人数据包为止；
步骤4：第二辅助服务器调取影像数据库服务器中所有的病人数据包作为训练数据，并进行特征提取、特征选择和分类器训练，进而得到分类器模型，其具体步骤如下：
步骤A1：每一个病人数据包中包含的乳腺MRI图像均拥有2个序列，分别为T2W序列和T1C序列，T2W序列和T1C序列均包括数张图片；
步骤A2：特征提取包括使用Pyradiomics2.1.2工具中的python包对分割文件进行肿瘤最大层面的2D特征提取，2D特征包括一阶统计特征、2D形状特征、灰度共生矩阵特征和灰度游程长度矩阵纹理特征；
同时对一阶统计特征和灰度游程长度矩阵纹理特征进行小波变换；
步骤A3：特征选择包括对所述2D特征进行Box-Cox变换，使得偏态分布更接近于正态分布；
对所述2D特征进行全局归一化z-score标准化，生成数据集，经过处理后的2D特征值均值为0，标准差为1；
采用Scikitlearn工具中的分层抽样的方法对数据集进行划分，分成训练样本和测试样本，训练集样本为N例，测试集样本为M例，N取值为正整数，M取值为正整数，指定一个用于保证试验的可重复性的随机数种子，随机数种子的选取只是为了保证每次分层抽样的结果不变，随机数种子的取值数由用户自由选取；
对训练样本和测试样本的2D特征值进行曼-惠特尼U检验，选取p值小于0.10的特征；
在单参数情况下，使用曼-惠特尼U检验单独评估每个2D特征值的预测值，在youden系数最大化时记录每个2D特征值的AUC值；
使用最大相关最小冗余的特征选择算法进行2D特征值的筛选，即，采用Survcomo程序包，将每个2D特征值得出的mRMR值按照由大到小的顺序进行排序；
选取mRMR排名前30的2D特征值，通过基于AIC的后退法减少2D特征值，直到 最后剩余20个2D特征值；
步骤A4：分类器训练包括分别对T1C序列、T2W序列和T1C序列+T2W序列进行训练，使用SVM分类器进行模型训练：
采用支持向量机训练分类模型，得出最优模型，分类决策函数为以下公式：
Figure FDA0002052804860000021
其中，k(x,y)＝h(x)·h(y)为核函数，用于将样本数据映射到线性可分离的高维空间；
通过选择合适的核函数k(x,y)和惩罚系数，构造并找到最优解ai *，其中bi *的值通过任意一个支持向量求得；用四种核函数进行训练，这四种核函数包括线性核函数Linear、多项式核函数Poly、径向基核函数RBF和Sigmoid核函数Sigmoid，训练模型在验证数据集上进行验证，最后选出效果最好的SVM模型，作为最优模型；
步骤5：第二辅助服务器将最优模型传送给影像数据库服务器进行存储器；
步骤6：医生通过医生客户端服务器将就诊病人的MRI图像输入到影像数据库服务器；
影像数据库服务器根据步骤2的方法生成病人数据包；
第一辅助服务器从影像数据库服务器中调取病人数据包，第一辅助服务器根据步骤A1到步骤A3的方法对病人数据包进行特征提取、特征选择和分类器训练，并调取第二辅助服务器所得出的最优模型，进行肿瘤良恶性的数据统计，生成特征数据统计表；
步骤7：第一辅助服务器将特征数据统计表发送给医生客户端服务器并展示给医生进行参考。
2.如权利要求1所述的一种采用机器学习算法对乳腺癌进行良恶性特征统计的方法，其特征在于：在执行步骤1时，影像数据库服务器中的病人的乳腺MRI图像均为dicom图像数据。
3.如权利要求1所述的一种采用机器学习算法对乳腺癌进行良恶性特征统计的方法，其特征在于：在执行步骤2时，所述分割文件为mha文件。
CN201910379311.6A 2019-05-08 2019-05-08 一种采用机器学习算法对乳腺癌进行良恶性特征统计的方法 Active CN110136108B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910379311.6A CN110136108B (zh) 2019-05-08 2019-05-08 一种采用机器学习算法对乳腺癌进行良恶性特征统计的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910379311.6A CN110136108B (zh) 2019-05-08 2019-05-08 一种采用机器学习算法对乳腺癌进行良恶性特征统计的方法

Publications (2)

Publication Number Publication Date
CN110136108A CN110136108A (zh) 2019-08-16
CN110136108B true CN110136108B (zh) 2022-09-13

Family

ID=67576799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910379311.6A Active CN110136108B (zh) 2019-05-08 2019-05-08 一种采用机器学习算法对乳腺癌进行良恶性特征统计的方法

Country Status (1)

Country Link
CN (1) CN110136108B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110689960B (zh) * 2019-09-24 2022-08-09 广州大学 一种乳腺癌的智能判别方法、装置、设备及存储介质
CN111027590B (zh) * 2019-11-11 2023-03-24 郑州大学第一附属医院 一种结合深度网络特征和机器学习模型的乳腺癌数据分类方法
CN111351831A (zh) * 2020-02-26 2020-06-30 西安交通大学医学院第二附属医院 基于质谱分析组织术中检测、标记设备及其检测方法
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
CN112489035A (zh) * 2020-12-14 2021-03-12 青岛大学附属医院 一种基于机器学习的软组织肉瘤等级判断方法
CN112908466B (zh) * 2021-01-13 2023-08-04 中国科学院计算技术研究所 基于迁移学习的阿尔兹海默病智能决策支持方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166105A (zh) * 2018-08-01 2019-01-08 中国人民解放军南京军区南京总医院 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BRPI0717019A8 (pt) * 2006-09-22 2015-10-06 Koninklijke Philips Electronics Nv Método para efetuar seleção de característica baseada em algoritmo genético

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166105A (zh) * 2018-08-01 2019-01-08 中国人民解放军南京军区南京总医院 人工智能医学影像的肿瘤恶性风险分层辅助诊断系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
基于SVM的乳腺癌X光照片计算机辅助诊断模型;熊思;《湖北第二师范学院学报》;20090820(第08期);全文 *
基于SVM算法的乳腺X光片辅助诊断系统的设计与实现;牛琳等;《软件工程》;20180805(第08期);全文 *
基于支持向量机的超声乳腺肿瘤图像计算机辅助诊断系统;李晓峰等;《光电子.激光》;20080115(第01期);全文 *
计算机辅助乳腺肿瘤分类方法研究与实现;朱一峰等;《佳木斯大学学报(自然科学版)》;20160315(第02期);全文 *
面向乳腺癌辅助诊断的改进支持向量机方法;章永来等;《计算机应用研究》;20130815(第08期);全文 *

Also Published As

Publication number Publication date
CN110136108A (zh) 2019-08-16

Similar Documents

Publication Publication Date Title
CN110136108B (zh) 一种采用机器学习算法对乳腺癌进行良恶性特征统计的方法
US20210241504A1 (en) System and method for forming a super-resolution biomarker map image
CN108898160B (zh) 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法
Bilgin et al. Cell-graph mining for breast tissue modeling and classification
US20190065897A1 (en) Medical image analysis method, medical image analysis system and storage medium
AU2015221826B2 (en) System and method for auto-contouring in adaptive radiotherapy
CN106815481A (zh) 一种基于影像组学的生存期预测方法及装置
US11705245B2 (en) System and methods for mammalian transfer learning
CN112561869B (zh) 一种胰腺神经内分泌肿瘤术后复发风险预测方法
CN111462048A (zh) 多标签多示例的图像检测方法、装置、设备及存储介质
CN112750137A (zh) 基于深度学习的肝脏肿瘤分割方法及系统
CN110827283B (zh) 基于卷积神经网络的头颈血管分割方法及装置
JP2017189394A (ja) 情報処理装置および情報処理システム
CN113782121B (zh) 随机分组方法、装置、计算机设备及存储介质
Luong et al. A computer-aided detection to intracranial hemorrhage by using deep learning: a case study
EP4235566A1 (en) Method and system for determining a change of an anatomical abnormality depicted in medical image data
Bergamasco et al. A bipartite graph approach to retrieve similar 3D models with different resolution and types of cardiomyopathies
CN111932486A (zh) 一种基于3d卷积神经网络的脑胶质瘤分割方法
WO2020044736A1 (ja) 類似度決定装置、方法およびプログラム
Athanasiadis et al. Segmentation of complementary DNA microarray images by wavelet-based Markov random field model
Ghosal et al. Interpretable and synergistic deep learning for visual explanation and statistical estimations of segmentation of disease features from medical images
Bhookya Examine Lung Disorders and Disease Classification Using Advanced CNN Approach
Sreeja et al. Image Classification of Brain Tumors through Hybrid Learning
Riyono et al. Enchancing Lung Disease Classification through K-Means Clustering, Chan-Vese Segmentation, and Canny Edge Detection on X-Ray Segmented Images
Mahmoud et al. Brain tumors MRI classification through CNN transfer learning models-An Overview

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