CN110188788A - 基于放射组学特征的胰腺囊性肿瘤ct图像的分类方法 - Google Patents

基于放射组学特征的胰腺囊性肿瘤ct图像的分类方法 Download PDF

Info

Publication number
CN110188788A
CN110188788A CN201910297426.0A CN201910297426A CN110188788A CN 110188788 A CN110188788 A CN 110188788A CN 201910297426 A CN201910297426 A CN 201910297426A CN 110188788 A CN110188788 A CN 110188788A
Authority
CN
China
Prior art keywords
feature
image
pancreas
cystic tumor
obtains
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
CN201910297426.0A
Other languages
English (en)
Inventor
管秋
袁梦依
龚明杰
陈奕州
苗林涛
陈�峰
姜娓娓
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910297426.0A priority Critical patent/CN110188788A/zh
Publication of CN110188788A publication Critical patent/CN110188788A/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
    • G06F18/213—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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

一种基于放射组学特征的胰腺囊性肿瘤CT图像的分类方法，包括如下步骤：1)图像采集：采集胰腺囊性肿瘤患者的CT图像；2)感兴趣区域获取：通过手动标记对胰腺囊性肿瘤位置进行分割；3)特征提取；4)特征量化；5)用支持向量机进行分类：将新的多维特征向量放入支持向量机中进行分类。本发明降低图像处理的复杂度，提高运行速度，提高分类准确率。

Description

基于放射组学特征的胰腺囊性肿瘤CT图像的分类方法
技术领域
本发明涉及一种医学图像处理领域，具体是指基于放射组学特征的胰腺囊性肿瘤CT图像的分类方法。
背景技术
近年来，随着大数据和医学成像技术的快速发展，放射组学作为一门新兴的医工交叉学科也随之应运而生，给定量的医学诊断带来了新的曙光。放射组学是一项全新的领域，应用大量的自动化数据特征化算法将感兴趣的区域(region of interest,ROI)的影像数据转化为具有高分辨率的可发掘的特征空间数据。
胰腺囊性肿瘤是当前临床检出率日益升高的胰腺外分泌肿瘤，其中常见的有胰腺浆液性囊性瘤、黏液性囊性瘤。其中，胰腺浆液性囊性瘤是常见的良性胰腺囊性肿瘤，而后者具有潜在的高度恶变概率。因此，准确的诊断对确定患者的治疗方式、手术时机和手术范围具有重要的临床价值。
数据分析是对大量的影像数据进行数字化的定量高通量分析，得到高保真的目标信息来综合评价胰腺囊性肿瘤。结合计算机的分析计算辅助进行胰腺囊性肿瘤疾病类型的判定，提高诊断准确率。
存在的技术缺陷为：图像处理的复杂度高和分类准确率低。
发明内容
为了克服现有胰腺囊性肿瘤CT图像的分类方法的复杂度高和分类准确率低的不足，为了降低图像处理的复杂度，提高运行速度，提高分类准确率，本发明提供了一种基于放射组学特征的胰腺囊性肿瘤CT图像的分类方法
本发明解决其技术问题所采用的技术方案是：
一种基于放射组学特征的胰腺囊性肿瘤CT图像的分类方法，包括如下步骤：
1)图像采集：采集胰腺囊性肿瘤患者的CT图像；
2)感兴趣区域获取：通过手动标记对胰腺囊性肿瘤位置进行分割；
3)特征提取，过程如下：
3.1)强度直方图是把图像中每一个像素出现的次数都先统计出来，然后把每一个像素出现的次数除以总的像素个数，得到的就是这个像素出现的频率，然后再把像素与该像素出现的频率用图表示出来；
3.2)形状特征都描述肿瘤几何形状的定量特征；
3.3)纹理结构特征描述了图像或图像区域所对应景物的表面性质；
4)特征量化，过程如下：
主成分分析是在保留所有原变量的基础上，通过原变量的线性组合得到主成分，选取少数主成分就可保留原变量的绝大部分信息，这样就可用这几个主成分来代替原变量，从而达到降维的目的。
4.1)将上述的多类别分别进行PCA降维得到多个特征集；
灰度原始的特征通过PCA操作后得到一个特征集；
强度特征通过PCA操作后得到一个特征集；
形状特征通过PCA操作后得到一个特征集；
小波纹理特征通过PCA操作后得到一个特征集；
4.2)将多个特征集串联一个新的多维特征向量；
一个个特征集串联一个新的多维特征向量；
5)用支持向量机进行分类：将新的多维特征向量放入支持向量机中进行分类。
本发明的技术构思为：该方法针对胰腺囊性肿瘤CT图像后的高维特征进行筛选，首先对高维特征进行子特征集处理，然后采用主成分分析分别对子特征集进行降维，使得降维后的特征冗余度下降，然后串联降维后的子特征集融合成一个新的多维特征向量。最终通过核函数支持向量机分类器进行分类
本发明的有益效果主要表现在：1、通过放射组学特征，得到子特征集；2、通过多特征融合有效结合了图像信息，提高了分类效果。
附图说明
图1是对原始CT图像预处理手动分割获取感兴趣区域流程图。
图2是基于放射组学特征量化融合进行分类方法的流程图。
图3是胰腺囊性肿瘤感兴趣区域获取的示意图，其中，(a)(b)(c)(d)(e)(f)。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1，图2和图3，一种基于放射组学特征的胰腺囊性肿瘤CT图像的分类方法，包括如下步骤：
1)图像采集；采集胰腺囊性肿瘤患者的CT图像，如图3(a)(d)；
2)感兴趣区域获取：通过手动标记对胰腺囊性肿瘤位置进行分割，与医生确认分割是否正确，如图3(b)(d)；
3)特征提取
步骤1)中所提到感兴趣区域，如图3(c)(d)进行处理。提取强度直方图中平均值，方差，对比度，熵等特征；形状特征都描述胰腺囊性肿瘤几何形状的定量特征，如面积，矩形度,伸长度，周长，不变矩等特征；纹理结构特征描述了图像或图像区域所对应景物的表面性质，如灰度矩阵中能量、熵、惯性矩、相关、均匀度、残差和的均值和标准差等，灰度游程矩阵，Gabor小波的均值，对比度，熵等特征。
4)特征量化，过程如下：
选择特征提取后的种类进行子特征集化，假设每一条原始数据是一个m维行向量，数据集中有n条数据，这样原始数据就可以看作一个n行m列的矩阵，将其称为X，用代表数据集中的第i条数据(也就是X的第i和行向量)。输入X数据，m维特征向量，需要降到k维；
4.1)对原始m维数据做标准化处理，计算平均值，去平均值，即每一位特征减去各自的平均值；
4.2)计算样本协方差矩阵
4.3)求出协方差矩阵的特征值及对应的特征向量；
4.4)将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P；
4.5)Y为降维到k维后的数据
y＝X(i)P
将多个这样的子特征集进行串联融合，如得到Y1,Y2,Y3,Y4串联形成新多维的特征集X＝[Y1 Y2 Y3 Y4]。
5)分类
用核函数支持向量机进行分类：使用非线性函数可以将非线性可分问题从原始的特征空间映射至更高维的希尔伯特空间(Hilbert space)Н，从而转化为线性可分问题，此时作为决策边界的超平面表示如下：
ωTφ(X)+b＝0式中φ:为映射函数。由于映射函数是复杂的非线性函数，因此其内积的计算是困难的，此时可使用核方法(kernel method)，即定义映射函数的内积为核函数(kernel function)：
k(X1，X2)＝φ(X1)Tφ(X2)
以回避内积的显性计算。核函数的选择需要一定条件，对输入空间的任意向量，其核矩阵式半正定矩阵。使用的核函数为：
多项式核：
径向基函数核：
拉普拉斯核：
Sigmoid核：
将新的多维特征向量放入这四类核函数的支持向量机中进行分类，得到分类结果。

Claims (1)

1.一种基于放射组学特征的胰腺囊性肿瘤CT图像的分类方法，其特征在于，所述方法包括如下步骤：
1)图像采集：采集胰腺囊性肿瘤患者的CT图像；
2)感兴趣区域获取：通过手动标记对胰腺囊性肿瘤位置进行分割；
3)特征提取，过程如下：
3.1)强度直方图是把图像中每一个像素出现的次数都先统计出来，然后把每一个像素出现的次数除以总的像素个数，得到的就是这个像素出现的频率，然后再把像素与该像素出现的频率用图表示出来；
3.2)形状特征都描述肿瘤几何形状的定量特征；
3.3)纹理结构特征描述了图像或图像区域所对应景物的表面性质；
4)特征量化，过程如下：
4.1)将上述的多类别分别进行PCA降维得到多个特征集；
灰度原始的特征通过PCA操作后得到一个特征集；
强度特征通过PCA操作后得到一个特征集；
形状特征通过PCA操作后得到一个特征集；
小波纹理特征通过PCA操作后得到一个特征集；
4.2)将多个特征集串联一个新的多维特征向量；
一个个特征集串联一个新的多维特征向量；
5)用支持向量机进行分类：将新的多维特征向量放入支持向量机中进行分类。
CN201910297426.0A 2019-04-15 2019-04-15 基于放射组学特征的胰腺囊性肿瘤ct图像的分类方法 Pending CN110188788A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910297426.0A CN110188788A (zh) 2019-04-15 2019-04-15 基于放射组学特征的胰腺囊性肿瘤ct图像的分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910297426.0A CN110188788A (zh) 2019-04-15 2019-04-15 基于放射组学特征的胰腺囊性肿瘤ct图像的分类方法

Publications (1)

Publication Number Publication Date
CN110188788A true CN110188788A (zh) 2019-08-30

Family

ID=67714518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910297426.0A Pending CN110188788A (zh) 2019-04-15 2019-04-15 基于放射组学特征的胰腺囊性肿瘤ct图像的分类方法

Country Status (1)

Country Link
CN (1) CN110188788A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110837844A (zh) * 2019-09-26 2020-02-25 浙江工业大学 基于ct图像不相似性特征的胰腺囊性肿瘤良恶性分类方法
CN112037231A (zh) * 2020-07-30 2020-12-04 浙江大学 基于特征分类器的医学影像肝脏分割后处理方法
CN113077001A (zh) * 2021-04-07 2021-07-06 西南大学 一种基于生成型张量网络的医学图像分类系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122356A (zh) * 2011-03-16 2011-07-13 中国人民解放军第二军医大学 计算机辅助判别胰腺癌超声内镜图像的方法
US20180101953A1 (en) * 2016-07-25 2018-04-12 Sony Corporation Automatic 3d brain tumor segmentation and classification
CN108364294A (zh) * 2018-02-05 2018-08-03 西北大学 基于超像素的腹部ct图像多器官分割方法
CN108537773A (zh) * 2018-02-11 2018-09-14 中国科学院苏州生物医学工程技术研究所 针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法
CN108898152A (zh) * 2018-05-14 2018-11-27 浙江工业大学 一种基于多通道多分类器的胰腺囊性肿瘤ct图像分类方法
CN109242844A (zh) * 2018-09-04 2019-01-18 青岛大学附属医院 基于深度学习的胰腺癌肿瘤自动识别系统、计算机设备、存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102122356A (zh) * 2011-03-16 2011-07-13 中国人民解放军第二军医大学 计算机辅助判别胰腺癌超声内镜图像的方法
US20180101953A1 (en) * 2016-07-25 2018-04-12 Sony Corporation Automatic 3d brain tumor segmentation and classification
CN108364294A (zh) * 2018-02-05 2018-08-03 西北大学 基于超像素的腹部ct图像多器官分割方法
CN108537773A (zh) * 2018-02-11 2018-09-14 中国科学院苏州生物医学工程技术研究所 针对胰腺癌与胰腺炎性疾病进行智能辅助鉴别的方法
CN108898152A (zh) * 2018-05-14 2018-11-27 浙江工业大学 一种基于多通道多分类器的胰腺囊性肿瘤ct图像分类方法
CN109242844A (zh) * 2018-09-04 2019-01-18 青岛大学附属医院 基于深度学习的胰腺癌肿瘤自动识别系统、计算机设备、存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐科，周鹏: "《金属表面质量在线检测技术》", 31 October 2016 *
邓超，李宝平，李兴旺，王小旗: "《数字图像处理与模式识别研究》", 30 June 2018, 地质出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110837844A (zh) * 2019-09-26 2020-02-25 浙江工业大学 基于ct图像不相似性特征的胰腺囊性肿瘤良恶性分类方法
CN112037231A (zh) * 2020-07-30 2020-12-04 浙江大学 基于特征分类器的医学影像肝脏分割后处理方法
CN113077001A (zh) * 2021-04-07 2021-07-06 西南大学 一种基于生成型张量网络的医学图像分类系统

Similar Documents

Publication Publication Date Title
Abdelrahman et al. Convolutional neural networks for breast cancer detection in mammography: A survey
Das et al. Deep learning architecture based on segmented fundus image features for classification of diabetic retinopathy
CN110188788A (zh) 基于放射组学特征的胰腺囊性肿瘤ct图像的分类方法
Bruno et al. A novel solution based on scale invariant feature transform descriptors and deep learning for the detection of suspicious regions in mammogram images
Nagarajan et al. Feature extraction based on empirical mode decomposition for automatic mass classification of mammogram images
Luo et al. Classification of tumor in one single ultrasound image via a novel multi-view learning strategy
Safdarian et al. Detection and classification of breast cancer in mammography images using pattern recognition methods
Chanda et al. Detection and classification technique of breast cancer using multi Kernal SVM classifier approach
Zhou et al. Deep learning-based breast region extraction of mammographic images combining pre-processing methods and semantic segmentation supported by Deeplab v3+
Behara et al. Artificial intelligence in medical diagnostics: A review from a South African context
CN107590806B (zh) 一种基于大脑医学成像的检测方法和系统
CN113380401A (zh) 基于超声图像的乳腺肿瘤良恶性分类方法、装置和介质
Midya et al. Edge weighted local texture features for the categorization of mammographic masses
Wu et al. Automatic skin lesion segmentation based on supervised learning
Wei et al. Multi-feature fusion for ultrasound breast image classification of benign and malignant
CN110837844A (zh) 基于ct图像不相似性特征的胰腺囊性肿瘤良恶性分类方法
Pelluet et al. Multi-scale graph neural networks for mammography classification and abnormality detection
KR102373992B1 (ko) 질감 특징을 이용한 알츠하이머 병 분류 방법 및 장치
Angkoso et al. Multi-features fusion in multi-plane MRI images for Alzheimer’s disease classification
Vaidehi et al. An intelligent content based image retrieval system for mammogram image analysis
CN110176298B (zh) 用于糖尿病性眼底图像分类的核主成分谱哈希方法
Kalaiselvi et al. Knowledge based self initializing FCM algorithms for fast segmentation of brain tissues in magnetic resonance images
Selvi et al. Multikernel Support Vector Machine with GLCM For Truthful Brain Signal Classification of Magnetic Resonance Imaging
Mohammed A proposed alzheimer’s disease diagnosing system based on clustering and segmentation techniques
Anisa et al. Automatic Identification of Cancer Affect in Lungs Using Machine Learning Algorithm

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: 20190830