CN110837844A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110837844A
CN110837844A CN201910933433.5A CN201910933433A CN110837844A CN 110837844 A CN110837844 A CN 110837844A CN 201910933433 A CN201910933433 A CN 201910933433A CN 110837844 A CN110837844 A CN 110837844A
Authority
CN
China
Prior art keywords
dissimilarity
feature
image
matrix
pancreatic cystic
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
CN201910933433.5A
Other languages
English (en)
Inventor
管秋
袁梦依
楼海燕
徐新黎
胡海根
苗林涛
亚历山大·弗兰吉
陈�峰
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 CN201910933433.5A priority Critical patent/CN110837844A/zh
Publication of CN110837844A publication Critical patent/CN110837844A/zh
Pending legal-status Critical Current

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
    • G06V10/20—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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

一种基于CT图像不相似性特征的胰腺囊性肿瘤良恶性分类方法，包括如下步骤：1)图像采集；2)感兴趣区域获取：通过计算机的人机交互进行手动分割，得到胰腺囊性肿瘤的ROI区域；3)特征提取：提取胰腺囊性肿瘤CT图像三种类型的特征；4)特征量化：基于随机森林，分别根据特征类型构建对应的特征子空间的不相似度矩阵；然后，利用不同特征子空间的不相似性矩阵之间存在的隐性关联，采用叠加取平均的方法来有效构建所有不同类型的特征构成的联合相异矩阵；5)用支持向量机进行分类：联合相异矩阵作为疾病分析的综合特征输给SVM分类器，完成患者肿瘤图像的良恶性分类。本发明准确率较高。

Description

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
技术领域
本发明属于医学图像处理领域，具体涉及一种基于CT图像不相似性特征的胰腺囊性肿瘤良恶性分类方法。
背景技术
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。胰腺囊性肿瘤中的浆液性囊性和黏液性囊性肿瘤在临床表征和CT图像上具有很高相似度，同时由于胰腺囊性肿瘤的CT图像在表现形式上存在多样性和异质性，因此在临床诊断中通常需要结合多种不同类型的特征信息来全面地量化和综合分析，以提高诊断的客观性和可靠性。
Radiomics技术旨在从医学图像中提取高通量特征，同时借助计算机的强大计算能力来辅助医生全面量化分析疾病类型。，提高诊断的准确率。
存在的技术缺陷为：图像的多样性和异质性导致了疾病分类的准确率比较低。
发明内容
为了克服现有的胰腺囊性肿瘤图像分类方法的准确率较低的不足，为了削弱图像的多样性和异质性对分类准确率的影响，本发明提出了一种准确率较高的基于CT图像不相似性特征的胰腺囊性肿瘤良恶性分类方法。
本发明解决其技术问题所采用的技术方案是：
一种基于CT图像不相似性特征的胰腺囊性肿瘤良恶性分类方法，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：通过计算机的人机交互进行手动分割，得到胰腺囊性肿瘤的ROI区域；
3)特征提取：提取胰腺囊性肿瘤CT图像三种类型的特征，如下：
3.1)强度特征是对CT图像中的每一个像素的进行直方图统计，获取平均值和方差特征；
3.2)形状特征是描述肿瘤几何形状的定量特征；
3.3)纹理结构特征描述图像或图像区域所对应景物的表面性质；
4)特征量化：基于随机森林，分别根据特征类型构建对应的特征子空间的不相似度矩阵；然后，利用不同特征子空间的不相似性矩阵之间存在的隐性关联，采用叠加取平均的方法来有效构建所有不同类型的特征构成的联合相异矩阵；
5)用支持向量机进行分类：联合相异矩阵作为疾病分析的综合特征输给SVM分类器，完成患者肿瘤图像的良恶性分类。
本发明的技术构思为：该方法提出了一种基于不相似度性的图像特征综合分析方法，该方法可以将不同尺度和空间的Radiomics高通量特征映射到统一的特征空间进行综合分析，有效地提高分类的准确性。
本发明的有益效果主要表现在：1、不同尺度和空间的Radiomics高通量特征映射到统一的特征空间；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CT图像不相似性特征的胰腺囊性肿瘤良恶性分类的流程图。
图3是胰腺囊性肿瘤感兴趣区域获取的示意图，其中，图3(a)胰腺囊性肿瘤良性切片，图3(b)是其手动分割示意图，图3(c)是其感兴趣区域，图3(d)胰腺囊性肿瘤恶性切片，图3(e)是其手动分割示意图，图3(f)是其感兴趣区域。
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3，一种基于CT图像不相似性特征的胰腺囊性肿瘤良恶性分类方法，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：通过手动分割，得到胰腺囊性肿瘤，与医生确认分割是否正确，如图3(b)(d)；
3)特征提取，过程如下：
步骤2)中所提到感兴趣区域，如图3(c)(d)进行处理；
3.1)提取强度直方图中平均值、方差、对比度和熵等特征；
3.2)形状特征都是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、周长和不变矩等特征；
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，如灰度矩阵中能量、熵、惯性矩、相关性、均匀度、残差、均值和标准差等，灰度游程矩阵、Gabor小波的均值、对比度和熵等特征。
4)特征量化
通过利用每个特征中包含的补充信息来生成更好的数据表示。因为不同的特征类型可能具有不同数量的特征，不同的特征类型，并且不能直接比较；在一些不同的空间中投影数据的每种特征类型可以提供该问题的智能解决方案，相同的特征类型，相同的特征空间大小；让T＝{(X1,y1),(X2,y2),…,(Xn,yn)}T表示由N个Xi组成的训练集，每个实例用其真实类yi标记，表示χ在Xi的域中，相异度度量d是来自的函数χ2至R+估计两个实例有多么不同，对于两个给定的实例Xi和Xj，高值d(Xi,Yj)相似度意味着两个实例非常“不同”，与之相反，低值d(Xi,Yj)意味着它们是非常相似，特别是，对于分类问题，预期来自同一类的两个实例之间的不相似性较小，反之，来自两个不同类的两个实例之间的不相似度预期较高；
D表示N×N矩阵，称为差异矩阵，由给定的相异度度量d和训练集T构建，并且如下定义：
Figure BDA0002220872690000041
其中dij表示d(Xi,Xj)，对于所有(Xi,Xj)∈T×T；
其中hk(X)是使用随机特征选择生长的随机树。RFD度量DH被从RF分类器推断H，从T训练集中学习，定义由决策树d(k)推断的相异性度量：让Lk表示第k个树的叶子集合，让lk(X)表示从χ到Lk的函数，它返回第k个树的叶节点，当想要预测它的类时，给定实例X着陆，由随机森林中的第k个树推断的相异性度量d(k)定义为等式(2)：如果两个训练实例Xi和Xj落在第k个树的同一叶子中，则两个实例之间的相异性设置为0，否则设置为1；
Figure BDA0002220872690000051
Xi和Xj之间的RFD测量d(H)(Xi,Xj)在于计算森林中每棵树的d(k)，并且在M树上平均得到的相异度值：
融合不相似矩阵的一种自然方法是计算未加权平均矩阵，对于多特征学习任务，训练集T由M特征种类组成；
Figure BDA0002220872690000053
从这些特征种类中，不相似度矩阵在等式(1)中计算每种特征种类的不相似度
Figure BDA0002220872690000054
对于多特征学习，如式(4)中计算联合相异度矩阵DH
Figure BDA0002220872690000055
5)用支持向量机进行分类
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(Hilbertspace)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(χ)+b＝0
式中φ：χ→H为映射函数，由于映射函数通常是复杂的非线性函数，因此其内积的计算是困难的，此时可采用核技巧方法(kernel method)，即将内积的计算转化为核函数(kernel function)值的计算，其中核函数K(x，y)的定义如下：
K(x，y)＝φ(x)Tφ(y)
其中，x和y为n维的输入值，x＝{x1,x2,…,xn}，y＝{y1,y2,…,yn}。
同时，对于输入空间的任意向量的核函数对应的Gram矩阵为半正定矩阵。
此时，将由不相似矩阵构成的高维联合特征向量输入基于核函数的支持向量机进行分类，可以得到更为准确的分类结果。

Claims (3)

1.一种基于CT图像不相似性特征的胰腺囊性肿瘤良恶性分类方法，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：通过计算机的人机交互进行手动分割，得到胰腺囊性肿瘤的ROI区域；
3)特征提取：提取胰腺囊性肿瘤CT图像三种类型的特征，如下：
3.1)强度特征是对CT图像中的每一个像素的进行直方图统计，获取平均值和方差特征；
3.2)形状特征是描述肿瘤几何形状的定量特征；
3.3)纹理结构特征描述图像或图像区域所对应景物的表面性质；
4)特征量化：基于随机森林，分别根据特征类型构建对应的特征子空间的不相似度矩阵；然后，利用不同特征子空间的不相似性矩阵之间存在的隐性关联，采用叠加取平均的方法来有效构建所有不同类型的特征构成的联合相异矩阵；
5)用支持向量机进行分类：联合相异矩阵作为疾病分析的综合特征输给SVM分类器，完成患者肿瘤图像的良恶性分类。
2.如权利要求1所述的一种基于CT图像不相似性特征的胰腺囊性肿瘤良恶性分类方法，其特征在于，所述步骤4)中，T＝{(X1,y1),(X2,y2),…,(Xn,yn)}，T表示由N个Xi组成的训练集，每个实例用其真实类yi标记。表示χ在Xi的域中，相异度度量d是来自的函数χ2至R+估计两个实例有多么不同；对于两个给定的实例Xi和Xj，高值d(Xi,Yj)相似度意味着两个实例非常“不同”，与之相反，低值d(Xi,Yj)意味着它们是非常相似；对于分类问题，预期来自同一类的两个实例之间的不相似性较小，反之，来自两个不同类的两个实例之间的不相似度预期较高；
D表示N×N矩阵，称为差异矩阵，由给定的相异度度量d和训练集T构建，并且如下定义：
Figure FDA0002220872680000011
其中dij表示d(Xi,Xj)，对于所有(Xi,Xj)∈T×T；
其中hk(X)是使用随机特征选择生长的随机树，RFD度量DH被从RF分类器推断H，从T训练集中学习，定义由决策树d(k)推断的相异性度量：让Lk表示第k个树的叶子集合，让lk(X)表示从χ到Lk的函数，它返回第k个树的叶节点，当想要预测它的类时，给定实例X着陆，由随机森林中的第k个树推断的相异性度量d(k)定义为等式(2)：如果两个训练实例Xi和Xj落在第k个树的同一叶子中，则两个实例之间的相异性设置为0，否则设置为1；
Figure FDA0002220872680000021
Xi和Xj之间的RFD测量d(H)(Xi,Xj)在于计算森林中每棵树的d(k)，并且在M树上平均得到的相异度值：
Figure FDA0002220872680000022
融合不相似矩阵的一种自然方法是计算未加权平均矩阵，对于多特征学习任务，训练集T由M特征种类组成；
Figure FDA0002220872680000023
从这些特征种类中，不相似度矩阵在等式(1)中计算每种特征种类的不相似度
Figure FDA0002220872680000024
对于多特征学习，如式(4)中计算联合相异度矩阵DH
Figure FDA0002220872680000025
3.如权利要求1或2所述的一种基于CT图像不相似性特征的胰腺囊性肿瘤良恶性分类方法，其特征在于，所述步骤5)中，使用非线性函数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(χ)+b＝0
式中φ:
Figure FDA0002220872680000026
为映射函数，由于映射函数通常是复杂的非线性函数，将内积的计算转化为核函数值的计算，其中核函数K(x,y)的定义如下：
K(x,y)＝φ(x)Tφ(y)
其中，x和y为n维的输入值，x＝{x1,x2,…,xn}，y＝{y1,y2,…,yn}，同时，对于输入空间的任意向量的核函数对应的Gram矩阵为半正定矩阵；
此时，将由不相似矩阵构成的高维联合特征向量输入基于核函数的支持向量机进行分类，得到更为准确的分类结果。
CN201910933433.5A 2019-09-26 2019-09-26 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 Pending CN110837844A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910933433.5A CN110837844A (zh) 2019-09-26 2019-09-26 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910933433.5A CN110837844A (zh) 2019-09-26 2019-09-26 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

Publications (1)

Publication Number Publication Date
CN110837844A true CN110837844A (zh) 2020-02-25

Family

ID=69574692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910933433.5A Pending CN110837844A (zh) 2019-09-26 2019-09-26 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

Country Status (1)

Country Link
CN (1) CN110837844A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2022116914A1 (en) * 2020-12-03 2022-06-09 Ping An Technology (Shenzhen) Co., Ltd. Method, device, and storage medium for pancreatic mass segmentation, diagnosis, and quantitative patient management

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080025591A1 (en) * 2006-07-27 2008-01-31 International Business Machines Corporation Method and system for robust classification strategy for cancer detection from mass spectrometry data
US20180025488A1 (en) * 2016-07-25 2018-01-25 Sony Corporation Automatic 3d brain tumor segmentation and classification
CN107748889A (zh) * 2017-10-16 2018-03-02 高东平 一种乳腺肿瘤超声图像自动分类方法
CN110188788A (zh) * 2019-04-15 2019-08-30 浙江工业大学 基于放射组学特征的胰腺囊性肿瘤ct图像的分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080025591A1 (en) * 2006-07-27 2008-01-31 International Business Machines Corporation Method and system for robust classification strategy for cancer detection from mass spectrometry data
US20180025488A1 (en) * 2016-07-25 2018-01-25 Sony Corporation Automatic 3d brain tumor segmentation and classification
CN107748889A (zh) * 2017-10-16 2018-03-02 高东平 一种乳腺肿瘤超声图像自动分类方法
CN110188788A (zh) * 2019-04-15 2019-08-30 浙江工业大学 基于放射组学特征的胰腺囊性肿瘤ct图像的分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HONGLIU CAO ET AL.: "Random forest dissimilarity based multi-view learning for Radiomics application", 《PATTERN RECOGNITION》 *
赵爽 等: "基于病理图像颜色和纹理特征对乳腺良恶性肿瘤的鉴别诊断", 《实用医药杂志》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2022116914A1 (en) * 2020-12-03 2022-06-09 Ping An Technology (Shenzhen) Co., Ltd. Method, device, and storage medium for pancreatic mass segmentation, diagnosis, and quantitative patient management

Similar Documents

Publication Publication Date Title
US11730387B2 (en) Method for detection and diagnosis of lung and pancreatic cancers from imaging scans
Khan et al. Lungs nodule detection framework from computed tomography images using support vector machine
Spampinato et al. Deep learning for automated skeletal bone age assessment in X-ray images
Choi et al. Genetic programming-based feature transform and classification for the automatic detection of pulmonary nodules on computed tomography images
Yousef et al. A holistic overview of deep learning approach in medical imaging
Dong et al. Learning to read chest X-ray images from 16000+ examples using CNN
Buty et al. Characterization of lung nodule malignancy using hybrid shape and appearance features
US9256941B2 (en) Microcalcification detection and classification in radiographic images
RU2477524C2 (ru) Способы выбора признаков, использующие основанные на группе классификаторов генетические алгоритмы
US9123095B2 (en) Method for increasing the robustness of computer-aided diagnosis to image processing uncertainties
Shao et al. A detection approach for solitary pulmonary nodules based on CT images
Yu et al. An automatic computer-aided detection scheme for pneumoconiosis on digital chest radiographs
Orozco et al. Lung nodule classification in CT thorax images using support vector machines
Kumarganesh et al. An enhanced medical diagnosis sustainable system for brain tumor detection and segmentation using ANFIS classifier
Bagaria et al. Bone fractures detection using support vector machine and error backpropagation neural network
Liu et al. Extracting lungs from CT images via deep convolutional neural network based segmentation and two-pass contour refinement
Ketabi et al. A computer-aided approach for automatic detection of breast masses in digital mammogram via spectral clustering and support vector machine
Anji Reddy et al. Breast cancer identification and diagnosis techniques
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
Carrillo-de-Gea et al. A computer-aided detection system for digital chest radiographs
GÜRAKSIN et al. Bone age determination in young children (newborn to 6 years old) using support vector machines
Malik et al. Lung cancer detection at initial stage by using image processing and classification techniques
Sharma et al. Roi segmentation using local binary image
Malathi et al. Active contour based segmentation and classification for pleura diseases based on Otsu’s thresholding and support vector machine (SVM)
Rehman et al. Diverse and discrimintative features based breast cancer detection using digital mammography

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: 20200225