CN111695644B - 基于光密度变换的肿瘤超声图像分类方法、装置及介质 - Google Patents

基于光密度变换的肿瘤超声图像分类方法、装置及介质 Download PDF

Info

Publication number
CN111695644B
CN111695644B CN202010794509.3A CN202010794509A CN111695644B CN 111695644 B CN111695644 B CN 111695644B CN 202010794509 A CN202010794509 A CN 202010794509A CN 111695644 B CN111695644 B CN 111695644B
Authority
CN
China
Prior art keywords
optical density
tumor
image
region
interest
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
CN202010794509.3A
Other languages
English (en)
Other versions
CN111695644A (zh
Inventor
杜永兆
魏梦婉
柳培忠
苏淇琛
朱建清
郭明辉
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.)
Quanzhou Huagong Intelligent Technology Co ltd
Second Affiliated Hospital Of Fujian Medical University
Huaqiao University
Original Assignee
Quanzhou Huagong Intelligent Technology Co ltd
Second Affiliated Hospital Of Fujian Medical University
Huaqiao 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 Quanzhou Huagong Intelligent Technology Co ltd, Second Affiliated Hospital Of Fujian Medical University, Huaqiao University filed Critical Quanzhou Huagong Intelligent Technology Co ltd
Priority to CN202010794509.3A priority Critical patent/CN111695644B/zh
Publication of CN111695644A publication Critical patent/CN111695644A/zh
Application granted granted Critical
Publication of CN111695644B publication Critical patent/CN111695644B/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
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明实施例公开了一种基于光密度变换的肿瘤超声图像分类方法、装置及介质，包括：步骤10、对带有分类标签的原始肿瘤超声图像进行预处理，得到预处理图像；步骤20、获取预处理图像中的感兴趣区域；步骤30、对所述感兴趣区域做两种处理分别得到纹理特征向量和形态特征向量；步骤40、将纹理特征向量进行降维处理，然后分别和对应的形态特征向量进行特征融合，得到融合向量数据；步骤50、利用分类器对一定数量的融合向量数据进行学习，得到肿瘤分类模型；步骤60、将待分类肿瘤超声图像输入肿瘤分类模型，得到分类结果。本发明公开的方法能够有效提升超声图像肿瘤良恶性预测的准确性和鲁棒性，为医生对肿瘤进行诊断提供参考，提升了医生的诊断效率。

Description

基于光密度变换的肿瘤超声图像分类方法、装置及介质
技术领域
本发明涉及医学图像处理技术领域，特别涉及一种基于光密度变换的肿瘤超声图像分类方法、装置及介质。
背景技术
癌症是世界范围内威胁人类健康最重要的疾病之一。根据世界卫生组织的统计数据显示，癌症的发病率一直呈上升趋势，早期发现、早期诊断和早期治疗是提高癌症治愈率和降低死亡率的关键。超声影像技术因其通用性、安全性和高灵敏性而被广泛应用于肿瘤的检测中，已被公认为是普遍而有效的肿瘤良恶性筛查诊断工具，在临床实践中应用主要包括胰腺超声、乳腺超声、肝脏超声、心脏超声以及肾脏超声等。
超声是诊断肿瘤首选的影像学检查和术前评估方法，然而正确的解读超声图像需要医生具备较高的技术和临床经验。在目前的超声诊断过程中，人工分析图像是耗时且主观的。不同放射科医师的临床经验和知识水平对诊断结果有很大的影响，容易导致误诊漏诊或诊断结果不一致，而且部分无法直接通过影像结果确诊的患者需要进行活检，但活检是一种侵入性检查，并且大部分检查结果是良性的，这无疑将给患者的生理和心理带来巨大的伤害。同时，超声图像目前的成像方式，存在散斑噪声大和对比度低的缺点，导致图像的前景和背景区分度不高，这也加大了医生的诊断难度。自动的肿瘤计算机辅助诊断(CAD)技术可以从超声图像中检测出人眼无法获取的信息，如纹理信息、灰阶量化、边缘信息等，给医生提供可靠的辅助诊断意见。因此，CAD方法不仅能提高超声图像肿瘤检测的准确性和客观性，又有利于缓解医生的工作负荷，减少误诊漏诊，同时也为病人降低了活检率，减轻痛苦。
近年来，利用计算机辅助诊断方法实现肿瘤超声图像自动分类获得了广泛的关注。超声图像目前的成像方式会导致图像背景和前景区分度小，灰度高且近，很难分辨出超声图像中灰度相似区域的差异。目前大部分研究没有重视图像背景和前景区分度低的问题，且仅研究单类特征或直接将两类特征进行融合，容易忽略重要肿瘤信息，造成对肿瘤超声图像的自动分类不准确。
发明内容
本发明要解决的技术问题，在于提供一种基于光密度变换的肿瘤超声图像分类方法、装置及介质，通过对肿瘤超声图像进行光密度变换，以及将降维的纹理特征进行与形态特征进行融合，实现更准确地对肿瘤超声图像进行自动分类。
第一方面，本发明提供了一种基于光密度变换的肿瘤超声图像分类方法，包括：
步骤10、对带有分类标签的原始肿瘤超声图像进行预处理，得到预处理图像；
步骤20、获取预处理图像中的感兴趣区域；
步骤30、对所述感兴趣区域做以下两种处理：
第一种处理：对所述感兴趣区域进行光密度变换得到光密度图像，接着对所述光密度图像提取纹理特征，然后进行归一化操作，得到纹理特征向量；
第二种处理：对所述感兴趣区域提取形态特征，然后归一化所述形态特征，得到形态特征向量；
步骤40、将纹理特征向量和形态特征向量进行特征融合，得到融合向量数据；
步骤50、利用分类器对一定数量的融合向量数据进行学习，得到肿瘤分类模型；
步骤60、将待分类肿瘤超声图像输入肿瘤分类模型，得到分类结果。
进一步的，所述步骤10中，所述分类标签包括恶性肿瘤和良性肿瘤，所述预处理包括去除超声图像四周文字以及个人信息、降低散斑噪声和对比度增强。
进一步的，所述步骤20进一步具体为：获取预处理图像中由医生指定的区域，作为感兴趣区域。
进一步的，所述步骤30中，所述“对所述感兴趣区域进行光密度变换得到光密度图像”进一步具体为：
计算所述感兴趣区域中每个像素的灰度值的光密度值，公式如下：
Figure BDA0002625036780000031
其中，ODij是光密度值，Iij是像素的灰度值，Io是背景平均灰度值；
通过线性变换将光密度值映射到[0，255]范围内，使光密度值转换为8位深度信息图像，得到光密度图像。
进一步的，所述步骤30中，所述纹理特征包括多块光密度图像局部二值模式以及光密度图像共生矩阵。
进一步的，所述步骤30中，所述“对所述感兴趣区域提取形态特征”进一步包括：
获取医生手动提取的肿瘤形态轮廓；
根据所述肿瘤形态轮廓提取形态特征，所述形态特征包括紧致度、椭圆紧致度、椭圆长短轴之比、径向距离谱参数、肿瘤周长与凸周长之比、肿瘤最大直径与最小直径之比以及肿瘤的外接矩阵的宽度与长度之比。
进一步的，所述步骤40中，所述将纹理特征进行降维处理，包括：
步骤41、获取n张超声图像的m维纹理特征向量组成纹理特征矩阵Xm×n，求纹理特征矩阵中每个m维纹理特征向量的均值，然后将所有m维纹理特征向量分别减去其对应的均值，得到去平均值后的纹理特征矩阵；
步骤42、计算去平均值后的纹理特征矩阵的协方差矩阵；
步骤43、对角化协方差矩阵的特征值和特征向量，使得除对角线外，其它元素为0，将能量归于主要方向；
步骤44、按特征值的大小对特征向量进行排序；
步骤45、保留最大的前ω个特征值；
步骤46、将纹理特征矩阵中的数据转换到特征向量构建的新空间中，得到降维后的n个纹理特征向量。
第二方面，本发明提供了一种基于光密度变换的肿瘤超声图像分类装置，包括：预处理模块、ROI获取模块、向量提取模块、向量融合模块、学习模块以及分类模块；
所述预处理模块，用于对带有分类标签的原始肿瘤超声图像进行预处理，得到预处理图像；
所述ROI获取模块，用于获取预处理图像中的感兴趣区域；
所述向量提取模块，用于对所述感兴趣区域做以下两种处理：
第一种处理：对所述感兴趣区域进行光密度变换得到光密度图像，接着对所述光密度图像提取纹理特征，然后进行归一化操作，得到纹理特征向量；
第二种处理：对所述感兴趣区域提取形态特征，然后归一化所述形态特征，得到形态特征向量；
所述向量融合模块，用于将纹理特征向量进行降维处理，然后分别和对应的形态特征向量进行特征融合，得到融合向量数据；
所述学习模块，用于利用分类器对一定数量的融合向量数据进行学习，得到肿瘤分类模型；
所述分类模块，用于将待分类肿瘤超声图像输入肿瘤分类模型，得到分类结果。
第三方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的方法。
本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
1、通过对肿瘤超声图像的指定感兴趣区域进行光密度变换，改善了超声图像背景和前景区分度小，灰度高且近，很难分辨出超声图像中灰度相似区域的差异的问题，实现在正常组织强度的基础上增强灰度差，增强对可疑区域形状的描述；
2、通过将纹理特征降维再和形态特征融合，避免维度过高的纹理特征掩盖维度较低的形态特征，从而使分类模型能够更好地学习到肿瘤的形态特征；
3、能够有效提升超声图像肿瘤良恶性预测的准确性和鲁棒性，帮助医生提高肿瘤良恶性的诊断的精确性，降低因主观因素导致的误诊漏诊，同时提升了医生的诊断效率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明实施例一方法的流程图；
图2为本发明实施例二装置的结构示意图；
图3为本发明实施例三介质的结构示意图；
图4为本发明另一实施例方法的流程图；
图5为本发明另一实施例中超声图像预处理示意图；
图6为本发明另一实施例中肿瘤轮廓手动提取示意图。
具体实施方式
本申请实施例中的技术方案，总体思路如下：
本发明提出了基于光密度变换的肿瘤超声图像分类方法、装置及介质，由于肿瘤的边缘亮度总是接近于正常组织，因此特别关注靠近正常组织强度的灰度差。通过将灰度图像转化为光密度图像，实现在正常组织强度的基础上增强灰度差，增强对可疑区域形状的描述；同时通过归一化特征向量和降低纹理特征的维度，将提取的纹理特征和形态特征有效融合，一定程度上提高了肿瘤超声图像分类的准确率，为医生提供更精确的诊断参考。
实施例一
本发明提供了一种基于光密度变换的肿瘤超声图像分类方法，如图1所示，包括：
步骤10、对带有分类标签的原始肿瘤超声图像进行预处理，得到预处理图像；
在一种可能的实现方式中，所述分类标签包括恶性肿瘤和良性肿瘤，所述预处理包括去除超声图像四周文字以及个人信息、降低散斑噪声和对比度增强。
步骤20、获取预处理图像中的感兴趣区域(ROI)；
在一种可能的实现方式中，获取预处理图像中由医生指定的区域，作为感兴趣区域。
通过获取医生指定的感兴趣区域，可以精准地对可疑区域进行处理，且减少了对无效数据处理造成的计算资源消耗。
步骤30、对所述感兴趣区域做以下两种处理：
第一种处理：对所述感兴趣区域进行光密度变换得到光密度图像，接着对所述光密度图像提取纹理特征，然后进行归一化操作，得到纹理特征向量；
在一种可能的实现方式中，所述“对所述感兴趣区域进行光密度变换得到光密度图像”进一步具体为：
计算所述感兴趣区域中每个像素的灰度值的光密度值，公式如下：
Figure BDA0002625036780000061
其中，ODij是光密度值，Iij是像素的灰度值，Io是背景平均灰度值；
通过线性变换将光密度值映射到[0，255]范围内，使光密度值转换为8位深度信息图像，得到光密度图像。
在一种可能的实现方式中，所述纹理特征包括多块光密度图像局部二值模式以及光密度图像共生矩阵。
第二种处理：对所述感兴趣区域提取形态特征，然后归一化所述形态特征，得到形态特征向量；
在一种可能的实现方式中，所述“对所述感兴趣区域提取形态特征”进一步包括：
获取医生手动提取的肿瘤形态轮廓；
根据所述肿瘤形态轮廓提取形态特征，所述形态特征包括紧致度、椭圆紧致度、椭圆长短轴之比、径向距离谱参数、肿瘤周长与凸周长之比、肿瘤最大直径与最小直径之比以及肿瘤的外接矩阵的宽度与长度之比。
步骤40、将纹理特征向量进行降维处理，然后分别和对应的形态特征向量进行特征融合，得到融合向量数据；
在一种可能的实现方式中，所述步骤40中，所述将纹理特征向量进行降维处理，采用主成分分析(PCA)法，包括：
步骤41、获取n张超声图像的m维纹理特征向量组成纹理特征矩阵Xm×n，求纹理特征矩阵中每个m维纹理特征向量的均值，然后将所有m维纹理特征向量分别减去其对应的均值，得到去平均值后的纹理特征矩阵；
步骤42、计算去平均值后的纹理特征矩阵的协方差矩阵；
步骤43、对角化协方差矩阵的特征值和特征向量，使得除对角线外，其它元素为0，将能量归于主要方向；
步骤44、按特征值的大小对特征向量进行排序；
步骤45、保留最大的前ω个特征值(ω<m)；
步骤46、将纹理特征矩阵中的数据转换到特征向量构建的新空间中，得到降维后的n个纹理特征向量。
PCA是一种分析和简化数据集的技术。它通常是用来减少一个数据集的维度，同时保持最有助于方差的特征在一个数据集。在本实施例中利用PCA对纹理特征向量矩阵进行降维，在降低维度的同时保留最有效的特征向量。
步骤50、利用分类器对一定数量的融合向量数据进行学习，得到肿瘤分类模型；
步骤60、将待分类肿瘤超声图像输入肿瘤分类模型，得到分类结果。
通过对肿瘤超声图像的指定感兴趣区域进行光密度变换，改善了超声图像背景和前景区分度小，灰度高且近，很难分辨出超声图像中灰度相似区域的差异的问题，实现在正常组织强度的基础上增强灰度差，增强对可疑区域形状的描述；通过将纹理特征降维再和形态特征融合，避免维度过高的纹理特征掩盖维度较低的形态特征，从而使分类模型能够更好地学习到肿瘤的形态特征。
基于同一发明构思，本申请还提供了与实施例一中的方法对应的装置，详见实施例二。
实施例二
本发明提供了一种基于光密度变换的肿瘤超声图像分类装置，如图2所示，包括：预处理模块、ROI获取模块、向量提取模块、向量融合模块、学习模块以及分类模块；
所述预处理模块，用于对带有分类标签的原始肿瘤超声图像进行预处理，得到预处理图像；
所述ROI获取模块，用于获取预处理图像中的感兴趣区域(ROI)；
所述向量提取模块，用于对所述感兴趣区域做以下两种处理：
第一种处理：对所述感兴趣区域进行光密度变换得到光密度图像，接着对所述光密度图像提取纹理特征，然后进行归一化操作，得到纹理特征向量；
第二种处理：对所述感兴趣区域提取形态特征，然后归一化所述形态特征，得到形态特征向量；
所述向量融合模块，用于将纹理特征向量进行降维处理，然后分别和对应的形态特征向量进行特征融合，得到融合向量数据；
所述学习模块，用于利用分类器对一定数量的融合向量数据进行学习，得到肿瘤分类模型；
所述分类模块，用于将待分类肿瘤超声图像输入肿瘤分类模型，得到分类结果。
由于本发明实施例二所介绍的装置，为实施本发明实施例一的方法所采用的装置，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该装置的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的装置都属于本发明所欲保护的范围。
基于同一发明构思，本申请提供了实施例一对应的存储介质，详见实施例三。
实施例三
本发明提供了一种计算机可读存储介质，如图3所示，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的方法。
实施例四
本实施例提供一种基于光密度变换的肿瘤超声图像分类方法，具体用于对乳腺肿瘤超声图像的良恶性进行分类，如图4所示，包括如下步骤：
步骤1、对带有分类标签的原始肿瘤超声图像进行预处理，得到预处理图像；
在本实施例中，带有分类标签的原始肿瘤超声图像包括恶性乳腺肿瘤超声图像以及良性乳腺肿瘤超声图像，对带有分类标签的原始的乳腺肿瘤超声图像进行预处理包括以下几个方面的处理：
首先，运用形态学掩模去除超声图像四周文字/病患姓名/个人隐私等信息，例如对超声图像右侧边缘检测的掩模表示如下：
Figure BDA0002625036780000091
将该形态学掩模与原始图像做卷积，则在原始超声图像右侧边缘处，得到的卷积结果最大，取出该最大值所在列，筛选得到右侧边缘，左侧、上侧、下侧边缘同理可得。
其次，运用斑点抑制各向异性扩散(SRAD)滤波，在保持主要肿瘤形态信息的前提下，抑制斑点噪声引起的局部纹理细节变化，消除超声图像数字化过程中混合的噪声，滤波中扩散系数及边缘检测算子为：
Figure BDA0002625036780000092
Figure BDA0002625036780000101
Figure BDA0002625036780000102
其中，c(i,j,t)为扩散系数，
Figure BDA0002625036780000103
为梯度算子，q(i,j,t)为边缘检测算子，q0(t)为t时刻的扩散门限值，var[z(t)]为迭代次数为t时某均匀区域内灰度的方差，
Figure BDA0002625036780000104
为迭代次数为t时某均匀区域内灰度的均值。
最后，利用直方图均衡化法，根据图像灰度值计算灰度概率密度函数和累积概率分布函数，然后将累积概率分布函数归一化到原始灰度值范围，得到灰度转换函数。该方法将原始乳腺超声图像的灰度直方图从相对密集的区间调整为在全灰度范围内均匀分布，增强了图像的整体对比度。本实施例的预处理过程示意图如图5所示。
步骤2、获取预处理图像中的感兴趣区域；
在本实施例中，乳腺肿瘤区域为感兴趣区域，医生手动以方框的方式勾勒出超声乳腺肿瘤感兴趣区域，如图6所示。
通过获取医生指定的感兴趣区域，可以精准地对可疑病变区域进行处理，且减少了对无效数据处理造成的计算资源消耗。
步骤3、对所述感兴趣区域做以下两种处理：
第一种处理：对所述感兴趣区域进行光密度变换得到光密度图像，接着对所述光密度图像提取纹理特征，归一化所述纹理特征，然后对归一化的纹理特征降维，得到纹理特征向量；
光密度变换首先将超声图像灰度转化为光密度值，再通过线性映射得到8位深度信息图像即光密度图像。该变换能够放大灰度值之间的差异，以达到增强肿瘤区域的效果。
首先，计算超声图像中每个像素的灰度值的光密度值OD，OD值的计算方式如下：
Figure BDA0002625036780000105
其中，ODij是光密度值，Iij是像素的灰度值，Io是背景平均灰度值(背景是除ROI以外的区域的像素)。
其次，通过线性变换将光密度值转换为8位深度信息图像即光密度图像，所述线性变换具体方式为：将光密度值映射到[0，255]范围内，即最小光密度值映射为0，最大光密度值映射为255。
然后，对由乳腺肿瘤超声图像变换得到的乳腺肿瘤光密度图像提取纹理特征。在本实施例中，提取的纹理特征包括多块光密度局部二值模式(MB-ODLBP)和光密度共生矩阵(ODLCM)。
原始的ODLBP操作符被定义为一个3×3的窗口。假设窗口中心像素的坐标为(x，y)，将周围八个邻域像素的灰度值与中心像素的灰度值进行比较。如果值大于中心像素，则该素点标记为1；否则，像素点标记为0。最后，生成一个有序的8位二进制数(即256位小数)，用于反映局部区域的纹理信息。计算公式如下：
Figure BDA0002625036780000111
其中，s(x)为符号函数，ic为中心像素的灰度值，ip为邻域像素的灰度值。
MB-ODLBP特征基于ODLBP特征，将图像分成一个个小块(Block)，每个小块再分为一个个的小区域(cell)，小区域内的灰度平均值作为当前小区域的灰度值，与周围小区域灰度进行比较形成ODLBP特征，生成的特征称为MB-ODLBP，Block大小为3×3，cell的大小为1，就是原始的ODLBP特征。
ODLCM特征提取时，灰度级别设置为64。像素之间的距离调整在[1，10]的范围内，从四个方向(0，45，90，135)计算出具有一定距离的像素之间的关系。最后，从每张图像中得到40个不同的矩阵。基于ODLCM的纹理特征提取有14个具体参数。本实施例选择四个纹理特征：能量，对比，相关性和同质性。
接着，归一化纹理特征，归一化是利用离散标准化，对原始数据的线性变换，将数据值映射到[0，1]之间，具体计算方法如下：
Figure BDA0002625036780000121
其中，min为最小值，max为最大值。
第二种处理：对所述感兴趣区域提取形态特征，然后归一化所述形态特征，得到形态特征向量；
本实施例中，首先由医生手动提取超声图像中乳腺肿瘤病变的形态轮廓(如图6所示)，通过获取医生提取的形态轮廓，然后根据该形态轮廓提取紧致度、椭圆紧致度以及径向距离谱参数这三种肿瘤形态特征。
紧致度衡量乳腺肿瘤的形状与其拟合圆的相似程度，紧致度C的计算公式如下：
Figure BDA0002625036780000122
其中，A表示肿瘤的面积，D表示肿瘤的周长，r表示拟合圆的半径。
椭圆紧致度是拟合椭圆的周长与原肿瘤轮廓的周长之比，与肿瘤恶性程度呈负相关。椭圆拟合方法是对给定的一组肿瘤轮廓点进行椭圆拟合，使其尽可能地接近这些肿瘤轮廓点。一般以椭圆方程为模型拟合肿瘤的轮廓点，使某一椭圆方程尽可能满足这些点，得到椭圆方程的各参数。椭圆紧致度EC计算公式如下：
Figure BDA0002625036780000123
其中，a表示拟合椭圆的半长轴，b表示拟合椭圆的短半轴，D表示肿瘤轮廓的周长。
径向距离谱通过统计分析肿瘤边缘各点到肿瘤中心的径向距离来量化肿瘤边缘粗糙度的程度。本发明对得到的径向距离谱进行傅里叶变换，对其取对数，得到径向距离的对数振幅谱。最后，取对数振幅谱中谐波分量的均值和方差作为特征参数。径向距离计算公式如下：
Figure BDA0002625036780000124
式中，Pt(pt,qt)表示肿瘤边缘点坐标，(x0,y0)表示肿瘤中心的坐标。
步骤4、将纹理特征向量进行降维处理，然后分别和对应的形态特征向量进行特征融合，得到融合向量数据；
在本实施例中，对纹理特征进行降维处理使用的方法为主成分分析(PCA)法。PCA是一种分析和简化数据集的技术。它通常是用来减少一个数据集的维度，同时保持最有助于方差的特征在一个数据集。在这里利用PCA对纹理特征向量矩阵进行降维，在降低维度的同时保留最有效的特征向量。首先，对给定的样本空间Xm×n，计算协方差矩阵，矩阵的特征值和特征向量；最后，根据对应特征值的大小将特征向量从上到下按行排列成矩阵。前ω行组成的矩阵降维后的数据。具体而言，包含如下步骤：
①获取n张超声图像的m维纹理特征向量组成纹理特征矩阵Xm×n，求纹理特征矩阵中每个m维纹理特征向量的均值，然后将所有m维纹理特征向量分别减去其对应的均值，得到去平均值后的纹理特征矩阵；
②计算去平均值后的纹理特征矩阵的协方差矩阵；
③对角化协方差矩阵的特征值和特征向量，使得除对角线外，其它元素为0，将能量归于主要方向；
④按特征值的大小对特征向量进行排序；
⑤保留最大的前ω个特征值(ω<m)；
⑥将纹理特征矩阵中的数据转换到特征向量构建的新空间中，得到降维后的n个纹理特征向量。
在本实施例中，将处理后的纹理特征与对应的形态特征线性融合，即将同一张肿瘤超声图像的纹理特征向量和形态特征向量做串联，以便下一步分类器学习肿瘤特征。
步骤5、利用分类器对一定数量的融合向量数据进行学习，得到肿瘤分类模型；
利用分类器学习训练上述提取的乳腺肿瘤超声图像纹理特征和形态特征线性融合后的融合向量数据。本实施例中，所述采用支持向量机(SVM)算法对融合向量数据进行学习，当然也不局限于此算法，也可以采用其他机器学习算法，如：线性判别分析(LDA)、K最近邻(KNN)等。
SVM分类器是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解最大边距超平面，利用核函数进行非线性分类，将输入数据映射到高维空间，构造最优分离超平面。
步骤6、将待分类肿瘤超声图像输入肿瘤分类模型，得到分类结果。
将待分类肿瘤超声图像输入通过训练得到的模型，得到预测的乳腺肿瘤良恶性分类结果。
所述待分类肿瘤超声原始图像的处理步骤和前述带有分类标签的原始肿瘤超声图像的处理步骤类似，但其不带分类标签，而是通过处理后得到待分类肿瘤超声图像，然后输入肿瘤分类模型，由分类器对其进行分类，得到分类标签。
所述待分类肿瘤超声图像通过如下步骤得到：将待分类原始肿瘤超声图像进行预处理，然后获取感兴趣区域，对所述感兴趣区域进行光密度变换得到光密度图像，接着对所述光密度图像提取纹理特征，归一化所述纹理特征，然后对归一化的纹理特征降维，得到纹理特征向量；对所述感兴趣区域提取形态特征，然后归一化所述形态特征，得到形态特征向量；最后将纹理特征向量和形态特征向量进行特征融合得到待分类肿瘤超声图像。
本实施例中，共选用了1061张(472张良性及589张恶性)由专家挑选出的乳腺肿瘤超声图像来进行分类模型的训练和测试，其中训练集848张图像，测试集213张图像。最终测试得到的乳腺肿瘤良恶性分类准确率为88.26％，该结果比未进行光密度处理的分类准确率提高了0.94％，比单独学习纹理特征或形态特征的分类准确率分别提高了1.7％和11.38％，同时分类速度平均提高了30％。
可以理解的是，肿瘤超声图像的分类主要由纹理特征和形态特征确定，其关键在于通过将超声图像转换为光密度图像，有效地放大灰度值之间的差异，增强肿瘤区域，为后续的特征提取提供了较大的便利，且将形态特征和降维后的纹理特征线性融合使得分类器学习到更多的肿瘤信息，本实施例中对乳腺肿瘤超声图像分类，但其他超声图像肿瘤，如甲状腺等，也可以采用本发明提供的基于光密度变换与特征融合的超声图像肿瘤分类方法。
本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：通过对肿瘤超声图像的指定感兴趣区域进行光密度变换，改善了超声图像背景和前景区分度小，灰度高且近，很难分辨出超声图像中灰度相似区域的差异的问题，实现在正常组织强度的基础上增强灰度差，增强对可疑区域形状的描述；通过将纹理特征降维再和形态特征融合，避免维度过高的纹理特征掩盖维度较低的形态特征，从而使分类模型能够更好地学习到肿瘤的形态特征；能够有效提升超声图像肿瘤良恶性预测的准确性和鲁棒性，帮助医生提高肿瘤良恶性的诊断的精确性，降低因主观因素导致的误诊漏诊，同时提升了医生的诊断效率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (6)

1.一种基于光密度变换的肿瘤超声图像分类方法，其特征在于，包括：
步骤10、对带有分类标签的原始肿瘤超声图像进行预处理，得到预处理图像；
步骤20、获取预处理图像中的感兴趣区域；
步骤30、对所述感兴趣区域做以下两种处理：
第一种处理：对所述感兴趣区域进行光密度变换得到光密度图像，接着对所述光密度图像提取纹理特征，然后进行归一化操作，得到纹理特征向量；
其中，所述“对所述感兴趣区域进行光密度变换得到光密度图像”进一步具体为：
计算所述感兴趣区域中每个像素的灰度值的光密度值，公式如下：
Figure FDA0004007286230000011
其中，ODij是光密度值，Iij是像素的灰度值，Io是背景平均灰度值；
通过线性变换将光密度值映射到[0，255]范围内，使光密度值转换为8位深度信息图像，得到光密度图像；
所述纹理特征包括多块光密度图像局部二值模式以及光密度图像共生矩阵；
第二种处理：对所述感兴趣区域提取形态特征，然后归一化所述形态特征，得到形态特征向量；
步骤40、将纹理特征向量进行降维处理，然后分别和对应的形态特征向量进行特征融合，得到融合向量数据；
其中，所述将纹理特征进行降维处理，采用主成分分析法，包括：
步骤41、获取n张超声图像的m维纹理特征向量组成纹理特征矩阵Xm×n，求纹理特征矩阵中每个m维纹理特征向量的均值，然后将所有m维纹理特征向量分别减去其对应的均值，得到去平均值后的纹理特征矩阵；
步骤42、计算去平均值后的纹理特征矩阵的协方差矩阵；
步骤43、对角化协方差矩阵的特征值和特征向量，使得除对角线外，其它元素为0，将能量归于主要方向；
步骤44、按特征值的大小对特征向量进行排序；
步骤45、保留最大的前ω个特征值；
步骤46、将纹理特征矩阵中的数据转换到特征向量构建的新空间中，得到降维后的n个纹理特征向量；
步骤50、利用分类器对一定数量的融合向量数据进行学习，得到肿瘤分类模型；
步骤60、将待分类肿瘤超声图像输入肿瘤分类模型，得到分类结果。
2.根据权利要求1所述的基于光密度变换的肿瘤超声图像分类方法，其特征在于：所述步骤10中，所述分类标签包括恶性肿瘤和良性肿瘤，所述预处理包括去除超声图像四周文字以及个人信息、降低散斑噪声和对比度增强。
3.根据权利要求1所述的基于光密度变换的肿瘤超声图像分类方法，其特征在于：所述步骤20进一步具体为：获取预处理图像中由医生指定的区域，作为感兴趣区域。
4.根据权利要求1所述的基于光密度变换的肿瘤超声图像分类方法，其特征在于：所述步骤30中，所述“对所述感兴趣区域提取形态特征”进一步包括：
获取医生手动提取的肿瘤形态轮廓；
根据所述肿瘤形态轮廓提取形态特征，所述形态特征包括紧致度、椭圆紧致度、椭圆长短轴之比、径向距离谱参数、肿瘤周长与凸周长之比、肿瘤最大直径与最小直径之比以及肿瘤的外接矩阵的宽度与长度之比。
5.一种基于光密度变换的肿瘤超声图像分类装置，其特征在于，包括：预处理模块、ROI获取模块、向量提取模块、向量融合模块、学习模块以及分类模块；
所述预处理模块，用于对带有分类标签的原始肿瘤超声图像进行预处理，得到预处理图像；
所述ROI获取模块，用于获取预处理图像中的感兴趣区域；
所述向量提取模块，用于对所述感兴趣区域做以下两种处理：
第一种处理：对所述感兴趣区域进行光密度变换得到光密度图像，接着对所述光密度图像提取纹理特征，然后进行归一化操作，得到纹理特征向量；
其中，所述“对所述感兴趣区域进行光密度变换得到光密度图像”进一步具体为：
计算所述感兴趣区域中每个像素的灰度值的光密度值，公式如下：
Figure FDA0004007286230000031
其中，ODij是光密度值，Iij是像素的灰度值，Io是背景平均灰度值；
通过线性变换将光密度值映射到[0，255]范围内，使光密度值转换为8位深度信息图像，得到光密度图像；
所述纹理特征包括多块光密度图像局部二值模式以及光密度图像共生矩阵；
第二种处理：对所述感兴趣区域提取形态特征，然后归一化所述形态特征，得到形态特征向量；
所述向量融合模块，用于将纹理特征向量进行降维处理，然后分别和对应的形态特征向量进行特征融合，得到融合向量数据；
其中，所述将纹理特征进行降维处理，采用主成分分析法，包括：
步骤41、获取n张超声图像的m维纹理特征向量组成纹理特征矩阵Xm×n，求纹理特征矩阵中每个m维纹理特征向量的均值，然后将所有m维纹理特征向量分别减去其对应的均值，得到去平均值后的纹理特征矩阵；
步骤42、计算去平均值后的纹理特征矩阵的协方差矩阵；
步骤43、对角化协方差矩阵的特征值和特征向量，使得除对角线外，其它元素为0，将能量归于主要方向；
步骤44、按特征值的大小对特征向量进行排序；
步骤45、保留最大的前ω个特征值；
步骤46、将纹理特征矩阵中的数据转换到特征向量构建的新空间中，得到降维后的n个纹理特征向量；
所述学习模块，用于利用分类器对一定数量的融合向量数据进行学习，得到肿瘤分类模型；
所述分类模块，用于将待分类肿瘤超声图像输入肿瘤分类模型，得到分类结果。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4任一项所述的方法。
CN202010794509.3A 2020-08-10 2020-08-10 基于光密度变换的肿瘤超声图像分类方法、装置及介质 Active CN111695644B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010794509.3A CN111695644B (zh) 2020-08-10 2020-08-10 基于光密度变换的肿瘤超声图像分类方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010794509.3A CN111695644B (zh) 2020-08-10 2020-08-10 基于光密度变换的肿瘤超声图像分类方法、装置及介质

Publications (2)

Publication Number Publication Date
CN111695644A CN111695644A (zh) 2020-09-22
CN111695644B true CN111695644B (zh) 2023-04-18

Family

ID=72487085

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010794509.3A Active CN111695644B (zh) 2020-08-10 2020-08-10 基于光密度变换的肿瘤超声图像分类方法、装置及介质

Country Status (1)

Country Link
CN (1) CN111695644B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132827A (zh) * 2020-10-13 2020-12-25 腾讯科技（深圳）有限公司 病理图像的处理方法、装置、电子设备及可读存储介质
CN112734723B (zh) * 2021-01-08 2023-06-30 温州医科大学 一种面向多源数据的乳腺肿瘤图像分类预测方法及装置
CN113380401A (zh) * 2021-07-13 2021-09-10 华侨大学 基于超声图像的乳腺肿瘤良恶性分类方法、装置和介质
CN113723505B (zh) * 2021-08-30 2024-04-23 上海大学 一种基于细胞骨架图像定量分析的细胞图像分类方法及其分类器
CN113972004A (zh) * 2021-10-20 2022-01-25 华中科技大学同济医学院附属协和医院 一种基于深度学习多模型融合肌骨超声诊断系统
CN115482190A (zh) * 2021-11-10 2022-12-16 中山大学附属第七医院(深圳) 一种胎儿心脏结构分割测量方法、装置及计算机存储介质
CN115049666B (zh) * 2022-08-16 2022-11-08 浙江卡易智慧医疗科技有限公司 基于彩色小波协方差深度图模型的内镜虚拟活检装置
CN116188786B (zh) * 2023-05-04 2023-08-01 潍坊医学院附属医院 一种肝胆管及胆道结石的图像分割系统
CN116309195B (zh) * 2023-05-26 2023-08-29 华侨大学 基于三维傅里叶变换的全场激光散斑血流成像方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017092182A1 (zh) * 2015-12-03 2017-06-08 中山大学 一种在超声影像中自动识别肝脏肿瘤类型的方法
CN110472616A (zh) * 2019-08-22 2019-11-19 腾讯科技（深圳）有限公司 图像识别方法、装置、计算机设备及存储介质
CN111275116A (zh) * 2020-01-20 2020-06-12 太原理工大学 基于三维卷积神经网络的乳腺肿瘤超声图像分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017092182A1 (zh) * 2015-12-03 2017-06-08 中山大学 一种在超声影像中自动识别肝脏肿瘤类型的方法
CN110472616A (zh) * 2019-08-22 2019-11-19 腾讯科技（深圳）有限公司 图像识别方法、装置、计算机设备及存储介质
CN111275116A (zh) * 2020-01-20 2020-06-12 太原理工大学 基于三维卷积神经网络的乳腺肿瘤超声图像分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
计算机辅助系统在诊断乳腺良恶性肿瘤中的应用;吴秀明等;《中国医学物理学杂志》(第03期);全文 *

Also Published As

Publication number Publication date
CN111695644A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
CN111695644B (zh) 基于光密度变换的肿瘤超声图像分类方法、装置及介质
Dominguez et al. Detection of masses in mammograms via statistically based enhancement, multilevel-thresholding segmentation, and region selection
CN109635846B (zh) 一种多类医学图像判断方法和系统
Sheba et al. An approach for automatic lesion detection in mammograms
Al-Shamlan et al. Feature extraction values for breast cancer mammography images
Srinivasu et al. An AW-HARIS Based Automated Segmentation of Human Liver Using CT Images.
US20120099771A1 (en) Computer aided detection of architectural distortion in mammography
Hamouda et al. Enhancement accuracy of breast tumor diagnosis in digital mammograms
Hu et al. Automatic segmentation of dermoscopy images using saliency combined with adaptive thresholding based on wavelet transform
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
WO2020140380A1 (zh) 一种光学相干断层扫描图像的快速分割方法及装置
Jubeen et al. An automatic breast cancer diagnostic system based on mammographic images using convolutional neural network classifier
Anas et al. Advancing Breast Cancer Detection: Enhancing YOLOv5 Network for Accurate Classification in Mammogram Images
Fazilov et al. Improvement of Image Enhancement Technique for Mammography Images
Wen et al. Breast cancer diagnosis: A systematic review
Wei et al. Multi-feature fusion for ultrasound breast image classification of benign and malignant
Bobby et al. Analysis of intracranial hemorrhage in CT brain images using machine learning and deep learning algorithm
Isavand Rahmani et al. Retinal blood vessel segmentation using gabor filter and morphological reconstruction
Shanthi et al. Survey on Detection of Melanoma Skin Cancer Using Image Processing and Machine Learning
Razali et al. Color-assisted Multi-input Convolutional Neural Network for Cancer Classification on Mammogram Images
Stalin et al. Breast Cancer Diagnosis from Low Intensity Asymmetry Thermogram Breast Images using Fast Support Vector Machine
Majeed et al. Skin Tumors Diagnosis Utilizing Case Based Reasoning and The Expert System
Imtiaz et al. Segmentation of skin lesion using harris corner detection and region growing
Shilpa et al. Computer-Aided Diagnosis for Liver Tumor Feature Extraction
Serradj et al. Mammograms enhancement based on multifractal measures for microcalcifications detection

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