CN111772631B - 基于集成经验模态分解的早期乳腺癌特征提取方法 - Google Patents
基于集成经验模态分解的早期乳腺癌特征提取方法 Download PDFInfo
- Publication number
- CN111772631B CN111772631B CN202010641915.6A CN202010641915A CN111772631B CN 111772631 B CN111772631 B CN 111772631B CN 202010641915 A CN202010641915 A CN 202010641915A CN 111772631 B CN111772631 B CN 111772631B
- Authority
- CN
- China
- Prior art keywords
- echo signals
- signal
- empirical mode
- mode decomposition
- feature extraction
- 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
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/0507—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves using microwaves or terahertz waves
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
- A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
- A61B5/4312—Breast evaluation or disorder diagnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Computational Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Physiology (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
Abstract
本发明涉及一种基于集成经验模态分解的早期乳腺癌特征提取方法,对天线阵列对乳房进行探测得到的回波信号进行处理,包括下列步骤:利用最小最大归一化算法,对各个天线的回波信号进行归一化处理;使用集成经验模态分解方法对经过归一化处理的回波信号进行处理,每1组回波信号通过集成经验模态分解都被分解为若干组信号分量;将0.03作为有效分量选取的阈值,判定皮尔森相关系数大于此阈值的IMF分量为有效信号分量,其余信号分量被舍弃;根据统计学特性,提取中针对有效信号分量进行基于均值、方差、标准差、最大值、能量熵和信息熵这6种统计学特性的特征提取,从每1组单通道回波信号中得到特异性特征。
Description
技术领域
本发明属于信号处理和超宽带微波检测领域,涉及一种新型超宽带微波早期乳腺癌的特异性特征提取方法。
背景技术
乳腺癌的发病率在世界各国居高不下且远高于其他类型的癌症,已经成为威胁女性健康的主要疾病之一。乳腺肿瘤组织大多可分为良性和恶性两类。有的良性组织甚至可以长期存在于身体中,不产生任何影响。但有的会在一段时间后发生改变,成为了致命的恶性肿瘤。多项研究和临床经验表明,在乳腺癌的早期阶段被检测出的患者,存活时间及存活几率显著增加。甚至有很大可能恢复至健康水平。因此早期乳腺肿瘤的有效检测对于患者有着非常重要的意义。
目前,核磁共振成像(MRI)是广泛应用的乳腺癌检测方法的一种。此方法主要通过强磁场实现检测,虽然它对人体没有辐射,但是检查费用高昂且耗时较长。此外常用的检测方法还有乳房钼靶X射线照相技术和超声检测技术。前者使用放射性元素的辐射较大,而且会给患者带来乳房压迫的痛苦。而后者虽然检测速度快、成本低,但存在精度较低特异性较差的缺点。由此可见乳腺癌的早期诊断对于目前现有常用检测方法仍是一项巨大挑战,因此急需一种能有效检测乳腺癌的新的检测技术,促使人们研究优势更加明显的新检测方法。
多年来的广泛研究使得利用超宽带微波实现乳腺癌检测和筛查逐渐成为了可能。它主要基于微波频率范围内良性乳腺组织和恶性乳腺组织的介电特性具有明显差异这一原理。此外通过微波实现乳腺肿瘤的检测不会使患者产生乳房压迫的疼痛感。其辐射水平甚至可以低于普通手机,可见通过超宽带微波实现乳腺肿瘤的无损检测具有明显的优势和巨大的潜力。通常对于患者是否罹患乳腺癌的检测是通过提取肿瘤的特异性特征或是检测到肿瘤信号存在得以实现。
因此本发明针对利用乳房内部正常组织和肿瘤组织的特征具有特异性差异,根据准确判断乳房内肿瘤是否存在的这一重要要求,对相关内容进行了研究,分析算法的实现方案,从而发明了一种基于集成经验模态分解的早期乳腺癌的特征准确提取方法。
发明内容
本发明提供了一种可以较为准确的提取早期乳腺肿瘤信号特征的方法。在信号特征提取的分解方法选择上,采用集成经验模态分解方法。此方法在设置适当的分解参数后可以自适应的将单通道信号分解为多通道信号。从多通道信号中提取相应的有效信号分量进一步获得更多的信号统计特征,解决了单通道信号特征提取数目少提取困难的问题。从而利用提取到的大量数据构建特征数据集以开发不同的应用手段和进一步的后续工作。本发明的技术方案如下:
一种基于集成经验模态分解的早期乳腺癌特征提取方法,对天线阵列对乳房进行探测得到的回波信号进行处理,包括下列步骤:
(1)利用最小最大归一化算法,对各个天线的回波信号进行归一化处理;
(2)使用集成经验模态分解方法(EEMD)对经过归一化处理的回波信号进行处理,每1组回波信号通过集成经验模态分解都被分解为若干组信号分量;
(3)将0.03作为有效分量选取的阈值,判定皮尔森相关系数大于此阈值的IMF分量为有效信号分量,其余信号分量被舍弃;
(4)根据统计学特性,提取中针对有效信号分量进行基于均值、方差、标准差、最大值、能量熵和信息熵这6种统计学特性的特征提取,从每1组单通道回波信号中得到特异性特征。
附图说明
图1乳房模型图
图2单通道信号分解结果图
图3特征提取方法工作流程图
表1各信号分量与某一单通道原始信号相关系数
表1各信号分量与某一单通道原始信号相关系数
具体实施方式
本发明基于构建的几类乳房仿真模型,根据不同模型设置不同的超宽带天线阵列。在超宽带天线工作流程完成后获取大量的回波信号。将全部的回波信号通过本发明提出的信号特征提取方法构建相应的特征数据集,实现对早期乳腺癌组织和正常乳房组织的准确的特异性特征提取。
下面具体的以实际的工作流程说明本发明的技术方案:
本发明通过读取MRI图像每个像素的灰度值,建立了更高精度的趋真乳房模型。并赋予了更加真实的组织结构和电学特性。图1为四种不同致密程度的乳房模型图。其中假设肿瘤的直径为4mm,存在于模型内部以红色表示。
在天线阵列的安排上,由图1模型几何结构图所示。在模型二中使用由A1-A12构成的多元天线阵列。其他模型中将八元天线阵列A1-A8放置在这些模型的表面。天线阵列的工作方式为某一个天线发射出中心频率为6GHz的单周期高斯脉冲,其他天线接收后向散射信号。当天线阵列中所有天线完成此过程一次检测过程结束。
在对所有的乳房模型进行探测后,通过本发明所提出的方法即利用EEMD和有效分量选取,结合6种信号统计特性提取相应回波信号的特征,构建包含早期乳腺肿瘤的乳房模型和正常乳房模型全部特异性特征的原始特征数据集。其具体步骤如下:
1.将从模型得到的全部回波信号进行归一化处理,使得信号处于[0,1]区间内归一化公式如下表示,其中x(t)为单通道回波信号。通过归一化处理消除由于不同收发天线组合不同的信号传输距离导致的信号幅值差异对特征提取阶段的影响。
2.选择噪声标准差为原始信号标准差的0.2倍,集成次数设置为100次作为EEMD的分解参数对全部的回波信号进行分解。其中一种单通道分解结果如图2所示。共产生了12个IMF信号分量C1-C12和1个残余项r12。
考虑计算成本设置适当的分解参数对回波信号进行分解。其次为了从若干信号分量中提取有效的特征,减少无关信号分量特征的影响。在特异性特征提取前采取了有效信号分量的预选择步骤,通过计算每一个信号分量与原始信号的皮尔森相关系数实现。假设x(k)和rj(k)为两个长度为n的序列,它们皮尔森相关系数的定义如下,其中rj(k)对应着第j个IMF分量。经过大量的分解实验和尝试,本发明将0.03作为有效分量选取的阈值。即保留相关系数ccj大于0.03的IMF分量,丢弃其余的信号分量。
3.通过相关系数计算每个信号分量与原始信号的相关系数如表1所示,结合设置的相应的阈值筛选出有效信号分量,从分解的结果中选取了4个最具代表性的信号分量C5-C8。在对其进行统计学特性特征提取后,每个信号分量将得到6个特征。最终,每个单通道回波信号经本发明所提出的特征提取方法可以产生共24个特征。
平均值、方差、标准差、最大值、能量熵和信息熵的计算:对于长度为n的IMF分量rj={rj(1),rj(2),rj(3),…,rj(n)},这些特征可以用以下数学公式表示。在通过特征统计学特性提取方法得到天线阵列产生的多组后向散射信号对应的特征,可以构建由早期乳腺肿瘤组织和正常乳房组织特征构成的原始特征数据集。
①均值(μj)
②方差(Dj)
③标准差(δj)
Dj=δj 2
④最大值(Maxj)
Maxj=Max{rj(1),rj(2),rj(3),…,rj(n)}
⑤能量熵(EEj)
⑥信息熵(IEj)
4.从含有肿瘤模型和不含有肿瘤模型的多次测试中可以得到若干组回波信号。在提取特征时考虑到白噪声的随机性会导致EEMD分解的结果发生改变。这里对同一组信号进行了3次特征提取以消除EEMD的影响,最终以每一个单通道信号为行向量,每一个特征为列向量构成了有肿瘤信号特征和无肿瘤信号特征比例为1:1的特征数据集。
本发明的工作流程框图如图3所示。
(1)从各类模型中获得M组长度为N的单通道回波信号。
(2)对M组单通道回波信号进行EEMD分解,得到M组长度为N的多通道信号组。
(3)对每一组多通道回波信号组进行有效信号分量选取并通过统计学特性获得相应的信号特征。每个单通道回波信号获得24个特征。
(4)将全部M组回波信号的24个特征进行组合,构成M×24的特征数据集。
该方法是一种基于集成经验模态分解的早期乳腺癌特征的准确提取方法,能够在大量有肿瘤情况和无肿瘤情况的情况下对待测信号进行有效的特异性特征提取。此方法主要包括信号分解、有效信号分量选取、统计特性特征提取及特征数据集构建四个部分,是一种简单、稳定、准确且行之有效的特异性特征快速提取方法。
Claims (1)
1.一种基于集成经验模态分解的早期乳腺癌特征提取方法,对天线阵列对乳房进行探测得到的回波信号进行处理,包括下列步骤:
(1)利用最小最大归一化算法,对各个天线的回波信号进行归一化处理;
(2)使用集成经验模态分解方法(EEMD)对经过归一化处理的回波信号进行处理,每1组回波信号通过集成经验模态分解都被分解为若干组信号分量;
(3)将0.03作为有效分量选取的阈值,判定皮尔森相关系数大于此阈值的IMF分量为有效信号分量,其余信号分量被舍弃;
(4)根据统计学特性,提取中针对有效信号分量进行基于均值、方差、标准差、最大值、能量熵和信息熵这6种统计学特性的特征提取,从每1组单通道回波信号中得到特异性特征,以每一个单通道信号为行向量,每一个特征为列向量构成有肿瘤信号特征和无肿瘤信号特征比例为1:1的特征数据集,对于长度为n的IMF分量rj={rj(1),rj(2),rj(3),…,rj(n)},均值、方差、标准差、最大值、能量熵和信息熵的计算如下:
①均值(μj)
②方差(Dj)
③标准差(δj)
Dj=δj 2
④最大值(Maxj)
Maxj=Max{rj(1),rj(2),rj(3),…,rj(n)}
⑤能量熵(EEj)
⑥信息熵(IEj)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641915.6A CN111772631B (zh) | 2020-07-06 | 2020-07-06 | 基于集成经验模态分解的早期乳腺癌特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010641915.6A CN111772631B (zh) | 2020-07-06 | 2020-07-06 | 基于集成经验模态分解的早期乳腺癌特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111772631A CN111772631A (zh) | 2020-10-16 |
CN111772631B true CN111772631B (zh) | 2021-12-14 |
Family
ID=72759089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010641915.6A Active CN111772631B (zh) | 2020-07-06 | 2020-07-06 | 基于集成经验模态分解的早期乳腺癌特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111772631B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114027794B (zh) * | 2021-11-09 | 2023-06-30 | 新乡医学院 | 基于DenseNet网络的病理图像的乳腺癌区域检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105342556A (zh) * | 2015-09-23 | 2016-02-24 | 天津大学 | 一种基于集成经验模式分解的肿瘤信号提取方法 |
CN108596043A (zh) * | 2018-03-29 | 2018-09-28 | 中国药科大学 | 基于集合经验模式分解的单导联脑电信号的睡眠自动分期的方法 |
CN109746765A (zh) * | 2018-11-01 | 2019-05-14 | 北京理工大学 | 一种基于累积和控制理论的刀具失效状态监测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102208687B1 (ko) * | 2014-02-26 | 2021-01-28 | 한국전자통신연구원 | 측정된 마이크로파 신호 분할에 의한 유방암 검출 장치 및 방법 |
WO2019118309A1 (en) * | 2017-12-11 | 2019-06-20 | Adaptive, Intelligent And Dynamic Brain Corporation (Aidbrain) | Method, module and system for analysis of physiological signal |
-
2020
- 2020-07-06 CN CN202010641915.6A patent/CN111772631B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105342556A (zh) * | 2015-09-23 | 2016-02-24 | 天津大学 | 一种基于集成经验模式分解的肿瘤信号提取方法 |
CN108596043A (zh) * | 2018-03-29 | 2018-09-28 | 中国药科大学 | 基于集合经验模式分解的单导联脑电信号的睡眠自动分期的方法 |
CN109746765A (zh) * | 2018-11-01 | 2019-05-14 | 北京理工大学 | 一种基于累积和控制理论的刀具失效状态监测方法 |
Non-Patent Citations (3)
Title |
---|
Direct extraction of tumor response based on ensemble empirical mode decomposition for image reconstruction of early breast cancer detection by UWB;Li Qinwei等;《IEEE transactions on biomedical circuits and systems》;20151103;第9卷(第5期);全文 * |
基于EEMD能量熵和谱峭度理论的滚动轴承自适应故障分析;王海涛等;《电脑知识与技术》;20151230(第32期);全文 * |
超宽带微波检测早期乳腺癌信号处理研究;李钦伟;《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》;20170315(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111772631A (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Byrne et al. | Compound radar approach for breast imaging | |
Li et al. | An overview of ultra-wideband microwave imaging via space-time beamforming for early-stage breast-cancer detection | |
US20060241409A1 (en) | Time domain inverse scattering techniques for use in microwave imaging | |
KR20150129329A (ko) | 배경 및 스킨 클러터에 탄력적인 마이크로웨이브 이미징 | |
Al-Kadi et al. | Heterogeneous tissue characterization using ultrasound: a comparison of fractal analysis backscatter models on liver tumors | |
CN103799982A (zh) | 基于希尔伯特黄变换的超宽带微波检测的快速成像方法 | |
CN111772631B (zh) | 基于集成经验模态分解的早期乳腺癌特征提取方法 | |
Shahzad et al. | A preprocessing filter for multistatic microwave breast imaging for enhanced tumour detection | |
Ghavami et al. | Huygens principle based UWB microwave imaging method for skin cancer detection | |
Granchi et al. | Differentiation of breast lesions by use of HyperSPACE: hyper-spectral analysis for characterization in echography | |
CN104013402A (zh) | 集成经验模式分解超宽带微波检测信号提取方法 | |
Sill et al. | Realistic breast models for second generation tissue sensing adaptive radar system | |
Elahi | Confocal microwave imaging and artifact removal algorithms for the early detection of breast cancer | |
Jin et al. | Time reversal beamforming for microwave breast cancer detection | |
Haghpanah et al. | Breast cancer detection by time-reversal imaging using ultra-wideband modified circular patch antenna array | |
CN105342556A (zh) | 一种基于集成经验模式分解的肿瘤信号提取方法 | |
Abbosh | Breast cancer diagnosis using microwave and hybrid imaging methods | |
Sajjadieh et al. | Breast cancer detection using time reversal signal processing | |
Hossain et al. | Breast cancer localization in three dimensions using time reversal DORT method | |
Sami et al. | Development of prototype microwave radar-based imaging system for breast cancer detection | |
Kwon et al. | Calibration with single measurement in microwave imaging system for breast cancer detection | |
Santorelli | A compact and low-cost microwave radar prototype for breast health monitoring | |
Menon et al. | Efficient Ultra Wideband Radar Based Non Invasive Early Breast Cancer Detection | |
Yang et al. | Detection of breast cancer using ultra-wide band beamforming algorithm | |
Caorsi et al. | Skin artifact removal technique for breast cancer radar 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 | ||
CP02 | Change in the address of a patent holder |
Address after: 300452 Binhai Industrial Research Institute Campus of Tianjin University, No. 48 Jialingjiang Road, Binhai New Area, Tianjin Patentee after: Tianjin University Address before: 300072 Tianjin City, Nankai District Wei Jin Road No. 92 Patentee before: Tianjin University |
|
CP02 | Change in the address of a patent holder |