CN111832563A - 一种基于超声图像的智能化乳腺肿瘤辨别方法 - Google Patents

一种基于超声图像的智能化乳腺肿瘤辨别方法 Download PDF

Info

Publication number
CN111832563A
CN111832563A CN202010693331.3A CN202010693331A CN111832563A CN 111832563 A CN111832563 A CN 111832563A CN 202010693331 A CN202010693331 A CN 202010693331A CN 111832563 A CN111832563 A CN 111832563A
Authority
CN
China
Prior art keywords
breast tumor
image
tumor
gray
breast
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
CN202010693331.3A
Other languages
English (en)
Inventor
杜睿
张�浩
施良
陈宝定
束薇薇
王安成
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.)
Affiliated Hospital of Jiangsu University
Original Assignee
Affiliated Hospital of Jiangsu 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 Affiliated Hospital of Jiangsu University filed Critical Affiliated Hospital of Jiangsu University
Priority to CN202010693331.3A priority Critical patent/CN111832563A/zh
Publication of CN111832563A publication Critical patent/CN111832563A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F18/24—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
    • G06T7/10—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
    • G06V10/30—Noise filtering
    • 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
    • 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
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • 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

Landscapes

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

Abstract

本发明公开一种基于超声图像的智能化乳腺肿瘤辨别方法，包括：采集乳腺肿瘤超声图像并进行标记；选取感兴趣区域ROI，并将ROI进行剪切后保存为灰度图像，得到乳腺肿瘤的样本图像；基于乳腺肿瘤的样本图像，提取乳腺肿瘤的灰度纹理特征矩阵；对乳腺肿瘤的样本图像进行降噪处理，基于降噪处理后的乳腺肿瘤样本图像，提取乳腺肿瘤的形状特征矩阵；对乳腺肿瘤的灰度纹理特征矩阵、形状特征矩阵进行合并，得到乳腺肿瘤样本的特征矩阵；基于支持向量机SVM构建乳腺肿瘤识别模型并训练，通过训练好的乳腺肿瘤识别模型进行超声图像中的乳腺肿瘤类型的识别。本发明能够对超声图像中的肿瘤类型进行自动、准确地识别。

Description

一种基于超声图像的智能化乳腺肿瘤辨别方法
技术领域
本发明涉及图像识别技术领域，特别是涉及一种基于超声图像的智能化乳腺肿瘤辨别方法。
背景技术
全球乳腺癌发病率自20世纪70年代末开始一直呈上升趋势，近年我国乳腺癌发病率的增长速度高出高发国家1～2个百分点。影像学检查对乳腺癌的早期发现、治疗和预后起着重要的作用。其中超声检查对受检者无痛苦、无放射性损伤，且方便易行、费用低，是乳腺检查的首选方法。乳腺癌的超声图像临床显示，癌瘤边界不整，呈锯齿状或蟹足状，内部回声不均，呈低回声区，肿瘤纵横比大于1，肿瘤内部可见沙粒样钙化等。
但是在实际检查中，由于超声医师操作水平和诊断经验所限，可能误诊或漏诊部分恶性结果，贻误最佳治疗时机，因此急需一种能够辅助超声医师进行肿瘤性质辨别的方法来解决这一问题。
目前，国内外在乳腺超声图像的分割识别中已经提出了许多方法，主要是手动的或半自动的阈值分割，以及聚类方法等，这些方法均存在精度不高，自动化水平低的缺陷。华南理工大学提出了一种基于超声图像的乳腺肿瘤自动识别方法，虽然给出了一种乳腺肿瘤超声图像的识别方法，但其只使用了灰度、纹理等图像特征，不能完整的表述乳腺肿瘤的超声图像特征。东北大学提出一种乳腺肿瘤分析用特征训练参数获取方法，使用了清晰度更高的核磁共振影像，虽然分类效果要优于超声图像，但是核磁共振影像的获取成本更高，不能像超声检查一样快速普及。北京工业大学提出了一种乳腺肿瘤多模态超声多层次计算机辅助诊断方法，提供了一种基于多模态图像(超声图像、X射线图像、多普勒血流图像等)，这种方法需要使用多种医学图像进行建模与预测，在超声图像方面的特征提取不够细致。
因此开发一种能够自动、准确地识别超声图像中肿瘤类型的方法，有着广泛的临床应用和推广意义。
发明内容
本发明的目的是提供一种基于超声图像的智能化乳腺肿瘤辨别方法，以解决现有技术中存在的技术问题，能够对超声图像中的肿瘤类型进行自动、准确地识别。
为实现上述目的，本发明提供了如下方案：本发明提供一种基于超声图像的智能化乳腺肿瘤辨别方法，包括如下步骤：
采集乳腺肿瘤超声图像，并对所采集的乳腺肿瘤超声图像进行标记；
从标记好的乳腺肿瘤超声图像中选取感兴趣区域ROI，并将ROI进行剪切后保存为灰度图像，得到乳腺肿瘤的样本图像；
基于乳腺肿瘤的样本图像，提取乳腺肿瘤的灰度和纹理特征参数，得到乳腺肿瘤的灰度纹理特征矩阵；
对乳腺肿瘤的样本图像进行降噪处理，基于降噪处理后的乳腺肿瘤样本图像，提取乳腺肿瘤的形状特征参数，得到乳腺肿瘤的形状特征矩阵；
对乳腺肿瘤的灰度纹理特征矩阵、形状特征矩阵进行合并，得到乳腺肿瘤样本的特征矩阵；
基于支持向量机SVM构建乳腺肿瘤识别模型，并对乳腺肿瘤识别模型进行训练，将待识别的超声图像输入训练好的乳腺肿瘤识别模型，完成超声图像中的乳腺肿瘤类型的识别。
优选地，乳腺肿瘤的样本图像的获取方法包括：从标记好的乳腺肿瘤超声图像中选取包含乳腺肿瘤组织的矩形区域作为ROI，对选取的ROI进行剪切，并保存为灰度等级为256级的灰度图像，剔除超声图像中的冗余信息，得到乳腺肿瘤的样本图像；所述冗余信息包括：背景和除乳腺肿瘤之外的组织影像。
优选地，对乳腺肿瘤的样本图像进行降噪处理的具体方法包括：依次通过小波变换、中值滤波、均值滤波对乳腺肿瘤的样本图像进行降噪处理。
优选地，所述灰度纹理特征矩阵包括18个基于灰度共生矩阵的纹理特征和6个基于统计矩阵的纹理特征。
优选地，所述形状特征矩阵的获取方法具体包括：
首先，对于经过降噪处理的乳腺肿瘤样本图像，统计图像的灰度直方图，通过灰度直方图确定图像中灰度频率最高的点，将其灰度记作Gh；
其次，在图像的几何中心10*10像素大小的区域中，选取灰度值为Gh的像素点作为种子点，按照像素之间的8连通规则，向四周生长，生长迭代次数为200次，得到乳腺肿瘤样本图像中肿瘤区域的轮廓It，并对乳腺肿瘤样本图像中的肿瘤区域和背景进行自动分割；
再次，计算肿瘤区域的形状特征参数，得到形状特征矩阵；所述形状特征参数包括肿瘤区域边界的圆度、拟合椭圆长短轴比值。
优选地，肿瘤区域边界的圆度C的计算如式6所示：
Figure BDA0002590038570000041
式中，C为圆度，取值为0～1；S为肿瘤区域面积，P为肿瘤区域周长；
拟合椭圆长短轴比值的方法具体为：将肿瘤区域边界的像素点坐标作为拟合椭圆边界的离散点，采用偏最小二乘法拟合椭圆，得到椭圆的长轴与短轴长度，进一步求得长度较短轴与长度较长轴的比值；采用偏最小二乘法拟合椭圆，得到的标准方程如式7所示：
f(x，y)＝αx2+βy2+γxy+δx+εy+η……………7
其中，椭圆的长半轴
Figure BDA0002590038570000042
短半轴
Figure BDA0002590038570000043
Xc、Yc为肿瘤像素的质心坐标，
Figure BDA0002590038570000044
α、β、γ、δ、ε、η为椭圆方程的系数，x、y为肿瘤像素的坐标。
优选地，乳腺肿瘤识别模型训练过程中，还对SVM进行参数优化；其中，SVM内置径向基核函数，乳腺肿瘤识别模型训练过程中自动选取径向基核函数的参数C和gamma，获得参数C和gamma取不同值时SVM的预测准确率，通过等高线图得到径向基核函数的参数C和gamma的优化值。
本发明公开了以下技术效果：
(1)本发明分别提取肿瘤区域的灰度特征、纹理特征、形状特征，并对多种特征进行融合，构建乳腺肿瘤的特征矩阵，基于大量肿瘤超声图片的特征矩阵，利用支持向量机构建乳腺肿瘤识别模型有效实现了乳腺肿瘤超声图像的自动化准确识别。
(2)本发明采用非全局的计算方式，通过从乳腺肿瘤超声图像中选取感兴趣区域，并从感兴趣区域中提取乳腺肿瘤的特征矩阵，保证获得的特征矩阵只包含肿瘤区域的信息，有效提高了乳腺肿瘤辨别的准确性；
(3)本发明自动优化筛选SVM乳腺肿瘤识别模型的核函数参数，有效提高了乳腺肿瘤辨别的准确性；
(4)本发明使用小波变换、中值滤波、均值滤波对超声图像进行降噪处理，获得了较单一滤波降噪方法更好的降噪效果，能够凸显肿瘤区域特征，有效提高了乳腺肿瘤辨别的准确性；
(5)通过自动化的区域生长算法进行肿瘤区域的自动化分割，降低了人工误判的可能性，有效提高了乳腺肿瘤辨别的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于超声图像的智能化乳腺肿瘤辨别方法流程图；
图2为本发明实施例中乳腺肿瘤超声图像以及区域分割效果图；
图3为本发明实施例中SVM乳腺肿瘤识别模型中核函数参数优化等高线图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1所示，本实施例提供一种基于超声图像的智能化乳腺肿瘤辨别方法，具体包括如下步骤：
S1、采集乳腺肿瘤超声图像，并对所采集的乳腺肿瘤超声图像进行标记：
本实施例按照医院操作标准，由经验丰富的医师采集并标记120个以上的乳腺肿瘤超声图像；医师为具有5年临床经验的超声医师，对患者病灶部位进行3个角度以上的B超检查；其中，标记类别包括良性、恶性。
S2、从标记好的乳腺肿瘤超声图像中选取ROI(region of interest，感兴趣区域)，并将ROI进行剪切后保存为灰度图像，得到乳腺肿瘤的样本图像：
本实施例通过人工从标记好的乳腺肿瘤超声图像中选取包含乳腺肿瘤组织的矩形区域作为ROI，具体为在有5年以上临床经验的超声医师指导下，通过肉眼辨别整幅超声图像中包含了乳腺肿瘤组织的矩形区域；对选取的ROI进行剪切，并保存为灰度等级为256级的灰度图像，以剔除超声图像中的冗余信息，得到乳腺肿瘤的样本图像；所述冗余信息，包括背景和除乳腺肿瘤之外的其他组织影像，具体为乳腺肿瘤超声图像中除去肿瘤区域以外的背景图像信息，得到乳腺肿瘤的样本图像。
S3、基于步骤S2中得到的乳腺肿瘤样本图像，提取乳腺肿瘤的灰度和纹理特征参数，得到乳腺肿瘤的灰度纹理特征矩阵；
对于步骤S2中的乳腺肿瘤样本图像，提取乳腺肿瘤的灰度和纹理特征参数，得到灰度纹理特征矩阵，所述灰度纹理特征矩阵包括18个基于灰度共生矩阵的纹理特征和6个基于统计矩阵的纹理特征；其中，6个基于统计矩阵的纹理特征为采用灰度共生矩阵计算得到的灰度共生矩阵关键特征，包括：平均灰度值m、标准差δ、平滑度R、三阶矩μ3、一致性U、熵e，平均灰度值m、标准差δ、平滑度R、三阶矩μ3、熵e分别如式(1)-(5)所示：
Figure BDA0002590038570000081
Figure BDA0002590038570000082
R＝1-1/(1+δ2)…………………………………(3)
Figure BDA0002590038570000083
Figure BDA0002590038570000084
式中，m为平均灰度值，代表灰度像素的平均值；δ为标准差，代表图像像素点的离散度；Zi为量化层，p(zi)为第i个灰度级出现的频数，L为灰度级的上限；
18个基于灰度共生矩阵的纹理特征包括：0°惯性矩、0°相关性、0°能量、0°同质性、45°惯性矩、45°相关性、45°能量、45°同质性、90°惯性矩、90°相关性、90°能量、90°同质性、135°惯性矩、135°相关性、135°能量、135°同质性、灰度的均值和灰度的方差。
S4、对步骤S2得到的乳腺肿瘤样本图像进行降噪处理；
本实施例依次通过小波变换、中值滤波、均值滤波对乳腺肿瘤的样本图像进行降噪处理，以消除高频噪声，减少超声图像中固有的斑点噪声。
所述小波变换(wavelet transform，WT)利用伸缩平移运算对图像信号进行多尺度细化，达到高频处时间细分，低频处频率细分，能自动适应不同超声图像之间的差异，达到降噪的目的；
所述中值滤波使用3×3的掩膜，对像素I(x,y)周围的9个像素按照大小顺序排列，并取排列后的中值取代I(x,y)的值，平滑图像；
所述均值滤波使用3×3的掩膜，对像素I(x,y)周围的9个像素的灰度值相加，并取平均值，使用9个像素的平均值取代I(x,y)的值，平滑图像。
S5、基于步骤S4中降噪处理后的乳腺肿瘤样本图像，提取乳腺肿瘤的形状特征参数，得到乳腺肿瘤的形状特征矩阵；具体包括：
对于步骤S3中经过降噪处理的乳腺肿瘤样本图像，通过自动区域生长进行肿瘤区域与背景的分割，得到肿瘤区域，并根据肿瘤区域提取乳腺肿瘤的形状特征参数，得到形状特征矩阵；具体包括：
首先，对于经过降噪处理的乳腺肿瘤样本图像，统计图像的灰度直方图，通过灰度直方图确定图像中灰度频率最高的点，将其灰度记作Gh；
其次，在图像的几何中心10*10像素大小的区域中，选取灰度值为Gh的像素点作为种子点，按照像素之间的8连通规则，向四周生长，生长迭代次数为200次，得到乳腺肿瘤样本图像中肿瘤区域的轮廓It；并对乳腺肿瘤样本图像中的肿瘤区域和背景进行自动分割，自动分割方法包括：将肿瘤区域轮廓内的像素值设为1，其余区域像素值设为0，得到二值图像，完成肿瘤区域的分割，分割结果如图2所示
再次，计算肿瘤区域的形状特征参数，得到形状特征矩阵；其中，形状特征参数包括肿瘤区域边界的圆度、拟合椭圆长短轴比值；
圆度C的计算如式(6)所示：
Figure BDA0002590038570000101
式中，C为圆度，取值为0～1；S为肿瘤区域面积，P为肿瘤区域周长；
拟合椭圆长短轴比值的方法具体为：将肿瘤区域边界的像素点坐标作为拟合椭圆边界的离散点，采用偏最小二乘法拟合椭圆，得到椭圆的长轴与短轴长度，进一步求得长度较短轴与长度较长轴的比值(取值范围0～1)；其中，采用偏最小二乘法拟合椭圆，得到的标准方程如式(7)所示：
f(x，y)＝αx2+βy2+γxy+δx+εy+η……………7
其中，椭圆的长半轴
Figure BDA0002590038570000102
短半轴
Figure BDA0002590038570000103
Xc、Yc为肿瘤像素的质心坐标，
Figure BDA0002590038570000104
α、β、γ、δ、ε、η为椭圆方程的系数，x、y为肿瘤像素的坐标。
S6、对乳腺肿瘤的灰度纹理特征矩阵、形状特征矩阵进行合并，得到乳腺肿瘤样本的特征矩阵；
将各乳腺肿瘤样本的特征值按照灰度纹理特征矩阵、圆度、拟合椭圆长短轴比值的顺序存放在矩阵中，每个乳腺肿瘤样本的特征值存放在矩阵的一行，得到大小为n*26的乳腺肿瘤样本特征矩阵，其中n为乳腺肿瘤样本的数量。
S7、基于SVM(Support Vector Machine，支持向量机)构建乳腺肿瘤识别模型，并对乳腺肿瘤识别模型进行训练，将待识别的超声图像输入训练好的乳腺肿瘤识别模型，完成超声图像中的乳腺肿瘤类型的识别：
采用mapminmax方法对乳腺肿瘤样本特征矩阵中的数据进行归一化处理，将乳腺肿瘤样本特征矩阵中的数据归一化到区间[0,2]，通过乳腺肿瘤样本特征矩阵中归一化处理后的数据对基于SVM的乳腺肿瘤识别模型进行训练；其中，SVM内置径向基核函数。在训练过程中，通过自动计算比较径向基核函数取不同参数的情况下SVM的预测准确率，对SVM进行参数优化，得到训练好的乳腺肿瘤识别模型；本实施例径向基核函数取不同参数的等高线图如图3所示，其中纵轴log2g表示径向基核函数的gamma函数参数，横轴log2c为SVM的惩罚系数，经过优化，得到径向基核函数的参数为：log2g为0.0625，log2c为11.3137。其中，径向基核函数的参数C为SVM的惩罚系数，径向基核函数的参数gamma为模型中数据在新特征空间分布情况的决定系数。
将95个乳腺肿瘤超声图像输入到训练好的乳腺肿瘤识别模型，其中有84个图像乳腺肿瘤类别识别正确，即模型准确率88.4211％，证明了本发明基于超声图像的智能化乳腺肿瘤辨别方法的有效性。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (7)

1.一种基于超声图像的智能化乳腺肿瘤辨别方法，其特征在于，包括如下步骤：
采集乳腺肿瘤超声图像，并对所采集的乳腺肿瘤超声图像进行标记；
从标记好的乳腺肿瘤超声图像中选取感兴趣区域ROI，并将ROI进行剪切后保存为灰度图像，得到乳腺肿瘤的样本图像；
基于乳腺肿瘤的样本图像，提取乳腺肿瘤的灰度和纹理特征参数，得到乳腺肿瘤的灰度纹理特征矩阵；
对乳腺肿瘤的样本图像进行降噪处理，基于降噪处理后的乳腺肿瘤样本图像，提取乳腺肿瘤的形状特征参数，得到乳腺肿瘤的形状特征矩阵；
对乳腺肿瘤的灰度纹理特征矩阵、形状特征矩阵进行合并，得到乳腺肿瘤样本的特征矩阵；
基于支持向量机SVM构建乳腺肿瘤识别模型，并对乳腺肿瘤识别模型进行训练，将待识别的超声图像输入训练好的乳腺肿瘤识别模型，完成超声图像中的乳腺肿瘤类型的识别。
2.根据权利要求1所述的基于超声图像的智能化乳腺肿瘤辨别方法，其特征在于，乳腺肿瘤的样本图像的获取方法包括：从标记好的乳腺肿瘤超声图像中选取包含乳腺肿瘤组织的矩形区域作为ROI，对选取的ROI进行剪切，并保存为灰度等级为256级的灰度图像，剔除超声图像中的冗余信息，得到乳腺肿瘤的样本图像；所述冗余信息包括：背景和除乳腺肿瘤之外的组织影像。
3.根据权利要求1所述的基于超声图像的智能化乳腺肿瘤辨别方法，其特征在于，对乳腺肿瘤的样本图像进行降噪处理的具体方法包括：依次通过小波变换、中值滤波、均值滤波对乳腺肿瘤的样本图像进行降噪处理。
4.根据权利要求1所述的基于超声图像的智能化乳腺肿瘤辨别方法，其特征在于，所述灰度纹理特征矩阵包括18个基于灰度共生矩阵的纹理特征和6个基于统计矩阵的纹理特征。
5.根据权利要求1所述的基于超声图像的智能化乳腺肿瘤辨别方法，其特征在于，所述形状特征矩阵的获取方法具体包括：
首先，对于经过降噪处理的乳腺肿瘤样本图像，统计图像的灰度直方图，通过灰度直方图确定图像中灰度频率最高的点，将其灰度记作Gh；
其次，在图像的几何中心10*10像素大小的区域中，选取灰度值为Gh的像素点作为种子点，按照像素之间的8连通规则，向四周生长，生长迭代次数为200次，得到乳腺肿瘤样本图像中肿瘤区域的轮廓It，并对乳腺肿瘤样本图像中的肿瘤区域和背景进行自动分割；
再次，计算肿瘤区域的形状特征参数，得到形状特征矩阵；所述形状特征参数包括肿瘤区域边界的圆度、拟合椭圆长短轴比值。
6.根据权利要求5所述的基于超声图像的智能化乳腺肿瘤辨别方法，其特征在于，肿瘤区域边界的圆度C的计算如式6所示：
Figure FDA0002590038560000031
式中，C为圆度，取值为0～1；S为肿瘤区域面积，P为肿瘤区域周长；
拟合椭圆长短轴比值的方法具体为：将肿瘤区域边界的像素点坐标作为拟合椭圆边界的离散点，采用偏最小二乘法拟合椭圆，得到椭圆的长轴与短轴长度，进一步求得长度较短轴与长度较长轴的比值；采用偏最小二乘法拟合椭圆，得到的标准方程如式7所示：
f(x，y)＝αx2+βy2+γxy+δx+εy+η………………7
其中，椭圆的长半轴
Figure FDA0002590038560000032
短半轴
Figure FDA0002590038560000033
Xc、Yc为肿瘤像素的质心坐标，
Figure FDA0002590038560000034
α、β、γ、δ、ε、η为椭圆方程的系数，x、y为肿瘤像素的坐标。
7.根据权利要求1所述的基于超声图像的智能化乳腺肿瘤辨别方法，其特征在于，乳腺肿瘤识别模型训练过程中，还对SVM进行参数优化；其中，SVM内置径向基核函数，乳腺肿瘤识别模型训练过程中自动选取径向基核函数的参数C和gamma，获得参数C和gamma取不同值时SVM的预测准确率，通过等高线图得到径向基核函数的参数C和gamma的优化值。
CN202010693331.3A 2020-07-17 2020-07-17 一种基于超声图像的智能化乳腺肿瘤辨别方法 Pending CN111832563A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010693331.3A CN111832563A (zh) 2020-07-17 2020-07-17 一种基于超声图像的智能化乳腺肿瘤辨别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010693331.3A CN111832563A (zh) 2020-07-17 2020-07-17 一种基于超声图像的智能化乳腺肿瘤辨别方法

Publications (1)

Publication Number Publication Date
CN111832563A true CN111832563A (zh) 2020-10-27

Family

ID=72923522

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010693331.3A Pending CN111832563A (zh) 2020-07-17 2020-07-17 一种基于超声图像的智能化乳腺肿瘤辨别方法

Country Status (1)

Country Link
CN (1) CN111832563A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112270676A (zh) * 2020-11-13 2021-01-26 上海理工大学 一种mri图像子宫内膜癌肌层浸润深度计算机辅助判断方法
CN112651951A (zh) * 2020-12-30 2021-04-13 深圳高性能医疗器械国家研究院有限公司 一种基于dce-mri的乳腺癌分级方法
CN113808100A (zh) * 2021-09-16 2021-12-17 什维新智医疗科技(上海)有限公司 一种乳腺结节粗钙化识别装置
CN114757953A (zh) * 2022-06-15 2022-07-15 深圳瀚维智能医疗科技有限公司 医学超声图像识别方法、设备及存储介质
CN116485791A (zh) * 2023-06-16 2023-07-25 华侨大学 基于吸收度的双视图乳腺肿瘤病变区自动检测方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103884435A (zh) * 2014-04-03 2014-06-25 江苏物联网研究发展中心 一种电子设备红外监测系统
CN104657984A (zh) * 2015-01-28 2015-05-27 复旦大学 三维超声乳腺全容积图像感兴趣区域的自动提取方法
CN104834943A (zh) * 2015-05-25 2015-08-12 电子科技大学 一种基于深度学习的脑肿瘤分类方法
CN106683081A (zh) * 2016-12-17 2017-05-17 复旦大学 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统
CN108875829A (zh) * 2018-06-20 2018-11-23 鲁东大学 一种乳腺肿瘤图像的分类方法及系统
CN109065150A (zh) * 2018-07-02 2018-12-21 江苏省中医院 一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法
CN109509199A (zh) * 2018-10-10 2019-03-22 华南理工大学 一种基于三维重建的医学影像组织智能分割方法
CN110136108A (zh) * 2019-05-08 2019-08-16 郑州大学 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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103884435A (zh) * 2014-04-03 2014-06-25 江苏物联网研究发展中心 一种电子设备红外监测系统
CN104657984A (zh) * 2015-01-28 2015-05-27 复旦大学 三维超声乳腺全容积图像感兴趣区域的自动提取方法
CN104834943A (zh) * 2015-05-25 2015-08-12 电子科技大学 一种基于深度学习的脑肿瘤分类方法
CN106683081A (zh) * 2016-12-17 2017-05-17 复旦大学 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统
CN108875829A (zh) * 2018-06-20 2018-11-23 鲁东大学 一种乳腺肿瘤图像的分类方法及系统
CN109065150A (zh) * 2018-07-02 2018-12-21 江苏省中医院 一种基于多特征提取和Linear SVM的超声乳腺肿瘤分级方法
CN109509199A (zh) * 2018-10-10 2019-03-22 华南理工大学 一种基于三维重建的医学影像组织智能分割方法
CN110136108A (zh) * 2019-05-08 2019-08-16 郑州大学 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

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112270676A (zh) * 2020-11-13 2021-01-26 上海理工大学 一种mri图像子宫内膜癌肌层浸润深度计算机辅助判断方法
CN112651951A (zh) * 2020-12-30 2021-04-13 深圳高性能医疗器械国家研究院有限公司 一种基于dce-mri的乳腺癌分级方法
CN113808100A (zh) * 2021-09-16 2021-12-17 什维新智医疗科技(上海)有限公司 一种乳腺结节粗钙化识别装置
CN113808100B (zh) * 2021-09-16 2024-03-19 什维新智医疗科技(上海)有限公司 一种乳腺结节粗钙化识别装置
CN114757953A (zh) * 2022-06-15 2022-07-15 深圳瀚维智能医疗科技有限公司 医学超声图像识别方法、设备及存储介质
CN116485791A (zh) * 2023-06-16 2023-07-25 华侨大学 基于吸收度的双视图乳腺肿瘤病变区自动检测方法及系统
CN116485791B (zh) * 2023-06-16 2023-09-29 华侨大学 基于吸收度的双视图乳腺肿瘤病变区自动检测方法及系统

Similar Documents

Publication Publication Date Title
CN111832563A (zh) 一种基于超声图像的智能化乳腺肿瘤辨别方法
EP3432784B1 (en) Deep-learning-based cancer classification using a hierarchical classification framework
Yasmin et al. Survey paper on diagnosis of breast cancer using image processing techniques
Jeyavathana et al. A survey: analysis on pre-processing and segmentation techniques for medical images
CN109753997B (zh) 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法
Azhari et al. Tumor detection in medical imaging: a survey
CN110706225B (zh) 基于人工智能的肿瘤识别系统
CN103249358A (zh) 医用图像处理装置
Maitra et al. Automated digital mammogram segmentation for detection of abnormal masses using binary homogeneity enhancement algorithm
Ganvir et al. Filtering method for pre-processing mammogram images for breast cancer detection
Khasana et al. Segmentation of breast using ultrasound image for detection breast cancer
Fazilov et al. Improvement of Image Enhancement Technique for Mammography Images
Armya et al. Medical images segmentation based on unsupervised algorithms: a review
Edwin et al. Liver and tumour segmentation from abdominal CT images using adaptive threshold method
Galińska et al. Breast cancer segmentation method in ultrasound images
CN114862799B (zh) 一种用于flair-mri序列的全自动脑体积分割方法
CN110136112A (zh) 一种基于乳腺x线摄影钙化计算机辅助检测算法
Rusu Segmentation of bone structures in Magnetic Resonance Images (MRI) for human hand skeletal kinematics modelling
Duth A fast and robust level set method for medical image segmentation
Nguyen et al. Breast Image Segmentation for evaluation of Cancer Disease
Jitender LUNG CANCER DETECTION USING DIGITAL IMAGE PROCESSING AND ARTIFICIAL NEURAL NETWORKS
Sinha CAD based medical image processing: emphasis to breast cancer detection
CN117893539B (zh) 一种乳腺图像识别处理方法
Naqiuddin et al. Lesion demarcation of CT-scan images using image processing technique
Akshaya et al. Identification of Brain Tumor on Mri images with and without Segmentation using DL Techniques

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: 20201027