CN116310569A - 一种基于鲁棒纹理特征的乳腺病变检测与分类装置 - Google Patents

一种基于鲁棒纹理特征的乳腺病变检测与分类装置 Download PDF

Info

Publication number
CN116310569A
CN116310569A CN202310293677.8A CN202310293677A CN116310569A CN 116310569 A CN116310569 A CN 116310569A CN 202310293677 A CN202310293677 A CN 202310293677A CN 116310569 A CN116310569 A CN 116310569A
Authority
CN
China
Prior art keywords
image
module
texture
gray level
occurrence matrix
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
CN202310293677.8A
Other languages
English (en)
Inventor
祁小银
吴泉军
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.)
Shanghai Electric Power University
Original Assignee
Shanghai Electric Power 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 Shanghai Electric Power University filed Critical Shanghai Electric Power University
Priority to CN202310293677.8A priority Critical patent/CN116310569A/zh
Publication of CN116310569A publication Critical patent/CN116310569A/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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Medical Informatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及一种基于鲁棒纹理特征的乳腺病变检测与分类装置，包括数据集模块、剪切波变换模块、灰度共生矩阵特征提取模块、主成分分析降维模块和融合分类器模块；所述数据集模块用于采集原始乳腺肿瘤图像，并对图像进行处理，得到对应的数据集；所述剪切波变换模块用于对图像的局部纹理特征进行处理；所述灰度共生矩阵特征提取模块用于提取图像的特征量，通过特征量进行图像纹理特征的分析；所述主成分分析降维模块用于将特征量中相似的特征进行合并，完成特征量从高维空间向低维空间的映射；所述融合分类器模块用于对图像的纹理特征进行判定和分类。与现有技术相比，本发明具有效率高、准确性高等优点。

Description

一种基于鲁棒纹理特征的乳腺病变检测与分类装置
技术领域
本发明涉及数字图像处理领域，尤其是涉及一种基于鲁棒纹理特征的判定方法。
背景技术
乳腺癌是女性中常见且高发的恶性肿瘤之一，严重影响了妇女的身心健康甚至危及生命。近年来，乳腺癌的发病率逐年上升，每年约有130万人被诊断为乳腺癌，大约有三分之一的乳腺癌患者死于该病。随着模式识别与人工智能的快速发展，越来越多的研究者提出将计算机辅助诊断应用于乳腺癌的诊断。
目前，对乳腺癌的监测越来越依赖于计算机辅助诊断技术，而计算机辅助诊断技术的关键是，利用计算机设备对采集到的医学图像进行处理与分析的技术。利用计算机提取乳腺图像中的病变区域的特征并分类，可为临床医生分析器官的病变程度提供图像依据。现有的利用计算机设备提取乳腺图像中病变区域的特征并分类方法主要分以下几种：阈值法、基于滤波器的方法、预分割得到感兴趣区域后，提取乳腺图像中病变区域的特征后，联合简单的分类器进行分类与识别等。
但现有技术中所采用的分类器中，SVM分类器对参数和核函数的选择非常敏感；逻辑回归算法(LR)无法解决非线性问题，并且很难处理数据样本分布不均的情形；多层感知机(MLP)需要调整大量的参数，且对参数缩放比较敏感。基于上述单个分类器的提取乳腺图像中病变区域的特征并分类的方法，所得到的乳腺图像中病变区域的特征并分类结果，图像特征的识别率和准确性较差。
发明内容
本发明的目的就是为了克服上述现有技术存在基于单个分类器的提取乳腺图像中病变区域的特征并分类的方法，所得到的乳腺图像中病变区域的特征并分类结果，图像特征的识别率和准确性较差的缺陷而提供一种基于鲁棒纹理特征的乳腺病变检测与分类装置。
本发明的目的可以通过以下技术方案来实现：
一种基于鲁棒纹理特征的乳腺病变检测与分类装置，包括数据集模块、剪切波变换模块、灰度共生矩阵特征提取模块、主成分分析降维模块和融合分类器模块；
所述数据集模块用于采集原始乳腺肿瘤图像，并对图像进行处理，得到对应的数据集；
所述剪切波变换模块用于对图像的局部纹理特征进行处理；
所述灰度共生矩阵特征提取模块用于提取图像的特征量，通过特征量进行图像纹理特征的分析；
所述主成分分析降维模块用于将特征量中相似的特征进行合并，完成特征量从高维空间向低维空间的映射；
所述融合分类器模块用于对图像的纹理特征进行判定和分类。
进一步地，所述数据集模块处理原始乳腺肿瘤图像后得到的数据集包括训练集和测试集。
进一步地，剪切波变换具体流程如下：
S301：基于拉普拉斯金字塔算法，将二维信号f[n1,n2]通过高通滤波器分解为fd j，通过低通滤波器分解为fa j，该步骤实现对信号尺度上的分解；
S302：在伪极坐标系上将fd j进行傅里叶变换，得到矩阵Pfd j。然后利用频域子带滤波器对矩阵Pfd j进行滤波处理，该步骤实现了对信号方向上的分解；
S303：将坐标值从伪极坐标系上转化到笛卡尔坐标系上，然后利用二维短时傅里叶逆变换，得到剪切波系数；
S304：返回步骤S301，对信号fa j进行分解，直至达到最终的尺度分解目标。
进一步地，所述灰度共生矩阵特征提取模块提取得到的特征量包括能量、熵、对比度和相关性；
所述能量表示图像灰度和纹理的特征信息，所述熵表示图像所含的信息，所述对比度表示灰度图像纹理清晰度，所述相关性表示灰度共生矩阵各个值之间的相似性。
进一步地，所述能量是灰度共生矩阵所有像素值的平方和，所述能量描述为：
Figure BDA0004142389460000021
式中P(i,j)表示灰度共生矩阵中处在坐标为(i,j)处的频数。
进一步地，所述熵体现了图像纹理的复杂度，所述熵描述为：
Figure BDA0004142389460000031
式中P(i,j)表示灰度共生矩阵中处在坐标为(i,j)处的频数。
进一步地，所述对比度的数值越大，表示像素点之间的差异越大，纹理越清晰，所述对比度描述为：
Figure BDA0004142389460000032
式中P(i,j)表示灰度共生矩阵中处在坐标为(i,j)处的频数。
进一步地，所述相关性的大小代表了图像局部灰度相关性，值越大，相关性越大，所述相关性描述为：
Figure BDA0004142389460000033
Figure BDA0004142389460000034
Figure BDA0004142389460000035
Figure BDA0004142389460000036
Figure BDA0004142389460000037
式中P(i,j)表示灰度共生矩阵中处在坐标为(i,j)处的频数。
进一步地，所述融合分类器模块包括SVM分类单元、逻辑回归算法单元和多层感知机单元，所述SVM分类单元、逻辑回归算法单元和多层感知机单元分别对特征数据集进行分类，再求取各个分类结果的加权平均量。
与现有技术相比，本发明具有以下优点：
(1)本方案中通过SVM分类单元、逻辑回归算法单元和多层感知机单元分别单独对特征数据进行处理，再计算SVM分类单元、逻辑回归算法单元和多层感知机单元得到的结果的加权平均数，得到对特征数据集的分类识别，在提高算法效率的同时，也提高了图像最终的识别率，进一步提高了装置对乳腺肿瘤良恶性判断的准确性。
(2)本方案中通过剪切波变换对图像进行分解，以对实验数据进行多尺度多角度的细化分析，从图像中获取更多关于乳腺病变的信息，提高了装置的检测精确度。
(3)本方案中采用灰度共生矩阵分解图像并进行纹理特征分析，提取图像的特征数据集，通过主成分分析降维模块将特征数据集从高维空间到低维空间的映射，有效地降低特征维数，提高算法的有效性。
附图说明
图1为本发明提供的基于鲁棒纹理特征的乳腺病变检测与分类装置的工作流程框架示意图；
图2为本发明提供的剪切波变换的流程示意图；
图3为本发明提供的融合分类器模块的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
实施例1
本实施例提供了一种基于鲁棒纹理特征的乳腺病变检测与分类装置，包括数据集模块、剪切波变换模块、灰度共生矩阵特征提取模块、主成分分析降维模块和融合分类器模块；
数据集模块用于采集原始乳腺肿瘤图像，并对图像进行处理，得到对应的数据集；
剪切波变换模块用于对图像的局部纹理特征进行处理；
灰度共生矩阵特征提取模块用于提取图像的特征量，通过特征量进行图像纹理特征的分析；
主成分分析降维模块用于将特征量中相似的特征进行合并，完成特征量从高维空间向低维空间的映射；
融合分类器模块用于对图像的纹理特征进行判定和分类。
数据集模块处理原始乳腺肿瘤图像后得到的数据集包括训练集和测试集。
剪切波变换模块通过剪切波变换进行纹理处理。
灰度共生矩阵特征提取模块提取得到的特征量包括能量、熵、对比度和相关性；
能量表示图像灰度和纹理的特征信息，熵表示图像所含的信息，对比度表示灰度图像纹理清晰度，相关性表示灰度共生矩阵各个值之间的相似性。
能量是灰度共生矩阵所有像素值的平方和，能量描述为：
Figure BDA0004142389460000051
式中P(i,j)表示灰度共生矩阵中处在坐标为(i,j)处的频数。
熵体现了图像纹理的复杂度，熵描述为：
Figure BDA0004142389460000052
式中P(i,j)表示灰度共生矩阵中处在坐标为(i,j)处的频数。
对比度的数值越大，表示像素点之间的差异越大，纹理越清晰，对比度描述为：
Figure BDA0004142389460000053
式中P(i,j)表示灰度共生矩阵中处在坐标为(i,j)处的频数。
相关性的大小代表了图像局部灰度相关性，值越大，相关性越大，相关性描述为：
Figure BDA0004142389460000054
Figure BDA0004142389460000055
Figure BDA0004142389460000056
Figure BDA0004142389460000057
Figure BDA0004142389460000058
式中P(i,j)表示灰度共生矩阵中处在坐标为(i,j)处的频数。
主成分分析降维模块通过计算特征量的数据集的方差，将相似的特征量进行合并。
融合分类器模块包括SVM分类单元、逻辑回归算法单元和多层感知机单元，SVM分类单元、逻辑回归算法单元和多层感知机单元分别对特征数据集进行分类，再求取各个分类结果的加权平均量。
如图1所示，本实施例还提供了基于鲁棒纹理特征的乳腺病变检测与分类装置的步骤：
(1)、构建原始数据集
本发明使用BreakHis数据集，共包含267条样本，其中良性的有130条，恶性样本137条。从良性样本中取出104条数据，从恶性样本中取出110条作为训练集，剩余的数据组成测试集。
(2)、进行剪切波变换
剪切波变换的流程示意图如图2所示，具体流程如下：
1)基于拉普拉斯金字塔算法，将二维信号f[n1,n2]通过高通滤波器分解为fd j，通过低通滤波器分解为fa j，该步骤实现对信号尺度上的分解；
2)在伪极坐标系上将fd j进行傅里叶变换，得到矩阵Pfd j。然后利用频域子带滤波器对矩阵Pfd j进行滤波处理，该步骤实现了对信号方向上的分解；
3)将坐标值从伪极坐标系上转化到笛卡尔坐标系上，然后利用二维短时傅里叶逆变换(IFFT)，得到剪切波系数；
4)将fa j重复步骤1-3，直到对信号完成尺度上的分解。
为了选择最优方向与尺度参数，经过多组实验，通过表1可以看出，并不是分解的尺度和方向越多效果就越好，随着方向与尺度的增加，会产生大量冗余信息和干扰项，这些会对最终的分类效果造成不良的影响。方向和尺度过小时，对病灶的特征信息获取又不够充足，对本次实验的数据集而言，剪切波滤波器的参数为4尺度8方向时可以从病灶中获取最充分、有效的特征，对是否发生病变识别的准确率达到最高。
表1
尺度和方向 特征维数 降维后维数 准确率/％
2尺度4方向 1024 131 86.79
3尺度4方向 1536 155 90.57
3尺度8方向 3072 190 90.57
4尺度4方向 2048 169 83.02
4尺度8方向 4096 205 92.45
5尺度4方向 2560 178 88.68
5尺度8方向 5120 212 88.68
(3)、提取灰度共生矩阵特征
灰度共生矩阵的定义为从某一个像素为i的点出发，离步长为d,方向为θ的点并且灰度值为j的概率，所有的值可以用矩阵的形式表示出来，这个矩阵就被称为灰度共生矩阵，i和j就是矩阵的下标。
本实施例通过计算灰度共生矩阵的能量、熵、对比度和相关性这4个值来描述乳腺图像的纹理特征。
灰度共生矩阵的一个重要参数就是步长的选择，为了确定本发明算法选择的步长，计算原始图像四个方向(0°、45°、90°、135°)、不同步长时的灰度共生矩阵，并通过以上4个统计量对图像进行纹理分析，
使用SVM进行分类识别，从表2中可以看出，当步长选择为8时，可以达到最优分类效果。
表2
步长 特征维数 准确率/％
6 96 81.13
7 112 84.91
8 128 88.68
9 144 86.79
10 160 86.79
(4)、主成分分析降维
主成分分析算法通过计算方差，将相似的特征合并完成将特征数据集从高维空间到低维空间的映射，有效地降低特征维数，提高算法的有效性。
(5)、模型预测计算分类
各个分类器都有各自的优缺点。SVM分类器既能解决线性问题，也能处理非线性问题，且SVM在处理小样本问题时也有很好的表现，但是它对参数和核函数的选择非常敏感；逻辑回归算法(LR)简单且不需要对输入参数进行缩放，但是无法解决非线性问题，并且很难处理数据样本分布不均的情形；多层感知机(MLP)支持非线性问题的解决，同时支持实时学习，但是需要调整大量的参数，且对参数缩放比较敏感。
为了解决单个分类器带来的局限性，本发明设计了一款融合分类器，其结构如图3所示，由于不同分类器对于该数据集的表现也各不相同，如果直接对输出结果进行取平均值，这会丧失部分模型的优越性。因此，先通过该数据集对单个模型进行测试，将表现更突出的模型赋予更高的权重，以最大化地突出其优势。
为了验证该模型的有效性，使用BreakHis提供的数据集，分别从准确率(accuracy)、精确度(precision)、召回率(recall)和F1度量(f1-score)这四个指标对分类模型效果进行评价。通过大量实验，本发明确定了在BreakHis数据集上剪切波变换的最优参数是4尺度8方向，灰度共生矩阵的最优参数是步长为8，结果如表3所示，可以看出，融合之后的分类器分类效果有显著的提升。
表3
分类器 accuracy/％ precision/％ recall/％ f1-score/％
SVM 92.45 92.45 92.45 92.45
LR 94.34 94.83 94.44 94.33
MLP 90.57 90.60 90.60 90.57
融合分类器 96.23 96.43 96.30 96.23
综上可知，本发明设计了基于鲁棒纹理特征算法，使用融合分类器进行分类识别，有效性相对于单个模型有了显著的提高。因此，使用融合分类器可以有效地弥补单个分类器的局限性，很大程度上提高算法的识别率。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (9)

1.一种基于鲁棒纹理特征的乳腺病变检测与分类装置，其特征在于，包括数据集模块、剪切波变换模块、灰度共生矩阵特征提取模块、主成分分析降维模块和融合分类器模块；
所述数据集模块用于采集原始乳腺肿瘤图像，并对图像进行处理，得到对应的数据集；
所述剪切波变换模块用于对图像的局部纹理特征进行处理；
所述灰度共生矩阵特征提取模块用于提取图像的特征量，通过特征量进行图像纹理特征的分析；
所述主成分分析降维模块用于将特征量中相似的特征进行合并，完成特征量从高维空间向低维空间的映射；
所述融合分类器模块用于对图像的纹理特征进行判定和分类。
2.根据权利要求1所述的一种基于鲁棒纹理特征的乳腺病变检测与分类装置，其特征在于，所述数据集模块处理原始乳腺肿瘤图像后得到的数据集包括训练集和测试集。
3.根据权利要求1所述的一种基于鲁棒纹理特征的乳腺病变检测与分类装置，其特征在于，剪切波变换具体流程如下：
S301：基于拉普拉斯金字塔算法，将二维信号f[n1,n2]通过高通滤波器分解为fd j，通过低通滤波器分解为fa j，该步骤实现对信号尺度上的分解；
S302：在伪极坐标系上将fd j进行傅里叶变换，得到矩阵Pfd j。然后利用频域子带滤波器对矩阵Pfd j进行滤波处理，该步骤实现了对信号方向上的分解；
S303：将坐标值从伪极坐标系上转化到笛卡尔坐标系上，然后利用二维短时傅里叶逆变换，得到剪切波系数；
S304：返回步骤S301，对信号fa j进行分解，直至达到最终的尺度分解目标。
4.根据权利要求1所述的一种基于鲁棒纹理特征的乳腺病变检测与分类装置，其特征在于，所述灰度共生矩阵特征提取模块提取得到的特征量包括能量、熵、对比度和相关性；
所述能量表示图像灰度和纹理的特征信息，所述熵表示图像所含的信息，所述对比度表示灰度图像纹理清晰度，所述相关性表示灰度共生矩阵各个值之间的相似性。
5.根据权利要求4所述的一种基于鲁棒纹理特征的乳腺病变检测与分类装置，其特征在于，所述能量是灰度共生矩阵所有像素值的平方和，所述能量描述为：
Figure FDA0004142389450000021
式中P(i,j)表示灰度共生矩阵中处在坐标为(i,j)处的频数。
6.根据权利要求4所述的一种基于鲁棒纹理特征的乳腺病变检测与分类装置，其特征在于，所述熵体现了图像纹理的复杂度，所述熵描述为：
Figure FDA0004142389450000022
式中P(i,j)表示灰度共生矩阵中处在坐标为(i,j)处的频数。
7.根据权利要求4所述的一种基于鲁棒纹理特征的乳腺病变检测与分类装置，其特征在于，所述对比度的数值越大，表示像素点之间的差异越大，纹理越清晰，所述对比度描述为：
Figure FDA0004142389450000023
式中P(i,j)表示灰度共生矩阵中处在坐标为(i,j)处的频数。
8.根据权利要求4所述的一种基于鲁棒纹理特征的乳腺病变检测与分类装置，其特征在于，所述相关性的大小代表了图像局部灰度相关性，值越大，相关性越大，所述相关性描述为：
Figure FDA0004142389450000024
Figure FDA0004142389450000025
Figure FDA0004142389450000026
Figure FDA0004142389450000027
Figure FDA0004142389450000028
式中P(i,j)表示灰度共生矩阵中处在坐标为(i,j)处的频数。
9.根据权利要求1所述的一种基于鲁棒纹理特征的乳腺病变检测与分类装置，其特征在于，所述融合分类器模块包括SVM分类单元、逻辑回归算法单元和多层感知机单元，所述SVM分类单元、逻辑回归算法单元和多层感知机单元分别对特征数据集进行分类，再求取各个分类结果的加权平均量。
CN202310293677.8A 2023-03-22 2023-03-22 一种基于鲁棒纹理特征的乳腺病变检测与分类装置 Pending CN116310569A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310293677.8A CN116310569A (zh) 2023-03-22 2023-03-22 一种基于鲁棒纹理特征的乳腺病变检测与分类装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310293677.8A CN116310569A (zh) 2023-03-22 2023-03-22 一种基于鲁棒纹理特征的乳腺病变检测与分类装置

Publications (1)

Publication Number Publication Date
CN116310569A true CN116310569A (zh) 2023-06-23

Family

ID=86834083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310293677.8A Pending CN116310569A (zh) 2023-03-22 2023-03-22 一种基于鲁棒纹理特征的乳腺病变检测与分类装置

Country Status (1)

Country Link
CN (1) CN116310569A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503426A (zh) * 2023-06-26 2023-07-28 天津大学 基于图像处理的超声图像分割方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503426A (zh) * 2023-06-26 2023-07-28 天津大学 基于图像处理的超声图像分割方法
CN116503426B (zh) * 2023-06-26 2023-08-25 天津大学 基于图像处理的超声图像分割方法

Similar Documents

Publication Publication Date Title
Jadoon et al. Three-class mammogram classification based on descriptive CNN features
Özyurt et al. A novel liver image classification method using perceptual hash-based convolutional neural network
CN106529447B (zh) 一种小样本人脸识别方法
Flores et al. Improving classification performance of breast lesions on ultrasonography
Singh et al. Fuzzy cluster based neural network classifier for classifying breast tumors in ultrasound images
Guo et al. A new method of detecting micro-calcification clusters in mammograms using contourlet transform and non-linking simplified PCNN
Singh et al. Integrating radiologist feedback with computer aided diagnostic systems for breast cancer risk prediction in ultrasonic images: An experimental investigation in machine learning paradigm
CN111598003B (zh) 一种面向癫痫患者脑电信号的时频图像分类方法
Bakkouri et al. Breast tumor classification based on deep convolutional neural networks
Kumar et al. Diagnosis of liver tumor from CT images using curvelet transform
Hermawati et al. Combination of aggregated channel features (ACF) detector and faster R-CNN to improve object detection performance in fetal ultrasound images
Nagarajan et al. Feature extraction based on empirical mode decomposition for automatic mass classification of mammogram images
CN116310569A (zh) 一种基于鲁棒纹理特征的乳腺病变检测与分类装置
Patel et al. Automated diagnosis of COVID stages from lung CT images using statistical features in 2-dimensional flexible analytic wavelet transform
Rahouma et al. Lung cancer diagnosis based on chan-vese active contour and polynomial neural network
Behara et al. Artificial intelligence in medical diagnostics: A review from a South African context
Aboudi et al. Bilinear pooling for thyroid nodule classification in ultrasound imaging
Sivanandan et al. A new CNN architecture for efficient classification of ultrasound breast tumor images with activation map clustering based prediction validation
Cai et al. A dynamic texture based segmentation method for ultrasound images with Surfacelet, HMT and parallel computing
Rani Krithiga et al. A novel automated classification technique for diagnosing liver disorders using wavelet and texture features on liver ultrasound images
Singh et al. Two-level combined classification technique using Ranklet transformation for the detection of MRI brain tumor
Rizzi et al. A fully automatic system for detection of breast microcalcification clusters
Yusof et al. Computer-aided detection and diagnosis for microcalcifications in mammogram: a review
Matsuyama et al. A Breast Density Classification System for Mammography Considering Reliability Issues in Deep Learning
Jeeva et al. An Accurate Breast Cancer Detection and Classification using Image Processing

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