[發明專利]腫瘤類型識別方法和系統

在審

• 申請號: 201410201897.4
• 申請日: 2014-05-13
• 公開（公告）號: CN104008386A
• 公開（公告）日: 2014-08-27
• 發明（設計）人: 秦文健;李凌;溫鐵祥;辜嘉
• 申請（專利權）人: 中國科學院深圳先進技術研究院
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 吳平

技術領域

本發明涉及計算機應用領域，特別是涉及一種腫瘤類型識別方法和系統。

背景技術

乳腺癌是當今社會中女性的一種常見的惡性腫瘤。傳統的檢測方法主要是通過超聲成像技術實現的。超聲成像具有性價比高、無放射性、實時性、副作用小等優點。然而乳腺的超聲圖像中存在高噪聲、復雜結構、模糊邊界、個體特征差異等因素，且一般為單幀B超圖像，根據該單幀B超圖像數據無法準確判斷腫瘤類型。

發明內容

基于此，有必要針對傳統的B超圖像無法準確判斷腫瘤類型的問題，提供一種能提高準確性的腫瘤類型識別方法和系統。

一種腫瘤類型識別方法，包括以下步驟：

獲取超聲射頻信號、二維圖像數據和血流圖像數據；

從所述超聲射頻信號、二維圖像數據和血流圖像數據中選取腫瘤位置的感興趣區域；

在所述感興趣區域提取超聲射頻信號特征、圖像特征和血流特征，并形成特征集；

從所述特征集中提取最優特征子集；

對所述最優特征子集進行分類，得到所述腫瘤類型。

在其中一個實施例中，所述從所述特征集中提取最優特征子集的步驟包括：

對所述特征集中超聲射頻信號特征、圖像特征和血流特征進行降維處理，得到特征向量的最優的協方系數；

利用特征向量的最優的協方系數作為參數建模得到基于感知函數的數學方程，采用最大似然法求解基于感知核函數的數學方程得到最優特征子集。

在其中一個實施例中，所述對所述最優特征子集進行分類，得到所述腫瘤類型的步驟包括：

采用模糊神經網絡模型對所述最優特征子集進行分類，得到所述腫瘤類型。

在其中一個實施例中，所述采用模糊神經網絡模型對所述最優特征子集進行分類，得到所述腫瘤類型包括：

將所述最優特征子集中的特征作為輸入，輸入總數為n，n為自然數；

對每個輸入配置m個模糊集合，形成n×m個節點，m為自然數；

每個節點對應的輸出為每個輸入所屬的模糊集合的隸屬度函數其中，表示輸入x_i的第j個模糊集合，i∈[1,n]中的自然數，j∈[1,m]中的自然數；

每個節點代表一條模糊規則，計算所述每條模糊規則的使用度aj=μ1jμ2j···μnj;]]>

對所述每條模糊規則的使用度進行歸一化；

對歸一化的使用度采用加權平均法進行處理得到所述腫瘤類型。

在其中一個實施例中，所述超聲射頻信號特征包括形狀參數和頻譜參數；所述圖像特征包括形態特征和紋理特征；所述血流特征包括血流形態特征和血流動力學特征。

一種腫瘤類型識別系統，包括：

采集模塊，用于獲取超聲射頻信號、二維圖像數據和血流圖像數據；

選取模塊，用于從所述超聲射頻信號、二維圖像數據和血流圖像數據中選取腫瘤位置的感興趣區域；

提取模塊，用于在所述感興趣區域提取超聲射頻信號特征、圖像特征和血流特征，并形成特征集；

分析模塊，用于從所述特征集中提取最優特征子集；

識別模塊，用于對所述最優特征子集進行分類，得到所述腫瘤類型。

在其中一個實施例中，所述分析模塊用于對所述特征集中超聲射頻信號特征、圖像特征和血流特征進行降維處理，得到特征向量的最優的協方系數，以及利用所述特征向量的最優的協方系數作為參數建模得到基于感知函數的數學方程，采用最大似然法求解基于感知核函數的數學方程得到最優特征子集。

在其中一個實施例中，所述識別模塊還用于采用模糊神經網絡模型對所述最優特征子集進行分類，得到所述腫瘤類型。

在其中一個實施例中，所述識別模塊包括：

輸入單元，用于將所述最優特征子集中的特征作為輸入，輸入總數為n，n為自然數；