[發(fā)明專利]一種基于超聲圖像的乳腺腫瘤區(qū)域自動(dòng)識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201410309467.4
• 申請(qǐng)日: 2014-07-01
• 公開（公告）號(hào): CN104143101A
• 公開（公告）日: 2014-11-12
• 發(fā)明（設(shè)計(jì)）人: 黃慶華;張強(qiáng)志
• 申請(qǐng)（專利權(quán)）人: 華南理工大學(xué)
• 主分類號(hào): G06K9/66
• 分類號(hào): G06K9/66
• 代理公司: 廣州市華學(xué)知識(shí)產(chǎn)權(quán)代理有限公司 44245
• 代理人: 蔡茂略

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)輔助診斷領(lǐng)域，特別涉及一種基于超聲圖像的乳腺腫瘤區(qū)域自動(dòng)識(shí)別方法。

背景技術(shù)

如今，乳腺癌已成為威脅女性生命的主要疾病之一，然而人類對(duì)其具體病理還處于未知狀態(tài)，早發(fā)現(xiàn)早治療便成了得到有效治療的主要方式。隨著社會(huì)的發(fā)展和技術(shù)的進(jìn)步，超聲成像以其非侵入、成本低、簡(jiǎn)單可靠的特點(diǎn)成為了乳腺腫瘤的主要檢測(cè)方式之一。

然而，依靠超聲圖像的診斷是經(jīng)驗(yàn)依賴性的，不可避免地會(huì)受到臨床醫(yī)生的主觀因素影響，從而會(huì)大大降低診斷結(jié)果的準(zhǔn)確性和可靠性。因此，為了避免主觀因素的影響和提高診斷結(jié)果的準(zhǔn)確性和可靠性，計(jì)算機(jī)輔助診斷的技術(shù)被提了出來并取得了很多的研究成果。

在已提出的基于超聲圖像的乳腺癌計(jì)算機(jī)輔助診斷系統(tǒng)中，對(duì)超聲圖像進(jìn)行分割后，通常需要臨床醫(yī)生從分割出的各子區(qū)域中人工選擇出腫瘤區(qū)域，才能繼續(xù)進(jìn)行后續(xù)的分析操作，這嚴(yán)重降低了計(jì)算機(jī)輔助診斷的自動(dòng)化性能，而且引進(jìn)了臨床醫(yī)生的主觀性。

因此人們需要一種新的腫瘤區(qū)域識(shí)別方法來克服現(xiàn)有技術(shù)中存在的缺點(diǎn)。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提供一種基于超聲圖像的乳腺腫瘤區(qū)域自動(dòng)識(shí)別方法。

本發(fā)明的目的通過以下的技術(shù)方案實(shí)現(xiàn)：

一種基于超聲圖像的乳腺腫瘤區(qū)域自動(dòng)識(shí)別方法，包含以下順序的步驟：

S1.獲取乳腺超聲圖像，并對(duì)其進(jìn)行預(yù)處理；

S2.使用圖像分割算法對(duì)預(yù)處理后的超聲圖像進(jìn)行分割，得到多個(gè)分割子區(qū)域；

S3.提取超聲圖像的灰度直方圖、紋理特征、梯度特征、形態(tài)特征，再加上二維位置信息，得到高維度的特征向量；

S4.對(duì)高維度的特征向量，通過基于雙聚類的特征排序和選擇方法來選取最有效的特征子集，具體包括以下步驟：

(1)提取雙聚類種子點(diǎn)：對(duì)每一單獨(dú)列內(nèi)的元素做聚類，每一個(gè)聚類的結(jié)果都被看做一個(gè)雙聚類的種子點(diǎn)；對(duì)于給定的一個(gè)R行C列的數(shù)據(jù)矩陣，應(yīng)用一種凝聚分等級(jí)聚類算法到目標(biāo)矩陣的每一列；

(2)啟發(fā)式構(gòu)造雙聚類：利用一種啟發(fā)式的方法對(duì)第一步中提取的雙聚類種子點(diǎn)做擴(kuò)展，根據(jù)預(yù)先設(shè)定的準(zhǔn)則構(gòu)造雙聚類；

(3)消除冗余的雙聚類：首先，對(duì)雙聚類集合按照每個(gè)雙聚類包含的列數(shù)目升序排序；然后，從包含最少列數(shù)目的雙聚類開始迭代，檢測(cè)它是否屬于排在后面的雙聚類的子集，如果是，則消除該雙聚類；

(4)特征排序和選擇：對(duì)數(shù)據(jù)矩陣提取出雙聚類之后，需要從這些雙聚類中提取出能夠衡量各個(gè)特征的信息，即計(jì)算出每個(gè)特征相應(yīng)的雙聚類分值，分值越高，表明該特征越能表達(dá)該數(shù)據(jù)集，與其它特征的聯(lián)系越緊密，然后根據(jù)所需要的特征數(shù)目選擇出分值最高的特征子集，即為最有效的特征子集；

S5.選擇出最有效的特征子集后，使用分類器對(duì)其進(jìn)行學(xué)習(xí)分類，即可達(dá)到乳腺腫瘤區(qū)域自動(dòng)識(shí)別的目的。

步驟S1中，所述的預(yù)處理采用全變分模型，通過最小化全變分來達(dá)到濾波去噪的目的，全變分定義為

TV[u]=∫Ω|▿u|dx]]>

其中，Ω表示連續(xù)的信號(hào)域，表示圖像梯度，dx則表示Ω的一個(gè)元素。

由于要在平滑斑點(diǎn)噪聲的同時(shí)不損害圖像的邊緣特性，選用了對(duì)消除斑點(diǎn)噪聲和邊緣增強(qiáng)都十分有效的全變分模型(Total?Variation，TV)。

步驟S2中，所述的圖像分割算法閾值法、聚類法、最大后驗(yàn)法、馬爾可夫隨機(jī)場(chǎng)法、動(dòng)態(tài)規(guī)劃法、貝葉斯水平集法、基于圖論的分割算法中的一種。

步驟S4的分步驟(1)中，所述的一種凝聚分等級(jí)聚類算法具體如下：

a、計(jì)算所有原始數(shù)據(jù)的距離的最大值和最小值；

b、將所有原始數(shù)據(jù)每個(gè)元素初始化為單獨(dú)一類；

c、建立距離數(shù)組，記錄各類之間的距離，初始化為各個(gè)原始數(shù)據(jù)的距離；

d、對(duì)所有數(shù)據(jù)做以下循環(huán)：找到距離數(shù)組的最小值，如果該值小于閾值τ，則將這兩個(gè)類歸為一類，重新計(jì)算距離數(shù)組，直到距離數(shù)組的最小值大于或等于τ，終止循環(huán)；

凝聚分等級(jí)聚類后，將得到目標(biāo)矩陣的一系列雙聚類種子點(diǎn)：