[發(fā)明專利]基于CAD系統(tǒng)提高前列腺腫瘤MRI圖像識別率的方法

在審

• 申請?zhí)枺?/td>: 201510015896.5
• 申請日: 2015-01-13
• 公開（公告）號: CN104794426A
• 公開（公告）日: 2015-07-22
• 發(fā)明（設計）人: 周濤;陸惠玲;楊德仁;楊柳;陳志強;張艷寧
• 申請（專利權）人: 寧夏醫(yī)科大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 寧夏專利服務中心 64100
• 代理人: 張尚星

技術領域

本發(fā)明屬于前列腺疾病醫(yī)療器械領域，具體是基于CAD系統(tǒng)提高前列腺腫瘤MRI圖像識別率的方法。

背景技術

前列腺腫瘤主要包括前列腺癌與前列腺增生，兩者都發(fā)生于前列腺，其中前列腺癌是一種常見的惡性腫瘤。一般情況下，前列腺增生是不會轉變?yōu)榍傲邢侔┑模傲邢侔┩ǔＪ怯芍蹦c指檢(Digital?rectal?examination,DRE)異常及血清前列腺特異性抗原(Prostate-specific?antigen,PSA)升高而被臨床發(fā)現(xiàn)的，前列腺癌一經(jīng)發(fā)現(xiàn)，其治療方法主要取決于腫瘤組織學分類和臨床分期，前列腺癌TNM分期和Gleason分期明確了病變范圍，正確分期對決定能否手術、選擇治療方法和判斷預后都十分重要。MRI具有三維成像、軟組織對比度好、無生物學損害、不需要注射造影劑即可顯示血管結構等優(yōu)點，能夠區(qū)分前列腺外周帶和中央腺，并提供不同方向所需切面，從而便于了解前列腺全貌以及周圍關系，這不僅有利于定性、分期以決定正確處理方針,也有助于手術治療計劃的順利實施和術后觀察，因此MRI在前列腺癌的定位、癌組織范圍、有無穿透包膜、有無遠處轉移等檢查中具有重要作用。

計算機輔助診斷系統(tǒng)(Computer-Aided?Diagnosis,CAD)是能夠提供定量分析，減輕醫(yī)生診斷的工作量，給醫(yī)生提供具有較好一致性和?重復性的診斷參考和建議，以期提高診斷效果，降低活檢次數(shù)，提高診斷效率和客觀性的技術手段，大量的研究也表明，CAD系統(tǒng)的使用使得醫(yī)師的讀片質量確實得到了明顯的提高。基于醫(yī)學影像的CAD方法從技術的角度來講就是目標識別技術，但是現(xiàn)有的目標識別方法只是根據(jù)單一的樣本特征向量進行劃分，對大量同類樣本所表現(xiàn)出的高維模式特性考慮不夠充分。因此對MRI前列腺腫瘤ROI區(qū)域只提取幾維或者十幾維特征得到的識別結果可信度不高。雖然有相關文獻對前列腺腫瘤的CAD進行了一定程度的討論，但是與人體其它器官(如乳腺、腦部等)相比，前列腺CAD方面報道較少，并且這些結論只是在小樣本、抽取特征有限的條件下取得的,普遍存在假陽性率過高的缺點，缺乏更具有說服力的大樣本前瞻性研究。因此，極尋求有效的方法來提高前列腺腫瘤CAD系統(tǒng)識別率的一種亟需解決的問題。

發(fā)明內容

本發(fā)明的目的是克服現(xiàn)有技術不足，提供一種基于CAD系統(tǒng)提高前列腺腫瘤MRI圖像識別率的方法。該方法使識別前列腺良、惡性腫瘤的能力至少提高10％以上，對MRI前列腺腫瘤的CAD具有積極的意義。

本發(fā)明的目的是通過以下技術方案予以實現(xiàn)：

一種基于CAD系統(tǒng)提高前列腺腫瘤MRI圖像識別率的方法，包括以下步驟：(1)采集前列腺患者的MRI圖像；(2)提取MRI前列腺腫瘤ROI區(qū)域特征；(3)對ROI區(qū)域特征進行特征級融合；(4)?利用神經(jīng)網(wǎng)絡作為分類器對融合后的特征進行分類識別；

上述步驟(2)所述ROI區(qū)域特征是幾何特征、統(tǒng)計特征、Hu不變矩特征、灰度共生矩陣的紋理特征、TAMURA紋理特征、頻域特征。

上述步驟(2)所述幾何特征是：面積、周長、矩形度、伸長督、圓形度、歐拉數(shù)；

所述統(tǒng)計特征是：均值、方差、傾斜度、峰態(tài)、能量、熵；

所述Hu不變矩特征是：C1、C2、C3、C4、C5、C6、C7；

所述灰度共生矩陣的紋理特征是：能量、對比度(反差、慣量)、熵、和熵、差熵、相關性、逆差距、方差、和的方差、和的均值、差分方差、相關信息度量(2維)、最大相關系數(shù)；

所述TAMURA紋理特征是粗糙度、對比度、方向度；

所述頻域特征是：能量8維(小波特征能量1-8)、范數(shù)8維(小波特征范數(shù)1-8)、標準差8維(小波特征標準差1-8)；

上述步驟(3)特征級融合采用的算法是線性降維算法。

上述線性降維算法是PCA主成份分析法。

上述步驟(4)所述神經(jīng)網(wǎng)絡采用訓練算法是BFGS擬牛頓算法、BP算法、最速梯度下降算法和Levenberg-Marquardt算法。