[發明專利]一種乳腺腫瘤圖像的分類方法及系統

在審

• 申請號: 201810636416.0
• 申請日: 2018-06-20
• 公開（公告）號: CN108875829A
• 公開（公告）日: 2018-11-23
• 發明（設計）人: 曲海平;李珊珊;寇光杰;張志旺;周春姐;賈世祥
• 申請（專利權）人: 魯東大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06T7/11
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 王瑩;吳歡燕

1.一種乳腺腫瘤圖像的分類方法，其特征在于，包括：

基于FCM算法獲取待分類乳腺腫瘤圖像中的腫塊區域；

基于Weka系統獲取所述腫塊區域的混合特征；

根據所述腫塊區域的混合特征，基于SVM算法對所述待分類乳腺腫瘤圖像進行分類；其中，所述SVM算法的參數預先使用改進的FOA算法進行優化。

2.根據權利要求1所述的方法，其特征在于，基于FCM算法獲取待分類乳腺腫瘤圖像中的腫塊區域的步驟之后還包括：

基于圖像增強方法對所述腫塊區域進行增強；

對增強后的所述腫塊區域進行傅里葉變換，對增強后的所述腫塊區域進行傅里葉變換后基于巴特沃斯濾波器和幾何開閉運算對增強后的所述腫塊區域進行去噪；

基于閾值法對傅里葉變換后的所述腫塊區域進行二值化，以基于Weka系統獲取二值化后的所述腫塊區域的混合特征。

3.根據權利要求1所述的方法，其特征在于，基于Weka系統獲取所述腫塊區域的混合特征的步驟具體包括：

提取所述腫塊區域的特征；其中，所述特征包括形態特征、形狀Hu矩特征和灰度共生矩陣紋理特征中的一種或多種；

對所述腫塊區域的特征進行篩選和降維，獲取所述腫塊區域優化后的特征；

基于Weka系統中的屬性子集評估器CfsSubsetEval和BestFirst搜索，對所述優化后的特征進行篩選；

將篩選出的所述優化后的特征進行組合，獲取所述腫塊區域的混合特征。

4.根據權利要求3所述的方法，其特征在于，所述形態特征包括緊密度、標準化半徑、面積比率、所述腫塊區域的周長與所述腫塊區域的最小外接矩形的周長之比、所述腫塊區域的面積與所述最小外接矩形的面積之比，以及所述腫塊區域的形狀縱橫比中的一種或多種；

所述形狀Hu矩特征由所述腫塊區域的二階和三階中心線性組合獲取；

所述灰度共生矩陣紋理特征根據所述腫塊區域的對比度、能量、熵、相關性的均值和方差獲取。

5.根據權利要求1-4任一所述的方法，其特征在于，在根據腫塊區域的混合特征，基于SVM算法對待分類乳腺腫瘤圖像進行分類的步驟之前還包括：

基于改進的FOA算法對SVM算法中的懲罰系數和核函數參數進行優化。

6.根據權利要求5所述的方法，其特征在于，基于改進的FOA算法對SVM算法中的懲罰系數和核函數參數進行優化的步驟具體包括：

根據果蠅群體中各果蠅進行參數優化的三維坐標，計算各所述果蠅與原點之間的距離；

根據各所述距離計算味道濃度判定值，根據所述味道濃度判定值對SVM算法中的懲罰系數和核函數參數進行賦值；

基于5折交叉驗證，將所述味道濃度判定值作為適應度函數的參數進行計算，獲取各所述三維坐標處的味道濃度和最大的所述味道濃度對應的三維坐標；

將最大的所述味道濃度對應的三維坐標作為各所述果蠅下一次進行參數優化的三維坐標。

7.根據權利要求1-4任一所述的方法，其特征在于，在根據腫塊區域的混合特征，基于SVM算法對待分類乳腺腫瘤圖像進行分類的步驟之前還包括：

基于改進的SOM神經網絡模型根據訓練樣本集合的混合特征對訓練樣本進行聚類，獲取各訓練樣本子集；

對于任一所述訓練樣本子集，計算該訓練樣本子集中各訓練樣本與該訓練樣本子集的聚類中心之間的距離；

若各所述距離小于或等于預設閾值，則基于各所述距離對應的訓練樣本對SVM算法進行訓練。