一种基于超声图像的乳腺肿瘤区域自动识别方法技术

本发明专利技术公开了一种基于超声图像的乳腺肿瘤区域自动识别方法，包含以下步骤：获取乳腺超声图像，并对其进行预处理；使用图像分割算法对预处理后的超声图像进行分割，得到多个分割子区域；提取超声图像的灰度直方图、纹理特征、梯度特征、形态特征，再加上二维位置信息，得到高维度的特征向量；对高维度的特征向量，通过基于双聚类的特征排序和选择方法来选取最有效的特征子集；选择出最有效的特征子集后，使用分类器对其进行学习分类，即可自动识别乳腺肿瘤区域。本发明专利技术的方法，可以从乳腺肿瘤超声图像的分割结果中自动识别出肿瘤区域，从而提高计算机辅助诊断的自动化性能，减少临床医生的手工操作，降低临床医生的主观影响。

【技术实现步骤摘要】

本专利技术涉及计算机辅助诊断领域，特别涉及一种基于超声图像的乳腺肿瘤区域自动识别方法。
技术介绍
如今，乳腺癌已成为威胁女性生命的主要疾病之一，然而人类对其具体病理还处于未知状态，早发现早治疗便成了得到有效治疗的主要方式。随着社会的发展和技术的进步，超声成像以其非侵入、成本低、简单可靠的特点成为了乳腺肿瘤的主要检测方式之一。然而，依靠超声图像的诊断是经验依赖性的，不可避免地会受到临床医生的主观因素影响，从而会大大降低诊断结果的准确性和可靠性。因此，为了避免主观因素的影响和提高诊断结果的准确性和可靠性，计算机辅助诊断的技术被提了出来并取得了很多的研究成果。在已提出的基于超声图像的乳腺癌计算机辅助诊断系统中，对超声图像进行分割后，通常需要临床医生从分割出的各子区域中人工选择出肿瘤区域，才能继续进行后续的分析操作，这严重降低了计算机辅助诊断的自动化性能，而且引进了临床医生的主观性。因此人们需要一种新的肿瘤区域识别方法来克服现有技术中存在的缺点。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提供一种基于超声图像的乳腺肿瘤区域自动识别方法。本专利技术的目的通过以下的技术方案实现：一种基于超声图像的乳腺肿瘤区域自动识别方法，包含以下顺序的步骤：S1.获取乳腺超声图像，并对其进行预处理；S2.使用图像分割算法对预处理后的超声图像进行分割，得到多个分割子区域；S3.提取超声图像的灰度直方图、纹理特征、梯度特征、形态特征，再加上二维位置信息，得到高维度的特征向量；S4.对高维度的特征向量，通过基于双聚类的特征排序和选择方法来选取最有效的特征子集，具体包括以下步骤：(1)提取双聚类种子点：对每一单独列内的元素做聚类，每一个聚类的结果都被看做一个双聚类的种子点；对于给定的一个R行C列的数据矩阵，应用一种凝聚分等级聚类算法到目标矩阵的每一列；(2)启发式构造双聚类：利用一种启发式的方法对第一步中提取的双聚类种子点做扩展，根据预先设定的准则构造双聚类；(3)消除冗余的双聚类：首先，对双聚类集合按照每个双聚类包含的列数目升序排序；然后，从包含最少列数目的双聚类开始迭代，检测它是否属于排在后面的双聚类的子集，如果是，则消除该双聚类；(4)特征排序和选择：对数据矩阵提取出双聚类之后，需要从这些双聚类中提取出能够衡量各个特征的信息，即计算出每个特征相应的双聚类分值，分值越高，表明该特征越能表达该数据集，与其它特征的联系越紧密，然后根据所需要的特征数目选择出分值最高的特征子集，即为最有效的特征子集；S5.选择出最有效的特征子集后，使用分类器对其进行学习分类，即可达到乳腺肿瘤区域自动识别的目的。步骤S1中，所述的预处理采用全变分模型，通过最小化全变分来达到滤波去噪的目的，全变分定义为TV[u]=∫Ω|▿u|dx]]>其中，Ω表示连续的信号域，表示图像梯度，dx则表示Ω的一个元素。由于要在平滑斑点噪声的同时不损害图像的边缘特性，选用了对消除斑点噪声和边缘增强都十分有效的全变分模型(Total Variation，TV)。步骤S2中，所述的图像分割算法阈值法、聚类法、最大后验法、马尔可夫随机场法、动态规划法、贝叶斯水平集法、基于图论的分割算法中的一种。步骤S4的分步骤(1)中，所述的一种凝聚分等级聚类算法具体如下：a、计算所有原始数据的距离的最大值和最小值；b、将所有原始数据每个元素初始化为单独一类；c、建立距离数组，记录各类之间的距离，初始化为各个原始数据的距离；d、对所有数据做以下循环：找到距离数组的最小值，如果该值小于阈值τ，则将这两个类归为一类，重新计算距离数组，直到距离数组的最小值大于或等于τ，终止循环；凝聚分等级聚类后，将得到目标矩阵的一系列双聚类种子点：[Cs(i,j),Ncl(j)]＝HC(j,τ),j＝1,...,C其中，HC代表凝聚分等级聚类算法，τ是聚类算法预设的阈值，Cs(i,j)表示第j列的第i个双聚类的种子点，Ncl(j)表示第j列双聚类种子点的总数目。步骤S4的分步骤(2)中，所述的对双聚类种子点做扩展，其方法包含以下步骤：a、按照每个种子点包含的行数做升序排序；b、从包含最小行数Rj的种子点开始，向其他列扩展相应的行，形成一个Rj行C列的矩阵M；c、对于矩阵M，计算其均方残基得分：MSRS=1|R||C|Σi∈R,j∈C(eij-eiC-eRj+eRC)2]]>eiC=1|C|Σj∈Ceij,eRj=1|R|Σi∈Reij,eRC=1|R||C|Σi∈R,j∈Ceij]]>其中，R是矩阵的行数，C是矩阵的列数，eij是该矩阵第i行第j列的元素值；如果计算得出的MSRS大于设定的阈值，则对于矩阵中的每一个点，计算除去该点所在的行或者列，计算新矩阵的MSRS,以新旧矩阵MSRS得分之差来衡量该点所在行或者列对MSRS的贡献值，删除MSRS贡献值最大的点所在的行或者列；不断迭代这一过程，直到矩阵的MSRS值少于预设定的阈值，则该矩阵为最终求得的一个双聚类。所述的步骤S4的分步骤(4)，具体如下：A、对数据矩阵提取出双聚类之后，需要从这些双聚类中提取出能够衡量各个特征的信息：基于双聚类的特征排序方案考虑了特征的相关性和样本的分离性两个因素，其中特征的相关性用相关性得分表示，用于衡量特征子集中的特征之间联系的紧密程度，样本的分离性用分离性得分表示，用于衡量一个特征的独立程度；对于第k个特征，如果它出现在双聚类子集Zk中的任一双聚类中，则该特征的相关性得分和分类性得分分别表示如下：correlation_score=Σi=1nb,knf,k(i)nc]]>separability_score=ns,knrΣi=1nb,k(μi,k-μa,k)2/nb,k]]>其中，nb,k表示Zk中双聚类的数目，nf,k(i)表示Zk中第i个双聚类包含的特征的数目，ns,k表示Zk中不重复的行的数目，μi,k表示Zk中第i个双聚类的第k个特征的均值，μa,k表示μi,k的均值；第k个特征的最终得分用双聚类分值表示：bicluster_score=a·correlation_score‾+separability_sco本文档来自技高网...

【技术保护点】
一种基于超声图像的乳腺肿瘤区域自动识别方法，其特征在于，包含以下顺序的步骤：S1.获取乳腺超声图像，并对其进行预处理；S2.使用图像分割算法对预处理后的超声图像进行分割，得到多个分割子区域；S3.提取超声图像的灰度直方图、纹理特征、梯度特征、形态特征，再加上二维位置信息，得到高维度的特征向量；S4.对高维度的特征向量，通过基于双聚类的特征排序和选择方法来选取最有效的特征子集，具体包括以下步骤：(1)提取双聚类种子点：对每一单独列内的元素做聚类，每一个聚类的结果都被看做一个双聚类的种子点；对于给定的一个R行C列的数据矩阵，应用一种凝聚分等级聚类算法到目标矩阵的每一列；(2)启发式构造双聚类：利用一种启发式的方法对第一步中提取的双聚类种子点做扩展，根据预先设定的准则构造双聚类；(3)消除冗余的双聚类：首先，对双聚类集合按照每个双聚类包含的列数目升序排序；然后，从包含最少列数目的双聚类开始迭代，检测它是否属于排在后面的双聚类的子集，如果是，则消除该双聚类；(4)特征排序和选择：对数据矩阵提取出双聚类之后，需要从这些双聚类中提取出能够衡量各个特征的信息，即计算出每个特征相应的双聚类分值，分值越高，表明该特征越能表达该数据集，与其它特征的联系越紧密，然后根据所需要的特征数目选择出分值最高的特征子集，即为最有效的特征子集；S5.选择出最有效的特征子集后，使用分类器对其进行学习分类，即可达到乳腺肿瘤区域自动识别的目的。...

【技术特征摘要】
1.一种基于超声图像的乳腺肿瘤区域自动识别方法，其特征在于，包含以
下顺序的步骤：
S1.获取乳腺超声图像，并对其进行预处理；
S2.使用图像分割算法对预处理后的超声图像进行分割，得到多个分割子区
域；
S3.提取超声图像的灰度直方图、纹理特征、梯度特征、形态特征，再加上
二维位置信息，得到高维度的特征向量；
S4.对高维度的特征向量，通过基于双聚类的特征排序和选择方法来选取最
有效的特征子集，具体包括以下步骤：
(1)提取双聚类种子点：对每一单独列内的元素做聚类，每一个聚类的结
果都被看做一个双聚类的种子点；对于给定的一个R行C列的数据矩阵，应用
一种凝聚分等级聚类算法到目标矩阵的每一列；
(2)启发式构造双聚类：利用一种启发式的方法对第一步中提取的双聚类
种子点做扩展，根据预先设定的准则构造双聚类；
(3)消除冗余的双聚类：首先，对双聚类集合按照每个双聚类包含的列数
目升序排序；然后，从包含最少列数目的双聚类开始迭代，检测它是否属于排
在后面的双聚类的子集，如果是，则消除该双聚类；
(4)特征排序和选择：对数据矩阵提取出双聚类之后，需要从这些双聚类
中提取出能够衡量各个特征的信息，即计算出每个特征相应的双聚类分值，分
值越高，表明该特征越能表达该数据集，与其它特征的联系越紧密，然后根据
所需要的特征数目选择出分值最高的特征子集，即为最有效的特征子集；
S5.选择出最有效的特征子集后，使用分类器对其进行学习分类，即可达
到乳腺肿瘤区域自动识别的目的。
2.根据权利要求1所述的基于超声图像的乳腺肿瘤区域自动识别方法，其
特征在于：步骤S1中，所述的预处理采用全变分模型，通过最小化全变分来达
到滤波去噪的目的，全变分定义为
TV[u]=∫Ω|▿u|dx]]>其中，Ω表示连续的信号域，表示图像梯度，dx则表示Ω的一个元素。
3.根据权利要求1所述的基于超声图像的乳腺肿瘤区域自动识别方法，其
特征在于：步骤S2中，所述的图像分割算法阈值法、聚类法、最大后验法、马
尔可夫随机场法、动态规划法、贝叶斯水平集法、基于图论的分割算法中的一

\t种。
4.根据权利要求1所述的基于超声图像的乳腺肿瘤区域自动识别方法，其
特征在于：步骤S4的分步骤(1)中，所述的一种凝聚分等级聚类算法具体如
下：
a、计算所有原始数据的距离的最大值和最小值；
b、将所有原始数据每个元素初始化为单独一类；
c、建立距离数组，记录各类之间的距离，初始化为各个原始数据的距离；
d、对所有数据做以下循环：找到距离数组的最小值，如果该值小于阈值τ，
则将这两个类归为一类，重新计算距离数组，直到距离数组的最小值大于或等
于τ，终止循环；
凝聚分等级聚类后，将得到目标矩阵的一系列双聚类种子点：
[Cs(i,j),Ncl(j)]＝HC(j,τ),j＝1,...,C
其中，HC代表凝聚分等级聚类算法，τ是聚类算法预设的阈值，Cs(i,j)表
示第j列的第i个双聚类的种子点，Ncl(j)表示第j列双聚类种子点的总数目。
5.根据权利要求1所述的基于超声图像的乳腺肿瘤区域自动识别方法，其

【专利技术属性】
技术研发人员：黄庆华，张强志，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44