一种基于决策树的数字乳腺图像自动筛查方法技术

本发明专利技术公开了一种基于决策树的数字乳腺图像自动筛查方法，该方法包括以下步骤：（１）对当前数字乳腺图像进行高斯滤波，得到去除噪声的图像；（２）根据除噪图像的灰度信息，提取８个灰度特征；（３）计算图像中每一个像素点的纹理输出值，得到纹理直方图并提取８个纹理特征；（４）把得到的１６个特征组成一个样本向量，用训练好的分类器进行分类，给出筛查结果。本发明专利技术的优点是：在对大量样本进行筛查时，能够快速的排除部分正常样本，而且不需要人为干预，提高了效率。

【技术实现步骤摘要】

本专利技术涉及一种数字乳腺图像筛査方法，尤其涉及一种基于决策树的数字乳腺图 像自动筛査方法。技术背景乳腺癌是妇女最常见的恶性肿块之一，全世界每年新发病例超过90万人。乳腺 X光影像技术(mammography)目前被认为是早期诊断乳腺癌的最可靠且有效的手段。 利用乳腺X光影像技术生成的数字乳腺图像进行辅助诊断已经成为被广泛采用的预 防和诊断早期乳腺癌的重要方法。目前，基于数字乳腺图像对乳腺癌进行计算机辅 助检测与诊断的系统一般包括对乳腺癌可疑区域(ROI)的检测、提取特征和分类三 个过程。但上述方法在使用时存在以下问题首先现有的检测方法一般被设计用来处理 单幅或少量的图像，不能在高敏感性的要求下快速地同时检测各类肿块和钙化点簇； 其次ROI检测的方法都存在这样或那样的困难，要么乳腺肿块或钙化点特征计算量 大；要么检测率不高，甚至有时需要医师画出ROI的大致范围，不适合有大量样本 的普査情况；最后在分类时，由于经典机器学习和模式识别技术中分类预测的方法 都是以最小化预测错误为目标而设计的，所以对所关心的阳性样本的检测准确率并 不理想。而在乳腺癌的体检和普査活动中，由于图像数量很多，直接对每幅图像进 行ROI检测难以保证效率及准确性，从而容易造成漏诊和误诊。
技术实现思路
专利技术目的本专利技术的目的是针对现有技术的不足，提供一种基于决策树的快速， 自动的数字乳腺图像筛査方法。技术方案为了达到上述的专利技术目的，本专利技术的方法包括下列步骤(1) 对当前数字乳腺图像进行高斯滤波，得到去除噪声的图像；(2) 根据除噪图像的灰度信息，提取8个灰度特征；(3) 计算图像中每一个像素点的纹理输出值，得到纹理直方图并提取8个纹理特征；(4) 把得到的16个特征组成一个样本向量，用训练好的分类器进行分类，给出 筛査结果。为了能够适应快速处理大量图像同时在低漏检率的情况下尽可能多地去除正常 图像的要求，本专利技术打破了传统对乳腺癌进行计算机辅助检测与诊断的方法，提出 了一种基于决策树的自动筛査方法，在检测前进行图像的自动筛査。该方法并不关 心肿块及钙化点簇在图像中的具体位置，而是根据肿块或钙化点簇图像和正常图像 在灰度和纹理分布上的差异直接对整幅图像提取特征，这样计算量小，可以快速去 除大量正常图像，为进行准确的乳腺癌可疑区域检测打下重要的基础。有益效果本专利技术的方法与现有技术相比，其显著优点是在对大量样本进行 筛査时，能够快速的排除部分正常样本，而且不需要人为干预，提高了效率。 附图说明图1是本专利技术的工作流程图；图2是本专利技术的决策树分类器的训练流程图。具体实施方式本专利技术方法流程如图l所示，下面详细说明本方法包括下列步骤 步骤(l):对原图像/Q(X,力进行巻积滤波得到新的图像/^,力，L(;c,力可由下 式计算力=Zo(;c，力 GO,力 其中G(x，力采用了表l中的5*5的高斯核表l 5*5的高斯核0. 00010.00200. 00550. 00200.00010.00200. 04220.17110. 04220.00200.00550.17110. 32480.17110,00550.00200. 04220.17110. 00420.00200. 00010.00200. 00550. 00200.0001步骤(2):提取基于图像/!(X,力灰度直方图的特征。设/!(W)为图像/i(JC,力的灰度直方图，iV表示/《;c,力的最大灰度级。对灰度直方图/K")进行归一化得到= /Kw)/SWn) 。 "i ， w2分别表示/(") > r的最小灰度值和最大灰度值，阈值r的取值很小，主要是为了去掉一些异常的灰度点，使得两类图像直方图的差异更加明显。提取的前4个特征分别如下公式所示<formula>formula see original document page 5</formula>将/(")增强以后变为/(")*/(")，依上述4式提取后4个特征。步骤(3):依下式定义用于提取纹理的￡5尸;^算子<formula>formula see original document page 5</formula> 如果C/(丄5尸^)S2 艸尸+ 1 否则其中t/(Z5/^)定义为p—l其中&(/ = O，l，...,尸-l)为圆形对称区域点的灰度值，为中心点的灰度值cS(;c)定义为<formula>formula see original document page 5</formula>下图是不同(尸,及)对对应的圆形对称点的集合:<image>image see original document page 6</image>由丄5尸^算子计算每一个像素点的纹理，得到纹理直方图，提取和图像灰度直方图同样的8个特征，其中设"1 = 5， "2 = 20。步骤(4):把得到的16个特征组成一个样本向量，用训练好的分类器进行分类， 给出筛查结果。其中，上述步骤(4)中的训练好的分类器，其训练步骤如下(1) 初始化训练集D，测试机D"，迭代次数/;(2) 由D定义正样本集合D+与负样本集合iT;'(3) 对每个ZT中的样本je ，置^./^^/ = 1，对每个ZT的样本x，置 jc她HZT |/|￡>+|;(4) 将D与Z)"合并为iy，置循环控制量/ = 1和迭代次数//;(5) 对IH进行一个bootstrap抽样得到的训练集D'，置循环控制量!'/ = 1;(6) 归一化D'中样本的权重使得所有样本的权重之和为1;(7) 根据权重从D'中bootstrap抽样出新的训练集Z)"，置FiV^oo;(8) 使用D"训练J48分类器，并得到分类结果/;;(9 )置假阳性量F_P=|{;cei)"|x/fl6e/ = 0A/z(x) = l}|和假阴性量 FiV =| {jc e D"| x她/ = 1A /z(x) = 0} I;(10) 如果Fiv为o或者F尸为o或者fw/F尸〈:r，那么置分类结果^ = /^，并转(14);(11) 否则，如果FiV、iW，置迭代次数// = / '-1，转(14);(12) 否则对于D"中的任意阴性样本;c，令;^^/ = 1;(13) 置分类结果/z,, = /j， FiV'-FiV;(14) 置a为Z)'中所有假阴性样本的权重和；(15) 如果s,)0.5，转(19);(16) 否则令/X,-^7(l-s,);(17) 对于每一个分错的正样本x更新权重;c.w/g似=jc.we/g/i"yft,;(18) 令"=// + 1，如果/!、//，转(6);(19) 令fe(jc) = f fc,(;c) log(l / ;ii=l(20) 令/ = / + 1，如果/</，转(5);(21) 样本乂为正样本的概率/^)=丄^>("，训练结束。权利要求1、，其特征是该方法包括下列步骤(1)对当前数字乳腺图像进行高斯滤波，得到去除噪声的图像；(2)根据除噪图像的灰度信息，提取8个灰度特征；(3)计算图像中每一个像素点的纹理输出值，得到纹理直方图并提取8个纹本文档来自技高网...

【技术保护点】
一种基于决策树的数字乳腺图像自动筛查方法，其特征是该方法包括下列步骤：　（１）对当前数字乳腺图像进行高斯滤波，得到去除噪声的图像；　（２）根据除噪图像的灰度信息，提取８个灰度特征；　（３）计算图像中每一个像素点的纹理输出值 ，得到纹理直方图并提取８个纹理特征；　（４）把得到的１６个特征组成一个样本向量，用训练好的分类器进行分类，给出筛查结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：李宁，周华杰，戴平，
申请(专利权)人：南京大学，
类型：发明
国别省市：84[中国|南京]