一种乳腺肿瘤超声图像自动分类方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107748889A(43)申请公布日2018.03.02(21)申请号201710957652.8(22)申请日2017.10.16(71)申请人高东平地址100081北京市海淀区学院南路8号院143(72)发明人高东平(74)专利代理机构北京理工正阳知识产权代理事务所(普通合伙)11639代理人鲍文娟(51)Int.Cl.G06K9/46(2006.01)G06K9/62(2006.01)权利要求书1页说明书3页附图3页(54)发明名称一种乳腺肿瘤超声图像自动分类方法(57)摘要本发明涉及一种乳腺超声图像自动分类方法，属于人工智能应用技术领域。本发明紧密结合乳腺超声图像量化特征，将乳腺肿瘤超声图像中的直方图特征、颜色特征、轮廓特征、边界特征、回声特征进行量化，选择决策树、朴素贝叶斯及随机森林方法做为机器学习方法，并提出了一种决策树、朴素贝叶斯及随机森林加权融合多维分类方法对乳腺图像进行识别。本发明可有效提高乳腺肿瘤超声图像自动分类准确率。CN107748889ACN107748889A权利要求书1/1页1.一种乳腺肿瘤超声图像自动分类方法，其特征在于：步骤一、进行图像类型选择：将图片按照来源分成正常图片，良性图肿瘤图片和恶性肿瘤图片，放在不同的文件夹内；步骤二、初始化正常图片、良性肿瘤图片、恶性肿瘤图片目录，初始化测试样本矩阵，初始化总文件数，目前处理的文件数；步骤三、对正常图片、良性肿瘤图片、恶性肿瘤图片进行处理，分别在每个文件夹下提取各种特征，包括图片的直方图特征、颜色矩、轮廓特征、回声模式、边界特征；轮廓特征通过似圆度刻画：提取方法为：进行直方图计算，将得出的直方图向量值输入特征矩阵；进行颜色矩计算：对所选区域进行颜色矩计算，将得出的颜色向量值输入特征矩阵；进行轮廓特征计算：对所选区域进行轮廓特征提取，首先找到所有的轮廓，计算似圆度C，其中P为肿瘤区域的周长，A为肿瘤区域的面积，将提取的各种特征写入特征矩阵；进行回声模式计算：采用病灶内部区域灰度均值与病灶外部带状区域的灰度均值之比，将提取的各种特征写入特征矩阵；进行边界特征计算：利用肿瘤边界邻近区域灰度的分布来进行；肿瘤邻近边界的内外区域之间灰度的统计差异用类间方差度量；将提取的各种特征写入特征矩阵；步骤四、将提取的特征写入特征矩阵供学习系统进行训练和学习；步骤五、应用决策树、朴素贝叶斯及随机森林三种不同的判断方式对同一区域进行判断；步骤六、对步骤五中三种方法判断的不同类型的判断结果采用“正常：0.1”，“良性：0.2”，“恶行：0.7”的权重加权对结果进行累加；步骤七、对结果进行归一化，根据结果值确定最终的类型，具体公式为：其中：wi为第i种方法的权重；ti为采用第i种方法判断得到的类型值，i＝1,2,3，分别对应决策树、朴素贝叶斯及随机森林三种方法；类型表示：0：正常；1：良性；2：恶性。2CN107748889A说明书1/3页一种乳腺肿瘤超声图像自动分类方法技术领域[0001]本发明涉及一种乳腺肿瘤超声图像自动分类方法，属于人工智能应用技术领域。背景技术[0002]当前，医学图像的临床分析主要透过医生对图像的定性评价完成，缺乏图像特征的定量度量。人们视觉感知的差异，经验积累的不同，不同的特征和诊断标准的使用，导致了不同医生诊断结果的差异。通过计算机方法，可客观定量地提取和分析影像特征，解决人眼视觉的局限。基于影像的计算机辅助诊断由此需求而发展起来。[0003]对于乳腺超声图像自动分类，从识别方法上来看，目前文献中曾提到过的图像识别方法有：统计模式识别法、结构(句法)识别法、基于模型(知识)的算法、基于人工神经网络的图像识别、基于模糊集的模式识别等。[0004]但由于乳腺肿瘤医学图像中蕴含着丰富的人体图像特征信息和规则，其具有高分辨率、图像特征表达复杂等特点，这也使得目前的分类方法在乳腺肿瘤超声图像自动分类方面，准确率不能满足实际需要。发明内容[0005]本发明的目的是为解决乳腺肿瘤超声图像自动分类准确率低问题，紧密结合乳腺超声图像量化特征，将乳腺肿瘤超声图像中的直方图特征、颜色特征、轮廓特征、边界特征、回声特征进行量化，选择决策树、朴素贝叶斯及随机森林方法做为机器学习方法，并提出了一种决策树、朴素贝叶斯及随机森林加权融合多维分类方法对乳腺图像进行识别。为实现上述目的，本发明所采用的技术方案如下：[0006]步骤一、进行图像类型选择：将图片按照来源分成正常图片，良性图肿瘤图片和恶性肿瘤图片，放在不同的文件夹内；[0007]步骤二、初始化正常图片、良性肿瘤图片、恶性肿瘤图片目录，初始化测试样本矩阵，初始化总文件数，目前处理的文件数；[0008]步骤三、对正常图片、良性肿瘤图片、恶性肿瘤图