[发明专利]一种用于计算机辅助诊断的乳腺B超图像特征自学习提取方法

说明书

本发明涉及一种用于计算机辅助诊断的乳腺B超图像特征自学习提取方法，首先基于中等规模以上的乳腺B超病灶区域图像集无监督训练出一个卷积受限玻尔兹曼机(CRBM)，对于任意给定的一幅B超病灶区域图像，首先将其输入训练好的CRBM，由CRBM提取得到乳腺B超图像的初始特征；随后，利用主成分分析法（PCA）对初始特征进行降维，得到可用于计算机辅助诊断的低维乳腺B超图像特征，完成乳腺B超图像浅层特征的自学习提取。本发明采用完全无监督的形式，从已有的乳腺B超图像数据中去自学习特征，减少工作量，避免了人工干涉，该方法实现灵活，具有较强的实用性。

技术领域

本发明涉及医学图像处理技术领域，特别是一种用于计算机辅助诊断的乳腺B超图像特征自学习提取方法。

背景技术

乳腺癌是发生在妇女群体中最普遍的恶性肿瘤之一。近年来，我国反癌协会调查研究显示，乳腺癌的发生比率在逐年递增。因此提高乳腺癌的早期诊断精度变得越来越有意义。

目前，乳腺癌诊断采用的主要方法是通过乳腺x射线、B超图像等影像检查，诊断者通过钙化或肿块等影像特征来对病情进行分析。但由于乳腺组织中的腺体、血管、脂肪等软组织的密度与病灶区的密度都很接近，加上诊断者视觉疲劳等因素，使得早期乳腺癌的误诊和漏诊仍时常发生。随着医学影像技术和计算机辅助技术的不断发展，利用计算机进行辅助诊断成为可能；比如利用数字图像处理技术，提取乳腺B超图像中病理相关的特征，运用SVM等机器学习方法根据这些特征对乳腺肿块良恶性进行分类识别等。

从计算机辅助诊断乳腺癌的应用现状来看，计算机辅助诊断的准确度很大程度取决于提取到B超图像病理相关特征是否有效。目前，用于计算机辅助诊断的医学图像特征提取基本上采用手工定位病灶感兴趣区域，并通过基本图像处理的方法提取的一些基础的常规特征，如：灰度直方图特征、形状特征、灰度共生矩阵特征、小波特征等。但上述方法有以下几个方面的不足：第一、上述基础常规特征的逐一提取耗时费力；第二、上述单个基础常规特征本身并非领域相关，和乳腺癌的特定应用关联度不大；第三、设计有效的可用于计算机辅助诊断乳腺癌的基础常规特征组合具有严重的不确定性。因此，最好的解决机制是提供一种可以根据以往乳腺癌B超图像自动学习出与病理有关且可用于辅助诊断的图像特征的方法。

在Honglak Lee等人发表的“Convolutional Deep Belief Networks forScalable Unsupervised Learning of Hierarchical Representations”文章中，作者利用卷积深信网对人脸图像进行特征学习，通过学习得到的特征对人脸进行识别。该实验结果表明卷积深信网可用于特征的自学习。

由此，本专利提出利用卷积受限玻尔兹曼机(CRBM)完成乳腺B超图像的特征自学习提取。

发明内容

有鉴于此，本发明的目的是提出一种用于计算机辅助诊断的乳腺B超图像特征自学习提取方法，减少工作量，避免了人工干涉，且有助于特征的病理相关性。

本发明的采用以下方案实现：一种用于计算机辅助诊断的乳腺B超图像特征自学习提取方法，具体包括以下步骤：

步骤S1：给定一个中等规模以上的乳腺B超病灶区域图像集，所述中等规模表示该图像集至少含有200幅以上的乳腺B超诊断图像；

步骤S2：手动提取步骤S1中图像集离每一张乳腺B超诊断图像的乳腺B超病灶区域图像ROI，并将全部的乳腺B超病灶区域图像ROI作为训练集的样本；其中所述乳腺B超病灶区域图像ROI的大小为150×150；

步骤S3：将训练集用于面向初始特征提取的卷积受限玻尔兹曼机CRBM的训练；

步骤S4：采用CD算法训练面向初始特征提取的卷积受限玻尔兹曼机CRBM，得到面向初始特征提取的卷积受限玻尔兹曼机CRBM的具体设置；