[发明专利]一种用于计算机辅助诊断乳腺B超特征有效性验证的方法

说明书

本发明涉及一种用于计算机辅助诊断乳腺B超特征有效性验证的方法，先将乳腺B超病灶区域图像集分为训练集和验证集，且所有B超病灶区域图像均给定图像特征和文本特征；接着对训练集和验证集中所有样本图像的文本特征进行二进制编码；然后基于训练集完成面向乳腺B超特征验证的VALIDATION_RBM的训练；最后将该训练好的VALIDATION_RBM即作为特征有效性验证的工具。本发明即便在没有类标签信息的情况下，仍然可以充分利用乳腺B超影像分析文本和图像特征之间的映射关系来验证图像特征的有效性。

技术领域

本发明涉及特征工程技术领域，特别是一种用于计算机辅助诊断乳腺B超特征有效性验证的方法。

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。

大部分研究工作者提取完乳腺B超图像特征后，直接应用于模式识别，却省去了特征有效性验证的步骤。然而特征有效性验证是相当必要的，一个特征是否有效直接影响乳腺癌诊断的精确度。目前，用于特征有效性验证的方法有：通过计算特征的分类精度、信息熵等来验证特征的有效性。但是上述方法有以下不足：过分依赖于样本的类标签信息来判定特征的有效性。但实际上，有很多图像并没有类标签信息，只有一些文本描述信息；比如对乳腺B超图像而言，并非所有B超图像都通过对病人做病理检查来获得图像类标签，但是大部分乳腺B超图像都有影像分析文本。因此，最好的解决机制是提供一种可以根据现有的乳腺B超影像分析文本和对应的有效性待验证图像特征自动学习出一个可用于特征有效性验证的模型的方法。

Nitish Srivastava等人发表的”Multimodal Learning with Deep BoltzmannMachines”的文章中，作者利用自然图像和对应文本特征学习出多模深度玻尔兹曼机Multi_DBM，该Multi_DBM可以在图像缺失的情况下根据文本特征采样出对应的图像。该实验结果表明Multi_DBM可用于学习图像和文本特征的一个映射关系。

Multi_DBM是基于RBM生成的，由此，本专利提出了基于受限玻尔兹曼机的特征验证方法。

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乳腺B超特征有效性验证的方法，即便在没有类标签信息的情况下，仍然可以充分利用乳腺B超影像分析文本和图像特征之间的映射关系来验证图像特征的有效性。

本发明采用以下方案实现：一种用于计算机辅助诊断乳腺B超特征有效性验证的方法，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，其中中等规模表示该图像集至少含有250幅以上的乳腺B超病灶区域图像；

步骤S2：将步骤S1中乳腺B超病灶区域图像集分为训练集和验证集，且所有乳腺B超病灶区域图像均给定图像特征v^img和文本特征v^text；其中所述图像特征v^img为从乳腺B超病灶区域图像提取出的特征，其有效性待验证，所述文本特征v^text由B超影像分析得出；其中，所述训练集至少包括200幅乳腺B超病灶区域图像作为其样本，所述的验证集至少包括50幅乳腺B超病灶区域图像作为其样本；