[发明专利]一种基于超声图像特征相关性的乳腺肿瘤分类方法、装置

说明书

技术领域

本发明涉及一种基于超声图像特征相关性的乳腺肿瘤分类方法、装置。

背景技术

乳腺癌已经成为一种常见的女性的恶性肿瘤之一，在女性癌症的发病率的25％，死亡率 占15％。近年来，我国女性乳腺癌的发病率逐年上升，占恶性肿瘤的23％，严重威胁着女性 的身体健康和生命安全。

随着医学影像技术的不断发展，钼靶、超声、MRI、CT等成像设备已经被逐渐应用于乳 腺癌的检测工作中。钼靶是一种常用的乳腺癌影像学分析方法，然而钼靶图像对软组织的分 辨力差，在致密性乳腺癌诊断精度较低，仅能达到30％-48％，超声图像作为一种常见的补充 辅助分析方式之一，价格较低，且能够对致密性乳腺肿瘤的分类具有更好的表现，有利于减 少不必要的细胞活检，已经能逐渐引起研究学者的关注。

目前临床上，仅依靠临床医生对影像学图像的观察进行乳腺肿瘤的分析工作，大量的影 像学设备及患者会产生大量的乳腺图像，极大的增加医生的工作量。同时分析的结果也受临 床医生的经验和主观判断影响，图像中的阴影等噪声也会影响医生诊断的精度，因此难以较 快获得客观的诊断结果，特别针对于经验不足的临床医生容易造成误判等现象。

为了提高乳腺肿瘤图像分析的精度和效率，克服临床医生的主观判断的影响等因素，基 于计算机的乳腺癌计算机辅助诊断势在必行。当前的乳腺癌计算机诊断方法主要通过提取超 声图像中的不同的特征进行分类，主要包括纹理特征，形态学特征，基于模型的方法等。不 同的特征对乳腺超声图像具有不同的表现，不同特征之间的相关性在乳腺肿瘤良性恶性的区 分上也具有一定研究价值，然而上述方法都没有对特征之间的相关性进行分析。图像的特征 及特征之间的相关性都是乳腺肿瘤分类的有利依据。

发明内容

针对现有技术中存在的不足，本发明提供了一种基于超声图像特征相关性的乳腺肿瘤分 类方法，该方法提出了在超声图像上对乳腺肿瘤进行分类，主要包括以下三个关键部分：图 像预处理，特征相关性提取和乳腺肿瘤的分类。上述乳腺癌的诊断方法，对于特征相关性在 超声图像上乳腺癌的诊断上提出了新的观念并取得较好的效果。

本发明的技术方案为：

一种基于超声图像特征相关性的乳腺肿瘤分类方法，包括：

对乳腺超声图像进行预处理去噪，提取目标兴趣区域；

基于目标兴趣区域中的每个像素点，提取底层图像特征；

根据所述底层图像特征，利用协方差矩阵提取特征相关性，采用基于数据挖掘的分类器 对所述特征相关性进行分类，进而得到乳腺肿瘤的分类结果。

进一步的，所述基于数据挖掘的分类器采用KNN分类器。

进一步的，所述提取目标兴趣区域包括：

在所述乳腺超声图像上进行标记，根据标记提取包含有乳腺肿瘤区域的最小外接矩形， 作为目标兴趣区域。

进一步的，所述提取底层图像特征包括：

根据每个像素点的灰度及其在x方向和y方向的一阶导数和二阶导数，提取底层图像特 征。

进一步的，根据所述底层图像特征，利用协方差矩阵提取特征相关性包括，根据以下公 式提取协方差矩阵：

其中，n表示图像中的像素个数，F_k表示该像素的底层特征，μ表示所有像素的特征均 值，k表示像素的序号；协方差矩阵的对角线元素表示的是不同特征自身的方差，非对角线 元素表示的是不同特征之间的协方差，非对角线元素若值为正值，表示对应两个特征为正相 关，反之，若值为负，表示对应两个特征为负相关，如果为0，表示两个特征相互独立。

为了满足机器学习算法的需求，减少计算复杂度我们采用了L²ECM算法对协方差矩阵进 行向量化，将协方差矩阵中的值按照顺序构成一个新的特征向量，采用该特征向量表示特征 相关性。

采用L2ECM算法对协方差矩阵进行向量化包括：将所述协方差矩阵用C＝U∑U^T表示， 其中C表示该协方差矩阵，U表示正交阵，其中对角线元素为协方差矩阵C的特征值，计算 得logC＝Ulog(∑)U^T，将协方差矩阵中的值按照顺序构成一个新的特征向量，即vlog(C)＝[vlog(C₁),vlog(C₂),...,vlog(C_n)]，采用该特征向量表示特征相关性。

本发明还提出了一种计算机可读存储介质，其中存储有多条指令，所述指令由处理器加 载并执行以下处理：

对乳腺超声图像进行预处理去噪，提取目标兴趣区域；