[发明专利]基于多模态超声图像的淋巴结良恶性病变辅助诊断方法

权利要求书

1.一种基于多模态超声图像的淋巴结良恶性病变辅助诊断方法，其特征在于：包括以下步骤：

步骤1：输入淋巴结的常规B型超声图像和实时弹性超声成像(RTE)图像；

步骤2：对两种模态的图像进行预处理；

步骤3：特征提取：利用计算机算法分别对常规B型超声图像和RTE图像中的病灶提取量化特征；

步骤4：特征选择：利用多种特征选择算法对两种模态的量化特征进行特征选择，得到精简的特征；

步骤5：模型融合：首先，使用支持向量机SVM对两种模态的淋巴结图像分别进行分类；随后使用序列最小优化算法获得SVM分类的概率，它是一个介于0和1之间的后验概率，表示淋巴结被分类到每个类别中的可能性；然后，再使用以决策树作为基本弱学习算法的Adaboost合并多个训练过的SVM分类器模型来提高性能，得出分类结果；

在所述步骤4中，对B型超声图像特征和RTE图像特征采用基于信息理论的特征选择方法进行特征选择，基于信息理论的特征选择方法是一种特征排序方法，其采用特征相关性和冗余度对特征进行排序，把重要的特征排在前面，并使用前向顺序搜索的方式把特征逐个添加到所选特征集中；S用来存放选出的特征，初始化为空集；Y是标签，X_j∈S；J(.)是特征选择的准则，J(X_k)的值越大，则特征X_k越重要；基于信息论的特征选择框架中，未选择特征的计算准则如下公式：

其中函数g(.)是变量I(X_j；X_k)和I(X_j；X_k|Y)的函数，I(X_k；Y)是X_k和Y的互信息，I(X_j；X_k)是X_j和X_k的互信息，I(X_j；X_k|Y)是X_j和X_k在变量Y下的条件信息增益；根据不同的准则得到不同的特征选择方法；

采用条件信息特征提取CIFE、条件互信息最大化CMIM和双输入对称相关性DISR三种基于信息论的特征选择方法进行特征选择；

CIFE准则是不断迭代特征，其对未选择特征X_k的计算公式如下：

CMIM准则对于未选择特征X_k的计算准则如下：

DISR采用规范化的方法来规范互信息，对未选择特征计算公式如下：

所述步骤5中，模型融合包括以下具体步骤组成：

步骤5-1：由步骤4得到六个不同的特征集，针对每个特征集分别使用SVM分类器对淋巴结图像进行分类，使用序列最小优化算法获得SVM分类的概率，它是一个介于0到1之间的后验概率，表示淋巴结被分类到每个类别的可能性；

步骤5-2：使用以决策树作为基本弱学习算法的Adaboost集合基分类器形成更强的分类器，即Adaboost合并由步骤5-1得到的六个训练过得SVM分类器模型来提高性能。

2.根据权利要求1所述的基于多模态超声图像的淋巴结良恶性病变辅助诊断方法，其特征在于：

所述步骤2中所述的对两种模态的图像进行预处理包括以下具体步骤：

步骤2-1：根据超声成像仪上的弹性彩色编码条将RTE图像转换成软度图，从0最硬到1最软；

步骤2-2：手工勾勒出淋巴结的边界，分割出病灶的完整区域。