[发明专利]基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法

权利要求书

1.一种基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法，其特征在于：包括以下步骤，

S1、输入乳腺超声RF数据；

S2、对步骤S1所输入的乳腺超声RF数据，提取Shearlet特征并降维，得到乳腺肿块特征，其中，基于Shearlet变换实现乳腺肿块特征提取，基于LBP的Shearlet特征降维；步骤S2中，基于Shearlet变换实现乳腺肿块特征提取，具体包括以下步骤，

S21、将原始乳腺超声RF信号依次进行尺度为m、方向为n的Shearlet变换，获得m*n个Shearlet高频特征矩阵；

S22、将每一个Shearlet高频特征矩阵划分为k1*k2个子块，并对每一子块进行LBP编码，计算每一子块的统计直方图；将k1*k2个子块的统计直方图首尾级联，得到一个Shearlet高频特征矩阵对应的LBP统计直方图特征；

S23、对m*n个Shearlet高频特征矩阵重复步骤S22的操作，得到m*n个LBP统计直方图特征，将这些LBP统计直方图特征全部首尾级联，得到一个RF信号对应的完全LBP统计直方图特征；

S24、对完全LBP统计直方图特征进行PCA降维和归一化处理，得到最终的乳腺肿块特征；

S3、采用层级二叉树SVM分类器对步骤S2所得的基于Shearlet特征提取和LBP特征降维的乳腺肿块特征，进行乳腺肿块分级检测。

2.如权利要求1所述的基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法，其特征在于：步骤S21具体为，

S211、使用拉普拉斯金字塔算法，将输入原始乳腺超声RF信号分解为低频子带特征矩阵和高频子带特征矩阵j表示层数，j＝1,2,.....n；

S212、将从直角坐标系转换到伪极网格坐标系，并通过离散傅里叶变换将其转换至频域上

S213、作为Shearlet变换的输入，实现信号多方向分解，并将结果从伪极网格坐标又映射回笛卡尔坐标进行傅里叶逆变换，得到一系列多方向高频子带特征矩阵；

S214、低频子带特征矩阵重复S212-S213的步骤，实现对乳腺超声RF信号的多尺度多方向Shearlet高频特征提取。

3.如权利要求1所述的基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法，其特征在于：步骤S22中，LBP编码比较3×3邻域中水平、垂直、对角四个方向的像素灰度值大小，以及中心像素灰度值与平均像素灰度值大小，实现Shearlet特征的降维。

4.如权利要求3所述的基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法，其特征在于：步骤S22中，LBP编码公式如下：

LBP＝S(g₀-g_m)2⁴+S(g₁-g₈)2³+S(g₄-g₅)2²+S(g₃-g₆)2¹+S(g₂-g₇)2⁰ (3)

其中，g₀～g₈为3×3邻域中各个像素的灰度值，

5.如权利要求2所述的基于Shearlet特征和层级二叉树SVM分类器的超声乳腺肿块分级检测方法，其特征在于：步骤S3中，采用层级二叉树SVM分类器，实现对乳腺肿块的分级检测，具体为：

首先从可能良性肿块即3级和可能恶性肿块的角度对乳腺肿块进行判断，可能恶性肿块包括4A级～4C级、5级，若判断为可能良性肿块，则分为3级；若判断为可能恶性肿块，则需要继续判断肿块属于可能恶性肿块中的哪一个级别；

其次，区分肿块是属于高度可能恶性肿块即5级还是疑似可能恶性肿块即4A级～4C级，若判断为高度可能恶性肿块，则分为5级；若判断为疑似可能恶性肿块，则仍然还需继续分析肿块属于低度疑似恶性即4A级、中度疑似恶性即4B级和高度疑似恶性即4C级中的哪一种；

然后，先判断肿块属于低度疑似恶性即4A级还是非低度疑似恶性包括4B级和4C级，在判断为非低度疑似恶性的基础上，再判断肿块属于中度疑似恶性即4B级还是高度疑似恶性即4C级。