[发明专利]基于人工智能的肿瘤识别系统

权利要求书

1.一种基于人工智能的肿瘤识别系统，其特征在于，包括：图像采集模块、图像库、图像预处理模块、图像特征提取模块和肿瘤识别模块，其中：

所述图像采集模块用于采集人体器官CT图像；

所述图像库用于存储所述图像采集模块采集的人体器官CT图像，以及CT图像训练样本集合；

所述图像预处理模块用于对所述CT图像进行降噪、图像增强和图像分割处理，获得疑似病灶所在区域；

所述图像特征提取模块用于对CT图像进行图像特征提取，形成图像特征参数集合；

所述肿瘤识别模块包括病灶识别BP神经网络和肿瘤识别BP神经网络，分别用于识别疑似病灶区域和识别病灶类型；

所述肿瘤识别系统的肿瘤识别方法包括以下步骤：

S1.图像预处理模块对待测人体器官CT图像进行降噪处理，然后图像特征提取模块提取图像纹理特征；

S2.病灶识别BP神经网络根据图像纹理特征识别人体器官CT图像中是否含有疑似病灶区域；

S3.图像预处理模块对含有疑似病灶区域的人体器官CT图像进行图像分割，获得疑似病灶所在的区域；

S4.对疑似病灶所在区域进行增强处理后，进一步提取纹理特征和形状特征；

S5.肿瘤识别BP神经网络识别病灶类型；

其中，步骤S1中，所述图像特征提取模块提取图像纹理特征的步骤为：

S11.将降噪后CT图像转换为数字化的图像数据，对于图像中每一个像素，取以该像素为中心的3×3邻域像素作为一个邻域，将邻域内每个像素与中心像素进行差分计算，将每个差分大小结果组合在一起，得到中心像素的二元表示结果；具体为：

将图像用二维离散函数f(x，y)表示，其中，(x，y)表示像素位置；f(x，y)代表位置为(x，y)处的像素强度值，利用邻域像素和中心像素的差分关系对图像进行变换，设变换后的图像表示为g(u，v)，则g(u，v)可以表示为：

g(u,v)＝T(f(x,y)) (3)

式中，T(.)表示变换函数，对f(x，y)的任意n×n邻域，设中心像素为g_c，邻域像素为g_p(p＝0,1,2,…,P-1)，则变换函数如式(4)所示：

T(g₀-g_c,g₁-g_c,g₂-g_c,…,g_P-1-g_c)(4)

S12.通过判别函数s(x)将邻域像素和中心像素的差分大小关系进行组合，得到中心像素的二元表示结果；将每个二元结果分别乘以不同的权重，最后计算所有乘以权重系数后的和，得到中心像素的表示结果，权重系数取2^p，由此得到变换后的图像g(u，v)：

式中，x＝g_p-g_c，g(u，v)代表原始图像中每个点与邻域点之间的梯度，也是邻域点与中心点之间的联合差分分布；

S13.为了在直方图中保持图像的位置信息，对图像进行分块，然后分别统计每一块的直方图，最后连接每个直方图作为一个大直方图，将该直方图作为纹理特征输入向量；

在步骤S2中，所述病灶识别BP神经网络的构建方法包括以下步骤：

S21.构建包含1个输入层、1个隐含层和1个输出层的病灶识别BP神经网络；

S22.将CT图像的纹理特征输入向量作为输入层神经元，隐含层节点个数根据先验经验设为输入层神经元数目的3倍，输出层包含1个节点和两个输出值；

其中，两个输出值分别表示CT图像为正常人体器官CT图像和含有疑似病灶区域的图像块；

S23.采用CT图像训练样本集合对病灶识别BP神经网络进行训练，采用测试样本进行测试，直至识别误差小于0.1％；

在步骤S3中，所述图像分割的步骤如下：

S31.将含有疑似病灶区域的图像块作为分割对象，首先通过聚类分析算法，对含有疑似病灶区域的图像块进行粗分割，得到粗分割轮廓线，具体为：

(1)对含有疑似病灶区域的图像块G，包含n个像素点，将n个像素点分为k个子集，作为聚类分析的初始聚类中心c_j，j＝1,2，…，k；

(2)计算所有像素与每个初始聚类中心之间的相似度，并根据相似度值将每个像素分类到相应的区域中；

(3)根据式(7)对图像不同区域的聚类中心进行更新操作，其中x_i为区域c_j包含的像素数：

(4)构建图像分割的聚类准则函数，并计算其值为：

(5)增加迭代次数，不断重复执行步骤(2)至(4)，直到超过最大迭代次数为止，得到粗分割轮廓线；

S32.将粗分割轮廓线以3个像素点作为度量，向外延伸，得到延伸后的轮廓线，将轮廓边缘的特征作为着重识别对象，通过轮廓内外的差异，提高病灶类型识别的精度；

S33.通过活动轮廓模型对延伸后的轮廓线内的图像进行拟合，实现CT图像的精细分割，具体为：

通过活动轮廓模型对轮廓线演变过程进行图像分割轮廓演化，当满足最小能量条件时，轮廓演化终止，得到图像分割边界，其中，泛函如式(9)所示：

式中，C为初始轮廓线，lenth(C)为C的一维测度，λ和λ2为已知参数，为水平集函数，为正则化函数，c₁和c₂为轮廓曲线内外的平均灰度值，v为为已知参数，I为图像特征。