[发明专利]一种基于超声图像的智能化乳腺肿瘤辨别方法

权利要求书

1.一种基于超声图像的智能化乳腺肿瘤辨别方法，其特征在于，包括如下步骤：

采集乳腺肿瘤超声图像，并对所采集的乳腺肿瘤超声图像进行标记；

从标记好的乳腺肿瘤超声图像中选取感兴趣区域ROI，并将ROI进行剪切后保存为灰度图像，得到乳腺肿瘤的样本图像；

基于乳腺肿瘤的样本图像，提取乳腺肿瘤的灰度和纹理特征参数，得到乳腺肿瘤的灰度纹理特征矩阵；

对乳腺肿瘤的样本图像进行降噪处理，基于降噪处理后的乳腺肿瘤样本图像，提取乳腺肿瘤的形状特征参数，得到乳腺肿瘤的形状特征矩阵；

对乳腺肿瘤的灰度纹理特征矩阵、形状特征矩阵进行合并，得到乳腺肿瘤样本的特征矩阵；

基于支持向量机SVM构建乳腺肿瘤识别模型，并对乳腺肿瘤识别模型进行训练，将待识别的超声图像输入训练好的乳腺肿瘤识别模型，完成超声图像中的乳腺肿瘤类型的识别。

2.根据权利要求1所述的基于超声图像的智能化乳腺肿瘤辨别方法，其特征在于，乳腺肿瘤的样本图像的获取方法包括：从标记好的乳腺肿瘤超声图像中选取包含乳腺肿瘤组织的矩形区域作为ROI，对选取的ROI进行剪切，并保存为灰度等级为256级的灰度图像，剔除超声图像中的冗余信息，得到乳腺肿瘤的样本图像；所述冗余信息包括：背景和除乳腺肿瘤之外的组织影像。

3.根据权利要求1所述的基于超声图像的智能化乳腺肿瘤辨别方法，其特征在于，对乳腺肿瘤的样本图像进行降噪处理的具体方法包括：依次通过小波变换、中值滤波、均值滤波对乳腺肿瘤的样本图像进行降噪处理。

4.根据权利要求1所述的基于超声图像的智能化乳腺肿瘤辨别方法，其特征在于，所述灰度纹理特征矩阵包括18个基于灰度共生矩阵的纹理特征和6个基于统计矩阵的纹理特征。

5.根据权利要求1所述的基于超声图像的智能化乳腺肿瘤辨别方法，其特征在于，所述形状特征矩阵的获取方法具体包括：

首先，对于经过降噪处理的乳腺肿瘤样本图像，统计图像的灰度直方图，通过灰度直方图确定图像中灰度频率最高的点，将其灰度记作G_h；

其次，在图像的几何中心10*10像素大小的区域中，选取灰度值为G_h的像素点作为种子点，按照像素之间的8连通规则，向四周生长，生长迭代次数为200次，得到乳腺肿瘤样本图像中肿瘤区域的轮廓I_t，并对乳腺肿瘤样本图像中的肿瘤区域和背景进行自动分割；

再次，计算肿瘤区域的形状特征参数，得到形状特征矩阵；所述形状特征参数包括肿瘤区域边界的圆度、拟合椭圆长短轴比值。

6.根据权利要求5所述的基于超声图像的智能化乳腺肿瘤辨别方法，其特征在于，肿瘤区域边界的圆度C的计算如式6所示：

式中，C为圆度，取值为0～1；S为肿瘤区域面积，P为肿瘤区域周长；

拟合椭圆长短轴比值的方法具体为：将肿瘤区域边界的像素点坐标作为拟合椭圆边界的离散点，采用偏最小二乘法拟合椭圆，得到椭圆的长轴与短轴长度，进一步求得长度较短轴与长度较长轴的比值；采用偏最小二乘法拟合椭圆，得到的标准方程如式7所示：

f(x，y)＝αx²+βy²+γxy+δx+εy+η………………7

其中，椭圆的长半轴短半轴Xc、Yc为肿瘤像素的质心坐标，α、β、γ、δ、ε、η为椭圆方程的系数，x、y为肿瘤像素的坐标。

7.根据权利要求1所述的基于超声图像的智能化乳腺肿瘤辨别方法，其特征在于，乳腺肿瘤识别模型训练过程中，还对SVM进行参数优化；其中，SVM内置径向基核函数，乳腺肿瘤识别模型训练过程中自动选取径向基核函数的参数C和gamma，获得参数C和gamma取不同值时SVM的预测准确率，通过等高线图得到径向基核函数的参数C和gamma的优化值。