[发明专利]一种乳腺肿瘤超声图像自动分类方法

摘要

本发明涉及一种乳腺超声图像自动分类方法，属于人工智能应用技术领域。本发明紧密结合乳腺超声图像量化特征，将乳腺肿瘤超声图像中的直方图特征、颜色特征、轮廓特征、边界特征、回声特征进行量化，选择决策树、朴素贝叶斯及随机森林方法做为机器学习方法，并提出了一种决策树、朴素贝叶斯及随机森林加权融合多维分类方法对乳腺图像进行识别。本发明可有效提高乳腺肿瘤超声图像自动分类准确率。

主权项

一种乳腺肿瘤超声图像自动分类方法，其特征在于：步骤一、进行图像类型选择：将图片按照来源分成正常图片，良性图肿瘤图片和恶性肿瘤图片，放在不同的文件夹内；步骤二、初始化正常图片、良性肿瘤图片、恶性肿瘤图片目录，初始化测试样本矩阵，初始化总文件数，目前处理的文件数；步骤三、对正常图片、良性肿瘤图片、恶性肿瘤图片进行处理，分别在每个文件夹下提取各种特征，包括图片的直方图特征、颜色矩、轮廓特征、回声模式、边界特征；轮廓特征通过似圆度刻画：提取方法为：进行直方图计算，将得出的直方图向量值输入特征矩阵；进行颜色矩计算：对所选区域进行颜色矩计算，将得出的颜色向量值输入特征矩阵；进行轮廓特征计算：对所选区域进行轮廓特征提取，首先找到所有的轮廓，计算似圆度C，C=P2A]]>其中P为肿瘤区域的周长，A为肿瘤区域的面积，将提取的各种特征写入特征矩阵；进行回声模式计算：采用病灶内部区域灰度均值与病灶外部带状区域的灰度均值之比，将提取的各种特征写入特征矩阵；进行边界特征计算：利用肿瘤边界邻近区域灰度的分布来进行；肿瘤邻近边界的内外区域之间灰度的统计差异用类间方差度量；将提取的各种特征写入特征矩阵；步骤四、将提取的特征写入特征矩阵供学习系统进行训练和学习；步骤五、应用决策树、朴素贝叶斯及随机森林三种不同的判断方式对同一区域进行判断；步骤六、对步骤五中三种方法判断的不同类型的判断结果采用“正常：0.1”，“良性：0.2”，“恶行：0.7”的权重加权对结果进行累加；步骤七、对结果进行归一化，根据结果值确定最终的类型，具体公式为：t=1nΣi=1nwi*ti]]>其中：wi为第i种方法的权重；ti为采用第i种方法判断得到的类型值，i＝1,2,3，分别对应决策树、朴素贝叶斯及随机森林三种方法；类型表示：0：正常；1：良性；2：恶性。