[发明专利]基于融合深度特征的乳腺辅助诊断系统及方法

摘要

本发明提供一种基于融合深度特征的乳腺辅助诊断系统及方法，涉及医学图像后处理技术领域。系统包括预处理单元、肿块检测单元、融合深度特征提取单元和肿块诊断单元，对原始乳腺图像进行预处理，将乳腺区域分割成若干个互不重叠的子区域；利用卷积神经网络CNN提取乳腺子区域深度特征，利用US‑ELM对各子区域深度特征进行聚类，得到乳腺肿块与非肿块区域；利用卷积神经网络CNN提取肿块深度特征，同时提取肿块形态、纹理特征，将肿块深度、形态、纹理特征融合成融合深度特征；利用超限学习机ELM对融合深度特征进行学习，最终得到肿块的良恶性诊断结果。本发明应用到乳腺辅助诊断中，能有效辅助乳腺疾病的准确诊断。

主权项

1.一种基于融合深度特征的乳腺辅助诊断系统，其特征在于：该系统包括预处理单元、肿块检测单元、融合深度特征提取单元和肿块诊断单元；预处理单元包括图像去噪器、图像增强器、滑动窗口生成器和子区域分割器；图像去噪器，用于对原始乳腺图像进行去噪处理，得到去噪后的乳腺图像；图像增强器，用于强调去噪后的乳腺图像中整体或局部特性，扩大图像中不同部位间的差异、抑制不感兴趣区域的表达和增大疑似肿块与周围组织的对比度，得到增强图像；滑动窗口生成器，用于生成一个放置在左侧乳腺CC图像中乳腺部分的左上角或右侧乳腺CC图像中乳腺部分的右上角的正方形滑动窗口；子区域分割器，用于将增强图像中乳腺部分划分成若干个相互重叠的子区域，作为之后处理单元的基础；肿块检测单元包括子区域深度特征提取器、聚类器以及分割结果提取器；子区域深度特征提取器，用于提取预处理单元得到的若干个子区域的深度特征；聚类器，用于利用无监督的超限学习机US‑ELM对各个子区域的深度特征采用聚类算法进行聚类，得到乳腺肿块与非肿块区域；分割结果显示器，用于提取聚类得到的肿块的边缘坐标，以便测试肿块检测的准确率，并为乳腺癌辅助诊断提供基础；融合深度特征提取单元包括深度特征提取器、形态特征提取器、纹理特征提取器和特征融合器；深度特征提取器，用于利用CNN网络提取肿块检测单元检测出的肿块的深度特征，得到深度特征矩向量；形态特征提取器，用于提取肿块检测单元检测出的肿块的形态特征，得到形态特征矩向量；纹理特征提取器，用于提取肿块检测单元检测出的肿块的纹理特征，得到纹理特征矩向量；特征融合器，用于融合肿块的深度、形态、纹理特征，形成融合深度特征向量；肿块诊断单元，用于利用超限学习机ELM对融合深度特征向量进行学习，并最终得到肿块的良恶性诊断结果，包括变换矩阵生成器、随机参数生成器、转换器、权向量参数生成器和参数选择器；变换矩阵生成器，用于根据超限学习机(Extreme Learning Machine，ELM)算法原理，生成乳腺钼靶图像肿块区域的融合深度特征的拉普拉斯变换矩阵；随机参数生成器，用于根据设定ELM网络的隐层节点个数，随机生成ELM网络输入节点的权重向量和隐层节点的阈值；所述输入节点指融合深度特征向量；转换器，用于根据ELM算法的原理，利用输入节点的权重向量和隐层节点的阈值生成ELM中的乳腺子区域特征的隐层输出矩阵Hi；权向量参数生成器：利用超限学习机(ELM)的原理，用于根据隐层输出矩阵Hi以及输出的目标，计算输出节点的权重向量参数βi；参数选择器：用于选择随机参数生成器里产生的最佳参数β，按照ELM的计算原理，使用最佳参数β对乳腺肿块区域的融合深度特征进行分类，得到最终的肿块分类结果。