CN101401730A - 一种基于分层结构的乳腺肿块可疑区域快速检测方法 - Google Patents

Abstract

本发明公开了一种基于分层结构的乳腺肿块可疑区域快速检测方法，该方法包括分层结构分类器的训练构造和乳腺数字图像肿块可疑区域的检测两个部分，其中分层结构分类器的训练构造包括分层结构中的特征提取以及三个分类器的训练和构造。本发明的优点是结果速度快，效率高，计算以及存储开销较小。

Description

一种基于分层结构的乳腺肿块可疑区域快速检测方法

技术领域

本发明涉及一种乳腺肿块的检测方法，尤其涉及一种乳腺肿块可疑区域快速检测构建方法。

背景技术

乳腺癌是妇女最常见的恶性肿块之一，全世界每年新发病例超过90万人。乳腺X光影像技术为每一侧乳腺产生至少两幅数字乳腺图像(digitalmammogram)用于辅助医学专家检测，该技术能有效地发现早期的乳腺癌，应用也越来越普及。但是，乳腺癌的多样性使得识别出数字乳腺图像中的乳腺癌变得非常复杂，即使是有经验的医学专家依然会出现漏检或误诊的情况。为了有效地减少乳腺癌的漏检率，提高检测的正确率，适应批量处理体检过程中产生的大量数字乳腺图像的速度要求，许多计算机辅助自动检测的方法和***应运而生。

现有的肿块检测方法一般可以分为三个步骤：ROI的提取、特征提取和分类。ROI的提取这一步骤对于整个检测方法起着至关重要的作用，因为它直接影响了后面一步性能的好坏。在ROI的提取方面，现有的方法一般分为两类：基于像素的检测方法和基于区域的检测方法。基于像素的方法一般首先对图像中每一个像素提取特征，然后用两类分类器分类为可疑或正常，这类方法需要对每个像素提取特征，计算量大而且没有考虑像素之间的空间结构信息，而空间结构信息对于区分肿块和正常组织很重要，此外不同类型的肿块也需要一组不同的特征集合。基于区域的方法则一般采用分割或滤波技术来提取ROI，然后对每个ROI提取形状、纹理等特征并分类为肿块区域或正常区域。但由于肿块病症的复杂性，直接采用这些传统的图像处理技术很难准确的分割出肿块。

发明内容

发明目的：本发明的目的是针对现有技术的不足，提供一种基于分层结构的快速、高效、准确的乳腺肿块可疑区域快速检测方法。

技术方案：为了达到上述的发明目的，本发明的方法包括下列步骤：

(1)准备一个乳腺肿块图像集合，记为P0，三个乳腺正常图像集合，分别记为P1、P2和P3；

(2)从P0中的每一幅肿块图像中抽取一个正样本，总的正样本数记为M，从P1中的正常图像中抽取足够多的反样本和M个正样本组成一个样本集，对每一个样本提取8种灰度特征，训练得到第一个分类器L1，该分类器保证敏感性高于阈值T；

(3)用第二步得到的分类器对P2进行检测，将那些假阳性样本保存下来和M个正样本组成一个样本集，对该样本集中的每一个样本提取16种SGLD纹理特征，训练得到第二个分类器L2，该分类器保证敏感性高于阈值T；

(4)将第二步和第三步得到的分类器串行起来对P3进行检测，将那些假阳性样本保存下来和M个正样本组成一个样本集，对该样本集中的每一个样本提取8种灰度特征、16种SGLD特征、24种LBP纹理特征，训练得到第三个分类器L3，该分类器保证敏感性高于阈值T；

(5)对于一幅待检测的图像，去除背景区域，得到乳腺区域；

(6)对乳腺区域分块处理，对每个图像块重复(7)到(9)，完成后转(10)；

(7)对所述图像块提取8种灰度特征，利用L1进行分类，若为可疑区域则转(8)，否则标记为正常，返回(6)；

(8)对所述图像块提取16种SGLD纹理特征，利用L2进行分类，去为可疑区域则转(9)，否则标记为正常，返回(6)；

(9)对所述图像块提取24种LBP特征，与灰度、SGLD特征合并，利用L3进行分类，若为可疑区域则标记为可疑区域，否则标记为正常，返回(6)；

(10)对可疑区域合并，进行分割，得到肿块可疑区域。

本方法包括分层结构分类器的训练构造和乳腺数字图像肿块可疑区域的检测两个部分，其中步骤(1)至(4)描述分层结构中的特征提取以及三个分类器的训练和构造，步骤(5)至(10)描述使用该分层结构对一幅乳腺数字图像进行肿块可疑区域检测的过程。

有益效果：本发明的方法与现有技术相比，其显著优点是：使用分层结构快速去除了乳腺中正常组织部分，减少了特征提取的计算量，使该***能够快速高效的检测出乳腺图像中的肿块可疑区域。

附图说明

图1是本发明的工作流程图；

图2是本发明的分层结构分类器的训练构造示意图；

图3乳腺数字图像肿块可疑区域检测示意图。

具体实施方式

如图1所示，本方法包括分层结构分类器的训练构造和乳腺数字图像肿块可以区域的检测两个部分。分类器的训练和肿块可疑区域的检测过程分别在图2和图3中进行了描述。

本发明方法流程如图2，3所示，下面详细说明：

本方法包括下列步骤：

步骤(1)：从P0中的每一幅肿块图像中抽取一个正样本，从P1中的正常图像中抽取足够多的反样本组成一个样本集，提取8种基于灰度直方图的灰度特征，灰度特征的计算方式如下：

$\stackrel{\‾}{f}=\frac{1}{n2-n1+1}\underset{n=n1}{\overset{n2}{\mathrm{\Σ}}}f\left(n\right)$

${\mathrm{\σ}}_f=\sqrt{\frac{1}{n2-n1+1}\underset{n=n1}{\overset{n2}{\mathrm{\Σ}}}(f\left(n\right)-\stackrel{\‾}{f})}$

$\stackrel{\‾}{g}=\frac{1}{\mathrm{\Σf}\left(n\right)}\mathrm{\Σn}*f\left(n\right)$

${\mathrm{\σ}}_g=\sqrt{\frac{1}{\mathrm{\Σf}\left(n\right)}\mathrm{\Σ}{(n-\stackrel{\‾}{g})}^{2}f\left(n\right)}$

其中h(n)为图像I₁(x，y)的灰度直方图，N表示I₁(x，y)的最大灰度级。对灰度直方图h(n)进行归一化得到f(n)，(f(n)＝h(n)/∑h(n))。n1，n2分别表示f(n)＞T的最小灰度值和最大灰度值，阈值T的取值很小，主要是为了去掉一些异常的灰度点，使得两类图像直方图的差异更加明显，根据上述公式计算得到4个特征，其中第三个特征和第四个特征实际上是图像I₁(x，y)的灰度均值和方差。第5-8个特征是将f(n)增强以后变为f(n)*f(n)依照公式提取的特征。根据上述8个特征训练得到第一个分类器L1。

步骤(2)：用L1对P2进行检测，将假阳性样本和正样本组成一个样本集，提取16种SGLD纹理特征，SGLDM基于维度为M*N的图像I(x，y)的L*L维空间灰度级矩阵W_d，θ＝[m_ij]_L*L的，其中 $m_{\mathrm{ij}}={\mathrm{\Σ}}_{l=1}^M{\mathrm{\Σ}}_{k=1}^N\mathrm{\δ}(l,k),$ δ(l，k)＝1如果I(l，k)＝i且I(l+dcosθ，k+dsinθ)＝j，否则δ(l，k)＝0。其实m_ij表示了图像I(x，y)中灰度级i到灰度级j的灰度级对的总数，d表示灰度级对的距离，θ则表示灰度级对的方向。将W_d，θ归一化以后得到一个二阶的图像I(x，y)中灰度级对的联合概率分布S_d，θ：

$S_{d,\mathrm{\θ}}(i,j)=m_{\mathrm{ij}}/\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{m}_{\mathrm{ij}}$

对于每个S_d，θ提取了以下四个特征：

$\mathrm{Energy}\left(S_{d,\mathrm{\θ}}\right)=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{\left[S_{d,\mathrm{\θ}}(i,j)\right]}^2$

$\mathrm{Inertia}\left(S_{d,\mathrm{\θ}}\right)=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{(i-j)}^2{S}_{d,\mathrm{\θ}}(i,j)$

$\mathrm{Entropy}\left(S_{d,\mathrm{\θ}}\right)=-\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{S}_{d,\mathrm{\θ}}(i,j)\log S_{d,\mathrm{\θ}}(i,j)$

$\mathrm{Intensity}\left(S_{d,\mathrm{\θ}}\right)=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}\mathrm{ij}{S}_{d,\mathrm{\θ}}(i,j)$

其中d的取值是8，θ的取值分别是0，π/4，π/2，3π/4，提取16个特征，训练得到第二个分类器L2。

步骤(3)：将第二步和第三步得到的分类器串行起来对P3进行检测，将那些假阳性样本保存下来和M个正样本组成一个样本集，对每一个样本提取8中灰度特征、16种SGLD特征、24种LBP纹理特征：

${\mathrm{LBP}}_{P,R}^{\mathrm{riu}}=\left\{\begin{array}{cc}{\mathrm{\Σ}}_{p=0}^{P-1}S(g_p-g_c)& \mathrm{ifU}\left({\mathrm{LBP}}_{P,R}\right)\≤2\\ P+1& \mathrm{otherwise}\end{array}\right.$

其中U(LBP_P，R)定义为：

$U\left({\mathrm{LBP}}_{P,R}\right)=|S(g_{P-1}-g_c)-S(g_0-g_c)|+\underset{p=1}{\overset{P-1}{\mathrm{\Σ}}}|S(g_p-g_c)-S(g_{p-1}-g_c)|$

根据上述特征训练分类器L3。

步骤(4)：对待检测乳腺数字图像进行预处理，选取适当阈值，去除黑色背景区域，得到乳腺区域。

步骤(5)：对待检测的乳腺图像分块检测，对于每个图像块，重复步骤(6)到步骤(8)，直到全部处理完成，转(9)。

步骤(6)：对图像块提取灰度特征，使用分类器L1，进行分类，若分类为正常区域，则将该区域标记为正常，跳转到步骤(5)，否则继续步骤(7)。

步骤(7)：对图像块提取SGLD特征，使用分类器L2，进行分类，若分类为正常区域，则将该区域标记为正常，跳转到步骤(5)，否则继续步骤(8)。

步骤(8)：对图像块提取LBP特征，与步骤(6)、(7)中的灰度特征及SGLD特征合并，使用分类器L2，进行分类，若分类为正常区域，则将该区域标记为正常，否则标记为可疑区域，跳转到步骤(5)，继续处理下一个图像块。

步骤(9)：对图像中的可疑区域进行合并，并分割，得到肿块可疑区域。

Claims (1)

1、一种基于分层结构的乳腺肿块可疑区域快速检测方法，其特征是该方法包括下列步骤：

(1)准备一个乳腺肿块图像集合，记为P0，三个乳腺正常图像集合，分别记为P1、P2和P3；

(2)从P0中的每一幅肿块图像中抽取一个正样本，总的正样本数记为M，从P1中的正常图像中抽取足够多的反样本和M个正样本组成一个样本集，对每一个样本提取8种灰度特征，训练得到第一个分类器L1，该分类器保证敏感性高于阈值T；

(3)用第二步得到的分类器对P2进行检测，将那些假阳性样本保存下来和M个正样本组成一个样本集，对该样本集中的每一个样本提取16种SGLD纹理特征，训练得到第二个分类器L2，该分类器保证敏感性高于阈值T；

(4)将第二步和第三步得到的分类器串行起来对P3进行检测，将那些假阳性样本保存下来和M个正样本组成一个样本集，对该样本集中的每一个样本提取8种灰度特征、16种SGLD特征、24种LBP纹理特征，训练得到第三个分类器L3，该分类器保证敏感性高于阈值T；

(5)对于一幅待检测的图像，去除背景区域，得到乳腺区域；

(6)对乳腺区域分块处理，对每个图像块重复(7)到(9)，完成后转(10)；

(7)对所述图像块提取8种灰度特征，利用L1进行分类，若为可疑区域则转(8)，否则标记为正常，返回(6)；

(8)对所述图像块提取16种SGLD纹理特征，利用L2进行分类，去为可疑区域则转(9)，否则标记为正常，返回(6)；

(9)对所述图像块提取24种LBP特征，与灰度、SGLD特征合并，利用L3进行分类，若为可疑区域则标记为可疑区域，否则标记为正常，返回(6)；

(10)对可疑区域合并，进行分割，得到肿块可疑区域。

Images