CN104835155A - 基于分形的早期乳腺癌钙化点计算机辅助检测方法 - Google Patents

Abstract

本发明公开了一种基于分形的早期乳腺癌钙化点计算机辅助检测方法。本发明包括如下步骤：1.利用直方图均衡化、高通滤波器、Sobel边缘检测的图像处理方法，找到疑似乳腺癌钙化点的感兴趣区域；2.基于分形理论，提取感兴趣区域的纹理特征，即分形谱和分形维数；3.通过机器学习的方法，找到将含有钙化点的乳腺X光片与未含有钙化点的医学图像分类的约束条件，以此约束条件作为判断乳腺X光片是否含有钙化点。本发明高效、准确地提取了早期乳腺癌钙化点的纹理特征，实现了辅助医生检测早期乳腺癌钙化点的功能，且基于本发明所提出方法的早期乳腺癌钙化点检测效果与医生主观判断具有很好的一致性。

Description

基于分形的早期乳腺癌钙化点计算机辅助检测方法

技术领域

本发明属于医学图像计算机辅助诊断领域，涉及分形、医学图像处理、机器学习的早期乳腺癌钙化点检测方法，具体的是一种基于分形的早期乳腺癌钙化点计算机辅助检测方法。

背景技术

医学图像计算机辅助诊断是指通过影像学、医学图像处理技术以及生理、生化等手段，结合计算机的分析计算，辅助发现病灶，提高诊断的准确率。计算机辅助诊断***的广泛应用有助于提高医生诊断的敏感性和特异性。

早期乳腺癌钙化点的检测存在钙化点过小不易肉眼观察、耗时、费力和依赖医生临床经验等缺陷，而计算机辅助诊断利用医学图像处理技术，使得钙化点更易观察，并且通过算法学习临床医生的检测检测经验，作为先验知识，从而辅助医生更快、更准确地找到乳腺癌钙化点。计算机辅助诊断可以分为三个步骤来实现：医学图像前期处理、特征提取和机器学习。其中最为关键的技术就是特征提取，原因在于只有能提取反应病症的特征，才能正确用于疾病诊断。

在目前的计算机辅助诊断中，早期乳腺癌钙化点的特征提取一般依赖于其钙化点的大小、纹理、高频特性。利用纹理特征，提取与早期乳腺癌钙化点密切相关的特征信息，被认为是早期乳腺癌钙化点的特征提取有效方法。

发明内容

本发明的目的是利用分形技术，实现早期乳腺癌钙化点纹理特征的提取，提出一种基于分形的早期乳腺癌钙化点计算机辅助检测方法。通过提取医学图像中早期乳腺癌钙化点的纹理特征，并利用机器学习的方法将纹理特征进行分类，从而完成对于所提取纹理特征是否为乳腺癌钙化点纹理特征的判断。

本发明基于分形，通过结合分形谱和分形维数，来反映早期乳腺癌钙化点的纹理特征，实现了更加符合医生早期乳腺癌钙化点诊断的纹理特征的提取，从而取得良好的辅助医生诊断的效果。

本发明采取的技术方案是：

首先，对公知的医学图像数据库(如美国MIAS数据库)中大量含早期乳腺 癌钙化点的X光片和正常乳腺的X光片进行分形谱和分形维数的提取，通过分析正常乳腺X光片中所提取的分形谱，得到一个正常乳腺X光片所共有的分形谱当作先验的知识。进而，测量正常乳腺X光片的分形谱与先验的分形谱的欧式距离差异，并测量早期乳腺癌钙化点X光片的分形谱与先验的分形谱的距离差异。最后，两类距离差异结合各自分形维数作为机器学习中判断X光片是否含有乳腺癌钙化点的条件，利用机器学习的方法，获得将这两类特征准确分成两类的分类参数，而这个分类参数将作为最终判断任意一张乳腺X光片是否含有早期乳腺癌钙化点。

本发明解决其技术问题所采用的技术方案如下：

步骤(1).循环读入公知数据库(如美国MIAS数据库)中的正常乳腺X光片图像。

步骤(2).将步骤(1)读入的图像组成图像向量。

步骤(3).对步骤(2)的图像向量进行直方图均衡化处理。

步骤(4).对步骤(3)得到的直方图均衡化后图像向量进行高斯滤波，除去冗余信息。高斯滤波器表示如下：

$F(x,y)=1-{\exp }^{(-h^2(x,y)/{2h}_0^2)}---\left(1\right)$

其中，(x,y)是正常乳腺X光片图像的像素点，h(x,y)是高通滤波器随像素点变化的阈值，h₀为平均阈值。

步骤(5).利用Sobel算子对步骤(4)滤波得到的图像信息进行边缘检测，将检测到的边缘区域作为感兴趣区域。

步骤(6).利用分形技术将步骤(5)获得的感兴趣区域进行分形谱和分形维数的纹理特征提取。

6.1分形谱提取方法如下：

首先将感兴趣区域根据不同的尺度分成若干相等的图像块。在每一个尺度的图像块中，分解性P_ij(ε)定义为：

P_ij(ε)＝m_ij/∑m_ij    (2) 

其中，m_ij表示一种尺度下的图像块的灰度值，ε表示图像块大小与整个感兴趣区域的比值。

然后在公式(2)定义的分解性基础上，分形谱S(h)为：

h＝d[π(t)]/dt    (3) 

S(h)＝ht-π(t)

其中，h表示奇异的概率函数，π(t)表示分解性函数的梯度，t为该梯度的序数。

6.2分形维数F为：

$F=\underset{u\→0}{\lim }\ln \left(N(x,y)\right)/(1/u)---\left(4\right)$

其中，F为分形维数，N(x,y)为纹理复杂程度的测度，u是当前图像块的计算尺度。

步骤(7).综合分析步骤(6)所得正常乳腺X光片图像的各个尺度分形谱，拟合得到共同分形谱S₀，作为参考基准。

步骤(8).分别比较步骤(6)所得正常乳腺X光片图像各个尺度的分形谱与步骤(7)中得到的共同分形谱S₀，通过欧氏距离测算两者的差异值E，

$E=\underset{j=1}{\overset{R}{\mathrm{\Σ}}}{({\mathrm{\γ}}_2^j-{\mathrm{\γ}}_1^j)}^2/\left({\mathrm{\γ}}_2^j{\mathrm{\γ}}_1^j\right)---\left(5\right)$

其中，R是图像块的尺度个数，为共同分形谱S₀的各尺度分形谱，为正常乳腺X光片图像的各尺度分形谱。

步骤(9).循环读入公知数据库(如美国MIAS数据库)中的含钙化点的乳腺X光片图像。重复步骤(2)-(6)，得到含钙化点乳腺X光片图像的各个尺度分形谱和分形维数。

步骤(10).比较步骤(9)得到的含钙化点乳腺X光片图像的分形谱和步骤(7)中得到的共同分形谱S₀，通过欧氏距离测算两者的差异值V，

$V=\underset{j=1}{\overset{R}{\mathrm{\Σ}}}{({\mathrm{\γ}}_3^j-{\mathrm{\γ}}_1^j)}^2/\left({\mathrm{\γ}}_3^j{\mathrm{\γ}}_1^j\right)---\left(6\right)$

其中，R是图像分块的尺度个数，为共同分形谱S₀的各尺度分形谱，为含钙化点乳腺X光片图像的各尺度分形谱。

步骤(11).将步骤(8)得到的每一个差异值E及相应分形维数记标记值0，将步骤(10)得到的每一个差异值V及相应分形维数记标记值1，得到两组标记值。

步骤(12).利用机器学习对步骤(11)的两组标记值进行分类，学习到将两组标记 值分成两类的约束条件β，具体表示为，

其中，T为机器学习目标函数。约束条件β用于判断任意乳腺X光片是否含有钙化点，即若约束条件β成立，则该乳腺X光片含有钙化点；若约束条件β不成立，则该乳腺X光片不含钙化点。

本发明的有益效果：

本发明通过分形获取分形谱和分形维数的纹理特征信息，利首先用正常乳腺X光片分形谱训练得到的共同分形谱作为参考基准，接着分别测量正常乳腺X光片的分形谱与参考基准之间欧式距离和含钙化点乳腺X光片的分形谱与参考基准之间的欧式距离，最后结合分形维数将这两组数据按是否含有钙化点分为两组，利用机器学习获得能将这两组数据成功分类的约束条件β，实现对早期乳腺癌钙化点检测。实验结果表明，基于本发明所提出方法对早期乳腺癌钙化点检测与医生主观检测具有很好的一致性，能有效辅助医生对早期乳腺癌钙化点的检测。

附图说明

图1是本发明流程图。

具体实施方式

下面结合附图对本发明方法作进一步说明。

如图1所示，分形的早期乳腺癌钙化点计算机辅助检测方法，其具体实施步骤如下：

步骤(1).在Matlab环境下进行编程，循环读入美国MIAS医学图像数据库中的正常乳腺X光片图像。

步骤(2).将步骤(1)读入的图像组成图像向量。

步骤(3).对步骤(2)的图像向量进行直方图均衡化处理。

本实施例中，利用Matlab中直方图均衡化的库函数将步骤(2)读入的正常乳腺X光片做直方图均衡化处理。

步骤(4).对步骤(3)得到的直方图均衡化后图像向量进行高斯滤波，除去冗余信息；本实施例中，根据高斯滤波器的公式定义，编写高斯滤波器函数；高斯滤波器表示如下：

$F(x,y)=1-{\exp }^{(-h^2(x,y)/{2h}_0^2)}---\left(1\right)$

其中，(x,y)是正常乳腺X光片图像的像素点，h(x,y)是高通滤波器随像素点 变化的阈值，h₀为平均阈值。

步骤(5).利用Sobel算子对步骤(4)滤波得到的图像信息进行边缘检测，将检测到的边缘区域作为感兴趣区域。

本实施例利用Matlab中Sobel边缘检测的库函数，在步骤(3)中得到的高斯滤波后的图像进行疑似钙化点边缘检测，将检测到的边缘区域作为感兴趣区域。

步骤(6).利用分形技术将步骤(5)获得的感兴趣区域进行分形谱和分形维数的纹理特征提取。

6.1分形谱提取方法如下：

首先将感兴趣区域根据不同的尺度分成若干相等的图像块。在每一个尺度的图像块中，分解性P_ij(ε)定义为：

P_ij(ε)＝m_ij/∑m_ij    (2) 

其中，m_ij表示一种尺度下的图像块的灰度值，ε表示图像块大小与整个感兴趣区域的比值。

然后在公式(2)定义的分解性基础上，分形谱S(h)为：

h＝d[π(t)]/dt    (3) 

S(h)＝ht-π(t)

其中，h表示奇异的概率函数，π(t)表示分解性函数的梯度，t为该梯度的序数。

6.2分形维数F为：

$F=\underset{u\→0}{\lim }\ln \left(N(x,y)\right)/(1/u)---\left(4\right)$

其中，F为分形维数，N(x,y)为纹理复杂程度的测度，u是当前图像块的计算尺度。

步骤(7).综合分析步骤(6)所得正常乳腺X光片图像的各个尺度分形谱，拟合得到共同分形谱S₀，作为参考基准。

本实施例中，通对步骤(5)中得到的分形谱做均值化处理，得到共同的分形谱S₀。

步骤(8).分别比较步骤(6)所得正常乳腺X光片图像各个尺度的分形谱与步骤(7)中得到的共同分形谱S₀，通过欧氏距离测算两者的差异值E，

$E=\underset{j=1}{\overset{R}{\mathrm{\Σ}}}{({\mathrm{\γ}}_2^j-{\mathrm{\γ}}_1^j)}^2/\left({\mathrm{\γ}}_2^j{\mathrm{\γ}}_1^j\right)---\left(5\right)$

其中，R是图像块的尺度个数，为共同分形谱S₀的各尺度分形谱，为正常乳腺X光片图像的各尺度分形谱。

本实施例中，根据欧式距离测算公式编写函数，并利用此函数量化步骤(6)得到的分形谱与步骤(7)得到的共同分形谱S₀之间的差异值。

步骤(9).循环读入公知数据库(如美国MIAS数据库)中的含钙化点的乳腺X光片图像。重复步骤(2)-(6)，得到含钙化点乳腺X光片图像的各个尺度分形谱和分形维数。

步骤(10).比较步骤(9)得到的含钙化点乳腺X光片图像的分形谱和步骤(7)中得到的共同分形谱S₀，通过欧氏距离测算两者的差异值V，

$V=\underset{j=1}{\overset{R}{\mathrm{\Σ}}}{({\mathrm{\γ}}_3^j-{\mathrm{\γ}}_1^j)}^2/\left({\mathrm{\γ}}_3^j{\mathrm{\γ}}_1^j\right)---\left(6\right)$

其中，R是图像分块的尺度个数，为共同分形谱S₀的各尺度分形谱，为含钙化点乳腺X光片图像的各尺度分形谱。

步骤(11).将步骤(8)得到的每一个差异值E及相应分形维数记标记值0，将步骤(10)得到的每一个差异值V及相应分形维数记标记值1，得到两组标记值。

步骤(12).利用机器学习对步骤(11)的两组标记值进行分类，学习到将两组标记值分成两类的约束条件β，具体表示为，

其中，T为机器学习目标函数。约束条件β用于判断任意乳腺X光片是否含有钙化点，即若约束条件β成立，则该乳腺X光片含有钙化点；若约束条件β不成立，则该乳腺X光片不含钙化点。

本实施例调用现有lib-SVM的机器学习函数，将步骤(11)中得到两组数据，输入该机器学习函数，学习得到约束条件β。

Claims (2)

1.基于分形的早期乳腺癌钙化点计算机辅助检测方法，其特征在于包括如下步骤：

步骤(1).循环读入公知数据库中的正常乳腺X光片图像；

步骤(2).将步骤(1)读入的图像组成图像向量；

步骤(3).对步骤(2)的图像向量进行直方图均衡化处理；

步骤(4).对步骤(3)得到的直方图均衡化后图像向量进行高斯滤波，除去冗余信息；高斯滤波器表示如下：

$F(x,y)=1-\mathrm{ex}{p}^{(-h^2(x,y)/{2h}_0^2)}---\left(1\right)$

其中，(x,y)是正常乳腺X光片图像的像素点，h(x,y)是高通滤波器随像素点变化的阈值，h₀为平均阈值；

步骤(5).利用Sobel算子对步骤(4)滤波得到的图像信息进行边缘检测，将检测到的边缘区域作为感兴趣区域；

步骤(6).利用分形技术将步骤(5)获得的感兴趣区域进行分形谱和分形维数的纹理特征提取；

步骤(7).综合分析步骤(6)所得正常乳腺X光片图像的各个尺度分形谱，拟合得到共同分形谱S₀，作为参考基准；

步骤(8).分别比较步骤(6)所得正常乳腺X光片图像各个尺度的分形谱与步骤(7)中得到的共同分形谱S₀，通过欧氏距离测算两者的差异值E，

$E=\underset{j=1}{\overset{R}{\mathrm{\Σ}}}{({\mathrm{\γ}}_2^j-{\mathrm{\γ}}_1^j)}^2/\left({\mathrm{\γ}}_2^j{\mathrm{\γ}}_1^j\right)---\left(5\right)$

其中，R是图像块的尺度个数，为共同分形谱S₀的各尺度分形谱，为正常乳腺X光片图像的各尺度分形谱；

步骤(9).循环读入公知数据库中含钙化点的乳腺X光片图像；重复步骤(2)-(6)，得到含钙化点乳腺X光片图像的各个尺度分形谱和分形维数；

步骤(10).比较步骤(9)得到的含钙化点乳腺X光片图像的分形谱和步骤(7)中得到的共同分形谱S₀，通过欧氏距离测算两者的差异值V，

$V=\underset{j=1}{\overset{R}{\mathrm{\Σ}}}{({\mathrm{\γ}}_3^j-{\mathrm{\γ}}_1^j)}^2/\left({\mathrm{\γ}}_3^j{\mathrm{\γ}}_1^j\right)---\left(6\right)$

其中，R是图像分块的尺度个数，为共同分形谱S₀的各尺度分形谱，为含钙化点乳腺X光片图像的各尺度分形谱；

步骤(11).将步骤(8)得到的每一个差异值E及相应分形维数记标记值0，将步骤(10)得到的每一个差异值V及相应分形维数记标记值1，得到两组标记值；

步骤(12).利用机器学习对步骤(11)的两组标记值进行分类，学习到将两组标记值分成两类的约束条件β，具体表示为，

其中，T为机器学习目标函数；约束条件β用于判断任意乳腺X光片是否含有钙化点，即若约束条件β成立，则该乳腺X光片含有钙化点；若约束条件β不成立，则该乳腺X光片不含钙化点。

2.如权利要求1所述的基于分形的早期乳腺癌钙化点计算机辅助检测方法，其特征在于步骤(6)所述的分形谱和分形维数的纹理特征提取具体如下：

6.1分形谱提取方法如下：

首先将感兴趣区域根据不同的尺度分成若干相等的图像块；在每一个尺度的图像块中，分解性P_ij(ε)定义为：

P_ij(ε)＝m_ij/Σm_ij          (2)

其中，m_ij表示一种尺度下的图像块的灰度值，ε表示图像块大小与整个感兴趣区域的比值；

然后在公式(2)定义的分解性基础上，分形谱S(h)为：

h＝d[π(t)]/dt          (3)

S(h)＝ht-π(t)

其中，h表示奇异的概率函数，π(t)表示分解性函数的梯度，t为该梯度的序数；

6.2分形维数F为：

$F=\underset{u\→0}{\lim }\ln \left(N(x,y)\right)/(1/u)---\left(4\right)$

其中，F为分形维数，N(x,y)为纹理复杂程度的测度，u是当前图像块的计算尺度。