CN106570848A - 基于局部二值模式和支持向量机的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局部二值模式和支持向量机的乳腺癌钙化点计算机辅助检测方法。本发明具体实施包括如下步骤：1.利用一个滤波器组对原始X光片进行图像增强；2.使用局部二值模式对增强和分块后的X光图像块进行编码，并对获得的二进制码进行分类，从而得到以二进制码的统计分布表示的纹理信息；3.利用支持向量机，根据提取的纹理信息和已知的是否存在钙化组织的映射关系进行训练，得到能够自动判断X光片中钙化点是否存在的检测器。本发明高效、准确地提取了基于X光片的乳腺癌钙化点的纹理特征，实现了辅助医生检测乳腺癌钙化点的功能，且基于本发明所提出方法的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

基于局部二值模式和支持向量机的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，涉及一种基于图像处理和机器学习的乳腺癌钙化点检测方法。

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、生化等方法，结合计算机的分析计算，辅助发现病灶，提高诊断准确率以及自动化程度的手段。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。

早期乳腺癌钙化点具有钙化点过小、不易观察、耗时费力等缺陷，因此纯粹的人工判断的准确率较低，并且依赖于医生的临床经验。计算机辅助检测手段，不仅可以提高钙化点的可识别程度，而且可以智能地进行钙化点是否存在的判断，从而辅助医生更高效、准确地找到钙化点。

目前乳腺癌钙化点辅助检测手段一般分为三个步骤，即图像增强、特征提取和机器学习。有效的图像增强方法可以提高钙化点的可识别度，而有效的特征提取和机器学习方法可以提高智能检测的正确率。其中，特征提取是最为关键的技术，通常地，利用钙化点在大小、形状、亮度、频率、纹理等方面的特征来区分钙化组织和正常组织，有较高的成功率。

发明内容

本发明主要利用基于图像增强的图像处理技术、基于局部二值模式的纹理特征提取技术和基于支持向量机的机器学习技术来实现对乳腺X光片中钙化组织与正常组织的区分，提出一种乳腺癌钙化点计算机辅助检测方法。

本发明采取的技术方案是：

首先，读取大量已被标定出钙化点位置的含钙化点乳腺X光片和正常乳腺X光片。随后，使用一个滤波器组对各图片进行边缘增强。进而，将增强后的图片分为大小相等的块，并使用局部二值模式方法对各块中的像素进行编码。最后，由这些二进制码的统计分布和是否存在钙化点形成映射关系，使用支持向量机进行训练，得到能够自动地进行是否存在钙化点的判断的分类器。

本发明解决其技术问题所采用的技术方案如下：

步骤(1).读取乳腺X光片作为样本，包括正常乳腺和含有钙化点并被人为标定出钙化点位置的X光片。

步骤(2).对步骤(1)中读取的X光片使用一个滤波器组进行边缘增强。该滤波器组由一个高斯高通滤波器、一个拉普拉斯锐化滤波器、一个低通滤波器和一个相减器组成。首先，X光片分别经过高斯高通滤波器、拉普拉斯锐化滤波器和低通滤波器；随后，将拉普拉斯锐化滤波器输出的图像与低通滤波器输出的图像相减，得到最终的增强后的X光片。其中，高斯高通滤波器的传递函数为：

其中，为滤波中心点，D(u,v)为点(u,v)到滤波中心点的距离。

拉普拉斯锐化滤波器使用的模板为：

低通滤波器的传递函数为：

步骤(3).对经过步骤(2)增强后的X光片分成若干32×32像素点大小的图像块，根据是否含有钙化点将这些图像块分为两类。

步骤(4).对步骤(3)中得到的每一个图像块中不处在块边缘的30×30个像素点进行邻域为8的局部二值模式编码，编码依据为：

其中，g_c是被编码像素点的像素值，g_p(p＝0,…,7)是邻域中8个像素点的像素值。于是每个图像块被编码成了900个八位二进制码。

步骤(5).对步骤(4)中产生的每个二进制码按照旋转不变原则进行变换。具体定义为：将每个二进制码进行7次一位的循环右移或7次一位的循环左移，这样包括原码在内，得到八个二进制码。使用其中最小的那个代替原码。

步骤(6).按照以下原则将步骤(5)中产生的代码分为十类(第1类到第10类)中的一类：

其中，class指该二进制码被分成的类。

步骤(7).将每个图像块用一个十维向量表示：

{x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀} (6)

其中x_i指该图像块经过编码后，被分到第i类的二进制码的数量。即该向量表示图像块的二进制码的统计分布。

步骤(8).使用支持向量机的分类功能，以每一个图像块被表示成的十维向量为十个输入，对应是否含有钙化点为输出，形成一个映射：

y＝f{x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀} (7)

步骤(9).基于步骤(8)得到的训练样本集对支持向量机分类器进行训练。

步骤(10).利用训练后的支持向量机分类器对样本数据进行分类,完成X光片中乳腺钙化点的判断。

本发明的有益效果：

本发明利用图像增强技术对乳腺X光片进行增强，并通过局部二值模式方法对增强和分块后的X光片进行编码和分类，进而使用图像块对各类型的统计分布作为输入、是否存在钙化作为输出，作为支持向量机的学习样本进行训练得到分类器，实现了乳腺癌钙化点的计算机辅助检测。实验结果表明，基于本发明所提出方法的对乳腺癌钙化点的计算机辅助检测，与医生的主观判断有很好的一致性，对医生对乳腺癌病情的判断能起到有效的辅助作用。

附图说明

图1为本发明方法的流程图；

图2为本发明实施例判断出的含钙化点的X光片示意图(框选区为对钙化点的标定)。

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，基于局部二值模式和支持向量机的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).读入美国Mammographic Image Analysis Society(MIAS)数据库中的正常乳腺X光片和含有钙化点的乳腺X光片，以及该数据库提供的钙化点的位置、大小等信息。本实施例使用的计算机软件为Matlab，通过编写程序读取数据以及进行以下的操作。

步骤(2).对步骤(1)中读取的X光片使用一个滤波器组进行边缘增强。该滤波器组由一个高斯高通滤波器、一个拉普拉斯锐化滤波器、一个低通滤波器和一个相减器组成。首先，X光片分别经过高斯高通滤波器、拉普拉斯锐化滤波器和低通滤波器；随后，将拉普拉斯锐化滤波器输出的图像与低通滤波器输出的图像相减，得到最终的增强后的X光片。其中，高斯高通滤波器的传递函数为：

其中，为滤波中心点，D(u,v)为点(u,v)到滤波中心点的距离。

拉普拉斯锐化滤波器使用的模板为：

低通滤波器的传递函数为：

本实施例中，滤波操作是根据公式(1)-(3)通过Matlab编程实现。

步骤(3).对经过步骤(2)增强后的X光片分成若干32×32像素点大小的图像块，根据是否含有钙化点将这些图像块分为两类。本实施例中，对图像块是否存在钙化点的判断依据为步骤(1)中读取的有关每张X光片是否含有钙化点和钙化点的位置、大小等信息。

步骤(4).对步骤(3)中得到的每一个图像块中不处在块边缘的30×30个像素点进行邻域为8的局部二值模式编码，编码依据为：

其中，g_c是被编码像素点的像素值，g_p(p＝0,…,7)是邻域中8个像素点的像素值。于是每个图像块被编码成了900个八位二进制码。

步骤(5).对步骤(4)中产生的每个二进制码按照旋转不变原则进行变换。具体定义为：将每个二进制码进行7次一位的循环右移或7次一位的循环左移，这样包括原码在内，得到八个二进制码。使用其中最小的那个代替原码。

步骤(6).按照以下原则将步骤(5)中产生的代码分为十类(第1类到第10类)中的一类：

其中，class指该二进制码被分成的类。

步骤(7).将每个图像块用一个十维向量表示：

{x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀} (6)

其中，x_i指该图像块经过编码后，被分到第i类的二进制码的数量。即该向量表示图像块的二进制码的统计分布。

步骤(8).使用支持向量机的分类功能，以每一个图像块被表示成的十维向量为十个输入，对应是否含有钙化点为输出，形成一个映射：

y＝f{x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀} (7)

步骤(9).基于步骤(8)得到的训练样本集对支持向量机分类器进行训练。

步骤(10).利用训练后的支持向量机分类器对样本数据进行分类，完成X光片中乳腺钙化点的判断，样本或待检测X光片进行分类前同样先使用一个滤波器组进行边缘增强，然后分成若干32×32像素点大小的图像块。

本实施例中，用五折验证方法对支持向量机进行训练，得到能够自动判断钙化点是否存在的分类器。五折验证方法是将数据库(MIAS数据库)中样本数据随机的分成五份，并轮流地将其中的四份作为分类器的训练集，剩下的一份用于测试。

本实施例中，对支持向量机的使用通过在Matlab中调用LIBSVM工具箱实现，从MIAS数据库中被读取、增强和分块后的样本被正确分类的比例是95％。设含钙化点的样本为正类(Positive)，不含钙化点的样本为负类(Negative)，则本实施例实验结果的真正率(True Positive Rate,TPR)和假正率(False Positive Rate,FPR)分别为95.6％和5.6％，证明了本发明的有效性。图2举例给出了一张本实施例判断出的含钙化点的X光片以及对钙化点的标定。

Claims (2)

1.一种基于局部二值模式和支持向量机的乳腺癌钙化点计算机辅助检测方法，其特征在于步骤如下：

步骤(1).读取乳腺X光片作为样本，包括正常乳腺和含有钙化点并被人为标定出钙化点位置的X光片；

步骤(2).对步骤(1)中读取的X光片使用一个滤波器组进行边缘增强，该滤波器组由一个高斯高通滤波器、一个拉普拉斯锐化滤波器、一个低通滤波器和一个相减器组成，首先，X光片分别经过高斯高通滤波器、拉普拉斯锐化滤波器和低通滤波器；随后，将拉普拉斯锐化滤波器输出的图像与低通滤波器输出的图像相减，得到最终的增强后的X光片；

步骤(3).对经过步骤(2)增强后的X光片分成若干32×32像素点大小的图像块，根据是否含有钙化点将这些图像块分为两类；

步骤(4).对步骤(3)中得到的每一个图像块中不处在块边缘的30×30个像素点进行邻域为8的局部二值模式编码，编码依据为：

$\begin{array}{c}LBP=\underset{p=0}{\overset{7}{\&Sigma;}}s(g_p-g_c)2^p\\ s\left(x\right)=\left\{\begin{array}{c}1,x\&GreaterEqual;0\\ 0,x<0\end{array}\right.\end{array}---\left(4\right)$

其中，g_c是被编码像素点的像素值，g_p(p＝0,…,7)是邻域中8个像素点的像素值，于是每个图像块被编码成了900个八位二进制码；

步骤(5).对步骤(4)中产生的每个二进制码按照旋转不变原则进行变换；具体定义为：将每个二进制码进行7次一位的循环右移或7次一位的循环左移，这样包括原码在内，得到八个二进制码；使用其中最小的那个代替原码；

步骤(6).按照以下原则将步骤(5)中产生的代码分为十类中的一类：

其中，class指该二进制码被分成的类；

步骤(7).将每个图像块用一个十维向量表示：

{x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀} (6)

其中x_i指该图像块经过编码后，被分到第i类的二进制码的数量；即该向量表示图像块的二进制码的统计分布；

步骤(8).使用支持向量机的分类功能，以每一个图像块被表示成的十维向量为十个输入，对应是否含有钙化点为输出，形成一个映射：

y＝f{x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀} (7)

步骤(9).基于步骤(8)得到的训练样本集对支持向量机分类器进行训练；

步骤(10).利用训练后的支持向量机分类器对样本数据进行分类,完成X光片中乳腺钙化点的判断。

2.根据权利要求1所述的基于局部二值模式和支持向量机的乳腺癌钙化点计算机辅助检测方法，其特征在于所述的步骤(2)中，高斯高通滤波器的传递函数为：

$H(u,v)=1-\exp (-D^2(u,v)/\left({2D}_0^2\right))---\left(1\right)$

其中，为滤波中心点，D(u,v)为点(u,v)到滤波中心点的距离；

拉普拉斯锐化滤波器使用的模板为：

$M=\left[\begin{array}{ccc}0& 1& 0\\ 1& -4& 1\\ 0& 1& 0\end{array}\right]---\left(2\right)$

低通滤波器的传递函数为：

$L(u,v)=\exp (-D^2(u,v)/(2D_0^2\left)\right)---\left(3\right).$