CN109903278B - 基于形状直方图的超声乳腺肿瘤形态量化特征提取方法 - Google Patents
基于形状直方图的超声乳腺肿瘤形态量化特征提取方法 Download PDFInfo
- Publication number
- CN109903278B CN109903278B CN201910138613.4A CN201910138613A CN109903278B CN 109903278 B CN109903278 B CN 109903278B CN 201910138613 A CN201910138613 A CN 201910138613A CN 109903278 B CN109903278 B CN 109903278B
- Authority
- CN
- China
- Prior art keywords
- breast tumor
- shape histogram
- maximum curvature
- ultrasonic
- shape
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 158
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 141
- 230000000877 morphologic effect Effects 0.000 title claims abstract description 55
- 238000000605 extraction Methods 0.000 title claims abstract description 24
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 40
- 230000003211 malignant effect Effects 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000011002 quantification Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 201000011510 cancer Diseases 0.000 claims description 7
- 230000036210 malignancy Effects 0.000 claims description 2
- 101001056234 Homo sapiens Sperm mitochondrial-associated cysteine-rich protein Proteins 0.000 claims 1
- 102100026503 Sperm mitochondrial-associated cysteine-rich protein Human genes 0.000 claims 1
- 201000007295 breast benign neoplasm Diseases 0.000 abstract description 13
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 206010004243 Benign breast neoplasm Diseases 0.000 abstract description 6
- 238000004195 computer-aided diagnosis Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 3
- 238000002604 ultrasonography Methods 0.000 description 21
- 238000001514 detection method Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 210000000481 breast Anatomy 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000004660 morphological change Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003562 morphometric effect Effects 0.000 description 1
- 238000013425 morphometry Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000008733 trauma Effects 0.000 description 1
Images
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于形状直方图的超声乳腺肿瘤形态量化特征提取方法，针对计算机辅助诊断***中，传统超声乳腺肿瘤良恶性量化特征描述不准确的缺点，从乳腺肿瘤轮廓出发，构造乳腺肿瘤的形状直方图，再以形状直方图为基础，设计三个形态量化特征：最大曲率和、最大曲率峰值和、最大曲率标准差和，用以有效表征超声乳腺肿瘤的局部良恶性差异；并将本发明提出的三个形态量化特征应用于分类器中，得到的超声乳腺肿瘤的良恶性识别率相比传统形态量化特征的识别率有显著提高，具有实用价值。本发明可以有效减少医生的主观因素影响，有助于提高医生诊断的准确率，可适用于其他肿瘤良恶性的诊断，具有良好的应用前景。
Description
技术领域
本发明涉及计算机医疗辅助诊断技术领域，具体涉及一种基于形状直方图的超声乳腺肿瘤形态量化特征提取方法。
背景技术
当下乳腺癌作为全球女性常患的一种恶性肿瘤疾病，具有极高的发病率和死亡率，在全世界范围内每年因乳腺癌致死的女性患者数目就高达数百万，且常年来致死率呈不断攀升之势。超声成像凭借其无辐射创伤、价格低廉、实时便携等优势，已成为乳腺肿瘤早期检测和诊断的一种重要手段。超声医生凭借经验对采集的超声乳腺肿瘤图像进行良恶性判别，这是一个主观判断过程，诊断结果受医生的经验丰富程度、知识水平高低、以及疲劳程度等条件的限制，不同医生对同一超声图像，可能诊断结果完全不同，甚至同一医生在不同时间、不同状态下对同一超声图像的诊断结果也不相同。因此，利用计算机辅助诊断(Computer Aided Diagnosis,CAD)***对超声乳腺肿瘤图像进行良恶性判别具有极其重要的研究价值和应用前景，它可以有效减少医生的主观因素影响，提高疾病解释一致性，使诊断结果更客观、更准确。
基于CAD的超声乳腺肿瘤良恶性检测是利用计算机对超声乳腺肿瘤图像进行特征提取和分类的过程，主要包括预处理、肿瘤目标检测与区域分割、肿瘤特征提取和肿瘤良恶性分类四个步骤。其中，乳腺肿瘤特征提取是超声乳腺肿瘤良恶性检测的一个重要环节，其描述的肿瘤特征是否准确很大程度上决定了乳腺肿瘤良恶性分类的准确率。目前，对超声乳腺肿瘤特征研究多集中在形态量化特征提取方面，例如，Chang等采用水平集算法从超声图片中分割出乳腺肿瘤区域，然后提取了似圆度、形式因子、光滑度、长宽比、凸起度及面积比率六种形态特征用于分类器训练；Huang等从ROI中提取出19个形态特征，经PCA降维后输入SVM进行分类训练；Chen等在传统肿瘤形态特征的基础上，又提出了肿瘤边缘起伏数目、小叶指数、归一化椭圆周长等五种新型形态特征，并利用多层前向神经网络训练分类器。
目前，常用的一些传统形态量化特征主要有：边缘粗糙度、形状规则度、纵横比、椭圆紧致度、圆形度等等。然而，这些传统的超声乳腺肿瘤形态量化特征的构造原理多是从全局的角度描述肿瘤形状变化，例如，边缘粗糙度是计算肿瘤边缘到肿瘤质心的径向长度差；形状规则度是分析肿瘤面积与拟合椭圆面积的重合率；纵横比是计算椭圆长短轴的比值；椭圆紧致度是计算椭圆周长与肿瘤轮廓周长的比值；圆形度则是评价肿瘤形状与圆形的近似程度。可见，它们均没有考虑乳腺肿瘤的局部形态变化，提取的乳腺肿瘤良恶性特征并不准确。
因此，如何建立一种准确可靠的判断乳腺肿瘤良恶的方法，是有效减少医生的主观因素影响，有助于提高医生诊断的准确率的关键，是当前亟待解决的。
发明内容
本发明的目的是克服传统的乳腺肿瘤形态量化特征提取过程中存在的问题。本发明的基于形状直方图的超声乳腺肿瘤形态量化特征提取方法，从乳腺肿瘤轮廓出发，构造乳腺肿瘤的形状直方图，再以形状直方图为基础，设计三个形态量化特征：最大曲率和、最大曲率峰值和、最大曲率标准差和，用以有效表征超声乳腺肿瘤的局部良恶性差异，可以有效减少医生的主观因素影响，有助于提高医生诊断的准确率，可适用于其他肿瘤良恶性的诊断，具有良好的应用前景。
为了达到上述目的，本发明所采用的技术方案是：
一种基于形状直方图的超声乳腺肿瘤形态量化特征提取方法，包括以下步骤，
步骤(A)，超声乳腺肿瘤原图中分割出乳腺肿瘤区域图；
步骤(B)，获取该乳腺肿瘤区域图的乳腺肿瘤边缘图；
步骤(C)，通过椭圆或者圆拟合得到该乳腺肿瘤边缘图内肿瘤目标形状的椭圆曲线，并得到该超声乳腺肿瘤的形状直方图；
步骤(D)，根据得到的超声乳腺肿瘤的形状直方图，描述出该乳腺肿瘤形态的三个量化特征：最大曲率和、最大曲率峰值和、最大曲率标准差和。
前述的基于形状直方图的超声乳腺肿瘤形态量化特征提取方法，步骤(C)，通过椭圆拟合得到该乳腺肿瘤边缘图内肿瘤目标形状的椭圆曲线，并得到该超声乳腺肿瘤的形状直方图，包括以下步骤，
(C1)，根据乳腺肿瘤边缘图的肿瘤边缘轮廓的像素点坐标，得到拟合的肿瘤目标形状的椭圆曲线；
(C2)，以该椭圆曲线的质心为中心点作一系列射线，该一系列射线以椭圆长轴为起始点，沿逆时针方向围绕椭圆质心旋转，相邻的射线之间的间隔角度θ的取值范围为5°≤θ≤6°；
(C3)，该一系列射线与椭圆曲线、乳腺肿瘤边缘分别有交点，计算出每条射线与椭圆曲线的交点、每条射线与乳腺肿瘤边缘的交点之间的差值，得到该超声乳腺肿瘤的形状直方图。
前述的基于形状直方图的超声乳腺肿瘤形态量化特征提取方法，步骤(D)，根据得到的超声乳腺肿瘤的形状直方图，描述出该乳腺肿瘤形态的最大曲率和量化特征，过程如下，
(D11)，将该形状直方图中所有数值相连接，得到形状直方图的曲线；
(D12)，计算该形状直方图中每个区间的所有数值点的曲率，如公式(1)所示，
其中，hi'(j)为形状直方图中第i个区间第j个数值点在曲线上的一阶导数，h″i(j)为形状直方图中第i个区间第j个数值点在曲线上的二阶导数，Cij则为形状直方图中第i个区间第j个数值点的曲率；
(D13)，基于该形状直方图中每个区间的所有数值点的曲率，取出每个区间的最大曲率
其中i＝1,2,...,N，N为形状直方图的区间个数，并将每个区间的最大曲率
相加，得到形状直方图的最大曲率和SMC，如公式(2)所示，
前述的基于形状直方图的超声乳腺肿瘤形态量化特征提取方法，步骤(D)，根据得到的超声乳腺肿瘤的形状直方图，描述出该乳腺肿瘤形态的最大曲率峰值和量化特征，过程如下，
(D21)，根据每个区间的最大曲率
如公式(3)所示，得到形状直方图的最大曲率峰值和SMCP，
其中，
为每个区间的最大曲率，
为每个区间的最大峰值。
前述的基于形状直方图的超声乳腺肿瘤形态量化特征提取方法，步骤(D)，根据得到的超声乳腺肿瘤的形状直方图，描述出该乳腺肿瘤形态的最大曲率标准差和量化特征，过程如下，
(D31)，根据公式(4)，计算形状直方图中每个区间的峰值标准差，
其中，
为形状直方图中第i个区间的平均峰值，得到PSD(i)则为第i个区间的峰值标准差；
(D32)，通过峰值标准差对曲率进行加权，得到最大曲率标准差和SMCSD，如公式(5)所示，
其中，
为每个区间的最大曲率。
前述的基于形状直方图的超声乳腺肿瘤形态量化特征提取方法，还包括步骤(E)，根据步骤(D)得到的该乳腺肿瘤形态的三个量化特征，对该超声乳腺肿瘤的良恶性进行判别。
前述的基于形状直方图的超声乳腺肿瘤形态量化特征提取方法，步骤(E)，采用SVM分类器对步骤(D)得到的该乳腺肿瘤形态的三个量化特征进行该超声乳腺肿瘤的良恶性判别。
本发明的有益效果是：本发明的基于形状直方图的超声乳腺肿瘤形态量化特征提取方法，针对计算机辅助诊断***中，传统超声乳腺肿瘤良恶性量化特征描述不准确的缺点，从乳腺肿瘤轮廓出发，构造乳腺肿瘤的形状直方图，再以形状直方图为基础，设计三个形态量化特征：最大曲率和、最大曲率峰值和、最大曲率标准差和，用以有效表征超声乳腺肿瘤的局部良恶性差异；并将本发明提出的三个形态量化特征应用于分类器中，得到的超声乳腺肿瘤的良恶性识别率相比传统形态量化特征的识别率有显著提高，具有实用价值；同时，最大曲率和、最大曲率峰值和、最大曲率标准差和也丰富了现有超声乳腺肿瘤的形态量化特征库，本发明可以有效减少医生的主观因素影响，有助于提高医生诊断的准确率，可适用于其他肿瘤良恶性的诊断，具有良好的应用前景。
附图说明
图1是本发明的基于形状直方图的超声乳腺肿瘤形态量化特征提取方法的流程图；
图2是本发明的得到该超声乳腺肿瘤的形状直方图的流程图；
图3是良性超声乳腺肿瘤的图像；
图4是恶性超声乳腺肿瘤的图像；
图5是良性超声乳腺肿瘤的边缘轮廓图；
图6是恶性超声乳腺肿瘤的边缘轮廓图；
图7是良性超声乳腺肿瘤的形状直方图；
图8是恶性超声乳腺肿瘤的形状直方图；
图9是良性超声乳腺肿瘤的形状直方图的曲线图；
图10是恶性超声乳腺肿瘤的形状直方图的曲线图；
图11是超声乳腺肿瘤的样本图。
具体实施方式
下面将结合说明书附图，对本发明作进一步的说明。
如图1所示，本发明的基于形状直方图的超声乳腺肿瘤形态量化特征提取方法，包括以下步骤，
步骤(A)，超声乳腺肿瘤原图中分割出乳腺肿瘤区域图；
步骤(B)，获取该乳腺肿瘤区域图的乳腺肿瘤边缘图；
步骤(C)，通过椭圆或者圆拟合得到该乳腺肿瘤边缘图内肿瘤目标形状的椭圆曲线，并得到该超声乳腺肿瘤的形状直方图，如图2所示，包括以下步骤，
(C1)，根据乳腺肿瘤边缘图的肿瘤边缘轮廓的像素点坐标，得到拟合的肿瘤目标形状的椭圆曲线；
(C2)，以该椭圆曲线的质心为中心点作一系列射线，该一系列射线以椭圆长轴为起始点，沿逆时针方向围绕椭圆质心旋转，相邻的射线之间的间隔角度θ的取值范围为5°≤θ≤6°，经多次实验表明，当θ＝5.7°时，效果最佳；
(C3)，该一系列射线与椭圆曲线、乳腺肿瘤边缘分别有交点，计算出每条射线与椭圆曲线的交点、每条射线与乳腺肿瘤边缘的交点之间的差值，得到该超声乳腺肿瘤的形状直方图
步骤(D)，根据得到的超声乳腺肿瘤的形状直方图，描述出该乳腺肿瘤形态的三个量化特征：最大曲率和、最大曲率峰值和、最大曲率标准差和，
其中，描述最大曲率和的过程如下，
(D11)，将该形状直方图中所有数值相连接，得到形状直方图的曲线；
(D12)，计算该形状直方图中每个区间的所有数值点的曲率，如公式(1)所示，
其中，hi'(j)为形状直方图中第i个区间第j个数值点在曲线上的一阶导数，h″i(j)为形状直方图中第i个区间第j个数值点在曲线上的二阶导数，Cij则为形状直方图中第i个区间第j个数值点的曲率；
(D13)，基于该形状直方图中每个区间的所有数值点的曲率，取出每个区间的最大曲率
其中i＝1,2,...,N，N为形状直方图的区间个数，并将每个区间的最大曲率
相加，得到形状直方图的最大曲率和SMC，如公式(2)所示，
描述出该乳腺肿瘤形态的最大曲率峰值和量化特征，过程如下，
(D21)，根据每个区间的最大曲率
如公式(3)所示，得到形状直方图的最大曲率峰值和SMCP，
其中，
为每个区间的最大曲率，
为每个区间的最大峰值；
描述出该乳腺肿瘤形态的最大曲率标准差和量化特征，过程如下，
(D31)，根据公式(4)，计算形状直方图中每个区间的峰值标准差，
其中，
为形状直方图中第i个区间的平均峰值，得到PSD(i)则为第i个区间的峰值标准差；
(D32)，通过峰值标准差对曲率进行加权，得到最大曲率标准差和SMCSD，如公式(5)所示，
其中，
为每个区间的最大曲率；
本发明的基于形状直方图的超声乳腺肿瘤形态量化特征提取方法，还包括步骤(E)，根据步骤(D)得到的该乳腺肿瘤形态的三个量化特征，对该超声乳腺肿瘤的良恶性进行判别，可采用SVM分类器对步骤(D)得到的该乳腺肿瘤形态的三个量化特征进行该超声乳腺肿瘤的良恶性判别。
下面根据本发明的基于形状直方图的超声乳腺肿瘤形态量化特征提取方法，具体描述一实施过程，
(1)输入超声乳腺肿瘤图像，如图3、图4所示，其中图3为良性，图4为恶性；
(2)对超声乳腺肿瘤图像进行肿瘤目标分割，得到肿瘤边缘轮廓图，如图5及图6所示，其中图5为良性乳腺肿瘤的边缘轮廓图，图6为恶性乳腺肿瘤的边缘轮廓图；
(3)依据肿瘤边缘轮廓的像素点坐标，得到拟合的肿瘤目标形状的椭圆曲线；
(4)以椭圆的质心为中心点作一系列射线，该射线以椭圆长轴为起始点，沿逆时针方向围绕椭圆质心旋转，射线间隔角度θ＝5.7°；
(5)射线与椭圆曲线和肿瘤边缘分别有交点；
(6)计算出射线与椭圆曲线的交点以及射线与肿瘤边缘的交点之间的差值，得到乳腺肿瘤的形状直方图，如图7及图8所示，其中，图7为良性乳腺肿瘤的形状直方图，图8为恶性乳腺肿瘤的形状直方图。
从图7及图8中可以看出，形状直方图中数值波动情况与肿瘤形态变化是一一对应的，因此基于形状直方图设计相应的量化特征具有可行性。
传统的形态量化特征是从全局的角度描述乳腺肿瘤的良恶性差异，针对这个不足，本发明基于形状直方图，以区间为单位设计量化特征，从局部的角度描述乳腺肿瘤的形态变化，从而更准确表征乳腺肿瘤的良恶性差异。这里，形状直方图的正值区间表示肿瘤边缘凸在椭圆外侧，负值区间表示肿瘤边缘凹在椭圆内侧，其中最大曲率和、最大曲率峰值和以及最大曲率标准差和三个形态量化特征的设计细节如下，
(1)最大曲率和(Sum of Maximum Curvature，SMC)
将形状直方图中所有数值相连接，得到形状直方图的曲线图，如图9及图10所示，其中，图9为良性乳腺肿瘤形状直方图的连接曲线，图10)为恶性乳腺肿瘤形状直方图的连接曲线；
(2)最大曲率峰值和(Sum of Maximum Curvature and Peak,SMCP)
曲率描述了每个区间的曲线的弯曲程度，但不能体现曲线峰值的大小，因此，在计算最大曲率和时还需要考虑形状直方图中每个区间的曲峰数值的变化程度，本发明进一步用曲线峰值加权曲率，得到最大曲率峰值和；
(3)最大曲率标准差和(Sum of Maximum Curvature and Standard Deviation，SMCSD)
同样的，形状直方图中每个区间的峰值波动程度也体现了超声乳腺肿瘤的良恶性差异，通过用峰值标准差对曲率进行加权，得到最大曲率标准差和。
下面具体介绍，根据本发明的基于形状直方图的超声乳腺肿瘤形态量化特征提取方法，得到三个形态量化特征：最大曲率和(SMC)、最大曲率峰值和(SMCP)、最大曲率标准差和(SMCSD)进行乳腺良恶性肿瘤分析的实施过程，
在实验测试中，数据源选择超声乳腺肿瘤数据来源于超声诊断仪(VINNO70，飞依诺科技有限公司，苏州)，探头发射频率为5MHz～14MHz，一共采集192张图片，其中恶性肿瘤图片71张，良性肿瘤图片121张，部分样本如图11所示，其中图(a-d)为良性，图(e-h)为恶性。所有数据都获得受试者书面同意，且符合医院人体伦理认可。
(1)良恶性乳腺肿瘤识别率比较
采用本发明的三个形态量化特征：最大曲率和(SMC)、最大曲率峰值和(SMCP)、最大曲率标准差和(SMCSD)以及传统形态量化特征：粗糙度、规则度、纵横比、椭圆紧致度、圆形度对实际采集到的超声乳腺肿瘤图像进行特征提取，并采用SVM分类器进行良恶性判别，识别结果如表1所示。这里，选取50张恶性肿瘤图片和90张良性肿瘤图片作为训练样本，剩余图片作为测试样本，
表1 本发明和传统形态量化特征在超声乳腺肿瘤数据上识别率比较
| 方法 | 识别率/％ |
| 传统形态量化特征 | 67.31 |
| 本发明(SMC、SMCP、SMCSD) | 82.69 |
| 传统+本发明(SMC) | 78.85 |
| 传统+本发明(SMCP) | 75.00 |
| 传统+本发明(SMCSD) | 78.85 |
| 传统+本发明(SMC、SMCP、SMCSD) | 82.69 |
从表1中可以看出，采用本发明的三个形态量化特征：最大曲率和(SMC)、最大曲率峰值和(SMCP)、最大曲率标准差和(SMCSD)进行超声乳腺肿瘤良恶性判别时，可以达到82.69％的识别率，相比五个传统形态量化特征的识别率提升了15.38％。当传统量化特征与本发明提出的三个量化特征相结合时，识别率仍为82.69％，可见，本发明提出的最大曲率和(SMC)、最大曲率峰值和(SMCP)、最大曲率标准差和(SMCSD)在描述乳腺肿瘤良恶性差异时具有绝对优势。
(2)良恶性乳腺肿瘤形态量化特征数值比较
为了更好地说明本发明的有效性，分别计算良恶性乳腺肿瘤在各种特征算子下的最大值、最小值和均值，如表2所示。
表2 良恶性乳腺肿瘤的形态量化特征数值对比
基于表2数值再进一步计算各个形态量化特征的良恶性判别距离D，计算公式(6)如下，
其中，Maxbeni为良性乳腺肿瘤的最大值、Maxmali为恶性乳腺肿瘤的最大值，Minbeni为良性乳腺肿瘤的最小值，Minmali为恶性乳腺肿瘤的最小值，μbeni为良性乳腺肿瘤的均值，μmali为恶性乳腺肿瘤的均值。根据公式(6)整理得到表3，由表3可以看出，由最大曲率和(SMC)、最大曲率峰值和(SMCP)、最大曲率标准差和(SMCSD)计算得到的良恶性乳腺肿瘤的判别距离D明显大于传统特征，因此，进一步说明，本发明提出的三个形态量化特征可以更准确描述乳腺肿瘤的良恶性差异，
表3 形态量化特征的良恶性判别距离
(3)本发明提供方法的性能分析
为了进一步说明本发明的有效性，这里使用5个指标评估分类器的性能，分别为准确度(Accuracy)，灵敏度(Sensitivity)、特异度(Specificity)、阳性预测值(PositivePredictive Value，PPV)、阴性预测值(Negative Predictive Value，NPV)，定义如下：
其中，TP为真阳性例数，TN为真阴性例数，FP为假阳性例数，FN为假阴性例数。本发明和传统量化特征的性能参数比较如表4所示，
表4 本发明和传统方法的性能参数比较
| 准确度 | 灵敏度 | 特异度 | 阳性预测率 | 阴性预测率 | |
| 传统形态量化特征(％) | 67.31 | 47.62 | 80.65 | 62.50 | 69.44 |
| 本发明(％) | 82.69 | 66.67 | 93.55 | 87.50 | 80.56 |
由表4中可以看出，本发明较传统形态量化特征具有较高的准确度、灵敏度、特异度、阳性预测率和阴性预测率，尤其是PPV值为87.5％，NPV值为80.56％，这说明本发明在检测阳性和阴性结果时具有卓越的查准率，即被检测为阳性或阴性的患者确实患病或无病的可能性最大。
综上所述，本发明的基于形状直方图的超声乳腺肿瘤形态量化特征提取方法，针对计算机辅助诊断***中，传统超声乳腺肿瘤良恶性量化特征描述不准确的缺点，从乳腺肿瘤轮廓出发，构造乳腺肿瘤的形状直方图，再以形状直方图为基础，设计三个形态量化特征：最大曲率和、最大曲率峰值和、最大曲率标准差和，用以有效表征超声乳腺肿瘤的局部良恶性差异；并将本发明提出的三个形态量化特征应用于分类器中，得到的超声乳腺肿瘤的良恶性识别率相比传统形态量化特征的识别率有显著提高，具有实用价值；同时，最大曲率和、最大曲率峰值和、最大曲率标准差和也丰富了现有超声乳腺肿瘤的形态量化特征库，本发明可以有效减少医生的主观因素影响，有助于提高医生诊断的准确率，可适用于其他肿瘤良恶性的诊断，具有良好的应用前景。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.基于形状直方图的超声乳腺肿瘤形态量化特征提取方法，其特征在于：包括以下步骤，
步骤(A)，超声乳腺肿瘤原图中分割出乳腺肿瘤区域图；
步骤(B)，获取该乳腺肿瘤区域图的乳腺肿瘤边缘图；
步骤(C)，通过椭圆或者圆拟合得到该乳腺肿瘤边缘图内肿瘤目标形状的椭圆曲线，并得到该超声乳腺肿瘤的形状直方图；
步骤(D)，根据得到的超声乳腺肿瘤的形状直方图，描述出该乳腺肿瘤形态的三个量化特征：最大曲率和、最大曲率峰值和、最大曲率标准差和；
其中，步骤(C)，通过椭圆拟合得到该乳腺肿瘤边缘图内肿瘤目标形状的椭圆曲线，并得到该超声乳腺肿瘤的形状直方图，包括以下步骤，
(C1)，根据乳腺肿瘤边缘图的肿瘤边缘轮廓的像素点坐标，得到拟合的肿瘤目标形状的椭圆曲线；
(C2)，以该椭圆曲线的质心为中心点作一系列射线，该一系列射线以椭圆长轴为起始点，沿逆时针方向围绕椭圆质心旋转，相邻的射线之间的间隔角度θ的取值范围为5°≤θ≤6°；
(C3)，该一系列射线与椭圆曲线、乳腺肿瘤边缘分别有交点，计算出每条射线与椭圆曲线的交点、每条射线与乳腺肿瘤边缘的交点之间的差值，得到该超声乳腺肿瘤的形状直方图；
其中，步骤(D)，根据得到的超声乳腺肿瘤的形状直方图，描述出该乳腺肿瘤形态的最大曲率和量化特征，过程如下，
(D11)，将该形状直方图中所有数值相连接，得到形状直方图的曲线；
(D12)，计算该形状直方图中每个区间的所有数值点的曲率，如公式(1)所示，
其中，h′i(j)为形状直方图中第i个区间第j个数值点在曲线上的一阶导数，h″i(j)为形状直方图中第i个区间第j个数值点在曲线上的二阶导数，Cij则为形状直方图中第i个区间第j个数值点的曲率；
(D13)，基于该形状直方图中每个区间的所有数值点的曲率，取出每个区间的最大曲率
其中i＝1,2,...,N，N为形状直方图的区间个数，并将每个区间的最大曲率
相加，得到形状直方图的最大曲率和SMC，如公式(2)所示，
2.根据权利要求1所述的基于形状直方图的超声乳腺肿瘤形态量化特征提取方法，其特征在于：步骤(D)，根据得到的超声乳腺肿瘤的形状直方图，描述出该乳腺肿瘤形态的最大曲率峰值和量化特征，过程如下，
(D21)，根据每个区间的最大曲率
如公式(3)所示，得到形状直方图的最大曲率峰值和SMCP，
其中，
为每个区间的最大曲率，
为每个区间的最大峰值。
3.根据权利要求1所述的基于形状直方图的超声乳腺肿瘤形态量化特征提取方法，其特征在于：步骤(D)，根据得到的超声乳腺肿瘤的形状直方图，描述出该乳腺肿瘤形态的最大曲率标准差和量化特征，过程如下，
(D31)，根据公式(4)，计算形状直方图中每个区间的峰值标准差，
其中，
为形状直方图中第i个区间的平均峰值，得到PSD(i)则为第i个区间的峰值标准差；
(D32)，通过峰值标准差对曲率进行加权，得到最大曲率标准差和SMCSD，如公式(5)所示，
其中，
为每个区间的最大曲率。
4.根据权利要求1所述的基于形状直方图的超声乳腺肿瘤形态量化特征提取方法，其特征在于：还包括步骤(E)，根据步骤(D)得到的该乳腺肿瘤形态的三个量化特征，对该超声乳腺肿瘤的良恶性进行判别。
5.根据权利要求4所述的基于形状直方图的超声乳腺肿瘤形态量化特征提取方法，其特征在于：步骤(E)，采用SVM分类器对步骤(D)得到的该乳腺肿瘤形态的三个量化特征进行该超声乳腺肿瘤的良恶性判别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910138613.4A CN109903278B (zh) | 2019-02-25 | 2019-02-25 | 基于形状直方图的超声乳腺肿瘤形态量化特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910138613.4A CN109903278B (zh) | 2019-02-25 | 2019-02-25 | 基于形状直方图的超声乳腺肿瘤形态量化特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109903278A CN109903278A (zh) | 2019-06-18 |
| CN109903278B true CN109903278B (zh) | 2020-10-27 |
Family
ID=66945495
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910138613.4A Active CN109903278B (zh) | 2019-02-25 | 2019-02-25 | 基于形状直方图的超声乳腺肿瘤形态量化特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109903278B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111311578B (zh) * | 2020-02-17 | 2024-05-03 | 腾讯科技（深圳）有限公司 | 基于人工智能的对象分类方法以及装置、医学影像设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1518719A (zh) * | 2001-04-23 | 2004-08-04 | 西门子共同研究公司 | 根据多层面高分辩率计算机断层摄影图像自动检测肺肿瘤的方法和*** |
| CN109242016A (zh) * | 2018-08-30 | 2019-01-18 | 天津理工大学 | 一种空间曲线的相似性判断方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000065985A2 (en) * | 1999-04-29 | 2000-11-09 | University Of South Florida | Method and system for knowledge guided hyperintensity detection and volumetric measurement |
| CN101517614A (zh) * | 2006-09-22 | 2009-08-26 | 皇家飞利浦电子股份有限公司 | 肺结节的高级计算机辅助诊断 |
| CN103425986B (zh) * | 2013-08-31 | 2016-08-10 | 西安电子科技大学 | 基于边缘邻域加权的乳腺肿块图像特征提取方法 |
-
2019
- 2019-02-25 CN CN201910138613.4A patent/CN109903278B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1518719A (zh) * | 2001-04-23 | 2004-08-04 | 西门子共同研究公司 | 根据多层面高分辩率计算机断层摄影图像自动检测肺肿瘤的方法和*** |
| CN109242016A (zh) * | 2018-08-30 | 2019-01-18 | 天津理工大学 | 一种空间曲线的相似性判断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109903278A (zh) | 2019-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Breast cancer detection using extreme learning machine based on feature fusion with CNN deep features | |
| Zeebaree et al. | Trainable model based on new uniform LBP feature to identify the risk of the breast cancer | |
| Li et al. | Dilated-inception net: multi-scale feature aggregation for cardiac right ventricle segmentation | |
| Dong et al. | An efficient approach for automated mass segmentation and classification in mammograms | |
| Aggarwal et al. | Feature extraction and LDA based classification of lung nodules in chest CT scan images | |
| CN109635846B (zh) | 一种多类医学图像判断方法和*** | |
| US8073226B2 (en) | Automatic detection and monitoring of nodules and shaped targets in image data | |
| CN101103924A (zh) | 基于乳腺x线摄片的乳腺癌计算机辅助诊断方法及其*** | |
| CN108648182B (zh) | 一种基于分子亚型的乳腺癌核磁共振图像肿瘤区域分割方法 | |
| Mohanty et al. | RETRACTED ARTICLE: An improved data mining technique for classification and detection of breast cancer from mammograms | |
| Fanizzi et al. | Hough transform for clustered microcalcifications detection in full-field digital mammograms | |
| Sapate et al. | Breast cancer diagnosis using abnormalities on ipsilateral views of digital mammograms | |
| CN101714153A (zh) | 基于视觉感知的交互式乳腺钼靶图像检索方法 | |
| Wang et al. | A method of ultrasonic image recognition for thyroid papillary carcinoma based on deep convolution neural network | |
| Wu et al. | Coarse-to-fine lung nodule segmentation in CT images with image enhancement and dual-branch network | |
| Yue et al. | Automatic acetowhite lesion segmentation via specular reflection removal and deep attention network | |
| Jha et al. | Nucleus and cytoplasm–based segmentation and actor-critic neural network for acute lymphocytic leukaemia detection in single cell blood smear images | |
| Ali et al. | Machine learning based computer-aided diagnosis of liver tumours | |
| CN103455821B (zh) | 基于bi-rads的图像分析装置和方法 | |
| Wei et al. | Automatic classification of benign and malignant breast tumors in ultrasound image with texture and morphological features | |
| Diao et al. | Highly sensitive computer aided diagnosis system for breast tumor based on color Doppler flow images | |
| Wu et al. | An Effective Machine-Learning Based Feature Extraction/RecognitionModel for Fetal Heart Defect Detection from 2D Ultrasonic Imageries. | |
| CN109903278B (zh) | 基于形状直方图的超声乳腺肿瘤形态量化特征提取方法 | |
| Hsieh et al. | Stage classification in chronic kidney disease by ultrasound image | |
| Wei et al. | Multi-feature fusion for ultrasound breast image classification of benign and malignant |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20201230 Address after: Room 108, 7 Yingcui Road, Jiangning Development Zone, Nanjing, Jiangsu 210000 Patentee after: Nanjing tianzhixin Technology Co.,Ltd. Address before: 211167 No.1, Hongjing Avenue, Jiangning Science Park, Jiangning District, Nanjing City, Jiangsu Province Patentee before: NANJING INSTITUTE OF TECHNOLOGY |
|
| TR01 | Transfer of patent right |