CN113705632A - 一种直肠癌mri图像分类方法、装置、电子设备和存储介质 - Google Patents
一种直肠癌mri图像分类方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113705632A CN113705632A CN202110918371.8A CN202110918371A CN113705632A CN 113705632 A CN113705632 A CN 113705632A CN 202110918371 A CN202110918371 A CN 202110918371A CN 113705632 A CN113705632 A CN 113705632A
- Authority
- CN
- China
- Prior art keywords
- rectal cancer
- image
- mri image
- model
- classification
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种直肠癌MRI图像分类方法、装置、电子设备和存储介质,所述方法包括:采集直肠癌MRI图像,对MRI图像进行预处理,计算任意图片之间的相似度形成N*N特征矩阵,通过自编码结构,提取10维特征,形成N*10的特征矩阵,并将图像特征矩阵集分为训练集和测试集;构建SVM模型,将训练集作为SVM模型的输入,得到测试模型;将测试集中的测试数据输入测试模型中,得到分类结果。本发明分类准确度高,可以精准预测图像分类结果,辅助医生进行直肠癌的T分期诊断。
Description
技术领域
本发明涉及一种图像分类方法、装置、电子设备和存储介质,尤其涉及一种直肠癌MRI图像分类方法、装置、电子设备和存储介质。
背景技术
磁共振成象是依赖于原子核的磁特性及其与外加磁场的相互作用。原子核由带正电的质子和不带电的中子构成。核外面的电子带负电,形成电子云壳。核磁共振的核并不是指任意一个原子核,而是具有MR活性元素的原子核。用正确频率的无线电波脉冲激发质子,使它们产生共振,扰乱磁性排列。被激发的质子以射频信号的形式释放吸收的能量,发射物被扫描仪上的接收线圈接收。引起质子共振的无线电频率取决于磁场的强度。通过按顺序应用不同的频率,可以得到MRI图像。MRI图像不仅能够反映人体解剖形态,而且能够反映人体血流和细胞代谢等生理功能信息。
在医学图像分类算法出现以前,医生在对心肌MRI图像进行分析时,完全凭借人工诊断,而人工诊断的方式不仅繁琐、效率低,而且诊断结果的准确程度完全取决于医生的个人经验和专业程度。现有技术中,李高仙等基于高分辨T2WI影像组学判定直肠癌术前T分期,通过在ITK-SNAP(Version 3.60,www.itksnap.org)软件上进行图像分割,在术前高分辨T2WI上勾画整个肿瘤为ROI,通过一般线性LASSO分析提取14个影像组学特征,最后利用随机森林算法实现分类;这种分类依赖于人工勾画病灶和提取特征,虽然准确度提高,但是效率低。
现有的医学图像分类算法虽然也能对MRI图像进行分类,但大多数分类结果不尽人意,医生在图像分析过程中,仍然起主导作用。在直肠癌治疗过程中,基于核磁共振成像(MRI)的T期诊断是一个关键步骤。T分期涉及到癌症细胞在器官中的累及程度。准确的T分期识别可以帮助医生判断病情发展阶段,实施合理的治疗手段。
发明内容
发明目的:本发明的目的是提供一种准确度高的直肠癌MRI图像分类方法;本发明的另一目的是提供一种直肠癌MRI图像分类装置;本发明的另一目的是提供一种电子设备;本发明的另一目的是提供一种非暂态计算机可读存储介质。
技术方案:本发明的直肠癌MRI图像分类方法,采集直肠癌MRI图像,对MRI图像进行预处理,计算任意图片之间的相似度形成N*N特征矩阵,通过自编码结构,提取10维特征,形成N*10的特征矩阵,并将图像特征矩阵集分为训练集和测试集;构建SVM模型,将训练集作为SVM模型的输入,得到测试模型;将测试集中的测试数据输入测试模型中,得到分类结果。
进一步地,MRI图像预处理的方法为通过深度学习库pytorch的resize函数将所有图像大小进行缩放,缩放为96*96大小的图像。
进一步的,任意图片之间的相似度的计算方法为复杂小波结构相似性指数计算方法:
进一步地,自编码结构为:N→64→10←64←N,其中N代表样本数。
应用上述直肠癌MRI图像分类方法的装置,包括图像采集模块、图像特征提取模块、SVM模型分类模块;所述图像采集模块采集直肠癌MRI图像,并将图像发送至图像特征提取模块,所述图像特征提取模块通过复杂小波结构相似性指数计算任意图片之间的相似度形成N*N特征矩阵,然后通过自编码结构提取新的特征,形成N*10的特征矩阵,图像特征提取模块将提取的特征矩阵分为训练集和测试集并发送给SVM模型分类模块,所述SVM模型分类模块输入训练集进行模型训练,然后将测试数据输入训练后的模型中得到分类结果。
进一步地,图像特征提取模块中通过复杂小波结构相似性指数计算方法计算任意图片之间的相似度形成N*N特征矩阵。
更进一步地,N*N特征矩阵通过自编码结构提取新的特征,形成N*10的特征矩阵。
另一方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的直肠癌MRI图像分类方法。
另一方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述的直肠癌MRI图像分类方法。
有益效果:与现有技术相比,本发明具有如下显著优点:本发明分类准确度高,可以精准预测图像分类结果,辅助医生进行直肠癌的T分期诊断。
附图说明
图1为本发明的装置结构示意图;
图2为本发明的方法流程示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
实施例
如图1所示,本发明的直肠癌MRI图像分类装置,包括图像采集模块、图像特征提取模块、SVM模型分类模块;所述图像采集模块采集直肠癌MRI图像,并将图片发送图像特征提取模块,所述图像特征提取模块并通过复杂小波结构相似性指数计算任意图片之间的相似度形成N*N特征矩阵,然后通过自编码结构提取新的特征,形成N*10的特征矩阵,图像特征提取模块将提取的特征矩阵分为训练集和测试集并发送给SVM模型分类模块,所述SVM模型分类模块通过输入的训练集进行模型训练,然后将测试数据输入训练后的模型中得到分类结果。
通常的复杂小波结构相似性指数计算方法:
本发明由于应用在医疗MRI图像相似度计算中,MRI图像本身的信噪比比较高,因此不需要参数K,将CW-SSIM进行了改进,形成新的图像相似度计算方式:
得到的ICW-SSIM用于计算图像相似度。
本实施例还涉及了一种特征提取方法:自编码(Autoencoder),本发明根据经验和实验研究,对其中的框架进行了调整,设计出适应于医疗图像的自编码结构:N→64→10←64←N,其中N代表样本数。
在图像分类阶段,使用的是经典的支持向量机(SVM)分类器。支持向量机是一类按监督学***面。
如图2所示,本实施例的图像分类方法如下:
(1)收集直肠癌MRI图像样本,利用深度学习库pytorch的resize函数将所有样本缩放为96*96大小的图像,即图像的像素数为96*96;
(2)对经过预处理的MRI图像,利用ICW-SSIM计算任意图像间图像相似度,形成N*N特征矩阵;
(3)通过5层自动编码器,在N*N特征矩阵中提取10维新的特征,形成N*10的特征矩阵;
(4)图像特征矩阵集分为训练集和测试集;随机划分训练集和测试集:80%的数据作为训练集,20%的数据作为测试集。
(5)构建SVM模型;
SVM模型训练的方法为:
(501)SVM模型采用python内置模型。
(502)训练阶段采用5折交叉验证方法,选取效果最好的模型作为最终的模型。
(6)将测试集中的测试数据输入测试模型中,得到分类结果。
MRI图像通常有较高的信噪比,已经具有较高的鲁棒性,通过CW-SSIM模型改造,改进为复小波结构相似性指数(ICW-SSIM),可获得原始核磁共振图像的更好的特征。SVM很好地处理小数据集,因为其目标函数是凸的,可以通过凸优化得到处理的最佳参数值。为了获得更好的特性,使用5层自动编码器来获得原始数据的潜在特征。
对比例
应用与实施例相同的样本,将所有图像样本缩放为96*96,然后计算相似度得到N*N特征矩阵,又利用自编码得到N*10特征。同样将所有特征按照8:2的比例随机划分训练集和测试集,用于对比模型的训练和测试。
对比模型有CNNs、,Alexnet、Resnet18、Resnet50、capsule network、randomforest+RF features、FE-SVM+RF features、random forest+proposed features,得到分类结果,并且计算结果的准确率。
图像分类准确率的评价指标主要有三种:ACC,AUC和F-score。AUC指标的计算方式如下:
ACC=(#TP+#TN)/N
其中#TP是正样本被预测为正的的个数,#TN是负样本被预测为负的个数,N是样本总数。AUC指标的计算方式如下:
其中ranki代表xi预测概率的排序位置(rank),M和N分布代表正样本的个数和负样本的个数。F-score指标的计算方式如下:
F-score=2*Precision*Recall/(Precision+Recall)
Precision=#TP/(#TP+#FP)
Recall=#TP/(#TP+#FN)
其中#FP代表假阳性样本的个数,#FN代表假阴性样本的个数。
表1实施例与当前其他先进模型的预测准确率效果对比(均值±方差)
表2实施例与当前其他先进模型的预测准确率效果对比(最大值)
如表1所示,总共实施了100次实验。实施例所提出的模型与其他先进模型进行了充分地对比。实施例采取的SVM+proposed features模型与当前最为先进的模型等相比较,在三种准确率指标(ACC,AUC,F-score)上表现更好。特别地,与随机森林所提取的特征(RFFeature)进行了对比,即Random Forest+RF Feature,SVM+RF Features两个模型都没有SVM+proposed features模型效果好,且差距较大。只有当采用所提出的两步特征(图像相似度+自编码),Random Forest+proposed Features模型效果明显有所提出,ACC达到了0.7372±0.0324,非常接近SVM+proposed features模型。
如表2所示,提取了100次实验中三种指标的最大值进行了对比,所提出的SVM+proposed Features模型在三种指标中都取得了最大值。充分说明了实施例采取的SVM+proposed features模型的有效性。
Claims (7)
1.一种直肠癌MRI图像分类方法,其特征在于,采集直肠癌MRI图像,对MRI图像进行预处理,计算任意图片之间的相似度形成N*N特征矩阵,通过自编码结构,提取10维特征,形成N*10的特征矩阵,并将图像特征矩阵集分为训练集和测试集;构建SVM模型,将训练集作为SVM模型的输入,得到测试模型;将测试集中的测试数据输入测试模型中,得到分类结果。
2.根据权利要求1所述的直肠癌MRI图像分类方法,其特征在于,MRI图像预处理的方法为通过深度学习库pytorch的resize函数将所有图像大小进行缩放。
4.根据权利要求1所述的直肠癌MRI图像分类方法,其特征在于,自编码结构为:N→64→10←64←N,其中N代表样本数。
5.一种直肠癌MRI图像分类装置,其特征在于,包括图像采集模块、图像特征提取模块、SVM模型分类模块;所述图像采集模块采集直肠癌MRI图像,并将图像发送至图像特征提取模块,所述图像特征提取模块通过复杂小波结构相似性指数计算任意图片之间的相似度形成N*N特征矩阵,然后通过自编码结构提取新的特征,形成N*10的特征矩阵,图像特征提取模块将提取的特征矩阵分为训练集和测试集并发送给SVM模型分类模块,所述SVM模型分类模块输入训练集进行模型训练,然后将测试数据输入训练后的模型中得到分类结果。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-4任一项所述的直肠癌MRI图像分类方法。
7.一种非暂态计算机可读存储介质,其特征在于,其上存储有计算机程序,该计算机程序被处理器执行时实现如权利要求1-4任一项所述的直肠癌MRI图像分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110918371.8A CN113705632A (zh) | 2021-08-11 | 2021-08-11 | 一种直肠癌mri图像分类方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110918371.8A CN113705632A (zh) | 2021-08-11 | 2021-08-11 | 一种直肠癌mri图像分类方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113705632A true CN113705632A (zh) | 2021-11-26 |
Family
ID=78652265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110918371.8A Pending CN113705632A (zh) | 2021-08-11 | 2021-08-11 | 一种直肠癌mri图像分类方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705632A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020062901A1 (zh) * | 2018-09-28 | 2020-04-02 | 深圳大学 | 一种超分辨率图像的图像质量分析方法及*** |
US20200111210A1 (en) * | 2018-10-09 | 2020-04-09 | General Electric Company | System and method for assessing image quality |
CN112149717A (zh) * | 2020-09-03 | 2020-12-29 | 清华大学 | 基于置信度加权的图神经网络训练方法及装置 |
-
2021
- 2021-08-11 CN CN202110918371.8A patent/CN113705632A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020062901A1 (zh) * | 2018-09-28 | 2020-04-02 | 深圳大学 | 一种超分辨率图像的图像质量分析方法及*** |
US20200111210A1 (en) * | 2018-10-09 | 2020-04-09 | General Electric Company | System and method for assessing image quality |
CN112149717A (zh) * | 2020-09-03 | 2020-12-29 | 清华大学 | 基于置信度加权的图神经网络训练方法及装置 |
Non-Patent Citations (2)
Title |
---|
YIZHANG WANG ET AL.: ""A feature extraction based support vector machine model for rectal cancer T-stage prediction using MRI images"", 《MULTIMEDIA TOOLS AND APPLICATIONS》 * |
徐肖攀等: ""基于多模态MRI影像组学策略构建膀胱癌肌层浸润预测模型研究"", 《中国医学装备》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lamrani et al. | Brain tumor detection using mri images and convolutional neural network | |
Zhang et al. | Intelligent scanning: Automated standard plane selection and biometric measurement of early gestational sac in routine ultrasound examination | |
CN112819076A (zh) | 基于深度迁移学习的医学图像分类模型的训练方法及装置 | |
George et al. | Computer assisted recognition of breast cancer in biopsy images via fusion of nucleus-guided deep convolutional features | |
JP2017076193A (ja) | 脳活動解析装置、脳活動解析方法および脳活動解析プログラム | |
Mahapatra et al. | Active learning based segmentation of Crohn's disease using principles of visual saliency | |
CN115136189A (zh) | 基于图像处理的肿瘤的自动化检测 | |
Karimzadeh et al. | A novel shape-based loss function for machine learning-based seminal organ segmentation in medical imaging | |
Razzaq et al. | Brain tumor detection from mri images using bag of features and deep neural network | |
Tong et al. | Automatic lumen border detection in IVUS images using dictionary learning and kernel sparse representation | |
Tandon et al. | Sequential convolutional neural network for automatic breast cancer image classification using histopathological images | |
CN103268494A (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
CN116030063B (zh) | Mri图像的分类诊断***、方法、电子设备及介质 | |
Molachan et al. | Brain Tumor Detection that uses CNN in MRI | |
CN115861716B (zh) | 基于孪生神经网络和影像组学的胶质瘤分类方法及装置 | |
Zhang et al. | Factorized omnidirectional representation based vision gnn for anisotropic 3d multimodal mr image segmentation | |
CN113705632A (zh) | 一种直肠癌mri图像分类方法、装置、电子设备和存储介质 | |
CN111598144B (zh) | 图像识别模型的训练方法和装置 | |
Lin et al. | Feature selection algorithm for classification of multispectral MR images using constrained energy minimization | |
CN113222887A (zh) | 基于深度学习的纳米铁标记神经干细胞示踪的方法 | |
Kothari et al. | An overview on automated brain tumor segmentation techniques | |
Ben-Cohen et al. | Sparsity-based liver metastases detection using learned dictionaries | |
Chang et al. | Texture analysis method for shape-based segmentation in medical image | |
CN112562031B (zh) | 一种基于样本距离重构的核磁共振图像聚类方法 | |
Sandanalakshmi et al. | Selected saliency based analysis for the diagnosis of Alzheimer's disease using structural magnetic resonance image |
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 |