本發(fā)明涉及醫(yī)學(xué)圖像處理技術(shù)領(lǐng)域，特別是一種基于高斯核參數(shù)選擇的SVM乳腺分類(lèi)方法。

背景技術(shù)：

乳腺癌是發(fā)生在婦女群體中最普遍的惡性腫瘤之一。近年來(lái)我國(guó)調(diào)查研究顯示，乳腺癌的發(fā)生比率在逐年遞增。因此提高乳腺癌的早期診斷精度變得越來(lái)越有意義。

目前，乳腺癌診斷采用的主要方法是通過(guò)乳腺鉬靶、B超圖像等影像檢查，診斷者通過(guò)鈣化或腫塊等影像特征來(lái)對(duì)病情進(jìn)行分析。但由于乳腺組織中的腺體、血管、脂肪等軟組織的密度與病灶區(qū)的密度都很接近，加上診斷者視覺(jué)疲勞等因素，使得早期乳腺癌的誤診和漏診仍時(shí)常發(fā)生。隨著醫(yī)學(xué)影像技術(shù)和計(jì)算機(jī)技術(shù)的不斷發(fā)展，利用計(jì)算機(jī)進(jìn)行輔助診斷成為可能；比如：利用數(shù)字圖像處理技術(shù)，分別提取乳腺B超、鉬靶圖像中病理相關(guān)的的特征，運(yùn)用SVM等機(jī)器學(xué)習(xí)方法根據(jù)這些特征對(duì)乳腺腫塊良惡性進(jìn)行分類(lèi)識(shí)別等。

同一患者的乳腺鉬靶與B超影像數(shù)據(jù)各自存在不足，兩者間或有數(shù)據(jù)沖突，為提供更加全面有效的診斷結(jié)果，可對(duì)同一患者的乳腺鉬靶與超聲影像資料進(jìn)行聯(lián)合數(shù)據(jù)分析處理，通過(guò)乳腺鉬靶與超聲影像資料相互間的數(shù)據(jù)融合與互補(bǔ)，強(qiáng)化佐證，發(fā)現(xiàn)肉眼無(wú)法辨別的微小病灶，并提高乳腺癌診斷的準(zhǔn)確率，減少誤診率、漏診率。

此外，基于高斯核的二叉平衡決策樹(shù)SVM多分類(lèi)算法適合處理數(shù)據(jù)特征豐富的數(shù)據(jù)，如乳腺圖像數(shù)據(jù)。本質(zhì)上，該算法是由多個(gè)二分支持向量機(jī)分類(lèi)器組合構(gòu)成的，每個(gè)二分支持向量機(jī)分類(lèi)器對(duì)應(yīng)著二叉平衡決策樹(shù)的一個(gè)決策面，不同決策面對(duì)應(yīng)的數(shù)據(jù)特征差異性較大，各個(gè)決策面訓(xùn)練時(shí)需要一個(gè)適合于該決策面的高斯核參數(shù)。因此，快速有效的高斯核參數(shù)選擇算法對(duì)于二叉平衡決策樹(shù)支持向量機(jī)多分類(lèi)算法有著舉足輕重的影響。

因此，本發(fā)明基于上述方法，對(duì)提取的乳腺鉬靶與B超影像數(shù)據(jù)特征進(jìn)行融合后，構(gòu)建基于二叉平衡樹(shù)的SVM多分類(lèi)模型，將高斯核參數(shù)選擇算法用于基于高斯核的二叉平衡決策樹(shù)SVM多分類(lèi)算法的訓(xùn)練過(guò)程，從而為臨床診斷提供有價(jià)值的“參考意見(jiàn)”，提高乳腺癌診斷的準(zhǔn)確率和效率。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明的目的是提出一種基于高斯核參數(shù)選擇的SVM乳腺分類(lèi)方法，能夠提高乳腺癌診斷的準(zhǔn)確率和效率。

本發(fā)明采用以下方案實(shí)現(xiàn)：一種基于高斯核參數(shù)選擇的SVM乳腺分類(lèi)方法，具體包括以下步驟：

步驟S1：從已知病例中提取乳腺鉬靶與B超影像數(shù)據(jù)特征；將完成特征提取的各病例數(shù)據(jù)按照已知臨床診斷結(jié)果進(jìn)行良惡性與臨床分期標(biāo)注；所述標(biāo)注分為五類(lèi)：良性、惡性I級(jí)、惡性II級(jí)、惡性III級(jí)、惡性IV級(jí)；

步驟S2：對(duì)同一患者乳腺的鉬靶圖像特征與B超圖像特征通過(guò)串聯(lián)進(jìn)行多特征融合，得到乳腺樣本的特征向量；

步驟S3：選取基于高斯核的二叉平衡決策樹(shù)SVM作為乳腺多分類(lèi)模型,針對(duì)二叉平衡決策樹(shù)的各個(gè)決策面，求解合適的高斯核參數(shù)，通過(guò)二分SVM進(jìn)行訓(xùn)練；即隨機(jī)選取標(biāo)注數(shù)據(jù)的80％用于基于高斯核參數(shù)選擇的二叉平衡決策樹(shù)SVM多分類(lèi)算法的訓(xùn)練過(guò)程：

步驟S4：用基于高斯核的二叉平衡決策樹(shù)SVM進(jìn)行識(shí)別；即剩余標(biāo)注數(shù)據(jù)的20％用于基于高斯核參數(shù)選擇的二叉平衡決策樹(shù)SVM多分類(lèi)算法的識(shí)別過(guò)程。

進(jìn)一步地，所述步驟S1具體包括以下步驟：

步驟S11：給定一個(gè)中等規(guī)模以上的乳腺B超病灶區(qū)域、乳腺鉬靶病灶區(qū)域圖像集；所述中等規(guī)模以上表示該圖像集至少含有250幅以上的乳腺B超診斷圖像和乳腺鉬靶診斷圖像；

步驟S12：將所述乳腺B超病灶區(qū)域、乳腺鉬靶病灶區(qū)域圖像集分為訓(xùn)練集和驗(yàn)證集；從乳腺鉬靶病灶區(qū)域圖像提取基于GLCM和基于灰度直方圖的特征；從B超病灶區(qū)域圖像提取基于GLCM、基于小波、基于小波包、基于MPEG-7的特征；將訓(xùn)練集的各病例數(shù)據(jù)按照已知臨床診斷結(jié)果進(jìn)行良惡性與臨床分期標(biāo)注。

進(jìn)一步地，所述步驟S3具體包括以下步驟：

步驟S31：建立一棵二叉平衡決策樹(shù)SVM：構(gòu)建基于高斯核的乳腺數(shù)據(jù)二叉平衡決策樹(shù)SVM，從根節(jié)點(diǎn)開(kāi)始，先將類(lèi)別均分成兩部分，每個(gè)部分為中間結(jié)點(diǎn)或?yàn)槿~子結(jié)點(diǎn)，再遞歸分解中間結(jié)點(diǎn)直至為葉子結(jié)點(diǎn)；

步驟S32：針對(duì)步驟S31中所述的二叉平衡決策樹(shù)SVM的各個(gè)決策面，采用高斯核參數(shù)選擇方法設(shè)置合適的高斯核參數(shù)；

步驟S33：通過(guò)二分SVM進(jìn)行訓(xùn)練。

進(jìn)一步地，所述步驟S31具體包括以下步驟：

步驟S311：分別計(jì)算步驟S1中已標(biāo)注的5個(gè)類(lèi)的類(lèi)中心；

步驟S312：找出5個(gè)類(lèi)中的兩個(gè)類(lèi)：將惡性IV級(jí)記為c1，良性記為c2，這兩個(gè)類(lèi)的類(lèi)中心擁有最大歐氏距離；

步驟S313：將步驟S312中的這兩個(gè)類(lèi)分別標(biāo)記為C1類(lèi)簇與C2類(lèi)簇；

步驟S314：在剩余的3個(gè)類(lèi)當(dāng)中，選擇與C1類(lèi)簇有最小的歐氏距離的類(lèi)與所述C1類(lèi)簇合并成一個(gè)類(lèi)，并標(biāo)記為C1類(lèi)簇，重新計(jì)算C1類(lèi)簇的類(lèi)中心；

步驟S315：在剩余的2個(gè)類(lèi)當(dāng)中，選擇與C2類(lèi)簇有最小的歐氏距離的類(lèi)與所述C2類(lèi)簇合并成一個(gè)類(lèi)，并標(biāo)記為C2類(lèi)簇，重新計(jì)算C2類(lèi)簇的類(lèi)中心；

步驟S316：循環(huán)計(jì)算S314至S315，直至5個(gè)類(lèi)分配結(jié)束。

進(jìn)一步地，所述步驟S32具體包括以下步驟：

步驟S321：選擇合適的P值；

步驟S322：設(shè)max＝P，min＝0；

步驟S323：若max-min≥ξ，則進(jìn)入步驟S324；否則返回步驟S321；

步驟S324：計(jì)算：

$G\left(P\right)=\frac{1}{2}\underset{i,j}{\Σ}{a_i}^{*}{a_j}^{*}{y}_i{y}_{j}Exp(-P||x_i-x_j|{|}^2)\·\left|\right|x_i-x_j|{|}^2;$

式中，其中y_i為第i個(gè)訓(xùn)練樣本的類(lèi)別，y_i∈{-1,+1}；x_i為第i個(gè)訓(xùn)練樣本的特征；a_i^*為拉格朗日乘子，0≤a_i^*≤C，常量C為懲罰因子，a_i^*利用序列最小化方法SMO求解；

步驟S325：若G(P)＞0，則t＝G(P)，否則t＝0；

步驟S326：令mid＝(max+min)/2,求解G(mid),若G(mid)＞0,則t＝0；

步驟S327：令λ＝mid，計(jì)算：

$J\left(\mathrm{\λ}\right)=-\frac{1}{2}\underset{i,j}{\Σ}{a_i}^{*}{a_j}^{*}{y}_i{y}_{j}Exp(-\mathrm{\λ}||x_i-x_j|{|}^2)+\underset{i}{\Σ}{a_i}^{*};$

步驟S328：若(G(mid)＝0∩J(mid)＝J(0))∪G(mid)＜t，則令min＝mid；否則令max＝mid；返回步驟S326。

進(jìn)一步地，所述步驟S321具體包括以下步驟：

步驟S3211：初始化：令P＝1，w＝0.000001

步驟S3212：計(jì)算：

$G\left(P\right)=\frac{1}{2}\underset{i,j}{\Σ}{a_i}^{*}{a_j}^{*}{y}_i{y}_{j}Exp(-P||x_i-x_j|{|}^2)\·\left|\right|x_i-x_j|{|}^2;$

式中，y_i為第i個(gè)訓(xùn)練樣本的類(lèi)別，y_i∈{-1,+1}；x_i為第i個(gè)訓(xùn)練樣本的特征；a_i^*為拉格朗日橙子，0≤a_i^*≤C，常數(shù)C為懲罰因子，a_i^*利用序列最小化方法SMO求解；

步驟S3213：令λ＝P，計(jì)算：

$J\left(\mathrm{\λ}\right)=-\frac{1}{2}\underset{i,j}{\Σ}{a_i}^{*}{a_j}^{*}{y}_i{y}_{j}Exp(-\mathrm{\λ}||x_i-x_j|{|}^2)+\underset{i}{\Σ}{a_i}^{*};$

步驟S3214：若(G(P)＝0∩J(P)＝J(0))∪G(P)≤-w，則P＝P×2,并返回步驟S3212；否則結(jié)束。

與現(xiàn)有技術(shù)相比，本發(fā)明有以下有益效果：本發(fā)明利用高斯核參數(shù)選擇算法對(duì)基于高斯核的二叉平衡決策樹(shù)SVM的每個(gè)決策面設(shè)置適合于該決策面數(shù)據(jù)特征的高斯核。該方法實(shí)現(xiàn)靈活，具有較強(qiáng)的實(shí)用性，提高了乳腺癌診斷的準(zhǔn)確率和效率。

附圖說(shuō)明

圖1為本發(fā)明實(shí)施例構(gòu)建基于高斯核的乳腺二叉平衡決策樹(shù)SVM原理示意圖。

具體實(shí)施方式

下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明做進(jìn)一步說(shuō)明。

如圖1所示，本實(shí)施例提供了一種基于高斯核參數(shù)選擇的SVM乳腺分類(lèi)方法，具體包括以下步驟：

步驟S1：從已知病例中提取乳腺鉬靶與B超影像數(shù)據(jù)特征；將完成特征提取的各病例數(shù)據(jù)按照已知臨床診斷結(jié)果進(jìn)行良惡性與臨床分期標(biāo)注；所述標(biāo)注分為五類(lèi)：良性、惡性I級(jí)、惡性II級(jí)、惡性III級(jí)、惡性IV級(jí)；

步驟S2：對(duì)同一患者乳腺的鉬靶圖像特征與B超圖像特征通過(guò)串聯(lián)進(jìn)行多特征融合，得到乳腺樣本的特征向量；

步驟S3：選取基于高斯核的二叉平衡決策樹(shù)SVM作為乳腺多分類(lèi)模型,針對(duì)二叉平衡決策樹(shù)的各個(gè)決策面，求解合適的高斯核參數(shù)，通過(guò)二分SVM進(jìn)行訓(xùn)練；即隨機(jī)選取標(biāo)注數(shù)據(jù)的80％用于基于高斯核參數(shù)選擇的二叉平衡決策樹(shù)SVM多分類(lèi)算法的訓(xùn)練過(guò)程：

步驟S4：用基于高斯核的二叉平衡決策樹(shù)SVM進(jìn)行識(shí)別；即剩余標(biāo)注數(shù)據(jù)的20％用于基于高斯核參數(shù)選擇的二叉平衡決策樹(shù)SVM多分類(lèi)算法的識(shí)別過(guò)程。

在本實(shí)施例中，所述步驟S1具體包括以下步驟：

步驟S11：給定一個(gè)中等規(guī)模以上的乳腺B超病灶區(qū)域、乳腺鉬靶病灶區(qū)域圖像集；所述中等規(guī)模以上表示該圖像集至少含有250幅以上的乳腺B超診斷圖像和乳腺鉬靶診斷圖像；

步驟S12：將所述乳腺B超病灶區(qū)域、乳腺鉬靶病灶區(qū)域圖像集分為訓(xùn)練集和驗(yàn)證集；從乳腺鉬靶病灶區(qū)域圖像提取基于GLCM和基于灰度直方圖的特征；從B超病灶區(qū)域圖像提取基于GLCM、基于小波、基于小波包、基于MPEG-7的特征；將訓(xùn)練集的各病例數(shù)據(jù)按照已知臨床診斷結(jié)果進(jìn)行良惡性與臨床分期標(biāo)注。

在本實(shí)施例中，所述步驟S3具體包括以下步驟：

步驟S31：建立一棵二叉平衡決策樹(shù)SVM：構(gòu)建基于高斯核的乳腺數(shù)據(jù)二叉平衡決策樹(shù)SVM，從根節(jié)點(diǎn)開(kāi)始，先將類(lèi)別均分成兩部分，每個(gè)部分為中間結(jié)點(diǎn)或?yàn)槿~子結(jié)點(diǎn)，再遞歸分解中間結(jié)點(diǎn)直至為葉子結(jié)點(diǎn)；

步驟S32：針對(duì)步驟S31中所述的二叉平衡決策樹(shù)SVM的各個(gè)決策面，采用高斯核參數(shù)選擇方法設(shè)置合適的高斯核參數(shù)；

步驟S33：通過(guò)二分SVM進(jìn)行訓(xùn)練。

在本實(shí)施例中，所述步驟S31具體包括以下步驟：

步驟S311：分別計(jì)算步驟S1中已標(biāo)注的5個(gè)類(lèi)的類(lèi)中心；

步驟S312：找出5個(gè)類(lèi)中的兩個(gè)類(lèi)：將惡性IV級(jí)記為c1，良性記為c2，這兩個(gè)類(lèi)的類(lèi)中心擁有最大歐氏距離；

步驟S313：將步驟S312中的這兩個(gè)類(lèi)分別標(biāo)記為C1類(lèi)簇與C2類(lèi)簇；

步驟S314：在剩余的3個(gè)類(lèi)當(dāng)中，選擇與C1類(lèi)簇有最小的歐氏距離的類(lèi)與所述C1類(lèi)簇合并成一個(gè)類(lèi)，并標(biāo)記為C1類(lèi)簇，重新計(jì)算C1類(lèi)簇的類(lèi)中心；

步驟S315：在剩余的2個(gè)類(lèi)當(dāng)中，選擇與C2類(lèi)簇有最小的歐氏距離的類(lèi)與所述C2類(lèi)簇合并成一個(gè)類(lèi)，并標(biāo)記為C2類(lèi)簇，重新計(jì)算C2類(lèi)簇的類(lèi)中心；

步驟S316：循環(huán)計(jì)算S314至S315，直至5個(gè)類(lèi)分配結(jié)束。

在本實(shí)施例中，所述步驟S32具體包括以下步驟：

步驟S321：選擇合適的P值；

步驟S322：設(shè)max＝P，min＝0；

步驟S323：若max-min≥ξ，則進(jìn)入步驟S324；否則返回步驟S321；

步驟S324：計(jì)算：

$G\left(P\right)=\frac{1}{2}\underset{i,j}{\Σ}{a_i}^{*}{a_j}^{*}{y}_i{y}_{j}Exp(-P||x_i-x_j|{|}^2)\·\left|\right|x_i-x_j|{|}^2;$

式中，其中y_i為第i個(gè)訓(xùn)練樣本的類(lèi)別，y_i∈{-1,+1}；x_i為第i個(gè)訓(xùn)練樣本的特征；a_i^*為拉格朗日乘子，0≤a_i^*≤C，常量C為懲罰因子，a_i^*利用序列最小化方法SMO求解；

步驟S325：若G(P)＞0，則t＝G(P)，否則t＝0；

步驟S326：令mid＝(max+min)/2,求解G(mid),若G(mid)＞0,則t＝0；

步驟S327：令λ＝mid，計(jì)算：

$J\left(\mathrm{\λ}\right)=-\frac{1}{2}\underset{i,j}{\Σ}{a_i}^{*}{a_j}^{*}{y}_i{y}_{j}Exp(-\mathrm{\λ}||x_i-x_j|{|}^2)+\underset{i}{\Σ}{a_i}^{*};$

步驟S328：若(G(mid)＝0∩J(mid)＝J(0))∪G(mid)＜t，則令min＝mid；否則令max＝mid；返回步驟S326。

在本實(shí)施例中，所述步驟S321具體包括以下步驟：

步驟S3211：初始化：令P＝1，w＝0.000001

步驟S3212：計(jì)算：

$G\left(P\right)=\frac{1}{2}\underset{i,j}{\Σ}{a_i}^{*}{a_j}^{*}{y}_i{y}_{j}Exp(-P||x_i-x_j|{|}^2)\·\left|\right|x_i-x_j|{|}^2;$

式中，y_i為第i個(gè)訓(xùn)練樣本的類(lèi)別，y_i∈{-1,+1}；x_i為第i個(gè)訓(xùn)練樣本的特征；a_i^*為拉格朗日橙子，0≤a_i^*≤C，常數(shù)C為懲罰因子，a_i^*利用序列最小化方法SMO求解；

步驟S3213：令λ＝P，計(jì)算：

$J\left(\mathrm{\λ}\right)=-\frac{1}{2}\underset{i,j}{\Σ}{a_i}^{*}{a_j}^{*}{y}_i{y}_{j}Exp(-\mathrm{\λ}||x_i-x_j|{|}^2)+\underset{i}{\Σ}{a_i}^{*};$

步驟S3214：若(G(P)＝0∩J(P)＝J(0))∪G(P)≤-w，則P＝P×2,并返回步驟S3212；否則結(jié)束。

以上所述僅為本發(fā)明的較佳實(shí)施例，凡依本發(fā)明申請(qǐng)專(zhuān)利范圍所做的均等變化與修飾，皆應(yīng)屬本發(fā)明的涵蓋范圍。