基于紋理基元的圖像腫塊良惡性的分類方法
【技術領域】
[0001] 本發(fā)明設及圖像腫塊識別技術領域，尤其設及一種基于紋理基元的圖像腫塊良惡 性的分類方法。
【背景技術】
[0002] 乳腺癌是一種女性最常見的惡性腫瘤，我國己成為乳腺癌發(fā)病率增長速度最快的 國家之一，且我國乳腺癌的發(fā)病年齡呈年輕化趨勢。在眾多乳腺攝影技術中，乳腺X線攝影 術是臨床上最常用的乳腺癌疾病篩查手段之一。腫塊是乳腺癌最常見的影像學特征之一， 可通過形狀、邊緣和紋理特征來鑒別乳腺腫塊的良性和惡性。基于圖像處理與模式識別的 腫塊良惡性分類可W為醫(yī)生提供客觀的輔助意見，減少不必要的活組織穿刺，對于臨床早 期乳腺癌的診斷具有重要的意義。
[0003] 在現(xiàn)有的腫塊分類方法中，形態(tài)特征和紋理特征是常用的特征表達方式。形態(tài)特 征對腫塊邊緣的分割精度要求較高，但對于臨床圖像而言，腫塊與腺體組織相互重疊，很難 自動且精確地分割出腫塊邊緣，因而很難在臨床中實現(xiàn)。較形態(tài)特征而言，紋理特征的魯椿 性較好，對腫塊邊緣的分割精度要求較低。
[0004] 現(xiàn)有的基于紋理特征的腫塊分類方法的缺點為；紋理基元沒有考慮像素點的空間 分布信息，紋理基元在構建紋理字典時丟失了訓練圖像的類別信息。

【發(fā)明內容】

[0005] 本發(fā)明的實施例提供了一種基于紋理基元的圖像腫塊良惡性的分類方法，W實現(xiàn) 基于紋理基元對圖像腫塊良惡性進行有效的分類。
[0006] 為了實現(xiàn)上述目的，本發(fā)明采取了如下技術方案。
[0007] 一種基于紋理基元的圖像腫塊良惡性的分類方法，包括：
[000引將訓練用腫塊區(qū)域圖像進行歸一化處理，將歸一化處理后的腫塊區(qū)域圖像劃分為 中屯、區(qū)域和外圍區(qū)域，對所述中屯、區(qū)域和外圍區(qū)域分別構建可區(qū)分紋理字典，然后分別得 到所述中屯、區(qū)域和外圍區(qū)域的特征；
[0009] 對所述中屯、區(qū)域和外圍區(qū)域的特征進行融合得到所述歸一化處理后的腫塊區(qū)域 圖像的特征向量；
[0010] 將所述歸一化處理后的訓練用腫塊區(qū)域圖像的特征向量組合成訓練樣本特征矩 陣，訓練K近鄰分類器；
[0011] 將待識別腫塊區(qū)域圖像進行歸一化處理，提取歸一化處理后腫塊圖像區(qū)域的特征 向量F。，將腫塊區(qū)域圖像的特征向量F。輸入到訓練好的K近鄰分類器，得到所述待識別的 腫塊區(qū)域圖像的良惡性分類結果。
[0012] 優(yōu)選地，所述的將訓練用腫塊區(qū)域圖像進行歸一化處理，將歸一化處理后的訓練 圖像劃分為中屯嘔域和外圍區(qū)域，對所述訓練圖像的中屯、區(qū)域和外圍區(qū)域分別構建可區(qū)分 紋理字典，然后分別得到所述訓練圖像的中屯嘔域和外圍區(qū)域的特征，包括：
[0013] 對圖像腫塊的訓練圖像進行亮度歸一化，歸一化后圖像用I。表示，構建具有二個 同軸層的矩形模板，Maski。和Mask。,，所述Maski。和Mask。的長和寬分別為所述腫塊訓練圖 像的長與寬的設定倍數，使用所述矩形模板將所述腫塊訓練圖像分為中屯、區(qū)域而。和外圍 區(qū)域Rex，R化=IXMask化，Rex=IXMaskex;
[0014] 提取所述訓練圖像的中屯、區(qū)域Ri。的每個像素點的M每個鄰域灰度，將所述M域灰 鄰域灰度調整為長度為M2的行向量，所有行向量組成中屯、區(qū)域鄰域矩陣Gi。;提取外圍區(qū)域 R。.的每個像素點的MXM鄰域灰度，將該MXM鄰域灰度調整為長度為M 2的行向量，所有行 向量組成外圍區(qū)域鄰域矩陣Gex;
[001引對所述中屯嘔域鄰域矩陣Gi。和其對應的類別信息矩陣應用線性判別分析，得到 中屯嘔域鄰域權重行向量對所述外圍區(qū)域鄰域矩陣G。濟其對應的類別信息矩陣應用 線性判別分析，得到外圍區(qū)域鄰域權重行向量
[0016] 將所述中屯、區(qū)域鄰域權重行向量與所述中屯、區(qū)域鄰域矩陣Gi。的每一行對應 點相乘，得到中屯嘔域可區(qū)分鄰域矩陣Gdi。;將所述外圍區(qū)域鄰域權重行向量《。與所述外 圍區(qū)域鄰域矩陣G。,的每一行對應點相乘，得到外圍區(qū)域可區(qū)分鄰域矩陣Gd。,；
[0017] 對所述Gdi濟Gd。分別應用k均值聚類，得到中屯、區(qū)域可區(qū)分紋理基元字典Diein W及外圍區(qū)域可區(qū)分紋理基元字典Die。,；
[001引根據所述訓練圖像中屯嘔域鄰域矩陣Gi。、"1。與Die1。得到訓練圖像中屯嘔域特 征。。;根據所述訓練圖像外圍區(qū)域鄰域矩陣G與Die。滿到訓練圖像外圍區(qū)域特征 Fex。
[0019] 優(yōu)選地，所述的對訓練圖像Gdi濟Gd。分別應用k均值聚類，得到中屯嘔域可區(qū)分 紋理基元字典DiChW及外圍區(qū)域可區(qū)分紋理基元字典Die。,，包括：
[0020] 對良性腫塊訓練圖像對應的Gdi。應用k均值聚類，得到聚類中屯、CbW聚類中屯、的 數量為可區(qū)分紋理基元字典包含的基元數量Kdi。，每個中屯、為M2長度的行向量；對惡性腫塊 訓練圖像對應的Gdi。應用k均值聚類，得到聚類中屯、CmW聚類中屯、的數量為Kdi。，每個中屯、 為M2長度的行向量；組合所述Cb1。和CmW形成2Kdk行M2列的矩陣
去除與其他行 向量平均歐式距離相近的Kdk個行向量，最終得到K個中屯、，將該Kdk個中屯、作為中屯、區(qū) 域的紋理字典DiCi。；
[002U 對良性腫塊訓練圖像對應的GcU應用k均值聚類，得到聚類中屯、Cb。,，聚類中屯、的 數量為可區(qū)分紋理基元字典包含的基元數量Kdi。，每個中屯、為M2長度的行向量；對惡性腫塊 訓練圖像對應的GcU應用k均值聚類，得到聚類中屯、Cm。,，聚類中屯、的數量為Kdi。，每個中屯、 為M2長度的行向量；組合所述Cb。和Cm。,，形成2Kdk行M2列的矩陣
，去除與其他行 向量平均歐式距離相近的Kdk個行向量，最終得到K個中屯、，將該Kdk個中屯、作為外圍區(qū) 域的紋理字典Die。,。
[00巧優(yōu)選地，所述的根據所述Gin、《 與Dieh得到中屯嘔域特征F W包括：
[0023] 將所述Gi。的任意一行與《 1。對應點相乘，得到中屯、區(qū)域可區(qū)分鄰域向量 GdJ，側;,，W= %W.G,,/W，k= 1，. . .，m2.;將所述6心量化到Diein中與其歐式距離最 近的紋理基元量化標記值，得到量化標記值Li。(Gd^i)，其具體計算為：
[0024]
[0025] 其中d為歐式距離，Kdk是可區(qū)分紋理字典包含的紋理基元數量；
[0026] 得到中屯、區(qū)域中每個像素點的量化標記值后，計算所有量化標記值的直方圖，作 為中屯、區(qū)域的特征。。，其具體計算為：
[0027]其中，Ni。是中屯嘔域像素點的數量，5函數為；
[002引
[0029]優(yōu)選地，所述的根據所述Gex、《。與Dieex得到外圍區(qū)域特征F心包括：
[0030] 將所述的G。,任意一行G。/與《。對應點相乘，得到外圍區(qū)域可區(qū)分鄰域向量 GdJ，仿=化;(/〇.&(足)，k= 1，. . .，m2.
[0031] 將所述量化到Die。中與其距離最近的紋理基元量化標記值，得到量化標記 值MGcUO
[0032] 得到外圍區(qū)域每個像素點的量化標記值后，計算所有標記值的直方圖作為外圍區(qū) 域的特征
[0033] 其中N。,是外圍區(qū)域像素點的數量。
[0034] 優(yōu)選地，所述的對所述訓練圖像的中屯嘔域和外圍區(qū)域的特征進行融合得到所述 訓練圖像的特征向量，包括：
[00對將所述中屯嘔域特征。。乘W因子A，并與所述外圍區(qū)域特征Fex首尾相連，作為 所述訓練圖像的特征向量F= [A。。FJ。
[0036] 優(yōu)選地，所述的利用所述訓練圖像的特征向量訓練K近鄰分類器，包括：
[0037] 將所有訓練圖像的特征向量組合成訓練樣本特征矩陣，結合訓練樣本特征矩陣W 及其類別信息，訓練K近鄰分類器，輸入到所述K近鄰分類器的距離dis化，F(xiàn)2)具體計算如 下：
[00%]
[0039] 上述F2分別為兩個訓練圖像的特征向量。