欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021107889276
申请人: 华侨大学
专利类型:发明专利
专利状态:已下证
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于超声图像的乳腺肿瘤良恶性分类方法,其特征在于:所述方法包括:步骤10、对带有分类标签的原始乳腺肿瘤超声图像进行预处理,得到预处理图像,所述分类标签包括恶性乳腺肿瘤和良性乳腺肿瘤;

步骤20、获取预处理图像中的感兴趣区域;

步骤30、对所述感兴趣区域做三种处理分别得到深度残差网络特征向量、纹理特征向量和形态特征向量;

步骤40、将深度残差网络特征向量进行降维处理,并将纹理特征向量进行降维处理,然后将降维处理后的残差网络特征向量和纹理特征向量进行特征融合,得到融合向量数据;

步骤50、利用支持向量机分类器对一定数量的融合向量数据进行学习,并利用朴素贝叶斯分类器对形态特征向量进行学习,通过最大随机搜索方法对两种分类器加权得到肿瘤分类模型;

步骤60、将待分类乳腺肿瘤超声图像输入乳腺肿瘤分类模型,得到分类结果;

所述步骤30中的三种处理具体如下:

第一种处理:对所述超声图像提取纹理特征,所述纹理特征包括图像局部二值模式、方向梯度直方图以及灰度共生矩阵,然后进行归一化操作,得到纹理特征向量;

第二种处理:对所述感兴趣区域提取深度残差神经网络特征,所述深度残差网络特征包括利用Resnet101从池化层Pool5中提取深度学习特征,然后进行归一化操作,得到深度残差网络特征向量;

第三种处理:对所述感兴趣区域提取形态特征,所述形态特征包括紧致度、椭圆紧致度以及径向距离谱参数、凸度、实心度、伸长率、紧凑度、矩形度、圆度、乳腺肿瘤周长、乳腺肿瘤面积、包围乳腺肿瘤最小矩形框周长、包围乳腺肿瘤最小矩形框面积,然后归一化所述形态特征,得到形态特征向量;

所述步骤40进一步包括:

步骤41、获取n张超声图像的m维纹理特征向量组成纹理特征矩阵Xm×n,求纹理特征矩阵中每个m维纹理特征向量的均值,然后将所有m维纹理特征向量分别减去其对应的均值,得到去平均值后的纹理特征矩阵;

步骤42、计算去平均值后的纹理特征矩阵的协方差矩阵,对角化协方差矩阵的特征值和特征向量,使得除对角线外,其它元素为0,将能量归于主要方向;

步骤43、按特征值的大小对特征向量进行排序,保留最大的前ω个特征值;

步骤44、将纹理特征矩阵中的数据转换到特征向量构建的新空间中,得到降维后的n个纹理特征向量;

步骤45、获取n张超声图像的m维深度残差网络特征向量组成深度学习特征矩阵Xm×n,求深度学习特征矩阵中每个m维深度学习特征向量的均值,然后将所有m维深度学习特征向量分别减去其对应的均值,得到去平均值后的深度学习特征矩阵;

步骤46、计算去平均值后的深度学习特征矩阵的协方差矩阵,对角化协方差矩阵的特征值和特征向量,使得除对角线外,其它元素为0,将能量归于主要方向;

步骤47、按特征值的大小对特征向量进行排序,保留最大的前ω个特征值;

步骤48、将深度学习特征矩阵中的数据转换到特征向量构建的新空间中,得到降维后的n个深度学习特征向量;

步骤49、将降维后的深度学习特征和降维后的纹理特征进行级联,获得深度学习特征和浅层纹理级联后的融合特征。

2.根据权利要求1所述的基于超声图像的乳腺肿瘤良恶性分类方法,其特征在于:所述预处理包括去除超声图像四周文字以及个人信息、降低散斑噪声和对比度增强。

3.根据权利要求1所述的基于超声图像的乳腺肿瘤良恶性分类方法,其特征在于:所述紧致度用于衡量乳腺肿瘤的形状与其拟合圆的相似程度,紧致度C的计算公式如下:其中,An表示乳腺肿瘤面积,Pn表示乳腺肿瘤周长,r表示拟合圆的半径;

所述椭圆紧致度是拟合椭圆的周长与原乳腺肿瘤轮廓的周长之比,椭圆紧致度EC的计算公式如下:其中,a表示拟合椭圆的半长轴,b表示拟合椭圆的短半轴;

所述径向距离谱是通过统计分析乳腺肿瘤边缘各点到乳腺肿瘤中心的径向距离来量化乳腺肿瘤边缘粗糙度的程度,径向距离的计算公式如下:式中,(x1,y1)为乳腺肿瘤边缘点坐标,(x0,y0)为乳腺肿瘤的中心点坐标;

所述凸度是测量凸包相对于乳腺肿瘤原始轮廓形状的比率的函数,所述凸度Convexity的计算公式如下:其中Pc为凸包的周长;

所述实心度用于描述乳腺肿瘤形状的凸度或凹度,所述实心度的计算公式如下:其中Ac为凸包的面积;

所述伸长率是测量病灶周围边界框的长度和宽度之间的比率,所述伸长率的计算公式如下:其中Wn为乳腺肿瘤的宽度,Ln为乳腺肿瘤的长度;

所述紧凑度是乳腺肿瘤面积与周长的平方之比,紧凑度的计算公式如下:所述矩形度被定义为乳腺肿瘤面积和乳腺肿瘤最小边界矩形框面积之间的比例,所述矩形度的计算公式如下:其中Ar为乳腺肿瘤最小矩形框的面积;

所述圆度是乳腺肿瘤面积与乳腺肿瘤边界最小凸包周长的平方之比,圆度的计算公式如下:所述乳腺肿瘤周长为乳腺肿瘤边界内的像素数,所述乳腺肿瘤周长的计算公式如下:其中,Xi,…,Xn是乳腺肿瘤的边界坐标;

所述乳腺肿瘤面积是乳腺肿瘤区域内的像素数。

4.基于超声图像的乳腺肿瘤良恶性分类装置,其特征在于:所述装置包括:预处理模块,用于对带有分类标签的原始乳腺肿瘤超声图像进行预处理,得到预处理图像,所述分类标签包括恶性乳腺肿瘤和良性乳腺肿瘤;

ROI获取模块,用于获取预处理图像中的感兴趣区域;

向量提取模块,用于对所述感兴趣区域做三种处理分别得到深度残差网络特征向量、纹理特征向量和形态特征向量;所述向量提取模块中的三种处理具体如下:第一种处理:对所述超声图像提取纹理特征,所述纹理特征包括图像局部二值模式、方向梯度直方图以及灰度共生矩阵,然后进行归一化操作,得到纹理特征向量;

第二种处理:对所述感兴趣区域提取深度残差神经网络特征,所述深度残差网络特征包括利用Resnet101从池化层Pool5中提取深度学习特征,然后进行归一化操作,得到深度残差网络特征向量;

第三种处理:对所述感兴趣区域提取形态特征,所述形态特征包括紧致度、椭圆紧致度以及径向距离谱参数、凸度、实心度、伸长率、紧凑度、矩形度、圆度、乳腺肿瘤周长、乳腺肿瘤面积、包围乳腺肿瘤最小矩形框周长、包围乳腺肿瘤最小矩形框面积,然后归一化所述形态特征,得到形态特征向量;

向量融合模块,用于将深度残差网络特征向量进行降维处理,并将纹理特征向量进行降维处理,然后将降维处理后的残差网络特征向量和纹理特征向量进行特征融合,得到融合向量数据;所述向量融合模块具体为:获取n张超声图像的m维纹理特征向量组成纹理特征矩阵Xm×n,求纹理特征矩阵中每个m维纹理特征向量的均值,然后将所有m维纹理特征向量分别减去其对应的均值,得到去平均值后的纹理特征矩阵;

计算去平均值后的纹理特征矩阵的协方差矩阵,对角化协方差矩阵的特征值和特征向量,使得除对角线外,其它元素为0,将能量归于主要方向;

按特征值的大小对特征向量进行排序,保留最大的前ω个特征值;

将纹理特征矩阵中的数据转换到特征向量构建的新空间中,得到降维后的n个纹理特征向量;

获取n张超声图像的m维深度残差网络特征向量组成深度学习特征矩阵Xm×n,求深度学习特征矩阵中每个m维深度学习特征向量的均值,然后将所有m维深度学习特征向量分别减去其对应的均值,得到去平均值后的深度学习特征矩阵;

计算去平均值后的深度学习特征矩阵的协方差矩阵,对角化协方差矩阵的特征值和特征向量,使得除对角线外,其它元素为0,将能量归于主要方向;

按特征值的大小对特征向量进行排序,保留最大的前ω个特征值;

将深度学习特征矩阵中的数据转换到特征向量构建的新空间中,得到降维后的n个深度学习特征向量;

将降维后的深度学习特征和降维后的纹理特征进行级联,获得深度学习特征和浅层纹理级联后的融合特征;

学习模块,用于利用支持向量机分类器对一定数量的融合向量数据进行学习,并利用朴素贝叶斯分类器对形态特征向量进行学习,通过最大随机搜索方法对两种分类器加权得到肿瘤分类模型;以及分类模块,用于将待分类乳腺肿瘤超声图像输入乳腺肿瘤分类模型,得到分类结果。

5.根据权利要求4所述的基于超声图像的乳腺肿瘤良恶性分类装置,其特征在于:所述预处理包括去除超声图像四周文字以及个人信息、降低散斑噪声和对比度增强。

6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至3任一项所述的方法。