1.一种肾脏肿瘤MRI断层扫描图像的特征提取和分类方法,其特征在于包括下列步骤:
1)以实际肾脏肿瘤患者的MRI断层扫描图像为实验数据,以患者的不同Ki67表达结果为分类标准,建立特征向量对图像进行分类,包括下列步骤:
1.1获取肾脏肿瘤患者的肾脏MRI T1加权图像作为训练集;
1.2根据阳性细胞数的比例,按照Ki67的阳性表达结果:弱阳性、阳性、强阳性,将数据划分至三类中;
1.3利用灰度均衡化等方法对训练集进行图像预处理;
2)在特征提取中,考虑肾脏肿瘤MRI断层扫描图像的特性,利用高斯混合模型对MRI断层扫描图像进行拟合,获取代表图像分布情况的数学特征,对数学特征进行筛选,得到具有代表性的图像特征,包括下列步骤:
2.1利用K均值聚类算法进行聚类,计算像素点聚类类别,其数学表达式为:其中:iClass是第j个聚类中心;μj是第j个聚类中所有像素点向量的均值;
2.2利用聚类结果,分组计算出初始均值、初始协方差和初始先验概率;
2.3利用步骤2.2所得参数,计算每个像素点属于不同类别的概率,其数学表达式为:其中:Xi是随机向量;Θj是第j个分布的分布参数的集合;μj是第j个分布中所有像素点向量的均值;Σj是第j个分布的协方差矩阵;Dim是数据的维度;
2.4利用计算出的每个像素点属于不同类别的概率,划分每个像素点所属的类别,其数学表达式为:
2.5根据先验概率αj自身具有的约束: 且后验概率ωij满足 使用拉格朗日乘数法计算出先验概率,其数学表达式为:
其中:αj是先验概率,即某个像素点属于第j个分布的概率;ωij为后验概率Φ(Xi|Θj),即基于当前计算所得参数,得出第i个像素点属于第j个分布的概率;J是对数形式的似然函数,即所有的点属于服从当前分布的概率,其数学表达式为: Λ是高斯混合模型的参数集合;ηi是拉格朗日系数;N是像素点的个数;K是分布的个数;
2.6根据后验概率ωij,计算出均值:
其中:μj是第j个分布中所有像素点向量的均值;
2.7计算出迭代的协方差矩阵:
2.8设图像的分布为高斯混合模型,计算总概率密度:
其中:X是随机向量Xi的集合;Λ是高斯混合模型的参数集合;pΛY(i)是第i个像素的概率密度函数;N是像素点的数目;K是高斯分布数目;αj是先验概率;Φ(Xi|Θj)为高斯分布的概率密度函数;Θj是第j个分布的其他参数;
2.9循环迭代步骤2.3‑2.8,计算本次迭代参数与上一次迭代参数的差值之和,如果差值大于0.001,继续迭代;如果总概率密度没有显著增加,且差值之和小于0.001,则本次迭代参数即为所求高斯混合模型参数;
2.10将步骤2.9中计算出的模型参数作为数学特征向量,并在此基础上进行特征筛选,保留最具代表性的特征向量,特征筛选的数学表达式为:其中:Fi是第i个特征向量的F‑score;x是训练样本集; 是第i个特征在第j个数据集上的平均值; 是第i个特征在整个数据集上的平均值;nj是第j类的样本个数; 是第j类第k个样本点第i个特征的特征值;l是训练样本类别数;
3)利用支持向量机,对不同图像的特征进行分类,将肾脏肿瘤MRI图像与Ki67的表达建立联系,得到更精确的图像识别和分类结果,包括下列步骤:
3.1利用支持向量机,以Ki67表达结果为分类标准,对不同图像的特征向量进行训练和测试,其决策边界bij的判别函数为:其中:实验数据为T={(x1,y1),(x2,y2),...,(xn,yn)};分类标准为yi∈{c1,c2,...,ck};
w是每一个向量的权重向量;φ表示输入特征空间的非线性映射;b是偏置,即超平面相对于原点的位移;t是i、j的数据集的并集的索引;
3.2利用SVM分类函数判断数据xnew所属的类别,其数学表达式为:其中:xnew是测试样本集;α是拉格朗日系数;k是核函数;在低维特征空间计算使用的径向基高斯核函数为:其中:xi是输入的第i个特征向量,主要衡量x1、x2在空间里的相似程度。