专利名称：一种基于分层结构的乳腺肿块可疑区域快速检测方法
技术领域：
本发明涉及一种乳腺肿块的检测方法，尤其涉及一种乳腺肿块可疑区域快速 检测构建方法。
技术背景乳腺癌是妇女最常见的恶性肿块之一，全世界每年新发病例超过90万人。 乳腺X光影像技术为每一侧乳腺产生至少两幅数字乳腺图像(digital ma醒ogram)用于辅助医学专家检测，该技术能有效地发现早期的乳腺癌，应用 也越来越普及。但是，乳腺癌的多样性使得识别出数字乳腺图像中的乳腺癌变得 非常复杂，即使是有经验的医学专家依然会出现漏检或误诊的情况。为了有效地 减少乳腺癌的漏检率，提高检测的正确率，适应批量处理体检过程中产生的大量 数字乳腺图像的速度要求，许多计算机辅助自动检测的方法和系统应运而生。现有的肿块检测方法一般可以分为三个步骤ROI的提取、特征提取和分类。 ROI的提取这一步骤对于整个检测方法起着至关重要的作用，因为它直接影响了 后面一步性能的好坏。在ROI的提取方面，现有的方法一般分为两类基于像素 的检测方法和基于区域的检测方法。基于像素的方法一般首先对图像中每一个像 素提取特征，然后用两类分类器分类为可疑或正常，这类方法需要对每个像素提 取特征，计算量大而且没有考虑像素之间的空间结构信息，而空间结构信息对于 区分肿块和正常组织很重要，此外不同类型的肿块也需要一组不同的特征集合。 基于区域的方法则一般采用分割或滤波技术来提取ROI，然后对每个ROI提取形 状、纹理等特征并分类为肿块区域或正常区域。但由于肿块病症的复杂性，直接 采用这些传统的图像处理技术很难准确的分割出肿块。 发明内容发明目的本发明的目的是针对现有技术的不足，提供一种基于分层结构的 快速、高效、准确的乳腺肿块可疑区域快速检测方法。技术方案为了达到上述的发明目的，本发明的方法包括下列步骤(1) 准备一个乳腺肿块图像集合，记为P0，三个乳腺正常图像集合，分别 记为P1、 P2和P3;(2) 从PO中的每一幅肿块图像中抽取一个正样本，总的正样本数记为M， 从P1中的正常图像中抽取足够多的反样本和M个正样本组成一个样本集，对每 一个样本提取8种灰度特征，训练得到第一个分类器L1，该分类器保证敏感性 高于阈值r;(3) 用第二步得到的分类器对P2进行检测，将那些假阳性样本保存下来和 M个正样本组成一个样本集，对该样本集中的每一个样本提取16种SGLD纹理 特征，训练得到第二个分类器L2，该分类器保证敏感性高于阈值r;(4) 将第二步和第三步得到的分类器串行起来对P3进行检测，将那些假阳 性样本保存下来和M个正样本组成一个样本集，对该样本集中的每一个样本提 取8种灰度特征、16种SGLD特征、24种LBP纹理特征，训练得到第三个分类器L3，该分类器保证敏感性高于阈值r;(5) 对于一幅待检测的图像，去除背景区域，得到乳腺区域；(6) 对乳腺区域分块处理，对每个图像块重复(7)到(9)，完成后转(10);(7) 对所述图像块提取8种灰度特征，利用Ll进行分类，若为可疑区域 则转(8),否则标记为正常，返回(6);(8) 对所述图像块提取16种SGLD纹理特征，利用L2进行分类，去为可 疑区域则转(9)，否则标记为正常，返回(6);(9) 对所述图像块提取24种LBP特征，与灰度、SGLD特征合并，利用 L3进行分类，若为可疑区域则标记为可疑区域，否则标记为正常，返回(6);(10)对可疑区域合并，进行分割，得到肿块可疑区域。本方法包括分层结构分类器的训练构造'和乳腺数字图像肿块可疑区域的检 测两个部分，其中步骤(1)至(4)描述分层结构中的特征提取以及三个分类器 的训练和构造，步骤(5)至(10)描述使用该分层结构对一幅乳腺数字图像进行肿块可疑区域检测的过程。有益效果本发明的方法与现有技术相比，其显著优点是使用分层结构快 速去除了乳腺中正常组织部分，减少了特征提取的计算量，使该系统能够快速高 效的检测出乳腺图像中的肿块可疑区域。
图l是本发明的工作流程图；图2是本发明的分层结构分类器的训练构造示意图； 图3乳腺数字图像肿块可疑区域检测示意图。
具体实施方式
如图1所示，本方法包括分层结构分类器的训练构造和乳腺数字图像肿块可 以区域的检测两个部分。分类器的训练和肿块可疑区域的检测过程分别在图2 和图3中进行了描述。本发明方法流程如图2， 3所示，下面详细说明本方法包括下列步骤步骤(1):从PO中的每一幅肿块图像中抽取一个正样本，从P1中的正常图 像中抽取足够多的反样本组成一个样本集，提取8种基于灰度直方图的灰度特 征，灰度特征的计算方式如下其中W")为图像"x，力的灰度直方图，W表示A"，y)的最大灰度级。对 灰度直方图W")进行归一化得到/(")， (/C") = W")/2>("))。 "1，"2分别表示$>*/(")/(")〉:r的最小灰度值和最大灰度值，阈值r的取值很小，主要是为了去掉一些异常的灰度点，使得两类图像直方图的差异更加明显，根据上述公式计算得到4个特征，其中第三个特征和第四个特征实际上是图像A"，力的灰度均值和方差。第5-8个特征是将/(")增强以后变为依照公式提取的特征。根据上述 8个特征训练得到第一个分类器li。步骤(2):用l1对p2进行检测，将假阳性样本和正样本组成一个样本集， 提取16种sgld纹理特征，sgldm基于维度为^*^的图像"a力的丄*￡维空间灰度级矩阵『"=[、I"的，其中<formula>formula see original document page 6</formula>如果" =<formula>formula see original document page 6</formula>否贝u"/，A:)-0 。其实^表示了图像A义，力中灰度级z'到灰度级y的灰度级对的总数，"表示灰度级对的距离，^则表示灰度级对的方向。将『^归一化以后得到一个二阶的图像7"，力中灰度级对的联合概率分 布&:<formula>formula see original document page 6</formula>对于每个^^提取了以下四个特征<formula>formula see original document page 6</formula>其中^的取值是8， ^的取值分别是0， "/4， "/2， 3;r/4，提取16个特征，训练得到第二个分类器L2。步骤(3):将第二步和第三步得到的分类器串行起来对P3进行检测，将那些假阳性样本保存下来和M个正样本组成一个样本集，对每一个样本提取8中 灰度特征、16种SGLD特征、24种LBP纹理特征尸，^ P + l otherwise其中f/(Z^/^)定义为-gc)-s(g0 _gc)|+2s(g, -gc)-S(gp—, -gc)|根据上述特征训练分类器L3。步骤(4):对待检测乳腺数字图像进行预处理，选取适当阈值，去除黑色背 景区域，得到乳腺区域。步骤(5):对待检测的乳腺图像分块检测，对于每个图像块，重复步骤(6) 到步骤(8)，直到全部处理完成，转(9)。步骤(6):对图像块提取灰度特征，使用分类器Ll，进行分类，若分类为 正常区域，则将该区域标记为正常，跳转到步骤(5)，否则继续步骤(7)。步骤(7):对图像块提取SGLD特征，使用分类器L2，进行分类，若分类为 正常区域，则将该区域标记为正常，跳转到步骤(5)，否则继续步骤(8)。步骤(8):对图像块提取LBP特征，与步骤(6)、 (7)中的灰度特征及SGLD 特征合并，使用分类器L2，进行分类，若分类为正常区域，则将该区域标记为 正常，否则标记为可疑区域，跳转到步骤(5)，继续处理下一个图像块。步骤(9):对图像中的可疑区域进行合并，并分割，得到肿块可疑区域。
权利要求
1、一种基于分层结构的乳腺肿块可疑区域快速检测方法，其特征是该方法包括下列步骤(1)准备一个乳腺肿块图像集合，记为P0，三个乳腺正常图像集合，分别记为P1、P2和P3；(2)从P0中的每一幅肿块图像中抽取一个正样本，总的正样本数记为M，从P1中的正常图像中抽取足够多的反样本和M个正样本组成一个样本集，对每一个样本提取8种灰度特征，训练得到第一个分类器L1，该分类器保证敏感性高于阈值T；(3)用第二步得到的分类器对P2进行检测，将那些假阳性样本保存下来和M个正样本组成一个样本集，对该样本集中的每一个样本提取16种SGLD纹理特征，训练得到第二个分类器L2，该分类器保证敏感性高于阈值T；(4)将第二步和第三步得到的分类器串行起来对P3进行检测，将那些假阳性样本保存下来和M个正样本组成一个样本集，对该样本集中的每一个样本提取8种灰度特征、16种SGLD特征、24种LBP纹理特征，训练得到第三个分类器L3，该分类器保证敏感性高于阈值T；(5)对于一幅待检测的图像，去除背景区域，得到乳腺区域；(6)对乳腺区域分块处理，对每个图像块重复(7)到(9)，完成后转(10)；(7)对所述图像块提取8种灰度特征，利用L1进行分类，若为可疑区域则转(8)，否则标记为正常，返回(6)；(8)对所述图像块提取16种SGLD纹理特征，利用L2进行分类，去为可疑区域则转(9)，否则标记为正常，返回(6)；(9)对所述图像块提取24种LBP特征，与灰度、SGLD特征合并，利用L3进行分类，若为可疑区域则标记为可疑区域，否则标记为正常，返回(6)；(10)对可疑区域合并，进行分割，得到肿块可疑区域。
全文摘要
本发明公开了一种基于分层结构的乳腺肿块可疑区域快速检测方法，该方法包括分层结构分类器的训练构造和乳腺数字图像肿块可疑区域的检测两个部分，其中分层结构分类器的训练构造包括分层结构中的特征提取以及三个分类器的训练和构造。本发明的优点是结果速度快，效率高，计算以及存储开销较小。
文档编号A61B6/12GK101401730SQ200810235120
公开日2009年4月8日 申请日期2008年11月14日 优先权日2008年11月14日
发明者周华杰, 宁 李, 郭乔进 申请人:南京大学