基于cad系统提高前列腺肿瘤mri图像识别率的方法
【技术领域】
[0001] 本发明属于前列腺疾病医疗器械领域，具体是基于CAD系统提高前列腺肿瘤MRI 图像识别率的方法。
【背景技术】
[0002] 前列腺肿瘤主要包括前列腺癌与前列腺增生，两者都发生于前列腺，其中前列腺 癌是一种常见的恶性肿瘤。一般情况下，前列腺增生是不会转变为前列腺癌的，前列腺癌 通常是由直肠指检（Digitalrectalexamination,DRE)异常及血清前列腺特异性抗原 (Prostate-specificantigen,PSA)升高而被临床发现的，前列腺癌一经发现，其治疗方法 主要取决于肿瘤组织学分类和临床分期，前列腺癌ITM分期和Gleason分期明确了病变范 围，正确分期对决定能否手术、选择治疗方法和判断预后都十分重要。MRI具有三维成像、软 组织对比度好、无生物学损害、不需要注射造影剂即可显示血管结构等优点，能够区分前列 腺外周带和中央腺，并提供不同方向所需切面，从而便于了解前列腺全貌以及周围关系，这 不仅有利于定性、分期以决定正确处理方针，也有助于手术治疗计划的顺利实施和术后观 察，因此MRI在前列腺癌的定位、癌组织范围、有无穿透包膜、有无远处转移等检查中具有 重要作用。
[0003] 计算机辅助诊断系统（Computer-AidedDiagnosis,CAD)是能够提供定量分析，减 轻医生诊断的工作量，给医生提供具有较好一致性和重复性的诊断参考和建议，以期提高 诊断效果，降低活检次数，提高诊断效率和客观性的技术手段，大量的研宄也表明，CAD系统 的使用使得医师的读片质量确实得到了明显的提高。基于医学影像的CAD方法从技术的角 度来讲就是目标识别技术，但是现有的目标识别方法只是根据单一的样本特征向量进行划 分，对大量同类样本所表现出的高维模式特性考虑不够充分。因此对MRI前列腺肿瘤ROI 区域只提取几维或者十几维特征得到的识别结果可信度不高。虽然有相关文献对前列腺 肿瘤的CAD进行了一定程度的讨论，但是与人体其它器官（如乳腺、脑部等）相比，前列腺 CAD方面报道较少，并且这些结论只是在小样本、抽取特征有限的条件下取得的，普遍存在 假阳性率过高的缺点，缺乏更具有说服力的大样本前瞻性研宄。因此，极寻求有效的方法来 提高前列腺肿瘤CAD系统识别率的一种亟需解决的问题。
【发明内容】
[0004] 本发明的目的是克服现有技术不足，提供一种基于CAD系统提高前列腺肿瘤MRI 图像识别率的方法。该方法使识别前列腺良、恶性肿瘤的能力至少提高10%以上，对MRI前 列腺肿瘤的CAD具有积极的意义。
[0005] 本发明的目的是通过以下技术方案予以实现：
[0006] 一种基于CAD系统提高前列腺肿瘤MRI图像识别率的方法，包括以下步骤：（1)采 集前列腺患者的MRI图像；（2)提取MRI前列腺肿瘤ROI区域特征；（3)对ROI区域特征进 行特征级融合；(4)利用神经网络作为分类器对融合后的特征进行分类识别；
[0007] 上述步骤（2)所述ROI区域特征是几何特征、统计特征、Hu不变矩特征、灰度共生 矩阵的纹理特征、TAMURA纹理特征、频域特征。
[0008] 上述步骤⑵所述几何特征是：面积、周长、矩形度、伸长督、圆形度、欧拉数；
[0009] 所述统计特征是：均值、方差、倾斜度、峰态、能量、熵；
[0010]所述Hu不变矩特征是：C1、C2、C3、C4、C5、C6、C7;
[0011] 所述灰度共生矩阵的纹理特征是：能量、对比度（反差、惯量）、熵、和熵、差熵、相 关性、逆差距、方差、和的方差、和的均值、差分方差、相关信息度量（2维）、最大相关系数；
[0012] 所述TAMURA纹理特征是粗糙度、对比度、方向度；
[0013] 所述频域特征是：能量8维（小波特征能量1-8)、范数8维（小波特征范数1-8)、 标准差8维（小波特征标准差1_8);
[0014] 上述步骤（3)特征级融合采用的算法是线性降维算法。
[0015] 上述线性降维算法是PCA主成份分析法。
[0016] 上述步骤⑷所述神经网络采用训练算法是BFGS拟牛顿算法、BP算法、最速梯度 下降算法和Levenberg-Marquardt算法。
[0017] 本发明的有益效果：本发明提出了一种基于CAD系统提高前列腺肿瘤MRI图像识 别率的方法，该方法是基于PCA特征级融合神经网络的前列腺肿瘤CAD模型，利用PCA在 特征级进行变换，降低了特征矢量的维数，用神经网络分类识别，基于PCA的特征融合后 的图像的识别率均有明显提高，其提高幅度分别是12. 5%、17. 18%、22. 22%和22. 22%， 这说明了本发明采取的主成分分析法在特征级融合是有效的，不仅能降低特征之间的冗余 性，也消除了特征中的部分异常数据对实验结果造成的影响，更重要的是进一步提高了前 列腺肿瘤MRI图像的识别率，该方法使得识别前列腺良、恶性肿瘤的能力至少提高10%以 上，对MRI前列腺肿瘤的CAD具有积极的意义。
【附图说明】
[0018] 图1前列腺癌ROI区域；
[0019] 图2前列腺增生ROI区域；
[0020] 图3各主成份的累计贡献率；
[0021] 图4PCA融合前L-M训练算法下的测试结果；
[0022] 图5PCA融合前L-M训练算法下的训练误差；
[0023] 图6 PCA融合前拟牛顿算法下的测试结果；
[0024] 图7PCA融合前拟牛顿算法下的训练误差；
[0025] 图8 PCA融合前BP算法下的测试结果；
[0026] 图9 PCA融合前BP算法下的训练误差；
[0027] 图10 PCA融合前最速梯度下降算法下的测试结果；
[0028] 图11 PCA融合前最速梯度下降算法下的训练误差；
[0029] 图12PCA融合后L-M训练算法下的测试结果；
[0030] 图13PCA融合后L_M训练算法下的训练误差；
[0031] 图14PCA融合后拟牛顿算法下的测试结果；
[0032] 图15 PCA融合后拟牛顿算法下的训练误差；
[0033] 图16 PCA融合后BP算法下的测试结果；
[0034] 图17PCA融合后BP算法下的训练误差；
[0035] 图18 PCA融合后最速梯度下降算法下的测试结果；
[0036] 图19 PCA融合后最速梯度下降算法下的训练误差
【具体实施方式】
[0037] 以下结合附图通过实施例对本发明的技术方案做进一步的说明：
[0038] 实施例1
[0039] 本发明所涉及到的软、硬件环境如下：
[0040]软件环境：windowsXP操作系统，MATLAB7.ONNToolbox，efilm3. 4
[0041] 硬件环境：2G内存，320G硬盘，M320-AMD处理器
[0042] 输入：1)MRI前列腺肿瘤的ROI图像Xi,i= 1，2,…，180
[0043] 2)样本类别数n= 2 ;
[0044] 输出：四种训练算法下的特征变换前后的神经网络识别精度
[0045]步骤：
【主权项】
1. 一种基于CAD系统提高前列腺肿瘤MRI图像识别率的方法，其特征在于：包括以下 步骤：（1)采集前列腺患者的MRI图像；（2)提取MRI前列腺肿瘤ROI区域特征；（3)对ROI 区域特征进行特征级融合；(4)利用神经网络作为分类器对融合后的特征进行分类识别。
2. 根据权利要求1所述的基于CAD系统提高前列腺肿瘤MRI图像识别率的方法，其特 征在于，步骤（2)所述ROI区域特征是几何特征、统计特征、Hu不变矩特征、灰度共生矩阵 的纹理特征、TAMURA纹理特征、频域特征。
3. 根据权利要求2所述的基于CAD系统提高前列腺肿瘤MRI图像识别率的方法，其特 征在于，步骤（2)所述几何特征是：面积、周长、矩形度、伸长督、圆形度、欧拉数； 所述统计特征是：均值、方差、倾斜度、峰态、能量、熵； 所述Hu不变矩特征是：C1、C2、C3、C4、C5、C6、C7 ; 所述灰度共生矩阵的纹理特征是：能量、对比度、熵、和熵、差熵、相关性、逆差距、方差、 和的方差、和的均值、差分方差、相关信息度量、最大相关系数； 所述TAMURA纹理特征是粗糙度、对比度、方向度； 所述频域特征是：能量、范数、标准差。
4. 根据权利要求1所述的基于CAD系统提高前列腺肿瘤MRI图像识别率的方法，其特 征在于，步骤（3)特征级融合采用的算法是线性降维算法。
5. 根据权利要求4所述的基于CAD系统提高前列腺肿瘤MRI图像识别率的方法，其特 征在于，所述线性降维算法是PCA主成份分析法。
6. 根据上述任意一项权利要求所述的基于CAD系统提高前列腺肿瘤MRI图像识别率的 方法，其特征在于，步骤（4)所述神经网络采用的训练算法是BFGS拟牛顿算法、BP算法、最 速梯度下降算法Levenberg-Marquardt算法。
【专利摘要】本发明属于前列腺疾病医疗器械领域，具体是一种基于CAD系统提高前列腺肿瘤MRI图像识别率的方法。该方法包括以下步骤：(1)采集前列腺患者的MRI图像；(2)提取MRI前列腺肿瘤ROI区域特征；(3)对ROI区域特征进行特征级融合；(4)利用神经网络作为分类器对融合后的特征进行分类识别。该方法使识别前列腺良、恶性肿瘤的能力至少提高10％以上，对MRI前列腺肿瘤的CAD具有积极的意义。
【IPC分类】G06K9-46, G06K9-62, G06K9-00
【公开号】CN104794426
【申请号】CN201510015896
【发明人】周涛, 陆惠玲, 杨德仁, 杨柳, 陈志强, 张艳宁
【申请人】宁夏医科大学
【公开日】2015年7月22日
【申请日】2015年1月13日