一种乳腺肿瘤的建模与诊断方法
【专利说明】一种乳腺肿瘤的建模与诊断方法 【技术领域】
[0001] 本发明涉及乳腺肿瘤诊断技术领域，特别是基于聚类分析与软测量建模的乳腺肿 瘤诊断方法的技术领域。 【【背景技术】】
[0002] 目前，乳腺肿瘤已经成为世界上妇女发病率最高的癌症，研究表明，乳腺恶性肿瘤 若能早期发现、早期诊断、早期治疗，可以取得良好的效果。现有的研究与诊断方法，尤其是 对乳腺图像的分析日趋成熟。医学研究表明，乳腺肿瘤病灶组织的细胞核显微图像与正常 组织的细胞核显微图像不同，但是用一般的图像处理技术很难对其进行区分。因此，运行科 学的方法，根据乳腺肿瘤病灶组织的细胞核显微图像来对乳腺肿瘤进行良性、恶性的诊断 显得十分重要。
[0003] 本发明是获取乳腺肿瘤病灶组织的细胞核显微图像数据库的数据，将细胞核图像 的量化特征作为输入，来建立与肿瘤性质的关系，即是可以根据该细胞核显微图像的量化 特征来诊断乳腺肿瘤是良性还是恶性。 【
【发明内容】
】
[0004] 本发明的目的就是解决现有技术中的问题，提出一种乳腺肿瘤的建模与诊断方 法，可以根据组织细胞核显微图像的量化特征来直观的诊断肿瘤性质。
[0005] 为实现上述目的，本发明提出了一种乳腺肿瘤的建模与诊断方法，所述方法利用 传播仿射聚类方法(AP)来对数据库的细胞核显微图像进行样本分类，再通过偏最小二乘算 法(PLS)对聚类结果进行软测量建模，最后利用开关连接的方式得到多模型的输出，即乳腺 肿瘤的性质，具体步骤包括：
[0006] (a)数据预处理:确定样本数量与样本维数，划分训练样本与测试样本，对所有样 本中的数据进行"3σ"筛选；
[0007] (b)聚类分析:利用ΑΡ算法自动对训练样本进行聚类分析，得到聚类中心与每一类 的样本集；
[0008] (c)软测量建模:通过PLS对聚类获得的每一类样本集进行软测量建模，分别获得 对应的输出结果，即良性为"0"，恶性为"Γ ;
[0009] (d)多模型连接:利用测试样本测试(c)步骤中建立的多模型，并计算各测试样本 的隶属度作为多模型开关连接的判断依据。
[0010] 作为优选，所述(a)步骤中，样本维数为10,组织细胞核显微图像的量化特征分别 为细胞核半径、质地、周长、面积、光滑性、紧密度、凹陷度、凹陷点数、对称度、断裂度。
[0011] 作为优选，所述(b)步骤中，传播仿射聚类算法(AP)不需要初始化确定聚类数与聚 类中心，可以对训练样本实现自动分类。
[0012] 作为优选，所述(d)步骤中，测试样本测试多模型时，各个子模型的输出可能不同， 在最后诊断肿瘤性质时，需计算测试样本与聚类中心的隶属度，隶属度最大所对应的输出 结果即是最终的诊断结果。
[0013] 本发明的有益效果:本发明通过采集病灶组织细胞核显微图像的量化特征，来建 立与肿瘤性质之间的关系，建模方法直观，而利用传播仿射聚类算法(AP)与偏最小二乘算 法(PLS)来建模的多模型使得最终的诊断结果精度高，大大降低了误诊率。
[0014] 本发明的特征及优点将通过实施例进行详细说明。 【【具体实施方式】】
[0015] 本发明一种乳腺肿瘤的建模与诊断方法，具体步骤包括：
[0016] 步骤一、确定样本数量与样本维数，划分训练样本与测试样本，对所有样本中的数 据进行"3σ"筛选；
[0017] 步骤二、利用ΑΡ算法自动对训练样本进行聚类分析，得到聚类中心与每一类的样 本集；
[0018]步骤三、通过PLS对聚类获得的每一类样本集进行软测量建模，分别获得对应的输 出结果，即良性为"〇"，恶性为"Γ;
[0019] 步骤四、利用测试样本测试(c)步骤中建立的多模型，并计算各测试样本的隶属度 作为多模型开关连接的判断依据。
[0020] 其中，步骤二的传播仿射聚类算法(ΑΡ)避免了传统聚类算法中需要事先确定初始 聚类数目和聚类中心的问题，且所得聚类中心必定是样本中的点，防止产生没有实际意义 的聚类中心。
[0021 ]仿射聚类算法的基本步骤为：
[0022] 1、设置参考度Ρ，计算相似度矩阵，令S(i，i) =p，i = 1，2，…η，初始化阻尼系数lam =median(S)，证据矩阵 R(i，k) = 0，A(i，k)=0，（i = l，2，."，n;k=l，2，."，n)〇
[0023] 2、根据下列公式，更新证据矩阵R(i，k)及A(i，k):
[0024] R(i,k)=S(i,k)-max[A(i, j)+S(i, j)] je (1,2, ???k-l ,k+l, ··· ,η)
[0026] R(i,k)=p(k)-max(A(k,j)+S(k,j)) je[l,n],j^k
[0027] 为了调节聚类算法的更新速度，使用阻尼系数lam对证据矩阵进行控制：
[0028] R(i，k) = (l_lam)*R(i，k)+lam*R，（i，k)
[0029] A(i，k) = (l_lam)*A(i，k)+lam*A，（i，k)
[0030] 其中1?'（1，1〇^'（11〇为上一次迭代的证据矩阵；5(1，」）用来描述样本1和样本」 的相似性，一般使用欧式距离来计算，可以取为S(i，j)=_| |(Xl-Xj)2+(ym)2| |，若样本越 相似，则s(i，j)的值越大;p(i)表示样本i作为聚类中心的参考度;R(i，k)用来描述样本k适 合作为样本i的聚类中心的程度;A(i，k)用来描述样本i选择样本k作为其聚类中心的适合 程度;lam为阻尼系数，用于算法迭代过程中证据矩阵的更新。
[0031] 3、更新完成后，寻找每个样本的聚类中心，若1?仏，1〇+4仏，1〇>0则可将样本1^作为 聚类中心。对于样本i而言，聚类中心k使得以1，1〇+4(1，1〇氺=1，2，~，11取为最大值。
[0032] 4、判断是否满足迭代终止条件，若达到算法迭代次数，或者在若干次迭代中聚类 中心均无变化，则转向步骤(5)，否则转步骤(2)。
[0033] 5、仿射传播聚类迭代算法结束，输出各个聚类中心，以及属于这个聚类对应的样 本。
[0034] 参考度P可以根据实际的工况而调整，而阻尼参数lam常设定在[0.5，0.9]，适当调 整lam可以改进算法的收敛性。
[0035]步骤四中的开关连接是指：
[0036]对测试样本X进行预测时，首先按照式(6)计算该样本对各个子模型的隶属度，然 后使用开关切换的形式将多个模型的输出进行比较，得到组合模型的预测结果y。
[0039] 其中，在计算样本隶属度时，需要考虑辅助变量对模型输出的影响。
[0040] 本发明工作过程：
[0041] 本发明通过采集病灶组织细胞核显微图像的量化特征，来建立与肿瘤性质之间的 关系，建模方法直观，而利用传播仿射聚类算法(AP)与偏最小二乘算法(PLS)来建模的多模 型使得最终的诊断结果精度高，大大降低了误诊率。
[0042]上述实施例是对本发明的说明，不是对本发明的限定，任何对本发明简单变换后 的方案均属于本发明的保护范围。
【主权项】
1. 一种乳腺肿瘤的建模与诊断方法，其特征在于：所述方法利用传播仿射聚类方法 (AP)来对数据库的细胞核显微图像进行样本分类，再通过偏最小二乘算法(PLS)对聚类结 果进行软测量建模，最后利用开关连接的方式得到多模型的输出，即乳腺肿瘤的性质，具体 步骤包括： (a) 数据预处理:确定样本数量与样本维数，划分训练样本与测试样本，对所有样本中 的数据进行"3σ"筛选； (b) 聚类分析:利用ΑΡ算法自动对训练样本进行聚类分析，得到聚类中心与每一类的样 本集； (c) 软测量建模:通过PLS对聚类获得的每一类样本集进行软测量建模，分别获得对应 的输出结果，即良性为"0"，恶性为"Γ ; (d) 多模型连接:利用测试样本测试(c)步骤中建立的多模型，并计算各测试样本的隶 属度作为多模型开关连接的判断依据。2. 如权利要求1所述的一种乳腺肿瘤的建模与诊断方法，其特征在于:所述(a)步骤中， 样本维数为10,组织细胞核显微图像的量化特征分别为细胞核半径、质地、周长、面积、光滑 性、紧密度、凹陷度、凹陷点数、对称度、断裂度。3. 如权利要求1所述的一种乳腺肿瘤的建模与诊断方法，其特征在于:所述(b)步骤中， 传播仿射聚类算法(AP)不需要初始化确定聚类数与聚类中心，可以对训练样本实现自动分 类。4. 如权利要求1所述的一种乳腺肿瘤的建模与诊断方法，其特征在于:所述(d)步骤中， 测试样本测试多模型时，各个子模型的输出可能不同，在最后诊断肿瘤性质时，需计算测试 样本与聚类中心的隶属度，隶属度最大所对应的输出结果即是最终的诊断结果。
【专利摘要】本发明公开了一种乳腺肿瘤的建模与诊断方法，具体步骤包括：(a)数据预处理；(b)聚类分析：利用AP算法自动对训练样本进行聚类分析，得到聚类中心与每一类的样本集；(c)软测量建模：通过PLS对聚类获得的每一类样本集进行软测量建模，分别获得对应的输出结果，即良性为“0”，恶性为“1”；(d)多模型连接：利用测试样本测试(c)步骤中建立的多模型，并计算各测试样本的隶属度作为多模型开关连接的判断依据。本发明通过采集病灶组织细胞核显微图像的量化特征，来建立与肿瘤性质之间的关系，建模方法直观，而利用传播仿射聚类算法(AP)与偏最小二乘算法(PLS)来建模的多模型使得最终的诊断结果精度高，大大降低了误诊率。
【IPC分类】G06F19/00
【公开号】CN105574356
【申请号】CN201610094313
【发明人】周栋
【申请人】周栋
【公开日】2016年5月11日
【申请日】2016年2月20日