肿瘤类型识别方法和系统的制作方法
【专利摘要】本发明涉及一种肿瘤类型识别方法和系统。所述方法，包括以下步骤：获取超声射频信号、二维图像数据和血流图像数据；从所述超声射频信号、二维图像数据和血流图像数据中选取肿瘤位置的感兴趣区域；在所述感兴趣区域提取超声射频信号特征、图像特征和血流特征，并形成特征集；从所述特征集中提取最优特征子集；对所述最优特征子集进行分类，得到所述肿瘤类型。上述肿瘤类型识别方法和系统，通过超声射频信号特征、图像特征和血流特征形成特征集，根据多参数特征集进行分析确定肿瘤类型，其结合了多种参数特征，其分析更加准确。
【专利说明】肿瘤类型识别方法和系统【技术领域】
[0001]本发明涉及计算机应用领域，特别是涉及一种肿瘤类型识别方法和系统。
【背景技术】
[0002]乳腺癌是当今社会中女性的一种常见的恶性肿瘤。传统的检测方法主要是通过超声成像技术实现的。超声成像具有性价比高、无放射性、实时性、副作用小等优点。然而乳腺的超声图像中存在高噪声、复杂结构、模糊边界、个体特征差异等因素，且一般为单帧B超图像，根据该单帧B超图像数据无法准确判断肿瘤类型。
【发明内容】
[0003]基于此，有必要针对传统的B超图像无法准确判断肿瘤类型的问题，提供一种能提高准确性的肿瘤类型识别方法和系统。
[0004]一种肿瘤类型识别方法，包括以下步骤:
[0005]获取超声射频信号、二维图像数据和血流图像数据；
[0006]从所述超声射频信号、二维图像数据和血流图像数据中选取肿瘤位置的感兴趣区域；
[0007]在所述感兴趣区域提取超声射频信号特征、图像特征和血流特征，并形成特征集;
[0008]从所述特征集中提取最优特征子集；
[0009]对所述最优特征子集进行分类，得到所述肿瘤类型。
[0010]在其中一个实施例中，所述从所述特征集中提取最优特征子集的步骤包括:
[0011]对所述特征集中超声射频信号特征、图像特征和血流特征进行降维处理，得到特征向量的最优的协方系数；
[0012]利用特征向量的最优的协方系数作为参数建模得到基于感知函数的数学方程，采用最大似然法求解基于感知核函数的数学方程得到最优特征子集。
[0013]在其中一个实施例中，所述对所述最优特征子集进行分类，得到所述肿瘤类型的步骤包括:
[0014]采用模糊神经网络模型对所述最优特征子集进行分类，得到所述肿瘤类型。
[0015]在其中一个实施例中，所述采用模糊神经网络模型对所述最优特征子集进行分类，得到所述肿瘤类型包括:
[0016]将所述最优特征子集中的特征作为输入，输入总数为η，η为自然数；
[0017]对每个输入配置m个模糊集合，形成n Xm个节点，m为自然数；
[0018]每个节点对应的输出为每个输入所属的模糊集合的隶属度函数///(Xi)，其中，W(Xi)表示输入Xi的第j个模糊集合，i e [l，n]中的自然数，j e [l，m]中的自然数；
[0019]每个节点代表一条模糊规则，计算所述每条模糊规则的使用度O； =μΜ…μL;
[0020]对所述每条模糊规则的使用度进行归一化；[0021]对归一化的使用度采用加权平均法进行处理得到所述肿瘤类型。
[0022]在其中一个实施例中，所述超声射频信号特征包括形状参数和频谱参数；所述图像特征包括形态特征和纹理特征；所述血流特征包括血流形态特征和血流动力学特征。
[0023]一种肿瘤类型识别系统，包括:
[0024]采集模块，用于获取超声射频信号、二维图像数据和血流图像数据；
[0025]选取模块，用于从所述超声射频信号、二维图像数据和血流图像数据中选取肿瘤位置的感兴趣区域；
[0026]提取模块，用于在所述感兴趣区域提取超声射频信号特征、图像特征和血流特征，并形成特征集；
[0027]分析模块，用于从所述特征集中提取最优特征子集；
[0028]识别模块，用于对所述最优特征子集进行分类，得到所述肿瘤类型。
[0029]在其中一个实施例中，所述分析模块用于对所述特征集中超声射频信号特征、图像特征和血流特征进行降维处理，得到特征向量的最优的协方系数，以及利用所述特征向量的最优的协方系数作为参数建模得到基于感知函数的数学方程，采用最大似然法求解基于感知核函数的数学方程得到最优特征子集。
[0030]在其中一个实施例中，所述识别模块还用于采用模糊神经网络模型对所述最优特征子集进行分类，得到所述肿瘤类型。
[0031]在其中一个实施例中，所述识别模块包括:
[0032]输入单元，用于将所述最优特征子集中的特征作为输入，输入总数为η，η为自然数；
[0033]配置单元，用于对每个输入配置m个模糊集合，形成nXm个节点，m为自然数；
[0034]节点输出单元，用于计算每个节点对应的输出，所述每个节点对应的输出为每个输入所属的模糊集合的隶属度函数///(?)，其中，々/(Λ)表不输入Xi的第j个模糊集合，i e [I, η]中的自然数，j e [l,m]中的自然数；
[0035]使用度计算单元，用于计算每条模糊规则的使用度=μ(μL.…，其中，每个节点代表一条模糊规则；
[0036]归一化单元，用于对所述每条模糊规则的使用度进行归一化；
[0037]识别单元，用于对归一化的使用度采用加权平均法进行处理得到所述肿瘤类型。
[0038]在其中一个实施例中，所述超声射频信号特征包括形状参数和频谱参数；所述图像特征包括形态特征和纹理特征；所述血流特征包括血流形态特征和血流动力学特征。
[0039]上述肿瘤类型识别方法和系统，通过超声射频信号特征、图像特征和血流特征形成特征集，根据多参数特征集进行分析确定肿瘤类型，其结合了多种参数特征，其分析更加准确。
【专利附图】
【附图说明】
[0040]图1为一个实施例中肿瘤类型识别方法的流程图；
[0041]图2为肿瘤形态近似示意图；
[0042]图3为一个实施例中采用模糊神经网络模型对所述最优特征子集进行分类，得到所述肿瘤类型的具体流程图；[0043]图4为模糊神经网络结构示意图；
[0044]图5为一个实施例中肿瘤类型识别系统的结构框图；
[0045]图6为一个实施例中识别模块的内部结构框图。
【具体实施方式】
[0046]为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0047]图1为一个实施例中肿瘤类型识别方法的流程图。如图1所示，该肿瘤类型识别方法，包括以下步骤:
[0048]步骤110，获取超声射频信号、二维图像数据和血流图像数据。
[0049]具体的，超声射频信号、二维图像数据和血流图像数据可通过超声设备采集。
[0050]步骤120，从该超声射频信号、二维图像数据和血流图像数据中选取肿瘤位置的感兴趣区域。
[0051]在选取肿瘤位置的感兴趣区域之前，可对超声射频信号、二维图像数据额血流图像数据进行滤波去噪增强处理。
[0052]步骤130，在该感兴趣区域提取超声射频信号特征、图像特征和血流特征，并形成特征集。
[0053]具体的，超声射频信号特征包括形状参数和频谱参数。根据Nakagami统计模型，
得到超声背散射信号包络的概率统计密度函数:
【权利要求】
1.一种肿瘤类型识别方法，包括以下步骤: 获取超声射频信号、二维图像数据和血流图像数据； 从所述超声射频信号、二维图像数据和血流图像数据中选取肿瘤位置的感兴趣区域； 在所述感兴趣区域提取超声射频信号特征、图像特征和血流特征，并形成特征集； 从所述特征集中提取最优特征子集； 对所述最优特征子集进行分类，得到所述肿瘤类型。
2.根据权利要求1所述的肿瘤类型识别方法，其特征在于，所述从所述特征集中提取最优特征子集的步骤包括: 对所述特征集中超声射频信号特征、图像特征和血流特征进行降维处理，得到特征向量的最优的协方系数； 利用特征向量的最优的协方系数作为参数建模得到基于感知函数的数学方程，采用最大似然法求解基于感知核函数的数学方程得到最优特征子集。
3.根据权利要求1所述的肿瘤类型识别方法，其特征在于，所述对所述最优特征子集进行分类，得到所述肿瘤类型的步骤包括: 采用模糊神经网络模型对所述最优特征子集进行分类，得到所述肿瘤类型。
4.根据权利要求3所述的肿瘤类型识别方法，其特征在于，所述采用模糊神经网络模型对所述最优特征子集进行分类，得到所述肿瘤类型包括: 将所述最优特征子集中的特征作为输入，输入总数为η，η为自然数； 对每个输入配置m个模糊集合，形成nXm个节点，m为自然数； 每个节点对应的输出为每个输入所属的模糊集合的隶属度函数///(X,.)，其中，kh)表示输入Xi的第j个模糊集合，i e [I, η]中的自然数，j e [l,m]中的自然数； 每个节点代表一条模糊规则，计算所述每条模糊规则的使用度A =μ(μΙ..μ!,； 对所述每条模糊规则的使用度进行归一化； 对归一化的使用度采用加权平均法进行处理得到所述肿瘤类型。
5.根据权利要求1所述的肿瘤类型识别方法，其特征在于，所述超声射频信号特征包括形状参数和频谱参数；所述图像特征包括形态特征和纹理特征；所述血流特征包括血流形态特征和血流动力学特征。
6.一种肿瘤类型识别系统，其特征在于，包括: 采集模块，用于获取超声射频信号、二维图像数据和血流图像数据； 选取模块，用于从所述超声射频信号、二维图像数据和血流图像数据中选取肿瘤位置的感兴趣区域； 提取模块，用于在所述感兴趣区域提取超声射频信号特征、图像特征和血流特征，并形成特征集； 分析模块，用于从所述特征集中提取最优特征子集； 识别模块，用于对所述最优特征子集进行分类，得到所述肿瘤类型。
7.根据权利要求6所述的肿瘤类型识别系统，其特征在于，所述分析模块用于对所述特征集中超声射频信号特征、图像特征和血流特征进行降维处理，得到特征向量的最优的协方系数，以及利用所述特征向量的最优的协方系数作为参数建模得到基于感知函数的数学方程，采用最大似然法求解基于感知核函数的数学方程得到最优特征子集。
8.根据权利要求6所述的肿瘤类型识别系统，其特征在于，所述识别模块还用于采用模糊神经网络模型对所述最优特征子集进行分类，得到所述肿瘤类型。
9.根据权利要求8所述的肿瘤类型识别系统，其特征在于，所述识别模块包括: 输入单元，用于将所述最优特征子集中的特征作为输入，输入总数为η，η为自然数； 配置单元，用于对每个输入配置m个模糊集合，形成nXm个节点，m为自然数； 节点输出单元，用于计算每个节点对应的输出，所述每个节点对应的输出为每个输入所属的模糊集合的隶属度函数WCO，其中，Y(X)表示输入\的第j个模糊集合，i e [I, η]中的自然数，j e [l,m]中的自然数； 使用度计算单元，用于计算每条模糊规则的使用度屮二 A7M…W，其中，每个节点代表一条模糊规则； 归一化单元，用于对所述每条模糊规则的使用度进行归一化； 识别单元，用于对归一化的使用度采用加权平均法进行处理得到所述肿瘤类型。
10.根据权利要求6所述的肿瘤类型识别系统，其特征在于，所述超声射频信号特征包括形状参数和频谱参数；所述图像特征包括形态特征和纹理特征；所述血流特征包括血流形态特征和血流动力学特征。
【文档编号】G06K9/46GK104008386SQ201410201897
【公开日】2014年8月27日 申请日期:2014年5月13日 优先权日:2014年5月13日
【发明者】秦文健, 李凌, 温铁祥, 辜嘉 申请人:中国科学院深圳先进技术研究院