基于稀疏自动编码深度网络的乳腺图像处理方法与流程

本发明属于图像处理
技术领域：
，更进一步涉及医学图像处理
技术领域：
的一种基于稀疏自动编码深度网络的乳腺图像处理方法。本发明可用于提取X射线图像、CT图像等乳腺图像中的病变区域特征，更进一步对图像中的病变区域与正常区域进行分类与识别，以便实现图像的病变区域与正常区域进行对比，进而为临床医生分析器官的病变程度提供图像依据。
背景技术：
：乳腺癌是女性中常见且高发的恶性肿瘤之一，严重影响了妇女的身心健康甚至危及生命。目前，对乳腺癌的监测越来越依赖于计算机辅助诊断技术，而计算机辅助诊断技术的关键是，利用计算机设备对采集到的医学图像进行处理与分析的技术。利用计算机提取乳腺图像中的病变区域的特征并分类，可为临床医生分析器官的病变程度提供图像依据。现有的利用计算机设备提取乳腺图像中病变区域的特征并分类方法主要分以下几种：阈值法、基于滤波器的方法、预分割得到感兴趣区域后，提取乳腺图像中病变区域的特征后，联合简单的分类器进行分类与识别等。J.G.Braz,S.V.daRocha,M.Gattass等人在“Amassclassificationusingspatialdiversityapproachesinmammographyimagesforfalsepositivereduction.”(ExpertSystemswithApplications,2013,40(18):7534-7543.)中公开了一种基于空间多样性的乳腺图像分类方法。该方法使用多样性分析技术对乳腺图像中病变区域进行空间分解，再提取每一层空间的纹理特征，最后将多层空间特征进行集成得到最终的特征表示，并用支持向量机分类器SVM对提取的特征进行有效性分析。该方法虽然简单易用，但是，仍然存在的不足之处是：该方法仅提取了乳腺图像中病变区域的底层特征表示，由于底层特征结构较为简单，对噪声、背景敏感，无法得到完备且全面的乳腺图像的特征表征，导致对乳腺图像的分类精度不高，无法有效的识别出乳腺图像中可疑的病变区域。西安电子科技大学在拥有的专利技术“基于视觉注意模型的乳腺X线影像的肿块检测系统”(专利申请专利号：201110346515.3，公开号：CN102289657A)中提出了一种基于信息熵的视觉注意模型的乳腺图像的肿块检测方法。该方法用信息熵思想来表征肿块病变区域的变化特性，再结合视觉注意模型生成显著图来提取病变区域的肿块。该方法使得图像中的病变区域更加显著，但是，仍然存在的不足之处是：在视觉注意模型的特征表示中，仅使用乳腺图像中病变区域单个像素的灰度特征，故不能够完备的表示乳腺图像中肿块区域的纹理特征，在分类时，对于乳腺图像中部分纹理较粗的肿块会出现漏检情况。技术实现要素：本发明的目的在于克服上述现有技术的缺陷，提出了一种基于稀疏自动编码深度网络的乳腺图像处理方法，针对乳腺图像中病变区域的特点提取完备的特征，并且识别乳腺图像中的可疑病变区域。实现本发明上述目的的思路是：分别计算所有输入乳腺图像中每一幅图像的灰度共生矩阵；提取所有输入的图像中每一幅图像的灰度共生矩阵的11维灰度共生矩阵特征；将输入的所有乳腺图像的灰度共生矩阵特征组合在一起，作为所有乳腺图像的底层特征集；用底层特征集训练稀疏自编码深度网络，同时得到高级特征集；用高级特征集训练支持向量机分类器v-SVM，并用训练后的支持向量机分类器v-SVM对待分类的乳腺图像进行分类，得到可疑的病变区域。为实现上述目的，本发明基于稀疏自动编码深度网络的乳腺图像处理方法，步骤如下：(1)输入图像：分别输入大小均为300×300含有病灶组织的乳腺图像和正常组织的乳腺图像；(2)计算灰度共生矩阵：运用matlab软件，统计输入的所有乳腺图像的每一幅图像中，两个灰度值不同的像素点之间为一定距离时，该两个灰度值不同的像素点同时出现的频率，将所有频率组成的矩阵作为灰度共生矩阵；(3)提取灰度共生矩阵的灰度和纹理特征：(3a)分别提取灰度共生矩阵中的11个特征值；(3b)将提取的11个特征值组合在一起，作为灰度共生矩阵的灰度和纹理特征；(3b)将输入的所有乳腺图像的灰度共生矩阵的灰度和纹理特征组合在一起，作为所有乳腺图像的原始特征集；(4)训练稀疏自动编码深度网络：(4a)将所有乳腺图像的原始特征集输入三层稀疏自动编码深度网络的第一层，使用重构误差最小方法，调整稀疏自动编码深度网络的第一层与第二层参数，得到稀疏自动编码深度网络第二层的输出值；(4b)将稀疏自动编码深度网络第二层的输出值输入到稀疏自动编码深度网络的第三层，使用重构误差最小方法，调整稀疏自动编码深度网络的第二层与第三层参数，得到稀疏自动编码深度网络第三层的输出值，同时得到训练后的稀疏自动编码深度网络；(5)训练分类器v-SVM：将稀疏自动编码深度网络第三层的输出值输入到支持向量机分类器v-SVM中，完成对支持向量机分类器v-SVM的训练；(6)分类：运用训练后的支持向量机分类器v-SVM对待分类的乳腺图像进行分类，得到可疑的病变区域。本发明与现有的技术相比具有以下优点：第一，由于本发明利用灰度共生矩阵的方法，提取输入乳腺图像的特征表示时，充分利用了乳腺图像的灰度和纹理信息，克服了现有技术由于只考虑了乳腺图像中单个像素的灰度特征，导致在分类时，乳腺图像中部分纹理较粗的肿块会出现漏检情况的问题，故本发明提取的乳腺图像的灰度共生矩阵的灰度和纹理特征更具有鲁棒性，可以降低乳腺图像中肿块的漏检率。第二，由于本发明将获得的灰度共生矩阵的灰度和纹理特征作为原始特征，输入到稀疏自动编码深度网络中进行特征训练，克服了现有技术无法得到完备且全面的乳腺图像特征表示，导致分类精度不高的问题，使得本发明训练的特征在对乳腺图像进行分类时，可以提高乳腺图像的分类精度，有效的识别出乳腺图像中的病变区域。附图说明图1是本发明的流程图；图2是本发明实施例中含有病灶的乳腺图像原始图；图3是本发明实施例中正常组织的乳腺图像原始图；图4是本发明实施例中乳腺图像专家标记示意图；图5是采用本发明对待分类的乳腺图像的分类结果图。具体实施方式下面结合附图对本发明做进一步的描述。参照图1，本发明的具体实施步骤如下。步骤1.输入图像。分别输入大小均为300×300含有病灶组织的乳腺图像和正常组织的乳腺图像。步骤2.计算灰度共生矩阵。第一步，运用matlab软件，统计输入的所有乳腺图像的每一幅图像中，两个灰度值不同的像素点之间为一定距离时，该两个灰度值不同的像素点同时出现的频率，将所有频率组成的矩阵作为灰度共生矩阵，其中一定距离是指，在[1,10]范围内所选取一个介于两个灰度值不同的像素点之间的距离，在本发明中将两个灰度值不同的像素点间的距离设置为1。第二步，将所有频率组成的矩阵作为灰度共生矩阵。步骤3.提取灰度共生矩阵的灰度和纹理特征。第一步，分别提取灰度共生矩阵中的11个特征值：按照下式，提取灰度共生矩阵的能量特征值：其中，f1表示所有输入乳腺图像中每一幅图像的灰度共生矩阵的能量特征值，N表示所有输入乳腺图像中每一幅图像的灰度级数，i和j分别表示灰度共生矩阵中相距距离为一个像素点的两个像素点的灰度值，P(i,j)表示所有输入乳腺图像中每一幅图像的灰度共生矩阵，∑(·)表示求和操作，(·)2表示取平方操作。按照下式，提取灰度共生矩阵的熵特征值：其中，f2表示所有输入乳腺图像中每一幅图像的灰度共生矩阵的熵特征值，N表示所有输入乳腺图像中每一幅图像的灰度级数，i和j分别表示灰度共生矩阵中相距距离为一个像素点的两个像素点的灰度值，P(i,j)表示所有输入乳腺图像中每一幅图像的灰度共生矩阵，∑(·)表示求和操作，log(·)表示取对数操作。按照下式，提取灰度共生矩阵的均匀性特征值：其中，f3表示所有输入乳腺图像中每一幅图像的灰度共生矩阵的均匀性特征值，N表示所有输入乳腺图像中每一幅图像的灰度级数，i和j分别表示灰度共生矩阵中相距距离为一个像素点的两个像素点的灰度值，P(i,j)表示所有输入乳腺图像中每一幅图像的灰度共生矩阵，∑(·)表示求和操作，(·)2表示取平方操作。按照下式，提取灰度共生矩阵的非相似性特征值：其中，f4表示所有输入乳腺图像中每一幅图像的灰度共生矩阵的非相似性特征值，N表示所有输入乳腺图像每一幅图像的灰度级数，i和j分别表示灰度共生矩阵中相距距离为一个像素点的两个像素点的灰度值，P(i,j)表示所有输入乳腺图像中每一幅图像的灰度共生矩阵，∑(·)表示求和操作，|·|表示取绝对值操作。按照下式，提取灰度共生矩阵的行方差特征值：其中，u1表示所有输入乳腺图像中每一幅图像的灰度共生矩阵的行方差特征值，N表示所有输入乳腺图像中每一幅图像的灰度级数，i和j分别表示灰度共生矩阵中两个像素点的灰度值，P(i,j)表示所有输入乳腺图像中每一幅图像的灰度共生矩阵，∑(·)表示求和操作。按照下式，提取灰度共生矩阵的列方差特征值：其中，u2表示所有输入乳腺图像中每一幅图像的灰度共生矩阵的列方差特征值，N表示所有输入乳腺图像中每一幅图像的灰度级数，i和j分别表示灰度共生矩阵中两个像素点的灰度值，P(i,j)表示所有输入乳腺图像中每一幅图像的灰度共生矩阵，∑(·)表示求和操作。按照下式，提取灰度共生矩阵的行标准差特征值：其中，σ1表示所有输入乳腺图像中每一幅图像的灰度共生矩阵的行标准差特征值，N表示所有输入乳腺图像中每一幅图像的灰度级数，i和j分别表示两个像素点的灰度值，u1表示所有输入乳腺图像中每一幅图像的灰度共生矩阵的行方差特征值，P(i,j)表示输入所有乳腺图像中每一幅图像的灰度共生矩阵，∑(·)表示求和操作，(·)2表示取平方操作。按照下式，提取灰度共生矩阵的列标准差特征值：其中，σ2表示所有输入乳腺图像中每一幅图像的灰度共生矩阵的列标准差特征值，N表示所有输入乳腺图像中每一幅图像的灰度级数，i和j分别表示灰度共生矩阵中两个像素点的灰度值，u2表示所有输入乳腺图像中每一幅图像的灰度共生矩阵的列方差特征值，P(i,j)表示所有输入乳腺图像中每一幅图像的灰度共生矩阵，∑(·)表示求和操作，(·)2表示取平方操作。按照下式，提取灰度共生矩阵的相关性特征值：其中，f5表示所有输入乳腺图像中每一幅图像的灰度共生矩阵的相关性特征值，N表示所有输入乳腺图像中每一幅图像的灰度级数，i和j分别表示灰度共生矩阵中两个像素点的灰度值，u1表示所有输入乳腺图像中每一幅图像的灰度共生矩阵的行方差特征值，u2表示所有输入乳腺图像中每一幅图像的灰度共生矩阵的列方差特征值，P(i,j)表示所有输入乳腺图像中每一幅图像的灰度共生矩阵，σ1表示所有输入乳腺图像中每一幅图像的灰度共生矩阵的行标准差特征值，σ2表示所有输入乳腺图像中每一幅图像的灰度共生矩阵的列标准差特征值，∑(·)表示求和操作。按照下式，提取灰度共生矩阵的惯性特征值：其中，f6表示所有输入乳腺图像中每一幅图像的灰度共生矩阵的惯性特征值，N表示所有输入乳腺图像中每一幅图像的灰度级数，i和j分别表示灰度共生矩阵中两个像素点的灰度值，P(i,j)表示所有输入乳腺图像中每一幅图像的灰度共生矩阵，∑(·)表示求和操作，(·)2表示取平方操作。按照下式，提取灰度共生矩阵的逆差矩特征值：其中，f7表示输入的所有乳腺图像中每一幅图像的灰度共生矩阵的逆差矩特征值，N表示输入的所有乳腺图像中每一幅图像的灰度级数，i和j分别表示灰度共生矩阵中两个像素点的灰度值，P(i,j)表示输入所有的乳腺图像中每一幅图像的灰度共生矩阵，∑(·)表示求和操作，(·)2表示取平方操作。第二步，将提取的11个特征值组合在一起，作为灰度共生矩阵的灰度和纹理特征。第三步，将输入的所有乳腺图像的灰度共生矩阵的灰度和纹理特征组合在一起，作为所有乳腺图像的原始特征集。步骤4.训练稀疏自动编码深度网络。第一步，构造基于稀疏自动编码的三层深度网络，网络包含输入层和两个隐含层，其中输入层节点个数为11，第一个隐含层节点个数为100，第二个隐含层节点个数为50的深度网络。第二步，将所有乳腺图像的原始特征集输入三层稀疏自动编码深度网络的第一层，使用重构误差最小方法，调整稀疏自动编码深度网络的第一层与第二层参数，得到稀疏自动编码深度网络第二层的输出值。第三步，将稀疏自动编码深度网络第二层的输出值输入到稀疏自动编码深度网络的第三层，使用重构误差最小方法，调整稀疏自动编码深度网络的第二层与第三层参数，得到稀疏自动编码深度网络第三层的输出值，同时得到训练后的稀疏自动编码深度网络。步骤5.训练分类器v-SVM。将稀疏自动编码深度网络第三层的输出值输入到支持向量机分类器v-SVM中，完成对支持向量机分类器v-SVM的训练。步骤6.分类。运用训练后的支持向量机分类器v-SVM对待分类的乳腺图像进行分类，得到可疑的病变区域。本发明的效果可通过以下仿真进一步说明。1.仿真条件：本发明的仿真试验是在计算机硬件配置为Intel(R)Xeon(R)CPUX5650@2.67GHZ、32.0GBRAM的硬件环境和计算机软件配置为MATLABR2013a的软件环境下进行的。2.仿真内容：本发明仿真是对图2的含有病灶的乳腺图像和图3的正常的乳腺图像进行仿真实验，图2和图3均是来源于公共数据集DDSM中的乳腺图像。图4是本发明实施例中待分类的乳腺图像专家标记示意图。本发明仿真内容为：采用本发明的方法对图2和图3进行分类，结果详见图5。3.仿真效果分析：以图4所示的带有专家标记的乳腺图像作为分类评价标准，对本发明提取的乳腺图像的灰度共生矩阵特征输入到稀疏自编码深度网络进行特征训练，再将训练后的特征输入到支持向量机分类器的分类方法的分类灵敏度和时间进行统计，结果如表1。表1.本发明方法在仿真中得到的分类灵敏度与时间灵敏度时间(s)训练集89.26％93测试集88.73％23.65表1为本发明分类方法的分类灵敏度和时间的统计结果，以上结果表明：本发明提取和训练后的乳腺图像特征表示相比于乳腺图像本身的灰度特征，包含了更加丰富的纹理和灰度信息，使得特征更具有完备性和全面性，更有利于提高分类精度，是一种能有效识别乳腺图像中可疑病变区域的处理方法。当前第1页1 2 3