基于人工智能的肿瘤识别系统的制作方法
本发明属于医学图像处理技术领域，尤其涉及一种基于人工智能的肿瘤识别系统。
背景技术：
肿瘤分为良性肿瘤和恶性肿瘤，恶性肿瘤作为世界上发病率和死亡率最高的疾病之一，严重威胁着人民的健康和生命。目前通过影响学检查成为肿瘤识别最直接有效的途径之一，肿瘤在ct图像上的临床表现为器官实质内存在若干个大小不等且形态结构不规则的组织区域，这些区域的边界分布较为模糊。由于肿瘤患者早期无明显症状或影像学表现不典型，因此难以被发现和诊断，导致确诊时大部分处于中晚期，错过了最佳治疗时间，所以肿瘤的早期诊断和识别对于肿瘤患者至关重要。在肿瘤早期诊断中多层螺旋ct通过重建技术能够清晰显示出横断面、矢状面和冠状面的病灶特征，中期诊断中螺旋ct诊断联合表面遮蔽和多平面重建能够清晰显示肿瘤部位、内部结构、边缘特征、血液供应、侵犯周围组织程度以及周边组织的改变，具有较高的诊断准确率。所以ct图像成为肿瘤诊断和识别的重要参考依据，针对海量的医学影像数据，通过构建和训练深度学习神经网络可以对肿瘤进行良性、恶性及分期识别，提高诊断率、降低误诊率和漏诊率。
例如申请号为cn201710811917.3的发明专利公开了一种基于深度卷积神经网络和全局特征的肺部肿瘤识别方法。首先，根据肺部ct图像特点和复杂性初始构建深度卷积神经网络；然后探讨不同分辨率和迭代次数对识别结果的影响；接着对卷积核大小、特征维数和网络深度进行改进，探讨不同模型结构对于肺部肿瘤全局特征的影响程度；最后从网络优化维度分析不同采样方法(最大池采样和均值采样)、激活函数(sigmoid和relu)和训练算法(批量梯度下降法和弹性动量下降法)对深度卷积神经网络(dcnn)性能的影响。实验结果验证了dcnn用于肺部肿瘤全局特征计算机辅助诊断的可行性，选择合适的模型参数和模型结构并采用弹性动量训练法可达到良好的识别效果。
但由于ct图像特征的复杂性，直接利用ct图像的全局特征，进行图像识别，难度较大，训练速度较慢，增大了工作量，而且识别精度可能偏低；此外，对图像进行分割后进行识别，忽略了图像轮廓边界处的特征，降低了肿瘤识别的可靠性。
技术实现要素：
针对上述现有技术存在的缺陷，本发明的目的在于提供一种基于人工智能的肿瘤识别系统，首先将图像分块，提取图像纹理特征，通过病灶识别bp神经网络识别含有疑似病灶区域的ct图像；然后从含有疑似病灶区域的图像块分割出病灶区域，并将区域轮廓线向外延伸3个像素点作为目标区域，进行图像增强处理后，提取纹理特征和性质特征，通过肿瘤识别bp神经网络识别病灶类型，具有识别速率快，识别精度和可靠性高的优点。
为实现上述目的，本发明采用以下技术方案实现：
一种基于人工智能的肿瘤识别系统，包括：图像采集模块、图像库、图像预处理模块、图像特征提取模块和肿瘤识别模块，其中：
所述图像采集模块用于采集人体器官ct图像；
所述图像库用于存储所述图像采集模块采集的人体器官ct图像，以及ct图像训练样本集合；
所述图像预处理模块用于对所述ct图像进行降噪、图像增强和图像分割处理，获得疑似病灶所在区域；
所述图像特征提取模块用于对ct图像进行图像特征提取，形成图像特征参数集合；
所述肿瘤识别模块包括病灶识别bp神经网络和肿瘤识别bp神经网络，分别用于识别疑似病灶区域和识别病灶类型。
进一步的，所述肿瘤识别系统的肿瘤识别方法包括以下步骤：
s1.图像预处理模块对待测人体器官ct图像进行降噪处理，然后图像特征提取模块提取图像纹理特征；
s2.病灶识别bp神经网络根据图像纹理特征识别人体器官ct图像中是否含有疑似病灶区域；
s3.图像预处理模块对含有疑似病灶区域的人体器官ct图像进行图像分割，获得疑似病灶所在的区域；
s4.对疑似病灶所在区域进行增强处理后，进一步提取纹理特征和形状特征；
s5.肿瘤识别bp神经网络识别病灶类型。
进一步的，在步骤s1中，所述纹理特征提取步骤为：
s11.将降噪后ct图像转换为数字化的图像数据，对于图像中每一个像素，取以该像素为中心的3×3邻域像素作为一个邻域，将邻域内每个像素与中心像素进行差分计算，将每个差分大小结果组合在一起，得到中心像素的二元表示结果；
s12.将邻域像素和中心像素的差分大小关系进行组合，将每个二元结果分别乘以不同的权重，最后计算所有乘以权重系数后的和，得到中心像素的表示结果；
s13.对图像进行分块，然后分别统计每一块的直方图，最后连接每个直方图作为一个大直方图，将该直方图作为纹理特征输入向量。
进一步的，在步骤s2中，所述病灶识别bp神经网络的构建方法包括以下步骤：
s21.构建包含1个输入层、1个隐含层和1个输出层的病灶识别bp神经网络；
s22.将ct图像的纹理特征输入向量作为输入层神经元，隐含层节点个数根据先验经验设为输入层神经元数目的3倍，输出层包含1个节点和两个输出值；
其中，两个输出值分别表示ct图像为正常人体器官ct图像和含有疑似病灶区域的图像块；
s23.采用ct图像训练样本集合对病灶识别bp神经网络进行训练，采用测试样本进行测试，直至识别误差小于0.1％。
进一步的，在步骤s3中，所述图像分割步骤如下：
s31.将含有疑似病灶区域的图像块作为分割对象，首先通过聚类分析算法，对含有疑似病灶区域的图像块进行粗分割，得到粗分割轮廓线；
s32.将粗分割轮廓线以3个像素点作为度量，向外延伸，得到延伸后的轮廓线；
s33.通过活动轮廓模型对延伸后的轮廓线内的图像进行拟合，实现ct图像的精细分割。
进一步的，在步骤s4中，所述图像增强处理采用直方图均衡化方法进行增强，凸显出目标区域的细节部分，抑制不重要的部分。
进一步的，在步骤s4中，所述纹理特征提取将疑似病灶所在区域作为目标区域，采用与步骤s1中所述纹理特征提取步骤相同的方法进行纹理特征提取。
进一步的，在步骤s4中，所述形状特征以所述粗分割轮廓线作为目标区域。
进一步的，在步骤s5中，所述肿瘤识别bp神经网络的构建方法包括以下步骤：
s51.构建包含1个输入层、1个隐含层和1个输出层的肿瘤识别bp神经网络；
s52.将疑似病灶所在区域的纹理特征向量和形状特征参数作为输入层神经元，隐含层节点个数根据先验经验设为输入层神经元数目的2倍，输出层包含1个节点和三个输出值；
三个输出值分别表示ct图像中的病灶为良性肿瘤、恶性肿瘤和非肿瘤类病灶；
s53.采用ct图像训练样本集合对肿瘤识别bp神经网络进行训练，采用测试样本进行测试，直至识别误差小于0.1％。
有益效果
与现有技术相比，本发明提供的基于人工智能的肿瘤识别系统具有如下有益效果：
(1)本发明首先构建和训练病灶识别bp神经网络和肿瘤识别bp神经网络，然后提取ct图像的特征，形成特征参数集合；采用病灶识别bp神经网络识对纹理特征参数进行识别，判断出含有疑似病灶区域的ct图像；然后采用肿瘤识别bp神经网络对疑似病灶所在区域的纹理特征和形状特征进行识别，确定病灶类型为良性肿瘤、恶性肿瘤还是非肿瘤类病灶，通过本发明的双重识别网络，能够首先排除不含疑似病灶的ct图像，大大减小了工作量，提高了识别速率和准确率。
(2)本发明利用正常人体器官ct图像和含有疑似病灶的人体器官ct图像的纹理特征上的差异，构建病灶识别bp神经网络，对ct图像进行粗识别，当确定含有疑似病灶区域后，再进行肿瘤识别，识别方法合理简单，识别准确度也明显提高。
(3)本发明通过将邻域内每个像素与中心像素进行差分计算，将每个差分大小结果组合在一起，得到中心像素的二元表示结果，然后对图像进行分块，分别统计每一块的直方图，最后连接每个直方图作为一个大直方图，从而保持图像的位置信息，通过分块，有助于确定病灶所在图像块，便于后续的图像分割处理。
(4)本发明将病灶所在区域的图像块作为分割对象，通过粗分割和精细分割两步法，首先得到粗分割轮廓线，将粗分割轮廓线向外延伸3个像素点作为肿瘤识别的目标区域，能够将轮廓线边界处的图像特征作为识别输入向量之一，提高识别可靠性；然后对目标区域进行拟合，实现精细分割，分割出疑似病灶所在区域；最后提取病灶所在区域的纹理特征和形状特征，进行有针对的肿瘤识别，既可以减小识别工作量，又能提高识别准确率。
附图说明
图1为本发明提供的基于人工智能的肿瘤识别系统的组成结构框图；
图2为本发明提供的基于人工智能的肿瘤识别系统的识别方法流程框图；
图3为纹理特征提取流程示意图；
图4为图像粗分割轮廓线向外延伸3个像素点的示意图；
图中1为粗分割轮廓线，2为延伸后的轮廓线。
具体实施方式
以下将对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例；基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
本发明提供的基于人工智能的肿瘤识别系统用于将人体器官ct图像作为识别对象，通过构建和训练两组bp神经网络，进行分级识别，能够迅速准确地识别和区分出良性或恶性肿瘤。
识别依据在于：正常人体器官ct图像以及含有病灶区域的ct图像在纹理、灰度、形状等特征上存在差异，良性肿瘤与恶性肿瘤区域在纹理、灰度、形状等特征上也存在一定差异，基于这种差异，通过图像特征提取，利用训练好的人工神经网络对ct图像进行有效识别。例如：良性肿瘤呈膨胀性生长，与正常组织边界清楚，肿瘤周围大多有包膜形成；而恶性肿瘤呈浸润性、破坏性生长，与周围正常组织边界不清，没有明显的包膜形成。体现在图像特征上主要表现为纹理特征和形状特征的不同。而纹理特征是由灰度特征按一定规律分布形成，相同纹理特征的区域可以表现为形状特征，根据纹理特征的差异，尤其是形状边界处的纹理特征，能辨别是否含有疑似病灶区域，根据纹理特征及形状特征差异能进一步识别病灶类型。
基于以上所述识别依据，本发明提供一种基于人工智能的肿瘤识别系统，如图1所示，包括：图像采集模块、图像库、图像预处理模块、图像特征提取模块和肿瘤识别模块，其中：
所述图像采集模块用于采集人体器官ct图像；
所述图像库用于存储所述图像采集模块采集的人体器官ct图像，以及ct图像训练样本集合；
所述ct图像训练样本集合来源于放射科已经确诊的ct图像，包含正常人体器官ct图像及含有病灶区域的人体器官ct图像，所述含有病灶区域的人体器官ct图像包含含有良性肿瘤的人体器官ct图像、含有恶性肿瘤的人体器官ct图像及含有非肿瘤病灶的人体器官ct图像。
所述图像预处理模块用于对所述ct图像进行降噪、图像增强和图像分割处理，获得疑似病灶所在区域；
所述图像特征提取模块用于对ct图像进行图像特征提取，形成图像特征参数集合；
所述肿瘤识别模块包括病灶识别bp神经网络和肿瘤识别bp神经网络，分别用于识别疑似病灶区域和识别病灶类型。
请参阅图2所示，所述肿瘤识别系统的肿瘤识别方法包括以下步骤：
s1.图像预处理模块对待测人体器官ct图像进行降噪处理，然后图像特征提取模块提取图像纹理特征；
s2.病灶识别bp神经网络根据图像纹理特征识别人体器官ct图像中是否含有疑似病灶区域；
s3.图像预处理模块对含有疑似病灶区域的人体器官ct图像进行图像分割，获得疑似病灶所在的区域；
s4.对疑似病灶所在区域进行增强处理后，进一步提取纹理特征和形状特征；
s5.肿瘤识别bp神经网络识别病灶类型。
在步骤s1中，所述图像降噪的目的是从含有噪声的原始ct图像中恢复出没有噪声的干净ct图像，原始ct图像和干净ct图像的关系如式(1)所示：
g(x,y)＝f(x,y)+η(x,y)(1)
式中，g(x,y)为原始ct图像，f(x,y)为不含噪声的干净ct图像，η(x,y)为加性噪声。将含有噪声的图像g(x,y)经过网络学习，得到噪声图像
作为优选，所述图像增强处理采用直方图均衡化方法进行增强，凸显出目标区域的细节部分，抑制不重要的部分，从而得到有用的ct图像。
请参阅图3所示，在步骤s1中，所述纹理特征提取步骤为：
s11.将降噪后ct图像转换为数字化的图像数据，对于图像中每一个像素，取以该像素为中心的3×3邻域像素作为一个邻域，将邻域内每个像素与中心像素进行差分计算，将每个差分大小结果组合在一起，得到中心像素的二元表示结果；具体为：
将图像用二维离散函数f(x，y)表示，其中，(x，y)表示像素位置。f(x，y)代表位置为(x，y)处的像素强度值，利用邻域像素和中心像素的差分关系对图像进行变换，设变换后的图像表示为g(u，v)，则g(u，v)可以表示为：
g(u,v)＝t(f(x,y))(3)
式中，t(.)表示变换函数。对f(x，y)的任意n×n邻域，设中心像素为gc，邻域像素为gp(p＝0,1,2,…,p-1)，则变换函数如式(4)所示：
t(g0-gc,g1-gc,g2-gc,l,gp-1-gc)(4)
s12.通过判别函数s(x)将邻域像素和中心像素的差分大小关系进行组合，得到中心像素的二元表示结果；将每个二元结果分别乘以不同的权重，最后计算所有乘以权重系数后的和，得到中心像素的表示结果，通常权重系数取2p，由此得到变换后的图像g(u，v)：
式中，x＝gp-gc，g(u，v)代表原始图像中每个点与邻域点之间的梯度，也是邻域点与中心点之间的联合差分分布。
s13.为了在直方图中保持图像的位置信息，对图像进行分块，然后分别统计每一块的直方图，最后连接每个直方图作为一个大直方图，将该直方图作为纹理特征输入向量。
进一步的，在步骤s2中，所述病灶识别bp神经网络的构建方法包括以下步骤：
s21.构建包含1个输入层、1个隐含层和1个输出层的病灶识别bp神经网络；
s22.将ct图像的纹理特征输入向量作为输入层神经元，隐含层节点个数根据先验经验设为输入层神经元数目的3倍，输出层包含1个节点和两个输出值；
其中，两个输出值分别表示ct图像为正常人体器官ct图像和含有疑似病灶区域的图像块；
s23.采用ct图像训练样本集合对病灶识别bp神经网络进行训练，采用测试样本进行测试，直至识别误差小于0.1％。
具体的，从图像库中的ct图像训练样本集合选取已经确诊的ct图像，对病灶识别bp神经网络进行迭代训练，每次训练样本数包含100个正常ct图像样本和100个含有疑似病灶的ct图像样本，每次训练后，选取50个正常ct图像样本和50个含有疑似病灶的ct图像样本已经确诊的样本进行检验，直至识别误差小于0.1％。训练过程及检验过程如表1所示，可以看出，随着训练迭代次数增加，识别准确率呈非线性增大，当迭代次数为100时，即进行10000个训练样本的训练后，正常ct图像的识别准确率达到92％，非正常ct图像的识别准确率达到88％，相比于现有技术，已经具有相对较高的识别准确率。对于非正常ct图像的识别准确率略低于正常ct图像的识别准确率，即对于病灶区域不明显的非正常ct图像不易识别，需要针对此类训练样本进行加强训练，以提高非正常ct图像的识别准确率。
表1病灶识别bp神经网络训练和检验过程
请参阅图4所示，在步骤s3中，所述图像分割步骤如下：
s31.将含有疑似病灶区域的图像块作为分割对象，首先通过聚类分析算法，对含有疑似病灶区域的图像块进行粗分割，得到粗分割轮廓线，具体为：
(1)对含有疑似病灶区域的图像块g，包含n个像素点，将n个像素点分为k个子集，作为聚类分析的初始聚类中心cj，j＝1,2，…，k；
(2)计算所有像素与每个初始聚类中心之间的相似度，并根据相似度值将每个像素分类到相应的区域中；
(3)根据式(7)对图像不同区域的聚类中心进行更新操作，其中nj为区域cj包含的像素数：
(4)构建图像分割的聚类准则函数，并计算其值为：
(5)增加迭代次数，不断重复执行步骤(2)至(4)，直到超过最大迭代次数为止，得到粗分割轮廓线；
s32.将粗分割轮廓线以3个像素点作为度量，向外延伸，得到延伸后的轮廓线，目的将轮廓边缘的特征作为着重识别对象，通过轮廓内外的差异，提高病灶类型识别的精度；
s33.通过活动轮廓模型对延伸后的轮廓线内的图像进行拟合，实现ct图像的精细分割，具体为：
通过活动轮廓模型对轮廓线演变过程进行图像分割轮廓演化，当满足最小能量条件时，轮廓演化终止，得到图像分割边界。其中，能量泛函如式(9)所示：
式中，c为初始轮廓线，lebgth(c)为c的一维测度，λ1和λ1为已知参数，
进一步的，在步骤s4中，所述图像增强处理采用直方图均衡化方法进行增强，凸显出目标区域的细节部分，抑制不重要的部分。
进一步的，在步骤s4中，所述纹理特征提取将疑似病灶所在区域作为目标区域，采用与步骤s1中所述纹理特征提取步骤相同的方法进行纹理特征提取。
进一步的，在步骤s4中，所述形状特征以所述粗分割轮廓线作为目标区域，包括目标区域的表面积、圆形度、细长度、矩形度、不规则度、离心率。种类不同的病灶在形状上具有差异性，不同病灶在ct图像上呈现某些特殊的形状。其中表面积a通过式(10)和(11)计算：
yi＝yi-1+dy(ci),i＝1,2,l,n(11)
式中，yi为纵坐标，n为链码值的个数，(x0，y0)是初始点的坐标，dx(ci)和dy(ci)分别是横坐标和纵坐标的偏移量。
圆形度用来描述区域接近圆形的程度，如式(12)所示：
式中，c为圆形度，p为区域周长，a为区域面积。
目标区域的矩形度反映了目标区域对其最小外接矩形的充满程度。矩形度e的计算公式为如式(13)所示：
式中，a为目标区域的面积，ar为目标区域体最小外接矩形的面积。
目标区域的不规则度反应目标区域边缘的复杂度，通过式(14)计算得到：
式中，p为目标区域的周长，pr为目标区域的最小外接矩形的周长。
作为优选，本发明选取目标区域的表面积、圆形度、矩形度和不规则度来描述ct图像疑似病灶所在区域的形状特征。
进一步的，在步骤s5中，所述肿瘤识别bp神经网络的构建方法包括以下步骤：
s51.构建包含1个输入层、1个隐含层和1个输出层的肿瘤识别bp神经网络；
s52.将疑似病灶所在区域的纹理特征向量和形状特征参数作为输入层神经元，隐含层节点个数根据先验经验设为输入层神经元数目的2倍，输出层包含1个节点和三个输出值；
三个输出值分别表示ct图像中的病灶为良性肿瘤、恶性肿瘤和非肿瘤类病灶；
s53.采用ct图像训练样本集合对肿瘤识别bp神经网络进行训练，采用测试样本进行测试，直至识别误差小于0.1％。
具体的，所述肿瘤识别bp神经网络的训练与检验方法与所述病灶识别bp神经网络的训练与检验方法基本相同，当训练迭代次数达到100次时，良性肿瘤的识别准确率达到89.5％，恶性肿瘤的识别准确率为85.6％，非肿瘤类病灶的识别准确率为90.2％。说明恶性肿瘤的ct图像特征有待进一步加强训练，从而提高恶性肿瘤的识别准确率。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！