用于乳腺组织图像检测的多波长图像最佳波长组合优选系统

本发明属于生物组织多光谱透射图像波长组合优选系统领域，具体涉及用于乳腺组织图像检测的多波长图像最佳波长组合优选系统。

背景技术：

1、近年来，多光谱光学成像由于其无损安全性逐渐在许多领域得到广泛应用。而且与传统医学检测，例如超声、x射线、ct、mri相比，多光谱无损透射成像在无创性、安全性、灵敏性和实时性方面具有很大优势。然而，多光谱透视成像在医学领域的研究应用却很少。这主要是由两方面原因造成的。一方面，光源在生物组织的传输过程中具有很强的散射效应，使得多光谱透射图像中的有效信号较弱，无法获得高质量的生物组织多光谱图像。另一方面，多光谱图像数据中存在波长数量多，信息冗余度高，使其在疾病类别分类与识别应用中存在较大的困难。因此，提高透射图像的质量和减少多光谱图像的数据量，优选待检对象的特征波长组合就尤为重要。

技术实现思路

1、针对现有技术中存在的问题，本发明提供了用于乳腺组织图像检测的多波长图像最佳波长组合优选系统，本发明的最佳波长组合优选系统将为多光谱透射成像技术在早期乳腺癌检测中提供了一种特征波长选择的新思路，而且进一步推动多光谱透射成像技术在医学领域的研究和应用。同时，本发明使用于更多光谱波长图像中进行波长组合的筛选。

2、为解决以上技术问题，本发明提供如下技术方案：用于乳腺组织图像检测的多波长图像最佳波长组合优选系统，包括：乳腺组织仿体多波长透射图像采集系统装置、多波长图像特征光谱变量获取模块、最佳波长组合获取模块、最佳波长验证模块；

3、所述乳腺组织仿体多波长透射图像采集系统装置，用于对仿体进行图像采集并进行预处理，得到不同浓度下各个波长图像；

4、所述多波长图像特征光谱变量获取模块，用于对各个浓度下不同波长图像进行处理，通过k-svd字典学习方法、纹理提取方法和gra方法非线性变换获取不同波长图像的特征光谱变量；

5、所述最佳波长组合获取模块，用于对不同波长图像的特征光谱变量通过spa算法选取预设数量的最佳波长组合；

6、所述最佳波长验证模块，用于对最佳波长组合从多光谱透射图像中异质体的分类与识别两个方面进行验证。

7、进一步地，前述的乳腺组织仿体多波长透射图像采集系装置包括：系统控制模块、信息采集模块、以及包含不同浓度下的仿体异质体；

8、所述系统控制模块，用于提供电源、调压、发射信号、以及提供不同波长类型的led阵列；所述波长包括：绿光波长、蓝光波长、红光波长、近红外光波长；

9、所述信息采集模块，用于对仿体采集不同波长的数据图像，得到各个浓度下不同波长的数据图像；

10、多波长图像特征光谱变量获取模块，包括：图像调制周期获取单元、图像帧累加处理单元、图像稀疏系数获取单元、图像纹理信息获取单元、多波长特征光谱信息获取单元；

11、所述图像调制周期获取单元，用于将各个浓度下不同波长数据图像求灰度值平均周期曲线，并进行相位调制；

12、所述图像帧累加处理单元，用于对经过周期划分的数据图像按照预设帧数进行累加；

13、所述图像稀疏系数获取单元，基于k-svd字典学习方法，对图像数据进行非线性压缩，得到所有波长帧累加图像的稀疏系数数据；

14、所述图像纹理信息获取单元，通过灰度共生矩阵提取图像的纹理特征参数以及采用hough变换检测图像的形状特征参数，得到所有波长数据图像特征变量数据；

15、所述多波长特征光谱信息获取单元，用于对波长数据图像特征变量数据进行灰色关联分析得到特征变量光谱数值；

16、最佳波长组合获取模块，用于将特征变量光谱数值作为样本，划分训练集和测试集，将特征变量中的分类信息序列作为spa算法的初始迭代向量，然后，得到不同样本的初始迭代向量和特征光谱数据的所有列向量的投影，并得到每个投影过程中最大值的序号，最后，根据多元线性回归分析模型中不同波长组合的均方根误差求得最优波长组合变量。

17、进一步地，前述的图像调制周期获取单元，被配置执行如下动作：

18、s1.1、将各个浓度下不同波长数据图像进行快速傅里叶变换，获得加载到信号上正弦信号的频率坐标；

19、s1.2、将每个数据图像的灰度值依次叠加求平均获得所有图像的灰度平均值周期曲线；将周期曲线第一个峰值点和最后一个峰值点作为各浓度下不同波长数据图像完整的频域周期；

20、s1.3、将图像单个正弦成型信号的频域周期划分成4个周期，每1/4周期近似等于三角波的波形；

21、s1.4、将每1/4周期的正弦波波形等效为三角波进行分析，针对图像中单像素，分析其在调制光照射下图像精度的变化，首先，对调制光源照射下的图像进行分析，调制光源的峰值为x，在其波形上均匀采集n点求取这些值的平均值，根据三角波采集点的等差分布，均值计算如下式：

22、

23、式中：xi＝[xi]+δxi，xi代表第i次采样值；i代表采样序列，i＝1,2,...,n；[xi]代表采集过程中模数转换的量化值，取其正整数部分；δxi代表采样点量化正整数后的量化误差；[x1]和[xn]分别代表第1次和第n次采样的模数转换量化值。

24、进一步地，前述的图像帧累加处理单元，被配置执行如下动作：

25、s2.1、计算单帧图像的信噪比snr，如下式：

26、

27、式中：是随机噪声的方差，xs为图像信号；xn为泊松分布的随机噪声，主要是由电路和传感器产生。

28、s2.2、经过m帧图像叠加后，信噪比为：

29、

30、s2.3、根据静态成像过程中，每帧图像的信号是一致的，xs1＝xs2＝...＝xsm＝xs；而且每帧图像的随机噪声xn1,xn2,...,xnm是独立存在的，则

31、

32、

33、s2.4、将单周期内的图像按预设帧数图像依次进行帧累加处理，如下式：

34、

35、式中：是多光谱透射图像；f代表每组实验中帧累加图像帧数的取值范围；p代表波长数；q代表实验组数；k代表图像帧数；对应于仿体的浓度，t代表预设帧数。

36、进一步地，前述的图像稀疏系数获取单元，被配置执行如下动作：

37、s3.1、基于k-svd字典学习方法，将图像等同于一个数据矩阵x，对于数据矩阵x的表示形式，如下式：

38、x＝dc    (7)

39、式中：x代表图像数据矩阵；d代表字典矩阵，矩阵中的每一列代表字典中的原子；c表示数据在字典中稀疏表示的系数矩阵。

40、s3.2、求解矩阵变化中的系数，即求取使下列公式的误差满足最小值：

41、

42、式中：||ci||0表示系数矩阵中非0值的数量；s表示图像信号的稀疏度，其中，上式在分解过程中需要对字典中的每一列数据进行归一化处理。

43、s3.3、利用k-svd算法对上述目标函数中的字典和稀疏系数进行更新，稀疏编码采用正交匹配追踪omp算法，字典更新模型如下列公式：

44、

45、在对字典原子d(:,l),l＝1,2,...,n进行更新过程中，稀疏系数随着原子的更新而更新，其更新过程如下列公式所示，

46、

47、其中，通过奇异值对矩阵r(l)进行分解获得使公式(10)稀疏表示最小的误差，左奇异矩阵的第一列为更新后字典中的第一个原子，第一个奇异值与右奇异矩阵的乘积为第一个原子的稀疏系数，完成第一个字典原子与系数的更新。

48、s3.4、将每个预处理后的图像合理裁剪成预设个数区域大小一致的图像，且每个区域包括一个异质体，并将图像进行剪裁，利用随机函数选取剪裁后图像中的数据矩阵，根据omp算法设定的误差值得到对应数据的稀疏系数矩阵，当达到最大迭代次数时，结束迭代过程，获得每幅压缩图像的稀疏系数。

49、进一步地，前述的图像纹理信息获取单元中，提取图像的纹理特征参数包括：角二阶距、对比度、灰度相关性、熵、逆差距、平滑度、相异性、一致性；检测图像的形状特征参数包括：重心、面积、周长、不规则图像的长直径、不规则图像的短直径。

50、进一步地，前述的所述多波长特征光谱信息获取单元，被配执行如下动作：将波长数据图像特征变量数据进行0到1之间的归一化处理；根据灰色关联分析方法中相关系数的求解公式，得到多维变量数据与样本类别数据之间的灰色关联系数；最后利用能够反映出不同特征变量数目的选取会影响变量间各异程度的变异系数cv来确定最佳敏感变量的数量。

51、进一步地，前述的最佳波长组合获取模块，被配置执行如下动作：

52、s4.1、预设目标波段数目n；将类别信息数列设为初始迭代向量，记为：xk(0)；

53、s4.2、建立多波长特征数据矩阵集合，将不同样本不同波长下特征光谱数据的列向量集合记为：s，

54、s4.3、计算目标投影：把不同样本类别信息数列赋值给xj，初始化xk(0)，依次计算出类别数列xj在每列光谱数据向量下的投影：

55、s4.4、获取目标投影序列号：获取每次数据投影矩阵过程中最大值的序列号，记为：k(n)＝arg(max||pxj||),j∈s；

56、s4.5、确定特征波段：将数据投影后的矩阵重新赋值，记为：xj＝pxj,j∈s；依据rmse选取每次运行完获取的最佳波段数n；同时每次运行完映射后，令n＝n+1，若n＜n，则返回步骤s4.2循环计算，直到n＝n，得到提取出的变量为{xk(n),...,n-1}，获得特征波段。

57、进一步地，前述的最佳波长组合验证模块，被配置执行如下动作：

58、针对异质体分类的验证：按照预设比例将获得的多光谱透射图像的特征变量类别随机分为训练集、验证集和测试集输入rf模型，比较不同波长组合模型中的相关系数r2、rmse、运行时间和检测准确率；

59、针对异质体识别的验证：将得到的波长组合的伪彩图同样按照预设比例原则随机将样本分为训练集、验证集和测试集依次输入faster-rcnn模型，对比不同模型的运行时间、rmse和平均准确率；

60、在faster-rcnn模型中，通过对比不同波长图像融合的伪彩图中异质体识别的准确率、rmse和运行时间验证上述所提波长组合方法的有效性，其中，average precision(ap)为各类的平均精度，map为所有ap的平均值；在目标检测中，map是用来衡量检测精度的指标：

61、

62、式中：qr代表检测类别的总数。

63、相较于现有技术，本发明采用以上技术方案的有益技术效果如下：

64、基于多光谱透射成像检测乳腺组织异质体的过程中，由于波段间信息的高冗余性，将会影响检测精度。为了选择合理的波长组合，本发明采用各种非线性变换将多光谱图像转换为光谱数据，基于spa选择设定的最优波长组合。在验证本发明波长选取方法有效性的过程中，设计了4波长多光谱透射仿体图像的采集实验，利用调制-帧累积技术来提高图像的质量，通过k-svd字典学习方法、纹理提取方法和gra方法非线性获得多光谱图像的特征光谱信息，基于rf分类模型和faster-rcnn识别模型均有效的验证了本发明所提出的基于非线性变换在多光谱透射图像中选取最佳波长组合方法的有效性。因此，本发明在早期乳腺癌检测中提供了一种特征波长选择的新思路，并进一步推动多光谱透射成像技术在医学领域的研究和应用。同时，本发明适用于更多光谱波长图像中进行波长组合的筛选。