基于纹理基元的图像肿块良恶性的分类方法技术

本发明专利技术提供了一种基于纹理基元的图像肿块良恶性的分类方法。该方法主要包括：将归一化处理后的肿块区域图像划分为中心区域和外围区域，根据中心区域和外围区域的特征得到肿块区域图像的特征向量，并组合成训练样本特征矩阵，训练K近邻分类器，提取待识别的肿块区域图像归一化处理后肿块图像区域的特征向量Fq，将特征向量Fq输入到训练好的K近邻分类器，得到待识别的肿块区域图像的良恶性分类结果。本发明专利技术考虑肿块区域的中心区域与外围区域的特点差异性，分别对中心区域和外围区域构建纹理字典以及提取特征，将线性判别分析引入到纹理基元字典构建，实现了基于纹理基元对图像肿块良恶性进行有效的分类。

【技术实现步骤摘要】

本专利技术设及图像肿块识别
，尤其设及一种基于纹理基元的图像肿块良恶 性的分类方法。
技术介绍
乳腺癌是一种女性最常见的恶性肿瘤，我国己成为乳腺癌发病率增长速度最快的 国家之一，且我国乳腺癌的发病年龄呈年轻化趋势。在众多乳腺摄影技术中，乳腺X线摄影 术是临床上最常用的乳腺癌疾病筛查手段之一。肿块是乳腺癌最常见的影像学特征之一， 可通过形状、边缘和纹理特征来鉴别乳腺肿块的良性和恶性。基于图像处理与模式识别的 肿块良恶性分类可W为医生提供客观的辅助意见，减少不必要的活组织穿刺，对于临床早 期乳腺癌的诊断具有重要的意义。 在现有的肿块分类方法中，形态特征和纹理特征是常用的特征表达方式。形态特 征对肿块边缘的分割精度要求较高，但对于临床图像而言，肿块与腺体组织相互重叠，很难 自动且精确地分割出肿块边缘，因而很难在临床中实现。较形态特征而言，纹理特征的鲁椿 性较好，对肿块边缘的分割精度要求较低。 现有的基于纹理特征的肿块分类方法的缺点为；纹理基元没有考虑像素点的空间 分布信息，纹理基元在构建纹理字典时丢失了训练图像的类别信息。
技术实现思路
本专利技术的实施例提供了一种，W实现 基于纹理基元对图像肿块良恶性进行有效的分类。 为了实现上述目的，本专利技术采取了如下技术方案。 一种，包括：[000引将训练用肿块区域图像进行归一化处理，将归一化处理后的肿块区域图像划分为 中屯、区域和外围区域，对所述中屯、区域和外围区域分别构建可区分纹理字典，然后分别得 到所述中屯、区域和外围区域的特征； 对所述中屯、区域和外围区域的特征进行融合得到所述归一化处理后的肿块区域 图像的特征向量； 将所述归一化处理后的训练用肿块区域图像的特征向量组合成训练样本特征矩 阵，训练K近邻分类器； 将待识别肿块区域图像进行归一化处理，提取归一化处理后肿块图像区域的特征 向量F。，将肿块区域图像的特征向量F。输入到训练好的K近邻分类器，得到所述待识别的 肿块区域图像的良恶性分类结果。 优选地，所述的将训练用肿块区域图像进行归一化处理，将归一化处理后的训练 图像划分为中屯呕域和外围区域，对所述训练图像的中屯、区域和外围区域分别构建可区分 纹理字典，然后分别得到所述训练图像的中屯呕域和外围区域的特征，包括： 对图像肿块的训练图像进行亮度归一化，归一化后图像用I。表示，构建具有二个 同轴层的矩形模板，Maski。和Mask。,，所述Maski。和Mask。的长和宽分别为所述肿块训练图 像的长与宽的设定倍数，使用所述矩形模板将所述肿块训练图像分为中屯、区域而。和外围 区域Rex，R化=IXMask化，Rex=IXMaskex; 提取所述训练图像的中屯、区域Ri。的每个像素点的M每个邻域灰度，将所述M域灰 邻域灰度调整为长度为M2的行向量，所有行向量组成中屯、区域邻域矩阵Gi。;提取外围区域 R。.的每个像素点的MXM邻域灰度，将该MXM邻域灰度调整为长度为M 2的行向量，所有行 向量组成外围区域邻域矩阵Gex;[001引对所述中屯呕域邻域矩阵Gi。和其对应的类别信息矩阵应用线性判别分析，得到 中屯呕域邻域权重行向量对所述外围区域邻域矩阵G。济其对应的类别信息矩阵应用 线性判别分析，得到外围区域邻域权重行向量 将所述中屯、区域邻域权重行向量与所述中屯、区域邻域矩阵Gi。的每一行对应 点相乘，得到中屯呕域可区分邻域矩阵Gdi。;将所述外围区域邻域权重行向量《。与所述外 围区域邻域矩阵G。,的每一行对应点相乘，得到外围区域可区分邻域矩阵Gd。,； 对所述Gdi济Gd。分别应用k均值聚类，得到中屯、区域可区分纹理基元字典Diein W及外围区域可区分纹理基元字典Die。,；[001引根据所述训练图像中屯呕域邻域矩阵Gi。、"1。与Die1。得到训练图像中屯呕域特 征。。;根据所述训练图像外围区域邻域矩阵G与Die。满到训练图像外围区域特征 Fex。 优选地，所述的对训练图像Gdi济Gd。分别应用k均值聚类，得到中屯呕域可区分 纹理基元字典DiChW及外围区域可区分纹理基元字典Die。,，包括： 对良性肿块训练图像对应的Gdi。应用k均值聚类，得到聚类中屯、CbW聚类中屯、的 数量为可区分纹理基元字典包含的基元数量Kdi。，每个中屯、为M2长度的行向量；对恶性肿块 训练图像对应的Gdi。应用k均值聚类，得到聚类中屯、CmW聚类中屯、的数量为Kdi。，每个中屯、 为M2长度的行向量；组合所述Cb1。和CmW形成2Kdk行M2列的矩阵去除与其他行 向量平均欧式距离相近的Kdk个行向量，最终得到K个中屯、，将该Kdk个中屯、作为中屯、区 域的纹理字典DiCi。；[002U 对良性肿块训练图像对应的GcU应用k均值聚类，得到聚类中屯、Cb。,，聚类中屯、的 数量为可区分纹理基元字典包含的基元数量Kdi。，每个中屯、为M2长度的行向量；对恶性肿块 训练图像对应的GcU应用k均值聚类，得到聚类中屯、Cm。,，聚类中屯、的数量为Kdi。，每个中屯、 为M2长度的行向量；组合所述Cb。和Cm。,，形成2Kdk行M2列的矩阵，去除与其他行 向量平均欧式距离相近的Kdk个行向量，最终得到K个中屯、，将该Kdk个中屯、作为外围区 域的纹理字典Die。,。[00巧优选地，所述的根据所述Gin、《 与Dieh得到中屯呕域特征F W包括： 将所述Gi。的任意一行与《 1。对应点相乘，得到中屯、区域可区分邻域向量 GdJ，側;,，W= %W.G,,/W，k= 1，. . .，m2.;将所述6心量化到Diein中与其欧式距离最 近的纹理基元量化标记值，得到量化标记值Li。(Gd^i)，其具体计算为： 其中d为欧式距离，Kdk是可区分纹理字典包含的纹理基元数量； 得到中屯、区域中每个像素点的量化标记值后，计算所有量化标记值的直方图，作 为中屯、区域的特征。。，其具体计算为：其中，Ni。是中屯呕域像素点的数量，5函数为；[002引优选地，所述的根据所述Gex、《。与Dieex得到外围区域特征F心包括： 将所述的G。,任意一行G。/与《。对应点相乘，得到外围区域可区分邻域向量 GdJ，仿=化;(/〇.&(足)，k= 1，. . .，m2. 将所述量化到Die。中与其距离最近的纹理基元量化标记值，得到量化标记 值MGcUO 得到外围区域每个像素点的量化标记值后，计算所有标记值的直方图作为外围区 域的特征 其中N。,是外围区域像素点的数量。 优选地，所述的对所述训练图像的中屯呕域和外围区域的特征进行融合得到所述 训练图像的特征向量，包括：[00对将所述中屯呕域特征。。乘W因子A，并与所述外围区域特征Fex首尾相连，作为 所述训练图像的特征向量F= [A。。FJ。 优选地，所述的利用所述训练图像的特征向量训练K近邻分类器，包括： 将所有训练图像的特征向量组合成训练样本特征矩阵，结合训练样本特征矩阵W 及其类别信息，训练K近邻分类器，输入到所述K近邻分类器的距离dis化，F2)具体计算如 下： 上述F2分别为两个训练图像的特征向量。当前第1页1 2 3 4 本文档来自技高网...

【技术保护点】
一种基于纹理基元的图像肿块良恶性的分类方法，其特征在于，包括：将训练用肿块区域图像进行归一化处理，将归一化处理后的肿块区域图像划分为中心区域和外围区域，对所述中心区域和外围区域分别构建可区分纹理字典，然后分别得到所述中心区域和外围区域的特征；对所述中心区域和外围区域的特征进行融合得到所述归一化处理后的肿块区域图像的特征向量；将所述归一化处理后的训练用肿块区域图像的特征向量组合成训练样本特征矩阵，训练K近邻分类器；将待识别肿块区域图像进行归一化处理，提取归一化处理后肿块图像区域的特征向量Fq，将肿块区域图像的特征向量Fq输入到训练好的K近邻分类器，得到所述待识别的肿块区域图像的良恶性分类结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：李艳凤，陈后金，魏学业，李居朋，彭亚辉，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京;11