【技术实现步骤摘要】
本专利技术涉及特征工程
,特别是一种基于受限玻尔兹曼机的乳腺图像特征融合方法。
技术介绍
乳腺癌是发生在妇女群体中最普遍的恶性肿瘤之一。近年来我国调查研究显示,乳腺癌的发生比率在逐年递增。因此提高乳腺癌的早期诊断精度变得越来越有意义。目前,乳腺癌诊断采用的主要方法是通过乳腺钼靶、B超图像等影像检查,诊断者通过钙化或肿块等影像特征来对病情进行分析。但由于乳腺组织中的腺体、血管、脂肪等软组织的密度与病灶区的密度都很接近,加上诊断者视觉疲劳等因素,使得早期乳腺癌的误诊和漏诊仍时常发生。随着医学影像技术和计算机技术的不断发展,利用计算机进行辅助诊断成为可能。从计算机辅助诊断乳腺癌的应用现状来看,计算机辅助诊断的准确度很大程度取决于提取到乳腺图像病理相关特征是否有效。目前,一张特定的医学图像对应一个单一的视角,只能捕捉到该视角下的局部信息,辅助诊断通常需要综合考虑不同视角的情况。例如对于乳腺钼靶图像而言,就可分为LCC、LMLO、RCC、RMLO四个不同的视角。其中LCC、LMLO是针对左乳腺的影像,而RCC、RMLO是针对右乳腺的影像。CC、MLO代表不同视角,分别表示轴位和侧位。不同视角下图像特征的融合有助于提供更为全面的病理描述。其次,医学成像技术发展至今,有各种模态的医学图像,如超声、核磁共振成像、乳腺钼靶图像、核医学图像、计算机断层摄影、红外线、荧光造影等。由于采用不同的成像技术,每种模态的医学图像在辅助诊断中具有各自的特点。就乳腺癌诊断而言,钙化和肿块是两个非常重要的诊断依据。乳腺钼靶对微小钙化敏感度高,但对肿块受致密性影响很大;乳腺B超图像肿块 ...
【技术保护点】
一种基于受限玻尔兹曼机的乳腺图像特征融合方法,其特征在于:包括以下步骤:步骤S1:针对乳腺钼靶图像,从不同视角提取的手工浅层特征,并经过深度学习,得到不同视角的高层语义特征;步骤S2:针对乳腺B超图像,从不同视角提取的手工浅层特征,并经过深度学习,得到不同视角的高层语义特征;步骤S3:将所述步骤S1中获取的乳腺钼靶图像不同视角的高层语义特征级联,得到乳腺钼靶多视角融合后的高层语义特征;步骤S4:将所述步骤S2中获取的乳腺B超图像不同视角的高层语义特征级联,得到乳腺B超多视角融合后的高层语义特征;步骤S5:将所述步骤S3及所述步骤S4得到的乳腺钼靶多视角融合后的高层语义特征、乳腺B超多视角融合后的高层语义特征作为训练样本,利用CD算法训练整个多模态乳腺图像特征融合模型,也即FUSION_RBM模型;步骤S6:所述FUSION_RBM模型训练完成后,给定一待测样本(f_mod1,f_mod2),根据以下公式获得融合特征表示:P(hj=1|f_mod1,f_mod2)=σ(Σi=1v1w1ijf_mod1i+Σi=1v2w2ijf_mod2i+bhj)]] ...
【技术特征摘要】
1.一种基于受限玻尔兹曼机的乳腺图像特征融合方法,其特征在于:包括以下步骤:步骤S1:针对乳腺钼靶图像,从不同视角提取的手工浅层特征,并经过深度学习,得到不同视角的高层语义特征;步骤S2:针对乳腺B超图像,从不同视角提取的手工浅层特征,并经过深度学习,得到不同视角的高层语义特征;步骤S3:将所述步骤S1中获取的乳腺钼靶图像不同视角的高层语义特征级联,得到乳腺钼靶多视角融合后的高层语义特征;步骤S4:将所述步骤S2中获取的乳腺B超图像不同视角的高层语义特征级联,得到乳腺B超多视角融合后的高层语义特征;步骤S5:将所述步骤S3及所述步骤S4得到的乳腺钼靶多视角融合后的高层语义特征、乳腺B超多视角融合后的高层语义特征作为训练样本,利用CD算法训练整个多模态乳腺图像特征融合模型,也即FUSION_RBM模型;步骤S6:所述FUSION_RBM模型训练完成后,给定一待测样本(f_mod1,f_mod2),根据以下公式获得融合特征表示: P ( h j = 1 | f _ mod 1 , f _ mod 2 ) = σ ( Σ i = 1 v 1 w 1 i j f _ mod 1 i + Σ i = 1 v 2 w 2 i j f _ mod 2 i + b h j ) ]]>其中,hj为隐层h第j个单元,f_modti为模态t图像特征第i个单元,wtij为模态t图像特征输入层第i个单元与隐层h第j个单元之间的连接权值,bhj为隐层h中第j个单元的偏置,bti为模态t图像特征输入层第i个单元的偏置,σ表示sigmoid函数。2.根据权利要求1所述的一种基于受限玻尔兹曼机的乳腺图像特征融合方法,其特征在于,在所述步骤S1中,从每一张视角为CC位,也即view1,的钼靶ROI图像中提取手工浅层特征,经过堆叠自编码器深度学习,得到钼靶的高层语义特征SAE-F2-view1;从每一张视角为MLO位,也即view2,的钼靶ROI图像中提取手工浅层特征,经过堆叠自编码器深度学习,得到钼靶高层语义特征SAE-F2-view2。3.根据权利要求1所述的一种基于受限玻尔兹曼机的乳腺图像特征融合方法,其特征在于,在所述步骤S2中,从每一张视角为切面1,也即view1,的B超ROI图像中提取手工浅层特征,经过堆叠自编码器深度学习,得到B超的高层语义特征BSAE-F2-view1;从每一张视角为切面2,也即view2,的B超ROI图像中提取手工浅层特征,经过堆叠自编码器深度学习,得到B超的高层语义特征BSAE-F2-view2。4.根据权利要求2所述的一种基于受限玻尔兹曼机的乳腺图像特征融合方法,其特征在于,在所述步骤S3中,将所述步骤S1得到的乳腺钼靶两个视角的图像特征SAE-F2-view1和SAE-F2-view2,串联成一个高维特征向量SAE-F2-fusion,以保留所有视角的信息。5.根据权利要求3所述的一种基于受限玻尔兹曼机的乳腺图像特征融合方法,其特征在于,在所述步骤S4中,将所述步骤S2中得到的乳腺B超两个视角的图像特征BSAE-F2-view1和BSAE-F2-view2,串联成一个高维特征向量BSAE-F2-fusion,以保留所有视角的信息。6.根据权利要求1所述的一种基于受限玻尔兹曼机的乳腺图像特征融合方法,其特征在于,在所述步骤S5中,将所述步骤S3及所述步骤S4得到的乳腺钼靶多视角融合后的高层语义特征、乳腺B超多视角融合后的高层语义特征作为训练样本,利用CD算法训练整个多模态乳腺图像特征融合模型,也即FUSION_RBM模型,具体包括以下步骤:步骤S51:初始化,α表示学习率,size表示训练集样本个数,num_epoch表示设置的循环次数;步骤S52:外重循环for t=1:num_epoch;内重循环for s=1:size;步骤S521:输入层采样;将训练样本转化为二进制单元,具体为:即,当特征大于一个0至1之间的随机数时,赋值为1,否则为0;其中,f_mod1=BSAE-F2-fusion,f_mod2=SAE-F2-fusion,vi表示模态i的特征维数;rand(1,v1+v2)表示产生1行v1+v2列的(0,1)区间的随机数;步骤S522:计算正向概率隐层 P ( p o s _ h _ pro j ( s ) = 1 | f _ mod 1 ( s ) , f _ mod 2 ( s ) ) = σ ( Σ i = 1 v 1 w 1 i j f _ mod 1 ( s ) i + Σ i = 1 v 2 w 2 i j f _ mod 2 ( s ) i + b h j ) ; ]]>步骤S523:正向隐层采样。将概率隐层转化为二进制隐层: p o s _ h _ s t a t e ( s ) = p o s _ h _ p r o ( s ) > r a n d ( 1 , v h ) ; ]]>步骤S524:反向重构输入层: P ( n e g _ f _ mod t ( s ) i = 1 | p o s _ h _ s t a t e ( s ) ) = σ ( Σ j = 1 v h w t i j p o s _ h _ s t a t e ( s ) j + b t i ) , t = 1 , 2 ; ]]>步骤S525:反向输入层采样: n e g _ s t a t e _ ( s ) f _ mod t = n e g _ f _ mod t ( s ) > r a n d ...
【专利技术属性】
技术研发人员:王秀,余春艳,滕保强,陈壮威,
申请(专利权)人:福州大学,
类型:发明
国别省市:福建;35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。