基于两分类器的多参数MRI前列腺癌CAD方法及系统技术方案

本发明专利技术公开了一种基于两分类器的多参数MRI前列腺癌CAD方法及系统，涉及医学图像处理领域。该方法包括以下步骤：候选病灶的自动检测：对每个病例的三种MRI序列：T2WI、DWI、ADC，分别进行预处理，使其分辨率和尺寸相同，同样位置的像素基本对应人体内的同一部位；在每个病例的三种MRI序列上分别提取点特征，将这些点特征输入病灶检测分类器，得到候选病灶；候选病灶的计算机辅助诊断：计算每个病例的三种MRI序列中候选病灶的区域特征，将这些区域特征输入病灶诊断分类器，得到相应的诊断结果。本发明专利技术能给放射科医生提供一系列的量化指标及相应的恶性概率值。

【技术实现步骤摘要】
基于两分类器的多参数MRI前列腺癌CAD方法及系统
本专利技术涉及医学图像处理领域，具体是涉及一种基于两分类器的多参数MRI前列腺癌CAD方法及系统。
技术介绍
PCa(ProstateCancer，前列腺癌)是世界上男性的第二大癌症，在美国，大约1/6的男人会得前列腺癌，1/36的男人会死于这种疾病。目前，前列腺癌的诊断方法有：TRUS(Trans-rectalUltrasound，超声引导下经直肠)前列腺穿刺活检术和PSA(Prostate-specificAntigen，前列腺特异抗原)血清检查。前列腺穿刺活检会给病人带来较大不适，可能会发生严重感染。前列腺特异抗原具有前列腺组织特异性，而不具前列腺癌特异性，前列腺癌与良性前列腺增生的血清PSA结果存在相当程度的重叠。不同于上述两种方法，多参数磁共振成像能够探测前列腺区域的形态和功能信息，已经成为一种较好的前列腺癌诊断方法。与前列腺癌诊断相关的MRI(MagneticResonanceImaging，磁共振成像)序列包括T2WI(T2weightimaging，T2加权图像)、DWI(DiffusionWeightImaging，弥散加权成像)、DCE(DynamicContrastEnhanced，动态增强)、磁共振波谱成像(MRspectroscopy)等等。放射科医生整合这些不同的序列的信息来进行诊断。由于放射科医生本身的限制和MRI图像数据的复杂性，放射科医生的诊断效率不高，特别是对于经验不足的医生。在前列腺癌的MRI图像诊断过程中，需要经验丰富的放射科医生分析从不同MRI序列提取的数据，劳动量十分巨大。而且，在诊断过程中，人为疏忽和感知错误也会造成一定的误诊，不同放射科医生对同一病例的判断也会由于经验不同而存在一定的差异。对于经验不足的放射科医生来说，从各种不同MRI序列对前列腺癌进行诊断非常具有挑战性。CAD(Computer-AidedDiagnosis，计算机辅助诊断)是指采用计算机对医学图像进行分析，得到分析结果作为“参考意见”，由医生进行诊断。目前，比较成熟的CAD系统包括：乳腺X射线摄影CAD系统和胸部X光片CAD系统。在前列腺癌计算机辅助诊断领域，研究者已经设计出一些基于多参数MRI的前列腺癌计算机辅助诊断系统，在训练阶段，这些系统从MRI序列提取各类不同的特征，用来训练分类器，在测试阶段，采用训练好的分类器来对测试病例的特征进行分类，得到相应的诊断结果。目前有些方法提取像素点特征，这些方法一般是以某像素点为中心的局部窗口内的统计特征作为该点的特征，这些方法的不足在于：所用的像素点特征无法描述整个病变区域的全貌，不像区域特征那样容易被医生所理解。另外一些方法提取病灶候选区域的特征，例如：尺寸、形状、纹理、不对称性，不足之处在于：前列腺区域内的癌症病灶需要有经验的医生手工分割来获取，同时除了目前已经被验证有效的纹理特征以外，还需要更多的有效特征来描述前列腺癌的病灶区域。
技术实现思路
本专利技术的目的是为了帮助放射科医生进行前列腺癌的诊断，提供一种基于两分类器的多参数MRI前列腺癌CAD方法及系统，能给放射科医生提供一系列的量化指标及相应的恶性概率值。本专利技术提供一种基于两分类器的多参数MRI前列腺癌CAD方法，包括以下步骤：S1、候选病灶的自动检测：将包含全部病例的数据集合分为集合X、Y、Z，这三个集合分别包含不同的病例，三个集合中的每个病例都包含T2加权图像T2WI、弥散加权成像DWI、表观扩散系数ADC这三种MRI序列，其中ADC是由DWI计算得到，同一病例中的三种MRI序列T2WI、DWI、ADC分别表示为IT2、IDWI、IADC；对每个病例的三种MRI序列分别进行预处理，使其分辨率和尺寸相同，同样位置的像素基本对应人体内的同一部位；在每个病例的三种MRI序列上分别提取点特征，将这些点特征输入病灶检测分类器，得到候选病灶；S2、候选病灶的计算机辅助诊断：计算每个病例的三种MRI序列中候选病灶的区域特征，将这些区域特征输入病灶诊断分类器，得到相应的诊断结果。在上述技术方案的基础上，步骤S1中所述候选病灶的自动检测具体包括以下步骤：S101、第一训练阶段：S101a、进行预处理：将集合X作为训练样本，对训练样本中的每个病例的三种MRI序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；S101b、生成病灶检测模型：在训练样本中，对每个病例的三种MRI序列上分别提取点特征，并组织相应的标签，提取到训练样本中全部病例的点特征，将提取到的点特征送入病灶检测分类器进行训练，生成病灶检测模型；S102、第一测试阶段：S102a、进行预处理：将集合Y和Z作为测试样本，对测试样本中病例的三种MRI序列IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；S102b、获取测试样本中每个病例的候选病灶：在测试样本中，对每个病例的三种MRI序列上分别提取点特征，将提取到的点特征送入步骤S101b生成的病灶检测模型进行测试，测试样本中病例的每个点都得到一个相应的恶性概率值，根据图像上每个点的恶性概率，将恶性概率大于某一阈值的点所形成的区域判断为候选病灶；步骤S2中所述候选病灶的计算机辅助诊断具体包括以下步骤：S201、第二训练阶段：S201a、进行预处理：将集合Y作为训练样本，对训练样本中的每个病例的三种MRI序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；S201b、生成病灶诊断分类模型：按照步骤S102b获取训练样本中每个病例的候选病灶；计算IT2、IDWI、IADC中对应的候选病灶的区域特征，得到训练样本中全部病例的候选病灶的区域特征；将得到的区域特征送入病灶诊断分类器进行训练，生成病灶诊断分类模型；S202、第二测试阶段S202a、进行预处理：将集合Z作为测试样本，对测试样本中的病例的三种MRI序列IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；S202b、得到病灶候选区域的恶性概率值：按照步骤S102b获取测试样本中每个病例的候选病灶；计算IT2、IDWI、IADC中对应的候选病灶的区域特征，得到测试样本中全部病例的候选病灶的区域特征；将得到的区域特征送入步骤S201b生成的病灶诊断分类模型进行测试，测试样本中病例的每个病灶候选区域都得到一个相应的恶性概率值。在上述技术方案的基础上，步骤S101a、S201a、S201a、S202a中，所述预处理的过程为：对IDWI进行放大和剪切：放大的方法由扩展插值算子实现，如果要扩展一倍的尺寸，则在水平和垂直两个方向上增强一倍的像素，即每行任意两个像素间需要插入一个值，每两行间需插入一行；插值算子采用双立方插值方法；放大的倍数为IDWI中的pixelspacing本文档来自技高网...

【技术保护点】
一种基于两分类器的多参数MRI前列腺癌CAD方法，其特征在于，包括以下步骤：S1、候选病灶的自动检测：将包含全部病例的数据集合分为集合X、Y、Z，这三个集合分别包含不同的病例，三个集合中的每个病例都包含T2加权图像T2WI、弥散加权成像DWI、表观扩散系数ADC这三种MRI序列，其中ADC是由DWI计算得到，同一病例中的三种MRI序列T2WI、DWI、ADC分别表示为IT2、IDWI、IADC；对每个病例的三种MRI序列分别进行预处理，使其分辨率和尺寸相同，同样位置的像素基本对应人体内的同一部位；在每个病例的三种MRI序列上分别提取点特征，将这些点特征输入病灶检测分类器，得到候选病灶；S2、候选病灶的计算机辅助诊断：计算每个病例的三种MRI序列中候选病灶的区域特征，将这些区域特征输入病灶诊断分类器，得到相应的诊断结果。

【技术特征摘要】
1.一种基于两分类器的多参数MRI前列腺癌CAD方法，其特征在于，包括以下步骤：S1、候选病灶的自动检测：将包含全部病例的数据集合分为集合X、Y、Z，这三个集合分别包含不同的病例，三个集合中的每个病例都包含T2加权图像T2WI、弥散加权成像DWI、表观扩散系数ADC这三种MRI序列，其中ADC是由DWI计算得到，同一病例中的三种MRI序列T2WI、DWI、ADC分别表示为IT2、IDWI、IADC；对每个病例的三种MRI序列分别进行预处理，使其分辨率和尺寸相同，同样位置的像素基本对应人体内的同一部位；在每个病例的三种MRI序列上分别提取点特征，将这些点特征输入病灶检测分类器，得到候选病灶；S2、候选病灶的计算机辅助诊断：计算每个病例的三种MRI序列中候选病灶的区域特征，将这些区域特征输入病灶诊断分类器，得到相应的诊断结果。2.如权利要求1所述的基于两分类器的多参数MRI前列腺癌CAD方法，其特征在于：步骤S1中所述候选病灶的自动检测具体包括以下步骤：S101、第一训练阶段：S101a、进行预处理：将集合X作为训练样本，对训练样本中的每个病例的三种MRI序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；S101b、生成病灶检测模型：在训练样本中，对每个病例的三种MRI序列上分别提取点特征，并组织相应的标签，提取到训练样本中全部病例的点特征，将提取到的点特征送入病灶检测分类器进行训练，生成病灶检测模型；S102、第一测试阶段：S102a、进行预处理：将集合Y和Z作为测试样本，对测试样本中病例的三种MRI序列IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；S102b、获取测试样本中每个病例的候选病灶：在测试样本中，对每个病例的三种MRI序列上分别提取点特征，将提取到的点特征送入步骤S101b生成的病灶检测模型进行测试，测试样本中病例的每个点都得到一个相应的恶性概率值，根据图像上每个点的恶性概率，将恶性概率大于某一阈值的点所形成的区域判断为候选病灶；步骤S2中所述候选病灶的计算机辅助诊断具体包括以下步骤：S201、第二训练阶段：S201a、进行预处理：将集合Y作为训练样本，对训练样本中的每个病例的三种MRI序列IT2、IDWI、IADC分别进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；S201b、生成病灶诊断分类模型：按照步骤S102b获取训练样本中每个病例的候选病灶；计算IT2、IDWI、IADC中对应的候选病灶的区域特征，得到训练样本中全部病例的候选病灶的区域特征；将得到的区域特征送入病灶诊断分类器进行训练，生成病灶诊断分类模型；S202、第二测试阶段S202a、进行预处理：将集合Z作为测试样本，对测试样本中的病例的三种MRI序列IT2、IDWI、IADC进行预处理，使IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位；S202b、得到病灶候选区域的恶性概率值：按照步骤S102b获取测试样本中每个病例的候选病灶；计算IT2、IDWI、IADC中对应的候选病灶的区域特征，得到测试样本中全部病例的候选病灶的区域特征；将得到的区域特征送入步骤S201b生成的病灶诊断分类模型进行测试，测试样本中病例的每个病灶候选区域都得到一个相应的恶性概率值。3.如权利要求2所述的基于两分类器的多参数MRI前列腺癌CAD方法，其特征在于：步骤S101a、S201a、S201a、S202a中，所述预处理的过程为：对IDWI进行放大和剪切：放大的方法由扩展插值算子实现，如果要扩展一倍的尺寸，则在水平和垂直两个方向上增强一倍的像素，即每行任意两个像素间需要插入一个值，每两行间需插入一行；插值算子采用双立方插值方法；放大的倍数为IDWI中的pixelspacing参数和IT2中的pixelspacing参数的比值，其中，pixelspacing参数表示图像中两个相邻像素在真实物理空间中的距离；以放大后的图像的中心点为新图像的中心，对放大后的图像进行剪切，使新图像与IT2的尺寸一致；对IADC也进行放大和剪切，方法与上面一致；经过上述放大和剪切的处理，IT2、IDWI、IADC的分辨率和尺寸相同，IT2、IDWI、IADC中的同样位置的像素基本对应人体内的同一部位。4.如权利要求2所述的基于两分类器的多参数MRI前列腺癌CAD方法，其特征在于：步骤S101b和S102b中，对每个病例的三种MRI序列上分别提取的点特征均为自编码特征，自编码特征是根据训练好的自编码神经网络计算得到，自编码神经网络是一种无监督的学习算法，采用反向传播算法，让目标值等于输入值，即尝试学习一个函数hW，b(x)≈x，使输出接近输入x；自编码特征的提取分为两个部分：训练自编码神经网络；将数据输入训练好的自编码神经网络，得到自编码特征，具体包括以下步骤：对于每个病例的三种MRI序列，分别训练三种自编码神经网络，提取训练样本中每个病例的前列腺区域内的每个像素点的原始信号，对每个像素点，以该像素点为中心的5×5像素点的区域内信息，作为输入的小块，用来训练自编码神经网络，即输入和输出都是25维；对三种不同的MRI序列，分别进行训练，得到三种自编码神经网络；这三种自编码神经网络的输入层和输出层都为25维，隐藏层神经元的个数设置为10，迫使自编码神经网络学习输入数据的压缩表示；将三种MRI序列原始信号输入训练得到的三种自编码神经网络，得到三种自编码特征，每种特征的维数为10维，对应隐藏层中的10个神经元，三种MRI序列的特征联合起来为30维，作为像素点的特征。5.如权利要求2所述的基于两分类器的多参数MRI前列腺癌CAD方法，其特征在于：步骤S201b和S202b中，计算IT2、IDWI、IADC中对应的候选病灶的区域特征，具体包括以下步骤：每个候选病灶的区域特征包括：原始的多参数磁共振成像MRI信号、纹理特征、表示病灶与周围组织的关系的两类新特征：病灶-凸包比值、病灶-环境差异特征；病灶-凸包比值，即病灶与其凸包的面积比值，表示为Fr，包含候选病灶的不规则形状是其凸包，对于一个集合H，所有包含H的凸集之交称为H的凸包，候选病灶的总面积表示为Ac，凸包的总面积为Ah，则病灶-凸包比值Fr为：病灶-环境差异特征，表示病灶与周围组织差异，表示为Fd，候选病灶表示为A，包含候选病灶的椭圆形是前列腺区域，表示为B；候选病灶所处的环境，即前列腺区域内且病灶以外的区域，表示为B-A；病灶-环境差异特征包括病灶-环境信号强度差异特征和病灶-环境纹理差异特征病灶-环境信号强度差异特征用数学公式表示为：其中，SIA表示区域A的平均信号强度，SIB-A表示区域B-A的平均信号强度；病灶-环境纹理差异特征用数学公式表示为：其中，TA表示区域A的纹理特征，TB-A表示区域B-A的纹理特征；纹理特征的计算过程如下：首先，将MRI序列上的信号缩放到0-256灰度区间；然后，对于每个像素点，在以像素点为中心的5×5像素点的区域内，计算区域内像素点的灰度共生矩阵，将灰度共生矩阵的纹理描述符：能量、对比度、相关性、熵、均匀性作为该像素点的纹理特征；区域A或区域B-A的纹理特征为该区域中全部像素点的纹理特征的平均值。6.一种基于两分...

【专利技术属性】
技术研发人员：谌先敢，刘海华，陆雪松，高智勇，李旭，
申请(专利权)人：中南民族大学，
类型：发明
国别省市：湖北,42