一种肺腺癌病理图像特征提取与分析方法及装置制造方法及图纸

本发明专利技术公开了一种肺腺癌病理图像特征提取与分析方法及装置，涉及到数字图像处理领域，方法为采用基于直方图的颜色特征、基于小波包和分形相结合的纹理特征和基于不变矩的形状特征等；采用改进后的主元分析法进行特征级数据融合，最后采用多数投票法进行决策级数据融合，得到最终识别结果。本发明专利技术，通过提取图像纹理和形状等特征参数，设计基于神经网络的特征级与决策级数据融合相结合的医学图像分类识别算法，辅助现有的计算设备实现了肺腺癌病理图像特征的提取与分析，有效地解决了任何单一特征都不能很好地表达医学图像的不足，经过决策级数据融合可以充分利用不同分类器之间的互补性，能提高医学图像的识别率。能提高医学图像的识别率。能提高医学图像的识别率。

【技术实现步骤摘要】
一种肺腺癌病理图像特征提取与分析方法及装置


[0001]本专利技术涉及数字图像处理
，尤其涉及一种肺腺癌病理图像特征提取与分析方法及装置。

技术介绍

[0002]肺腺癌是肺癌的一种，属于非小细胞癌，不同于鳞状细胞肺癌，肺腺癌较容易发生于女性及抽烟者，起源于支气管粘膜上皮，少数起源于大支气管的粘液腺。发病率比鳞癌和未分化癌低，发病年龄较小，女性相对多见。多数腺癌起源于较小的支气管，为周围型肺癌，现代医学中已有使用计算设备辅助医护人员分析肺腺癌病理图像特征，从而辅助医护人员。
[0003]针对与现有技术中，计算机技术以及CT技术的发证，将AI算法整合CT技术，实现在大数据的方面对比肺腺癌病理图像特征，从而辅助医护人员得出合理的肺腺癌分化程度，但是单一肺腺癌病理图像特征不能很好地表达医学层面的信息，需要进一步提高医学图像的识别率，因此需要一种肺腺癌病理图像特征提取与分析方法及装置来满足人们的需求。

技术实现思路

[0004]本专利技术的目的在于提供一种肺腺癌病理图像特征提取与分析方法及装置，以解决上述
技术介绍
中提出的单一肺腺癌病理图像特征不能很好地表达医学层面的信息，需要进一步提高医学图像的识别率的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种肺腺癌病理图像特征提取与分析方法及装置，方法为采用基于直方图的颜色特征、基于小波包和分形相结合的纹理特征和基于不变矩的形状特征等；采用改进后的主元分析法进行特征级数据融合，最后采用多数投票法进行决策级数据融合，得到最终识别结果，其步骤为
[0006]S1、肺腺癌病理图像的预处理
[0007]肺腺癌病理图像的预处理是图像进行分析和处理之前的重要一步，主要起到降低噪声干扰，增强肺腺癌病理图像的作用，对特征不清晰的肺腺癌病理图像进行增强，对失真的肺腺癌病理图像进行修复等，输入的肺腺癌病理图像有的是经过染色处理过的彩色图像，而计算机图像处理中需要的往往是灰度图像和二值图像，二值图像也可由灰度图像经过阈值化处理得到，采用中值滤波法对图像进行滤波，中值滤波对干扰脉冲和点状噪声有良好的抑制作用，而且对肺腺癌病理图像边缘能有很好的保持非线性图像增强技术；
[0008]S2、肺腺癌病理图像的特征提取
[0009]进行肺腺癌病理图像的不同方式提取，物理特征、结构特征、灰度统计量特征提取以及纹理特征提取，实现获取肺腺癌病理图像的特征数据；
[0010]采用基于小波包和分形相结合的方法提取纹理特征，
[0011]首先利用小波包分解，进行特征提取，把两次提取的特征值共同作为图像的纹理特征值。
[0012]对肺腺癌病理图像的纹理进行小波包分解，采用嫡的标准，将一级小波包分解后，可以得到一级子图像，二级小波包分解后可以得到肺腺癌病理图像子图像，求每个子图像的能量，纹理特征主要集中在中，高频段部分，所以最低频段的两幅子图的能量可以不考虑，求其余个图像各自的平均能量，M
×
N是小波包分解后子图像的尺寸，i，j表示子图像的行值和MN列值，x是小波包分解的系数。对于幅图像中，依次排序，得到个平均能量最低的图像，求这图像的分形维数，特征向量:把得到的幅图像的平均能量，以及能量最低的幅图像的分形维数一起构成一个维的特征向量，如表示为一个肺腺癌病理图像与对比肺腺癌病理图像所提取的纹理特征。
[0013]优选的，S3、肺腺癌病理图像的多特征的融合
[0014]在S2中使用的三种特征各有其优缺点:肺腺癌病理图像颜色特征提取方便，但缺乏空间分布信息；肺腺癌病理图像纹理特征反映的只是图像的一种局部结构化特征等等，图像特征向量的维数太高，数据量庞大，而且特征之间存在着大量的信息冗余，通过多特征的融合后，既消除特征间的冗余信息，降低了特征空间的维数，同时又保留了所需要的识别信息。对于每一幅肺腺癌病理图像，共提取上面的维特征。
[0015]优选的，S4、肺腺癌病理图像特征的神经网络识别
[0016]net＝netff(A，l，c，TrainFun)
[0017]其中中存放所建立的网络属性和网格参数，四个输入变量分别为:
×
的矩阵，每行两元素分别为每个输入向量的最大和最小值；
[0018]—行向量，每个元素表示每层神经元的个数；
[0019]—字符串向量，元素为每层神经元的传输函数名；
[0020]—字符串变量，为网络的训练函数名。
[0021]在m维空间中两个点之间的真实距离。在二维和三维空间中的欧氏距离就是两点之间的距离，二维公式为:
[0022]d＝sqrt((x1‑
x2)^+(y1‑
y2)^) ()
[0023]推广到维空间，欧式距离的公式是:
[0024]d＝sqrt(∑(x
i1
‑
x
i2
)^)
[0025]其中i＝1，2，..n，x
i1
表示第一个点的第i维坐标，x
i2
表示第二个点的第i维坐标，欧式距离可看作信号的相似程度，距离越近就越相似。采用欧氏距离分类器对目标参数进行了识别，实现在提高目标识别正确率的同时，还提高识别效率，
[0026]其具体算法步骤为
[0027]算法的具体步骤如下:网络初始化，用较小的随机数设定输入层和隐含层之间的权值初始值；输入向量的输入，将向量x＝[x1，x2，...，x
n
]T
送入到输入层；计算隐含层权值向量与输入向量的距离，隐含成神经元和输入向量的距离；计算并选择与权值向量的距离最小的神经元把其称为胜出神经元，记为j
*
；更新连接权值，如果胜出神经元和预先指定的分类一致，称为正确分类，否则称为不正确分类。正确分类和不正确分类时分别按下面两式来调整权值的量；判断是否满足预先设定大迭代次数，满足时算
法结束，否则返回，进入下一轮分析。
[0028]优选的，S5、基于多数投票法融合的肺腺癌病理图像分析
[0029]可以在整个系统中，输入肺腺癌病理图像特征样本，然后输出一个分类标记J。用总体判决函数F(X)，即F(X)＝J。为了便于分析，将分类器的输出F
k
(X)用另一种形式表示。定义一个如下的二值特征函数P
k
(X)；多种分类器相融合，采用多数投票法的融合策略，即整个系统的输出以大多数分类器的识别结果为准。当半数以上分类器认为输入X为C
i
，时，分类系统就将X分类为C
i
。
[0030]优选的，S6、采用细胞级别的切片图像为实验对象，抽取其中肺腺癌病理图像和肺腺癌不同分化图像的两类图像，识别时选取肺腺癌病理图像正常和肺腺癌病理图像异常图像用于训练，剩下用于验证分类效果。
[0031]优选的，所述装置主要包括图像数据输入模块、图像特征提取模块、图像特征分析模块、结果输出模块，图像数据输入模块主要用接受肺腺癌病理图像的数据；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种肺腺癌病理图像特征提取与分析方法及装置，其特征在于：所述方法为采用基于直方图的颜色特征、基于小波包和分形相结合的纹理特征和基于不变矩的形状特征等；采用改进后的主元分析法进行特征级数据融合，最后采用多数投票法进行决策级数据融合，得到最终识别结果，其步骤为S1、肺腺癌病理图像的预处理肺腺癌病理图像的预处理是图像进行分析和处理之前的重要一步，主要起到降低噪声干扰，增强肺腺癌病理图像的作用，对特征不清晰的肺腺癌病理图像进行增强，对失真的肺腺癌病理图像进行修复等，输入的肺腺癌病理图像有的是经过染色处理过的彩色图像，而计算机图像处理中需要的往往是灰度图像和二值图像，二值图像也可由灰度图像经过阈值化处理得到，采用中值滤波法对图像进行滤波，中值滤波对干扰脉冲和点状噪声有良好的抑制作用，而且对肺腺癌病理图像边缘能有很好的保持非线性图像增强技术；S2、肺腺癌病理图像的特征提取进行肺腺癌病理图像的不同方式提取，物理特征、结构特征、灰度统计量特征提取以及纹理特征提取，实现获取肺腺癌病理图像的特征数据；采用基于小波包和分形相结合的方法提取纹理特征，首先利用小波包分解，进行特征提取，把两次提取的特征值共同作为图像的纹理特征值。对肺腺癌病理图像的纹理进行小波包分解，采用嫡的标准，将一级小波包分解后，可以得到一级子图像，二级小波包分解后可以得到肺腺癌病理图像子图像，求每个子图像的能量，纹理特征主要集中在中，高频段部分，所以最低频段的两幅子图的能量可以不考虑，求其余个图像各自的平均能量，M
×
N是小波包分解后子图像的尺寸，i，j表示子图像的行值和MN列值，x是小波包分解的系数。对于幅图像中，依次排序，得到个平均能量最低的图像，求这图像的分形维数，特征向量:把得到的幅图像的平均能量，以及能量最低的幅图像的分形维数一起构成一个维的特征向量，如表示为一个肺腺癌病理图像与对比肺腺癌病理图像所提取的纹理特征。2.根据权利要求1所述的一种肺腺癌病理图像特征提取与分析方法及装置，其特征在于：S3、肺腺癌病理图像的多特征的融合在S2中使用的三种特征各有其优缺点:肺腺癌病理图像颜色特征提取方便，但缺乏空间分布信息；肺腺癌病理图像纹理特征反映的只是图像的一种局部结构化特征等等，图像特征向量的维数太高，数据量庞大，而且特征之间存在着大量的信息冗余，通过多特征的融合后，既消除特征间的冗余信息，降低了特征空间的维数，同时又保留了所需要的识别信息。对于每一幅肺腺癌病理图像，共提取上面的维特征。3.根据权利要求1所述的一种肺腺癌病理图像特征提取与分析方法及装置，其特征在于：S4、肺腺癌病理图像特征的神经网络识别net＝netff(A，l，cTrainFun)其中中存放所建立的网络属性和网格参数，四个输入变量分别为:
×
的矩阵，每行两元素分别为每个输入向量的最大和最小值；
—行向量，每个元素表示每层神经元的个数；—字符串向量，元素为每层神经元的传输函数名；—字符串变量，为网络的训练函...

【专利技术属性】
技术研发人员：陀晓宇，赵华君，苏国苗，赵晓玮，张李红，
申请(专利权)人：昆明医科大学第一附属医院，
类型：发明
国别省市：