一种颈部淋巴结超声图像特征选择方法技术

本发明专利技术一种颈部淋巴结超声图像特征选择方法，涉及图像处理技术领域；所要解决的技术问题为避免利用遗传算法和离散粒子群算法进行颈部淋巴结超声图像特征选择容易陷入局部极值的问题；采用的技术方案为：第一步、采集并提取颈部淋巴结图像的量化特征；第二步、形成样本集；第三步、设计极限学习机分类器；第四步、对样本集进行学习和训练；第五步、计算每个个体的加速度第六步、更新各自的速度第七步、计算各自的波尔兹曼函数第八步、更新各自的位置第九步、若符合终止条件，则结束并输出最优位置即最优特征子集，否则迭代次数加1，并返回第三步继续进化种群直到满足终止条件；本发明专利技术适于帮助医生选取有价值的颈部淋巴结超声图像特征。

【技术实现步骤摘要】

本专利技术涉及图像处理
，尤其涉及一种基于万有引力搜索算法和波尔兹曼函数的淋巴结超声图像特征选择方法。
技术介绍
淋巴结分布在整个人体的颈部，腋窝，腹股沟等各个部位，人体免疫系统能否正常运作其中淋巴结扮演着重要的作用。临床上，淋巴结的病理变化是恶性肿瘤的一个重要标准，大多数临床医生利用颈部淋巴结超声图像诊断和检查淋巴结疾病，颈部淋巴结超声图像具有很多淋巴结特征，但这些特征中有些特征数据是冗余的，或者是含有噪声的，因此，选择对医生有价值的特征是临床医生和研究者关注的焦点之一。特征选择就是选择对分类有价值的特征，去除冗余和噪声，提高分类的精确度。目前淋巴结超声图像特征选择方法有基于全局最优搜索策略的互信息法和线性判别法。但是这两种方法的缺点是不能有效结合分类结果来指导特征值的选择。基于随机搜索策略的遗传算法和离散粒子群算法属于群集智能的方法，它们能够通过种群的优化取得较好的最优解，但是它们容易陷入局部极值的问题。
技术实现思路
本专利技术克服现有技术存在的不足，所要解决的技术问题为提供一种用于颈部淋巴结超声图像的特征选择方法，避免了利用遗传算法和离散粒子群算法进行颈部淋巴结超声图像特征选择容易陷入局部极值的问题。为了解决上述技术问题，本专利技术采用的技术方案为:，包括以下步骤:第一步、采集颈部淋巴结灰阶多普勒超声图像并提取颈部淋巴结图像的量化特征；第二步、基于第一步给出的量化特征，使用二进制编码标记特征组合并随机初始化多个个体的位置及速度，形成样本集；第三步、根据所述样本集设计极限学习机分类器；第四步、对所述样本集进行学习和训练，测试并记录分类精度，采用分类精度和所选特征数目两个标准设计每个个体的适应度函数Hti ；第五步、计算每个个体的质量Mi (t)，作用力Fid(t)，进而得出每个个体的加速度第六步、根据第五步中每个个体的加速度更新各自的速度vf (O;第七步、根据第六步中每个个体更新后的速度计算各自的波尔兹曼函数jwfm第八步、使用第七步中每个个体的波尔兹曼函数更新各自的位置;Tf (I);第九步、若符合终止条件，则结束并输出最优位置即最优特征子集，否则迭代次数加1，并返回第三步继续进化种群直到满足特征选择终止条件，所述终止条件为:达到最大迭代次数。 所述第一步中，提取颈部淋巴结超声图像的量化特征，具体方法如下:通过超声仪器采集颈部淋巴结灰阶多普勒超声图像，给出淋巴结超声图像的量化特征，这里用Fi来表示第i个量化特征，具体定义如下:(I)外形特EF1 - F11:包括使用致密度F1 ;实占率F2 ;凸包深度& ;傅里叶形状因子F4 ；4个矩形状因子特征F5 - F8 ；3个基于归一化径向长度特征F9 - F11 ；(2)边界特征F12-F14:包括采用锐度F12 ;边缘亮度变化比F13 ;边界平均最大下降梯度F14 ；(3)形态特征F15:长/短径的比率F15 ；(4)纹理特征，包括灰度共生矩阵、Laws能量模板、灰度游程长度和小波纹理，它们分别为:I)灰度共生矩阵F16-F29:包括角二阶矩F16 ;对比度F17 ;相关F18 ；?F19 ;方差F2tl ；均值和F21 ;逆差矩F22 ;方差和F23 ;差的方差F24 ;和熵F25 ;差熵F26 ;聚类阴影F27 ;显著聚类F28 ;最大概率F29 ；2) Laws能量模板F3tl — F39:包括L5E5模板卷积后的均值F3tl ；L5S5模板卷积后的均值F31 ；E5L5模板卷积后的均值F32 ；S5L5模板卷积后的均值F33 ；E5E5模板卷积后的均值F34 ；L5E5模板卷积后的方差F35 ；E5L5模板卷积后的方差F36 ；S5L5模板卷积后的方差F37 ；E5E5模板卷积后的方差F38 ；L5S5模板卷积后的方差F39 ；3)灰度游程长度F4tl - F44:包括短游程优势F4tl ;长游程优势F41 ;灰度不均匀性度量F42 ;游程长度不均性度量F43 ;游程比率F44 ；4)小波纹理特征F45 - F56:包括低低频均值F45 ;低低频方差F46 ;低低频和Laws能量模板卷积后得到的各自的均值和方差F47 - F560所述第二步中，基于第一步给出的量化特征F1 - F56，使用二进制编码标记特征组合并随机初始化多个个体的位置及速度，具体方法如下:个体编码采用二进制，原始量化特征有56个，即个体的长度L=56，个体的每一个基因对应相应次序的特征，即当个体中的某一个基因为“I”时，表示该基因对应的特征项被选用；反之，为“O”时，表示该特征项未被选用。个体第i个基因值随机产生的公式为:本文档来自技高网...

【技术保护点】
一种颈部淋巴结超声图像特征选择方法，其特征在于，包括以下步骤：第一步、采集颈部淋巴结灰阶多普勒超声图像并提取颈部淋巴结图像的量化特征；第二步、基于第一步给出的量化特征，使用二进制编码标记特征组合并随机初始化多个个体的位置及速度，形成样本集；第三步、根据所述样本集设计极限学习机分类器；第四步、对所述样本集进行学习和训练，测试并记录分类精度，采用分类精度和所选特征数目两个标准设计每个个体的适应度函数fiti；第五步、计算每个个体的质量Mi(t)，作用力Fid(t)，进而得出每个个体的加速度第六步、根据第五步中每个个体的加速度更新各自的速度第七步、根据第六步中每个个体更新后的速度计算各自的波尔兹曼函数第八步、使用第七步中每个个体的波尔兹曼函数更新各自的位置第九步、若符合终止条件，则结束并输出最优位置即最优特征子集，否则迭代次数加1，并返回第三步继续进化种群直到满足特征选择终止条件，所述终止条件为：达到最大迭代次数。FDA0000417612800000011.jpg,FDA0000417612800000012.jpg,FDA0000417612800000013.jpg,FDA0000417612800000014.jpg...

【技术特征摘要】
1.一种颈部淋巴结超声图像特征选择方法，其特征在于，包括以下步骤: 第一步、采集颈部淋巴结灰阶多普勒超声图像并提取颈部淋巴结图像的量化特征； 第二步、基于第一步给出的量化特征，使用二进制编码标记特征组合并随机初始化多个个体的位置及速度，形成样本集； 第三步、根据所述样本集设计极限学习机分类器； 第四步、对所述样本集进行学习和训练，测试并记录分类精度，采用分类精度和所选特征数目两个标准设计每个个体的适应度函数fiti ； 第五步、计算每个个体的质量Mjt)，作用力Fid(t)，进而得出每个个体的加速度<(/); 第六步、根据第五步中每个个体的加速度更新各自的速度vf (O ； 第七步、根据第六步中每个个体更新后的速度计算各自的波尔兹曼函数; 第八步、使用第七步中每个个体的波尔兹曼函数更新各自的位置XHt) X 第九步、若符合终止条件，则结束并输出最优位置即最优特征子集，否则迭代次数加1，并返回第三步继续进化种群直到满足特征选择终止条件，所述终止条件为:达到最大迭代次数。2.根据权利要求1所述的一种颈部淋巴结超声图像特征选择方法，其特征在于，所述第一步中，提取颈部淋巴结超声图像的量化特征，具体方法如下: 通过超声仪器采集颈部淋巴结灰阶多普勒超声图像，给出淋巴结超声图像的量化特征，这里用Fi来表示第i个量化特征，具体定义如下:· (1)外形特征F1-F11:包括使用致密度F1 ;实占率F2 ;凸包深度& ;傅里叶形状因子F4 ；4个矩形状因子特征F5 - F8 ；3个基于归一化径向长度特征F9 - F11 ； (2)边界特征F12— F14:包括采用锐度F12 ;边缘亮度变化比F13 ;边界平均最大下降梯度F14 ； (3)形态特征F15:长/短径的比率F15; (4)纹理特征，包括灰度共生矩阵、Laws能量模板、灰度游程长度和小波纹理，它们分别为: 1)灰度共生矩阵F16— F29:包括角二阶矩F16 ;对比度F17 ;相关F18 ;熵F19 ;方差F20 ;均值和F21 ;逆差矩F22 ;方差和F23 ;差的方差F24 ;和熵F25 ;差熵F26 ;聚类阴影F27 ;显著聚类F28 ；最大概率F29 ； 2)Laws能量模板F3tl - F39:包括L5E5模板卷积后的均值F3tl ；L5S5模板卷积后的均值F31 ；E5L5模板卷积后的均值F32 ...

【专利技术属性】
技术研发人员：韩晓红，兰媛，权龙，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：