基于cad系統提高前列腺腫瘤mri圖像識別率的方法
【技術領域】
[0001] 本發明屬于前列腺疾病醫療器械領域，具體是基于CAD系統提高前列腺腫瘤MRI 圖像識別率的方法。
【背景技術】
[0002] 前列腺腫瘤主要包括前列腺癌與前列腺增生，兩者都發生于前列腺，其中前列腺 癌是一種常見的惡性腫瘤。一般情況下，前列腺增生是不會轉變為前列腺癌的，前列腺癌 通常是由直腸指檢（Digitalrectalexamination,DRE)異常及血清前列腺特異性抗原 (Prostate-specificantigen,PSA)升高而被臨床發現的，前列腺癌一經發現，其治療方法 主要取決于腫瘤組織學分類和臨床分期，前列腺癌ITM分期和Gleason分期明確了病變范 圍，正確分期對決定能否手術、選擇治療方法和判斷預后都十分重要。MRI具有三維成像、軟 組織對比度好、無生物學損害、不需要注射造影劑即可顯示血管結構等優點，能夠區分前列 腺外周帶和中央腺，并提供不同方向所需切面，從而便于了解前列腺全貌以及周圍關系，這 不僅有利于定性、分期以決定正確處理方針，也有助于手術治療計劃的順利實施和術后觀 察，因此MRI在前列腺癌的定位、癌組織范圍、有無穿透包膜、有無遠處轉移等檢查中具有 重要作用。
[0003] 計算機輔助診斷系統（Computer-AidedDiagnosis,CAD)是能夠提供定量分析，減 輕醫生診斷的工作量，給醫生提供具有較好一致性和重復性的診斷參考和建議，以期提高 診斷效果，降低活檢次數，提高診斷效率和客觀性的技術手段，大量的研宄也表明，CAD系統 的使用使得醫師的讀片質量確實得到了明顯的提高。基于醫學影像的CAD方法從技術的角 度來講就是目標識別技術，但是現有的目標識別方法只是根據單一的樣本特征向量進行劃 分，對大量同類樣本所表現出的高維模式特性考慮不夠充分。因此對MRI前列腺腫瘤ROI 區域只提取幾維或者十幾維特征得到的識別結果可信度不高。雖然有相關文獻對前列腺 腫瘤的CAD進行了一定程度的討論，但是與人體其它器官（如乳腺、腦部等）相比，前列腺 CAD方面報道較少，并且這些結論只是在小樣本、抽取特征有限的條件下取得的，普遍存在 假陽性率過高的缺點，缺乏更具有說服力的大樣本前瞻性研宄。因此，極尋求有效的方法來 提高前列腺腫瘤CAD系統識別率的一種亟需解決的問題。
【發明內容】
[0004] 本發明的目的是克服現有技術不足，提供一種基于CAD系統提高前列腺腫瘤MRI 圖像識別率的方法。該方法使識別前列腺良、惡性腫瘤的能力至少提高10%以上，對MRI前 列腺腫瘤的CAD具有積極的意義。
[0005] 本發明的目的是通過以下技術方案予以實現：
[0006] 一種基于CAD系統提高前列腺腫瘤MRI圖像識別率的方法，包括以下步驟：（1)采 集前列腺患者的MRI圖像；（2)提取MRI前列腺腫瘤ROI區域特征；（3)對ROI區域特征進 行特征級融合；(4)利用神經網絡作為分類器對融合后的特征進行分類識別；
[0007] 上述步驟（2)所述ROI區域特征是幾何特征、統計特征、Hu不變矩特征、灰度共生 矩陣的紋理特征、TAMURA紋理特征、頻域特征。
[0008] 上述步驟⑵所述幾何特征是：面積、周長、矩形度、伸長督、圓形度、歐拉數；
[0009] 所述統計特征是：均值、方差、傾斜度、峰態、能量、熵；
[0010]所述Hu不變矩特征是：C1、C2、C3、C4、C5、C6、C7;
[0011] 所述灰度共生矩陣的紋理特征是：能量、對比度（反差、慣量）、熵、和熵、差熵、相 關性、逆差距、方差、和的方差、和的均值、差分方差、相關信息度量（2維）、最大相關系數；
[0012] 所述TAMURA紋理特征是粗糙度、對比度、方向度；
[0013] 所述頻域特征是：能量8維（小波特征能量1-8)、范數8維（小波特征范數1-8)、 標準差8維（小波特征標準差1_8);
[0014] 上述步驟（3)特征級融合采用的算法是線性降維算法。
[0015] 上述線性降維算法是PCA主成份分析法。
[0016] 上述步驟⑷所述神經網絡采用訓練算法是BFGS擬牛頓算法、BP算法、最速梯度 下降算法和Levenberg-Marquardt算法。
[0017] 本發明的有益效果：本發明提出了一種基于CAD系統提高前列腺腫瘤MRI圖像識 別率的方法，該方法是基于PCA特征級融合神經網絡的前列腺腫瘤CAD模型，利用PCA在 特征級進行變換，降低了特征矢量的維數，用神經網絡分類識別，基于PCA的特征融合后 的圖像的識別率均有明顯提高，其提高幅度分別是12. 5%、17. 18%、22. 22%和22. 22%， 這說明了本發明采取的主成分分析法在特征級融合是有效的，不僅能降低特征之間的冗余 性，也消除了特征中的部分異常數據對實驗結果造成的影響，更重要的是進一步提高了前 列腺腫瘤MRI圖像的識別率，該方法使得識別前列腺良、惡性腫瘤的能力至少提高10%以 上，對MRI前列腺腫瘤的CAD具有積極的意義。
【附圖說明】
[0018] 圖1前列腺癌ROI區域；
[0019] 圖2前列腺增生ROI區域；
[0020] 圖3各主成份的累計貢獻率；
[0021] 圖4PCA融合前L-M訓練算法下的測試結果；
[0022] 圖5PCA融合前L-M訓練算法下的訓練誤差；
[0023] 圖6 PCA融合前擬牛頓算法下的測試結果；
[0024] 圖7PCA融合前擬牛頓算法下的訓練誤差；
[0025] 圖8 PCA融合前BP算法下的測試結果；
[0026] 圖9 PCA融合前BP算法下的訓練誤差；
[0027] 圖10 PCA融合前最速梯度下降算法下的測試結果；
[0028] 圖11 PCA融合前最速梯度下降算法下的訓練誤差；
[0029] 圖12PCA融合后L-M訓練算法下的測試結果；
[0030] 圖13PCA融合后L_M訓練算法下的訓練誤差；
[0031] 圖14PCA融合后擬牛頓算法下的測試結果；
[0032] 圖15 PCA融合后擬牛頓算法下的訓練誤差；
[0033] 圖16 PCA融合后BP算法下的測試結果；
[0034] 圖17PCA融合后BP算法下的訓練誤差；
[0035] 圖18 PCA融合后最速梯度下降算法下的測試結果；
[0036] 圖19 PCA融合后最速梯度下降算法下的訓練誤差
【具體實施方式】
[0037] 以下結合附圖通過實施例對本發明的技術方案做進一步的說明：
[0038] 實施例1
[0039] 本發明所涉及到的軟、硬件環境如下：
[0040]軟件環境：windowsXP操作系統，MATLAB7.ONNToolbox，efilm3. 4
[0041] 硬件環境：2G內存，320G硬盤，M320-AMD處理器
[0042] 輸入：1)MRI前列腺腫瘤的ROI圖像Xi,i= 1，2,…，180
[0043] 2)樣本類別數n= 2 ;
[0044] 輸出：四種訓練算法下的特征變換前后的神經網絡識別精度
[0045]步驟：
【主權項】
1. 一種基于CAD系統提高前列腺腫瘤MRI圖像識別率的方法，其特征在于：包括以下 步驟：（1)采集前列腺患者的MRI圖像；（2)提取MRI前列腺腫瘤ROI區域特征；（3)對ROI 區域特征進行特征級融合；(4)利用神經網絡作為分類器對融合后的特征進行分類識別。
2. 根據權利要求1所述的基于CAD系統提高前列腺腫瘤MRI圖像識別率的方法，其特 征在于，步驟（2)所述ROI區域特征是幾何特征、統計特征、Hu不變矩特征、灰度共生矩陣 的紋理特征、TAMURA紋理特征、頻域特征。
3. 根據權利要求2所述的基于CAD系統提高前列腺腫瘤MRI圖像識別率的方法，其特 征在于，步驟（2)所述幾何特征是：面積、周長、矩形度、伸長督、圓形度、歐拉數； 所述統計特征是：均值、方差、傾斜度、峰態、能量、熵； 所述Hu不變矩特征是：C1、C2、C3、C4、C5、C6、C7 ; 所述灰度共生矩陣的紋理特征是：能量、對比度、熵、和熵、差熵、相關性、逆差距、方差、 和的方差、和的均值、差分方差、相關信息度量、最大相關系數； 所述TAMURA紋理特征是粗糙度、對比度、方向度； 所述頻域特征是：能量、范數、標準差。
4. 根據權利要求1所述的基于CAD系統提高前列腺腫瘤MRI圖像識別率的方法，其特 征在于，步驟（3)特征級融合采用的算法是線性降維算法。
5. 根據權利要求4所述的基于CAD系統提高前列腺腫瘤MRI圖像識別率的方法，其特 征在于，所述線性降維算法是PCA主成份分析法。
6. 根據上述任意一項權利要求所述的基于CAD系統提高前列腺腫瘤MRI圖像識別率的 方法，其特征在于，步驟（4)所述神經網絡采用的訓練算法是BFGS擬牛頓算法、BP算法、最 速梯度下降算法Levenberg-Marquardt算法。
【專利摘要】本發明屬于前列腺疾病醫療器械領域，具體是一種基于CAD系統提高前列腺腫瘤MRI圖像識別率的方法。該方法包括以下步驟：(1)采集前列腺患者的MRI圖像；(2)提取MRI前列腺腫瘤ROI區域特征；(3)對ROI區域特征進行特征級融合；(4)利用神經網絡作為分類器對融合后的特征進行分類識別。該方法使識別前列腺良、惡性腫瘤的能力至少提高10％以上，對MRI前列腺腫瘤的CAD具有積極的意義。
【IPC分類】G06K9-46, G06K9-62, G06K9-00
【公開號】CN104794426
【申請號】CN201510015896
【發明人】周濤, 陸惠玲, 楊德仁, 楊柳, 陳志強, 張艷寧
【申請人】寧夏醫科大學
【公開日】2015年7月22日
【申請日】2015年1月13日