一种用于计算机辅助诊断的乳腺B超图像特征自学习提取方法

摘要

本发明涉及一种用于计算机辅助诊断的乳腺B超图像特征自学习提取方法，首先基于中等规模以上的乳腺B超病灶区域图像集无监督训练出一个卷积受限玻尔兹曼机(CRBM)，对于任意给定的一幅B超病灶区域图像，首先将其输入训练好的CRBM，由CRBM提取得到乳腺B超图像的初始特征；随后，利用主成分分析法（PCA）对初始特征进行降维，得到可用于计算机辅助诊断的低维乳腺B超图像特征，完成乳腺B超图像浅层特征的自学习提取。本发明采用完全无监督的形式，从已有的乳腺B超图像数据中去自学习特征，减少工作量，避免了人工干涉，该方法实现灵活，具有较强的实用性。

说明书

技术领域

本发明涉及医学图像处理技术领域，特别是一种用于计算机辅助 诊断的乳腺B超图像特征自学习提取方法。

背景技术

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 国反癌协会调查研究显示，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x射线、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辅助技术的不断发展， 利用计算机进行辅助诊断成为可能；比如利用数字图像处理技术，提 取乳腺B超图像中病理相关的特征，运用SVM等机器学习方法根据这 些特征对乳腺肿块良恶性进行分类识别等。

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B超图像病理相关特征是否有效。目前， 用于计算机辅助诊断的医学图像特征提取基本上采用手工定位病灶 感兴趣区域，并通过基本图像处理的方法提取的一些基础的常规特 征，如：灰度直方图特征、形状特征、灰度共生矩阵特征、小波特征 等。但上述方法有以下几个方面的不足：第一、上述基础常规特征的 逐一提取耗时费力；第二、上述单个基础常规特征本身并非领域相关， 和乳腺癌的特定应用关联度不大；第三、设计有效的可用于计算机辅 助诊断乳腺癌的基础常规特征组合具有严重的不确定性。因此，最好 的解决机制是提供一种可以根据以往乳腺癌B超图像自动学习出与 病理有关且可用于辅助诊断的图像特征的方法。

在Honglak Lee等人发表的“Convolutional Deep Belief  Networks for Scalable Unsupervised Learning of Hierarchical  Representations”文章中，作者利用卷积深信网对人脸图像进行特 征学习，通过学习得到的特征对人脸进行识别。该实验结果表明卷积 深信网可用于特征的自学习。

由此，本专利提出利用卷积受限玻尔兹曼机(CRBM)完成乳腺B 超图像的特征自学习提取。

发明内容

有鉴于此，本发明的目的是提出一种用于计算机辅助诊断的乳腺 B超图像特征自学习提取方法，减少工作量，避免了人工干涉，且有 助于特征的病理相关性。

本发明的采用以下方案实现：一种用于计算机辅助诊断的乳腺B 超图像特征自学习提取方法，具体包括以下步骤：

步骤S1：给定一个中等规模以上的乳腺B超病灶区域图像集，所述 中等规模表示该图像集至少含有200幅以上的乳腺B超诊断图像；

步骤S2：手动提取步骤S1中图像集离每一张乳腺B超诊断图像的乳 腺B超病灶区域图像ROI，并将全部的乳腺B超病灶区域图像ROI作 为训练集的样本；其中所述乳腺B超病灶区域图像ROI的大小为 150×150；

步骤S3：将训练集用于面向初始特征提取的卷积受限玻尔兹曼机 CRBM的训练；

步骤S4：采用CD算法训练面向初始特征提取的卷积受限玻尔兹曼机 CRBM，得到面向初始特征提取的卷积受限玻尔兹曼机CRBM的具体设 置；

步骤S5：给定一幅乳腺B超病灶区域图像，将其作为面向初始特征 提取的卷积受限玻尔兹曼机CRBM的输入，并从所述卷积受限玻尔兹 曼机CRBM的输出层输出提取得到维度为117600维的初始特征；

步骤S6：利用主成分分析法PCA对步骤S5得到的维度为117600维 的初始特征进行降维处理，得到低维的乳腺B超图像特征，其中低维 表示维度为100维，该100维的乳腺B超图像特征可应用于后续计算 机辅助诊断中。

进一步的，所述步骤S3中的卷积受限玻尔兹曼机CRBM包含输入 层、隐层和pooling层，其中输入层为乳腺B超病灶区域图像，输出 层为pooling层，pooling层每个单元的概率值表示乳腺B超病灶区 域图像的初始浅层特征。

进一步的，步骤S4中所述面向初始特征提取的卷积受限玻尔兹 曼机CRBM的具体设置如下：输入层大小设置为150×150，即N_v取150， 输入层偏置c设为0；滤波器大小设置为10×10，即N_W取10，滤波 器组个数取24个，即K设置为24，卷积层特征图被分割为多个无重 叠的2×2的待汇聚B_α小块，汇聚比例C取2；

给定输入层v，则卷积层，即隐层单元的条件概率为：

$P({h^k}_{i,j}=1|v)=\frac{\exp \left(I\right({h^k}_{i,j}))}{1+{\Sigma }_{(i^{\prime },j^{\prime })\in B_{\alpha }}\exp \left(I\right({h^k}_{i^{\prime }{j}^{\prime }}\left)\right)};$

给定输入层v，则pooling层单元的条件概率为：

$P(p_{\alpha }^k=0|v)=\frac{1}{1+{\Sigma }_{(i^{\prime },j^{\prime })\in B_{\alpha }}\exp \left(I\right({h^k}_{i^{\prime },j^{\prime }}\left)\right)};$

给定卷积层，即隐层h,则输入层单元的条件概率为：

$P(v_{i,j}=1|h)=\sigma ({(\underset{k}{\Sigma }{W}^k*h^k)}_{i,j}+c),$输入层偏置c取0；

其中表示由可见层传输到卷积层的信号，b^k表示第k个滤波器对应的卷积层特征图偏置，该特征图上所有单元共 享同一个偏置b^k，W^k表示第k个滤波器的系数矩阵(卷积核)，表 示W^k矩阵同时纵向横向翻转，B_α表示2×2的待汇聚的小块，i,j在 B_α中取值，代表行和列索引，1≤i,j≤2，h^k_i,j表示卷积层中第k个特 征图上任意B_α小块中第i行j列的单元，1≤i,j≤2，*表示卷积操作， σ表示sigmoid函数。

较佳地，所述的CD算法训练过程具体如下：

S41：对于任意给定的一幅B超病灶区域图像(ROI),大小为 150×150，首先将图像转化为灰度图像，然后图像矩阵除以255，即 将图像矩阵数据范围转化为[0,1],假设处理后的图像为v；

S42：按照条件概率分布$P({h^k}_{i,j}=1|v)=\frac{\exp \left(I\right({h^k}_{i,j}))}{1+{\Sigma }_{(i^{\prime },j^{\prime })\in B_{\alpha }}\exp \left(I\right({h^k}_{i^{\prime },j^{\prime }}\left)\right)}$由v 得到隐层(卷积层)第k个特征图h^k，1≤k≤24；

S43：将第k个特征图各个概率单元转化为二进制形式，得到 state_h^k，具体如下：对于任意B_α小块，按列优先存储为一个(1，4) 的向量vec，任意给定一个随机数rnd＝rand(1)，若则vec中第一个元素为1，其余三个元素均为0；若且 (其中2≤s≤4)，则vec中第s个元素为1，其余元素为 0；然后将vec向量重新映射回2×2矩阵，给B_α赋值；

S44：按照条件概率分布$P(neg\_v_{i,j}=1|h)=\sigma ({(\underset{k}{\Sigma }{W}^k*state\_h^k)}_{i,j}+c)$(c取0)由二进制卷积层得到采样后的可见层图像neg_v；

S45：类似步骤S42中的操作，可得到采样后的卷积层中第k个 特征图neg_h^k，1≤k≤24；

S46：计算梯度：

${\mathrm{dW}}^k=v*\widetilde{h^k}-neg\_v*\widetilde{neg\_h^k;}$

${\mathrm{db}}^k=\frac{\underset{s=1}{\overset{\mathrm{si}ze(h^k,2)}{\Sigma }}\underset{t=1}{\overset{size(h^k,1)}{\Sigma }}{h^k}_{ts}-\underset{s=1}{\overset{size(h^k,2)}{\Sigma }}\underset{t=1}{\overset{\mathrm{si}ze(h^k,1)}{\Sigma }}neg\_{h^k}_{ts}}{size(h^k,1)\times size(h^k,2)};$

S47：更新滤波器系数和偏置：

W^k＝W^k+α×dW^k；

b^k＝b^k+α×db^k；

其中α为学习率，本发明中设置为0.01，dW^k表示第k个滤波器 的梯度矩阵，大小为10×10，db^k表示第k个滤波器的偏置，为一个 标量；size(h^k,1)表示特征图h^k的行数，size(h^k,2)表示特征图h^k的列数， *表示卷积操作，×表示普通标量乘法。h^k_ts表示特征图h^k中第t行第 j列的元素，neg_h^k_ts类似。

与现有技术相比，本发明采用完全无监督的形式，从已有的乳腺 B超图像数据中去自学习特征，减少工作量，避免了人工干涉，该方 法实现灵活，具有较强的实用性。

附图说明

图1为本发明中面向乳腺B超图像初始特征提取的卷积受限玻尔兹曼 机(CRBM)结构示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

如图1所示，本实施例提供了一种用于计算机辅助诊断的乳腺B 超图像特征自学习提取方法，具体包括以下步骤：

步骤S1：给定一个中等规模以上的乳腺B超病灶区域图像集，所述 中等规模表示该图像集至少含有200幅以上的乳腺B超诊断图像；

步骤S2：手动提取步骤S1中图像集离每一张乳腺B超诊断图像的乳 腺B超病灶区域图像ROI，并将全部的乳腺B超病灶区域图像ROI作 为训练集的样本；其中所述乳腺B超病灶区域图像ROI的大小为 150×150；

步骤S3：将训练集用于面向初始特征提取的卷积受限玻尔兹曼机 CRBM的训练；

步骤S4：采用CD算法训练面向初始特征提取的卷积受限玻尔兹曼机 CRBM，得到面向初始特征提取的卷积受限玻尔兹曼机CRBM的具体设 置；

步骤S5：给定一幅乳腺B超病灶区域图像，将其作为面向初始特征 提取的卷积受限玻尔兹曼机CRBM的输入，并从所述卷积受限玻尔兹 曼机CRBM的输出层输出提取得到维度为117600维的初始特征；

步骤S6：利用主成分分析法PCA对步骤S5得到的维度为117600维 的初始特征进行降维处理，得到低维的乳腺B超图像特征，其中低维 表示维度为100维，该100维的乳腺B超图像特征可应用于后续计算 机辅助诊断中。

在本实施例中，所述步骤S3中的卷积受限玻尔兹曼机CRBM包含 输入层、隐层和pooling层，其中输入层为乳腺B超病灶区域图像， 输出层为pooling层，pooling层每个单元的概率值表示乳腺B超病 灶区域图像的初始浅层特征。

在本实施例中，步骤S4中所述面向初始特征提取的卷积受限玻 尔兹曼机CRBM的具体设置如下：输入层大小设置为150×150，即N_v取 150，输入层偏置c设为0；滤波器大小设置为10×10，即N_W取10， 滤波器组个数取24个，即K设置为24，卷积层特征图被分割为多个 无重叠的2×2的待汇聚B_α小块，汇聚比例C取2；

给定输入层v，则卷积层，即隐层单元的条件概率为：

$P({h^k}_{i,j}=1|v)=\frac{\exp \left(I\right({h^k}_{i,j}))}{1+{\Sigma }_{(i^{\prime },j^{\prime })\in B_{\alpha }}\exp \left(I\right({h^k}_{i^{\prime },j^{\prime }}\left)\right)};$

给定输入层v，则pooling层单元的条件概率为：

$P(p_{\alpha }^k=0|v)=\frac{1}{1+{\Sigma }_{(i^{\prime },j^{\prime })\in B_{\alpha }}epx\left(I\right({h^k}_{i^{\prime },j^{\prime }}\left)\right)};$

给定卷积层，即隐层h,则输入层单元的条件概率为：

$P(v_{i,j}=1|h)=\sigma ({(\underset{k}{\Sigma }{W}^k*h^k)}_{i,j}+c),$输入层偏置c取0；

其中表示由可见层传输到卷积层的信号，b^k表示第k个滤波器对应的卷积层特征图偏置，该特征图上所有单元共 享同一个偏置b^k，W^k表示第k个滤波器的系数矩阵(卷积核)，表 示W^k矩阵同时纵向横向翻转，B_α表示2×2的待汇聚的小块，i,j在 B_α中取值，代表行和列索引，1≤i,j≤2，h^k_i,j表示卷积层中第k个特 征图上任意B_α小块中第i行j列的单元，1≤i,j≤2，*表示卷积操作， σ表示sigmoid函数。

较佳地，在本实施例中，所述的CD算法训练过程具体如下：

S41：对于任意给定的一幅B超病灶区域图像(ROI),大小为 150×150，首先将图像转化为灰度图像，然后图像矩阵除以255，即 将图像矩阵数据范围转化为[0,1],假设处理后的图像为v；

S42：按照条件概率分布$P({h^k}_{i,j}=1|v)=\frac{\exp \left(I\right({h^k}_{i,j}))}{1+{\Sigma }_{(i^{\prime },j^{\prime })\in B_{\alpha }}\exp \left(I\right({h^k}_{i^{\prime },j^{\prime }}\left)\right)}$由v 得到隐层(卷积层)第k个特征图h^k，1≤k≤24；

S43：将第k个特征图各个概率单元转化为二进制形式，得到 state_h^k，具体如下：对于任意B_α小块，按列优先存储为一个(1，4) 的向量vec，任意给定一个随机数rnd＝rand(1)，若则vec中第一个元素为1，其余三个元素均为0；若且 (其中2≤s≤4)，则vec中第s个元素为1，其余元素为 0；然后将vec向量重新映射回2×2矩阵，给B_α赋值；

S44：按照条件概率分布$P(neg\_v_{i,j}=1|h)=\sigma ({(\underset{k}{\Sigma }{W}^k*state\_h^k)}_{i,j}+c)$(c取0)由二进制卷积层得到采样后的可见层图像neg_v；

S45：类似步骤S42中的操作，可得到采样后的卷积层中第k个 特征图neg_h^k，1≤k≤24；

S46：计算梯度：

${\mathrm{dW}}^k=v*\widetilde{h^k}-neg\_v*\widetilde{neg\_h^k;}$

${\mathrm{db}}^k=\frac{\underset{s=1}{\overset{size(h^k,2)}{\Sigma }}\underset{t=1}{\overset{size(h^k,1)}{\Sigma }}{h^k}_{ts}-\underset{s=1}{\overset{size(h^k,2)}{\Sigma }}\underset{t=1}{\overset{size(h^k,1)}{\Sigma }}neg\_{h^k}_{ts}}{size(h^k,1)\times size(h^k,2)};$

S47：更新滤波器系数和偏置：

W^k＝W^k+α×dW^k；

b^k＝b^k+α×db^k；

其中α为学习率，本发明中设置为0.01，dW^k表示第k个滤波器 的梯度矩阵，大小为10×10，db^k表示第k个滤波器的偏置，为一个 标量；size(h^k,1)表示特征图h^k的行数，size(h^k,2)表示特征图h^k的列数， *表示卷积操作，×表示普通标量乘法。h^k_ts表示特征图h^k中第t行第 j列的元素，neg_h^k_ts类似。

以上所述仅为本发明的较佳实施例，本专利提出的特征自学习提 取方法并不局限于乳腺B超图像本身，亦可扩展至其它医学图像中病 理相关特征的自学习提取，凡依本发明申请专利范围所做的均等变化 与修饰，皆应属本发明的涵盖范围。