本發(fā)明屬于圖像處理技術(shù)領(lǐng)域。更進(jìn)一步涉及在醫(yī)學(xué)影像處理技術(shù)領(lǐng)域中一種基于塔形主成分分析(PrincipalComponentAnalysis，PCA)的乳腺鉬靶X線圖像塊灰度特征提取方法。本發(fā)明是根據(jù)乳腺腫塊圖像中間密度大邊緣密度小分布情況，對乳腺圖像塊進(jìn)行分層特征提取，同時對分層提取的灰度特征分別進(jìn)行主成分分析，從而提高乳腺鉬靶X線攝影圖像中腫塊區(qū)域檢測的準(zhǔn)確率。本發(fā)明可用于臨床醫(yī)療病變區(qū)域檢測，提高檢出率，降低檢測假陽率，輔助放射科醫(yī)生進(jìn)行臨床診斷。

背景技術(shù)：
目前，在臨床醫(yī)療診斷中運用的圖像特征灰度直觀特征、灰度統(tǒng)計特征、變換域特征、代數(shù)特征。在圖像處理中，灰度特征是最直觀也是最全面表達(dá)圖像的特征，可以很好地反應(yīng)圖像的灰度分布信息?；叶忍卣魇亲钊菀滋崛〉奶卣鳎粡V泛運用到圖像的特征提取中，很多算法都是對灰度進(jìn)行抽取得到的。為了對圖像有更深層次、更本質(zhì)的描述，去除特征冗余性，很多特征是在對灰度進(jìn)行主成分分析(PCA)后獲得的。浙江大學(xué)申請的專利“基于主元分析和支持向量機的人臉檢測方法”(申請?zhí)枺?01110446113.0，公開號：CN102592145A)中公開了一種對輸入圖像區(qū)域進(jìn)行主成分分析的特征提取方法。該方法先將彩色圖像轉(zhuǎn)換為大小統(tǒng)一的灰度圖，再對處理后的圖像進(jìn)行主成分分析(PCA)，同時用支持向量機對分析的結(jié)果進(jìn)行分類。該方法存在的不足是，直接將灰度圖直接拉成列向量進(jìn)行主成分分析(PCA)，沒有將圖像的分布信息和空間信息融合進(jìn)去，不能表征圖像之間空間與位置上的關(guān)系。李男的學(xué)位論文“基于PCA的乳腺腫塊輔助診斷方法研究”(沈陽工業(yè)大學(xué)，2013年)公開了一種降低圖像特征維數(shù)的方法。該方法利用主成分分析(PCA)的方法降低醫(yī)學(xué)圖像特征維數(shù)，去除特征之間的相關(guān)性，使得處理速度得到提高而不影響實驗精度。但是，該方法仍然存在的不足是，選取的特征是直接將感興趣區(qū)域拉成列向量，沒有將組織的分布特征和空間特征融合進(jìn)去，由此造成組織信息表征不完全，影響了乳腺腫塊的診斷準(zhǔn)確性。馬萌的學(xué)位論文“基于Directionlet和稀疏表示的乳腺X線圖像檢測和增強”(碩士學(xué)位論文，西安電子科技大學(xué)，2012年)公開了一種將“本征臉”特征運用到乳腺圖像中的特征提取方法。該方法先提取樣本圖像塊的“本征臉”特征，構(gòu)建字典，然后直接獲取測試圖像塊的“本征臉”特征，對特征進(jìn)行分類，以特征在字典中的稀疏表示系數(shù)作為分類評判標(biāo)準(zhǔn)。該方法存在的不足是：特征維數(shù)太高，存在信息冗余，沒有突出整體圖像塊中間密度大邊緣密度小的重要性，分類準(zhǔn)確率不高。中山大學(xué)申請的專利“一種基于結(jié)構(gòu)主元分析的人臉識別方法”(申請?zhí)枺?00610124229.1，公開號：CN100423020C)，公開了一種用二維主成分分析(2DPCA)計算每個圖像塊的主元和主元特征的方法。該方法先將幾何規(guī)整后的圖像分割為30個互不重疊且大小一致的圖像塊，然后計算圖像塊的結(jié)構(gòu)主元，再由圖像塊左乘各個結(jié)構(gòu)主元得到圖像塊的結(jié)構(gòu)主元特征。該方法的不足是：圖像塊的劃分方式對圖像塊內(nèi)包含的內(nèi)容定義不明確，不能完全運用在乳腺特征中。

技術(shù)實現(xiàn)要素：
本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提出一種基于塔形PCA的乳腺鉬靶X線圖像塊特征提取方法，以使圖像特征表示更為魯棒，提高乳腺鉬靶X線攝影圖像的腫塊區(qū)域檢出率。實現(xiàn)本發(fā)明的技術(shù)思路是，通過滑動窗提取乳腺鉬靶X線攝影圖像中乳腺部分的圖像塊，將乳腺鉬靶X線圖像塊由內(nèi)而外劃分為5層，構(gòu)成一個塔形結(jié)構(gòu)，分層提取乳腺鉬靶X線圖像塊的灰度特征，同時對乳腺鉬靶X線圖像塊各層灰度特征進(jìn)行分層降維。在分層降維的過程中，乳腺鉬靶X線圖像塊第一層灰度特征降維后的特征維數(shù)最高，隨著層數(shù)變高，降維后的特征維數(shù)變少，使符合乳腺鉬靶X線圖像塊中間的灰度信息量多，邊緣信息量少的特點，將乳腺鉬靶X線圖像塊中間密度大邊緣密度小的特征表征出來，達(dá)到更為準(zhǔn)確地表征乳腺鉬靶X線圖像塊的灰度特征，更為合理地加入乳腺腫塊密度分布特征，更為魯棒地表示乳腺鉬靶X線圖像塊，提高乳腺鉬靶X線攝影圖像病變區(qū)域檢出率的目的。為實現(xiàn)上述目的，本發(fā)明包括如下主要步驟：(1)預(yù)處理：(1a)采用中值濾波的方法，對乳腺鉬靶X線攝影圖像進(jìn)行去噪處理；(1b)對去噪后的乳腺鉬靶X線攝影圖像進(jìn)行下5采樣，得到下采樣后的乳腺鉬靶X線圖像；(1c)對下采樣后的乳腺鉬靶X線圖像，從其上邊緣向下裁剪40行，從其下邊緣向上裁剪40行，從其左邊緣向右裁剪10列，從其右邊緣向左裁剪10列，得到剪裁后的乳腺鉬靶X線攝影圖像；(1d)采用最大類間方差法，對裁剪后的乳腺鉬靶X線圖像進(jìn)行二值化處理，獲得乳腺組織區(qū)域；(1e)設(shè)置滑動窗窗口的大小為100×100個像素，在獲得的乳腺組織區(qū)域中按行的方向滑動掃描，滑動窗每次滑動截取一個大小為100×100個像素乳腺鉬靶X線圖像塊；(2)構(gòu)成塔形結(jié)構(gòu)：(2a)將乳腺鉬靶X線圖像塊的第34行、第65行、第34列及第65列所圍成的正方形區(qū)域作為第一層圖像層；(2b)由第一層圖像層向上、下、左、右四個方向各延伸8個像素，將延伸的區(qū)域作為第二層圖像層；(2c)由第二層圖像層向上、下、左、右四個方向各延伸8個像素，將延伸的區(qū)域作為第三層圖像層；(2d)由第三層圖像層向上、下、左、右四個方向各延伸8個像素，將延伸的區(qū)域作為第四層圖像層；(2e)由第四層圖像層向上、下、左、右四個方向延伸至填充整個乳腺鉬靶X線圖像塊，將延伸的區(qū)域作為第五層圖像層；(3)獲得各圖像層的灰度特征向量：采用灰度特征提取方法，逐層提取乳腺鉬靶X線圖像塊的灰度特征，獲得乳腺鉬靶X線圖像塊各圖像層的灰度特征向量；(4)訓(xùn)練各圖像層灰度特征的特征空間：從乳腺影像數(shù)字?jǐn)?shù)據(jù)庫DDSM數(shù)據(jù)庫中，選取500幅乳腺腫塊圖像作為訓(xùn)練圖像，采用主成分分析PCA方法，訓(xùn)練得到各圖像層灰度特征的特征空間：(4a)按照步驟(2)的塔形結(jié)構(gòu)劃分方法，分別將500幅訓(xùn)練圖像中每幅訓(xùn)練圖像劃分為5層圖像層；(4b)采用灰度特征提取方法，逐層提取500幅訓(xùn)練圖像中每幅訓(xùn)練圖像各圖像層的灰度特征向量，將第一層所提取的500個灰度特征向量按列組成第一層灰度特征矩陣G1，將第二層所提取的500個灰度特征向量按列組成第二層灰度特征矩陣G2，將第三層所提取的500個灰度特征向量按列組成第三層灰度特征矩陣G3，將第四層所提取的500個灰度特征向量按列組成第四層灰度特征矩陣G4，將第五層所提取的500個灰度特征向量按列組成第五層灰度特征矩陣G5；(4c)采用主成分分析PCA方法，分別提取各層灰度特征矩陣的主成分，得到由20個主成分組成的第一層灰度特征的特征空間D1，由16個主成分組成的第二層灰度特征的特征空間D2，由8個主成分組成的第三層灰度特征的特征空間D3，由4個主成分組成的第四層灰度特征的特征空間D4，由2個主成分組成的第五層灰度特征的特征空間D5；(5)獲得各圖像層的主成分特征：(5a)用乳腺鉬靶X線圖像塊第一層圖像層的灰度特征向量左乘第一層灰度特征的特征空間D1的轉(zhuǎn)置，得到乳腺鉬靶X線圖像塊第一個圖像層的主成分特征，將第一個圖像層灰度特征維數(shù)降低至20維；(5b)用乳腺鉬靶X線圖像塊第二層圖像層的灰度特征向量左乘第二層灰度特征的特征空間D2的轉(zhuǎn)置，得到乳腺鉬靶X線圖像塊第二個圖像層的主成分特征，將第二個圖像層灰度特征維數(shù)降低至16維；(5c)用乳腺鉬靶X線圖像塊第三層圖像層的灰度特征向量左乘第三層灰度特征的特征空間D3的轉(zhuǎn)置，得到乳腺鉬靶X線圖像塊第三個圖像層的主成分特征，將第三個圖像層灰度特征維數(shù)降低至8維；(5d)用乳腺鉬靶X線圖像塊第四層圖像層的灰度特征向量左乘第四層灰度特征的特征空間D4的轉(zhuǎn)置，得到乳腺鉬靶X線圖像塊第四個圖像層的主成分特征，將第四個圖像層灰度特征維數(shù)降低至4維；(5e)用乳腺鉬靶X線圖像塊第五層圖像層的灰度特征向量左乘第五層灰度特征的特征空間D5的轉(zhuǎn)置，得到乳腺鉬靶X線圖像塊第五個圖像層的主成分特征，將第五個圖像層灰度特征維數(shù)降低至2維；(6)獲得基于塔形PCA的乳腺鉬靶X線圖像塊特征：將獲得的乳腺鉬靶X線圖像塊5個圖像層的主成分特征，按第一層至第五層的順序依次首尾相連，獲得基于塔形主成分分析PCA的乳腺鉬靶X線圖像塊特征向量。本發(fā)明與現(xiàn)有方法相比具有如下優(yōu)點：第一，由于本發(fā)明采用了按照構(gòu)造的塔形結(jié)構(gòu)進(jìn)行分層降維的方式，克服了現(xiàn)有技術(shù)主成分分析方法直接提取特征主成分方法固定的缺點，使得本發(fā)明具有提取的特征符合腫塊中間灰度信息量多，邊緣信息量少的特點，獲得的基于塔形PCA的灰度特征更為合理。第二，由于本發(fā)明采用了分層提取乳腺鉬靶X線圖像塊的灰度特征的方式，克服了現(xiàn)有技術(shù)灰度特征提取方法固定、不考慮腫塊空間分布特征的缺點，使得本發(fā)明提取的乳腺鉬靶X線圖像塊的灰度特征更為精確，提取的灰度特征包含乳腺腫塊密度分布特征更為完整，提高了組織信息表征的完全性。第三，由于本發(fā)明利用主成分分析PCA對提取的各層灰度特征進(jìn)行分層降維，克服了現(xiàn)有技術(shù)提取的特征維數(shù)太高，使得本發(fā)明獲得的基于塔形PCA的灰度特征去除了特征之間的相關(guān)性和冗余信息，突出了整體乳腺鉬靶X線圖像塊中間密度大邊緣密度小的重要性，提高了乳腺鉬靶X線攝影圖像中腫塊的檢出率。第四，由于本發(fā)明構(gòu)建塔形結(jié)構(gòu)的方式與腫塊延伸方式相關(guān)，克服了現(xiàn)有技術(shù)特征提取方法中不包含腫塊由中間向外延伸生長特征的缺點，提高了特征提取方式對乳腺圖像的適應(yīng)性。附圖說明圖1為本發(fā)明的流程圖。具體實施方式下面結(jié)合附圖1，對本發(fā)明實現(xiàn)的步驟作進(jìn)一步的詳細(xì)描述。步驟1，預(yù)處理。對乳腺鉬靶X線攝影圖像進(jìn)行預(yù)處理，經(jīng)滑動窗獲取得到的乳腺鉬靶X線圖像塊，乳腺鉬靶X線圖像塊的寬度為100個像素，乳腺鉬靶X線圖像塊的高度為100個像素。對乳腺鉬靶X線攝影圖像進(jìn)行預(yù)處理的方法按如下步驟進(jìn)行：第一步，采用中值濾波的方法，對乳腺鉬靶X線攝影圖像進(jìn)行去噪處理：將中值濾波器的滑動窗設(shè)置為3×3個像素的正方形窗，用正方形窗沿著乳腺鉬靶X線攝影圖像行的方向逐像素滑動，在每一次滑動期間內(nèi)，將正方形窗中的所有像素的灰度值，按照由小到大的順序進(jìn)行排序，選取排序結(jié)果的中間值，替代正方形窗中心位置像素的灰度值。第二步，對去噪后的乳腺鉬靶X線攝影圖像進(jìn)行下5采樣，得到下采樣后的乳腺鉬靶X線圖像：首先，將下采樣的采樣間隔設(shè)置為5；然后，在去噪后的乳腺鉬靶X線攝影圖像中每隔5個像素保留一個像素，將保留的所有像素構(gòu)成下采樣后的乳腺鉬靶X線圖像得到下采樣后的乳腺鉬靶X線圖像。第三步，對下采樣后的乳腺鉬靶X線圖像，從其上邊緣向下裁剪40行，從其下邊緣向上裁剪40行，從其左邊緣向右裁剪10列，從其右邊緣向左裁剪10列，得到剪裁后的乳腺鉬靶X線攝影圖像。第四步，采用最大類間方差法，對裁剪后的乳腺鉬靶X線圖像進(jìn)行二值化處理，獲得乳腺組織區(qū)域，具體實施方法如下：對裁剪后的乳腺鉬靶X線圖像中所有像素的灰度值求平均值，得到裁剪后的乳腺鉬靶X線圖像的平均灰度值u。在裁剪后的乳腺鉬靶X線圖像中所有像素的灰度值中，選取最小值與最大值范圍之間的任意一個灰度值，作為目標(biāo)與背景的分割閾值t。按照下式，計算目標(biāo)與背景的類間方差：G＝w1×(u1-u)2+w2×(u2-u)2其中，G表示裁剪后的乳腺鉬靶X線圖像目標(biāo)與背景的類間方差，w1表示裁剪后的乳腺鉬靶X線圖像中灰度值大于分割閾值t的目標(biāo)像素個數(shù)與乳腺鉬靶X線圖像總像素個數(shù)之比，u1表示裁剪后的乳腺鉬靶X線圖像目標(biāo)像素的平均灰度值，u表示裁剪后的乳腺鉬靶X線圖像的平均灰度值，w2表示裁剪后的乳腺鉬靶X線圖像中灰度值小于或等于分割閾值t的背景像素個數(shù)與乳腺鉬靶X線圖像總像素個數(shù)之比，u2表示裁剪后的乳腺鉬靶X線圖像背景像素的平均灰度值。遍歷目標(biāo)與背景的分割閾值t的所有取值，找尋類間方差G最大時，分割閾值t所對應(yīng)的取值，將該值作為最佳分割閾值。提取裁剪后的乳腺鉬靶X線圖像所有灰度值大于最佳分割閾值t的像素，構(gòu)成乳腺組織區(qū)域。第五步，設(shè)置滑動窗窗口的大小為100×100個像素，在獲得的乳腺組織區(qū)域中按行的方向滑動掃描，滑動窗每次滑動截取一個大小為100×100個像素乳腺鉬靶X線圖像塊。步驟2，構(gòu)成塔形結(jié)構(gòu)。將乳腺鉬靶X線圖像塊由中心向外劃分為5層圖像層，構(gòu)成一個塔形結(jié)構(gòu)：第一步，將乳腺鉬靶X線圖像塊的第34行、第65行、第34列及第65列所圍成的正方形區(qū)域作為第一層圖像層。第二步，由第一層圖像層向上、下、左、右四個方向各延伸8個像素，將延伸的區(qū)域作為第二層圖像層。第三步，由第二層圖像層向上、下、左、右四個方向各延伸8個像素，將延伸的區(qū)域作為第三層圖像層。第四步，由第三層圖像層向上、下、左、右四個方向各延伸8個像素，將延伸的區(qū)域作為第四層圖像層。第五步，由第四層圖像層向上、下、左、右四個方向延伸至填充整個乳腺鉬靶X線圖像塊，將延伸的區(qū)域作為第五層圖像層。步驟3，獲得各圖像層的灰度特征向量。采用灰度特征提取方法，逐層提取乳腺鉬靶X線圖像塊的灰度特征，獲得乳腺鉬靶X線圖像塊各圖像層的灰度特征向量?；叶忍卣魈崛》椒ò慈缦虏襟E進(jìn)行：第一步，逐列提取構(gòu)成乳腺鉬靶X線圖像塊第k層圖像層的乳腺圖像區(qū)域的灰度值。第二步，組合提取的各列灰度值，得到構(gòu)成乳腺鉬靶X線圖像塊第k層圖像層的乳腺圖像區(qū)域的灰度特征列向量。步驟4，訓(xùn)練各圖像層灰度特征的特征空間。從乳腺影像數(shù)字?jǐn)?shù)據(jù)庫DDSM數(shù)據(jù)庫中，選取500幅乳腺腫塊圖像作為訓(xùn)練圖像，采用主成分分析PCA方法，訓(xùn)練得到各圖像層灰度特征的特征空間。第一步，按照步驟2的塔形結(jié)構(gòu)劃分方法，分別將500幅訓(xùn)練圖像中每幅訓(xùn)練圖像劃分為5層圖像層。第二步，采用灰度特征提取方法，逐層提取500幅訓(xùn)練圖像中每幅訓(xùn)練圖像各圖像層的灰度特征向量，將第一層所提取的500個灰度特征向量按列組成第一層灰度特征矩陣G1，將第二層所提取的500個灰度特征向量按列組成第二層灰度特征矩陣G2，將第三層所提取的500個灰度特征向量按列組成第三層灰度特征矩陣G3，將第四層所提取的500個灰度特征向量按列組成第四層灰度特征矩陣G4，將第五層所提取的500個灰度特征向量按列組成第五層灰度特征矩陣G5。采用灰度特征提取方法逐層提取每幅訓(xùn)練圖像各圖像層的灰度特征向量的具體實施方法如下：逐列提取構(gòu)成第i幅訓(xùn)練圖像第k層圖像層的乳腺圖像區(qū)域的灰度值。組合提取的各列灰度值，得到構(gòu)成第i幅訓(xùn)練圖像第k層圖像層的乳腺圖像區(qū)域的灰度特征列向量。第三步，采用主成分分析PCA方法，分別提取各層灰度特征矩陣的主成分，得到由20個主成分組成的第一層灰度特征的特征空間D1，由16個主成分組成的第二層灰度特征的特征空間D2，由8個主成分組成的第三層灰度特征的特征空間D3，由4個主成分組成的第四層灰度特征的特征空間D4，由2個主成分組成的第五層灰度特征的特征空間D5。采用主成分分析PCA方法分別提取各層灰度特征矩陣的主成分組成各層灰度特征的特征空間的具體實施方法如下：本步驟中第二步得到的第k層灰度特征矩陣Gk的構(gòu)成結(jié)構(gòu)如下：Gk＝[gk1,gk2,…gki,…gk500]其中，Gk表示第k層灰度特征矩陣，gki表示第i幅訓(xùn)練圖像在第k層的灰度特征列向量。按照下式，計算第k層的灰度特征向量平均值Ψk：其中，Ψk表示第k層的灰度特征向量平均值，i表示訓(xùn)練圖像的標(biāo)號，gki表示第i幅訓(xùn)練圖像在第k層的灰度特征列向量。按照下式，計算得到每一幅訓(xùn)練圖像在第k層的灰度特征列向量與第k層的灰度特征向量平均值的差值：dki＝gki-Ψk其中，dki表示第i幅訓(xùn)練圖像在第k層的灰度特征列向量與第k層的灰度特征向量平均值的差值，Ψk表示第k層的灰度特征向量平均值，i表示訓(xùn)練圖像的標(biāo)號，gki表示第i幅訓(xùn)練圖像在該層的灰度特征列向量。按照下式，構(gòu)建第k層的差值矩陣Ak：Ak＝[dk1,dk2,…dki,…dk500]其中，Ak表示第k層的差值矩陣，i表示訓(xùn)練圖像的標(biāo)號，dki表示第i幅訓(xùn)練圖像在第k層的灰度特征列向量與該層的灰度特征向量平均值的差值。按照下式，構(gòu)建第k層的協(xié)方差矩陣Ck：其中，Ck表示第k層的協(xié)方差矩陣，Ak表示第k層的差值矩陣，AkT表示第k層的差值矩陣Ak的轉(zhuǎn)置。計算第k層的協(xié)方差矩陣Ck的特征值λki和正交歸一化特征向量uki，根據(jù)貢獻(xiàn)率選擇前pk個最大特征值對應(yīng)的特征向量，其中貢獻(xiàn)率是指所選取的前pk個最大特征值之和與所有特征值之和的比值。將貢獻(xiàn)率設(shè)定為90％，使?jié)M足前pk個最大特征值之和與所有特征值之和的比值大于等于90％的條件。按照下式，得到第k層灰度特征的特征空間：其中，Dk表示第k層灰度特征的特征空間，表示前pk個最大特征值對應(yīng)的特征向量，pk的值在第一層至第五層中分別對應(yīng)于20、16、8、4、2。步驟5，獲得各圖像層的主成分特征。分別將乳腺鉬靶X線圖像塊各圖像層的灰度特征向量映射到相應(yīng)圖像層灰度特征的特征空間上，分層提取乳腺鉬靶X線圖像塊各圖像層灰度特征的主成分特征，達(dá)到分層降維的目的。第一步，用乳腺鉬靶X線圖像塊第一層圖像層的灰度特征向量左乘第一層灰度特征的特征空間D1的轉(zhuǎn)置，得到乳腺鉬靶X線圖像塊第一個圖像層的主成分特征，將第一個圖像層灰度特征維數(shù)降低至20維。第二步，用乳腺鉬靶X線圖像塊第二層圖像層的灰度特征向量左乘第二層灰度特征的特征空間D2的轉(zhuǎn)置，得到乳腺鉬靶X線圖像塊第二個圖像層的主成分特征，將第二個圖像層灰度特征維數(shù)降低至16維。第三步，用乳腺鉬靶X線圖像塊第三層圖像層的灰度特征向量左乘第三層灰度特征的特征空間D3的轉(zhuǎn)置，得到乳腺鉬靶X線圖像塊第三個圖像層的主成分特征，將第三個圖像層灰度特征維數(shù)降低至8維。第四步，用乳腺鉬靶X線圖像塊第四層圖像層的灰度特征向量左乘第四層灰度特征的特征空間D4的轉(zhuǎn)置，得到乳腺鉬靶X線圖像塊第四個圖像層的主成分特征，將第四個圖像層灰度特征維數(shù)降低至4維。第五步，用乳腺鉬靶X線圖像塊第五層圖像層的灰度特征向量左乘第五層灰度特征的特征空間D5的轉(zhuǎn)置，得到乳腺鉬靶X線圖像塊第五個圖像層的主成分特征，將第五個圖像層灰度特征維數(shù)降低至2維。步驟6，獲得基于塔形PCA的乳腺鉬靶X線圖像塊特征。將獲得的乳腺鉬靶X線圖像塊5個圖像層的主成分特征，按第一層至第五層的順序依次首尾相連構(gòu)成一個50維的列向量，獲得基于塔形主成分分析PCA的乳腺鉬靶X線圖像塊特征向量。本發(fā)明的效果可以通過以下仿真實驗做進(jìn)一步的說明。1.仿真條件：本發(fā)明是在中央處理器為Intel(R)Corei3-21003.10GHZ、內(nèi)存4G、WINDOWS7操作系統(tǒng)上，運用MATLAB軟件進(jìn)行的仿真。2.仿真內(nèi)容：本發(fā)明對大量乳腺鉬靶X線攝影圖像進(jìn)行了測試實驗，實驗圖像來自于乳腺影像數(shù)字?jǐn)?shù)據(jù)庫DDSM數(shù)據(jù)庫中任意選取的1191幅乳腺鉬靶X線攝影圖像。本發(fā)明以檢出率和假陽性率為指標(biāo)對方法性能進(jìn)行評測，仿真對比了不同特征提取方法對乳腺鉬靶X線攝影圖像進(jìn)行腫塊檢測的檢出率和假陽性率。仿真實驗中，選取1191幅乳腺鉬靶X線攝影圖像中的200幅乳腺鉬靶X線攝影圖像作為腫塊檢測的訓(xùn)練集，其中包含腫塊的乳腺鉬靶X線攝影圖像和正常的乳腺鉬靶X線攝影圖像各100幅，其余991幅乳腺鉬靶X線攝影圖像作為腫塊檢測的測試集，其中包含惡性腫塊的乳腺鉬靶X線攝影圖像有508幅，包含良性腫塊的乳腺鉬靶X線攝影圖像有483幅。對腫塊檢測的訓(xùn)練集圖像進(jìn)行特征提取形成字典，對腫塊檢測的測試圖像進(jìn)行滑動窗提取乳腺鉬靶X線圖像塊而后進(jìn)行特征提取，運用稀疏表示分類器得到第一次稀疏表示檢測結(jié)果，再將標(biāo)記出的腫塊區(qū)域進(jìn)行滑動窗合并，運用區(qū)域生長算法提取感興趣區(qū)域，進(jìn)行第二次稀疏表示檢測，最終標(biāo)記疑似腫塊區(qū)域，達(dá)到檢測的目的，得到檢出率和假陽性率。檢出率表征二次稀疏表示檢測對腫塊檢測的測試集中正確檢測出的腫塊結(jié)果個數(shù)與腫塊檢測的測試集中所有腫塊個數(shù)之比。假陽性率表征二次稀疏表示檢測在腫塊檢測的測試集中平均每幅用作腫塊檢測的圖像標(biāo)記出的假陽個數(shù)。在保證檢測模型相同的情況下，檢出率和假陽性率直接反映了圖像特征的優(yōu)劣，因此檢出率越高，假陽性率越低，表明圖像特征越好。對于輔助放射科醫(yī)生進(jìn)行醫(yī)學(xué)診斷的檢測技術(shù)而言，兩種指標(biāo)中提高檢出率更為重要。本發(fā)明的仿真實驗是對991幅乳腺鉬靶X線攝影圖像中，包含惡性腫塊的乳腺鉬靶X線攝影圖像和包含良性腫塊的乳腺鉬靶X線攝影圖像，進(jìn)行腫塊檢測的檢出率和假陽性率的進(jìn)行了對比。對比實驗結(jié)果如表1所示。表1中的第一列中cancer表示數(shù)據(jù)庫中包含惡性腫塊的乳腺鉬靶X線攝影圖像的不同case，第三列中benign表示包含良性腫塊的乳腺鉬靶X線攝影圖像的不同case，第二列和第五列中的分?jǐn)?shù)表示檢出率，其中，分子表示檢測出的腫塊數(shù)，分母表示該case中所有腫塊數(shù)之和，第三列和第六列中的數(shù)字表示假陽性率。由表1可見，惡性腫塊的檢出率更高，比良性腫塊的檢出率高8個百分點，同時惡性腫塊的假陽性率相對良性腫塊較低，平均每幅乳腺鉬靶X線攝影圖像中少0.7個。在對實驗結(jié)果的分析中，發(fā)現(xiàn)本發(fā)明對于中心亮度區(qū)域較為敏感，這是因為本發(fā)明突出了乳腺腫塊區(qū)域中間密度大邊緣密度小的特點，所以能夠更好地描述惡性乳腺腫塊特征，由此獲得在檢出率上優(yōu)于良性腫塊的效果，驗證了算法的特性。表1本發(fā)明特征提取方法的乳腺腫塊檢測結(jié)果本發(fā)明的第二個仿真實驗是對多種特征提取方法，對鉬靶X線攝影圖像腫塊檢測的檢出率進(jìn)行對比，對比的多種特征提取方法包括對灰度特征直接降維的方法、提取方向梯度直方圖(HistogramofOrientedGradient，HOG)特征并進(jìn)行降維的方法和本發(fā)明方法。對比實驗結(jié)果如表2所示。表2灰度特征直接降維以及HOG特征降維與本發(fā)明檢出率對比Cases直接降維HOG特征降維本發(fā)明cancer_0119/4134/4137/41cancer_0230/6248/6254/62cancer_0535/5043/5043/50cancer_0616/3123/3128/31平均檢出率100/184＝0.54148/184＝0.80162/184＝0.88表2中第一列中cancer表示數(shù)據(jù)庫中包含惡性腫塊的乳腺鉬靶X線攝影圖像的不同case，第二列中的分?jǐn)?shù)表示利用灰度特征直接降維的方法進(jìn)行腫塊檢測的檢出率，第三列中的分?jǐn)?shù)表示利用方向梯度直方圖HOG特征降維的方法進(jìn)行腫塊檢測的檢出率，第四列中的分?jǐn)?shù)表示用本發(fā)明的方法進(jìn)行腫塊檢測的檢出率。由表2可見，本發(fā)明的檢出率是三種方法中最高的，這是因為本發(fā)明突出了乳腺腫塊區(qū)域中間密度大邊緣密度小的特點，所以能夠更好地描述乳腺腫塊特征，由此獲得在檢出率上優(yōu)于其他特征提取方法的效果，進(jìn)一步驗證了算法的先進(jìn)性。綜上所述，本發(fā)明能有效地表示乳腺鉬靶X線圖像塊的特征，提高了乳腺腫塊的檢出率，從而輔助放射科醫(yī)生進(jìn)行醫(yī)學(xué)診斷。