基于乳腺子區(qū)域密度聚類的乳腺腫塊分割系統(tǒng)及方法
【專利摘要】本發(fā)明提供一種基于乳腺子區(qū)域密度聚類的乳腺腫塊分割系統(tǒng)及方法，涉及醫(yī)學(xué)圖像后處理技術(shù)領(lǐng)域。本發(fā)明通過預(yù)處理單元對乳腺圖像進行前期圖像預(yù)處理后，由分割窗口單元將圖像分成若干子區(qū)域，利用密度特征提取單元分別對各子區(qū)域進行密度特征提取，并由聚類單元進行聚類，最后由分割結(jié)果可視化單元將聚類分割后的圖像顯示出來。本發(fā)明提供的基于乳腺子區(qū)域密度聚類的乳腺腫塊分割系統(tǒng)及方法采用基于乳腺子區(qū)域密度聚類的方法，進行乳腺腫塊的準(zhǔn)確分割，并將分割后腫塊位置清晰的顯示出來，能有效輔助乳腺疾病的準(zhǔn)確診斷。
【專利說明】
基于乳腺子區(qū)域密度聚類的乳腺腫塊分割系統(tǒng)及方法
技術(shù)領(lǐng)域：
[0001] 本發(fā)明設(shè)及醫(yī)學(xué)圖像后處理技術(shù)領(lǐng)域，尤其設(shè)及一種基于乳腺子區(qū)域密度聚類的 乳腺腫塊分割系統(tǒng)及方法。
【背景技術(shù)】：
[0002] 乳腺癌是女性最常見的惡性腫瘤疾病，早期發(fā)現(xiàn)、早期診斷、早期治療是降低乳腺 癌危害性的關(guān)鍵。計算機輔助診斷技術(shù)能夠?qū)哂腥橄侔┨匦缘囊伤颇[塊進行分割、檢測 和分類。其中，疑似腫塊的分割是乳腺癌輔助診斷的基礎(chǔ)。同時，乳腺密度是乳腺癌腫塊的 重要特征。目前國內(nèi)外對乳腺疑似腫塊的研究有很多，大致分為兩類，一類是基于邊緣的方 法，另外一類是基于區(qū)域的方法，但運兩類方法都不能很好的體現(xiàn)乳腺腫塊的密度運一重 要特征。

【發(fā)明內(nèi)容】
：
[0003] 針對現(xiàn)有技術(shù)的缺陷，本發(fā)明提供一種基于乳腺子區(qū)域密度聚類的乳腺腫塊分割 系統(tǒng)及方法，采用基于乳腺子區(qū)域密度聚類的方法，進行乳腺腫塊的準(zhǔn)確分割，能有效輔助 乳腺疾病的準(zhǔn)確診斷。
[0004] 一方面，本發(fā)明提供一種基于乳腺子區(qū)域密度聚類的乳腺腫塊分割系統(tǒng)，該系統(tǒng) 包括:預(yù)處理單元、分割窗口單元、密度特征提取單元、聚類單元和分割結(jié)果可視化單元。
[0005] 預(yù)處理單元包括圖像去噪器、圖像增強器、圖像灰度級變化器和乳腺邊緣坐標(biāo)生 成器。
[0006] 圖像去噪器，用于對乳腺圖像進行去噪處理，得到去噪后的圖像；
[0007] 圖像增強器，用于強調(diào)去噪后的乳腺圖像中整體或局部特性，擴大圖像中不同部 位間的差異、抑制不感興趣區(qū)域的表達(dá)和增大疑似腫塊與周圍組織的對比度，得到增強圖 像；
[000引圖像灰度級變化器，用于將增強圖像的灰度級進行壓縮，W便接下來的特征提取 單元使用；
[0009]乳腺邊緣坐標(biāo)生成器，用于獲得乳腺部分的邊緣坐標(biāo)，屏蔽背景區(qū)域?qū)δ[塊提取 的影響。
[0010]分害幡口單元包括滑動窗口生成器和子區(qū)域分割器。
[0011] 滑動窗口生成器，用于生成一個放置在左側(cè)乳腺CC圖像中乳腺部分的左上角或右 側(cè)乳腺CC圖像中乳腺部分的右上角的正方形滑動窗口；
[0012] 子區(qū)域分割器，用于將乳腺圖像中乳腺部分劃分成若干個相互重疊的子區(qū)域，作 為之后處理單元的基礎(chǔ)。
[0013] 密度特征提取單元包括子區(qū)域直方圖的均值提取器、方差提取器、偏斜度提取器、 峰值提取器、灰度密度均值提取器、灰度密度方差提取器、灰度密度偏斜度提取器和灰度密 度峰值提取器，分別用于提取各所述子區(qū)域的對應(yīng)特征值。
[0014] 聚類單元用于對所述子區(qū)域的對應(yīng)特征值采用聚類算法進行聚類。
[0015] 分割結(jié)果可視化單元包括腫塊分割結(jié)果顯示器和腫塊邊緣坐標(biāo)生成器。
[0016] 腫塊分割結(jié)果顯示器，用于將子區(qū)域聚類的結(jié)果可視化的顯示出來，W便可W清 晰的看到腫塊位置所在；
[0017] 腫塊邊緣坐標(biāo)生成器，用于提取腫塊的邊緣坐標(biāo)，W便測試準(zhǔn)確率，并為乳腺癌輔 助診斷提供基礎(chǔ)。
[0018] 進一步地，均值提取器，用于提取各子區(qū)域的均值，用來描述子區(qū)域的密度均值， 均值計算公式為：
[0019]
[0020] 其中，Vi為子區(qū)域的密度均值，L為圖像的灰度級，Zi為灰度為i的像素數(shù)，P(Zi)為 灰度為i的像素數(shù)占所有像素數(shù)的比例；
[0021 ]方差提取器，用于提取各子區(qū)域的方差，用來描述子區(qū)域的密度變化的情況，方差 計算公式
[0022]
[0023] 其中，V2為子區(qū)域的密度方差，m為圖像的灰度均值；
[0024] 偏斜度提取器，用于提取各子區(qū)域的斜偏度，用來描述子區(qū)域密度分布的對稱性， 偏斜度計算公式為：
[0025]
[00%]其中，V3為子區(qū)域的密度斜偏度；
[0027]峰值提取器，用于提取各子區(qū)域的峰值，用來描述子區(qū)域密度的峰值，峰值計算公 式為：
[002引
[0029] 其中，V4為子區(qū)域的密度峰值；
[0030] 灰度密度方差提取器，用于提取各子區(qū)域的灰度密度方差，用來描述子區(qū)域的灰 度密度的變化情況，灰度密度方差計算公式為：
[0031]
[003。 其中，V日為子區(qū)域的灰度密度方差，郵為子區(qū)域的灰度密度均值，j
[0033] 灰度密度偏斜度提取器，用于提取各子區(qū)域的灰度密度斜偏度，用來描述子區(qū)域 的灰度密度分度的對稱性，灰度密度偏斜度的計算公式為：
[0034]
[0035] 其中，V6為子區(qū)域的灰度密度斜偏度；
[0036] 灰度密度峰值提取器，用于提取各子區(qū)域的灰度密度峰值，用來描述子區(qū)域的灰 度密度峰值，灰度密度峰值的計算公式為：
[0037]
[003引其中，V7為子區(qū)域的灰度密度峰值。
[0039] 進一步地，聚類單元包括變換矩陣生成器、隨機參數(shù)生成器、轉(zhuǎn)換器、降維器和聚 類器；
[0040] 變換矩陣生成器，用于根據(jù)無監(jiān)督的ELM算法化S-ELM)原理，生成乳腺鋼祀圖像各 個子區(qū)域特征矩陣的拉普拉斯變換矩陣；
[0041] 隨機參數(shù)生成器，用于根據(jù)設(shè)定隱層節(jié)點個數(shù)，隨機生成輸入節(jié)點的權(quán)重向量和 隱層節(jié)點的闊值；
[0042] 轉(zhuǎn)換器，用于根據(jù)無監(jiān)督的ELM算法原理，利用輸入節(jié)點的權(quán)重向量和隱層節(jié)點的 闊值生成US-ELM中的乳腺子區(qū)域特征的隱層輸出矩陣；
[0043] 降維器，用于根據(jù)無監(jiān)督的ELM算法原理，根據(jù)變換矩陣生成器生成的拉普拉斯矩 陣和乳腺子區(qū)域特征的隱層輸出矩陣，得到乳腺子區(qū)域特征降維后的=維特征；
[0044] 聚類器，用于采用聚類算法對降維器得到的=維特征進行聚類。
[0045] 另一方面，本發(fā)明還提供一種基于乳腺子區(qū)域密度聚類的乳腺腫塊分割方法，該 方法包括W下步驟：
[0046] 步驟1:對乳腺圖像進行去燥、增強和灰度級壓縮的預(yù)處理，并獲得乳腺邊緣坐標(biāo)；
[0047] 步驟2:生成滑動窗口，并將整個乳腺部分進行分割；
[004引步驟3 :得到各個乳腺子區(qū)域的直方圖特征矩變量;特征具體包括:各個乳腺子區(qū) 域的均值特征、方差特征、偏斜度特征、峰值特征、灰度密度方差特征、灰度密度偏斜度特征 和灰度密度峰值特征，各所述特征均為列矩陣；
[0049] 步驟4:將步驟3得到的特征進行聚類；
[0050] 步驟5:將聚類后得到的乳腺腫塊分割結(jié)果可視化的顯示出來，并對顯示的圖像進 行邊緣檢測，得到腫塊的邊緣坐標(biāo)。
[0051] 進一步地，步驟1具體包括：
[0052] 步驟101:對乳腺圖像進行均值濾波操作，得到去噪后的圖像；
[0053] 步驟102:對去噪后的圖像進行對比度增強操作，得到增強圖像；
[0054] 步驟103:將增強圖像進行灰度級壓縮，得到壓縮后的圖像；
[0055] 步驟104:對增強圖像進行邊緣檢測操作，獲得乳腺邊緣坐標(biāo)。
[0056] 進一步地，步驟2具體包括：
[0057] 步驟201:生成一個正方形滑動窗口，并利用步驟1得到的乳腺邊緣坐標(biāo)，讓該窗口 放置在左側(cè)乳腺CC圖像中乳腺部分的左上角或右側(cè)乳腺CC圖像中乳腺部分的右上角；
[0058] 步驟202:利用生成的正方形滑動窗口，W預(yù)定步長，從乳腺的起點坐標(biāo)開始向下 滑動，當(dāng)窗口左上角坐標(biāo)超出乳腺范圍時，滑動窗口回到乳腺上部，并向右滑動一個步長的 距離，之后再向下滑動，依次循環(huán)，直到滑動窗口離開乳腺區(qū)域為止，即得到若干個相互交 叉的乳腺子區(qū)域。
[0059] 進一步地，步驟4中，利用無監(jiān)督的ELM算法和聚類算法將步驟3得到的特征進行聚 類，具體包括：
[0060] 步驟401:根據(jù)US-ELM的原理，生成輸入節(jié)點的拉普拉斯矩陣；
[0061] 步驟402:設(shè)定隱層節(jié)點個數(shù)，并隨機生成輸入節(jié)點的權(quán)重向量和隱層節(jié)點的闊 值；
[0062] 步驟403:根據(jù)US-ELM的原理，利用輸入節(jié)點的權(quán)重向量和隱層節(jié)點的闊值，將步 驟3得到的特征矩向量構(gòu)成的特征矩陣轉(zhuǎn)換成US-ELM中的乳腺子區(qū)域特征的隱層輸出矩 陣；
[0063] 步驟404:根據(jù)US-ELM的原理，利用步驟401生成的拉普拉斯矩陣和步驟403得到的 乳腺子區(qū)域特征的隱層輸出矩陣，得到乳腺子區(qū)域特征矩陣降維后的=維特征矩陣；
[0064] 步驟405:利用空間模糊C均值聚類算法對=維特征進行聚類，將=維特征矩陣的 每行看作一個點，將其分成3類，分別為Cl、C2和C3。
[0065] 進一步地，在步驟5中，將得到的乳腺腫塊分割結(jié)果可視化的顯示出來的具體過程 為:利用一張空白的圖像，將聚類后分成一類的點在空白的圖像上顯示出來，得到分類后的 圖像，將其顯示出來即可得到可視化的乳腺腫塊分割結(jié)果。
[0066] 進一步地，正方形滑動窗口像素大小為32 X 32。
[0067] 進一步地，增強圖像的灰度級壓縮由12位壓縮為8位。
[0068] 由上述技術(shù)方案可知，本發(fā)明提供的基于乳腺子區(qū)域密度聚類的乳腺腫塊分割系 統(tǒng)及方法，對乳腺圖像進行前期圖像預(yù)處理后，采用基于乳腺子區(qū)域密度聚類的方法，進行 乳腺腫塊的準(zhǔn)確分割，并將分割后腫塊位置清晰的顯示出來，能有效輔助乳腺疾病的準(zhǔn)確 診斷。
【附圖說明】：
[0069] 圖1為本發(fā)明實施例中待處理的乳腺鋼祀X線圖像；
[0070] 圖2為本發(fā)明實施例提供的系統(tǒng)結(jié)構(gòu)框圖；
[0071 ]圖3為本發(fā)明實施例提供的方法流程圖；
[0072] 圖4為圖3中對特征矩陣進行聚類的步驟流程圖；
[0073] 圖5為本發(fā)明實施例中乳腺腫塊分割后的圖像。
[0074] 圖中：1、預(yù)處理單元;2、分割窗口單元;3、密度特征提取單元;4、聚類單元;5、分割 結(jié)果可視化單元。
【具體實施方式】：
[0075] 下面結(jié)合附圖和實施例，對本發(fā)明的【具體實施方式】作進一步詳細(xì)描述。W下實施 例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。
[0076] 本實施例中，待處理的乳腺鋼祀X線圖像如圖1所示，該原始乳腺圖像為…， In)。圖2示出了基于乳腺子區(qū)域密度聚類的腫塊分割系統(tǒng)的結(jié)構(gòu)框圖，如圖2所示，本實施 例的系統(tǒng)包括:預(yù)處理單元1、分割窗口單元2、密度特征提取單元3、聚類單元4和分割結(jié)果 可視化單元5。
[0077] 預(yù)處理單元1包括圖像去噪器、圖像增強器、圖像灰度級變化器和乳腺邊緣坐標(biāo)生 成器。
[007引圖像去噪器，用于對乳腺圖像…，In)進行去噪操作，減少乳腺鋼祀X線圖像 中的噪聲，得到去噪后的圖像化1，化，…，Un)。
[0079] 圖像增強器，用于強調(diào)去噪后的乳腺圖像(化，化，…，Un)中整體或局部特性，擴大 圖像中不同部位間的差異，抑制不感興趣區(qū)域的表達(dá)，增大疑似腫塊與周圍組織的對比度， 得到增強圖像(Ti，T2,…，Tn)。
[0080] 圖像灰度級變化器，用于將增強圖像(Tl, T2,…，Tn)的灰度級由12位壓縮為8位，得 到壓縮圖像(Gi，G2,…，Gn), W便接下來的特征提取單元使用。
[0081] 乳腺邊緣坐標(biāo)生成器，用于獲得乳腺部分的邊緣坐標(biāo)，屏蔽背景區(qū)域?qū)δ[塊提取 的影響。
[0082] 分割窗口單元2包括滑動窗口生成器和子區(qū)域分割器。
[0083] 滑動窗口生成器，用于生成一個32 X 32的正方形窗口，并且讓該窗口放置在經(jīng)過 預(yù)處理單元1處理后的左側(cè)乳腺CC圖像中乳腺部分的左上角或右側(cè)乳腺CC圖像中乳腺部分 的右上角。
[0084] 子區(qū)域分割器，用于將乳腺圖像中乳腺部分劃分成若干個相互重疊的子區(qū)域(Si, &，...，Sq)，作為之后處理單元的基礎(chǔ)，其中，q為子區(qū)域的個數(shù)。
[0085] 密度特征提取單元3包括子區(qū)域直方圖的均值提取器、方差提取器、偏斜度提取 器、峰值提取器、灰度密度方差提取器、灰度密度偏斜度提取器和灰度密度峰值提取器。
[0086] 均值提取器，用于提取各子區(qū)域的均值，用來描述子區(qū)域的密度均值，均值計算公 式為：
[0087]
[0088] 其中，Vi為子區(qū)域的密度均值，L為圖像的灰度級，Zi為灰度為i的像素數(shù)，P(Zi)為 灰度為i的像素數(shù)占所有像素數(shù)的比例；
[0089] 方差提取器，用于提取各子區(qū)域的方差，用來描述子區(qū)域的密度變化的情況，方差 計算公式為：
[0090]
[0091] 其中，V2為子區(qū)域的密度方差，m為圖像的灰度均值；
[0092] 偏斜度提取器，用于提取各子區(qū)域的斜偏度，用來描述子區(qū)域密度分布的對稱性， 偏斜度計算公式為：
[0093]
[0094] 其中，V3為子區(qū)域的密度斜偏度；
[00%]峰值提取器，用于提取各子區(qū)域的峰值，用來描述子區(qū)域密度的峰值，峰值計算公 式為：
[0096]
[0097] 其中，V4為子區(qū)域的密度峰值；
[0098] 灰度密度方差提取器，用于提取各子區(qū)域的灰度密度方差，用來描述子區(qū)域的灰 度密度的變化情況，灰度密度方差計算公式為：
[0099]
[0100] 其中，V5為子區(qū)域的灰度密度方差，Pm為子區(qū)域的灰度密度均值，
[0101] 灰度密度偏斜度提取器，用于提取各子區(qū)域的灰度密度斜偏度，用來描述子區(qū)域 的灰度密度分度的對稱性，灰度密度偏斜度的計算公式為：
[0102]
[0103] 其中，V6為子區(qū)域的灰度密度斜偏度；
[0104] 灰度密度峰值提取器，用于提取各子區(qū)域的灰度密度峰值，用來描述子區(qū)域的灰 度密度峰值，灰度密度峰值的計算公式為：
[0105]
[0106] 其中，V7為子區(qū)域的灰度密度峰值。
[0107] 聚類單元4包括變換矩陣生成器、隨機參數(shù)生成器、轉(zhuǎn)換器、降維器和聚類器。
[0108] 變換矩陣生成器，根據(jù)無監(jiān)督的ELM(簡稱為US-ELM)原理，用于生成乳腺鋼祀圖像 各個子區(qū)域的7 X q維特征矩陣Vi、V2、…、V7的拉普拉斯變換矩陣L，其中，Vj (j = 1，2，…，7) 為IXq維的列向量，由密度特征提取單元計算得到的q個子區(qū)域的特征值且成。
[01 09]隨機參數(shù)生成器，設(shè)定隱層節(jié)點個數(shù)S，隨機生成輸入節(jié)點的權(quán)重向量O 1、O 2、…、 WS-1、WS，和隱層節(jié)點的闊值bi、b2、…、bs-i、bs。
[0110] 轉(zhuǎn)換器，根據(jù)US-ELM原理，用于利用隨機參數(shù)生成器得到的輸入節(jié)點的權(quán)重向量 O 1、O 2、? ?.、《 S-I、《 S，和隱層節(jié)點的闊值bi、b2、? ?.、bs-i、bs生成US-ELM中的乳腺子區(qū)域特征 的隱層輸出矩陣化；
[0111] 降維器，根據(jù)US-ELM原理，用于根據(jù)變換矩陣生成器生成的拉普拉斯矩陣L和乳腺 子區(qū)域特征的隱層輸出矩陣化，得到乳腺子區(qū)域特征降維后的=維特征Fi、F2和的。
[0112] 聚類器，采用聚類算法對降維器得到的S維特征Fi、F2和的進行聚類。
[0113] 分割結(jié)果可視化單元5包括腫塊分割結(jié)果顯示器和腫塊邊緣坐標(biāo)生成器。
[0114] 腫塊分割結(jié)果顯示器，用于將子區(qū)域聚類的結(jié)果可視化的顯示出來，W便可W清 晰的看到腫塊位置所在。
[0115] 腫塊邊緣坐標(biāo)生成器，用于提取腫塊的邊緣坐標(biāo)，W便測試準(zhǔn)確率，并為乳腺癌輔 助診斷提供基礎(chǔ)。
[0116] 本實施例還提供一種利用上述的基于乳腺子區(qū)域密度聚類的乳腺腫塊的分割系 統(tǒng)實現(xiàn)的乳腺腫塊的分割方法，如圖3所示，具體包括如下步驟。
[0117] 步驟1:進行乳腺圖像預(yù)處理，進行去燥、增強和灰度級壓縮，并獲得乳腺邊緣坐 標(biāo)，具體包括：
[011引步驟101:利用圖像去噪器對乳腺圖像…，In)進行均值濾波操作，得到去噪 后的圖像化1，化，…，帕）；
[0119] 步驟102:利用圖像增強器對去噪后的圖像化1，化，…，Un)進行對比度增強操作，得 至峭強后圖像(Tl, T2,…，Tn);
[0120] 步驟103:圖像灰度級變化器將增強后的圖像(Tl,T2,…，Tn)進行灰度級壓縮，從12 位變成8位，得到壓縮圖像(Gi，G2，…，Gn);
[0121] 步驟104:乳腺邊緣坐標(biāo)生成器對增強后的圖像(Gi，G2,…，Gn)進行邊緣檢測操作， 獲得乳腺邊緣坐標(biāo)U，)',)；!,，其中，M為邊緣坐標(biāo)的個數(shù)。
[0122] 步驟2:生成滑動窗口，并將整個乳腺部分進行分割，具體包括：
[0123] 步驟201:利用滑動窗口生成器將生成一個32 X 32的正方形滑動窗口，并利用步驟 1得到的乳腺邊緣坐標(biāo)U，)',.Cl,讓該窗口放置在左側(cè)乳腺CC圖像中乳腺部分的左上角或右 側(cè)乳腺CC圖像中乳腺部分的右上角；
[0124] 步驟202:利用子區(qū)域分割器將正方形滑動窗口 W16為步長，從乳腺的起點坐標(biāo)開 始向下滑動，當(dāng)窗口左上角坐標(biāo)超出乳腺范圍時，滑動窗口回到乳腺上部，并向右滑動一個 步長的距離，之后再向下滑動，依次循環(huán)，直到滑動窗口離開乳腺區(qū)域為止，即得到了 q個干 個相互交叉重疊的乳腺子區(qū)域(Si，S2，…，Sq)。
[0125] 步驟3:得到各個乳腺子區(qū)域的直方圖特征矩陣Vi、V2、…、V7,具體包括：
[0126] 步驟301:利用均值提取器得到各個乳腺子區(qū)域的均值特征，構(gòu)成IXq維矩陣Vi;
[0127] 步驟302:利用方差提取器得到各個乳腺子區(qū)域的方差特征，構(gòu)成1 X q維矩陣V2;
[0128] 步驟303 :利用偏斜度提取器得到各個乳腺子區(qū)域的偏斜度特征，構(gòu)成1 X q維矩陣 V3；
[0129] 步驟304:利用峰值提取器得到各個乳腺子區(qū)域的峰值特征，構(gòu)成IXq維矩陣V4;
[0130] 步驟305:利用灰度密度方差提取器得到各個乳腺子區(qū)域的灰度密度方差特征，構(gòu) 成IXq維矩陣Vs;
[0131] 步驟306:利用灰度密度偏斜度提取器得到各個乳腺子區(qū)域的灰度密度偏斜度特 征，構(gòu)成IXq維矩陣Vs;
[0132] 步驟307:利用灰度密度峰值提取器得到各個乳腺子區(qū)域的灰度密度峰值特征，構(gòu) 成IXq維矩陣八。
[0133] 本實施例中得到的密度特征矩陣為：
[0134] Vi=(208.796,53.519,...，1024);
[0135] V2=(80568.0,5663.0, ...，1048576);
[0136] V3=(119776.0,65795.0,. . . ,41285)；
[0137] V4=(151317.0,295337.0,. . . ,41285)；
[013引 V已=(0.0007843,0.0001896,. . .，0.0039);
[0139] V6=(0.037：M，0.0101，. . .，0.1563);
[0140] V7=(221.5038，189.2406, . . .，252.9961)。
[0141] 步驟4:利用US-ELM算法和聚類算法將步驟3得到的特征進行聚類，如圖4所示，為 聚類流程圖，具體包括：
[0142] 步驟401:在變換矩陣生成器中，利用US-ELM的原理，生成輸入節(jié)點的拉普拉斯矩 陣レ
[0143] 步驟402:在隨機參數(shù)生成器中，設(shè)定隱層節(jié)點個數(shù)，并隨機生成輸入節(jié)點的權(quán)重 向量〇1、〇2、…、《s-i、《s，W及隱層節(jié)點的闊值bi、b2、…、bs-l、bs;
[0144] 本實施例中得到的輸入節(jié)點的權(quán)重向量為：
[0145] 01=(-0.6233,0.8371，...，0.2845);
[0146] O 2= (0.2324,0.6951，...，0.8：M1);
[0147] ???
[014引 O5939= (0.8637,0.2452，...，0.6376);
[0149] 得到的隱層節(jié)點闊值為：
[0150] bi = 0.2344；
[0151] b2 = 0.2：M4;
[0152] ???
[0153] b5939 = 0.2344；
[0154] 步驟403:在轉(zhuǎn)換器中，根據(jù)US-ELM的原理，利用隨機參數(shù)生成器得到的輸入節(jié)點 的權(quán)重向量W 1、W 2、…、W S-1、O S，W及隱層節(jié)點的闊值bi、b2、…、bs-i、bs，將乳腺鋼勒!圖像 子區(qū)域的7Xq維特征矩陣Vi、V2、…、V7轉(zhuǎn)換成US-ELM中的乳腺子區(qū)域特征的隱層輸出矩陣 Ho;
[0K5]步驟404:在降維器中，根據(jù)US-ELM的原理，利用變換矩陣生成器生成的拉普拉斯 矩陣L和乳腺子區(qū)域特征的隱層輸出矩陣化，得到乳腺子區(qū)域特征降維后的=維特征Fi、F2 和的；
[0156] 本實施例得到乳腺子區(qū)域密度特征降維后的=維特征Fi、F2和的分別為：
[0157] Fi=(0.0158,0.0184,...,0.0073)；
[015引 F2=(-0.0428,-0.0363,...，0.0017);
[0159] Fs=(0.0062,0.0384,...,0.0010)；
[0160] 步驟405:在聚類器中，利用空間模糊C均值聚類算法對=維特征Fi、F2和F3進行聚 類，將矩陣每行看作一個點，將其分成3類，分別為Ci、C2和C3。
[0161] 步驟5:得到乳腺腫塊分割可視化結(jié)果及乳腺腫塊邊緣坐標(biāo)，具體包括：
[0162] 步驟501:根據(jù)聚類結(jié)果，對乳腺鋼祀圖像進行標(biāo)記，腫塊分割結(jié)果顯示器將腫塊 的分割結(jié)果可視化的顯示出來。利用一張空白的圖像(Ai，A2,…，An),將分成一類的點在運 張圖像上顯示出來，得到分類后的圖像(Bi，B2,…，Bn),將其顯示出來即可得到可視化的結(jié) 果；
[0163] 步驟502:根據(jù)腫塊分割結(jié)果顯示器得到的圖像(Bi, B2,…，Bn),對其進行邊緣檢測 操作，即可得到腫塊的邊緣坐標(biāo)，實現(xiàn)乳腺腫塊的準(zhǔn)確分割，分割后的圖像如圖5所示。
[0164] 本發(fā)明提供的基于乳腺子區(qū)域密度聚類的乳腺腫塊分割系統(tǒng)及方法，對乳腺圖像 進行前期圖像預(yù)處理后，采用基于乳腺子區(qū)域密度聚類的方法，進行乳腺腫塊的準(zhǔn)確分割， 并將分割后腫塊位置清晰的顯示出來，能有效輔助乳腺疾病的準(zhǔn)確診斷。
[0165] 最后應(yīng)說明的是：W上各實施例僅用W說明本發(fā)明的技術(shù)方案，而非對其限制;盡 管參照前述各實施例對本發(fā)明進行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解:其依 然可W對前述各實施例所記載的技術(shù)方案進行修改，或者對其中部分或者全部技術(shù)特征進 行等同替換；而運些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明權(quán)利要求所限 定的范圍。
【主權(quán)項】
1. 一種基于乳腺子區(qū)域密度聚類的乳腺腫塊分割系統(tǒng)，其特征在于，該系統(tǒng)包括:預(yù)處 理單元(1)、分割窗口單元(2)、密度特征提取單元(3)、聚類單元(4)和分割結(jié)果可視化單元 (5)； 所述預(yù)處理單元（1)包括圖像去噪器、圖像增強器、圖像灰度級變化器和乳腺邊緣坐標(biāo) 生成器； 所述圖像去噪器，用于對乳腺圖像進行去噪處理，得到去噪后的乳腺圖像； 所述圖像增強器，用于強調(diào)所述去噪后的乳腺圖像中整體或局部特性，擴大圖像中不 同部位間的差異、抑制不感興趣區(qū)域的表達(dá)和增大疑似腫塊與周圍組織的對比度，得到增 強圖像； 所述圖像灰度級變化器，用于將所述增強圖像的灰度級進行壓縮； 所述乳腺邊緣坐標(biāo)生成器，用于獲得乳腺圖像中乳腺部分的邊緣坐標(biāo)； 所述分割窗口單元(2)包括滑動窗口生成器和子區(qū)域分割器； 所述滑動窗口生成器，用于生成一個放置在左側(cè)乳腺CC圖像中乳腺部分的左上角或右 側(cè)乳腺CC圖像中乳腺部分的右上角的正方形滑動窗口； 所述子區(qū)域分割器，用于將乳腺圖像中乳腺部分劃分成若干個相互重疊的子區(qū)域； 所述密度特征提取單元(3)包括子區(qū)域直方圖的均值提取器、方差提取器、偏斜度提取 器、峰值提取器、灰度密度方差提取器、灰度密度偏斜度提取器和灰度密度峰值提取器，分 別用于提取各所述子區(qū)域的對應(yīng)特征值； 所述聚類單元(4)用于對所述子區(qū)域的對應(yīng)特征值采用聚類算法進行聚類； 所述分割結(jié)果可視化單元(5)包括腫塊分割結(jié)果顯示器和腫塊邊緣坐標(biāo)生成器； 所述腫塊分割結(jié)果顯示器，用于將所述聚類單元(4)的結(jié)果可視化的顯示出來； 所述腫塊邊緣坐標(biāo)生成器，用于提取腫塊的邊緣坐標(biāo)。2. 根據(jù)權(quán)利要求1所述的基于乳腺子區(qū)域密度聚類的乳腺腫塊分割系統(tǒng)，其特征在于， 所述均值提取器，用于提取所述各子區(qū)域的均值，用來描述所述子區(qū)域的密度均值，所述均 值的計算公式為：其中，Vi為子區(qū)域的密度均值，L為圖像的灰度級，Zi為灰度為i的像素數(shù)，p(zi)為灰度 為i的像素數(shù)占所有像素數(shù)的比例； 所述方差提取器，用于提取所述各子區(qū)域的方差，用來描述所述子區(qū)域的密度變化的 情況，所述方差的計算公式為：其中，^為子區(qū)域的密度方差，m為圖像的灰度均值； 所述偏斜度提取器，用于提取所述各子區(qū)域的斜偏度，用來描述所述子區(qū)域密度分布 的對稱件，所沭偏斜庠的計筧公式為：其中，V3為子區(qū)域的密度斜偏度； 所述峰值提取器，用于提取所述各子區(qū)域的峰值，用來描述所述子區(qū)域密度的峰值，所 述峰值的計算公式為：其中，V4為子區(qū)域的密度峰值； 所述灰度密度方差提取器，用于提取所述各子區(qū)域的灰度密度方差，用來描述所述子 區(qū)域的灰度密度的變化情況，所述灰度密度方差的計算公式為：其中，V5為子區(qū)域的灰度密度方差，Pm為子區(qū)域的灰度密度均值所述灰度密度偏斜度提取器，用于提取所述各子區(qū)域的灰度密度斜偏度，用來描述所 述子區(qū)域的灰度密度分度的對稱性，所述灰度密度偏斜度的計算公式為：其中，V6為子區(qū)域的灰度密度斜偏度； 所述灰度密度峰值提取器，用于提取所述各子區(qū)域的灰度密度峰值，用來描述所述子 區(qū)域的灰度密度峰值，所述灰度密度峰值的計算公式為：其中，V7為子區(qū)域的灰度密度峰值。3. 根據(jù)權(quán)利要求1所述的基于乳腺子區(qū)域密度聚類的乳腺腫塊分割系統(tǒng)，其特征在于， 所述聚類單元(4)包括變換矩陣生成器、隨機參數(shù)生成器、轉(zhuǎn)換器、降維器和聚類器； 所述變換矩陣生成器，用于根據(jù)無監(jiān)督的ELM算法(US-ELM)原理，生成乳腺鉬靶圖像各 個子區(qū)域特征矩陣的拉普拉斯變換矩陣； 所述隨機參數(shù)生成器，用于根據(jù)設(shè)定隱層節(jié)點個數(shù)，隨機生成輸入節(jié)點的權(quán)重向量和 隱層節(jié)點的閾值； 所述轉(zhuǎn)換器，用于根據(jù)無監(jiān)督的ELM算法原理，利用所述輸入節(jié)點的權(quán)重向量和隱層節(jié) 點的閾值生成US-ELM中的乳腺子區(qū)域特征的隱層輸出矩陣； 所述降維器，用于根據(jù)無監(jiān)督的ELM算法原理，根據(jù)所述變換矩陣生成器生成的拉普拉 斯矩陣和所述乳腺子區(qū)域特征的隱層輸出矩陣，得到乳腺子區(qū)域特征降維后的三維特征； 所述聚類器，用于采用聚類算法對所述降維器得到的三維特征進行聚類。4. 一種基于乳腺子區(qū)域密度聚類的乳腺腫塊分割方法，其特征在于，該方法包括以下 步驟： 步驟1:對乳腺圖像進行去燥、增強和灰度級壓縮的預(yù)處理，并獲得乳腺邊緣坐標(biāo)； 步驟2:生成滑動窗口，并將整個乳腺部分進行分割； 步驟3:得到各個乳腺子區(qū)域的直方圖特征矩變量;所述特征具體包括:各個乳腺子區(qū) 域的均值特征、方差特征、偏斜度特征、峰值特征、灰度密度方差特征、灰度密度偏斜度特征 和灰度密度峰值特征，各所述特征均為列矩陣； 步驟4:將所述步驟3得到的特征進行聚類； 步驟5:將聚類后得到的乳腺腫塊分割結(jié)果可視化的顯示出來，并對顯示的圖像進行邊 緣檢測，得到腫塊的邊緣坐標(biāo)。5. 根據(jù)權(quán)利要求4所述的基于乳腺子區(qū)域密度聚類的乳腺腫塊分割方法，其特征在于， 所述步驟1具體包括： 步驟101:對乳腺圖像進行均值濾波操作，得到去噪后的圖像； 步驟102:對所述去噪后的圖像進行對比度增強操作，得到增強圖像； 步驟103:將所述增強圖像進行灰度級壓縮，得到壓縮后的圖像； 步驟104:對所述增強圖像進行邊緣檢測操作，獲得乳腺邊緣坐標(biāo)。6. 根據(jù)權(quán)利要求4所述的基于乳腺子區(qū)域密度聚類的乳腺腫塊分割方法，其特征在于， 所述步驟2具體包括： 步驟201:生成一個正方形滑動窗口，并利用所述步驟1得到的乳腺邊緣坐標(biāo)，讓該窗口 放置在左側(cè)乳腺CC圖像中乳腺部分的左上角或右側(cè)乳腺CC圖像中乳腺部分的右上角； 步驟202:利用生成的所述正方形滑動窗口，以預(yù)定步長，從乳腺的起點坐標(biāo)開始向下 滑動，當(dāng)窗口左上角坐標(biāo)超出乳腺范圍時，滑動窗口回到乳腺上部，并向右滑動一個步長的 距離，之后再向下滑動，依次循環(huán)，直到滑動窗口離開乳腺區(qū)域為止，即得到若干個相互交 叉的乳腺子區(qū)域。7. 根據(jù)權(quán)利要求4所述的基于乳腺子區(qū)域密度聚類的乳腺腫塊分割方法，其特征在于， 所述步驟4中，利用無監(jiān)督的ELM算法和聚類算法將所述步驟3得到的特征進行聚類，具體包 括： 步驟401:根據(jù)US-ELM的原理，生成輸入節(jié)點的拉普拉斯矩陣； 步驟402:設(shè)定隱層節(jié)點個數(shù)，并隨機生成輸入節(jié)點的權(quán)重向量和隱層節(jié)點的閾值； 步驟403:根據(jù)US-ELM的原理，利用所述輸入節(jié)點的權(quán)重向量和隱層節(jié)點的閾值，將所 述步驟3得到的特征矩向量構(gòu)成的特征矩陣轉(zhuǎn)換成US-ELM中的乳腺子區(qū)域特征的隱層輸出 矩陣； 步驟404:根據(jù)US-ELM的原理，利用所述步驟401生成的拉普拉斯矩陣和所述步驟403得 到的乳腺子區(qū)域特征的隱層輸出矩陣，得到乳腺子區(qū)域特征矩陣降維后的三維特征矩陣； 步驟405:利用空間模糊C均值聚類算法對所述三維特征進行聚類，將所述三維特征矩 陣的每行看作一個點，將其分成3類，分別為Cl、C2和C3。8. 根據(jù)權(quán)利要求4或7所述的基于乳腺子區(qū)域密度聚類的乳腺腫塊分割方法，其特征在 于，在所述步驟5中，所述將得到的乳腺腫塊分割結(jié)果可視化的顯示出來的具體過程為:利 用一張空白的圖像，將聚類后分成一類的點在所述空白的圖像上顯示出來，得到分類后的 圖像，將其顯示出來即可得到可視化的乳腺腫塊分割結(jié)果。9. 根據(jù)權(quán)利要求1至7任一項所述的基于乳腺子區(qū)域密度聚類的乳腺腫塊分割系統(tǒng)，其 特征在于，所述正方形滑動窗口像素大小為32 X 32。10. 根據(jù)權(quán)利要求1至7任一項所述的基于乳腺子區(qū)域密度聚類的乳腺腫塊分割系統(tǒng)， 其特征在于，所述增強圖像的灰度級壓縮由12位壓縮為8位。
【文檔編號】G06T5/00GK106023239SQ201610523605
【公開日】2016年10月12日
【申請日】2016年7月5日
【發(fā)明人】信俊昌, 李默, 田碩, 馬春曉, 高銘澤
【申請人】東北大學(xué)