[发明专利]基于CAD系统提高前列腺肿瘤MRI图像识别率的方法

说明书

技术领域

本发明属于前列腺疾病医疗器械领域，具体是基于CAD系统提高前列腺肿瘤MRI图像识别率的方法。

背景技术

前列腺肿瘤主要包括前列腺癌与前列腺增生，两者都发生于前列腺，其中前列腺癌是一种常见的恶性肿瘤。一般情况下，前列腺增生是不会转变为前列腺癌的，前列腺癌通常是由直肠指检(Digital rectal examination,DRE)异常及血清前列腺特异性抗原(Prostate-specific antigen,PSA)升高而被临床发现的，前列腺癌一经发现，其治疗方法主要取决于肿瘤组织学分类和临床分期，前列腺癌TNM分期和Gleason分期明确了病变范围，正确分期对决定能否手术、选择治疗方法和判断预后都十分重要。MRI具有三维成像、软组织对比度好、无生物学损害、不需要注射造影剂即可显示血管结构等优点，能够区分前列腺外周带和中央腺，并提供不同方向所需切面，从而便于了解前列腺全貌以及周围关系，这不仅有利于定性、分期以决定正确处理方针,也有助于手术治疗计划的顺利实施和术后观察，因此MRI在前列腺癌的定位、癌组织范围、有无穿透包膜、有无远处转移等检查中具有重要作用。

计算机辅助诊断系统(Computer-Aided Diagnosis,CAD)是能够提供定量分析，减轻医生诊断的工作量，给医生提供具有较好一致性和 重复性的诊断参考和建议，以期提高诊断效果，降低活检次数，提高诊断效率和客观性的技术手段，大量的研究也表明，CAD系统的使用使得医师的读片质量确实得到了明显的提高。基于医学影像的CAD方法从技术的角度来讲就是目标识别技术，但是现有的目标识别方法只是根据单一的样本特征向量进行划分，对大量同类样本所表现出的高维模式特性考虑不够充分。因此对MRI前列腺肿瘤ROI区域只提取几维或者十几维特征得到的识别结果可信度不高。虽然有相关文献对前列腺肿瘤的CAD进行了一定程度的讨论，但是与人体其它器官(如乳腺、脑部等)相比，前列腺CAD方面报道较少，并且这些结论只是在小样本、抽取特征有限的条件下取得的,普遍存在假阳性率过高的缺点，缺乏更具有说服力的大样本前瞻性研究。因此，极寻求有效的方法来提高前列腺肿瘤CAD系统识别率的一种亟需解决的问题。

发明内容

本发明的目的是克服现有技术不足，提供一种基于CAD系统提高前列腺肿瘤MRI图像识别率的方法。该方法使识别前列腺良、恶性肿瘤的能力至少提高10％以上，对MRI前列腺肿瘤的CAD具有积极的意义。

本发明的目的是通过以下技术方案予以实现：

一种基于CAD系统提高前列腺肿瘤MRI图像识别率的方法，包括以下步骤：(1)采集前列腺患者的MRI图像；(2)提取MRI前列腺肿瘤ROI区域特征；(3)对ROI区域特征进行特征级融合；(4) 利用神经网络作为分类器对融合后的特征进行分类识别；

上述步骤(2)所述ROI区域特征是几何特征、统计特征、Hu不变矩特征、灰度共生矩阵的纹理特征、TAMURA纹理特征、频域特征。

上述步骤(2)所述几何特征是：面积、周长、矩形度、伸长督、圆形度、欧拉数；

所述统计特征是：均值、方差、倾斜度、峰态、能量、熵；

所述Hu不变矩特征是：C1、C2、C3、C4、C5、C6、C7；

所述灰度共生矩阵的纹理特征是：能量、对比度(反差、惯量)、熵、和熵、差熵、相关性、逆差距、方差、和的方差、和的均值、差分方差、相关信息度量(2维)、最大相关系数；

所述TAMURA纹理特征是粗糙度、对比度、方向度；

所述频域特征是：能量8维(小波特征能量1-8)、范数8维(小波特征范数1-8)、标准差8维(小波特征标准差1-8)；

上述步骤(3)特征级融合采用的算法是线性降维算法。

上述线性降维算法是PCA主成份分析法。

上述步骤(4)所述神经网络采用训练算法是BFGS拟牛顿算法、BP算法、最速梯度下降算法和Levenberg-Marquardt算法。