[发明专利]一种乳腺肿瘤图像的分类方法及系统

权利要求书

1.一种乳腺肿瘤图像的分类方法，其特征在于，包括：

基于FCM算法获取待分类乳腺肿瘤图像中的肿块区域；

基于Weka系统获取所述肿块区域的混合特征；

根据所述肿块区域的混合特征，基于SVM算法对所述待分类乳腺肿瘤图像进行分类；其中，所述SVM算法的参数预先使用改进的FOA算法进行优化。

2.根据权利要求1所述的方法，其特征在于，基于FCM算法获取待分类乳腺肿瘤图像中的肿块区域的步骤之后还包括：

基于图像增强方法对所述肿块区域进行增强；

对增强后的所述肿块区域进行傅里叶变换，对增强后的所述肿块区域进行傅里叶变换后基于巴特沃斯滤波器和几何开闭运算对增强后的所述肿块区域进行去噪；

基于阈值法对傅里叶变换后的所述肿块区域进行二值化，以基于Weka系统获取二值化后的所述肿块区域的混合特征。

3.根据权利要求1所述的方法，其特征在于，基于Weka系统获取所述肿块区域的混合特征的步骤具体包括：

提取所述肿块区域的特征；其中，所述特征包括形态特征、形状Hu矩特征和灰度共生矩阵纹理特征中的一种或多种；

对所述肿块区域的特征进行筛选和降维，获取所述肿块区域优化后的特征；

基于Weka系统中的属性子集评估器CfsSubsetEval和BestFirst搜索，对所述优化后的特征进行筛选；

将筛选出的所述优化后的特征进行组合，获取所述肿块区域的混合特征。

4.根据权利要求3所述的方法，其特征在于，所述形态特征包括紧密度、标准化半径、面积比率、所述肿块区域的周长与所述肿块区域的最小外接矩形的周长之比、所述肿块区域的面积与所述最小外接矩形的面积之比，以及所述肿块区域的形状纵横比中的一种或多种；

所述形状Hu矩特征由所述肿块区域的二阶和三阶中心线性组合获取；

所述灰度共生矩阵纹理特征根据所述肿块区域的对比度、能量、熵、相关性的均值和方差获取。

5.根据权利要求1-4任一所述的方法，其特征在于，在根据肿块区域的混合特征，基于SVM算法对待分类乳腺肿瘤图像进行分类的步骤之前还包括：

基于改进的FOA算法对SVM算法中的惩罚系数和核函数参数进行优化。

6.根据权利要求5所述的方法，其特征在于，基于改进的FOA算法对SVM算法中的惩罚系数和核函数参数进行优化的步骤具体包括：

根据果蝇群体中各果蝇进行参数优化的三维坐标，计算各所述果蝇与原点之间的距离；

根据各所述距离计算味道浓度判定值，根据所述味道浓度判定值对SVM算法中的惩罚系数和核函数参数进行赋值；

基于5折交叉验证，将所述味道浓度判定值作为适应度函数的参数进行计算，获取各所述三维坐标处的味道浓度和最大的所述味道浓度对应的三维坐标；

将最大的所述味道浓度对应的三维坐标作为各所述果蝇下一次进行参数优化的三维坐标。

7.根据权利要求1-4任一所述的方法，其特征在于，在根据肿块区域的混合特征，基于SVM算法对待分类乳腺肿瘤图像进行分类的步骤之前还包括：

基于改进的SOM神经网络模型根据训练样本集合的混合特征对训练样本进行聚类，获取各训练样本子集；

对于任一所述训练样本子集，计算该训练样本子集中各训练样本与该训练样本子集的聚类中心之间的距离；

若各所述距离小于或等于预设阈值，则基于各所述距离对应的训练样本对SVM算法进行训练。