[发明专利]采用高维特征选择对肺部肿瘤CT图像进行判别的方法

说明书

本发明公开一种采用高维特征选择对肺部肿瘤CT图像进行良恶性判别的方法，该方法包括：获取肺部图像数据库中获取带有明确诊断结论的肺部肿瘤CT图像，形成单个样本；采用最大类间方差法对预处理后的ROI区域进行分割，以准确刻画肺部肿瘤CT图像的形状、纹理和灰度特征；对获取到的肺部CT图像进行区域特征提取，对提取到的特征进行82维特征分量归一化，从而共同量化ROI；利用BRS和GA算法进行属性约简，降低分类器的时间复杂度和空间复杂度，提高分类性能；利用布谷鸟算法及SVM方式，进行参数全局寻优分类操作，进行肺部肿瘤高维特征选择。该方法对于诊断肺癌具有很好的辅助作用，能够有效降低漏诊率和误诊率。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于CT图像的肺部肿瘤高维特征选择进行良恶性判别的方法。

背景技术

随着计算机辅助诊断研究发展以及不同模态医学图像技术应用而生，模态之间按照不同层次划分为像素级、特征级和决策级。特征级的处理在保留重要信息基础上实现了信息量的压缩，处理速度更快。在图像特征级处理过程中，特征之间的冗余性和相关性使得“维数灾难”成为一个NP-hard问题，特征选择是解决这一问题行之有效的措施，可以有效减少特征空间的维度，降低时间复杂度。但是，高维特征选择过程存在的问题包括如何生成最优特征子集，效果如何评价，评价所用分类器的选择，分类器参数的优化等，因此，如何建立一个鲁棒性强的系统与智能化结合进行特征选择仍然是一个待解决的问题。目前CT图像成为检测肺部肿瘤的最常用手段，随着CT精度的提高，每次扫描产生的CT图片数量也大大增加，放射医师的诊断工作量加重，容易造成误诊，计算机辅助诊断系统CAD的使用使医疗服务水平进一步提升。该系统一方面较高程度上减少医生的工作量,能有效地辅助医生对潜在的肺肿瘤进行早期检测和特征描述，另一方面使医学影像诊断更为客观,提高诊断效率和准确率,最大程度上避免肺部肿瘤的漏诊和误诊。因此,用计算机进行肺部肿瘤辅助诊断,提取特征,检测和识别,具有重要的理论指导意义和应用研究价值。

肺部肿瘤的计算机辅助诊断主要流程包括肺部肿瘤图像分割、肺部肿瘤特征提取和肺部肿瘤的分类识别。在图像分割环节,通常分为基于阈值的分割、基于边缘的分割、基于区域的分割和基于图论的分割,单一的分割方法通常不能完整的分割出图像中的肺部肿瘤。在特征提取环节,由于肺部肿瘤具有各种形态,无法通过单一的形状特征进行检测。在肺部肿瘤分类识别环节,通常是基于统计学得到的,需要先验知识或者需要通过不同的特征尝试和参数选择才能得到满意的特征,给整个分类问题带来复杂性,导致现有的医学图像肺部肿瘤的检测速度较慢、精度较低。

发明内容

有鉴于此，本发明的目的在于针对上述现有医学影像诊断技术的不足,提供一种对肺部肿瘤CT采用高维特征选择进行良恶性判别的系统，对于CT图像的像素级、特征级和决策级环节存在的问题有着较好的解决方法,使得经过特征选择后进行肺部肿瘤检测环结,达到很高的精确度、灵敏度和特异性。

本发明实施例提供的一种采用高维特征选择对肺部肿瘤CT图像进行良恶性判别的方法，包括如下步骤：

实验数据获取和预处理步骤：获取肺部图像数据库中获取带有明确诊断结论的肺部肿瘤CT图像，形成单个样本，所述CT图像包括良性肿瘤图像和恶性肿瘤图像，所述单个样本包括82维条件属性和1维决策属性，从原始CT图像中截取对肺部肿瘤有较强区分能力的子图作为ROI区域，并将ROI图像归一化为50*50大小的实验图像；

图像分割步骤：采用最大类间方差法对预处理后的ROI区域进行分割，以准确刻画肺部肿瘤CT图像的形状、纹理和灰度特征；

肺部区域特征提取步骤：对获取到的肺部CT图像进行区域特征提取，所述区域特征包括形状、灰度及纹理特征，对提取到的特征进行82维特征分量归一化，从而共同量化ROI；

属性约简步骤：利用BRS和GA算法进行属性约简，降低分类器的时间复杂度和空间复杂度，提高分类性能；