一種基于多特征的肺部ct圖像關(guān)聯(lián)規(guī)則方法
【專利摘要】本發(fā)明提供一種基于多特征的肺部CT圖像關(guān)聯(lián)規(guī)則方法，所述方法包括步驟：S1：獲取所述肺部CT圖像；S2：對所述肺部CT圖像進行預(yù)處理；S3：提取預(yù)處理后的所述肺部CT圖像的圖像特征；S4：對提取出的所述圖像特征進行篩選；S5：利用關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘隱含于所述圖像特征與肺癌之間的關(guān)聯(lián)規(guī)則；S6：利用評價方法對統(tǒng)計出的關(guān)聯(lián)規(guī)則進行評價，獲取評價結(jié)果；S7：根據(jù)所述評價結(jié)果獲取有效的所述關(guān)聯(lián)規(guī)則。該方法在醫(yī)學圖像特征與肺癌之間的關(guān)聯(lián)規(guī)則的基礎(chǔ)上構(gòu)建相應(yīng)的、更加完善的肺癌診斷規(guī)則和模式，加入到醫(yī)院的日常工作中以提高醫(yī)生診斷的準確性和科學性。
【專利說明】
一種基于多特征的肺部CT圖像關(guān)聯(lián)規(guī)則方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及圖像處理領(lǐng)域，尤其涉及一種基于多特征的肺部CT圖像關(guān)聯(lián)規(guī)則方 法。
【背景技術(shù)】
[0002] 肺癌是全球最常見的癌癥之一，具有極尚的死亡率。世界上每30秒就有一人死于 肺癌，每年有120萬新增病例。在我國，肺癌發(fā)病率和死亡率呈直線上升態(tài)勢。肺癌居中國男 性癌癥死因第一位，女性的第二位，成為中國第一大癌癥。肺癌早期多無癥狀或癥狀輕微， 不易發(fā)現(xiàn)，特到發(fā)現(xiàn)時，往往已有轉(zhuǎn)移，已證明大于2cm的肺癌就已有淋巴結(jié)轉(zhuǎn)移。肺癌是可 以預(yù)防和控制的，肺癌早期和晚期治療效果截然不同:〇-1期5年生存率超過58%，而ΙΠΒ-IV 期5年生存率小于5%，肺癌的5年生存率總體約9%-15%，造成以上結(jié)果主要原因是患者沒 有能夠早診斷、早檢查、早治療。CT已經(jīng)被證明是檢測肺癌常用的有效醫(yī)學影像設(shè)備，被廣 泛用于肺癌檢查和診斷。肺腫瘤許多不同性質(zhì)的病變，如良性腫瘤、原發(fā)性惡性種瘤、轉(zhuǎn)移 瘤等性質(zhì)各異，但其影像表現(xiàn)有頗多相似之處，有些甚至相同，難分彼此，其假陽性率和性 價比目前尚未定論，是國內(nèi)外臨床研究爭論的焦點。因此進一步研究肺部CT圖像特征與肺 癌診斷之間的關(guān)系輔助醫(yī)生對肺癌的早期診斷及臨床治療具有十分重要的意義。
[0003] 隨著醫(yī)學成像技術(shù)和計算機技術(shù)的不斷發(fā)展，現(xiàn)有的醫(yī)院PACS (Picture Archiving and Communication System影像存儲與通訊系統(tǒng))擁有完善的患者影像信息數(shù) 據(jù)庫。如何挖掘其中蘊含著豐富的圖像特征信息和找出規(guī)則，對于輔助醫(yī)生進行醫(yī)學圖像 臨床診斷具有較高的學術(shù)價值。

【發(fā)明內(nèi)容】

[0004] 鑒于上述問題，本申請記載了一種一種基于多特征的肺部CT圖像關(guān)聯(lián)規(guī)則方法， 所述方法包括步驟：
[0005] S1:獲取所述肺部CT圖像；
[0006] S2:對所述肺部CT圖像進行預(yù)處理；
[0007] S3:提取預(yù)處理后的所述肺部CT圖像的圖像特征；
[0008] S4:對提取出的所述圖像特征進行篩選；
[0009] S5:利用關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘隱含于所述圖像特征與肺癌之間的關(guān)聯(lián)規(guī)則；
[001 0] S6:利用評價方法對統(tǒng)計出的關(guān)聯(lián)規(guī)則進行評價，獲取評價結(jié)果；
[0011] S7:根據(jù)所述評價結(jié)果獲取有效的所述關(guān)聯(lián)規(guī)則。
[0012] 較佳的，對所述肺部CT圖像的預(yù)處理包括圖像增強處理。
[0013] 較佳的，提取所述圖像特征的方式為對所述肺部CT圖像的顏色特征或紋理特征或 輪廓特征進行提取。
[0014] 較佳的，基于灰度直方圖提取所述肺部CT圖像的所述顏色特征或基于Gabor小波 提取所述肺部CT圖像的所述紋理特征或基于不變矩提取所述肺部CT圖像的所述輪廓特征。
[0015] 較佳的，采用均值、方差、傾斜度以及峰態(tài)來反映所述肺部CT圖像的直方圖特征。
[0016] 較佳的，利用關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘隱含于所述圖像特征與肺癌之間的關(guān)聯(lián)規(guī)則的過 程包括步驟：
[0017] S51:將原始的所述圖像特征進行數(shù)據(jù)轉(zhuǎn)化；
[0018] S52:對轉(zhuǎn)化后的所述圖像特征進行關(guān)聯(lián)規(guī)則算法。
[0019] 較佳的，將原始的所述圖像特征轉(zhuǎn)化為布爾型數(shù)據(jù)。
[0020] 較佳的，對轉(zhuǎn)化后的所述圖像特征進行關(guān)聯(lián)規(guī)則算法的過程包括步驟：
[0021 ] S521:找出所有滿足最小支持度的所有頻繁項集；
[0022] S522:根據(jù)所述頻繁項集計算出滿足最小置信度的關(guān)聯(lián)規(guī)則。
[0023] 較佳的，獲取關(guān)聯(lián)規(guī)則的評價結(jié)果的過程中包括主觀評價和客觀評價兩種評價方 法。
[0024] 上述技術(shù)方案具有如下優(yōu)點或有益效果:將利用本實施例提出的方法，并結(jié)合其 它醫(yī)學圖像處理方法，如：圖像分割、圖像配準等，在醫(yī)學圖像特征與肺癌之間的關(guān)聯(lián)規(guī)則 的基礎(chǔ)上構(gòu)建相應(yīng)的、更加完善的肺癌診斷規(guī)則和模式，加入到醫(yī)院的日常工作中以提高 醫(yī)生診斷的準確性和科學性。
【附圖說明】
[0025] 參考所附附圖，以更加充分的描述本發(fā)明的實施例。然而，所附附圖僅用于說明和 闡述，并不構(gòu)成對本發(fā)明范圍的限制。
[0026] 圖1為本發(fā)明一種基于多特征的肺部CT圖像關(guān)聯(lián)規(guī)則方法的流程示意圖一；
[0027] 圖2為本發(fā)明一種基于多特征的肺部CT圖像關(guān)聯(lián)規(guī)則方法的流程示意圖二；
[0028]圖3為本發(fā)明一種基于多特征的肺部CT圖像關(guān)聯(lián)規(guī)則方法的流程示意圖三。
【具體實施方式】
[0029] 下面結(jié)合附圖和具體實施例對本發(fā)明一種基于多特征的肺部CT圖像關(guān)聯(lián)規(guī)則方 法進行詳細說明。
[0030] 如圖1所示，一種基于多特征的肺部CT圖像關(guān)聯(lián)規(guī)則方法，包括步驟：
[0031] S1:獲取醫(yī)學圖像；
[0032] S2:對醫(yī)學圖像進行預(yù)處理；
[0033] S3:提取預(yù)處理后的醫(yī)學圖像的圖像特征；
[0034] S4:對提取出的圖像特征進行篩選；
[0035] S5:利用關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘隱含于圖像特征與肺癌之間的更有價值的關(guān)聯(lián)規(guī)則， 即使用關(guān)聯(lián)規(guī)則算法；
[0036] S6:利用評價方法對統(tǒng)計出的關(guān)聯(lián)規(guī)則進行評價，獲取評價結(jié)果；
[0037] S7:根據(jù)評價結(jié)果獲取最終的醫(yī)學信息。
[0038] 具體來說，在本實施例提出的基于多特征的肺部CT圖像關(guān)聯(lián)規(guī)則方法中，首先要 獲取醫(yī)學圖像，具體來說，該醫(yī)學圖像為肺部CT圖像。之后，對該圖像進行預(yù)處理，然后提取 預(yù)處理后的醫(yī)學圖像的圖像特征。對所有的圖像特征進行篩選，保留符合要求的圖像特征， 然后利用關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘隱含于這些圖像特征與肺癌之間的更優(yōu)的關(guān)聯(lián)規(guī)則，即使用關(guān) 聯(lián)規(guī)則算法，利用評價方法對統(tǒng)計出的關(guān)聯(lián)規(guī)則進行評價，獲取評價結(jié)果。簡單來說，在利 用關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘出的關(guān)聯(lián)規(guī)則后，并不是所有的關(guān)聯(lián)規(guī)則都是正確的或準確的，所以 就需要利用評價方法對統(tǒng)計出的關(guān)聯(lián)規(guī)則進行評價，根據(jù)評價結(jié)果保留較好的或最優(yōu)的關(guān) 聯(lián)規(guī)則，即獲取該醫(yī)學圖像對應(yīng)的醫(yī)學信息。簡言之，醫(yī)學信息就是經(jīng)篩選后的有價值的關(guān) 聯(lián)規(guī)則。
[0039] 進一步來講，所述預(yù)處理過程包括圖像增強過程。
[0040] 進一步來講，步驟S3中提取預(yù)處理后的醫(yī)學圖像的圖像特征的過程可以由多種方 式進行。具體來說，在實際應(yīng)用中，醫(yī)生肉眼直接觀測到的醫(yī)學圖像特征，如：圖像邊緣狀 態(tài)、CT圖像阻止的均勻性或不均勻性、邊緣強化后CT值增加等。但是，醫(yī)學圖像中仍然有大 量的不能夠直接觀測的圖像特征，通過對圖像特征進行提取的過程可以大幅度提高圖像信 息挖掘的質(zhì)量。在本實施例中，可以對醫(yī)學圖像進行顏色特征、紋理特征或輪廓特征等進行 提取。下面分別對這三種方法進行詳細介紹：
[0041] 1)基于灰度直方圖的顏色特征提取
[0042] 對于數(shù)字圖像而言，灰度直方圖就是一個灰度級的離散函數(shù)，圖像灰度直方圖的 定義如公式(1):
[0044]其中，i表示灰度級，L表示灰度級總類數(shù)，m表示圖像灰度級為i的像素個數(shù)，N為 表示圖像總的像素數(shù)。
[0045]進一步來講，本實施例提供的對醫(yī)學圖像的圖像特征提取的過程中，采用均值、方 差、傾斜度以及峰態(tài)來反映該醫(yī)學圖像的直方圖的特征。下面分別對這四種統(tǒng)計量進行介 紹：均值，反映的是圖像的平均灰度值;方差，反映的是圖像的灰度在數(shù)值上的離散分布情 況;傾斜度，反映的是圖像直方圖分布的不對稱程度，傾斜度越大表示直方圖分布越不對 稱，反之越對稱;峰態(tài)，反映的是圖像的灰度分布在接近均值時的大致狀態(tài)，用以判斷圖像 的灰度分布是否非常集中于平均灰度附近，峰態(tài)越小，表示越集中。
[0046] 2)基于Gabor小波的紋理特征提取
[0047] Gabor函數(shù)特征提取方法是目前唯一能夠達到時頻測不準關(guān)系下界的函數(shù)，能更 好地兼顧信號在時域和頻域中的分辨能力。二維的Gabor函數(shù)和其傅里葉變換分別為：
[0051 ] 3)基于不變矩的輪廓特征提取
[0052] 一副MXN的離散圖像f(x，y)，其p+q階幾何矩定義為：
[0054] 其中1卻，」卻，？4為常數(shù)。
[0055]
r = (p+q = 2) /2，可推導出7個位移、縮放、旋轉(zhuǎn)變化都不變的絕 對不等式，相應(yīng)可以提取7個不變矩特征作為圖像的形狀特征。
[0056]進一步來講，在步驟S4中，提出需要對提取出的圖像特征進行篩選，該篩選過程可 以利用主成分分析法來對圖像特征進行簡化。
[0057]在實際應(yīng)用中，主成分分析法是采取一種降維的方法，找出幾個綜合因子來代表 原來總的變量，使這些綜合因子盡可能多的反映原來變量的信息量，而且彼此之間不相關(guān)， 達到簡化的目的。通過主成分分析，既消除圖像特征間的冗余信息，又降低圖像特征空間的 維數(shù)，同時又保留了所需要的挖掘信息。
[0058] 進一步來講，如圖2所示，在步驟S5中，利用關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘隱含于圖像特征與 肺癌之間的更有價值的關(guān)聯(lián)規(guī)則，即使用關(guān)聯(lián)規(guī)則算法，在該過程中，還包括步驟：
[0059] S51:將原始的圖像特征數(shù)據(jù)進行轉(zhuǎn)化；
[0060] S52:進行肺部CT圖像特征的關(guān)聯(lián)規(guī)則算法。
[0061] 具體來說，進行關(guān)聯(lián)規(guī)則挖掘前，需要將原始圖像特征數(shù)據(jù)中（包括患者信息、直 接觀測的圖像特征和圖像提取后簡化的圖像特征）的各變量的取值轉(zhuǎn)化為一系列的整數(shù)或 代碼，映射為事務(wù)的項。對變量進行離散化和賦值處理，即采用分類變量表示，將數(shù)據(jù)轉(zhuǎn)化 為布爾型數(shù)據(jù)，把所有屬性映射成項的索引表，見表1。
[0062] 表1肺部CT圖像特征的屬性與賦值
[0064]我們利用數(shù)據(jù)轉(zhuǎn)換算法對表1逐條掃描數(shù)據(jù)庫記錄，通過查詢項目映射表獲取相 應(yīng)的項編號，并將其填充到事務(wù)表中的相應(yīng)位置。當數(shù)據(jù)轉(zhuǎn)換算法掃描完整個數(shù)據(jù)庫的時 候，完成了關(guān)系數(shù)據(jù)庫到事務(wù)表的轉(zhuǎn)換，事務(wù)數(shù)據(jù)如表2。
[0065]表2肺癌圖像特征事務(wù)數(shù)據(jù)庫
[0066]
[0067] 本項目研究的規(guī)則是肺部CT圖像特征之間的某種量化組合能導致肺癌的發(fā)生，設(shè) 置最小支持度minsup及最小置信度minconf。具體來說，如圖3所示，步驟S52包括過程：
[0068] S521:找出所有滿足最小支持度的所有頻繁項集；
[0069] S522:根據(jù)頻繁項集計算出滿足最小置信度的關(guān)聯(lián)規(guī)則。
[0070] 具體來說，利用關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘隱含于圖像特征與肺癌之間的更有價值的關(guān)聯(lián) 規(guī)則的過程中，首先要找出所有滿足最小支持度的所有頻繁項集，然后根據(jù)這些頻繁項集 計算出滿足最小置信度的關(guān)聯(lián)規(guī)則，則該關(guān)聯(lián)規(guī)則即為有價值的。值得指出的是，找出滿足 最小支持度的所有頻繁項集的方式，不必反復(fù)掃描全部事務(wù)，將會大幅度提高算法的運行 效率。
[0071] 在步驟S6中獲取關(guān)聯(lián)規(guī)則的評價結(jié)果的過程包括兩種評價方法:主觀評價和客觀 評價。具體來說，獲取規(guī)則中存在著大量對疾病診斷工作無意義的規(guī)則，可能產(chǎn)生誤導，因 此有必要引入一種確實可行的手段對規(guī)則的有效性進行衡量以獲取感興趣的所有規(guī)則，本 項目采用客觀評價和主觀評價兩種方法。下面，對這兩種評價方法進行說明：
[0072] 1)主觀評價
[0073]主觀評價即綜合興趣度進行評價，對于所挖掘的規(guī)則，感興趣的是尚未發(fā)現(xiàn)的信 息，發(fā)生頻率不高的事件背后的原因通常是需要研究的對象。為了使研究者能更多考察小 概率事件發(fā)生的原因，采用國內(nèi)鐵治欣、陳奇提出的一種改進興趣度模型：
[0075] 2)客觀評價
[0076]客觀評價是利用前件與后件的相關(guān)性進行評價，此規(guī)則體現(xiàn)的是必然事件的聯(lián) 系，主要是通過對規(guī)則中前后件進行相關(guān)性檢驗，選出前件與后件具有正相關(guān)的那些規(guī)則。 客觀評價的模型為：
[0078] 其中，如果Coor的值等于1，則A和B是獨立的，它們之間沒有相關(guān)性;如果值小于1， 貝1JA的出現(xiàn)和B的出現(xiàn)是負相關(guān)的;如果值大于1，則A和B是正相關(guān)的。
[0079] 將利用本實施例提出的方法，并結(jié)合其它醫(yī)學圖像處理方法，如：圖像分割、圖像 配準等，在醫(yī)學圖像特征與肺癌之間的關(guān)聯(lián)規(guī)則的基礎(chǔ)上構(gòu)建相應(yīng)的、更加完善的肺癌診 斷規(guī)則和模式，加入到醫(yī)院的日常工作中以提高醫(yī)生診斷的準確性和科學性。
[0080] 通過本實施例的基于多特征的肺部CT圖像關(guān)聯(lián)規(guī)則方法，建立了肺部CT圖像的特 征與肺癌之間的關(guān)聯(lián)規(guī)則，即肺部圖像特征之間的某種量化組合能導致肺癌疾病的發(fā)生。 因此，在現(xiàn)有研究的基礎(chǔ)上，本方法通過分析肺部CT圖像的特征，實現(xiàn)基于顏色、紋理、輪廓 的圖像特征提取技術(shù)，提出了主成分分析的圖像特征的降維算法，運用關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘 技術(shù)得出隱含于圖像特征信息與肺癌之間的更有價值的關(guān)聯(lián)規(guī)則，并引入主客觀標準評價 關(guān)聯(lián)規(guī)則，克服基于"支持度-可信度"框架獲得規(guī)則的缺陷，得出對臨床有指導意義的關(guān)聯(lián) 規(guī)則并用于指導肺癌的診斷。
[0081] 對于本領(lǐng)域的技術(shù)人員而言，閱讀上述說明后，各種變化和修正無疑將顯而易見。 因此，所附的權(quán)利要求書應(yīng)看作是涵蓋本發(fā)明的真實意圖和范圍的全部變化和修正。在權(quán) 利要求書范圍內(nèi)任何和所有等價的范圍與內(nèi)容，都應(yīng)認為仍屬本發(fā)明的意圖和范圍內(nèi)。
【主權(quán)項】
1. 一種基于多特征的肺部CT圖像關(guān)聯(lián)規(guī)則方法，其特征在于，所述方法包括步驟： S1:獲取所述肺部CT圖像； S2:對所述肺部CT圖像進行預(yù)處理； S3:提取預(yù)處理后的所述肺部CT圖像的圖像特征； S4:對提取出的所述圖像特征進行篩選； S5:利用關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘隱含于所述圖像特征與肺癌之間的關(guān)聯(lián)規(guī)則； S6:利用評價方法對統(tǒng)計出的關(guān)聯(lián)規(guī)則進行評價，獲取評價結(jié)果； S7:根據(jù)所述評價結(jié)果獲取有效的所述關(guān)聯(lián)規(guī)則。2. 根據(jù)權(quán)利要求1所述的基于多特征的肺部CT圖像關(guān)聯(lián)規(guī)則方法，其特征在于，對所述 肺部CT圖像的預(yù)處理包括圖像增強處理。3. 根據(jù)權(quán)利要求1所述的基于多特征的肺部CT圖像關(guān)聯(lián)規(guī)則方法，其特征在于，提取所 述圖像特征的方式為對所述肺部CT圖像的顏色特征或紋理特征或輪廓特征進行提取。4. 根據(jù)權(quán)利要求3所述的基于多特征的肺部CT圖像關(guān)聯(lián)規(guī)則方法，其特征在于，基于灰 度直方圖提取所述肺部CT圖像的所述顏色特征或基于Gabor小波提取所述肺部CT圖像的所 述紋理特征或基于不變矩提取所述肺部CT圖像的所述輪廓特征。5. 根據(jù)權(quán)利要求4所述的基于多特征的肺部CT圖像關(guān)聯(lián)規(guī)則方法，其特征在于，采用均 值、方差、傾斜度以及峰態(tài)來反映所述肺部CT圖像的直方圖特征。6. 根據(jù)權(quán)利要求1所述的基于多特征的肺部CT圖像關(guān)聯(lián)規(guī)則方法，其特征在于，利用關(guān) 聯(lián)規(guī)則數(shù)據(jù)挖掘隱含于所述圖像特征與肺癌之間的關(guān)聯(lián)規(guī)則的過程包括步驟： S51:將原始的所述圖像特征進行數(shù)據(jù)轉(zhuǎn)化； S52:對轉(zhuǎn)化后的所述圖像特征進行關(guān)聯(lián)規(guī)則算法。7. 根據(jù)權(quán)利要求6所述的基于多特征的肺部CT圖像關(guān)聯(lián)規(guī)則方法，其特征在于，將原始 的所述圖像特征轉(zhuǎn)化為布爾型數(shù)據(jù)。8. 根據(jù)權(quán)利要求6所述的基于多特征的肺部CT圖像關(guān)聯(lián)規(guī)則方法，其特征在于，對轉(zhuǎn)化 后的所述圖像特征進行關(guān)聯(lián)規(guī)則算法的過程包括步驟： S521:找出所有滿足最小支持度的所有頻繁項集； S522:根據(jù)所述頻繁項集計算出滿足最小置信度的關(guān)聯(lián)規(guī)則。9. 根據(jù)權(quán)利要求1所述的基于多特征的肺部CT圖像關(guān)聯(lián)規(guī)則方法，其特征在于，所述評 價方法包括主觀評價和客觀評價。
【文檔編號】G06K9/62GK105868546SQ201610179250
【公開日】2016年8月17日
【申請日】2016年3月25日
【發(fā)明人】張維朋
【申請人】寧波大紅鷹學院