一种基于DCE-MRI的乳腺癌分级方法

技术领域

本发明涉及磁共振成像技术领域，尤其涉及一种基于DCE-MRI的乳腺癌分级方法。

背景技术

DCE-MRI对于提高实体肿瘤的临床诊断水平，评价抗血管生成化疗的早期疗效具有重要意义。DCE-MRI可以提供一组病变的高质量图像，不仅包括关于可疑病变的形状的有用信息，而且还包括病变中对比剂的动态行为的有用信息。

现有的乳腺癌的辅助诊断存在的问题为：

(1)主要医生根据经验判断，有较大的主观性；

(2)获取DCE磁共振成像数据的一个基本问题是在空间分辨率和时间分辨率之间选择一个平衡点。计算定量参数需要知道血管中造影剂浓度的时间变化率，由于该浓度随时间变化非常快，因此需要高时间分辨率。定量参数需要引入合适的模型才能得出，经典Tofts“两室”模型是DCE-MRI最常用的药代动力学模型，但这种方法需要较高的空间分辨率及信噪比，对磁共振扫描仪和序列设置要求较高；

(3)分类算法的好坏直接影响分类结果，而分级算法应用较为广泛的SVM分类器、随机森林、贝叶斯分类器都存在一定的局限性。

发明内容

本发明提出一种基于DCE-MRI的乳腺癌分级方法，以解决现有的分级方法存在准确率不高的问题。

本发明解决上述问题的技术方案是：一种基于DCE-MRI的乳腺癌分级方法，包括以下步骤：

S1：从至少一个乳腺DCE-MRI图像训练样本中提取样本数据，其中，所述样本数据包括动力学参数特征和纹理特征；

S2：构造融合分类器

多个强分类器基于加权投票法进行线性组合得到所述融合分类器，其中所述强分类器是利用样本数据训练后得到的；

S3：利用融合分类器对乳腺DCE-MRI图像进行分类，得到乳腺DCE-MRI图像的等级。

优选的是，每个强分类器均是基于相对应的基分类器通过boosting集成算法处理后得到的。

优选的是，所述基分类器为SVM分类器、判决树分类器和ELM分类器。

优选的是，所述融合分类器中预设有阈值δ，当y＞δ时，判别结果为类别1，当y＜δ时，判别结果为类别2，其中y为多个强分类器融合的输出。

优选的是，利用boosting集成算法得到强分类器的方法具体包括：

对样本数据赋予初始权重；

将带初始权重的样本数据通过分类算法得到基分类器；

根据基分类器的分类准确率确定基分类器权重和样本权重，其中样本权重作为下一级基分类器的训练样本权重，不停迭代直至想要的基分类器个数；

多个基分类器根据基分类器权重投票，得到强分类器。

优选的是，所述动力学参数特征包括半定量参数和定量参数。

优选的是，所述步骤S1具体包括：

通过乳腺DCE-MRI图像的信号强度-时间曲线得到半定量参数；

将乳腺DCE-MRI图像输入至区域参考模型中得到定量参数；

采用laws纹理特征、灰度共生矩阵、灰度游程矩阵、灰度区域矩阵和灰度差异矩阵中的一种方法从乳腺DCE-MRI图像的病灶区域中提取纹理特征；

对提取到的动力学参数和纹理特征进行筛选处理得到样本数据。

优选的是，所述boosting集成算法中异常样本数据是利用K近邻算法来判断的。

相比于现有技术，本发明的有益效果在于：本发明采用boosting策略，并通过自助采样法，使用相互有交叠的采样子集。同时，对强分类器采用权值不同的投票策略进行融合，得到融合分类器，提高乳腺BIRADS分级的准确性。本发明利用乳腺DCE-MRI图像的时空信息提取综合特征，综合特征包括动力学参数特征和纹理特征，有助于分级过程的进行，提高诊断的准确率。

附图说明

图1为本发明分级方法的流程示意图。

图2为本发明构造融合分类器的流程示意图。

图3为本发明利用boosting集成算法得到强分类器的流程示意图。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。

一种基于DCE-MRI的乳腺癌分级方法，包括以下步骤：

S1：从至少一个乳腺DCE-MRI图像训练样本中提取样本数据，其中，样本数据包括动力学参数特征和纹理特征；

S2：构造融合分类器

多个强分类器基于加权投票法进行线性组合得到融合分类器，其中强分类器是利用样本数据训练后得到的；

S3：利用融合分类器对乳腺DCE-MRI图像进行分类，得到乳腺DCE-MRI图像的等级。

作为本发明一个优选的实施例，每个强分类器均是基于相对应的基分类器通过boosting集成算法处理后得到的。

作为本发明一个优选的实施例，基分类器为SVM分类器、判决树分类器和ELM分类器。

作为本发明一个优选的实施例，融合分类器中预设有阈值δ，当y＞δ时，判别结果为类别1，当y＜δ时，判别结果为类别2，其中y为多个强分类器融合的输出。

作为本发明一个优选的实施例，利用boosting集成算法得到强分类器的方法具体包括：

对样本数据赋予初始权重；

将带初始权重的样本数据通过分类算法得到基分类器；

根据基分类器的分类准确率确定基分类器权重和样本权重，其中样本权重作为下一级基分类器的训练样本权重，不停迭代直至想要的基分类器个数；

多个基分类器根据基分类器权重投票，得到强分类器。

作为本发明一个优选的实施例，动力学参数特征包括半定量参数和定量参数。

作为本发明一个优选的实施例，步骤S1具体包括：

通过乳腺DCE-MRI图像的信号强度-时间曲线得到半定量参数；

将乳腺DCE-MRI图像输入至区域参考模型中得到定量参数；

采用laws纹理特征、灰度共生矩阵、灰度游程矩阵、灰度区域矩阵和灰度差异矩阵中的一种方法从乳腺DCE-MRI图像的病灶区域中提取纹理特征；

对提取到的动力学参数和纹理特征进行筛选处理得到样本数据。

作为本发明一个优选的实施例，boosting集成算法中异常样本数据是利用K近邻算法来判断的。

实施例1：一种基于DCE-MRI的乳腺癌分级方法，包括以下步骤：

1、对多幅乳腺DCE-MRI图像进行预处理得到训练样本集；

2、从训练样本集中提取动力学参数特征和纹理特征；

21：动力学参数特征的提取，动力学参数特征包括定量参数和半定量参数。

本发明采用参考区域模型(RRM)提取定量参数，可以在不需要AIF的情况下获得药代动力学估计值。可用如下式(1)方程表示：

模型中C

第一步用方程式(6)拟合所有参数，取参数k

参考区域模型同样也可以采用线性拟合，拟合方程如式(3)所示，

我们使用线性拟合求解方程，如A＝B

方程求解为：

其中X的X

根据式(11)可将方程(8)改写为式(12)，

我们根据式(3)和式(6)第一次拟合计算出所有参考区域体素的k

参考表1，参考区域模型的实现过程如下：

a.使用非线性参考区域模型(公式(1))或线性参考区域模型(公式(3))来拟合所有感兴趣的组织中的体素。

b.丢弃体素估算值为负的参数。

c.取k

d.将

表1boosting融合算法伪代码

22、提取纹理特征

从乳腺病灶区域中提取纹理特征是采用laws纹理特征、灰度共生矩阵、灰度游程矩阵、灰度区域矩阵、灰度差异矩阵中的一种方法进行提取。

laws纹理特征通过纹理中的平均灰度值、边缘、斑点、波纹和波形确定纹理属性。

灰度共生矩阵特征是通过计算图像的灰度共生矩阵的各种统计量，来代表图像的纹理特征。灰度共生矩阵通过计算图像中相距为D的两个像素值同时出现的联合概率分布，用条件概率来反映纹理，描述相邻像素的灰度相关性，可以定量描述图像灰度值方向、间隔、变化幅度等信息，是纹理特征提取的常用方法。

灰度游程矩阵也是分析图像中局部信息和排列规则的常用手段之一，通常和灰度共生矩阵组合使用。灰度游程矩阵主要关注图像中同一方向上同一个灰度值出现的个数，通过统计这些像素的分布来得到纹理特征。与灰度共生矩阵类似，灰度游程矩阵也可以选择沿着不同的方向进行扫描，但是其横纵坐标代表意义不同，灰度共生矩阵的横纵坐标表示两点的灰度，体现的灰度差异，而游程矩阵的纵坐标表示像素值，横坐标表示连续像素值个数，体现的灰度均匀度，矩阵中的值表示像素值连续像素出现的次数。

灰度区域矩阵同样是量化图像中连续像素的区域，其设置方式与灰度游程矩阵相同，但量化单位是以尺寸区域而不是运行长度，可以说，灰度游程矩阵是在一维方向上记录连续像素值连续相邻的情况的出现的次数，而灰度区域矩阵是在二维区域内记录图像区域内连续相邻的情况的出现的次数。

邻域灰度差矩阵反映其邻域与中心点的灰度差。

3、构造融合分类器

本发明采用三种基分类器进行融合策略设计。融合分类器的融合步骤如图2所示本本发明主要选择SVM(支持向量机)分类器、判决树分类器和ELM分类器来作为第一层boosting融合的基分类器。

SVM通过优化分类边界间隔的方式来找到最佳分类平面，判决树主要通过基于信息熵的指标来进行分裂判决，而ELM则是基于单隐层神经网络的方式，优化分类结果的最小平方差，这三种分类器的分类原理各不相同，对于相同的样本数据，可以增加分类器的多样性，所以对于样本分类的结果可能会不同，将三种提升后的强分类器进行加权判决，会在一定程度上对分类结果互补，从而提高分级准确率。

boosting分类器融合算法的是根据训练过程中基分类器的分类结果，不断调整训练子集的分布，在分类器的学习过程中更加聚焦于分类更易出错的样本，迭代多次得到多个基分类器，然后将多个分类器进行组合，得到强分类器，从而提高单个分类器的分类准确率。boosting算法首先对同一训练样本集赋予初始权重，带权重的样本通过分类算法得到最佳分类器，根据该分类器的分类准确率确定分类器权重和样本权重，其中样本权重作为下一级分类器的训练样本权重，不停迭代直至想要的基分类器个数，最后将各个基分类器根据分类器权重投票，得到boosting融合分类器所分类别。

构造融合分类器的主要分为两个部分，先通过boosting融合算法，提高单个SVM(支持向量机)分类器、判决树分类器和ELM分类器的分类准确率，得到boosting-SVM分类器、boosting-判决树分类器和boosting-ELM分类器的判决结果，再对boosting-SVM分类器、boosting-判决树分类器和boosting-ELM分类器通过加权投票的方式进行融合，得到最终的分类结果。通过boosting算法，可以优化基分类器的分类准确率。

构造boosting-SVM分类器具体步骤包括：对样本数据赋予初始权重；将带初始权重的样本数据通过分类算法得到SVM分类器；根据SVM分类器的分类准确率确定SVM分类器权重和样本权重，其中样本权重作为下一级SVM分类器的训练样本权重，不停迭代直至想要的SVM分类器个数；多个SVM分类器根据SVM分类器权重投票，得到boosting-SVM分类器。

在迭代过程中，样本的权重值与该样本在当前基分类器下是否分类正确有关。对于分类正确的样本，适当减小样本权重，对于分类错误样本，判断该样本是否为异常数据，如果为异常数据，则减小样本权重，反之，适当加大样本权重，使得分类器更多的聚焦到正常样本中分类错误的样本。异常数据根据基于K近邻算法来判断，如果该样本的K近邻样本中分类错误的比例，大于所有样本的近邻样本分类错误率的平均值。

用的分类器决策融合为少数服从多数的原则，分别得到多个分类器的分类结果，分类达到半数以上作为判别规则，针对三个分类器的二分类问题，选择两个分类器分类结果相同的类别作为最终分类即可。但对于不同的三个分类器，对于不同的样本集，可能有不同的性能，直接选择平均投票可能不能很好的发挥各个分类器的优势。

boosting-判决树分类器和boosting-ELM分类器的构造方法和构造boosting-SVM分类器的步骤相同。

对于三种强分类器，将采用加权投票的方式，确定三种分类器的权重，将其组合成一个融合分类器。加权投票的思想是根据基分类器的不同效果，在投票表决时具有不同的权重，从而影响最终的分类抉择。对于分类效果好，分类准确率的分类器，将占有比较大的比重，反之，权重较小。权重的选取主要参考三种强分类器在训练集中的分类准确率，同时考虑到样本类别所占的比例，先将平均分配到各个类别，然后再平分到各个样本，作为计算每个分类器分类的权重准确率，得到三个强分类器的权重准确率C

加权投票算法如表2所示。

表2加权投票算法

4、利用融合分类器对乳腺DCE-MRI图像进行分类，得到乳腺DCE-MRI图像的等级。

以上仅为本发明的实施例，并非以此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的系统领域，均同理包括在本发明的保护范围内。