局部纹理特征和多示例学习结合的b超甲状腺结节良 - 数据采集与处理.doc

基于局部纹理特征的超声甲状腺结节良恶性识别 熊 伟1 龚勋1 罗俊2 李天瑞1 （1.西南交通大学信息技术与科学学院，成都610031；2. 四川省医学科学院·四川省人民医院·超声科） 摘要：为了实现超声甲状腺结节的自动分类研究，本文提出了一种利用局部纹理特征与多示例学习方法相结合以克服结节区域特征信息的重叠性。从感兴趣区域提取其局部纹理特征，将感兴趣区域看作由所有局部特征构成的示例包，再采用多示例学习方法中Citation-kNN算法来实现对样本进行识别分类，实验结果表明，本文方法对超声甲状腺结节良恶性识别具有较高的分类准确率，且分类准确率达85.59%，可应用于甲状腺临床诊断并为其相关领域提供有效参考。 关键词：图像分类；多示例学习；灰度共生矩阵；甲状腺超声图像 国内图书分类号：TP301.6 School of Information Science and Technology, Southwest Jiaotong University, Chengdu 610031 2 Department of Ultrasound, Sichuan Academy of Medical Sciences, Sichuan Province Peoples Hospital） Abstract In order to accomplish the automatic classification of the thyroid nodules, the local texture features are combined with the multiple instance learning method is proposed to overcome the overlap of the thyroid nodules in this paper. The local texture features are abstracted from the region of interest and it is taken as the instance package which consists of local features. The Citation-kNN algorithm of the MIL method is adopted to classify samples in this paper. Experimental results show that this identification method has higher classification accuracy and the accuracy achieves 85.59%. It is expected to be applied in the clinical diagnosis of thyroid and provide a valuable reference for other related domains. Keywords image classification; multi-instance learning; GLCM; ultrasound thyroid imag Classified Index: TP301.6 0 引言 由于甲状腺结节的发病原因未知，只有尽可能早地发现、确诊，才能提高甲状腺癌的治愈率。目前，甲状腺结节在临床中十分常见，通过高分辨超声发现，人群甲状腺结节的患病率为18%~65%，其中，甲状腺癌占5%~15%[1]。B超具有无创、动态和廉价等特点，已成为甲状腺结节术前检查的首选方法[2]。当前，医学图像的临床分析主要通过医生对图像的定性判别来完成。使用的特征和诊断标准不同，缺乏图像特征的定量度量以及视觉感知上的差异，因此导致不同医生对于同一病例的诊断结果存在差异。 超声图像的分类已经被广泛地应用于肝脏、乳腺等处的不同疾病的计算机辅助诊断中。但由于甲状腺癌生物学特征多变，多元性多种性质的结节并存，从临床表现和影像学特征上来观测病变的良恶性以及超声甲状腺结节良恶性的重叠性很难区别，使得普通超声成像在甲状腺疾病的诊断上的价值有限，因此，针对超声图像的甲状腺结节良恶性识别的研究具有重要的理论意义和实际价值。本文采用多示例学习方法来实现对样本进行识别分类。 多示例学习算法是被视为与强化学习、监督学习、非监督学习并列的第4种机器学习框架。作为一种特殊的监督性分类方法，多示例学习目前已经被成功用于药物活性预测、数据挖掘、图像检索、自然场景分类、文本分类和图像分类等领域[3]。本文通过把多示例学习方法和纹理特征提取方法相结合并运用到超声甲状腺结节良恶性的识别中，实现对样本的准确分类。 近年来，多示例学习