基于 FPGA 的微钙化自动分类 CAD 系统的开发

0AASRI Procedia 4（2013）90-9502212-6716©2013作者。由ElsevierB.V.出版。在美国应用科学研究所的责任下进行选择和/或同行评审。doi：10.1016/j.aasri.2013.10.0150ScienceDirect02013年AASRI智能系统和控制会议0基于FPGA的自动分类CAD系统的开发0基于FPGA的微钙化自动分类CAD系统0Tiago A. Dócusse a *，Alexandre C. R. da Silva a，Aledir S. Pereira b，诺里安Marranghello b0Marranghello b0a圣保罗州立大学，巴西圣保罗州伊利亚索尔泰拉市中心巴西56号巴西，15385-0000b圣保罗州立大学，巴西圣保罗州纳萨雷斯花园，克里斯托瓦∙哥伦布，2265号，15054-0000摘要0本文介绍了一种计算机辅助诊断（CAD）系统，该系统可以自动将数字乳腺X线照片上检测到的微钙化分类为Michèle LeGal提出的五种类型之一。这种分类方案使放射科医生能够确定乳腺肿瘤是否恶性，而无需进行手术。开发的系统使用小波和人工神经网络（ANN）的组合，在AlteraDE2-115开发套件上执行，该套件包含了一种可编程逻辑门阵列（FPGA），使系统更小、更便宜、能源效率更高。结果表明，该系统能够正确分类96.67％的测试样本，可作为放射科医生在乳腺癌早期诊断中的第二意见。©2013由ElsevierB.V.出版。在美国应用科学研究所的责任下进行选择和/或同行评审。关键词：图像分类；癌症检测；乳腺X线照片；嵌入式软件；0*通讯作者。电话：+55-17-33210070。电子邮件地址：tiagodocusse@gmail.com。0在www.sciencedirect.com上在线获取0© 2013作者。由Elsevier B.V.出版。在美国应用科。0根据CC BY-NC-ND许可证开放访问。0根据CC BY-NC-ND许可证开放访问。 091  Tiago A. Dócusse et al. /  AASRI Procedia  4 ( 2013 )  90 – 9501. 引言0计算机辅助诊断系统已被建立起来，以帮助医生诊断疾病并提高患者的生活质量。乳腺癌是全球许多妇女死亡的原因[1]，开发CAD系统可以帮助医生早期检测该疾病，这是减少因该疾病而死亡的人数的最佳途径[2]。针对乳腺癌早期检测，可以开发CAD系统来检测和分类微钙化，微钙化是乳腺组织中可能存在的小的钙沉积，是不可触摸检查中无法察觉的肿瘤的第一个迹象[3]。01.1. Le Gal分类方案0为了帮助放射科医生判断肿瘤是否恶性，Michèle LeGal开发了一种分类方案[4]，该方案在欧洲广泛使用[5]，将微钙化分为五种类型，根据这些元素的数量和类型，放射科医生可以决定肿瘤是否恶性，而无需进行手术，避免其并发症并减少对再次治疗的需求[2]。该分类方案基于微钙化的形态学，每种类型的微钙化样本如图1所示[6]。这些类型之间的主要区别是，类型I的微钙化是圆形的，但内部未填充；类型II和类型IV的微钙化也是圆形的，但内部填充，它们之间的区别在于边界的光滑度（类型II的光滑，类型IV的边界崎岖）；类型III的微钙化非常小，类型V的微钙化呈蠕虫状。表1显示了根据LeGal的分类，每种类型与恶性肿瘤相关的百分比。0(a)  (b)  (c)  (d)  (e)0图1. 根据Le Gal分类方案的微钙化类型（a）类型I；（b）类型II；（c）类型III；（d）类型IV；（e）类型V。0表1. 恶性肿瘤与每种微钙化类型的相关百分比。0类型  恶性肿瘤百分比0I  0 %0II  22 %0III  40 %0IV  66 %0V  100 % 092     Tiago A. Dócusse et al. /  AASRI Procedia  4 ( 2013 )  90 – 950图2. 设计的硬件组件。01.2. 相关工作0已有多篇论文在乳腺癌检测领域发表，并且已经使用了多种工具为CAD系统提供辅助医生早期检测该疾病的方法，如小波变换[7]、人工神经网络[8-9]、金字塔可控转换[10]和支持向量机[11-13]。这些CAD系统的主要缺点是它们都没有将微钙化分类为Michèle LeGal提出的五种类型。Pereira提出了一种方法[6]，该方法使用Hough变换根据这种分类方案对微钙化进行分类，但它对类型II和IV的微钙化的分类并不理想。02. 方法解释0本文描述的开发的CAD系统是一个嵌入式系统，其软件是用C++编程语言开发的，硬件是使用Altera SOPCBuilder设计的。硬件使用Altera Quartus 12.1软件进行编译，并使用AlteraDE2-115开发板进行编程。图2显示了设计的硬件组件。硬件的CPU组件是Altera NiosII软件处理器，其复位向量和异常向量是位于板上的SDRAM，容量为128MB。板上有一个并行端口，用于与用户交互的四个按钮进行通信。板上还有一个安全磁盘（SD）卡阅读器和一个液晶显示器（LCD），用于向用户显示消息。为了使用该系统，用户将包含要在SD卡阅读器上处理的图像的SD卡插入，然后使用板上的按钮选择要处理的图像。一旦用户选择了一张图像，它将由我们的CAD系统的软件部分进行处理，其流程图显示在图3中。LCD显示处理的进度，并在处理完成时提醒用户。0图3. 软件逻辑框图。0我们的CAD系统的软件部分由六个步骤组成，前三个步骤是我们之前开发的系统的修改版本[14]，但对用于检测输入图像中的微钙化的区域生长算法进行了调整，因此我们的算法控制自己的待分析像素堆栈，而不是使用递归解决方案。这种修改导致内存使用减少了73%。 093  Tiago A. Dócusse et al. /  AASRI Procedia  4 ( 2013 )  90 – 950与以前的算法相比，该系统在图像处理所需的时间上减少了40％，从而实现了使用比常规计算机内存更小的设备进行开发，这一点始终是可取的。在“特征提取”步骤中，系统从每个微钙化中提取四个特征，以区分五种类型的微钙化：面积（类型III微钙化非常小），平均灰度值（类型I微钙化的平均灰度值低于其他类型），根据[14]计算的平滑度指数（区分类型II和IV的微钙化）以及微钙化的长度和宽度之比（只有类型V微钙化没有圆形形状）。为了计算微钙化的长度，我们创建了一个算法，它检测两个像素之间的最长欧几里德距离（长度），然后将宽度计算为垂直于计算长度的方向上两个像素之间的最长距离。在“分类器”步骤中，系统将前一步骤提取的四个特征用作多层感知机（ANN）的输入层的输入（每个特征一个神经元），隐藏层有十二个神经元，输出层有五个神经元（每种微钙化一种）。ANN使用反向传播学习算法训练，使用80个模拟微钙化样本作为学习集（每种类型16个）。面积小于5的微钙化被认为是误报[15]。结果被写入连接到板上的SD卡的根目录中，作为一个包含识别、提取特征值和每个微钙化的最终分类的可扩展标记语言（XML）文件。一张自动标记微钙化的图像也被写入SD卡的根目录，以便用户可以更容易地在XML文件中识别每个微钙化。图4显示了一张自动标记微钙化的图像的示例，图5显示了在Altera DE2-115开发板上运行的CAD系统。0图4. 自动标记微钙化的输出图。0图5. 在执行中的Altera DE2-115开发板。03. 结果0我们从个人数据库中使用了十四张图像来测试我们的系统，每张图像都包含一个基于真实图像的微钙化样本的模拟样本，以及高频对象和血管的模拟，以分析虚假阳性的检测情况，从而得到七十张微钙化图像，每张图像与学习集中的图像不同。此外，我们使用SciLab添加了高斯噪声到这些图像中，从而得到210张用于测试我们的系统的图像。我们将所有的测试图像保存在SD卡上，将其连接到开发板上，处理每个图像并收集数据。表2显示了微钙化按照Le Gal分类方案的五种类型成功和不成功分类的百分比。094 Tiago A. Dócusse等人/ AASRI Procedia 4（2013）90-950我们从个人数据库中使用了十四张图像来测试我们的系统，每张图像都包含一个基于真实图像的微钙化样本的模拟样本，以及高频对象和血管的模拟，以分析虚假阳性的检测情况，从而得到七十张微钙化图像，每张图像与学习集中的图像不同。此外，我们使用SciLab添加了高斯噪声到这些图像中，从而得到210张用于测试我们的系统的图像。我们将所有的测试图像保存在SD卡上，将其连接到开发板上，处理每个图像并收集数据。表2显示了微钙化按照Le Gal分类方案的五种类型成功和不成功分类的百分比。0表2. 微钙化成功和不成功分类的百分比0类型 成功分类 不成功分类0I 100.00 % 4.76 %0II 85.71 % 0.00 %0III 97.62 % 2.38 %0IV 100.00 % 0.00 %0V 100.00 % 4.76 %0结果表明，该系统能够成功地对所有类型的微钙化进行分类。在我们的测试中，系统没有检测到任何虚假阳性。此外，在每张测试图像中，所有的微钙化都被检测到，尽管这些图像上添加了噪声。每张图像的处理平均需要约2.7秒，而在AlteraDE2-115板上执行系统时没有发现任何问题，因此提供了一种比在常规计算机上开发更便宜、更小巧[16]和更节能[16-17]的CAD系统的选择。04. 结论0本文提出的系统能够成功地对来自Michèle Le Gal提出的五种类型的微钙化进行分类，使用AlteraDE2-115和Altera NiosII处理器使其成为可能。我们现在正在努力获取更多的乳房X线照片来进一步分析我们的系统。0致谢0这项工作得到了CNPq（国家科学与技术发展委员会）309023/2012-2号的财政支持。0参考文献0[1] 国际癌症研究机构，“Globocan 2008：国家快速统计”，2010年。[2]世界卫生组织，世界癌症报告2008，世界卫生组织，里昂，2008年。[3] C. S. Huang和C.Y.等人Wu，“超声诊断无触及乳房病变的微钙化：与乳房X线照片和组织病理学的相关性”，超声产科妇科学，1999年，13(6)：431-436页。[4] M. LE GAL，D. PELLIER和G.CHAVANNE，“发现通过乳房X线照片的微钙化群的诊断价值”，癌症公报，1984年，71：57-64页。095 Tiago A. Dócusse等人/ AASRI Procedia 4（2013）90-950[5] F. ZANCA和D.P.等人Chakraborty，“模拟数字乳房X线照片中微钙化的改进方法”，医学物理学，2008年，35(9)：4012-4018。[6] A. S. PEREIRA，使用Hough变换的医学图像处理，博士论文，圣保罗大学，1995年。[7] C. B. RFERREIRA和D. L.BORGES，“使用小波变换分解分析乳房X线照片分类”，模式识别通讯，2003年，24：973-982。[8] A. P.DHAWAN和Y.S.等人CHITRE，“使用人工神经网络对乳房X线照片微钙化和结构特征进行分类”，第13卷，1991年IEEE工程与生物医学学会年会，1105-1106页。[9] R. R. HERNÁNDEZ-CISNEROS和H. T.TERASHIMA-MARÍN，“应用于数字乳房X线照片微钙化簇分类的进化神经网络”，2006年IEEE进化计算大会，温哥华，2459-2466页。[10] A. B. HUDDIN，B. W. H. NG和D.ABBOTT，“研究乳房X线照片中的多方向和多分辨率特征微钙化分类”，第七届智能传感器、传感器网络和信息处理国际会议，2011年，52-57页。[11] A. TIRTAJAYA和D.SANTIKA，“使用双树复小波变换和支持向量机对微钙化进行分类”，第二届计算、控制和电信技术国际会议，2010年，164-166页。[12] J. DHEEBA和T.SELVI，“使用svm分类器对恶性和良性微钙化进行分类”，国际电气和计算机技术新趋势国际会议，2011年，686-690页。[13] S. LAHMIRI和M.BOUKADOUM，“基于DWT和RT的特征提取和svm分类乳房X线照片”，2011年IEEE生物医学电路与系统会议，24：412-415页。[14] T. A. DOCUSSE和A.S.等人PEREIRA，“基于小波的数字乳房X线照片微钙化边缘特征提取”，IEEE工程与生物医学杂志，2009年，28(5)：41-43页。[15] A. M. SCARANELO，“Leite de cálcio” Revista da Associacão MédicaBrasileira，2004年，50(2)：122-122页。[16] J. U. CHO和S.H.等人Jin，“基于FPGA的自适应颜色直方图实时视觉跟踪系统”，2007年IEEE机器人和仿生学国际会议，172-177页。[17] C. TTOFIS和T.THEOCHARIDES，“实现基于分割的自适应支持权重算法的准确硬件立体对应：一种实时FPGA实现”，2012年欧洲设计、自动化和测试会议展览会，703-708页。