基於冗餘特徵消減的醫學超聲圖像自動識別方法
2023-10-11 15:05:49 1
專利名稱：基於冗餘特徵消減的醫學超聲圖像自動識別方法
技術領域：
本發明涉及計算機醫學圖像分析領域，特別涉及一種基於冗餘特徵消減的醫學超聲圖像自動識別方法，通過對預分析的醫學超聲圖像感興趣區域(ROI)的特徵提取和去冗，運用分類器對其特徵經訓練學習後再分類，為臨床應用提供重要的參考依據。
背景技術：
近20年來，醫學影像技術取得了飛速的發展，其中超聲成像作為一個重要分支，以其廉價、實時、無損傷、無射線輻射以及可重複性和敏感度高等優勢，在臨床診斷中被大量使用，並成為重要工具。超聲成像在定量分析、實時診斷和手術規劃等方面都具有很大的前景。然而，超聲圖像中的斑點噪聲、偽影等圖像缺陷也制約了其發展。在臨床應用中超聲診斷主要是醫生根據經驗來判斷。這種主觀判斷方法易受到個人的診斷經驗、思維方式、技 術水平等因素的嚴重影響。隨著計算機技術的發展，自動識別系統逐步應用到圖像分析當中。通過計算機對醫學超聲圖像進行分析，可以使醫療專家擺脫繁重的人工觀察和診斷，並且還可以提供更精確的輔助診斷數據。在計算機信息處理系統中，數據的採集是信息系統的基礎，這些數據通過數據系統的分析和過濾，最終成為影響我們決策的信息。在醫學超聲圖像分析過程中，我們往往以提取的圖像特徵集作為數據輸入，達到識別並區分感興趣區域的圖像特徵的目的。在實際應用時，過高維數的特徵向量往往會引起維數災難，同時冗餘和無關的特徵描述也將影響到特徵分析的性能。此時特徵選擇環節就變得非常重要，其目的在於通過特徵的選擇，一方面可以有效降低特徵向量的維數；另一方面降低冗餘和無關的特徵分量在特徵向量中的比重，從而有利於提高特徵分析的效果和效率。支持向量機(SupportVector Machine, SVM)是 Cortes 和 Vapnik 於 1995 年首先提出的，它在解決小樣本、非線性及高維模式識別中表現出許多特有的優勢，並能夠推廣應用到函數擬合等其他機器學習問題中。支持向量機方法是建立在統計學習理論的VC維理論和結構風險最小原理基礎上的，根據有限的樣本信息在模型的複雜性(即對特定訓練樣本的學習精度，Accuracy)和學習能力(即無錯誤地識別任意樣本的能力)之間尋求最佳折衷，以期獲得最好的推廣能力(或稱泛化能力)。現有圖像分類方法使用局限，只針對某種特異性圖像；提取的特徵少，不能全面、客觀的反映圖像的特性；同時分類正確識別率低，分類效果差，缺乏實用性。
發明內容
本發明的目的在於提供一種基於冗餘特徵消減的醫學超聲圖像自動識別方法，實現對醫學超聲圖像及其特性的正確分類，全面、客觀的反映圖像的特性，為臨床應用提供重要的參考依據。一種基於冗餘特徵消減的醫學超聲圖像自動識別方法，包括以下步驟
步驟I從待處理的醫學超聲圖像中提取感興趣區域；步驟2對感興趣區域做預處理；步驟3從預處理後的感興趣區域提取特徵；步驟4對提取的特徵進行主成分分析，以去除冗餘和無關的特徵分量，確定獨立有效的特徵；步驟5依據獨立有效的特徵，利用分類器對感興趣區域分類。所述特徵包括紋理特徵、形態特徵和彈性特徵。所述紋理特徵包括空間域特徵和頻域特徵；所述空間域特徵包括一階灰度均值、標準差、中值、最大值、最小值、一階矩、二階矩、偏度、峰度、五階·矩、六階矩、七階矩、能量、熵；基於灰度共生矩陣對比度、角二階矩、能量及相關係數；基於灰度遊程矩陣短遊程逆矩、長遊程逆矩、遊程灰度的不均勻性、遊程長度的不均勻性、遊程百分比；基於空間灰度獨立矩陣對比度、均值、能量、逆差矩、角二階矩；所述頻域特徵包括Laws能量和傅立葉功率譜,所述傅立葉功率譜包括環狀採樣特徵、楔狀採樣特徵、環狀採樣和楔狀採樣交叉特徵。所述步驟4具體為步驟4. I對步驟3提取的特徵構成的特徵向量表示為歹=[4，12,...，；^，p為特徵個數，對該特徵向量做標準化處理，得到標準化特徵向量= [JTi，X2,…，U;步驟4. 2對標準化後的特徵向量Z二[X1,尤2，…，進行特徵分解，以確定主成分坐標軸U ；步驟4. 3依據主成分坐標軸U確定p個主成分分量；步驟4. 4以累計貢獻率nm作為主成分個數確定準則，對P個主成分分量進行降維，獲得m個主成分；步驟4. 5以m個主成分構成主成分矩陣X，該主成分矩陣X即為獨立有效的特徵集。所述分類器為支持向量機。所述支持向量機構建方法為將n個樣本(Xi, Yi)作為樣本訓練集，Xi為第i個樣本的m維訓練特徵，Yi為第i個樣本的類別標號，i = l，2...n;在滿足yiKW.X^+W-l彡0條件下，利用二次規劃方法求解使得目標函數
Inn
=+ 取最小值的最優Lagrange乘子a i,其中『=乏>,._);,4，鬆弛項
I/=1(=1
為懲罰因子，b為常數；
n依據最優Lagrange乘子a 4計算得到4;
；=1從n個樣本的m維訓練特徵Xi中任意選取一支持向量，將其代入最優分類面表達式W X+b = O求解確定常數b值；構造分類器
權利要求
1.一種基於冗餘特徵消減的醫學超聲圖像自動識別方法，包括以下步驟 步驟I從待處理的醫學超聲圖像中提取感興趣區域； 步驟2對感興趣區域做圖像預處理； 步驟3從預處理後的感興趣區域提取特徵； 步驟4對提取的特徵進行主成分分析，以去除冗餘和無關的特徵分量，確定獨立有效的特徵； 步驟5依據獨立有效的特徵，利用分類器對感興趣區域分類。
2.根據權利要求I所述的醫學超聲圖像分類方法，其特徵在於，所述特徵包括紋理特徵、形態特徵和彈性特徵。
3.根據權利要求I所述的醫學超聲圖像分類方法，其特徵在於，所述紋理特徵包括空間域特徵和頻域特徵； 所述空間域特徵包括 一階灰度均值、標準差、中值、最大值、最小值、一階矩、二階矩、偏度、峰度、五階矩、六階矩、七階矩、能量、熵； 基於灰度共生矩陣對比度、角二階矩、能量及相關係數； 基於灰度遊程矩陣短遊程逆矩、長遊程逆矩、遊程灰度的不均勻性、遊程長度的不均勻性、遊程百分比； 基於空間灰度獨立矩陣對比度、均值、能量、逆差矩、角二階矩； 所述頻域特徵包括=Laws能量和傅立葉功率譜，所述傅立葉功率譜包括環狀採樣特徵、楔狀採樣特徵、環狀採樣和楔狀採樣交叉特徵。
4.根據權利要求I所述的醫學超聲圖像分類方法，其特徵在於，所述步驟4具體為 步驟4. I對步驟3提取的特徵構成的特徵向量表示為 I = [X13X2，…，，p為特徵個數，對該特徵向量做標準化處理，得到標準化特徵向量X = [X,,X2,---,XP]; 步驟4. 2對標準化後的特徵向量X =…\ j進行特徵分解，以確定主成分坐標軸U ； 步驟4. 3依據主成分坐標軸U確定p個主成分分量； 步驟4.4以累計貢獻率nm作為主成分個數確定準則，對P個主成分分量進行降維，獲得m個主成分； 步驟4. 5以m個主成分構成主成分矩陣X，該主成分矩陣X即為獨立有效的特徵集。
5.根據權利要求4所述的醫學超聲圖像分類方法，其特徵在於，所述分類器為支持向量機。
6.根據權利要求5所述的醫學超聲圖像分類方法，其特徵在於，所述支持向量機構建方法為 將n個樣本(Xi, yi)作為樣本訓練集，Xi為第i個樣本的m維訓練特徵，yi為第i個樣本的類別標號，i = I, 2. . . n ； 在滿足yi[(W-XiHW-I > O條件下，利用二次規劃方法求解使得目標函數
全文摘要
本發明公開了一種基於冗餘特徵消減的醫學超聲圖像自動識別方法。首先從待處理的醫學超聲圖像中提取感興趣區域，從感興趣區域提取特徵；然後對提取的特徵進行主成分分析，以去除冗餘和無關的特徵分量，確定獨立有效的特徵；最後依據獨立有效的特徵，利用分類器對感興趣區域分類。本發明通過計算機對醫學超聲圖像進行分析，提取的圖像特徵涵蓋了空域和頻域，更為全面地反映了圖像的本質特性，有助於進行正確分類，具有較好的臨床實用性。
文檔編號G06K9/00GK102799858SQ20121020654
公開日2012年11月28日 申請日期2012年6月21日 優先權日2012年6月21日
發明者丁明躍, 楊鑫, 王瑞, 尉遲明, 張旭明, 侯文廣, 王龍會 申請人:華中科技大學