基於二維集合經驗模式分解的醫學mr圖像特徵提取方法
2023-06-29 05:49:56
基於二維集合經驗模式分解的醫學mr圖像特徵提取方法
【專利摘要】一種基於二維集合經驗模式分解的醫學MR圖像特徵提取方法：步驟一，進行初始化；步驟二，向原始信號中加入白噪聲序列；步驟三，通過篩分提取第i個BIMF分量；步驟四，加入不同的白噪聲序列重複步驟三；步驟五，更新餘量；步驟六，若極值點個數小於給定閾值或分解達到指定層數時算法停止，否則轉到步驟二進行下層分解；步驟七，將BIMF的集成平均值作為最終的分解結果；步驟八，對得到的BIMF分解結果進行Hilbert變換，構建解析信號，得到所有BIMF圖像的局部特徵信息，同時對第一個BIMF圖像進行相位一致性的邊緣特徵提取；最後綜合分析圖像的所有特徵信息。本發明通過提高MR圖像處理的精確度，從而提高診斷正確性。
【專利說明】基於二維集合經驗模式分解的醫學MR圖像特徵提取方法
【技術領域】
[0001] 本發明屬於醫學圖像處理【技術領域】，具體涉及一種基於二維集合經驗模式分解的 醫學MR圖像特徵提取方法。
【背景技術】
[0002] 隨著MRI技術的發展，產生了大量的醫學圖像，這些醫學圖像是醫務工作者進行 疾病的診斷、疾病的跟蹤、手術的流程、術後康復的重要依據材料，因此對這些圖像數據的 處理成為臨床應用的最大難題。目前，這些圖像的臨床分析主要通過醫生對圖像的定性評 價來完成。由於缺乏圖像特徵的定量度量，人們視覺感知的差異，不同特徵和診斷標準的使 用，以及人工觀察的主觀因素和醫生的經驗等，導致不同醫生診斷結論不同，多位醫生之間 難以形成統一的、正確的診斷結果。這樣，良性或惡性的診斷結果都需要依靠活檢進行確 認，大量的陰性活檢造成了病人不必要的痛苦和費用，使病人的身心受到傷害。最為關鍵的 是如此大量的圖像信息若依常規方式逐層解讀，診斷工作量大，容易造成醫生的疲勞，導致 誤診或漏診率的上升。隨著計算機技術和圖像處理技術突飛猛進的發展，為這些診斷數據 的處理提供了新的方法，計算機輔助診斷技術應運而生。
[0003] 計算機輔助診斷技術以醫學影像技術為基礎，結合計算機的處理分析功能，幫助 影像醫師發現病灶區域以提高臨床診斷的效率。其中醫學圖像的特徵提取能夠獲取圖像 中獨特的有別於其他圖像的特徵信息，進而實現醫學圖像目標的自動分類、匹配、識別等功 能，是實現計算機輔助診斷的一個關鍵步驟。
[0004] 醫學圖像數據的多樣性和重要性要求運用高效準確的圖像處理算法提取圖像中 的特徵信息。有效的特徵提取算法，可以準確的分離出人體組織和病灶區域，這樣就可以減 輕醫生的負擔，提高醫生的診斷效率，給醫生的臨床診斷提供更多的參考信息。目前，常用 的圖像特徵提取方法主要有梯度算子、拉普拉斯算子等，這些算法通用性較差，對噪聲也非 常敏感；小波分析在圖像處理中應用廣泛，該方法具有多尺度、多解析度的特性，但小波基 的選擇是關鍵，採用不同的小波基，分解效果會有所不同；分形理論作為一種非線性的處理 方法，也是圖像特徵提取中比較熱門的理論。這些算法大多都是直接在原圖像上進行處理， 效果受噪聲影響較大。而Snake算法、人工神經網絡方法、統計方法等，大多針對輔助診斷 或模式識別應用，對圖像特徵區域劃分較細，因此算法一般過於複雜、需要人工幹預且時間 複雜度很大，難以滿足臨床診斷的需求。
[0005] 經驗模式分解（EmpiricalModeDecomposition,簡稱EMD)方法由美國華裔科學 家HUANG於1998年提出，方法擴展了Hilbert變換的應用，突破了傳統數據分析方法只能 分析線性或平穩數據的局限，開創了一種處理非線性非平穩數據的有效方法，能自適應處 理非線性非平穩數據的特性使其迅速在諸多領域得到了廣泛的應用。近年來，二維經驗模 式分解（Bi-DimensionalEmpiricalModeDecomposition，BEMD)在圖像去噪、圖像增強、 特徵提取圖像分割、圖像融合和圖像壓縮等圖像處理各個方面的應用研究也正處於不斷深 入的過程之中，EMD在圖像處理領域的應用已成為學者們研究的熱點。
[0006]雖然，EMD方法在各領域的應用已經取得了很大的成功，但由於該方法提出不久， 其理論研究遠未成熟，在應用該方法時存在著端點效應、模態混疊等各類問題。針對這些 問題不少學者提出了相應的解決方法。其中，值得一提的是，2009年，HUANG等人在分析 了白噪聲統計特性的基礎上提出了一種新的噪聲輔助數據分析方法，集合經驗模式分解 (EnsembleEmpiricalModeDecomposition，簡稱EEMD)。EEMD方法是對原始EMD方法的 巨大改進，這種方法通過給信號加入極小幅度白噪聲，利用白噪聲頻譜均衡分布的特點，用 白噪聲來均衡噪聲的特性，較為理想的解決了模態混疊問題，因而非常適合用於醫學MR圖 像的特徵提取。
[0007]發明目的
[0008] 本發明的目的在於針對上述現有技術中的缺陷，提供一種能夠解決大多數特徵提 取算法對MR圖像噪聲較為敏感，需要人工幹預，時間複雜度大，在醫學MR圖像的特徵提取 上效果不理想的問題，進而提高MR圖像特徵提取效率及精度的基於二維集合經驗模式分 解的醫學MR圖像特徵提取方法。
[0009] 為了實現上述目的，本發明採用的技術方案為，對於二維圖像信號I(X，y)進行如 下處理：
[0010] 步驟一，初始化rQ(x，y) =I(x，y)，定義求解BIMF分量次數的控制變量為i，並且 首次求解BIMF分量的i= 1 ;
[0011] 步驟二，向原始信號中加入白噪聲序列；
[0012] 步驟三，通過篩分提取第i個BMF分量，具體操作如下：
[0013](1)初始化ihjx,y) =ivJx,y)，定義對應求解第i個BIMF分量時的篩選控制變 量為j，並且首次求解第i個BMF分量的j= 1 ;
[0014] (2)利用極值點選擇算法找出hy(x，y)中所有的極大值點與極小值點；
[0015] (3)使用曲面插值算法分別對（2)中的極大值點和極小值點進行插值，得到上包 絡面emax(x,y)和下包絡面emin(x,y);
[0016] (4)計算上下包絡面的均值nij-Jx，y) = [emax(x,y)]+emin(x,y)]/2;
[0017] (5)得到篩選函數hj(x，y)= ;
[0018] (6)判斷：當hj(x,y)滿足篩分停止條件，貝丨」BIMFi(x,y) =hj(x,y);否則j=j+1， 轉到（2);
[0019] 步驟四，加入不同的白噪聲序列重複步驟三；
[0020] 步驟五，更新餘量rjx,y) =ivJx，y^l-BIMF^x,y);
[0021] 步驟六，如果^ (x，y)的極值點個數小於給定的閾值或分解達到指定層數時則算 法停止；否則，轉到步驟二繼續進行下一層的分解；
[0022] 步驟七，將每次得到的對應WMF分量的集成平均值作為最終的分解結果；
[0023] 步驟八，對得到的BMF分解結果進行Hilbert變換，構建解析信號，得到所有BMF 圖像的局部特徵信息，同時對第一個BMF圖像進行相位一致性的邊緣特徵提取得到圖像 的邊緣特徵信息；
[0024] 步驟九，綜合分析圖像的所有特徵信息，完成圖像特徵提取。
[0025] 所述的步驟三的第（6)步中篩分停止條件為滿足BMF分解結果的基本條件，即通 過相鄰兩次篩選結果的標準差進行判斷，標準偏差SD的計算公式為：
【權利要求】
1. 一種基於二維集合經驗模式分解的醫學MR圖像特徵提取方法，其特徵在於，對於二 維圖像信號I (X，y)進行如下處理： 步驟一，初始化A (X，y) = I (X，y)，定義求解BMF分量次數的控制變量為i，並且首次 求解BMF分量的i = 1 ; 步驟二，向原始信號中加入白噪聲序列； 步驟三，通過篩分提取第i個BMF分量，具體操作如下： (1) 初始化Λ (X，y) = Iv1 (X，y)，定義對應求解第i個BIMF分量時的篩選控制變量為 j，並且首次求解第i個BMF分量的j = 1 ; (2) 利用極值點選擇算法找出中所有的極大值點與極小值點； (3) 使用曲面插值算法分別對（2)中的極大值點和極小值點進行插值，得到上包絡面 emax(x，y)和下包絡面 emin(x，y); (4) 計算上下包絡面的均值 nij-Jxj) = [emax(x，y)]+emin(x，y)]/2; (5) 得到篩選函數 hj (x, y) = hn (x, y) ?η (x, y); (6) 判斷：當hj (x, y)滿足篩分停止條件，則BIMFi (x, y) = hj (x, y);否則j = j+1，轉 到⑵； 步驟四，加入不同的白噪聲序列重複步驟三； 步驟五，更新餘量:Ti(Xj) =IV1(Xj)-BIMFi(Xj); 步驟六，如果^ (X，y)的極值點個數小於給定的閾值或分解達到指定層數時則算法停 止；否則，轉到步驟二繼續進行下一層的分解； 步驟七，將每次得到的對應BMF分量的集成平均值作為最終的分解結果； 步驟八，對得到的BMF分解結果進行Hilbert變換，構建解析信號，得到所有BMF圖 像的局部特徵信息，同時對第一個BMF圖像進行相位一致性的邊緣特徵提取得到圖像的 邊緣特徵信息； 步驟九，綜合分析圖像的所有特徵信息，完成圖像特徵提取。
2. 根據權利要求1所述的基於二維集合經驗模式分解的醫學MR圖像特徵提取方法，其 特徵在於，所述的步驟三的第（6)步中篩分停止條件為滿足BMF分解結果的基本條件，即 通過相鄰兩次篩選結果的標準差進行判斷，標準偏差SD的計算公式為：
其中，hin(m，n)和1?υ_(ηι，η)分別是第i個BIMF分解過程中兩個連續處理結束的時 間序列，二維EMD的標準偏差SD的閾值η設定在0. 1?0. 3之間，M*N等於二維圖像信號 I(x，y)的像素大小。
3. 根據權利要求1所述的基於二維集合經驗模式分解的醫學MR圖像特徵提取方法，其 特徵在於：所述的步驟六中^ (x，y)的極值點個數小於給定的閾值或分解達到指定層數時， 其中閾值設為2個，得到3?6個BMF分量以及1個餘量，則算法停止。
4. 根據權利要求1所述的基於二維集合經驗模式分解的醫學MR圖像特徵提取方法，其 特徵在於，所述的步驟八中構建解析信號的具體操作方法為： a. 將一維信號x(t)通過Hilbert變換公式得到
b. 構造覆信號
； 則z(t)稱為x(t)的解析信號，其中：
分別表示信號x(t)的局部振幅和局部相位。
5. 根據權利要求1所述的基於二維集合經驗模式分解的醫學MR圖像特徵提取方法，其 特徵在於：所述的Hilbert變換採用二維歐式空間向量值擴展後的Riesz變換。
6. 根據權利要求5所述的基於二維集合經驗模式分解的醫學MR圖像特徵提取方法，其 特徵在於，所述的Riesz變換求解局部特徵的具體過程為： a. 根據Riesz核的空域表達式：
上式中X為信號分析時域，即圖像域，進行Fourier域的變換後，得到表達式：
，u = (u，V) e R2, u為信號分析頻域； b. 根據上述公式，對於二維輸入信號，其單演信號為： fM(x, y) = (f (x, y), Rx{f} (x, y),Ry{f} (χ, y)) = (f, Rx*f, Ry*f)； 其中，*表示卷積運算； r._ 4V別誦忖W下公才渴S丨固部垢幅1..固部相仿1 .固部卞向1 .
通過局部相位，進一步得到局部頻率If為：
7. 根據權利要求6所述的基於二維集合經驗模式分解的醫學MR圖像特徵提取方法，其 特徵在於，所述的Riesz變換獲取局部特徵信息的具體步驟如下： 步驟1 :分解原始圖像得到K個BIMF ; 步驟2 :計算第i個BIMF的Riesz變換得到相應的單演信號叫，其中，1彡i彡K ; 步驟3 :分別計算出Hli對應的局部振幅，局部相位，局部方向和局部頻率； 步驟4 :重複步驟2及步驟3,直到所有BIMF的局部特徵都得到求解。
8. 根據權利要求1所述的基於二維集合經驗模式分解的醫學MR圖像特徵提取方法，其 特徵在於，所述的對第一個BIMF進行相位一致性的邊緣特徵提取的方法為： a. 對輸入圖像進行BEEMD分解； b. 取第一個BIMF並計算其相位一致性度量PC ; c. 對PC進行非極大值抑制得到邊緣圖像； d. 對邊緣圖像進行滯後閾值處理得到最終的二至邊緣圖。
9. 根據權利要求8所述的基於二維集合經驗模式分解的醫學MR圖像特徵提取方法，其 特徵在於：所述相位一致性度量PC的計算公式為：
其中，從餘弦和正弦小波的卷積導出小波的響應和 ，分別計算出尺度m*n的偶分量emto(x)和奇分量^n(x)，變換
的結果振幅得到局部 能量：
_;對偶分量和奇分量求和得到：
ε為機器能夠顯示的最小值。
【文檔編號】G06F5/00GK104392444SQ201410660753
【公開日】2015年3月4日 申請日期:2014年11月18日 優先權日:2014年11月18日
【發明者】範虹, 劉曉傑, 毛玉龍 申請人:陝西師範大學