本發(fā)明屬于超聲診斷成像領(lǐng)域，涉及一種超聲射頻元數(shù)據(jù)的自動(dòng)識(shí)別方法及系統(tǒng)。

背景技術(shù)：

隨著電子學(xué)、計(jì)算機(jī)、材料科學(xué)等相關(guān)領(lǐng)域技術(shù)的發(fā)展；超聲成像因其無(wú)創(chuàng)性、實(shí)時(shí)性、操作方便、價(jià)格便宜等諸多優(yōu)勢(shì)，使其成為臨床上應(yīng)用最為廣泛的輔助診斷的手段之一。超聲成像過(guò)程中，其需要采集原始的超聲回波信號(hào)，并對(duì)所述超聲回波信號(hào)進(jìn)行一系列處理后，得到最終所需結(jié)果。

現(xiàn)有技術(shù)中，不同廠家的超聲成像往往采用不同的處理技術(shù)，標(biāo)準(zhǔn)不同，獲取的最終成像結(jié)果也不同；其普遍采用的處理方法中，

通常包括前端處理、中間處理、和后處理三個(gè)部分；其中，前端處理用于得到聚焦的射頻信號(hào)，中間處理用于得到基帶信號(hào)，后端處理用于顯示經(jīng)掃描轉(zhuǎn)換之后的信號(hào)。由于后處理的技術(shù)還處于初步發(fā)展階段，以及計(jì)算機(jī)的處理能力，現(xiàn)有技術(shù)中，所述中間處理過(guò)程采用將回波信號(hào)分成I\Q兩路信號(hào)，并且相應(yīng)的對(duì)所述回波信號(hào)做降采樣和降位處理，以匹配計(jì)算機(jī)的處理能力，因此支持整個(gè)處理流程需要大量硬件支持，特別是中間處理過(guò)程，通常需要專用芯片或數(shù)字信號(hào)處理器來(lái)實(shí)現(xiàn)，導(dǎo)致處理鏈路極端復(fù)雜；使用正交解調(diào)技術(shù)進(jìn)行超聲信號(hào)的解調(diào)，不能根據(jù)信號(hào)頻率自適應(yīng)解調(diào)；同時(shí)，傳統(tǒng)超聲在解調(diào)和降采樣過(guò)程中拋棄的近8成的回波信息，這些信息包含大量組織微結(jié)構(gòu)信息，造成成像信息的丟失，如此，造成最終獲得的圖像質(zhì)量不高，對(duì)科學(xué)研究的統(tǒng)計(jì)特性造成不可避免的不良影響；進(jìn)一步的，傳統(tǒng)超聲成像過(guò)程中，通常僅選擇單一的分類器，自適應(yīng)性效果不佳。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種超聲射頻元數(shù)據(jù)的自動(dòng)識(shí)別方法及自己識(shí)別系統(tǒng)。

為了實(shí)現(xiàn)上述發(fā)明目的之一，本發(fā)明一實(shí)施方式的超聲射頻元數(shù)據(jù)的自動(dòng)識(shí)別方法包括：采集超聲回波信號(hào)，將其合成并為超聲射頻元數(shù)據(jù)信號(hào)；

直接對(duì)超聲射頻元數(shù)據(jù)信號(hào)進(jìn)行Hilbert解包絡(luò)，以生成解調(diào)信號(hào)；

選取感興趣區(qū)域，提取其內(nèi)所述解調(diào)信號(hào)中的特征信號(hào)，并進(jìn)行特征描述；

所述特征信號(hào)包括：強(qiáng)度特征、紋理特征以及分形特征；

所述強(qiáng)度特征包括：區(qū)域灰度均值、灰度方差、灰度偏度、灰度峰度、灰度能量、灰度熵中的至少一種；

所述紋理特征包括：0～180°的對(duì)比度、0～180°的角二階矩、0～180°的能量、以及0～180°的相關(guān)系數(shù)中的至少一種；

所述分形特征包括：一維分形維數(shù)和二維分形維數(shù)；

將所述特征信號(hào)作為輸入向量輸入到至少兩種不同的分類機(jī)中，得到各自的AUC結(jié)果；通過(guò)AUC結(jié)果選擇其中一種分類機(jī)，并將其識(shí)別結(jié)果最為最終的識(shí)別結(jié)果。

作為本發(fā)明一實(shí)施方式的進(jìn)一步改進(jìn)，所述強(qiáng)度特征包括：區(qū)域灰度均值、灰度方差；

所述紋理特征包括：灰度共生矩陣的0°、45°、90°、135°分別對(duì)應(yīng)的對(duì)比度、角二階矩、能量以及相關(guān)系數(shù)；

所述分形特征采用一維Higuchi分形和二維Sarkar盒分形獲得。

作為本發(fā)明一實(shí)施方式的進(jìn)一步改進(jìn)，“對(duì)所述解調(diào)信號(hào)的特征分類，并將其作為輸入向量輸入到至少兩種不同的分類機(jī)中，得到各自的AUC結(jié)果；通過(guò)AUC結(jié)果選擇其中一種分類機(jī)，并將其識(shí)別結(jié)果最為最終的識(shí)別結(jié)果”具體包括：

將所述特征信號(hào)作為輸入向量分別輸入到不同的分類機(jī)中，以分別獲取對(duì)應(yīng)各個(gè)分類機(jī)的工作特征曲線，比較各個(gè)分類機(jī)對(duì)應(yīng)的工作特征曲線下的面積，選擇面積較大者對(duì)應(yīng)的分類機(jī)，對(duì)所述分形特征進(jìn)行處理，并將其識(shí)別結(jié)果最為最終的識(shí)別結(jié)果。

作為本發(fā)明一實(shí)施方式的進(jìn)一步改進(jìn)，所述分類機(jī)包括：人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)。

作為本發(fā)明一實(shí)施方式的進(jìn)一步改進(jìn)，所述人工神經(jīng)網(wǎng)絡(luò)為BP神經(jīng)網(wǎng)絡(luò)，其包括：7個(gè)輸入節(jié)點(diǎn)、1個(gè)隱層、10個(gè)隱單元、2個(gè)輸出節(jié)點(diǎn)；

所述支持向量機(jī)為二次核函數(shù)，其輸入樣本為7維向量，作二分類器使用。

為了實(shí)現(xiàn)上述發(fā)明目的之一，本發(fā)明一實(shí)施方式的超聲射頻元數(shù)據(jù)的自動(dòng)識(shí)別系統(tǒng)，所述系統(tǒng)包括：超聲數(shù)據(jù)采集模塊，用于采集超聲回波信號(hào)，將其合成并為超聲射頻元數(shù)據(jù)信號(hào)；

信號(hào)解調(diào)模塊，用于直接對(duì)超聲射頻元數(shù)據(jù)信號(hào)進(jìn)行Hilbert解包絡(luò)，以生成解調(diào)信號(hào)；

特征提取模塊，用于選取感興趣區(qū)域，提取其內(nèi)所述解調(diào)信號(hào)中的特征信號(hào)，并進(jìn)行特征描述；

所述特征信號(hào)包括：強(qiáng)度特征、紋理特征以及分形特征；

所述強(qiáng)度特征包括：區(qū)域灰度均值、灰度方差、灰度偏度、灰度峰度、灰度能量、灰度熵中的至少一種；

所述紋理特征包括：0～180°的對(duì)比度、0～180°的角二階矩、0～180°的能量、以及0～180°的相關(guān)系數(shù)中的至少一種；

所述分形特征包括：一維分形維數(shù)和二維分形維數(shù)；

分類輸出模塊，用于將所述特征信號(hào)作為輸入向量輸入到至少兩種不同的分類機(jī)中，得到各自的AUC結(jié)果；通過(guò)AUC結(jié)果選擇其中一種分類機(jī)，并將其識(shí)別結(jié)果最為最終的識(shí)別結(jié)果。

作為本發(fā)明一實(shí)施方式的進(jìn)一步改進(jìn)，所述強(qiáng)度特征包括：區(qū)域灰度均值、灰度方差；

所述紋理特征包括：0°、45°、90°、135°分別對(duì)應(yīng)的對(duì)比度、角二階矩、能量以及相關(guān)系數(shù)；

所述分形特征采用一維Higuchi分形和二維Sarkar盒分形獲得。

作為本發(fā)明一實(shí)施方式的進(jìn)一步改進(jìn)，所述分類輸出模塊具體用于：

將所述特征信號(hào)作為輸入向量分別輸入到不同的分類機(jī)中，以分別獲取對(duì)應(yīng)各個(gè)分類機(jī)的工作特征曲線，比較各個(gè)分類機(jī)對(duì)應(yīng)的工作特征曲線下的面積，選擇面積較大者對(duì)應(yīng)的分類機(jī)，對(duì)所述分形特征進(jìn)行處理，并將其識(shí)別結(jié)果最為最終的識(shí)別結(jié)果。

作為本發(fā)明一實(shí)施方式的進(jìn)一步改進(jìn)，所述分類機(jī)包括：人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)。

作為本發(fā)明一實(shí)施方式的進(jìn)一步改進(jìn)，所述人工神經(jīng)網(wǎng)絡(luò)為BP神經(jīng)網(wǎng)絡(luò)，其包括：7個(gè)輸入節(jié)點(diǎn)、1個(gè)隱層、10個(gè)隱單元、2個(gè)輸出節(jié)點(diǎn)；

所述支持向量機(jī)為二次核函數(shù)，其輸入樣本為7維向量，作二分類器使用。

與現(xiàn)有技術(shù)相比，本發(fā)明的超聲射頻元數(shù)據(jù)的自動(dòng)識(shí)別方法及系統(tǒng)，采用射頻元數(shù)據(jù)為處理對(duì)象，包含更多的組織宏觀和微結(jié)構(gòu)信息，使不同超聲設(shè)備之間的數(shù)據(jù)一致性更好；由于超聲回波信號(hào)具有寬頻特性，本發(fā)明采用的希爾伯特解調(diào)方式能夠自適應(yīng)地對(duì)不同頻率的回波進(jìn)行解調(diào)，得到更好的包絡(luò)信號(hào)；另外，本發(fā)明提取的特征涵蓋強(qiáng)度、紋理、分形，能更全面地表征圖像的特點(diǎn)；進(jìn)一步的，本發(fā)明采用多種分類器并取最優(yōu)分類器，克服分類器本身的局限性。

附圖說(shuō)明

圖1是本發(fā)明第一實(shí)施方式提供的超聲射頻元數(shù)據(jù)的自動(dòng)識(shí)別方法的流程圖；

圖2是本發(fā)明一實(shí)施方式中提供的超聲射頻元數(shù)據(jù)的自動(dòng)識(shí)別系統(tǒng)的模塊示意圖；

圖3是本發(fā)明一具體示例中，本發(fā)明與現(xiàn)有技術(shù)獲得的ROC曲線的靈敏性以及AUC的對(duì)比示意圖。

具體實(shí)施方式

以下將結(jié)合附圖所示的實(shí)施方式對(duì)本發(fā)明進(jìn)行詳細(xì)描述。但實(shí)施方式并不限制本發(fā)明，本領(lǐng)域的普通技術(shù)人員根據(jù)這些實(shí)施方式所做出的結(jié)構(gòu)、方法、或功能上的變換均包含在本發(fā)明的保護(hù)范圍內(nèi)。

如圖1所示，圖1是本發(fā)明第一實(shí)施方式提供的超聲射頻元數(shù)據(jù)的自動(dòng)識(shí)別方法，所述方法包括：

S1、采集超聲回波信號(hào)，將其合成并為超聲射頻元數(shù)據(jù)信號(hào)；

超聲射頻元數(shù)據(jù)是指超聲發(fā)射信號(hào)經(jīng)接收換能器和多通道波束合成后的原始的射頻信號(hào)，這種信號(hào)未經(jīng)過(guò)任何濾波器、降采樣等后處理過(guò)程，所以具有比傳統(tǒng)B超更加豐富的信息，并且不同超聲設(shè)備的射頻信號(hào)一致性相較于B超圖像要好。

所述超聲射頻元數(shù)據(jù)信號(hào)即基于超聲回波信號(hào)直接合并形成的原始的RF數(shù)據(jù)信號(hào)。

所述RF數(shù)據(jù)中的“RF”為英文：radio frequency，中文：射頻信號(hào)的縮寫(xiě)。

本實(shí)施方式中，需要將接收到的模擬信號(hào)轉(zhuǎn)化成數(shù)字信號(hào)，經(jīng)過(guò)波束合成技術(shù)將超聲波各波束的信號(hào)合成為跟組織相對(duì)應(yīng)的一幀信號(hào)，并保存在存儲(chǔ)媒介中以形成超聲射頻元數(shù)據(jù)信號(hào)。

S2、直接對(duì)超聲射頻元數(shù)據(jù)信號(hào)進(jìn)行Hilbert解包絡(luò)，以生成解調(diào)信號(hào)；

超聲射頻元數(shù)據(jù)由于縱向分辨率遠(yuǎn)遠(yuǎn)大于橫向分辨率，相差10倍以上，所以無(wú)法在傳統(tǒng)超聲的顯示器，例如：長(zhǎng)寬比4:3或16:9的顯示器上顯示，如此，現(xiàn)有技術(shù)中，為了能夠?qū)崿F(xiàn)圖像對(duì)使用者的可視化，需要將超聲射頻元數(shù)據(jù)降采樣和插值等處理才形成傳統(tǒng)的B超圖像，導(dǎo)致信息丟失和一致性差，進(jìn)一步的，傳統(tǒng)特征提取方法數(shù)據(jù)源基于B超圖像，主要原因是數(shù)據(jù)源方便獲取，但數(shù)據(jù)源并不是最優(yōu)數(shù)據(jù)源。而本發(fā)明采用特征分析是基于圖像矩陣進(jìn)行的運(yùn)算，如此，可以基于原始的超聲射頻元數(shù)據(jù)信號(hào)，避開(kāi)圖像可視化的要求，直接進(jìn)行特征提取，以達(dá)成從射頻元數(shù)據(jù)中直接提取特征，成像效果更佳。

本實(shí)施方式中，基于Hilbert變換的解包絡(luò)過(guò)程如下：

假設(shè)回波信號(hào)為：

構(gòu)造解析信號(hào)為：

則包絡(luò)為：

通過(guò)：

得出：

進(jìn)一步的，引用：

則最終的解調(diào)信號(hào)為：

本實(shí)施方式中，直接對(duì)超聲射頻元數(shù)據(jù)信號(hào)進(jìn)行Hilbert解包絡(luò)，Hilbert解調(diào)對(duì)回波信號(hào)的中心頻率偏移不敏感，能夠自適應(yīng)地對(duì)超聲射頻元數(shù)據(jù)信號(hào)進(jìn)行解包絡(luò)，對(duì)于運(yùn)動(dòng)的組織產(chǎn)生的信號(hào)頻偏具有更好地能量保持效果。

進(jìn)一步的，所述方法還包括：

S3、選取感興趣區(qū)域，提取其內(nèi)所述解調(diào)信號(hào)中的特征信號(hào)，并進(jìn)行特征描述；

在需要成像區(qū)域的基礎(chǔ)上，由用戶輔助確定一個(gè)感興趣區(qū)域，其英文全稱為：Region Of Interest，簡(jiǎn)稱ROI區(qū)域，然后，提取該區(qū)域內(nèi)的所述解調(diào)信號(hào)中的特征信號(hào)，并進(jìn)行特征描述。

所述特征信號(hào)包括：強(qiáng)度特征、紋理特征以及分形特征；

所述強(qiáng)度特征表示超聲回波的強(qiáng)度，亦指回聲的強(qiáng)弱，如無(wú)回聲、低回聲、強(qiáng)回聲區(qū)域；如果超聲經(jīng)過(guò)的區(qū)域沒(méi)有反射則成為無(wú)回聲區(qū)域，人體常見(jiàn)無(wú)回聲區(qū)域有液性暗區(qū)、聲吸收暗區(qū)、實(shí)質(zhì)暗區(qū)；如果超聲經(jīng)過(guò)的區(qū)域聲阻抗差別小則形成低回聲區(qū)域，常見(jiàn)低回聲區(qū)域有炎癥性肝實(shí)質(zhì)等；強(qiáng)回聲區(qū)域則表征存在聲阻抗差別較大的界面的區(qū)域，如致密的腫瘤、肺、骨等；所述特征通常包括：區(qū)域灰度均值、灰度方差、灰度偏度、灰度峰度、灰度能量、灰度熵中的至少一種；

其中，每種強(qiáng)度特征信號(hào)均具有其特定的公式進(jìn)行表示；

區(qū)域灰度均值為：

灰度方差為:

灰度偏度為：

灰度峰度為：

灰度能量為：

灰度熵為：

本發(fā)明具體實(shí)施方式中，所述強(qiáng)度特征包括：區(qū)域灰度均值、灰度方差。

所述紋理特征是由許多相互接近的、互相編織的元素構(gòu)成的單元。一方面，超聲波在人體內(nèi)傳播時(shí)，遇到小于波長(zhǎng)的細(xì)微組織時(shí)發(fā)生散射，散射波相互干擾導(dǎo)致回波幅度波動(dòng)，形成包含組織微結(jié)構(gòu)信息的紋理；另一方面，組織本身的結(jié)構(gòu)也呈現(xiàn)出某種紋理，這種客觀存在的組織紋理經(jīng)超聲反射后成為超聲圖像的紋理特征；在超聲圖像中，紋理是一種十分重要的診斷特征；

所述紋理特征包括：灰度共生矩陣的0～180°的對(duì)比度、0～180°的角二階矩、0～180°的能量、以及0～180°的相關(guān)系數(shù)中的至少一種；

其中，每種紋理特征均具有其特定的公式進(jìn)行表示；

灰度共生矩陣的對(duì)比度為：

灰度共生矩陣的角二階距為：

灰度共生矩陣的能量為：

灰度共生矩陣的相關(guān)系數(shù)為：

本發(fā)明具體實(shí)施方式中，所述紋理特征包括：灰度共生矩陣的0°、45°、90°、135°分別對(duì)應(yīng)的對(duì)比度、角二階矩、能量以及相關(guān)系數(shù)。

所述分形特征包括：一維分形維數(shù)和二維分形維數(shù)；

本發(fā)明具體實(shí)施方式中，所述分形特征采用一維Higuchi分形和二維Sarkar盒分形獲得。

其中，每種分形特征均具有其特定的公式進(jìn)行表示；

一維Higuchi分形為：

其中

二維Sarkar盒分形：對(duì)于M*M大小灰階數(shù)為G的矩陣，每次構(gòu)造長(zhǎng)寬高分別為s*s*s’的盒子，

則：

上述強(qiáng)度特征、紋理特征、分形特征分別代表單一的像素貢獻(xiàn)、相鄰像素貢獻(xiàn)和區(qū)域像素貢獻(xiàn)，其能夠較好體現(xiàn)圖像特點(diǎn)，同時(shí)，上述特征信號(hào)的計(jì)算復(fù)雜度均較低，能夠達(dá)到既簡(jiǎn)潔又全面地概括圖像特征。

進(jìn)一步的，所述方法還包括：

S4、將所述特征信號(hào)作為輸入向量輸入到至少兩種不同的分類機(jī)中，得到各自的AUC結(jié)果；通過(guò)AUC結(jié)果選擇其中一種分類機(jī)，并將其識(shí)別結(jié)果最為最終的識(shí)別結(jié)果。

本發(fā)明具體實(shí)施方式中，所述步驟S4具體包括：

將所述特征信號(hào)作為輸入向量分別輸入到不同的分類機(jī)中，以分別獲取對(duì)應(yīng)各個(gè)分類機(jī)的工作特征曲線，比較各個(gè)分類機(jī)對(duì)應(yīng)的工作特征曲線下的面積，選擇面積較大者對(duì)應(yīng)的分類機(jī)，對(duì)所述分形特征進(jìn)行處理，并將其識(shí)別結(jié)果最為最終的識(shí)別結(jié)果。

所述分類機(jī)的工作特征曲線，其英文全稱為：Receiver Operating Characteristic curve，簡(jiǎn)稱ROC；各個(gè)分類機(jī)對(duì)應(yīng)的工作特征曲線下的面積，其對(duì)應(yīng)的英文全稱為：Area Under Curve，以下簡(jiǎn)稱AUC。

本發(fā)明優(yōu)選實(shí)施方式中，選擇兩種不同的分類機(jī)，用以對(duì)所述特征信號(hào)進(jìn)行處理；所述分類機(jī)包括：人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)。

所述支持向量機(jī)，其英文全稱為：Support Vector Machine，簡(jiǎn)稱SVM；其是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的，在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，根據(jù)有限的樣本信息在模型的復(fù)雜性，即對(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度，和學(xué)習(xí)能力，即無(wú)錯(cuò)誤地識(shí)別任意樣本的能力之間尋求最佳折中，以求獲得最好的推廣能力。

所述人工神經(jīng)網(wǎng)絡(luò)，其英文全稱為：Artificial Neural Network，簡(jiǎn)稱ANN，其是一種模仿生物人工神經(jīng)網(wǎng)絡(luò)，例如：動(dòng)物的中樞神經(jīng)系統(tǒng)，特別是大腦的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計(jì)算模型；所述人工神經(jīng)網(wǎng)絡(luò)由大量的人工神經(jīng)元聯(lián)結(jié)進(jìn)行計(jì)算。大多數(shù)情況下人工神經(jīng)網(wǎng)絡(luò)能在外界信息的基礎(chǔ)上改變內(nèi)部結(jié)構(gòu)，是一種自適應(yīng)分類機(jī)；一種常見(jiàn)的多層結(jié)構(gòu)的前饋網(wǎng)絡(luò)由三部分組成：輸入層，眾多神經(jīng)元接受大量非線形輸入信息，輸入的信息稱為輸入向量；輸出層，信息在神經(jīng)元鏈接中傳輸、分析、權(quán)衡，形成輸出結(jié)果，輸出的信息稱為輸出向量；隱藏層，是輸入層和輸出層之間眾多神經(jīng)元和鏈接組成的各個(gè)層面。隱層可以有多層，習(xí)慣上會(huì)用一層；隱層的節(jié)點(diǎn)(神經(jīng)元)數(shù)目不定，但節(jié)點(diǎn)數(shù)目越多人工神經(jīng)網(wǎng)絡(luò)的非線性越顯著，從而人工神經(jīng)網(wǎng)絡(luò)的魯棒性更好，習(xí)慣上會(huì)選輸入節(jié)點(diǎn)1.2至1.5倍的節(jié)點(diǎn)。

本發(fā)明一具體實(shí)施方式中，所述人工神經(jīng)網(wǎng)絡(luò)采用三層神經(jīng)網(wǎng)絡(luò)，具體為BP神經(jīng)網(wǎng)絡(luò)，其包括：7個(gè)輸入節(jié)點(diǎn)、1個(gè)隱層、10個(gè)隱單元、2個(gè)輸出節(jié)點(diǎn)；

所述支持向量機(jī)采用二次曲面擬合，具體為二次核函數(shù)，其輸入樣本為7維向量，作二分類器使用。

本發(fā)明的超聲射頻元數(shù)據(jù)的自動(dòng)識(shí)別方法及自動(dòng)識(shí)別系統(tǒng)采用射頻元數(shù)據(jù)為處理對(duì)象，包含更多的組織宏觀和微結(jié)構(gòu)信息，使不同超聲設(shè)備之間的數(shù)據(jù)一致性更好；由于超聲回波信號(hào)具有寬頻特性，本發(fā)明采用的希爾伯特解調(diào)方式能夠自適應(yīng)地對(duì)不同頻率的回波進(jìn)行解調(diào)，得到更好的包絡(luò)信號(hào)；另外，本發(fā)明提取的特征涵蓋強(qiáng)度、紋理、分形，能更全面地表征圖像的特點(diǎn)；進(jìn)一步的，本發(fā)明采用多種分類器并取最優(yōu)分類器，克服分類器本身的局限性。

結(jié)合圖2所示，本發(fā)明一實(shí)施方式提供的超聲射頻元數(shù)據(jù)的自動(dòng)識(shí)別系統(tǒng)，所述系統(tǒng)包括：超聲數(shù)據(jù)采集模塊100、信號(hào)解調(diào)模塊200、特征提取模塊300、分類輸出模塊400。

超聲數(shù)據(jù)采集模塊100用于采集超聲回波信號(hào)，將其合成并為超聲射頻元數(shù)據(jù)信號(hào)；

超聲射頻元數(shù)據(jù)是指超聲發(fā)射信號(hào)經(jīng)接收換能器和多通道波束合成后的原始的射頻信號(hào)，這種信號(hào)未經(jīng)過(guò)任何濾波器、降采樣等后處理過(guò)程，所以具有比傳統(tǒng)B超更加豐富的信息，并且不同超聲設(shè)備的射頻信號(hào)一致性相較于B超圖像要好。

所述超聲射頻元數(shù)據(jù)信號(hào)即基于超聲回波信號(hào)直接合并形成的原始的RF數(shù)據(jù)信號(hào)。

所述RF數(shù)據(jù)中的“RF”為英文：radio frequency，中文：射頻信號(hào)的縮寫(xiě)。

本實(shí)施方式中，超聲數(shù)據(jù)采集模塊100需要將接收到的模擬信號(hào)轉(zhuǎn)化成數(shù)字信號(hào)，經(jīng)過(guò)波束合成技術(shù)將超聲波各波束的信號(hào)合成為跟組織相對(duì)應(yīng)的一幀信號(hào)，并保存在存儲(chǔ)媒介中以形成超聲射頻元數(shù)據(jù)信號(hào)。

信號(hào)解調(diào)模塊200用于直接對(duì)超聲射頻元數(shù)據(jù)信號(hào)進(jìn)行Hilbert解包絡(luò)，以生成解調(diào)信號(hào)；

超聲射頻元數(shù)據(jù)由于縱向分辨率遠(yuǎn)遠(yuǎn)大于橫向分辨率，相差10倍以上，所以無(wú)法在傳統(tǒng)超聲的顯示器，例如：長(zhǎng)寬比4:3或16:9的顯示器上顯示，如此，現(xiàn)有技術(shù)中，為了能夠?qū)崿F(xiàn)圖像對(duì)使用者的可視化，需要將超聲射頻元數(shù)據(jù)降采樣和插值等處理才形成傳統(tǒng)的B超圖像，導(dǎo)致信息丟失和一致性差，進(jìn)一步的，傳統(tǒng)特征提取方法數(shù)據(jù)源基于B超圖像，主要原因是數(shù)據(jù)源方便獲取，但數(shù)據(jù)源并不是最優(yōu)數(shù)據(jù)源。而本發(fā)明采用特征分析是基于圖像矩陣進(jìn)行的運(yùn)算，如此，可以基于原始的超聲射頻元數(shù)據(jù)信號(hào)，避開(kāi)圖像可視化的要求，直接進(jìn)行特征提取，以達(dá)成從射頻元數(shù)據(jù)中直接提取特征，成像效果更佳。

本實(shí)施方式中，信號(hào)解調(diào)模塊200基于Hilbert變換的解包絡(luò)過(guò)程如下：

假設(shè)回波信號(hào)為：

構(gòu)造解析信號(hào)為：

則包絡(luò)為：

通過(guò)：

得出：

進(jìn)一步的，引用：

則最終的解調(diào)信號(hào)為：

本實(shí)施方式中，信號(hào)解調(diào)模塊200直接對(duì)超聲射頻元數(shù)據(jù)信號(hào)進(jìn)行Hilbert解包絡(luò)，Hilbert解調(diào)對(duì)回波信號(hào)的中心頻率偏移不敏感，能夠自適應(yīng)地對(duì)超聲射頻元數(shù)據(jù)信號(hào)進(jìn)行解包絡(luò)，對(duì)于運(yùn)動(dòng)的組織產(chǎn)生的信號(hào)頻偏具有更好地能量保持效果。

進(jìn)一步的，特征提取模塊300用于：選取感興趣區(qū)域，提取其內(nèi)所述解調(diào)信號(hào)中的特征信號(hào)，并進(jìn)行特征描述；

在需要成像區(qū)域的基礎(chǔ)上，由用戶輔助確定一個(gè)感興趣區(qū)域，其英文全稱為：Region Of Interest，簡(jiǎn)稱ROI區(qū)域，然后，提取該區(qū)域內(nèi)的所述解調(diào)信號(hào)中的特征信號(hào)，并進(jìn)行特征描述。

所述特征信號(hào)包括：強(qiáng)度特征、紋理特征以及分形特征；

所述強(qiáng)度特征表示超聲回波的強(qiáng)度，亦指回聲的強(qiáng)弱，如無(wú)回聲、低回聲、強(qiáng)回聲區(qū)域；如果超聲經(jīng)過(guò)的區(qū)域沒(méi)有反射則成為無(wú)回聲區(qū)域，人體常見(jiàn)無(wú)回聲區(qū)域有液性暗區(qū)、聲吸收暗區(qū)、實(shí)質(zhì)暗區(qū)；如果超聲經(jīng)過(guò)的區(qū)域聲阻抗差別小則形成低回聲區(qū)域，常見(jiàn)低回聲區(qū)域有炎癥性肝實(shí)質(zhì)等；強(qiáng)回聲區(qū)域則表征存在聲阻抗差別較大的界面的區(qū)域，如致密的腫瘤、肺、骨等；所述特征通常包括：區(qū)域灰度均值、灰度方差、灰度偏度、灰度峰度、灰度能量、灰度熵中的至少一種；

其中，每種強(qiáng)度特征信號(hào)均具有其特定的公式進(jìn)行表示；

區(qū)域灰度均值為：

灰度方差為:

灰度偏度為：

灰度峰度為：

灰度能量為：

灰度熵為：

本發(fā)明具體實(shí)施方式中，所述強(qiáng)度特征包括：區(qū)域灰度均值、灰度方差。

所述紋理特征是由許多相互接近的、互相編織的元素構(gòu)成的單元。一方面，超聲波在人體內(nèi)傳播時(shí)，遇到小于波長(zhǎng)的細(xì)微組織時(shí)發(fā)生散射，散射波相互干擾導(dǎo)致回波幅度波動(dòng)，形成包含組織微結(jié)構(gòu)信息的紋理；另一方面，組織本身的結(jié)構(gòu)也呈現(xiàn)出某種紋理，這種客觀存在的組織紋理經(jīng)超聲反射后成為超聲圖像的紋理特征；在超聲圖像中，紋理是一種十分重要的診斷特征；

所述紋理特征包括：灰度共生矩陣的0～180°的對(duì)比度、0～180°的角二階矩、0～180°的能量、以及0～180°的相關(guān)系數(shù)中的至少一種；

其中，每種紋理特征均具有其特定的公式進(jìn)行表示；

灰度共生矩陣的對(duì)比度為：

灰度共生矩陣的角二階距為：

灰度共生矩陣的能量為：

灰度共生矩陣的相關(guān)系數(shù)為：

本發(fā)明具體實(shí)施方式中，所述紋理特征包括：灰度共生矩陣的0°、45°、90°、135°分別對(duì)應(yīng)的對(duì)比度、角二階矩、能量以及相關(guān)系數(shù)。

所述分形特征包括：一維分形維數(shù)和二維分形維數(shù)；

本發(fā)明具體實(shí)施方式中，所述分形特征采用一維Higuchi分形和二維Sarkar盒分形獲得。

其中，每種分形特征均具有其特定的公式進(jìn)行表示；

一維Higuchi分形為：

其中，

二維Sarkar盒分形：對(duì)于M*M大小灰階數(shù)為G的矩陣，每次構(gòu)造長(zhǎng)寬高分別為s*s*s’的盒子，

則：

上述強(qiáng)度特征、紋理特征、分形特征分別代表單一的像素貢獻(xiàn)、相鄰像素貢獻(xiàn)和區(qū)域像素貢獻(xiàn)，其能夠較好體現(xiàn)圖像特點(diǎn)，同時(shí)，上述特征信號(hào)的計(jì)算復(fù)雜度均較低，能夠達(dá)到既簡(jiǎn)潔又全面地概括圖像特征。

進(jìn)一步的，分類輸出模塊400用于：將所述特征信號(hào)作為輸入向量輸入到至少兩種不同的分類機(jī)中，得到各自的AUC結(jié)果；通過(guò)AUC結(jié)果選擇其中一種分類機(jī)，并將其識(shí)別結(jié)果最為最終的識(shí)別結(jié)果。

本發(fā)明具體實(shí)施方式中，分類輸出模塊400具體用于：將所述特征信號(hào)作為輸入向量分別輸入到不同的分類機(jī)中，以分別獲取對(duì)應(yīng)各個(gè)分類機(jī)的工作特征曲線，比較各個(gè)分類機(jī)對(duì)應(yīng)的工作特征曲線下的面積，選擇面積較大者對(duì)應(yīng)的分類機(jī)，對(duì)所述分形特征進(jìn)行處理，并將其識(shí)別結(jié)果最為最終的識(shí)別結(jié)果。

所述分類機(jī)的工作特征曲線，其英文全稱為：Receiver Operating Characteristic curve，簡(jiǎn)稱ROC；各個(gè)分類機(jī)對(duì)應(yīng)的工作特征曲線下的面積，其對(duì)應(yīng)的英文全稱為：Area Under Curve，以下簡(jiǎn)稱AUC。

本發(fā)明優(yōu)選實(shí)施方式中，分類輸出模塊400選擇兩種不同的分類機(jī)，用以對(duì)所述特征信號(hào)進(jìn)行處理；所述分類機(jī)包括：人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)。

所述支持向量機(jī)，其英文全稱為：Support Vector Machine，簡(jiǎn)稱SVM；其是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的，在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，根據(jù)有限的樣本信息在模型的復(fù)雜性，即對(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度，和學(xué)習(xí)能力，即無(wú)錯(cuò)誤地識(shí)別任意樣本的能力之間尋求最佳折中，以求獲得最好的推廣能力。

所述人工神經(jīng)網(wǎng)絡(luò)，其英文全稱為：Artificial Neural Network，簡(jiǎn)稱ANN，其是一種模仿生物人工神經(jīng)網(wǎng)絡(luò)，例如：動(dòng)物的中樞神經(jīng)系統(tǒng)，特別是大腦的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計(jì)算模型；所述人工神經(jīng)網(wǎng)絡(luò)由大量的人工神經(jīng)元聯(lián)結(jié)進(jìn)行計(jì)算。大多數(shù)情況下人工神經(jīng)網(wǎng)絡(luò)能在外界信息的基礎(chǔ)上改變內(nèi)部結(jié)構(gòu)，是一種自適應(yīng)分類機(jī)；一種常見(jiàn)的多層結(jié)構(gòu)的前饋網(wǎng)絡(luò)由三部分組成：輸入層，眾多神經(jīng)元接受大量非線形輸入信息，輸入的信息稱為輸入向量；輸出層，信息在神經(jīng)元鏈接中傳輸、分析、權(quán)衡，形成輸出結(jié)果，輸出的信息稱為輸出向量；隱藏層，是輸入層和輸出層之間眾多神經(jīng)元和鏈接組成的各個(gè)層面。隱層可以有多層，習(xí)慣上會(huì)用一層；隱層的節(jié)點(diǎn)(神經(jīng)元)數(shù)目不定，但節(jié)點(diǎn)數(shù)目越多人工神經(jīng)網(wǎng)絡(luò)的非線性越顯著，從而人工神經(jīng)網(wǎng)絡(luò)的魯棒性更好，習(xí)慣上會(huì)選輸入節(jié)點(diǎn)1.2至1.5倍的節(jié)點(diǎn)。

本發(fā)明一具體實(shí)施方式中，所述人工神經(jīng)網(wǎng)絡(luò)采用三層神經(jīng)網(wǎng)絡(luò)，具體為BP神經(jīng)網(wǎng)絡(luò)，其包括：7個(gè)輸入節(jié)點(diǎn)、1個(gè)隱層、10個(gè)隱單元、2個(gè)輸出節(jié)點(diǎn)；

所述支持向量機(jī)采用二次曲面擬合，具體為二次核函數(shù)，其輸入樣本為7維向量，作二分類器使用。

結(jié)合圖3所示，圖3是本發(fā)明與現(xiàn)有技術(shù)獲得的ROC曲線的靈敏性以及AUC的對(duì)比示意圖；其中，區(qū)域a為ROC曲線的靈敏性，區(qū)域b為ROC曲線的AUC；a、b區(qū)域的左側(cè)立柱代表現(xiàn)有技術(shù)，右側(cè)立柱代表本發(fā)明；

對(duì)于相同的檢測(cè)區(qū)域，該檢測(cè)區(qū)域中包括健康區(qū)域和病理區(qū)域，采用本發(fā)明以及現(xiàn)有技術(shù)分別對(duì)檢測(cè)區(qū)域的信號(hào)進(jìn)行處理。

本實(shí)施方式中，對(duì)于現(xiàn)有技術(shù)獲得超聲圖像的過(guò)程不做具體贅述。

本申請(qǐng)?zhí)幚頂?shù)據(jù)過(guò)程中，將所述特征信號(hào)作為輸入向量輸入分別輸入到上述人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)中。

對(duì)于人工神經(jīng)網(wǎng)絡(luò)，每次取90％數(shù)據(jù)作為訓(xùn)練集，取10％數(shù)據(jù)作為測(cè)試集，以10次交叉驗(yàn)證的平均值作為最終分類結(jié)果；所述人工神經(jīng)網(wǎng)絡(luò)對(duì)區(qū)分健康區(qū)域和病理區(qū)域的超聲圖像，靈敏性為84.5％，AUC＝0.90；

對(duì)于支持向量機(jī)，同樣每次取90％數(shù)據(jù)作為訓(xùn)練集，取10％數(shù)據(jù)作為測(cè)試集，以10次交叉驗(yàn)證的平均值作為最終分類結(jié)果；所述支持向量機(jī)對(duì)區(qū)分健康區(qū)域和病理區(qū)域的超聲圖像，靈敏性為93.2％，AUC＝0.95；

進(jìn)一步的，由于靈敏性和AUC的值對(duì)于分類器來(lái)說(shuō)都是越大越好，如此，根據(jù)上述方法對(duì)比人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的分類結(jié)果后，選擇支持向量機(jī)作為該檢測(cè)區(qū)域?qū)?yīng)的分類機(jī)。

經(jīng)過(guò)比對(duì)可知：通過(guò)本發(fā)明獲得的靈敏性為93.2％，AUC＝0.95，通過(guò)現(xiàn)有技術(shù)獲得的靈敏性為86.4％，AUC＝0.94。本發(fā)明靈敏性和AUC指標(biāo)較常規(guī)B超圖像的分類方法更好，可為醫(yī)生提供有效的參考信息。從實(shí)驗(yàn)數(shù)據(jù)中可以看出，本發(fā)明基于超聲射頻元數(shù)據(jù)提取特征進(jìn)行自動(dòng)分類，最大限度利用了超聲信號(hào)所攜帶的組織信息，充分提取感興趣區(qū)域各種特征，成功進(jìn)行了分類，可為臨床提供有效的參考信息。

所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為描述的方便和簡(jiǎn)潔，上述描述的方法的具體工作過(guò)程，可以參考前述模塊實(shí)施方式中的對(duì)應(yīng)過(guò)程，在此不再贅述。

綜上所述，本發(fā)明的超聲射頻元數(shù)據(jù)的自動(dòng)識(shí)別方法及自動(dòng)識(shí)別系統(tǒng)采用射頻元數(shù)據(jù)為處理對(duì)象，包含更多的組織宏觀和微結(jié)構(gòu)信息，使不同超聲設(shè)備之間的數(shù)據(jù)一致性更好；由于超聲回波信號(hào)具有寬頻特性，本發(fā)明采用的希爾伯特解調(diào)方式能夠自適應(yīng)地對(duì)不同頻率的回波進(jìn)行解調(diào)，得到更好的包絡(luò)信號(hào)；另外，本發(fā)明提取的特征涵蓋強(qiáng)度、紋理、分形，能更全面地表征圖像的特點(diǎn)；進(jìn)一步的，本發(fā)明采用多種分類器并取最優(yōu)分類器，克服分類器本身的局限性。

為了描述的方便，描述以上裝置時(shí)以功能分為各種模塊分別描述。當(dāng)然，在實(shí)施本申請(qǐng)時(shí)可以把各模塊的功能在同一個(gè)或多個(gè)軟件和/或硬件中實(shí)現(xiàn)。

通過(guò)以上的實(shí)施方式的描述可知，本領(lǐng)域的技術(shù)人員可以清楚地了解到本申請(qǐng)可借助軟件加必需的通用硬件平臺(tái)的方式來(lái)實(shí)現(xiàn)?；谶@樣的理解，本申請(qǐng)的技術(shù)方案本質(zhì)上或者說(shuō)對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來(lái)，該計(jì)算機(jī)軟件產(chǎn)品可以保存在保存介質(zhì)中，如ROM/RAM、磁碟、光盤(pán)等，包括若干指令用以使得一臺(tái)計(jì)算機(jī)設(shè)備(可以是個(gè)人計(jì)算機(jī)，信息推送服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本申請(qǐng)各個(gè)實(shí)施方式或者實(shí)施方式的某些部分所述的方法。

以上所描述的裝置實(shí)施方式僅僅是示意性的，其中所述作為分離部件說(shuō)明的模塊可以是或者也可以不是物理上分開(kāi)的，作為模塊顯示的部件可以是或者也可以不是物理模塊，即可以位于一個(gè)地方，或者也可以分布到多個(gè)網(wǎng)絡(luò)模塊上?？梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部模塊來(lái)實(shí)現(xiàn)本實(shí)施方式方案的目的。本領(lǐng)域普通技術(shù)人員在不付出創(chuàng)造性勞動(dòng)的情況下，即可以理解并實(shí)施。

本申請(qǐng)可用于眾多通用或?qū)Ｓ玫挠?jì)算系統(tǒng)環(huán)境或配置中。例如：個(gè)人計(jì)算機(jī)、信息推送服務(wù)器計(jì)算機(jī)、手持設(shè)備或便攜式設(shè)備、平板型設(shè)備、多處理模塊系統(tǒng)、基于微處理模塊的系統(tǒng)、置頂盒、可編程的消費(fèi)電子設(shè)備、網(wǎng)絡(luò)PC、小型計(jì)算機(jī)、大型計(jì)算機(jī)、包括以上任何系統(tǒng)或設(shè)備的分布式計(jì)算環(huán)境等等。

本申請(qǐng)可以在由計(jì)算機(jī)執(zhí)行的計(jì)算機(jī)可執(zhí)行指令的一般上下文中描述，例如程序模塊。一般地，程序模塊包括執(zhí)行特定任務(wù)或?qū)崿F(xiàn)特定抽象數(shù)據(jù)類型的例程、程序、對(duì)象、組件、數(shù)據(jù)結(jié)構(gòu)等等。也可以在分布式計(jì)算環(huán)境中實(shí)踐本申請(qǐng)，在這些分布式計(jì)算環(huán)境中，由通過(guò)通信網(wǎng)絡(luò)而被連接的遠(yuǎn)程處理設(shè)備來(lái)執(zhí)行任務(wù)。在分布式計(jì)算環(huán)境中，程序模塊可以位于包括保存設(shè)備在內(nèi)的本地和遠(yuǎn)程計(jì)算機(jī)保存介質(zhì)中。

應(yīng)當(dāng)理解，雖然本說(shuō)明書(shū)按照實(shí)施方式加以描述，但并非每個(gè)實(shí)施方式僅包含一個(gè)獨(dú)立的技術(shù)方案，說(shuō)明書(shū)的這種敘述方式僅僅是為清楚起見(jiàn)，本領(lǐng)域技術(shù)人員應(yīng)當(dāng)將說(shuō)明書(shū)作為一個(gè)整體，各實(shí)施方式中的技術(shù)方案也可以經(jīng)適當(dāng)組合，形成本領(lǐng)域技術(shù)人員可以理解的其他實(shí)施方式。

上文所列出的一系列的詳細(xì)說(shuō)明僅僅是針對(duì)本發(fā)明的可行性實(shí)施方式的具體說(shuō)明，它們并非用以限制本發(fā)明的保護(hù)范圍，凡未脫離本發(fā)明技藝精神所作的等效實(shí)施方式或變更均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。