專利名稱：基于冗余特征消減的醫(yī)學(xué)超聲圖像自動(dòng)識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計(jì)算機(jī)醫(yī)學(xué)圖像分析領(lǐng)域，特別涉及一種基于冗余特征消減的醫(yī)學(xué)超聲圖像自動(dòng)識(shí)別方法，通過對預(yù)分析的醫(yī)學(xué)超聲圖像感興趣區(qū)域(ROI)的特征提取和去冗，運(yùn)用分類器對其特征經(jīng)訓(xùn)練學(xué)習(xí)后再分類，為臨床應(yīng)用提供重要的參考依據(jù)。
背景技術(shù)：
近20年來，醫(yī)學(xué)影像技術(shù)取得了飛速的發(fā)展，其中超聲成像作為一個(gè)重要分支，以其廉價(jià)、實(shí)時(shí)、無損傷、無射線輻射以及可重復(fù)性和敏感度高等優(yōu)勢，在臨床診斷中被大量使用，并成為重要工具。超聲成像在定量分析、實(shí)時(shí)診斷和手術(shù)規(guī)劃等方面都具有很大的前景。然而，超聲圖像中的斑點(diǎn)噪聲、偽影等圖像缺陷也制約了其發(fā)展。在臨床應(yīng)用中超聲診斷主要是醫(yī)生根據(jù)經(jīng)驗(yàn)來判斷。這種主觀判斷方法易受到個(gè)人的診斷經(jīng)驗(yàn)、思維方式、技 術(shù)水平等因素的嚴(yán)重影響。隨著計(jì)算機(jī)技術(shù)的發(fā)展，自動(dòng)識(shí)別系統(tǒng)逐步應(yīng)用到圖像分析當(dāng)中。通過計(jì)算機(jī)對醫(yī)學(xué)超聲圖像進(jìn)行分析，可以使醫(yī)療專家擺脫繁重的人工觀察和診斷，并且還可以提供更精確的輔助診斷數(shù)據(jù)。在計(jì)算機(jī)信息處理系統(tǒng)中，數(shù)據(jù)的采集是信息系統(tǒng)的基礎(chǔ)，這些數(shù)據(jù)通過數(shù)據(jù)系統(tǒng)的分析和過濾，最終成為影響我們決策的信息。在醫(yī)學(xué)超聲圖像分析過程中，我們往往以提取的圖像特征集作為數(shù)據(jù)輸入，達(dá)到識(shí)別并區(qū)分感興趣區(qū)域的圖像特征的目的。在實(shí)際應(yīng)用時(shí)，過高維數(shù)的特征向量往往會(huì)引起維數(shù)災(zāi)難，同時(shí)冗余和無關(guān)的特征描述也將影響到特征分析的性能。此時(shí)特征選擇環(huán)節(jié)就變得非常重要，其目的在于通過特征的選擇，一方面可以有效降低特征向量的維數(shù)；另一方面降低冗余和無關(guān)的特征分量在特征向量中的比重，從而有利于提高特征分析的效果和效率。支持向量機(jī)(SupportVector Machine, SVM)是 Cortes 和 Vapnik 于 1995 年首先提出的，它在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中。支持向量機(jī)方法是建立在統(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，根據(jù)有限的樣本信息在模型的復(fù)雜性(即對特定訓(xùn)練樣本的學(xué)習(xí)精度，Accuracy)和學(xué)習(xí)能力(即無錯(cuò)誤地識(shí)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)?，F(xiàn)有圖像分類方法使用局限，只針對某種特異性圖像；提取的特征少，不能全面、客觀的反映圖像的特性；同時(shí)分類正確識(shí)別率低，分類效果差，缺乏實(shí)用性。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種基于冗余特征消減的醫(yī)學(xué)超聲圖像自動(dòng)識(shí)別方法，實(shí)現(xiàn)對醫(yī)學(xué)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(yīng)用提供重要的參考依據(jù)。一種基于冗余特征消減的醫(yī)學(xué)超聲圖像自動(dòng)識(shí)別方法，包括以下步驟
步驟I從待處理的醫(yī)學(xué)超聲圖像中提取感興趣區(qū)域；步驟2對感興趣區(qū)域做預(yù)處理；步驟3從預(yù)處理后的感興趣區(qū)域提取特征；步驟4對提取的特征進(jìn)行主成分分析，以去除冗余和無關(guān)的特征分量，確定獨(dú)立有效的特征；步驟5依據(jù)獨(dú)立有效的特征，利用分類器對感興趣區(qū)域分類。所述特征包括紋理特征、形態(tài)特征和彈性特征。所述紋理特征包括空間域特征和頻域特征；所述空間域特征包括一階灰度均值、標(biāo)準(zhǔn)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；基于灰度共生矩陣對比度、角二階矩、能量及相關(guān)系數(shù)；基于灰度游程矩陣短游程逆矩、長游程逆矩、游程灰度的不均勻性、游程長度的不均勻性、游程百分比；基于空間灰度獨(dú)立矩陣對比度、均值、能量、逆差矩、角二階矩；所述頻域特征包括Laws能量和傅里葉功率譜,所述傅里葉功率譜包括環(huán)狀采樣特征、楔狀采樣特征、環(huán)狀采樣和楔狀采樣交叉特征。所述步驟4具體為步驟4. I對步驟3提取的特征構(gòu)成的特征向量表示為歹=[4，12,...，；^，p為特征個(gè)數(shù)，對該特征向量做標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化特征向量= [JTi，X2,…，U;步驟4. 2對標(biāo)準(zhǔn)化后的特征向量Z二[X1,尤2，…，進(jìn)行特征分解，以確定主成分坐標(biāo)軸U ；步驟4. 3依據(jù)主成分坐標(biāo)軸U確定p個(gè)主成分分量；步驟4. 4以累計(jì)貢獻(xiàn)率nm作為主成分個(gè)數(shù)確定準(zhǔn)則，對P個(gè)主成分分量進(jìn)行降維，獲得m個(gè)主成分；步驟4. 5以m個(gè)主成分構(gòu)成主成分矩陣X，該主成分矩陣X即為獨(dú)立有效的特征集。所述分類器為支持向量機(jī)。所述支持向量機(jī)構(gòu)建方法為將n個(gè)樣本(Xi, Yi)作為樣本訓(xùn)練集，Xi為第i個(gè)樣本的m維訓(xùn)練特征，Yi為第i個(gè)樣本的類別標(biāo)號(hào)，i = l，2...n;在滿足yiKW.X^+W-l彡0條件下，利用二次規(guī)劃方法求解使得目標(biāo)函數(shù)
Inn
=+ 取最小值的最優(yōu)Lagrange乘子a i,其中『=乏>,._);,4，松弛項(xiàng)
I/=1(=1
為懲罰因子，b為常數(shù)；
n依據(jù)最優(yōu)Lagrange乘子a 4計(jì)算得到4;
；=1從n個(gè)樣本的m維訓(xùn)練特征Xi中任意選取一支持向量，將其代入最優(yōu)分類面表達(dá)式W X+b = O求解確定常數(shù)b值；構(gòu)造分類器
權(quán)利要求
1.一種基于冗余特征消減的醫(yī)學(xué)超聲圖像自動(dòng)識(shí)別方法，包括以下步驟 步驟I從待處理的醫(yī)學(xué)超聲圖像中提取感興趣區(qū)域； 步驟2對感興趣區(qū)域做圖像預(yù)處理； 步驟3從預(yù)處理后的感興趣區(qū)域提取特征； 步驟4對提取的特征進(jìn)行主成分分析，以去除冗余和無關(guān)的特征分量，確定獨(dú)立有效的特征； 步驟5依據(jù)獨(dú)立有效的特征，利用分類器對感興趣區(qū)域分類。
2.根據(jù)權(quán)利要求I所述的醫(yī)學(xué)超聲圖像分類方法，其特征在于，所述特征包括紋理特征、形態(tài)特征和彈性特征。
3.根據(jù)權(quán)利要求I所述的醫(yī)學(xué)超聲圖像分類方法，其特征在于，所述紋理特征包括空間域特征和頻域特征； 所述空間域特征包括 一階灰度均值、標(biāo)準(zhǔn)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； 基于灰度共生矩陣對比度、角二階矩、能量及相關(guān)系數(shù)； 基于灰度游程矩陣短游程逆矩、長游程逆矩、游程灰度的不均勻性、游程長度的不均勻性、游程百分比； 基于空間灰度獨(dú)立矩陣對比度、均值、能量、逆差矩、角二階矩； 所述頻域特征包括=Laws能量和傅里葉功率譜，所述傅里葉功率譜包括環(huán)狀采樣特征、楔狀采樣特征、環(huán)狀采樣和楔狀采樣交叉特征。
4.根據(jù)權(quán)利要求I所述的醫(yī)學(xué)超聲圖像分類方法，其特征在于，所述步驟4具體為 步驟4. I對步驟3提取的特征構(gòu)成的特征向量表示為 I = [X13X2，…，，p為特征個(gè)數(shù)，對該特征向量做標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化特征向量X = [X,,X2,---,XP]; 步驟4. 2對標(biāo)準(zhǔn)化后的特征向量X =…\ j進(jìn)行特征分解，以確定主成分坐標(biāo)軸U ； 步驟4. 3依據(jù)主成分坐標(biāo)軸U確定p個(gè)主成分分量； 步驟4.4以累計(jì)貢獻(xiàn)率nm作為主成分個(gè)數(shù)確定準(zhǔn)則，對P個(gè)主成分分量進(jìn)行降維，獲得m個(gè)主成分； 步驟4. 5以m個(gè)主成分構(gòu)成主成分矩陣X，該主成分矩陣X即為獨(dú)立有效的特征集。
5.根據(jù)權(quán)利要求4所述的醫(yī)學(xué)超聲圖像分類方法，其特征在于，所述分類器為支持向量機(jī)。
6.根據(jù)權(quán)利要求5所述的醫(yī)學(xué)超聲圖像分類方法，其特征在于，所述支持向量機(jī)構(gòu)建方法為 將n個(gè)樣本(Xi, yi)作為樣本訓(xùn)練集，Xi為第i個(gè)樣本的m維訓(xùn)練特征，yi為第i個(gè)樣本的類別標(biāo)號(hào)，i = I, 2. . . n ； 在滿足yi[(W-XiHW-I > O條件下，利用二次規(guī)劃方法求解使得目標(biāo)函數(shù)
全文摘要
本發(fā)明公開了一種基于冗余特征消減的醫(yī)學(xué)超聲圖像自動(dòng)識(shí)別方法。首先從待處理的醫(yī)學(xué)超聲圖像中提取感興趣區(qū)域，從感興趣區(qū)域提取特征；然后對提取的特征進(jìn)行主成分分析，以去除冗余和無關(guān)的特征分量，確定獨(dú)立有效的特征；最后依據(jù)獨(dú)立有效的特征，利用分類器對感興趣區(qū)域分類。本發(fā)明通過計(jì)算機(jī)對醫(yī)學(xué)超聲圖像進(jìn)行分析，提取的圖像特征涵蓋了空域和頻域，更為全面地反映了圖像的本質(zhì)特性，有助于進(jìn)行正確分類，具有較好的臨床實(shí)用性。
文檔編號(hào)G06K9/00GK102799858SQ20121020654
公開日2012年11月28日 申請日期2012年6月21日 優(yōu)先權(quán)日2012年6月21日
發(fā)明者丁明躍, 楊鑫, 王瑞, 尉遲明, 張旭明, 侯文廣, 王龍會(huì) 申請人:華中科技大學(xué)