一种B型超声和超声弹性双模态图像的定量分析方法与流程
本发明属于医学图像处理领域，具体涉及一种b型超声和超声弹性双模态图像的定量分析方法
背景技术
超声图像是目前许多疾病无创诊断的重要依据。其中，b型超声是最早运用于临床诊断的超声技术，其特点是方便快捷。超声弹性成像是一种测量生物组织弹性的超声检查方法。当生物组织发生病变时，正常组织、良性病变组织和恶性肿瘤之间的硬度和弹性具有较大的差异；同时，在生物组织病变的过程中，组织弹性的变化一般要早于形态学的变化。因此，b型超声和超声弹性成像技术可作为临床无创辅助诊断依据。
与此同时，超声图像的分析仍然建立在医生判读的基础上，过度依赖于医生的经验性判断，具有很强的主观性，且耗时耗力。因此，需要计算机定量分析以减少医生的工作量并增强客观性和准确性。本文提出一种b型超声和超声弹性双模态图像的定量分析方法。
技术实现要素：
本发明的目的在于针对已有的技术存在的技术问题，提供一种b型超声和超声弹性双模态图像的定量分析方法。该方法提取了b型超声和超声弹性双模态图像的特征，融合两种超声模态的信息达到互补的目的，使图像的定量分析结果更精确。同时，在特征学习过程中，采用逐点门控玻尔兹曼机将双模态特征进一步抽象表达，剔除其中的任务不相关的信息，提高定量分析的精度，为临床诊断提供重要的依据。本发明保证了图像定量分析的准确性，有望用于临床辅助诊断。
为实现上述目的，本发明采用下述技术方案：
一种b型超声和超声弹性双模态图像的定量分析方法，包含以下步骤：
步骤1、输入b型超声图像的超声弹性图像；
步骤2、预处理：预处理双模态超声图像：
步骤3、特征提取：利用计算机自动算法分别从b型超声图像和超声弹性图像中提取量化特征；
步骤4、特征融合：通过典型相关分析，分别融合b型特征和弹性特征；
步骤5、特征学习：利用逐点门控玻尔兹曼机对特征进行抽象表达，获取更高级的特征；
步骤6、分类：利用支持向量机对学习得到的特征进行分类；
步骤7、利用五折交叉验证评估整个模型的准确性。
步骤2的预处理中，包括以下步骤：
步骤2.1、针对每幅超声弹性图像，减去对应的b型超声图像；
步骤2.2、针对每幅超声图像，通过医生手动勾勒病灶边界，分割出完整的病灶区域。
步骤3的特征提取中，包括以下步骤：
步骤3.1、提取一阶统计量特征包括：均值，中值，标准差，变异系数，偏度，亮度熵；
步骤3.2、提取灰度共生矩阵特征，包括对比度、能量、均一度和熵。针对每幅图片分别计算0°、90°、180°和270°四个方向的1-15像素偏移量的glcm，然后对四个方向上的结果求均值，最终得到60个特征；
步骤3.3、提取二值图像特征包括：二值图中取1的像素占整个病灶面积的比值；中心偏离度，表示取值为1的像素到病灶中心的归一化平均距离；离散度与径向偏离度，分别表示像素值为1的点到取值为1的像素区域中心的归一化距离的均值与标准差；
步骤3.4、提取分区特征：将病灶及其周边区域分解为不同分区：病灶轮廓往内缩1/3，两层轮廓围成的区域即为“病灶内边缘1/3”分区；同理可得“病灶外边缘1/3”分区、“病灶中间”分区、“病灶核心”分区；不同分区内选取像素值的分位数，可获取诸多分区的特征。
步骤4的特征融合中，包含以下步骤：
步骤4.1、对于b型和弹性特征x和y，可以将它们表示成各自特征间的线性组合：
u＝atx，
v＝bty；
式中，u、v分别代表b型特征x和弹性特征y的线性组合，a、b分别表示权重；
步骤4.2、计算b型和弹性特征之间的pearson相关系数：
式中，e[·]代表均值，var[·]代表标准差；
步骤4.3、计算使pearson相关系数最大时的u和v，即为一组典型变量；
步骤4.4、重复步骤5.3至求出所有的典型变量，组合成新的向量x’与y’；
步骤4.5、由x’与y’加权求和得到最终的融合向量z。
步骤5的特征学习中，利用预训练的受限玻尔兹曼机网络参数来初始化逐点门控玻尔兹曼机的网络节点。计算逐点门控玻尔兹曼机的能量：
式中，e(·)表示能量函数，v{0,1}表示可视节点，h{0,1}表示隐藏节点，zr{0,1}表示开关节点；
通过随机梯度下降法优化能量函数，寻找最优的参数。
步骤6的分类中，采用支持向量机的libsvm版，利用网格参数寻优法搜索最优参数。
步骤7的五折交叉验证中，所有样本平均分为五等份，取其中一份为测试集，剩余四份为训练集，执行步骤1至步骤6；重复五次，直至每份都获得测试结果，评估模型的准确性。
采用上述技术方案，本发明产生的有益效果在于：
本发明可借助双模态超声图像，通过计算机定量分析，为临床辅助诊断提供重要的依据。
附图说明
图1为本发明一种b型超声和超声弹性双模态图像的定量分析方法的流程图。
图2为五折交叉验证示意图。
具体实施方式
本发明的优选实施例结合附图1详述如下：
实施例一：
本b型超声和超声弹性双模态图像的定量分析方法，包含以下步骤：
步骤1、输入b型超声图像的超声弹性图像；
步骤2、预处理：预处理双模态超声图像：
步骤3、特征提取：利用计算机自动算法分别从b型超声图像和超声弹性图像中提取量化特征；
步骤4、特征融合：通过典型相关分析，分别融合b型特征和弹性特征；
步骤5、特征学习：利用逐点门控玻尔兹曼机对特征进行抽象表达，获取更高级的特征；
步骤6、分类：利用支持向量机对学习得到的特征进行分类；
步骤7、利用五折交叉验证评估整个模型的准确性。
实施例二：
本实施例与实施例一基本相同，特别之处如下：
所述的步骤2预处理中，包括以下步骤：
步骤2.1、针对每幅超声弹性图像，减去对应的b型超声图像；
步骤2.2、针对每幅超声图像，通过医生手动勾勒病灶边界，分割出完整的病灶区域。
所述的步骤3特征提取中，包括以下步骤：
步骤3.1、提取一阶统计量特征包括：均值，中值，标准差，变异系数，偏度，亮度熵。
步骤3.2、提取灰度共生矩阵特征，包括对比度、能量、均一度和熵；针对每幅图片分别计算0°、90°、180°和270°四个方向的1-15像素偏移量的glcm，然后对四个方向上的结果求均值，最终得到60个特征；
步骤3.3、提取二值图像特征包括：二值图中取1的像素占整个病灶面积的比值；中心偏离度，表示取值为1的像素到病灶中心的归一化平均距离；离散度与径向偏离度，分别表示像素值为1的点到取值为1的像素区域中心的归一化距离的均值与标准差；
步骤3.4、提取分区特征：将病灶及其周边区域分解为不同分区：病灶轮廓往内缩1/3，两层轮廓围成的区域即为“病灶内边缘1/3”分区；同理可得“病灶外边缘1/3”分区、“病灶中间”分区、“病灶核心”分区；不同分区内选取像素值的分位数，可获取诸多分区的特征。
所述的步骤4特征融合中，包含以下步骤：
步骤4.1、对于b型和弹性特征x和y，可以将它们表示成各自特征间的线性组合：
u＝atx，
v＝bty；
式中，u、v分别代表b型特征x和弹性特征y的线性组合，a、b分别表示权重；
步骤4.2、计算b型和弹性特征之间的pearson相关系数：
式中，e[·]代表均值，var[·]代表标准差；
步骤4.3、计算使pearson相关系数最大时的u和v，即为一组典型变量；
步骤4.4、重复步骤5.3至求出所有的典型变量，组合成新的向量x’与y’；
步骤4.5、由x’与y’加权求和得到最终的融合向量z。
所述的步骤5特征学习中，利用预训练的受限玻尔兹曼机网络参数来初始化逐点门控玻尔兹曼机的网络节点。计算逐点门控玻尔兹曼机的能量：
式中，e(·)表示能量函数，v{0,1}表示可视节点，h{0,1}表示隐藏节点，zr{0,1}表示开关节点；
通过随机梯度下降法优化能量函数，寻找最优的参数。
所述的步骤6分类中，采用支持向量机的libsvm版，利用网格参数寻优法搜索最优参数。
所述的步骤7五折交叉验证中，所有样本平均分为五等份，取其中一份为测试集，剩余四份为训练集，执行步骤1至步骤6；重复五次，直至每份都获得测试结果，评估模型的准确性。
实施例三：
结合附图1，以跟腱超声双模态图像的病变与否分类为例，
步骤1、输入所有跟腱样本的b型超声图像和超声弹性图像；
步骤2、预处理双模态超声图像：
步骤3、利用计算机自动算法分别从b型超声图像和超声弹性图像的病灶中提取量化特征；；
步骤4、特征融合：通过典型相关分析，分别融合训练集和测试集的b型特征和弹性特征，得到融合特征的训练集和测试集；
步骤5、特征学习：利用逐点门控玻尔兹曼机对训练集和测试集的特征进行抽象表达，获取更高级的特征；
步骤6、分类：利用支持向量机在训练集中学习分类模型，在测试集中对学习的分类模型进行测试。
步骤7、利用五折交叉验证评估整个模型的准确性。
步骤2的预处理中，包括以下步骤：
步骤2.1、针对每幅超声弹性图像，减去对应的b型超声图像；
步骤2.2、针对每幅超声图像，通过医生手动勾勒跟腱边界，分割出完整的跟腱区域。
步骤3的特征提取中，包括以下步骤：
步骤3.1、提取一阶统计量特征包括：均值，中值，标准差，变异系数，偏度，亮度熵；
步骤3.2、提取灰度共生矩阵特征，包括对比度、能量、均一度和熵。针对每幅图片分别计算0°、90°、180°和270°四个方向的1-15像素偏移量的glcm，然后对四个方向上的结果求均值，最终得到60个特征；
步骤3.3、提取二值图像特征包括：二值图中取1的像素占整个病灶面积的比值；中心偏离度，表示取值为1的像素到病灶中心的归一化平均距离；离散度与径向偏离度，分别表示像素值为1的点到取值为1的像素区域中心的归一化距离的均值与标准差；
步骤3.4、提取分区特征：将病灶及其周边区域分解为不同分区：病灶轮廓往内缩1/3，两层轮廓围成的区域即为“病灶内边缘1/3”分区；同理可得“病灶外边缘1/3”分区、“病灶中间”分区、“病灶核心”分区；不同分区内选取像素值的分位数，可获取诸多分区的特征。
步骤5的特征融合中，包含以下步骤：
步骤5.1、对于b型和弹性特征x和y，可以将它们表示成各自特征间的线性组合：
u＝atx，
v＝bty；
式中，u、v分别代表b型特征x和弹性特征y的线性组合，a、b分别表示权重；
步骤5.2、计算b型和弹性特征之间的pearson相关系数：
式中，e[·]代表均值，var[·]代表标准差；
步骤5.3、计算使pearson相关系数最大时的u和v，即为一组典型变量；
步骤5.4、重复步骤5.3至求出所有的典型变量，组合成新的向量x’与y’；
步骤5.5、由x’与y’加权求和得到最终的融合向量z。
步骤6的特征学习中，利用预训练的受限玻尔兹曼机网络参数来初始化逐点门控玻尔兹曼机的网络节点。计算逐点门控玻尔兹曼机的能量
式中，e(·)表示能量函数，v{0,1}表示可视节点，h{0,1}表示隐藏节点，zr{0,1}表示开关节点；
通过随机梯度下降法优化能量函数，寻找最优的参数。
步骤6的分类中，采用支持向量机的libsvm版，利用网格参数寻优法搜索最优参数。
步骤7的五折交叉验证中，所有样本平均分为五等份，取其中一份为测试集，剩余四份为训练集，执行步骤1至步骤6；重复五次，直至每份都获得测试结果，评估跟腱分类的准确性。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
- 还没有人留言评论。精彩留言会获得点赞！