CN101799864A - 基于血管内超声波图像的动脉斑块类型自动识别方法 - Google Patents

Abstract

一种基于血管内超声波图像的动脉斑块类型自动识别方法，针对动脉血管内斑块超声波图像的特点，提取其中两块图像，一块是斑块区域，另一块是斑块径向区域作为分类特征，并且通过K-L变换提取图像分类信息，把多个特征映射为少数几个综合特征，降低特征空间维数；采用支持向量机作为分类模型，构造一个适应于斑块图像的分类器，其中支持向量机分类方法包括训练阶段和识别阶段；这一方法提高了斑块识别正确率，为临床诊断动脉血管病变程度提供客观参考依据。

Description

基于血管内超声波图像的动脉斑块类型自动识别方法

技术领域

本发明涉及计算机医学图像分析领域，特别涉及一种血管内超声波(IVUS)图像的动脉斑块分类方法。通过对动脉斑块超声波图像的特征选择和提取，运用支持向量机方法实现动脉斑块的分类，为临床诊断及治疗提供重要参考依据。

背景技术

血管内超声(intravascular ultrasound，IVUS)不仅能观察到血管壁与血管腔的形态特征、准确地测量血管的狭窄程度，而且可以根据斑块的不同性质指导介入治疗，同时对冠状动脉的介入治疗进行即刻评价，减少冠脉再狭窄的发生。动脉粥样硬化斑块破裂、继发血栓形成是急性冠状动脉综合征发生的主要原因。血管内超声显像技术已经从一种专业研究技术转变成为冠状动脉动脉介入医生的必备手段。早期检测、处理易碎斑块，可有效降低临床冠状动脉事件发生。然而，在临床中对不同斑块的识别主要是医生根据经验来判断，这种主观判断方法易受到个人的诊疗经验、思维方式、技术水平等因素的影响。

IVUS可以提供关于动脉硬化斑块形态的信息，不同的斑块组织成分回声强弱不同，其斑块回声强度变现为软斑块小于纤维斑块小于钙化斑块。一般的方法是利用不同回声产生的灰度值不同区别不同斑块，但是这种方法存在一定的缺陷。致密的纤维斑块回声强度和钙化斑块具有相似性，单纯依靠斑块区域灰度值会出现误分类。

为了用较少数量的特征对样本进行描述以达到降低特征空间维数的目的，采用Karhunen-Loeve展开式，把多个特征映射为少数几个综合特征。K-L变换的主要作用就是保留主要信息，降低数据量，从而达到增强或提取某些有用信息的目的。它可使原图像经变换后提供一组不相关的图像变量，最前面的主分量具有较大的方差，包含了原始影像的主要信息，所以要集中表达信息，突出图像的某些细部特征，可采用该变换来完成。使用K-L方法进行特征提取，这样既可以降维，又尽可能保留全局信息。K-L变换适用于任何概率分布，它是在均方误差最小的意义下获得数据降维的最佳变换。如果采用大本征值对应的本征向量构成变换矩阵，则能对应地保留原样本中方差最大的数据分量，所以K-L变换起了减小相关性、突出差异性的效果。

支持向量机(SVM)是在统计学习理论基础之上发展起来的一种全新的机器学习算法。SVM基于统计学习理论的结构风险最小化原则，它将最大化分类间隔的思想和基于核的方法结合在一起，表现出很好的泛化能力。能较好地解决小样本、非线性、高维数和局部极小点等实际问题，已经成为机器学习界的研究热点之一，并成功应用于分类、函数逼近和时间序列预测等方面。

基于IVUS斑块图像的类型识别方法，以IVUS图像为基础，根据图像特点进行特征选择和提取，然后通过SVM训练并对测试样本分类。这一方法在不增加附加设备的情况下，充分利用现有IVUS设备提供的超声图像信息，以血管内超声图像为依据，进行特征选择和提取，简化计算。构造了SVM分类器，只要保证充足样本条件下，可以得到最佳训练参数用于分类。

发明内容

本发明的目的在于，通过提供一种基于血管内超声波图像的动脉斑块类型自动识别方法，以实现对血管内斑块类型的正确分类。

本发明是采用以下技术手段实现的：

一种基于血管内超声波图像的动脉斑块类型自动识别方法。针对动脉血管内斑块超声波图像的特征，利用支持向量机模型构造分类器识别动脉斑块的类型。根据IVUS斑块图像特点选取斑块及其外围区域图像作为分类特征，并且通过K-L变换提取图像分类信息；采用支持向量机(SVM)作为分类模型，经过样本训练，构造一个适应于斑块图像的最佳分类器。

上述基于IVUS斑块图像，利用SVM进行斑块分类，包括下述步骤：

步骤1、对选取的斑块IVUS图像，提取其中两块图像作为识别特征，一块是斑块区域，另一块是斑块外围区域。

步骤2、对选取的斑块图像进行K-L变换，提取图像特征信息；把多个特征映射为少数几个综合特征，降低特征空间维数；

步骤3、构造SVM分类器；该分类器支持向量机分类方法包括两部分，训练阶段和识别阶段；

其中，步骤2所述的对选取的斑块图像进行K-L变换，包括以下步骤：

步骤21、求解模式总体的均值向量，平移坐标系，将模式总体的均值向量作为新坐标系的原点；

步骤22、求出自相关矩阵R；

步骤23、求出R的本征值λ₁，λ₂，...，λ_n及其对应的本征向量

步骤24、将本征值按降序排序，如λ₁≥λ₂≥…≥λ_m≥…λ_n，取前m个大的本征值所对应的本征向量构成变换矩阵

(m＜n)；

步骤25、将n维的原向量变换成m维的新向量y＝A^Tx。

其中，步骤3所述的构造SVM分类器，包括以下步骤：

首先训练SVM以获取最优分类参数，其具体实施步骤为：

步骤31、输入各种斑块类型训练样品向量；

步骤32、指定核函数类型为高斯径向基函数；

步骤33、利用二次规划方法求解目标函数式的最优解，得到最优Lagrange乘子a^*；

步骤34、利用样本库中的一个支持向量X，代入判别函数式，左值f(X)为其类别值，可得到偏差值b^*。

支持向量机分类的步骤为：

步骤35、输入待测样品X；

步骤36、利用训练好的Lagrange乘子a^*、偏差值b^*和高斯径向基核函数，根据最优判别函数求解判别函数f(X)；

步骤37、根据sgn(f(X))的值，输出类别。根据输出值判定属于哪类。

本发明一种基于血管内超声波图像的动脉斑块类型自动识别方法，与现有技术相比，具有以下明显的优势和有益效果：

本发明一种基于IVUS图像的斑块识别方法，改变了现有斑块分类方法所存在的局限性，可以准确的提取斑块图像的特征，进行正确分类，为临床诊断创造了条件。

附图说明

图1是软斑块特征提取示图；

图2是纤维斑块特征提取示图；

图3是钙化斑块特征提取示图；

图4是软斑块分类结果示图；

图5是纤维斑块分类结果示图；

图6是钙化斑块分类结果示图；

图7是本发明方法中主程序流程图。

具体实施方式

一种基于血管内超声波图像的动脉斑块类型自动识别方法。其基本在于以下几点：

根据IVUS斑块图像特点选取斑块及其外围区域图像作为分类特征，并且通过K-L变换提取图像分类信息；

采用支持向量机作为分类模型，经过样本训练，构造一个适应于斑块图像的最佳分类器。

本发明的技术方案参见图7所示，上述基于IVUS斑块图像，利用SVM进行斑块分类，包括下述步骤：

步骤1、对选取的斑块IVUS图像，提取其中两块图像作为识别特征，一块是斑块区域，另一块是斑块外围区域。

步骤2、对选取的斑块图像进行K-L变换，提取图像特征信息。采用Karhunen-Loeve展开式，把多个特征映射为少数几个综合特征，降低特征空间维数。

x为n维的随机向量，可以用n个正交基向量的加权和来表示：

式中，α_i为加权系数；

为正交基向量，且满足：

现在需要从n个本征向量中取出m个组成变换矩阵，使降维的新向量在最小均方误差准则下接近原来的向量x。对于式(2)，只取m项，对略去的项用预先选定的常数b_j来代替，这时对x的估计值为：

均方误差为：

$\stackrel{\‾}{{\mathrm{\ϵ}}^2}=E\left[{\left|\right|\mathrm{\Δx}\left|\right|}^2\right]=\underset{i=m+1}{\overset{n}{\mathrm{\Σ}}}E\left[{({\mathrm{\α}}_j-b_j)}^2\right]---\left(4\right)$

对于省略掉的那些α中的分量，用它们的期望值来代替。即

b_i＝E{α_j}                             (5)

如果在K-L变换前，将模式总体的均值向量作为新坐标系的原点，即在新坐标系中E[x]＝0，根据式(6)可以得到

这样式(5)变为

式中，λ_j是x的自相关矩阵R的第j个本征值；是与λ_j对应的本征向量。显然，所选的λ_j值越小，均方误差也越小。采用大本征值对应的本征向量构成变换矩阵，这些向量具有较大的方差，包含了原始影像的主要信息。

综上所述，基于K-L变换的特征提取的步骤总结如下：

①求解模式总体的均值向量，平移坐标系，将模式总体的均值向量作为新坐标系的原点；

②求出自相关矩阵R；

③求出R的本征值λ₁，λ₂，...，λ_n及其对应的本征向量

④将本征值按降序排序，如λ₁≥λ₂≥…≥λ_m≥…λ_n，取前m个大的本征值所对应的本征向量构成变换矩阵

(m＜n)；

⑤将n维的原向量变换成m维的新向量y＝A^Tx。

步骤3、构造SVM分类器。支持向量机分类算法包括两部分，训练阶段和识别阶段。

支持向量机的最优分类函数为：

$f\left(X\right)=\mathrm{sgn}[\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i{a}_i^{*}k(X_i\·X)+b^{*}]---\left(8\right)$

任选一支持向量X_j，式(11)中b^*由下式给出：

$y_i[\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i{a}_i^{*}k(X_i\·X)+b^{*}]=1---\left(9\right)$

选取高斯径向基函数作为训练和分类识别的核函数：

$k(X,Y)=\exp \left\{\frac{{|X-Y|}^2}{2{\mathrm{\σ}}^2}\right\}---\left(10\right)$

式中，|X-Y|为两个向量之间的距离，σ为常数。

首先训练SVM以获取最优分类参数，其具体实施步骤为：

①输入各种斑块类型训练样品向量；

②指定核函数类型为高斯径向基函数；

③利用二次规划方法求解目标函数式的最优解，得到最优Lagrange乘子a^*；

④利用样本库中的一个支持向量X，代入判别函数式，左值f(X)为其类别值，可得到偏差值b^*。

支持向量机分类的步骤为：

①输入待测样品X；

②利用训练好的Lagrange乘子a^*、偏差值b^*和核函数，根据最优判别函数求解判别函数f(X)；

③根据sgn(f(X))的值，输出类别。根据输出值判定属于哪类。

实验采用228幅斑块类别已经确定的斑块图像，其中软斑块有67幅，纤维斑块85幅，钙化斑块76幅。图像大小为384×384，特征选择时截取区域不限大小。将样本图像数据转换为程序适用的数据集作为样本。先对斑块图像进行K-L变换提取特征，然后通过特征提取后的数据集训练SVM分类器，寻找最优分类参数，最后对待测的未知样本进行分类识别。在MATLAB 7.0中实现的分类结果如表1所示。

表1：利用本方法进行斑块识别结果

本发明的效果见图4、图5、图6。可以看出采用基于血管内超声波图像，并通过支持向量机分类的方法，可以综合IVUS斑块图像的特征，正确识别斑块的类型，为病变分析创造了条件。

最后应说明的是：以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案；因此，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但是，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换；而一切不脱离发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种基于血管内超声波图像的动脉斑块类型自动识别方法，针对动脉血管内斑块超声波图像的特征，利用支持向量机模型构造分类器识别动脉斑块的类型；其特征在于：根据IVUS斑块图像特点选取斑块及其外围区域图像作为分类特征，并且通过K-L变换提取图像分类信息；采用支持向量机作为分类模型，构造一个适应于斑块图像的分类器；

上述基于IVUS斑块图像，利用SVM进行斑块分类，包括下述步骤：

步骤1、对选取的斑块IVUS图像，提取其中两块图像作为识别特征，一块是斑块区域，另一块是斑块径向区域；

步骤2、对选取的斑块图像进行K-L变换，提取图像特征信息；把多个特征映射为少数几个综合特征，降低特征空间维数；

步骤2.1.求解模式总体的均值向量，平移坐标系，将模式总体的均值向量作为新坐标系的原点；

步骤2.2.求出自相关矩阵R；

步骤2.3.求出R的本征值λ₁，λ₂，...，λ_n及其对应的本征向量

步骤2.4、将本征值按降序排序，如λ₁≥λ₂≥…≥λ_m≥…λ_n，取前m个大的本征值所对应的本征向量构成变换矩阵

步骤2.5.将n维的原向量变换成m维的新向量y＝A^Tx；

步骤3、构造SVM分类器；该分类器支持向量机分类方法包括两部分，训练阶段和识别阶段；

所述的支持向量机的最优分类函数为：

$f\left(X\right)=\mathrm{sgn}[\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i{a}_i^{*}k(X_i\·X)+b^{*}]---\left(1\right)$

任选一支持向量X_j，式(1)中b^*由下式给出：

$y_i[\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i{a}_i^{*}k(X_i\·X)+b^{*}]=1---\left(2\right)$

2.根据权利要求1所述的一种基于血管内超声波图像的动脉斑块类型自动识别方法，其特征在于：步骤3所述的训练阶段和识别阶段，选取高斯径向基函数作为训练和分类识别的核函数：

$k(X,Y)=\exp \left\{\frac{{|X-Y|}^2}{2{\mathrm{\σ}}^2}\right\}---\left(3\right)$

式中，|X-Y|为两个向量之间的距离，σ为常数；

首先训练SVM以获取最优分类参数，其具体实施步骤为：

输入各种斑块类型训练样品向量；

指定核函数类型为高斯径向基函数；

利用二次规划方法求解目标函数式的最优解，得到最优Lagrange乘子a^*；

利用样本库中的一个支持向量X，代入判别函数式，左值f(X)为其类别值，得到偏差值b^*。

3.根据权利要求1所述的一种基于血管内超声波图像的动脉斑块分类方法，其特征在于：所述的支持向量机分类的步骤为：

3.1.输入待测样品X；

3.2.利用训练好的Lagrange乘子a^*、偏差值b^*和高斯径向基核函数，根据最优判别函数求解判别函数f(X)；

3.3.根据sgn(f(X))的值，输出类别，输出值判定类别。

4.根据权利要求1所述的一种基于血管内超声波图像的动脉斑块类型自动识别方法，其特征在于：步骤2所述的降低特征空间维数，包括以下步骤：

设x为n维的随机向量，x可以用n个正交基向量的加权和来表示：

式中，α_i为加权系数；

为正交基向量，且满足：

对于式(4)，只取m项，对略去的项用预先选定的常数b_j来代替，对x的估计值为：

由此产生的误差为：

均方误差为：

${\stackrel{\‾}{\mathrm{\ϵ}}}^2=E\left[{\left|\right|\mathrm{\Δx}\left|\right|}^2\right]=\underset{i=m+1}{\overset{n}{\mathrm{\Σ}}}E\left[{({\mathrm{\α}}_j-b_j)}^2\right]---\left(8\right)$

要使ε²最小，对于b_j的选择满足：

$\frac{\∂{\stackrel{\‾}{\mathrm{\ϵ}}}^2}{\∂b_j}=\frac{\∂}{\∂b_j}\underset{i=m+1}{\overset{m}{\mathrm{\Σ}}}E\left[{({\mathrm{\α}}_i-b_i)}^2\right]=\frac{\∂}{\∂b_j}\underset{i=m+1}{\overset{n}{\mathrm{\Σ}}}E\left[{({\mathrm{\α}}_j-b_j)}^2\right]=E[-2({\mathrm{\α}}_i-b_i)]=0---\left(9\right)$

b_i＝E{α_j}                       (10)

在K-L变换前，将模式总体的均值向量作为新坐标系的原点，即在新坐标系中E[x]＝0，根据式(10)可以得到

这样式(8)变为

式中，λ_j是x的自相关矩阵R的第j个本征值；是与λ_j对应的本征向量；从n个本征向量中取出m个组成变换矩阵，使降维的新向量在最小均方误差准则下接近原来的向量x。

Images