CN102799858A - 基于冗余特征消减的医学超声图像自动识别方法 - Google Patents

Abstract

本发明公开了一种基于冗余特征消减的医学超声图像自动识别方法。首先从待处理的医学超声图像中提取感兴趣区域，从感兴趣区域提取特征；然后对提取的特征进行主成分分析，以去除冗余和无关的特征分量，确定独立有效的特征；最后依据独立有效的特征，利用分类器对感兴趣区域分类。本发明通过计算机对医学超声图像进行分析，提取的图像特征涵盖了空域和频域，更为全面地反映了图像的本质特性，有助于进行正确分类，具有较好的临床实用性。

Description

基于冗余特征消减的医学超声图像自动识别方法

技术领域

本发明涉及计算机医学图像分析领域，特别涉及一种基于冗余特征消减的医学超声图像自动识别方法，通过对预分析的医学超声图像感兴趣区域（ROI）的特征提取和去冗，运用分类器对其特征经训练学习后再分类，为临床应用提供重要的参考依据。

背景技术

近20年来，医学影像技术取得了飞速的发展，其中超声成像作为一个重要分支，以其廉价、实时、无损伤、无射线辐射以及可重复性和敏感度高等优势，在临床诊断中被大量使用，并成为重要工具。超声成像在定量分析、实时诊断和手术规划等方面都具有很大的前景。然而，超声图像中的斑点噪声、伪影等图像缺陷也制约了其发展。在临床应用中超声诊断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断经验、思维方式、技术水平等因素的严重影响。

随着计算机技术的发展，自动识别系统逐步应用到图像分析当中。通过计算机对医学超声图像进行分析，可以使医疗专家摆脱繁重的人工观察和诊断，并且还可以提供更精确的辅助诊断数据。在计算机信息处理系统中，数据的采集是信息系统的基础，这些数据通过数据系统的分析和过滤，最终成为影响我们决策的信息。在医学超声图像分析过程中，我们往往以提取的图像特征集作为数据输入，达到识别并区分感兴趣区域的图像特征的目的。

在实际应用时，过高维数的特征向量往往会引起维数灾难，同时冗余和无关的特征描述也将影响到特征分析的性能。此时特征选择环节就变得非常重要，其目的在于通过特征的选择，一方面可以有效降低特征向量的维数；另一方面降低冗余和无关的特征分量在特征向量中的比重，从而有利于提高特征分析的效果和效率。

支持向量机(Support Vector Machine，SVM)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度，Accuracy）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力（或称泛化能力）。

现有图像分类方法使用局限，只针对某种特异性图像；提取的特征少，不能全面、客观的反映图像的特性；同时分类正确识别率低，分类效果差，缺乏实用性。

发明内容

本发明的目的在于提供一种基于冗余特征消减的医学超声图像自动识别方法，实现对医学超声图像及其特性的正确分类，全面、客观的反映图像的特性，为临床应用提供重要的参考依据。

一种基于冗余特征消减的医学超声图像自动识别方法，包括以下步骤：

步骤1从待处理的医学超声图像中提取感兴趣区域；

步骤2对感兴趣区域做预处理；

步骤3从预处理后的感兴趣区域提取特征；

步骤4对提取的特征进行主成分分析，以去除冗余和无关的特征分量，确定独立有效的特征；

步骤5依据独立有效的特征，利用分类器对感兴趣区域分类。

所述特征包括纹理特征、形态特征和弹性特征。

所述纹理特征包括空间域特征和频域特征；

所述空间域特征包括：

一阶灰度：均值、标准差、中值、最大值、最小值、一阶矩、二阶矩、偏度、峰度、五阶矩、六阶矩、七阶矩、能量、熵；

基于灰度共生矩阵：对比度、角二阶矩、能量及相关系数；

基于灰度游程矩阵：短游程逆矩、长游程逆矩、游程灰度的不均匀性、游程长度的不均匀性、游程百分比；

基于空间灰度独立矩阵：对比度、均值、能量、逆差矩、角二阶矩；

所述频域特征包括：Laws能量和傅里叶功率谱，所述傅里叶功率谱包括环状采样特征、楔状采样特征、环状采样和楔状采样交叉特征。

所述步骤4具体为：

步骤4.1对步骤3提取的特征构成的特征向量表示为p为特征个数，对该特征向量做标准化处理，得到标准化特征向量 $\tilde{X}=[{\tilde{X}}_1,{\tilde{X}}_2,...,{\tilde{X}}_p];$

步骤4.2对标准化后的特征向量

进行特征分解，以确定主成分坐标轴U；

步骤4.3依据主成分坐标轴U确定p个主成分分量；

步骤4.4以累计贡献率η_m作为主成分个数确定准则，对p个主成分分量进行降维，获得m个主成分；

步骤4.5以m个主成分构成主成分矩阵X，该主成分矩阵X即为独立有效的特征集。

所述分类器为支持向量机。

所述支持向量机构建方法为：

将n个样本(X_i,y_i)作为样本训练集，X_i为第i个样本的m维训练特征，y_i为第i个样本的类别标号，i＝1,2...n；

在满足y_i[(W·X_i)+b]-1≥0条件下，利用二次规划方法求解使得目标函数取最小值的最优Lagrange乘子α_i，其中

松弛项ξ_i≥0，C为惩罚因子，b为常数；

依据最优Lagrange乘子α_i计算得到

从n个样本的m维训练特征X_i中任意选取一支持向量，将其代入最优分类面表达式W·X+b＝0求解确定常数b值；

构造分类器 $f\left(X\right)=\mathrm{sgn}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(X\·X_i)+b),$ $K(X,X_i)=\exp \{-\frac{{\left|\right|X-X_i\left|\right|}^2}{{2\mathrm{\σ}}^2}\},$

σ为标准差，sgn()为符号函数，X为m维特征向量。

本发明的技术效果体现在:

本发明提取图像的纹理特征（空间域特征和频域特征），通过主成分分析（PCA）提取图像独立有效的分类信息；采用支持向量机（SVM）作为分类模型，经过样本训练，构造一个适用于该医学超声图像的最佳分类器，用于ROI图像特征的分类以实现图像类别的区分，为临床应用提供可靠的参考信息。与现有技术相比，本发明可应用于任何医学超声图像，具有普遍适用性；提取的图像特征可涵盖空域和频域，更为全面的反映了图像的本质特性；进一步地本发明使用改进的SVM进行分类，具有自适应性，分类效果更优；本发明操作简便易行，应用效果良好，更具有临床实用性。

本发明通过计算机技术对医学超声图像进行分析，改善了人工观察和判别的局限性，能准确的提取待处理医学超声图像的特征，进行正确分类，为临床应用创造了有利条件。

附图说明

图1为基于冗余特征消减的医学超声图像自动识别方法的流程图；

图2为SVM超平面示意图；

图3为SVM算法流程图；

图4为某正常肝图像ROI提取示图；

图5为某血管瘤图像ROI提取示图；

图6为某肝癌图像ROI提取示图；

图7为颈动脉粥样硬化超声图像示图；

图8为颈动脉粥样硬化图像ROI提取示图；

具体实施方式

本发明的技术思路为：根据待处理的医学超声图像特点选取感兴趣区域（ROI），提取图像特征信息并进行去冗处理，利用SVM对感兴趣区域的特征进行分类。具体流程参见图1，包括下述5个步骤：

步骤1、选取待处理的医学超声图像，并获取其感兴趣区域ROI作为识别区域；

步骤2、对ROI进行预处理，如去噪，增强等；

步骤3、对所选的ROI进行特征提取；

本发明可提取的图像特征包含三类，分别为纹理特征、形态特征和弹性特征。在本发明中，提取的特征越完备越能较好地反映图像的本质特性。

其中纹理特征可反映出图像的粒度或粗糙性、方向性、重复性或周期性等重要的视觉特征，相对于形态特征和弹性特征，更具有通用性。本发明方法以纹理特征为例说明，纹理特征包括空间域特征和频域特征。

3.1、空间域特征：

3.1.1、一阶灰度统计中应用的特征定义如下：

均值：

$\mathrm{\μ}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\mathrm{iP}\left(i\right)---\left(1\right)$

标准差：

${\mathrm{\σ}}^2=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(i-\mathrm{\μ})}^{2}P\left(i\right)---\left(2\right)$

一阶矩：

$s=\frac{1}{\mathrm{\σ}}\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}(i-\mathrm{\μ})P\left(i\right)---\left(3\right)$

二阶矩：

$s=\frac{1}{{\mathrm{\σ}}^2}\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(i-\mathrm{\μ})}^{2}P\left(i\right)---\left(4\right)$

偏度：

$s=\frac{1}{{\mathrm{\σ}}^3}\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(i-\mathrm{\μ})}^{3}P\left(i\right)---\left(5\right)$

峰度：

$s=\frac{1}{{\mathrm{\σ}}^4}\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(i-\mathrm{\μ})}^{4}P\left(i\right)---\left(6\right)$

五阶矩：

$s=\frac{1}{{\mathrm{\σ}}^5}\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(i-\mathrm{\μ})}^{5}P\left(i\right)---\left(7\right)$

六阶矩：

$s=\frac{1}{{\mathrm{\σ}}^6}\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(i-\mathrm{\μ})}^{6}P\left(i\right)---\left(8\right)$

七阶矩：

$s=\frac{1}{{\mathrm{\σ}}^7}\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(i-\mathrm{\μ})}^{7}P\left(i\right)---\left(9\right)$

能量：

$\mathrm{ENERGY}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{\left[P\left(i\right)\right]}^2---\left(10\right)$

熵：

$\mathrm{ENT}=-\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}P\left(i\right)\log \left[P\left(i\right)\right]---\left(11\right)$

在上述公式中，μ为图像灰度均值，σ为图像灰度方差，P(i)为概率密度。

3.1.2、基于灰度共生矩阵中应用的特征定义如下：

角二阶矩：

$\mathrm{ASM}=\underset{h}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{m}_{\mathrm{hk}}^2---\left(12\right)$

能量：

$\mathrm{CON}=\underset{h}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{(h-k)}^2{m}_{\mathrm{hk}}---\left(13\right)$

熵：

$\mathrm{ENT}=-\underset{h}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{m}_{\mathrm{hk}}\log m_{\mathrm{hk}}---\left(14\right)$

相关系数：

$\mathrm{COR}=\frac{\underset{h}{\mathrm{\Σ}}\underset{k}{\mathrm{\Σ}}{\mathrm{hkm}}_{\mathrm{hk}}-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}---\left(15\right)$

在上述公式中，m_hk是灰度级分别为h和k的像素对出现频率，μ_x,σ_x分别是

的均值与方差，μ_y,σ_y分别是

的均值与方差。

3.1.3、基于灰度游程矩阵中应用的特征描述如下：

短游程逆矩：

$\mathrm{SRE}=\frac{\underset{g=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{l=1}{\overset{N_l}{\mathrm{\Σ}}}(m_{\mathrm{gl}}/l^2)}{\underset{g=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{l=1}{\overset{N_l}{\mathrm{\Σ}}}{m}_{\mathrm{gl}}}---\left(16\right)$

长游程逆矩：

$\mathrm{LRE}=\frac{\underset{g=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{l=1}{\overset{N_l}{\mathrm{\Σ}}}\left(l^2{m}_{\mathrm{gl}}\right)}{\underset{g=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{l=1}{\overset{N_l}{\mathrm{\Σ}}}{m}_{\mathrm{gl}}}---\left(17\right)$

游程灰度的不均匀性：

$\mathrm{GLN}=\frac{\underset{g=1}{\overset{N_g}{\mathrm{\Σ}}}{\left(\underset{l=1}{\overset{N_l}{\mathrm{\Σ}}}{m}_{\mathrm{gl}}\right)}^2}{\underset{g=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{l=1}{\overset{N_l}{\mathrm{\Σ}}}{m}_{\mathrm{gl}}}---\left(18\right)$

游程长度的不均匀性：

$\mathrm{RLN}=\frac{\underset{l=1}{\overset{N_l}{\mathrm{\Σ}}}{\left(\underset{g=1}{\overset{N_g}{\mathrm{\Σ}}}{m}_{\mathrm{gl}}\right)}^2}{\underset{g=1}{\overset{N_g}{\mathrm{\Σ}}}\underset{l=1}{\overset{N_l}{\mathrm{\Σ}}}{m}_{\mathrm{gl}}}---\left(19\right)$

游程百分比：

$\mathrm{RP}=\frac{\underset{l=1}{\overset{N_l}{\mathrm{\Σ}}}\underset{g=1}{\overset{N_g}{\mathrm{\Σ}}}{m}_{\mathrm{gl}}}{P}---\left(20\right)$

在上述公式中，m_gl是灰度级分别为g和l的像素对出现频率。

3.1.4、基于空间灰度独立矩阵

对比度：

$\mathrm{con}=\underset{i}{\mathrm{\Σ}}{i}^{2}f\left(i\right|\mathrm{\δ})---\left(21\right)$

均值：

$\mathrm{mn}=\underset{i}{\mathrm{\Σ}}\mathrm{if}\left(i\right|\mathrm{\δ})---\left(22\right)$

熵：

$\mathrm{ent}=-\underset{i}{\mathrm{\Σ}}f\left(i\right|\mathrm{\δ})\log f\left(i\right|\mathrm{\δ})---\left(23\right)$

逆差矩：

$\mathrm{idm}=\underset{i}{\mathrm{\Σ}}\frac{f\left(i\right|\mathrm{\δ})}{i^2+1}---\left(24\right)$

角二阶矩：

$\mathrm{asm}=\underset{i}{\mathrm{\Σ}}{\left[f\left(i\right|\mathrm{\δ})\right]}^2---\left(25\right)$

在上述公式中:

f(i|δ)＝P(I_δ(x,y)＝i)

δ＝(Δx,Δy)

I_δ(x,y)＝|I(x,y)-I(x+Δx,y+Δy)|

3.2、频域特征：

目前纹理特征的频域分析方法主要包括Laws、傅里叶功率谱、Gabor变换和小波变换等。本方法中用到的频域特征分别为Laws能量和傅里叶功率谱。

3.2.1、Laws能量

基于纹理能量可用纹理标记来描述纹理。它是通过将特定的2D算子核与原始图像卷积来表达图像纹理特征。2D算子核由以下六个一维算子核组成：

灰度级     L=[1,6,15,20,15,6,1]

边缘       E=[-1,-4,-5,0,5,4,1]

点         S=[-1,-2,1,4,1,-2,-1]

波         W=[-1,0,3,0,-3,0,1]

纹         R=[1,-2,-1,4,-1,-2,1]

振荡       O=[-1,6,-15,20,-15,6,-1]

以上六个算子分别完成一维信号的灰度平滑、边缘检测、点检测、波和纹状检测以及振荡检测。然后，将列算子核与行算子核相乘得到以下21个二维算子核能量：

（1）LL；（2）EE；（3）SS；（4）WW；（5）RR；（6）OO；（7）LE和EL的均值；（8）LS和SL的均值；（9）LW和WL的均值；（10）LR和RL的均值；（11）LO和OL的均值；（12）ES和SE的均值；（13）EW和WE的均值；（14）ER和RE的均值；（15）EO和OE的均值；（16）SW和WS的均值；（17）SR和RS的均值；（18）SO和OS的均值；（19）WR和RW的均值；（20）WO和OW的均值；（21）RO和OR的均值。

3.2.2、傅里叶功率谱

功率谱方法提取的主要包括环状采样和楔状采样频谱特征。通过极坐标下功率谱环形区域积分的计算可以计算纹理的粗糙度；通过极坐标下楔形区域的积分可以计算纹理的方向性。另外通过直角坐标下频率条内的积分可得到反映某频率特征的特征。

$R_{r_1,r_2}=\left\{(u,v)\right|r_1^2\≤u^2+v^2\≤r_2^2,0\≤u,v\≤N-1\}---\left(26\right)$

环状采样频谱特征（1）-（5）：[r₁,r₂)=[2,4),[4,8),[8,16),[16,32),[32,64)

$W_{{\mathrm{\θ}}_1,{\mathrm{\θ}}_2}=\left\{(u,v)\right|{\mathrm{\θ}}_1^2\≤\arctan (v/u)\≤{\mathrm{\θ}}_2^2,0\≤u,v\≤N-1\}---\left(27\right)$

楔状采样频谱特征（6）-（11）：[θ₁,θ₂)=[0,pi/12),[pi/12,pi/6),[pi/6,pi/4),[pi/4,pi/3),[pi/3,5*pi/12),[5*pi/12,pi/2)

[（12）-（41）]为环状采样和楔状采样的交叉频谱特征。

步骤4、对提取的特征信息进行主成分分析（PCA），去除冗余和无关的特征分量，以获得独立有效的特征描述，并降低特征空间维数；

PCA的基本变换可表示为

其中

为加权系数矩阵，且m<=p。PC_i称为原特征向量的第i个主成分。由上式可知，主成分矩阵是原始特征向量的线性组合。另外上式中参数，需满足如下条件：

（1） $a_{i1}^2+a_{i2}^2+...+a_{\mathrm{ip}}^2=1,i=\mathrm{1,2},...,m;$

（2）Cov(PC_i,PC_j)＝0,j＜i,i＝1,2,…,m，即个主成分之间的正交。

将PCA应用于纹理图像的特征选择阶段，其具体算法可根据如下步骤进行：

首先，设纹理图像经过特征提取后，p维特征向量表示为： $\stackrel{\&OverBar;}{X}={[X_1,X_2,...,X_P]}^T.$

对于此特征向量，可得到d次独立的观测值记为:

[x_i1,x_i2,…,x_ip]^T,i＝1,2,…,d                          (29)

由于原始p维纹理特征向量通常不满足标准化要求，因此，首先要根据(30)对其进行坐标平移与尺度伸缩处理

其中第j个特征分量标准差为：

平均值为： ${\stackrel{\&OverBar;}{x}}_j=\frac{1}{d}{\mathrm{\&Sigma;}}_{i=1}^d{x}_{\mathrm{ij}}$

其次，需要确定主成分坐标轴。将标准化后的特征向量在主成分坐标轴上进行投影，以达到降低特征向量维数的目的。为得到主成分坐标轴，需对标准化处理后的特征向量进行特征分解为：

Z＝UΛU^T                                              （31）

其中Z为下式所示的协方差矩阵，Λ为Z的特征值λ₁,λ₂,…,λ_p所组成的对角阵，Z的特征向量按列构成正交矩阵U，将U作为主成分坐标轴。

其中

为标准化后的第i个特征向量。正交矩阵U_j即为前述的加权系数矩阵，

因此可得到p个主成分分量。各主成分分量的方差如下式所示：

Var(PC_i)＝λ_i，i=1,2，....,p,                         （33）

其中λ_i为Z的特征值。此时各主成分分量是依次递减的，即

Var(PC₁)≥Var(PC₂)≥...≥Var(PC_p)                     （34）

考虑到降低维数的目的，通常选取的主成分个数小于p，因此选取的主成分应尽可能反映原有p个变量。主成分个数的确定，有多种准则。本方法中使用累积贡献率η_m作为确定主成分个数准则。

当η_m满足预定阈值条件时，主成分个数可设为m：

η_m＝(λ₁+λ₂+…+λ_m)/(λ₁+λ₂+…+λ_p)                （35）

最终得到的主成分矩阵PC_m×d的每一行相当于原数据矩阵的行向量在主成分坐标轴上的投影，这些投影构成的向量就是主成分矩阵的行向量，

PC_m×d＝U_m×pX_p×d                                    （36）

综上所示，基于PCA的降维方法步骤如下：

步骤4.1、对特征向量进行坐标平移与尺度伸缩处理,得到标准化特征向量

步骤4.2、对标准化后的特征向量进行特征分解，以确定主成分坐标轴U；

步骤4.3、通过主成分坐标轴U可获得p个主成分分量；

步骤4.4、依据累计贡献率η_m作为确定主成分个数准则，对p个主成分分量进行降维，获得m个主成分，m<p；

步骤4.5、以m个主成分构成主成分矩阵X，该主成分矩阵X即为独立有效的特征集。

步骤5、构造分类器。

分类器中常用的有Adaboost、BP神经网络、支持向量机（SVM）等。

本发明方法中用到的分类器是其中分类效果最好，并加以改进过的SVM。支持向量机分类算法包括两部分，分类器构造部分和分类器分类部分。

5.1构造分类器

超平面（Hyper Plane）是指可以无错误的使两类样本分开的平面。对于线性可分样本，有无数个超平面HP可以将两类样本无错误地分开，但是SVM还希望能够使平行于HP、且过各类样本中离HP最近点的两个超平面间的距离（称为分类间隔，margin）最大，此时的H才是最优分类面，如图2所示。设二类线性可分情况的样本训练集由n个样本(X_i,y_i)，i＝1,2...n组成，X为m维特征向量，y为类别标号，值为1或-1，表示属于或不属于某一类。线性判别函数为g(x)＝W·X+b。其中b为常数。

分类超平面方程为:

W·X+b＝0                                                   （37）

其中W·X是内积(dot product)，b是标量。

将判别函数归一化，使两类所有样本均满足|g(x)|≥1,，即使离分类面最近的样本(称为支持向量)的|g(x)|=1,，可推导此时的分类间隔等于

因此使间隔最大，等价于使||W||最小;而为了保证将所有样本正确分类，需满足

y_i[(W·X_i)+b]-1≥0                                           （38）

由此可知，满足（39）式且使得||W||最小的分类面即为最优分类面。

最优分类面可以表示成约束优化问题，即在条件(38)的约束下，求函数

$\mathrm{\&phi;}\left(W\right)=\frac{1}{2}{\left|\right|W\left|\right|}^2=\frac{1}{2}(W\&CenterDot;W)---\left(39\right)$

的最小值。利用二次规划方法求解得到最优的Lagrange乘子α_i，从而得到

$W=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{y}_i{X}_i---\left(40\right)$

将任一支持向量代入（38）得到b。得到的最优分类函数为

$f\left(X\right)=\mathrm{sgn}\left\{\right\}=\mathrm{sgn}\{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{y}_i(X_i\&CenterDot;X)+b\}---\left(41\right)$

sgn{}为符号函数。

以上所述为线性可分情况。在线性不可分情况下，Cortes与Vapnik提出了软间隔SVM求解广义最优分类面，即在保证错分样本数较少的情况下，实现分类间隔的最大化。在（39）式中加入松弛项ξ_i≥0，

y_i[(W·X_i)+b]-1+ξ_i≥0                                  （42）

在约束条件下求如下目标函数最小值：

$\mathrm{\&phi;}(W,\mathrm{\&xi;})=\frac{1}{2}(W\&CenterDot;W)+C\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&xi;}}_i---\left(43\right)$

其中C为一常数，控制对错分样本惩罚的程度，实现在错分样本数与分类间隔的折衷。

广义线性判别函数的基本思想是：在低维空间中线性不可分的问题，在高维空间中可能是线性可分的。因此引入核函数，可以将原空间中的特征集映射到高维空间。使线性不可分的问题转为线性可分。核函数的作用就是通过非线性变换将低维空间的问题映射到高维空间中。

本发明方法使用的核函数为径向基核函数，其表达式如下：

径向基核： $K(X,X_i)=\exp \{-\frac{{\left|\right|X-X_i\left|\right|}^2}{{2\mathrm{\&sigma;}}^2}\}$

σ是径向基核的标准差。

本方法使用了径向基核核函数进行分类器构造。

最判别函数变为：

$f\left(X\right)=\mathrm{sgn}\{W\&CenterDot;X+b\}=\mathrm{sgn}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{y}_{i}K(X\&CenterDot;X_i)+b)---\left(44\right)$

至此分类器构造完成，得到最终的分类判别式如（44）。以上SVM算法的流程图如图3。

5.2分类器分类

将待分类图像的特征向量送入上述构造好的分类器。根据判别函数式（44）对样本进行归类，得到最终图像所属类别。并根据事先知道的图像类别，对分类结果统计特异度和灵敏度。

特异度和灵敏度的定义如表1

表1诊断资料2×2四格表

具体步骤总结如下：

步骤5.1、构造SVM分类器。具体包括：

5.1.1、将样本的特征集X_i及分类标签y_i作为分类器的训练数据。

5.1.2、选择径向基型核函数，指定相应参数。

5.1.3、利用二次规划方法求解目标函数式的最优解,得到最优的Lagrange乘子亦即得到了判别函数中的W。

5.1.4、利用训练集中的一个支持向量X，代入最优分类面表达式W·X+b＝0，得到b。将W和b代入下式，得到最终的分类判别式。分类器构造完成。

$f\left(X\right)=\mathrm{sgn}\{W\&CenterDot;X+b\}=\mathrm{sgn}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{y}_{i}K(x\&CenterDot;x_i)+b)$

步骤5.2、分类器分类

将待分类图像的特征集送入上述构造好的分类器。根据上述判别函数式对样本进行归类，得到最终图像所属类别。并根据事先知道的图像类别，对分类结果统计特异度和灵敏度。

利用本发明方法进行了两组实验。

实验一：采用了256幅肝超声图像，其中肝癌60幅，血管瘤30幅，正常肝癌166幅。图像大小为90×93，获取ROI大小不限。图4、图5和图6分别为正常肝图像、血管瘤图像和肝癌图像的ROI提取示意图。将样本图像数据转换为分类器适用的数据集作为样本：首先对肝图像进行特征信息提取，然后通过主成分分析获得出能够代表整体特征的最简独立特征集训练SVM，寻找最优分类参数，最后对待测的未知样本进行分类识别，惩罚因子C设置为1000。本实验中只进行了两类和三类的分类实验。如有需要，本方法可拓展到肝图像更多类的分类识别。实现的分类结果如表1和表2所示。

表1正常肝和非正常肝的分两类结果

表2肝癌、血管瘤和正常肝的分三类结果

实验二：采用38组患有颈动脉粥样硬化的病人治疗前、后的图像作为样本数据，服用药物情况已知，其中有17人服用阿伐他汀类（atorvastatin）药物进行治疗，21人服用安慰剂（placebo）作为对照组实验。以治疗后的颈动脉超声图像作为待处理图像，每组选取15幅。图像大小为800×525（如图6所示），获取ROI大小不限（如图7所示）。将样本图像数据转换为程序适用的数据集作为样本，特征提取、降维和分类识别的过程同实验一。实验中规定：每组图像数据如果8幅以上（超过半数）分类准确即为该组病人的服药情况正确识别。实现的分类结果如表3所示。

表3：利用本方法进行动脉粥样硬化药物使用自动分类结果

实验一中，对正常肝和非正常肝的分类，分类的正确率、灵敏度和特异度分别为95.31%、93.33%和96.39%。肝图像的分三类实验中，分类正确率为94.53%。实验结果表明，本发明方法用于肝超声图像分类的正确识别率、灵敏度和特异度均高于90%，性能良好，可为医生的临床应用提供可靠的参考信息。

在实验二中，阿伐他汀和安慰剂分类的正确率、灵敏度和特异度分别为84.21%、82.35%和85.71%。在实验数据样本有限（仅38组）的情况下，本方法用于药物分类识别的准确率仍然均高于80%，足以证明本方法具有临床应用实用性。

从两组实验结果可以看出，本发明基于医学超声图像进行特征提取、特征去冗，并通过支持向量机分类的方法，能够很好的综合待处理超声图像的特征信息，正确识别感兴趣区域的类别及其特性，为临床应用提供重要的参考依据。

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 (6)

1.一种基于冗余特征消减的医学超声图像自动识别方法，包括以下步骤：

步骤1从待处理的医学超声图像中提取感兴趣区域；

步骤2对感兴趣区域做图像预处理；

步骤3从预处理后的感兴趣区域提取特征；

步骤4对提取的特征进行主成分分析，以去除冗余和无关的特征分量，确定独立有效的特征；

步骤5依据独立有效的特征，利用分类器对感兴趣区域分类。

2.根据权利要求1所述的医学超声图像分类方法，其特征在于，所述特征包括纹理特征、形态特征和弹性特征。

3.根据权利要求1所述的医学超声图像分类方法，其特征在于，所述纹理特征包括空间域特征和频域特征；

所述空间域特征包括：

一阶灰度：均值、标准差、中值、最大值、最小值、一阶矩、二阶矩、偏度、峰度、五阶矩、六阶矩、七阶矩、能量、熵；

基于灰度共生矩阵：对比度、角二阶矩、能量及相关系数；

基于灰度游程矩阵：短游程逆矩、长游程逆矩、游程灰度的不均匀性、游程长度的不均匀性、游程百分比；

基于空间灰度独立矩阵：对比度、均值、能量、逆差矩、角二阶矩；

所述频域特征包括：Laws能量和傅里叶功率谱，所述傅里叶功率谱包括环状采样特征、楔状采样特征、环状采样和楔状采样交叉特征。

4.根据权利要求1所述的医学超声图像分类方法，其特征在于，所述步骤4具体为：

步骤4.1对步骤3提取的特征构成的特征向量表示为

p为特征个数，对该特征向量做标准化处理，得到标准化特征向量 $\tilde{X}=[{\tilde{X}}_1,{\tilde{X}}_2,...,{\tilde{X}}_p];$

步骤4.2对标准化后的特征向量

进行特征分解，以确定主成分坐标轴U；

步骤4.3依据主成分坐标轴U确定p个主成分分量；

步骤4.4以累计贡献率η_m作为主成分个数确定准则，对p个主成分分量进行降维，获得m个主成分；

步骤4.5以m个主成分构成主成分矩阵X，该主成分矩阵X即为独立有效的特征集。

5.根据权利要求4所述的医学超声图像分类方法，其特征在于，所述分类器为支持向量机。

6.根据权利要求5所述的医学超声图像分类方法，其特征在于，所述支持向量机构建方法为：

将n个样本(X_i,y_i)作为样本训练集，X_i为第i个样本的m维训练特征，y_i为第i个样本的类别标号，i＝1,2...n；

在满足y_i[(W·X_i)+b]-1≥0条件下，利用二次规划方法求解使得目标函数

取最小值的最优Lagrange乘子α_i，其中松弛项ξ_i≥0，C为惩罚因子，b为常数；

依据最优Lagrange乘子α_i计算得到

从n个样本的m维训练特征X_i中任意选取一支持向量，将其代入最优分类面表达式W·X+b＝0求解确定常数b值；

构造分类器 $f\left(X\right)=\mathrm{sgn}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{y}_{i}K(X\&CenterDot;X_i)+b),$ $K(X,X_i)=\exp \{-\frac{{\left|\right|X-X_i\left|\right|}^2}{{2\mathrm{\&sigma;}}^2}\},$ σ为标准差，sgn()为符号函数，X为m维特征向量。

Images