超声图像肾动脉血流频谱信号曲线分类方法
技术领域
本发明涉及图像处理领域,具体地说就是将超声图像处理中的曲线提取技术、曲线平滑技术、曲线特征提取技术,应用于肾动脉血流频谱信号曲线分类的方法。
背景技术
彩色多普勒超声是肾动脉狭窄的首选筛查工具。多普勒超声技术将直接检查肾动脉和多普勒测定肾血流技术相结合,既能够获得显示双肾的二维结构图像,并可以在图像上测量肾脏的长、宽、厚径,又能获得显示双肾叶间动脉血流频谱信号的图像,基于该血流频谱信号图像可测量叶间动脉最大峰值血流速度、阻力指数及加速时间等。利用图像处理技术自动分析肾动脉血流频谱信号并对其分类是医学图像处理的重要内容,至今尚未见到相关的文献报道。
发明内容
本发明提出了一种用于超声图像肾动脉血流频谱信号曲线分类的方法。本发明的基本思路为:首先在超声图像上提取出肾动脉血流频谱信号曲线;然后对血流频谱信号曲线进行归一化和平滑以及周期提取;继而提取血流频谱信号曲线的特征;最后使用这些特征对血流频谱信号曲线进行分类器训练和分类。
本发明实现的超声图像肾动脉血流频谱信号曲线分类方法的技术方案,流程如图1所示,具体包含如下步骤:
A曲线提取:在多普勒超声图像中提取肾动脉血流频谱信号曲线,先在整幅超声图像中分割出包含血流频谱信号部分的图像,之后对血流频谱信号部分图像分割出前景和背景,前景和背景中间的分界线就是肾动脉血流频谱信号曲线;
B曲线归一化:将提取的肾动脉血流频谱信号曲线归一化,使所有曲线纵轴方向的血流速度单位统一;
C曲线平滑:对归一化后的曲线进行平滑处理,去掉一些小的毛刺;
D周期提取:对平滑后的曲线进行周期提取,提取后的曲线只包含一个完整的血流频谱信号周期;
E特征计算:计算一个周期的血流频谱信号曲线的特征;
F分类器训练:设定肾动脉血流频谱信号曲线为两种不同的类型,一类曲线变化平滑,另一类曲线变化陡峭,使用训练样本对分类器进行训练,根据训练结果调整分类器参数和曲线特征组合,得到最优的分类器模型和特征组合;
G曲线分类:使用F训练好的分类器模型及对应的特征组合对肾动脉血流频谱信号曲线进行分类。
上述实施步骤的特征在于:
步骤A采用预设的区域范围值进行血流频谱信号部分图像的分割。虽然不同型号的多普勒超声成像设备的血流频谱信号部分在图像中的位置不同,但同一机型的血流频谱信号部分在图像中的位置是相同的。继而采用抠图技术实现血流频谱信号前景和背景的分割。
步骤B曲线归一化和步骤C曲线平滑没有顺序关系,即步骤B和步骤C只要在步骤A和步骤D之间即可。
步骤C曲线平滑采用均值漂移方法,目的是使曲线局部变得光滑而又不改变曲线整体的情形,以滤除步骤A采用抠图技术提取的曲线上的一些小的毛刺。
步骤D结合曲线上升峰的个数和曲线的一阶导数值来提取周期。
步骤E特征计算是计算周期提取后的血流频谱信号曲线特征,这些特征包含均值、方差、形状上下文、二次曲线拟合参数、曲线峰值、曲线起点值、曲线峰值与曲线起点值的差。
步骤F分类器训练是将步骤E计算的曲线特征进行组合,输入到支持向量机分类器中进行训练,并根据训练结果调整曲线的特征组合,得到最优的分类器模型,并记录最优分类器模型参数和对应的特征组合。其中支持向量机分类器的核函数选用径向基函数,交叉验证使用M折交叉验证模式。
本发明的优点是:采用抠图技术提取超声图像中的血流频谱信号曲线,虽然增加了人机交互的步骤,但提高了曲线提取的准确度;组合不同的血流频谱信号曲线特征进行分类器训练,可以得出比较好的分类器模型。
附图说明
图1血流频谱信号曲线分类技术流程图
图2多普勒超声图像示意图
图3血流频谱信号曲线抠图示意图
图4血流频谱信号曲线周期提取示意图
图5血流频谱信号曲线周期图像
图6形状上下文计算示意图
具体实施方式
现在结合附图,描述本发明的一种具体实施方式。
图1是血流频谱信号曲线分类技术流程图,包括7个步骤,分别是:曲线提取,曲线归一化,曲线平滑,周期提取,特征计算,支持向量机分类器训练,曲线分类。
图2是多普勒超声成像示意图,图像的上半部分是叠加了血流方向的双肾的二维图像及测量的相关参数(左侧)的显示;图像下半部分矩形框中的区域为血流频谱信号显示的区域。不同的超声多普勒成像机型,其血流频谱信号所在的区域不同,相同的机型其血流频谱信号所在区域相同。本发明通过设置模板来截取血流频谱信号区域图像。如GE-L9(多普勒超声机器型号)机型设置的模板左上右下点坐标分别为(16,212)和(481,395),模板(16,212)(481,395)中间部分的图像即为血流频谱信号部分图像,也即图2下半部分矩形框中部分,矩形区域的横轴表示时间,单位是秒,纵轴表示速度,单位是厘米/秒。
图3是使用抠图技术进行血流频谱信号曲线提取的示意图。设定图中下半部分的白色区域是前景,上半部分的黑色区域和白色区域都为背景。设定的方法是在前景和背景区域画线。前景区域画红色的线,背景区域画绿色的线,其中画线的数量可以是一条或者多条,根据不同颜色的线所标示的前景和背景的先验知识可以计算出前景部分的包络线,如图3中的白色虚线所示。取前景和背景的分界线部分为血流频谱信号曲线。
曲线归一化的步骤是将不同刻度单位的曲线归一到相同标准的过程。即纵轴方向上每一个刻度表示的速度的量相同。由于原始获取的多普勒超声图像纵轴方向每个刻度表示的速度量各不相同,在此情形下计算出的曲线特征值对于分类毫无意义。曲线归一化的方法为
其中A为图2矩形区域纵坐标的最大值,单位是厘米/秒,Y为图2矩形区域的图像高度值,单位是像素,Y
i为提取的曲线的图像的高度,单位是像素,A
i为归一化后曲线纵坐标的值,单位是厘米/秒,i为曲线的横坐标索引。
通常情况下横轴方向的时间单位是统一的,则无需变换,只需将曲线的时间起始点变换到0。
曲线平滑的步骤是对归一化后的血流频谱信号曲线使用均值漂移方法进行平滑滤波,该方法是一种保存信号特征的平滑方法,在不改变曲线特征的前提下,去掉曲线的毛刺。均值漂移方法计算步骤为:计算均值漂移向量
判断M
h(x)是否小于设置的ξ,如果小于ξ,用x
i值替代起始点x
0的值,结束,否则置x
i+1=x
i+M
h(x),用x
i+1替换M
h(x)式中的x
i继续进行计算。其中h设置为3,w(x
i)全部设置为1,G为高斯核函数。
周期提取的步骤是将平滑后的曲线分割成只含一个完整周期的血流频谱信号曲线。首先计算曲线的一阶导数值,然后根据一阶导数值和曲线上升峰的个数确定周期。图4(a)是平滑后的血流频谱信号曲线示意图,图4(a)中横坐标表示时间,纵坐标表示归一化后的速度值,图4(b)是曲线的一阶导数示意图,图4(b)中横坐标表示时间,纵坐标表示一阶导数值。从图4(a)所示,曲线有若干个上升峰,根据上升峰的个数将曲线在横轴方向平均分为几个区域,区域个数与上升峰的个数相同。分别在每个区域计算一阶导数的最大值,如图4(b)中红色圆圈所在的位置就是每个区域一阶导数最大值所在位置,连续2个红色圆圈中间的区域就是一个完整血流频谱信号曲线周期所对应的区域,至此就求出了血流频谱信号曲线一个周期的完整图像。图5为图4中提取的第一个周期的血流频谱信号曲线。
特征计算的步骤是计算一个周期的血流频谱信号曲线的特征,包含均值、方差、形状上下文、二次曲线拟合参数、曲线峰值、曲线起点值、曲线峰值与曲线起点值的差。以下为各特征值的计算方式:
均值:
其中n为曲线上点的个数,x
i为曲线的纵坐标值。
形状上下文特征的计算步骤为:
(1)对数极坐标变换。对数极坐标变换公式为
其中x
i,y
i分别为曲线的横轴纵轴的坐标值,x
0,y
0为曲线质心坐标值,单位是像素;
(2)计算形状直方图。如图6所示,计算形状直方图时在角度方向上将
区间等分成4等份,在弦长度方向分为4份,其中弦的最大长度为r的最大值,则将整个区域分成了16个子区域,经过对数极坐标变换的曲线点将分别落入这16个子区域中,红色点为对数极坐标变换后的曲线坐标点,分别计算每个子区域落入点的个数就构成了形状上下文的16个特征值。
波峰:P=Max(xi)。
二次曲线拟合参数:拟合血流频谱信号曲线从起始点到波峰部分的二次曲线方程,拟合后的方程表达式为y=ax2+bx+c,本发明选取表达式中参数a作为二次曲线拟合的特征值。
波峰与曲线起点值的差:P=Max(xi)-x0,其中x0为曲线起点的纵坐标值。
支持向量机分类器训练的步骤主要是训练分类器的参数和曲线分类的特征组合,首先依据需要将所有曲线划分为两类,一类曲线变化平滑,类别标志为-1,另一类曲线变化陡峭,类别标志为1。对每条血流频谱信号曲线,其特征组合结构体按{类别标志1:均值2:方差3:形状上下文4:二次曲线拟合参数5:曲线峰值6:曲线起点值7:曲线峰值与曲线起点值的差},其中类别标志为人工观测的实际类别值。支持向量机的核函数选用径向基核函数exp{γ||u-v||2}。交叉验证模式使用M折交叉验证模式,即将全部曲线等分为M分,每次取其中1份作为测试样本,剩下M-1份为训练样本,并不断调整特征组合的个数构造特征组合结构体进行训练。训练的最优特征组合为均值、方差、二次曲线拟合参数、曲线峰值、曲线峰值与曲线起点值的差共5个特征,最优参数为C=8192,γ=0.0625,其中C为惩罚系数,γ为核函数参数。
分类步骤依据训练获得的分类器模型和特征组合对所有的血流频谱信号曲线进行分类,得到两个分类结果,一类曲线变化平滑,另一类曲线变化陡峭。
本发明的一个实施例在PC机上实现,经实验验证,该方法提取血流频谱信号曲线准确,分类精度高。
本发明所述具体实施方式可以使本领域的技术人员更全面地理解本发明,但不以任何方式限制本发明。因此,本领域技术人员应当理解,仍然对本发明进行修改或者等同替换;而一切不脱离本发明的精神和技术实质的技术方案及其改进,均应涵盖在本发明专利的保护范围中。