CN103646135A - 左心房/左心耳血栓的计算机辅助超声诊断方法 - Google Patents

Abstract

本发明公开一种左心房/左心耳血栓的计算机辅助超声诊断方法，其技术方案是：将数据挖掘技术及模式识别理论与医学临床信息相结合，以灰阶视频、实时三维动态视频为研究对象，准确的获取图像中的全方位信息并挖掘图像信息中潜在的疾病关联规则，对多类特征综合分析，得到对左心房/左心耳血栓进行自动检出和分类的检测方法。本发明公开的血栓识别方法，可避免因医生经验不足或视觉疲劳等主观原因引起的漏误诊，使临床上经食管超声检测疑似有左心房/左心耳血栓的患者能够尽早确诊，排除血栓形成的患者可以尽早接受房颤的转复治疗，本方法操作简便、实用性强，对左心房/左心耳血栓和心颤的诊断、治疗具有重要的指导意义。

Description

左心房/左心耳血栓的计算机辅助超声诊断方法

技术领域

本发明涉及计算机辅助诊断技术领域，具体而言，涉及一种左心房/左心耳血栓的计算机辅助超声诊断方法。

背景技术

计算机辅助诊断技术简称CAD技术（Computer-Aided Diagnosis Technology）。计算机辅助诊断至少包括两方面的含义：帮助发现病变和诊断病变。医学图像的计算机辅助诊断的主要优点在于快速的数据处理，进行精确地定量计算，能够为临床提供一致性好、可重复性高、客观、准确的辅助诊断意见，减少因医生经验不足或视觉疲劳等主观原因引起的漏误诊，极大地扩大医生有限的个人知识和经验，使诊断更为准确更为科学。因此，虽然CAD在目前还处于研究探索阶段,但勿庸置疑,CAD是医学影像诊断学发展的方向之一。

心脏血栓给人类的健康造成严重威胁，可导致心肌梗塞。心脏血栓多发于左心房和左心耳，梳状肌是心房和心耳内正常的肌肉组织，临床上有时候很难从颜色特征和形态特征将血栓和梳状肌区分开。目前，临床上使用经食管超声检测的方法，在这个过程中房颤患者会有明显的自发显影，致使左心耳血栓和梳状肌的图像难以鉴别，因此，疑似有左心房/左心耳血栓的患者均接受华法林（一种抗凝药）四周治疗，然后再复查经食管超声来检验疑似左心房/左心耳血栓的真实性。这种方法一方面使可能没有血栓的患者接受了不必要的抗凝治疗，增加了出血的风险（尤其对于高龄患者）；另一方面，对于有血栓的患者，不能及时排除血栓的存在，房颤的患者持续性房颤恶化了心脏结构和功能。

血栓和梳状肌在超声影像学上有一些不同特点。新鲜血栓回声偏低、活动度大；陈旧性血栓回声较强、活动度小；多次形成的血栓回声强弱不均和分层。而梳状肌回声中等，活动度大，与周围组织一致。依据上述鉴别特征，如何提供一种方法，在图像序列中区分血栓和梳状肌，将计算机辅助诊断技术与心脏超声图像序列相结合以判断心脏血栓，成为本领域技术人员亟待解决的问题。

发明内容

本发明的目的在于提供一个计算机辅助诊断方法，用以引导诊断左心房/左心耳血栓。

为达到上述目的，本发明提供以下技术方案：

将数据挖掘技术及模式识别理论与医学临床信息相结合，以灰阶视频、实时三维动态视频为研究对象，准确的获取图像中的全方位信息并挖掘图像信息中潜在的疾病关联规则，对多类特征综合分析，得到对左心房/左心耳血栓进行自动检出和分类的检测方法；

根据以上所述技术方案，具体步骤如下：

1、经食管多平面探头对血栓和梳状肌、自发显影和正常状态分别采集动态视频，建立并扩充图片库；

2、对步骤1采集到的动态视频进行拆帧处理，提取多模态数字化超声图像的血栓的纹理特征，得到图像序列；

3、通过交互程序在图像序列中划分感兴趣区域（Region of Interest,ROI），将ROI保存为二值图像，和与之对应的图像序列一同构成训练样本数据库；在与ROI对应的原始图像区域上提取纹理特征，特征向量构成特征库；

4、使用MATLAB的人工神经网络ANN训练分类器，得到一个102维空间上的超分界平面，即分类界面，该分类界面被保存为MAT数据文件（Matlab数据存储的标准格式，标准的二进制文件），用于分类；

5、使用ANN工具进行分类性能评价，用概率0-1.00判定ROI是血栓的可能性大小。

根据所述的左心房/左心耳血栓的计算机辅助超声诊断方法，其中，所提取的纹理特征包括对比度、相关度、能量和同质性等，其提取公式表示如下：

对比度（Contrast）：对比度是对像素点与其相邻点的灰度差异性的度量。

$\mathrm{Contrast}=\underset{i,j}{\mathrm{\Σ}}{|i-j|}^{2}p(i,j)$

相关度（Correlation）：衡量灰度共生矩阵元素在行或列方向上的相似程度。

$\mathrm{Correlation}=\underset{i,j}{\mathrm{\Σ}}\frac{(i-\mathrm{\μi})(j-\mathrm{\μj})p(i,j)}{{\mathrm{\σ}}_i{\mathrm{\σ}}_j}$

能量（Energy）：灰度共生矩阵元素平方求和。

$\mathrm{Energy}=\underset{i,j}{\mathrm{\Σ}}p{(i,j)}^2$

同质性（Homogeneity）：反应灰度共生矩阵元素与其对角线的接近程度。

$\mathrm{Homogeneity}=\underset{i,j}{\mathrm{\Σ}}\frac{p(i,j)}{1+|i-j|}$

熵（Entropy）：反映图像中纹理的复杂程度或非均匀度。

$\mathrm{Entropy}=-\underset{i,j}{\mathrm{\Σ}}p(i,j)\log p(i,j)$

根据所述的左心房/左心耳血栓的计算机辅助超声诊断方法，其中，所提取的图像灰度纹理特征还包括均值和方差。

根据所述的左心房/左心耳血栓的计算机辅助超声诊断方法，其中，对于所述的每个特征，都要取d=1,2,3，θ=0°,45°,90°,135°共十二维纹理特征计算类间距，然后对他们求平均值，得到该特征的类间距。

根据所述的左心房/左心耳血栓的计算机辅助超声诊断方法，其中，所述每个特征向量的维数为102维，其提取过程如下：

假设原始图像I0通过处理并得到了感兴趣区域R，且在序列图像中与I0前后相邻且等间隔的图像分别是I-t和I+t，t为可调参数，通常取1或2。本实施例要在R以及I-t和I+t与R对应的图像区域上提取图像特征，构成特征向量。特征向量F可表示为F=[A B]。A与B由函数计算：A=feature(I-t,I0)，B=feature(I+t,I0)。对于A或B，本实施例feature()函数提取的特征包括：（1）基于灰度共生矩阵的特征。对I-t或I+t提取了三个距离（1,2和3）和四个方向（0°,45°,90°和135°）共12维特征的灰度共生矩阵，对于每个灰度共生矩阵计算对比度、相关性、能量和同质性四个特征，共计48维特征；（2）对应于R的I-t或I+t的熵、均值和标准差3维特征。如此，每个图像上的纹理特征为48+3=51种，函数A和B是大小和成分均相同的51维向量。再将参考图像I和浮动图像I_k的特征堆叠起来，则一个特征向量F=[A B]的维数为102维。所有n个样本构成了n*102的特征矩阵。

根据所述的左心房/左心耳血栓的计算机辅助超声诊断方法，其中，0.5附近的值不具有参考价值。

与现有技术相比，本发明提出的左心房/左心耳血栓的计算机辅助超声诊断方法，减少了医生对血栓诊断的主观判断，避免了因医生经验不足或视觉疲劳等主观原因引起的漏误诊，使临床上经食管超声检测疑似有左心房/左心耳血栓的患者能够尽早确诊，排除血栓形成的患者可以尽早接受房颤的转复治疗，减少长时间房颤所带来的心脏结构和功能的影响，同时也避免了患者服用抗栓药物所带来的出血风险。本方法操作简便、实用性强，对左心房/左心耳血栓和心颤的诊断、治疗具有重要的指导意义。

附图说明

图1为本发明的系统流程示意图；

图2为通过样本纹理特征判断血栓概率的示意图；

图3为样本被判定为血栓的示意图；

图4为样本被判定为梳状肌的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，图1为发明的系统流程示意图，代表着本发明的总体思路，其具体步骤如下：

步骤1：我们根据临床实际案例，采集经食管多平面探头的血栓（符合临床经食道超声临床诊断标准或外壳开胸证实血栓存在）和梳状肌的动态视频，建立并扩充二维、三维视频超声数据库。

进一步地，步骤2：对步骤1采集到的动态视频进行拆帧处理，基于灰度共生矩阵（Gray-Level Co-Occurrence Matrix，以下简称GLCM）的纹理特征，根据像素间的方向和距离关系构造一个GLCM，再从中抽取有意义的二统计量作为纹理特征，得到图像序列，具体过程如下：

设F=f(x,y)表示一幅二维空间上的大小为W×H的灰度图像，灰度级为L。则基于图像F的灰度共生矩阵G是一个L×L的方阵，G中位置(i,j)的元素表示图像F的像素从灰度i经过固定位移到达灰度j的概率。此处的固定位移类似物理学中的定义，它包括方向和距离两个量，因此可以表示为二元组(d,θ)。本实施例在GLCM的应用中，取d=1,2,3，θ=0°,45°,90°,135°构造矩阵。

粗纹理图像的灰度共生矩阵中，数值主要集中在主对角线附近；细纹理图像的灰度共生矩阵的数值散布于矩阵的不同地方。基于GLCM的纹理特征反映了图像中纹理在不同位移上的灰度变化幅度的综合特性，广泛应用于图像分析、图像检索和图像识别等领域。但在GLCM的应用中，一般需要在灰度共生矩阵的基础上提取有一定含义的二次统计量作为纹理特征，本实施例用到的基于GLCM的纹理特征包括对比度、相关度、能量和同质性等等，其公式表示如下：

对比度（Contrast）：对比度是对像素点与其相邻点的灰度差异性的度量。

$\mathrm{Contrast}=\underset{i,j}{\mathrm{\Σ}}{|i-j|}^{2}p(i,j)$

相关度（Correlation）：衡量灰度共生矩阵元素在行或列方向上的相似程度。

$\mathrm{Correlation}=\underset{i,j}{\mathrm{\Σ}}\frac{(i-\mathrm{\μi})(j-\mathrm{\μj})p(i,j)}{{\mathrm{\σ}}_i{\mathrm{\σ}}_j}$

能量（Energy）：灰度共生矩阵元素平方求和。

$\mathrm{Energy}=\underset{i,j}{\mathrm{\Σ}}p{(i,j)}^2$

同质性（Homogeneity）：反应灰度共生矩阵元素与其对角线的接近程度。

$\mathrm{Homogeneity}=\underset{i,j}{\mathrm{\Σ}}\frac{p(i,j)}{1+|i-j|}$

熵（Entropy）：反映图像中纹理的复杂程度或非均匀度。

$\mathrm{Entropy}=-\underset{i,j}{\mathrm{\Σ}}p(i,j)\log p(i,j)$

除此之外，本发明还选择了均值和方差作为图像的灰度纹理特征。

为了精确地评价，本实施例选择的纹理特征的分类能力，使用方差归一化间距，它可以衡量一个特征区分两个不同的类别的能力。对于某一个特征x，第i类和第j类的类间距D可以定义为：

$D=\frac{|{\mathrm{\μ}}_{\mathrm{xi}}-{\mathrm{\μ}}_{\mathrm{xj}}|}{\sqrt{{\mathrm{\σ}}_{\mathrm{xi}}^2+{\mathrm{\σ}}_{\mathrm{xj}}^2}}$

其中μ表示均值，σ²表示方差。即μ_xi和μ_xj分别表示特征x第i类和第j类的均值，而和

分别表示特征x第i类和第j类的方差。显然，D越大的时候，特征x的分类能力就越强。反之，D越小，表明特征x的分类能力越弱。表1计算了本实施例使用的纹理特征的类间距。

表1.中的每个特征，都要取d=1,2,3，θ=0°,45°,90°,135°共十二维纹理特征计算类间距，然后对他们求平均值，得到该特征的类间距。

表1几种纹理特征的类间距

本课题的图像库中血栓和梳状肌两个类别中有1300个可用序列，梳状肌类和血栓类分别有740个和560个可用图像序列。

进一步地，步骤3：通过交互程序在图像序列中划分感兴趣区域（Region ofInterest,ROI），将ROI保存为二值图像，和与之对应的图像序列一同构成训练样本数据库；在与ROI对应的原始图像区域上提取纹理特征，特征向量构成特征库。

在图像序列中寻找可用于分类血栓和梳状肌的特征。本实施例使用的四种基于灰度共生矩阵的纹理特征，分别是对比度、相关度、能量和同质性，每种特征都取d=1,2,3，θ=0°,45°,90°,135°共计12维特征，这样纹理特征的总数为48种。再加上3个局部二值模式(Local Binary Pattern,LBP）纹理特征，每个图像上的纹理特征为51种。再将参考图像I和浮动图像I_k的特征堆叠起来，则一个特征矢量的维数为102维，取间隔k为0，1和2。如此以来，一个可用序列可以包含三个特征矢量，也即三个样本。本课题的图像库中血栓和梳状肌两个类别中有1300个可用序列，梳状肌类和血栓类分别有740个和560个可用图像序列，因此共有1300×3=3900个可用样本，其中梳状肌类和血栓类分别有2220和1680个样本。

假设原始图像I0通过处理并得到了感兴趣区域R，且在序列图像中与I0前后相邻且等间隔的图像分别是I-t和I+t，t为可调参数，通常取1或2。本实施例要在R以及I-t和I+t与R对应的图像区域上提取图像特征，构成特征向量。特征向量F可表示为F=[A B]。A与B由函数计算：A=feature(I-t,I0)，B=feature(I+t,I0)。对于A或B，本实施例feature()函数提取的特征包括：（1）基于灰度共生矩阵的特征。对I-t或I+t提取了三个距离（1,2和3）和四个方向（0°,45°,90°和135°）共12维特征的灰度共生矩阵，对于每个灰度共生矩阵计算对比度、相关性、能量和同质性四个特征，共计48维特征；（2）对应于R的I-t或I+t的熵、均值和标准差3维特征。如此，每个图像上的纹理特征为48+3=51种，函数A和B是大小和成分均相同的51维向量。再将参考图像I和浮动图像I_k的特征堆叠起来，则一个特征向量F=[A B]的维数为102维。所有n个样本构成了n*102的特征矩阵。

进一步地，步骤4：使用MATLAB的人工神经网络ANN训练分类器，得到一个102维空间上的超分界平面，即分类界面，该分类界面被保存为MAT数据文件（Matlab数据存储的标准格式，标准的二进制文件），用于分类；

进一步地，步骤5：使用ANN工具进行分类性能评价，用概率0-1.00判定ROI是血栓的可能性大小。对于每一个样本，其属于正常组织或者血栓都是已知的。因此可以使用ANN工具进行分类性能评价。请参阅图2，对一个无法确定是否是血栓的样本时，可以将该样本从超声仪器导出为视频格式，拆帧并勾画ROI，再计算纹理特征。这个过程和处理训练样本得到特征库的过程相同。将这个特征向量与之前得到分类界面进行匹配。系统会使用之前保存的数据文件计算新样本属于血栓的概率p（0<=p<=1），p越接近1表示样本是血栓的概率越大，越接近0表示样本是梳状肌的概率越大。当然，普遍认为0.5附近的值不具有参考价值。

如图3所示，测试样本是血栓的概率为0.96，判定为血栓；如图4所示，测试样本为血栓的概率为0.05，判定为梳状肌。

本实施例中，使用支持向量机（SVM）和ANN分别对血栓和梳状肌两个类别进行分类性能评价。其中使用ANN分类的平均准确率为86.51%，而使用SVM分类的平均准确率为85.94%。

另外，相对于血栓和梳状肌两个类别，自发显影和正常两个类别的样本量少了很多。本实施例的图像库中自发显影和正常两个类别有180个可用序列，自发显影和正常类分别有102个和78个可用图像序列。因为本实验取图像间隔k为0，1和2。如此以来总共有180×3=540个可用样本，其中自发显影和正常的样本数分别有306个和234个。使用SVM和ANN分别对自发显影和正常两个类别进行分类性能评价。其中使用ANN分类的平均准确率为92.36%，而使用SVM分类的平均准确率为91.84%。

可见本发明具有较高的分类准确性，达到了上述要实现的目的。

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：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (6)

1.一种左心房/左心耳血栓的计算机辅助超声诊断方法，其特征在于：

将数据挖掘技术及模式识别理论与医学临床信息相结合，以灰阶视频、实时三维动态视频为研究对象，准确的获取图像中的全方位信息并挖掘图像信息中潜在的疾病关联规则，对多类特征综合分析，得到对左心房/左心耳血栓进行自动检出和分类的检测方法，通过以下具体步骤实现：

S1：经食管多平面探头对血栓和梳状肌、自发显影和正常状态分别采集动态视频，建立并扩充图片库；

S2：对步骤S1采集到的动态视频进行拆帧处理，分别提取多模态数字化超声图像的血栓和梳状肌的纹理特征，得到图像序列；

S3：通过交互程序在图像序列中划分感兴趣区域，将感兴趣区域保存为二值图像，和与之对应的图像序列一同构成训练样本数据库；在与感兴趣区域对应的原始图像区域上提取纹理特征，特征向量构成特征库；

S4：使用ANN训练分类器，得到一个102维空间上的超分界平面，即分类界面，该分类界面被保存为MAT数据文件，用于分类；

S5：使用ANN工具进行分类性能评价，用概率0-1.00判定测试样本感兴趣区域是血栓的可能性大小。

2.根据权利要求1所述的左心房/左心耳血栓的计算机辅助超声诊断方法，其特征在于，所提取的纹理特征包括对比度、相关度、能量和同质性等，其提取公式表示如下：

对比度（Contrast）：对比度是对像素点与其相邻点的灰度差异性的度量。

$\mathrm{Contrast}=\underset{i,j}{\mathrm{\&Sigma;}}{|i-j|}^{2}p(i,j)$

相关度（Correlation）：衡量灰度共生矩阵元素在行或列方向上的相似程度。

$\mathrm{Correlation}=\underset{i,j}{\mathrm{\&Sigma;}}\frac{(i-\mathrm{\&mu;i})(j-\mathrm{\&mu;j})p(i,j)}{{\mathrm{\&sigma;}}_i{\mathrm{\&sigma;}}_j}$

能量（Energy）：灰度共生矩阵元素平方求和。

$\mathrm{Energy}=\underset{i,j}{\mathrm{\&Sigma;}}p{(i,j)}^2$

同质性（Homogeneity）：反应灰度共生矩阵元素与其对角线的接近程度。

$\mathrm{Homogeneity}=\underset{i,j}{\mathrm{\&Sigma;}}\frac{p(i,j)}{1+|i-j|}$

熵（Entropy）：反映图像中纹理的复杂程度或非均匀度。

$\mathrm{Entropy}=-\underset{i,j}{\mathrm{\&Sigma;}}p(i,j)\log p(i,j)$

3.根据权利要求1所述的左心房/左心耳血栓的计算机辅助超声诊断方法，其特征在于，所提取的图像灰度纹理特征还包括均值和方差。

4.根据权利要求1、权利要求2和权利要求3所述的左心房/左心耳血栓的计算机辅助超声诊断方法，其特征在于，对于所述的每个特征，都要取d=1,2,3，θ=0°,45°,90°,135°共十二维纹理特征计算类间距，然后对他们求平均值，得到该特征的类间距。

5.根据权利要求1所述的左心房/左心耳血栓的计算机辅助超声诊断方法，其特征在于，所述每个特征向量的维数为102维，其提取过程如下：

假设原始图像I0通过处理并得到了感兴趣区域R，且在序列图像中与I0前后相邻且等间隔的图像分别是I-t和I+t，t为可调参数，通常取1或2。本实施例要在R以及I-t和I+t与R对应的图像区域上提取图像特征，构成特征向量。特征向量F可表示为F=[A B]。A与B由函数计算：A=feature(I-t,I0)，B=feature(I+t,I0)。对于A或B，本实施例feature()函数提取的特征包括：（1）基于灰度共生矩阵的特征。对I-t或I+t提取了三个距离（1,2和3）和四个方向（0°,45°,90°和135°）共12维特征的灰度共生矩阵，对于每个灰度共生矩阵计算对比度、相关性、能量和同质性四个特征，共计48维特征；（2）对应于R的I-t或I+t的熵、均值和标准差3维特征。如此，每个图像上的纹理特征为48+3=51种，函数A和B是大小和成分均相同的51维向量。再将参考图像I和浮动图像I_k的特征堆叠起来，则一个特征向量F=[A B]的维数为102维。所有n个样本构成了n*102的特征矩阵。

6.根据权利要求1所述的左心房/左心耳血栓的计算机辅助超声诊断方法，其特征在于，0.5附近的值不具有参考价值。

Images