CN103933673B - 一种基于超声图像内容实现层间测距的方法 - Google Patents

Abstract

本发明公开了一种基于超声图像内容实现层间测距的方法。包含以下步骤：从大量已知间距的斑块对中提取帧内特征与帧间特征；将所得帧内特征与帧间特征作为输入参数，已知间距作为输出参数，投入高斯过程回归进行训练，得到训练好的回归器；对于随机选定的斑块对，计算其对应的帧内特征与帧间特征，作为输入参数，投入已经训练好的回归器，可直接得到输出参数，作为预估的斑块间的距离。本发明方法不再依赖于固定的标准解相关曲线，利用超声图像的帧内特性来预测其帧间解相关特性。适用于较大距离的预测（1mm至5mm）。所得的距离预估值可用于纠正聚焦超声治疗过程中出现的距离误差，从而保证获得更好的治疗效果。

Description

一种基于超声图像内容实现层间测距的方法

技术领域

本发明涉及一种基于超声图像内容实现层间测距的方法，属于超声图像处理领域。

背景技术

聚焦超声治疗中需要扫描多个不同层面的超声影像，在治疗过程中，需要对超声刀提供精确的引导，目前普遍采用的是超声引导。超声刀焦点的尺寸很小，在治疗的过程中对肿瘤需要采取逐点扫描的方式进行病灶消融。因此，在聚焦超声治疗设备中集成的超声引导探头都采用2D扫描，并且将超声刀焦点固定在与2D引导超声扫描层面相同的平面内，超声刀焦点可以受控在此平面内任意移动，从而完成一个肿瘤层面的逐点消融。在完成一个层面消融后，治疗超声探头与引导超声探头的集合体由步进电机驱动移到下一个治疗平面，继续进行下一个层面的病灶消融。这种治疗扫查模式可以保证既无遗漏也无重复，并且具有良好的可操作性。虽然通过步进电机的控制可以确定扫描与治疗探头组合体的移动距离，但是实际的肿瘤消融层面位置可能由于病人的呼吸以及器官蠕动等造成偏差，通过计算引导超声探头扫描图像内容相关性的方法，可以校正由于上述因素造成的定位偏差，从而保证获更好的治疗效果。

超声斑点的解相关特性为基于图像内容的超声扫描层面定位提供了可能性。标准的解相关曲线提取自符合瑞利散射环境的标准体模，具有稳定的形态，可以由高斯曲线完美地拟合。瑞利散射环境是最为理想的散射环境，此时散射体密度极大，并且散射体位置是随机分布的，所成的斑点称为完全发育的斑点。但是由于真实生物体很难满足理想的瑞利散射条件，因此真实的超声图像中完全发育的斑点极其稀少而且分布不规则，造成了解相关曲线形态的畸变，解相关率下降速度变缓，相关长度延长。相关长度是决定解相关曲线适用距离范围的重要因素，国外目前的研究成果都只有1mm之内的实验数据，这就限制了在聚焦超声治疗中的应用。

发明内容

本发明所要解决的技术问题在于提供一种基于超声图像自身影像内容而不是超声探头的位置记录仪来实现序列图像层间测距的方法。

本发明的一种基于超声图像内容实现层间测距的方法，包含训练过程和测距过程：

训练过程

（1）通过超声探头扫描生物组织来获得已知间距的超声图像集，从每一帧图像中选取两个斑块；

（2）对于每个选取的斑块，记为基本斑块，

a)根据基本斑块像素值解压所得的回波强度值，提取基本斑块所在平面帧内特征；

b)从图像集中分别找出6个斑块，记为对应斑块，这些对应斑块与基本斑块在各自所在图像帧平面内的坐标值相同，与基本斑块的间隔距离分别为0,1,2,3,4,5mm，这样基本斑块和对应斑块组合得到6组斑块；

c)对于每组斑块，计算帧间特征ρ，帧间特征与基本斑块帧内特征一起构成特征向量f，这样对应于基本斑块得到了6组特征向量和6个与之对应的目标值d，d∈{0,1,2,3,4,5}；

（3）对于每一个选取的基本斑块，将其所得的6组特征向量作为输入参数，已知间距d作为输出参数，投入高斯过程回归进行训练，得到训练好的回归器reg；

测距过程

（1）在最大间距小于5mm的生物组织超声图像集中，从两帧待测距图像中分别选取5到10个斑块组成斑块对；

（2）对于选取的每组斑块对，计算斑块对的帧间特征，提取每一个斑块的帧内特征，每一个斑块的帧内特征和帧间特征组成一个特征向量，每一组斑块对有两个特征向量，分别记为f₁和f₂，将这两个特征向量都输入回归器reg，得到两个距离的预测值E_d1，E_d2和方差V_d1，V_d2；E_d1，E_d2基于方差的加权平均作为计算距离；

（3）将选取的所有斑块对的计算距离取算术平均，得到两帧图像间的预估距离。

上文中，所述帧内特征包括回波强度统计矩中的性噪比R及偏度S、灰度共生矩阵中的逆差矩IDM及相关度COR，还有层内横向解相关系数Lateral；而Pearson相关系数ρ则作为唯一的帧间特征。

所述特征向量f＝{帧间特征，帧内特征},帧内特征从参数R、S、IDM、COR、Lateral中选择一个或多个。

本发明方法不依赖于形态固定的标准解相关曲线，而是利用真实生物组织超声图像的帧内解相关特性来预测帧间解相关特性，并利用机器学习训练的方法获得层间距离的预估值，具有很大的灵活性，测距范围扩展到1mm至5mm，所得的距离预估值可用于纠正聚焦超声治疗过程中出现的距离误差，具有很高的临床应用价值。

附图说明

图1为本发明所述提取特征向量过程的示意图。

图2为本发明所述回归器训练过程及测距过程的示意图。

图3为本发明方法相对误差分析。

具体实施方式

以下通过一些具体实施方式来更详细的说明本发明，但本发明并不限定于这些实施例。

所用实验材料分为训练材料与测试材料两部分。训练材料包括2块牛肝和2块牛肉；测试材料包括2块猪肉，2块牛肝和1块牛肉（记为Pork1,Pork2,Beefliver1,Beef liver2,Beef1）。通过步进电机控制超声探头的位移对上述生物组织样本进行序列扫查，每次位移为1mm。由于实验样本是静止的，因此同一序列中相邻两帧图像的间距即可认为是超声探头一次位移的距离，我们将此作为标准距离来与测距结果进行比较。测距范围选取为1mm至5mm。

通过超声探头得到训练所用的2块牛肝和2块牛肉各自的序列扫查图像分别作为一个测试样本，共有4个测试样本。同样得到测试所用的2块猪肉，2块牛肝和1块牛肉各自的序列扫查图像分别作为一个测试样本，共有5个测试样本。训练样本和实验测距样本无交集。

对于每个训练样本，我们采用了91帧图像，每帧图像随机选取2个斑块，每个斑块对有6组特征向量。实验所用超声成像探头采用百胜PA230e相控阵探头，该探头包含128阵元，压电晶片的整体尺寸为22mm×15mm，主频率3.5MHz，增益43%，聚焦深度均位于样本中心。

实验中提取的帧内特征包括：回波强度统计矩中的性噪比R及偏度S灰度共生矩阵中的逆差矩IDM及相关度COR，层内横向解相关系数Lateral；帧间特征只有Pearson相关系数ρ。对帧间特征和帧内特征进行组合得到特征向量，共选取了6种模式的特征组合来进行回归器的训练和测试，特征项量分别为：f＝{ρ}f＝{ρ,IDM,COR}f＝{ρ,R,S}f＝{ρ,R,S,IDM,COR}f＝{ρ,R,S,Lateral}f＝{ρ,R,S,IDM,COR,Lateral}

其中第一组作为对照，只选取了帧间特征ρ。特征向量的选取并不仅限于以上六种模式，对帧间特征参数R、S、IDM、COR、Lateral的选择可根据具体情况的要求，算法的简洁，计算量的大小等因素作出相应的调整和取舍。

Model1:ρ→d

Model2:ρ+IDM,COR→d

Model3:ρ+R+S→d

Model4:ρ+R+S+IDM,COR→d

Model5:ρ+R+S+Lateral→d

Model6:ρ+R+S+IDM,COR+Lateral→d

我们对于每种特征组合重复30次距离预测，在每个标准距离下的测距结果误差统计如下:

不同特征组合的测距结果误差比较（绝对误差）

测距方法稳定性相对误差统计如图3所示（圆圈代表误差均值，条状代表均方差）。

Claims (3)

1.一种基于超声图像内容实现层间测距的方法，其特征在于，包含训练过程和测距过程：

训练过程

(1)通过超声探头扫描生物组织来获得已知间距的超声图像集，从每一帧图像中选取两个斑块；

(2)对于每个选取的斑块，记为基本斑块，

a)根据基本斑块像素值解压所得的回波强度值，提取基本斑块所在平面帧内特征；

b)从图像集中分别找出6个斑块，记为对应斑块，这些对应斑块与基本斑块在各自所在图像帧平面内的坐标值相同，与基本斑块的间隔距离分别为0,1,2,3,4,5，单位为mm，这样基本斑块和对应斑块组合得到6组斑块；

c)对于每组斑块，计算帧间特征ρ，帧间特征与基本斑块帧内特征一起构成特征向量f，这样对应于基本斑块得到了6组特征向量和6个与之对应的间距d，d∈{0,1,2,3,4,5}；

(3)对于每一个选取的基本斑块，将其所得的6组特征向量作为输入参数，已知间距d作为输出参数，投入高斯过程回归进行训练，得到训练好的回归器reg；

测距过程

(1)在最大间距小于5mm的生物组织超声图像集中，从两帧待测距图像中分别选取5到10个斑块组成斑块对；

(2)对于选取的每组斑块对，计算斑块对的帧间特征，提取每一个斑块的帧内特征，每一个斑块的帧内特征和帧间特征组成一个特征向量，每一组斑块对有两个特征向量，分别记为f₁和f₂，将这两个特征向量都输入回归器reg，得到两个距离的预测值E_d1、E_d2和方差V_d1、V_d2；E_d1、E_d2基于方差V_d1、V_d2的加权平均作为计算距离；

(3)将选取的所有斑块对的计算距离取算术平均，得到两帧图像间的预估距离。

2.根据权利要求1所述的方法，其特征在于，所述帧内特征包括回波强度统计矩中的信噪比R及偏度S、灰度共生矩阵中的逆差矩IDM及相关度COR，还有层内横向解相关系数Lateral；而Pearson相关系数ρ则作为唯一的帧间特征。

3.根据权利要求2所述的方法，其特征在于，所述特征向量f＝{帧间特征，帧内特征},帧内特征从参数R、S、IDM、COR、Lateral中选择一个或多个。