CN105956620A - 一种基于稀疏表示的肝脏超声图像识别方法 - Google Patents

Abstract

本发明公开了一种基于稀疏表示的肝脏超声图像识别方法，包括以下步骤：(1)从带有占位性病变区域的肝脏超声图像训练样本中选择感兴趣区域；(2)提取感兴趣区域的灰度共生矩阵纹理比值特征、分形特征、突变率特征；(3)对步骤(2)得到的图像特征利用基于稀疏重建的字典扩展方法构建扩展字典；(4)利用步骤(3)得到的扩展字典构造基于稀疏表示的分类器；(5)将测试样本的图像特征输入分类器进行识别判断，识别出带有占位性病变区域的肝脏超声图像。本发明得到的分类识别准确高，各项指标符合临床诊断范围。

Description

一种基于稀疏表示的肝脏超声图像识别方法

技术领域

本发明涉及超声图像处理的技术领域，特别涉及一种基于稀疏表示的肝脏超声图像识别方法。

背景技术

肝癌在全世界癌症发病率中排名第六，死亡率排名第三。肝脏疾病的早期诊断有利于及早地发现和控制肝癌，提高患者的生存率。超声检查具有无辐射、操作简单、可重复、价格低廉等特点，因此广泛应用于肝脏疾病临床诊断。临床上对肝脏病变超声图像的诊断，都是依靠医生的肉眼观察进行识别，不仅工作量巨大且诊断水平一定程度上取决于医生的经验。因此，借助医学图像处理技术客观定量的提取和分析超声影像特征，实现对肝脏占位性病变的辅助诊断对提高超声诊断的整体水平具有重要意义。

肝脏疾病主要分为肝脏弥漫性病变和肝脏占位性病变，肝脏弥漫性病变表现在整个肝脏表面，而肝脏占位性病变仅仅表现在肝脏表面的一个小区域，因此占位性病变更难识别。不同类型的肝脏占位性病变具有不同的病理结构，在超声图像上具有不同的纹理信息，因此纹理特征在识别中得到广泛应用。然而，仅仅借用普通图像检索技术中已有的纹理特征进行计算是不够的。需要从临床角度出发，紧密结合病理表现分析图像并设计专有特征。

基于稀疏表示的分类器(SRC)是一种新的分类识别方法，在人脸识别中得到了广泛应用。但由于肝脏超声图像含有大量斑点噪声、伪影等固有缺点，以及占位性病变复杂多变，直接使用SRC实现对肝脏占位性病变的分类识别还有一定的难度，目前也未见利用稀疏表示实现肝脏超声图像自动识别的相关研究。

发明内容

为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种基于稀疏表示的肝脏超声图像识别方法，能够实现对肝囊肿、肝血管瘤、肝癌三种肝脏占位性病变的正确分类，而且识别结果准确有效，各项识别指标符合临床诊断范围。

本发明的目的通过以下技术方案实现：

一种基于稀疏表示的肝脏超声图像识别方法，包括以下步骤：

(1)从带有占位性病变区域的肝脏超声图像训练样本中选择感兴趣区域，所述感兴趣区域包括占位性病变区域R₁和正常肝脏区域R₂；所述肝脏超声图像训练样本包括肝囊肿图像样本、肝血管瘤图像样本、肝癌图像样本；

(2)提取步骤(1)得到的感兴趣区域的图像特征，包括以下步骤；

(2-1)提取灰度共生矩阵纹理比值特征：

(2-1-1)分别生成占位性病变区域R₁和正常肝脏区域R₂在0°,45°,90°,135°四个方向上的灰度共生矩阵，计算每个灰度共生矩阵相关、能量、同质性三个纹理特征值；

(2-1-2)对每一纹理特征值计算在0°,45°,90°,135°四个方向的平均值，得到占位性病变区域R₁的相关COR_R₁、能量EN_R₁、同质性Hom_R₁；和正常图像R₂的相关COR_R₂、能量EN_R₂、同质性Hom_R₂；

(2-1-3)求占位性病变区域R₁与正常肝脏区域R₂的对应纹理特征比值，如下式所示：

$g_1=\frac{COR\_R_1}{COR\_R_2}$

$g_2=\frac{EN\_R_1}{EN\_R_2}$

$g_3=\frac{Hom\_R_1}{Hom\_R_2}$

(2-2)提取占位性病变区域R₁中的分形特征，具体包括分形维数FD和孔隙度L(t)；

(2-3)提取占位性病变区域R₁的突变率特征M；

(2-4)将得到的灰度共生矩阵纹理比值特征g₁、g₂、g₃，分形特征FD和L(t)，以及突变率特征组成特征向量f＝[g₁,g₂,g₃,FD,L(t),M]，对特征向量进行归一化处理；

(3)对步骤(2)得到的图像特征利用基于稀疏重建的字典扩展方法构建扩展字典；

(4)利用步骤(3)得到的扩展字典构造基于稀疏表示的分类器；

(5)将测试样本的图像特征输入分类器进行识别判断，识别出带有占位性病变区域的肝脏超声图像。

步骤(1)所述的选择感兴趣区域，具体为：

(1-1)选择占位性病变区域R₁：首先利用基于能量约束的区域增长超声图像自动分割算法，勾勒出病变区域边缘，然后取其外接矩形，将外接矩形区域作为占位性病变区域R₁；

(1-2)选择正常肝脏区域R₂：在占位性病变区域以外用任意大小矩形截取纹理均匀的肝实质区域作为正常肝脏图像R₂。

步骤(2-3)所述提取占位性病变区域R₁的突变率特征M，具体为：

(2-3-1)通过SIFT算法进行SIFT特征点的提取，检测出肝脏超声图像的特征点；

(2-3-2)统计出占位性病变区域R₁内特征点数目a；

(2-3-3)将特征点数目a与步骤(1-1)中得到的外接矩形最长边Len之比,作为特征点分布特征Ｍ，即突变率特征，如下式所示：

M＝a/Len。

步骤(3)所述步骤(2)得到的图像特征利用基于稀疏重建的字典扩展方法构建扩展字典，具体为：

(3-1)初始化：将步骤(2)提取到的训练样本特征作为原子组成初始字典D，D＝[f₁,f₂,…,f_k,…,f_n]；f_k表示第k个训练样本的特征向量；n表示训练样本数目，1≤k≤n；优化的扩展字典D_s＝D，允许最大残差τ，ε为噪声程度，令迭代次数k＝1，；

(3-2)取出字典D中的第k个原子,此时字典D中因不含f_k而成为D^*，求解f_k以D^*为字典时的稀疏系数

$\begin{array}{ccc}\hat{x}=\arg \min \left|\right|x|{|}_1& s.t& \left|\right|f_k-D^{*}x|{|}_2\≤\mathrm{\ϵ}\end{array}$

其中，||·||₁是l₁范数，||·||₂是l₂范数，x为f_k关于字典D^*的系数向量，ε为噪声程度；

(3-3)根据稀疏系数对原子f_k进行稀疏重建：

${\hat{f}}_{kj}=D^{*}*{\mathrm{\δ}}_j\left(\hat{x}\right),j=1,2,...,c$

其中，c表示肝脏病变类别数；所述肝脏病变类别包括肝囊肿、肝血管瘤、肝癌；向量是仅保留在第j类上的系数，其他类的系数均为零，为f_k在第j类上的重建样本；

(3-4)计算f_k与每类训练样本的残差r_j(f_k)：

$r_j\left(f_k\right)=\left|\right|f_k-{\hat{f}}_{kj}|{|}_2,j=1,2,...,c$

(3-5)若最小残差所属于类别与f_k自身类别一致，且最小残差小于阈值τ：

min(r_j(f_k))∈label(f_k)且min(r_j(f_k))＜τ

那么，将重建样本加入字典D_s：

$D_s=\[D_s,{\hat{f}}_{kj}\]$

(3-6)令k＝k+1，如果：

k<＝n

那么返回步骤(3-2)，反之迭代结束，得到优化的扩展字典。

步骤(5)所述将测试样本的图像特征输入分类器进行识别判断，识别出带有占位性病变区域的肝脏超声图像，具体为：

(5-1)采用步骤(1)～(2)的方法对测试样本图像进行处理，得到测试样本图像的特征向量T；

(5-2)利用步骤(3)中得到的扩展字典D_s对T进行分解，求取稀疏系数，如下式所示：

$\begin{array}{ccc}\hat{y}=\arg \min \left|\right|y|{|}_1& s.t& \left|\right|T-D_{s}y|{|}_2\&le;\mathrm{\&epsiv;}\end{array}$

其中，||·||₁是l₁范数，||·||₂是l₂范数，y为T关于字典D_s的系数向量，ε为噪声程度；

(5-3)根据稀疏系数对测试样本特征T进行稀疏重建：

${\hat{T}}_i={D_s}^{*}{\mathrm{\&delta;}}_i\left(\hat{y}\right),i=1,2,...,c$

其中，向量是仅保留在第i类上的系数，其他类的系数均为零，为T在第i类上的重建样本；

(5-4)计算残差：

$r_i\left(T\right)=\left|\right|T-{\hat{T}}_i|{|}_2,i=1,2,...,c$

(5-5)将测试样本T判为残差最小的类，如下式所示：

identity(T)＝arg min_i{r_i(T)}i＝1，2，...，c。

与现有技术相比，本发明具有以下优点和有益效果：

(1)本发明创造性地提出了一种基于稀疏表示的肝脏超声图像识别方法，识别过程自动勾勒出占位性病变区域，无需人工参与，克服了现有识别方法需要手动划定病变区域的不足。

(2)本发明创造性地提出了灰度共生矩阵纹理比值特征。由于超声设备、操作过程等差异，导致超声图像有较大差异，即使同一病患的同一病变区域在不同设备或不同操作者下得到的超声图像也不同，使得灰度共生矩阵纹理特征值等特征变化较大。灰度共生矩阵纹理比值特征可以消除上述因素导致的差异，从而避免误判。

(3)本发明针对肝囊肿、肝血管瘤、肝癌三类肝脏占位性病变的病理特征及其在超声上的不同表现，创造性地提出了一种新特征——突变率特征。该特征通过计算病变区域内特征点分布状况，有效地反映病变区域内部局部信息，具有很好的识别能力。

(4)本发明创造性地提出了一种简单、有效的基于稀疏重建的字典扩展方法(DESR)。现有的基于稀疏表示的分类器在构造字典时直接提取训练样本特征，字典的冗余性和内部结构得不到保证，影响识别准确率。本发明提出的DESR方法不仅能够在训练样本有限的情况下保证字典的冗余性，而且能够优化字典内部结构，使得字典类内原子差异较小，类间原子差异较大，显著地提高了分类识别准确率。

附图说明

图1为本发明的实施例的基于稀疏表示的肝脏超声图像识别方法的工作流程图。

具体实施方式

下面结合实施例，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例

如图1所示，一种基于稀疏表示的肝脏超声图像识别方法，包括以下步骤：

(1)从带有占位性病变区域的肝脏超声图像训练样本中选择感兴趣区域，所述感兴趣区域包括占位性病变区域R₁和正常肝脏区域R₂；所述肝脏超声图像训练样本包括肝囊肿图像样本、肝血管瘤图像样本、肝癌图像样本，具体包括以下步骤：

(1-1)选择占位性病变区域R₁：首先利用基于能量约束的区域增长超声图像自动分割算法，勾勒出病变区域边缘，然后取其外接矩形，将外接矩形区域作为占位性病变区域R₁；

感兴趣区域ROI(region of interest)是指从图像中选择的一个区域，该区域是图像分析所关注的重点。对肝脏占位性病变超声图像进行识别，重点关注和分析的对象是病变区域，因此需要将该区域从超声图像中提取出来。本实施例利用基于能量约束的区域增长超声图像自动分割算法(申请号：201510212533.0，公开号：104915950A)对超声图像进行自动分割，勾勒出病变区域边缘，然后在病变边缘取外接矩形框，将病变区域包含在内。将该矩形区域选择出的图像作为占位性病变区域R₁。

(1-2)选择正常肝脏区域R₂：在占位性病变区域以外用任意大小矩形截取纹理均匀的肝实质区域作为正常肝脏图像R₂；

在超声诊断中常用的诊断依据有：强回身、低回声、无回声等，但是无论是强回身还是低回声，都需要以同一幅图像上的正常肝脏区域为参照。此外，不同设备仪器所成超声图像也存在较明显差异，即使是同一超声设备仪器，不同操作者甚至是同一操作者在不同时间所获得的图像也不尽相同，因此一些超声图像特征的“绝对数值”不具有可比性。

为减小上述客观原因所造成的差异，本实施例提取超声图像中正常区域，作为对同一幅超声图像中病变区域的参考。在病变区域以外用任意大小矩形区域截取纹理较均匀、超声表现为中等回声细小光点的肝实质区域作为正常肝脏图像R₂。在截取正常区域时需要避开血管、斑点噪声等干扰物。

(2)提取步骤(1)得到的感兴趣区域的图像特征，包括以下步骤；

(2-1)提取灰度共生矩阵纹理比值特征：

灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)是图像纹理分析中的重要方法，在超声图像识别中也具有较好的效果。不同超声设备仪器或不同操作者所成超声图像存在较明显差异，使得灰度共生矩阵纹理特征值的“绝对数值”无可比性，为消除该因素的影响，并能对在不同超声设备上得到的超声图像进行分类，本实施例采用病变区域与正常区域的灰度共生矩阵纹理比值作为特征。具体步骤如下：

(2-1-1)分别生成占位性病变区域R₁和正常肝脏区域R₂在0°,45°,90°,135°四个方向上的灰度共生矩阵，计算每个灰度共生矩阵相关、能量、同质性三个纹理特征值；

(2-1-2)对每一纹理特征值计算在0°,45°,90°,135°四个方向的平均值，得到占位性病变区域R₁的相关COR_R₁、能量EN_R₁、同质性Hom_R₁；和正常图像R₂的相关COR_R₂、能量EN_R₂、同质性Hom_R₂；

(2-1-3)求占位性病变区域R₁与正常肝脏区域R₂的对应纹理特征比值，如下式所示：

$g_1=\frac{COR\_R_1}{COR\_R_2}$

$g_2=\frac{EN\_R_1}{EN\_R_2}$

$g_3=\frac{Hom\_R_1}{Hom\_R_2}$

(2-2)提取占位性病变区域R₁中的分形特征，具体包括分形维数FD和孔隙度L(t)；

分形维数是衡量图像表面复杂程度的参量，在图像的不同尺度、不同分辨率上基本是相同的。这和人眼视觉图像不规则程度的感知是相符合的，即不规则的图像，一般有较大的分维值；均匀的图像，分维值一般比较小。三种肝脏占位性病变超声图像病变区域表面复杂程度不一样，肝囊肿内是清亮的囊液，病变区域超声表现较均匀，血管瘤是血管纠结成团因此超声表现较复杂，肝癌病理表现多样化因此超声表现复杂程度波动较大。利用分形维数可以定量表示超声图像病变区域表面复杂程度。

本实施例中采用Sarkar等人[Sarkar N,Chaudhuri B B.An efficient differentialbox-counting approach to compute fractal dimension of image[J].IEEE Transactionson Systems Man&Cybernetics,1994,24(1):115-120]提出的差分盒计数估计分维特征，该方法的原理是：将大小为W*W个像素的图像分割成个大小为s*s的网格，其中表示取整，W/2≥s>1，s为整数。设比率r＝s/W，在每个网格上用尺寸为s*s*s′的多个盒子(s′为盒子的高)堆积成一个盒柱。如果图像的最大灰度为G，则s′的值可通过求得。由下而上依次将盒子从1开始编号，让第(k,m)个网格中图像最小和最大灰度分别落在盒号为u和l中，则n_r(k,m)＝l-u+1就是第(k,m)网格对总盒数N_r的贡献(即与图像亮度表面相交的盒数)。取所有网格中与图像亮度表相交的盒数，有:

$N_r=\underset{k,m}{\&Sigma;}{n}_r(k,m)$

针对不同的r计算N_r值，那么可以从ln(N_r)对ln(r)的最小平方线性拟合中估计分维FD，本实施例中s取1、2、3、……、W，W表示图像最大尺寸，可以根据实际图像需要选取s大小。

然而，分形维数并不能唯一确定图像，因为不同纹理或外观的图像可能具有相同或相近的分维值。孔隙度是衡量图像粗糙程度的参量，一般来说孔隙度值大的图像纹理间隙较大或比较粗糙。借助孔隙度的概念可进一步对分形维数相近的图像从图像粗糙程度进行区分。

本实施例中采用Allain等人[Allain C,Cloitre M.Characterizing the Lacunarityof Random and Deterministic Fractal Sets[J].Physical Review A,1991,44(6):3552-3558]提出的滑动盒方法计算孔隙度。具体方法为：将大小为W*W个像素的图像用大小为t*t(本实施例中t＝2，可以根据实际图像需要选取t大小)的滑动盒从图像的左上角开始，依次按从左到右从上到下的顺序依次覆盖该图像，直到滑动盒移到该图的右下角。在此过程中，盒子每次覆盖的图像块中所有像素的灰度累加值称为盒子的质量，定义边长t质量为Q滑动盒数目为n(Q,t),记n(Q,t)与边长为t的滑动盒的总数目的比值为概率P(Q,t)，记边长为t的盒的孔隙度值为L(t)。那么边长为t的盒子的孔隙度值计算公式如下：

$L\left(t\right)=\frac{{\mathrm{\&Sigma;}}_Q{Q}^{2}P(Q,t)}{{\&lsqb;{\mathrm{\&Sigma;}}_{Q}QP(Q,t)\&rsqb;}^2}$

(2-3)提取占位性病变区域R₁的突变率特征M，

灰度共生矩阵特征和分形特征都是传统特征，本发明针对肝脏占位性病变在超声图像上的不同表现，提出了一种新的纹理特征——突变率。

特征点是指图像中那些与周围邻域内足够多的像素点相差较大的像素点，往往是图像中的极值点。特征点具有良好的局部性、独特性和尺度不变性。

从超声图像上看，肝囊肿内是清亮的囊液，在超声图像上表现为无回声暗区，因此肝囊肿病灶区域在超声图像上表现均匀极少有特征点分布。肝血管瘤内充满血细胞、机化的血栓、血管等，结构表现较为复杂，因此血管瘤内部会有多种形式的回声表现，能检测到较多的特征点。肝癌超声图像病灶区域内部多呈不均匀的混合回声，这种不均匀性使得超声图像中的病灶区域内能检测到一些特征点。结合上述占位性病变超声表现，三类不同肝脏占位性病变区域内特征点分布密度有明显差异。

由于病变区域大小不一样，单依靠病变区域内特征点总数目无法实现对病变的区分，因此本发明提出了突变率这个特征用以衡量病变区域内特征点的分布密度。该特征能够有效地表征病变区域内结构的复杂程度，具有较强的表征肝脏超声图像纹理信息的能力。计算突变率的具体方法如下：

(2-3-1)通过SIFT算法进行SIFT特征点的提取，检测出肝脏超声图像的特征点；

SIFT算法是D.G.Lowe在1999年发表的文献《Object Recognition from LocalScale-invariant Features》中提出，2004年他在文献《Distinctive Image Features fromScale-Invariant Keypoints》中进行完善总结。该算法在空间尺度中寻找极值点，进而提取出SIFT特征点和描述算子，所提取出的SIFT特征点和描述算子可以反映图像的局部特征，对图像旋转、尺度缩放和亮度变化具有不变性。本发明将SIFT算法用于肝脏超声图像，以寻找出图像中与周围像素差异较大的像素点。

(2-3-2)统计出占位性病变区域R₁内特征点数目a；

(2-3-3)将特征点数目a与步骤(1-1)中得到的外接矩形最长边Len之比,作为特征点分布特征，即突变率特征，如下式所示：

M＝a/Len；

(2-4)将得到的灰度共生矩阵纹理比值特征g₁、g₂、g₃，分形特征FD和L(t)，以及突变率特征组成特征向量f＝[g₁,g₂,g₃,FD,L(t),M]，对特征向量进行归一化处理：

(3)对步骤(2)得到的图像特征利用基于稀疏重建的字典扩展方法构建扩展字典：

稀疏表示的本质就是将图像用预先定义的冗余字典中的原子图像线性组合。冗余字典的好坏将决定稀疏表示的好坏，以至于决定了最后的分类效果，因此构建一个优异的冗余字典是十分必要的。

传统的SRC字典构建是直接提取训练样本特征作为原子，这样虽然简单，但是为确保字典的冗余性，需要较多的训练样本以确保样本数目远大于特征维数。然而实际中常常面临训练样本不充足的问题。另一方面，好的字典应该具有紧凑的内部结构，即每一类原子之间尽量相似，而不同类原子之间差异较大，这样才能保证用冗余字典表示测试样本时类内重建误差小而类间重构误差大，识别更准确。

由于肝脏占位性病变在超声图像上表现复杂多样，同类病变在形状、纹理表现上有一定的差异，而不同类型的病变也有一定的相似性，这导致直接提取训练样本特征构建的字典内部结构不够紧凑，对测试样本进行稀疏表示时不能达到理想的稀疏重建效果，进而影响最终的分类识别效果。

针对上述基于稀疏表示的分类器存在的不足，本发明提出了基于稀疏重建的字典扩展(DESR)方法。

在直接提取训练样本特征得到初始化字典后，为确保字典的冗余性及良好的识别能力，需要对初始字典进行扩充及优化。扩充是为了增加字典原子数目，使得字典原子数目远大于特征维数，得到过完备的字典，保证字典的冗余性。优化是使得字典具有紧凑的内部结构保证良好的识别能力。具有紧凑内部结构的字典不仅对单个测试样本能取得好的分类效果，而且对字典中所有的原子也具有良好的识别能力。本发明提出的DESR方法有效地解决了上述两个问题。具体步骤如下：

(3-1)初始化：将步骤(2)提取到的训练样本特征作为原子组成初始字典D，D＝[f₁,f₂,…,f_k,…,f_n]；f_k表示第k个训练样本的特征向量；n表示训练样本数目，1≤k≤n；优化的扩展字典D_s＝D，允许最大残差τ，ε为噪声程度，令迭代次数k＝1；

(3-2)取出字典D中的第k个原子,此时字典D中因不含f_k而成为D^*，求解f_k以D^*为字典时的稀疏系数

$\begin{array}{ccc}\hat{x}=\arg \min \left|\right|x|{|}_1& s.t& \left|\right|f_k-D^{*}x|{|}_2\&le;\mathrm{\&epsiv;}\end{array}$

其中，||·||₁是l₁范数，||·||₂是l₂范数，x为f_k关于字典D^*的系数向量，ε为噪声程度；

(3-3)根据稀疏系数对原子f_k进行稀疏重建：

${\hat{f}}_{kj}=D^{*}*{\mathrm{\&delta;}}_j\left(\hat{x}\right),j=1,2,...,c$

其中，c表示肝脏病变类别数；所述肝脏病变类别包括肝囊肿、肝血管瘤、肝癌；向量是仅保留在第j类上的系数，其他类的系数均为零，为f_k在第j类上的重建样本；

(3-4)计算f_k与每类训练样本的残差r_j(f_k)：

$r_j\left(f_k\right)=\left|\right|f_k-{\hat{f}}_{kj}|{|}_2,j=1,2,...,c$

(3-5)若最小残差所属于类别与f_k自身类别一致，且最小残差小于阈值τ：

min(r_j(f_k))∈label(f_k)且min(r_j(f_k))<τ

那么，将重建样本加入字典D_s：

$D_s=\&lsqb;D_s,{\hat{f}}_{kj}\&rsqb;$

(3-6)令k＝k+1，如果：

k<＝n

那么返回步骤(3-2)，反之迭代结束，得到优化的扩展字典。

(4)利用步骤(3)得到的扩展字典构造基于稀疏表示的分类器；

(5)将测试样本的图像特征输入分类器进行识别判断，识别出带有占位性病变区域的肝脏超声图像，具体为：

(5-1)采用步骤(1)～(2)的方法对测试样本图像进行处理，得到测试样本图像的特征向量T；

(5-2)利用步骤(3)中得到的扩展字典D_s对T进行分解，求取稀疏系数如下式所示：

$\begin{array}{ccc}\hat{y}=\arg \min \left|\right|y|{|}_1& s.t& \left|\right|T-D_{s}y|{|}_2\&le;\mathrm{\&epsiv;}\end{array}$

其中，||·||₁是l₁范数，||·||₂是l₂范数，y为T关于字典D_s的系数向量，ε为噪声程度；

(5-3)根据稀疏系数对测试样本特征T进行稀疏重建：

${\hat{T}}_i={D_s}^{*}{\mathrm{\&delta;}}_i\left(\hat{y}\right),i=1,2,...,c$

其中，向量是仅保留在第i类上的系数，其他类的系数均为零，为T在第i类上的重建样本；

(5-4)计算残差：

$r_i\left(T\right)=\left|\right|T-{\hat{T}}_i|{|}_2,i=1,2,...,c$

(5-5)将测试样本T判为残差最小的类，如下式所示：

identity(T)＝arg min_i{r_i(T)}i＝1，2，...，c。

为验证本发明的正确性和有效性，做了以下实验：

实验中使用Matlab对本实验进行实现。实验是基于108张肝脏占位性病变超声图像(肝血管瘤、肝囊肿、肝癌各36张)来验证的。肝脏占位性病变超声图像在经过图像分割后，选择病变区域和正常区域两个感兴趣区域，并提取灰度共生矩阵纹理比值特征3维特征、病变区域的分形维数和孔隙度2维分形特征、突变率特征，每个样本实例一共可提取出6维特征。对所有样本提取特征后，使用留一法交叉验证进行算法评估：从n个样本中随机取出一个样本作为测试样本，其余n-1个样本作为训练集设计分类器，用取出的那个样本测试；一共重复n次，则所有n个样本均被测试。

釆用5个基于统计信息的指标评价分类器性能，分别是准确率、敏感性、特异性、阳性预测率和阴性预测率，它们也是临床诊断中常用指标。其中，准确率表示在所有样本中被正确分类的样本占总样本的比例；敏感性是正样本被正确分类的样本占正样本的比例；特异性是负样本中被正确分类的样本占负样本的比例；阳性预测率是表示预测的全部正样本中，真正的正样本所占的比例；阴性预测率是指预测的全部负样本中，真正的负样本所占的比例。定义分别如下：

$ACC=\frac{TP+TN}{TP+FN+FP+TN}$

$SEN=\frac{TP}{TP+FN}$

$SPE=\frac{TN}{FP+TN}$

$PPV=\frac{TP}{TP+FP}$

$NPV=\frac{TN}{TN+FN}$

其中TP(True Positive)表示真阳性，即正样本被正确识别的数目；FN(FalseNegative)表示假阴性，即正样本被错误识别为负样本的数目；FP(False Positive)表示假阳性,即负样本被错误识别为正样本的数目；TN(True Negative)表示真阴性，即负样本被正确识别的数目。

下表给出了实验结果各项指标的平均值，各指标都在98％以上，充分说明了本发明的正确性和有效性。

ACC	SEN	SPE	PPV	NPV
					98.76％	98.15％	99.07％	98.17％	99.08％

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.一种基于稀疏表示的肝脏超声图像识别方法，其特征在于，包括以下步骤：

(1)从带有占位性病变区域的肝脏超声图像训练样本中选择感兴趣区域，所述感兴趣区域包括占位性病变区域R₁和正常肝脏区域R₂；所述肝脏超声图像训练样本包括肝囊肿图像样本、肝血管瘤图像样本、肝癌图像样本；

(2)提取步骤(1)得到的感兴趣区域的图像特征，包括以下步骤；

(2-1)提取灰度共生矩阵纹理比值特征：

(2-1-1)分别生成占位性病变区域R₁和正常肝脏区域R₂在0°,45°,90°,135°四个方向上的灰度共生矩阵，计算每个灰度共生矩阵相关、能量、同质性三个纹理特征值；

(2-1-2)对每一纹理特征值计算在0°,45°,90°,135°四个方向的平均值，得到占位性病变区域R₁的相关COR_R₁、能量EN_R₁、同质性Hom_R₁；和正常图像R₂的相关COR_R₂、能量EN_R₂、同质性Hom_R₂；

(2-1-3)求占位性病变区域R₁与正常肝脏区域R₂的对应纹理特征比值，如下式所示：

$g_1=\frac{COR\_R_1}{COR\_R_2}$

$g_2=\frac{EN\_R_1}{EN\_R_2}$

$g_3=\frac{Hom\_R_1}{Hom\_R_2}$

(2-2)提取占位性病变区域R₁中的分形特征，具体包括分形维数FD和孔隙度L(t)；

(2-3)提取占位性病变区域R₁的突变率特征M；

(2-4)将得到的灰度共生矩阵纹理比值特征g₁、g₂、g₃，分形特征FD和L(t)，以及突变率特征组成特征向量f＝[g₁,g₂,g₃,FD,L(t),M]，对特征向量进行归一化处理；

(3)对步骤(2)得到的图像特征利用基于稀疏重建的字典扩展方法构建扩展字典；

(4)利用步骤(3)得到的扩展字典构造基于稀疏表示的分类器；

(5)将测试样本的图像特征输入分类器进行识别判断，识别出带有占位性病变区域的肝脏超声图像。

2.根据权利要求1所述的基于稀疏表示的肝脏超声图像识别方法，其特征在于，步骤(1)所述的选择感兴趣区域，具体为：

(1-1)选择占位性病变区域R₁：首先利用基于能量约束的区域增长超声图像自动分割算法，勾勒出病变区域边缘，然后取其外接矩形，将外接矩形区域作为占位性病变区域R₁；

(1-2)选择正常肝脏区域R₂：在占位性病变区域以外用任意大小矩形截取纹理均匀的肝实质区域作为正常肝脏图像R₂。

3.根据权利要求2所述的基于稀疏表示的肝脏超声图像识别方法，其特征在于，步骤(2-3)所述提取占位性病变区域R₁的突变率特征M，具体为：

(2-3-1)通过SIFT算法进行SIFT特征点的提取，检测出肝脏超声图像的特征点；

(2-3-2)统计出占位性病变区域R₁内特征点数目a；

(2-3-3)将特征点数目a与步骤(1-1)中得到的外接矩形最长边Len之比,作为特征点分布特征M，即突变率特征，如下式所示：

M＝a/Len。

4.根据权利要求1所述的基于稀疏表示的肝脏超声图像识别方法，其特征在于，步骤(3)所述步骤(2)得到的图像特征利用基于稀疏重建的字典扩展方法构建扩展字典，具体为：

(3-1)初始化：将步骤(2)提取到的训练样本特征作为原子组成初始字典D，D＝[f₁,f₂,…,f_k,…,f_n]；f_k表示第k个训练样本的特征向量；n表示训练样本数目，1≤k≤n；优化的扩展字典D_s＝D，允许最大残差τ，ε为噪声程度，令迭代次数k＝1，；

(3-2)取出字典D中的第k个原子,此时字典D中因不含f_k而成为D^*，求解f_k以D^*为字典时的稀疏系数

$\begin{array}{ccc}\hat{x}=\arg \min \left|\right|x|{|}_1& s.t& \left|\right|f_k-D^{*}x|{|}_2\&le;\mathrm{\&epsiv;}\end{array}$

其中，||·||₁是l₁范数，||·||₂是l₂范数，x为f_k关于字典D^*的系数向量，ε为噪声程度；

(3-3)根据稀疏系数对原子f_k进行稀疏重建：

$\begin{array}{cc}{\hat{f}}_{kj}=D^{*}*{\mathrm{\&delta;}}_j\left(\hat{x}\right)& j=1,2,...,c\end{array}$

其中，c表示肝脏病变类别数；所述肝脏病变类别包括肝囊肿、肝血管瘤、肝癌；向量是仅保留在第j类上的系数，其他类的系数均为零，为f_k在第j类上的重建样本；

(3-4)计算f_k与每类训练样本的残差r_j(f_k)：

$\begin{array}{cc}{r}_j\left(f_k\right)=\left|\right|f_k-{\hat{f}}_{kj}|{|}_2& j=1,2,...,c\end{array}$

(3-5)若最小残差所属于类别与f_k自身类别一致，且最小残差小于阈值τ：

min(r_j(f_k))∈label(f_k)且min(r_j(f_k))<τ

那么，将重建样本加入字典D_s：

$D_s=\&lsqb;D_s,{\hat{f}}_{kj}\&rsqb;$

(3-6)令k＝k+1，如果：

k<＝n

那么返回步骤(3-2)，反之迭代结束，得到优化的扩展字典。

5.根据权利要求1所述的基于稀疏表示的肝脏超声图像识别方法，其特征在于，步骤(5)所述将测试样本的图像特征输入分类器进行识别判断，识别出带有占位性病变区域的肝脏超声图像，具体为：

(5-1)采用步骤(1)～(2)的方法对测试样本图像进行处理，得到测试样本图像的特征向量T；

(5-2)利用步骤(3)中得到的扩展字典D_s对T进行分解，求取稀疏系数如下式所示：

$\begin{array}{ccc}\hat{y}=\arg \min \left|\right|y|{|}_1& s.t& \left|\right|T-D_{s}y|{|}_2\&le;\mathrm{\&epsiv;}\end{array}$

其中，||·||₁是l₁范数，||·||₂是l₂范数，y为T关于字典D_s的系数向量，ε为噪声程度；

(5-3)根据稀疏系数对测试样本特征T进行稀疏重建：

$\begin{array}{cc}{\hat{T}}_i={D_s}^{*}{\mathrm{\&delta;}}_i\left(\hat{y}\right)& i=1,2,...,c\end{array}$

其中，向量是仅保留在第i类上的系数，其他类的系数均为零，为T在第i类上的重建样本；

(5-4)计算残差：

$\begin{array}{cc}{r}_i\left(T\right)=\left|\right|T-{\hat{T}}_i|{|}_2& i=1,2,...,c\end{array}$

(5-5)将测试样本T判为残差最小的类，如下式所示：

identity(T)＝argmin_i{r_i(T)} i＝1,2,…,c。