CN107346541B - 一种基于超声射频时间序列小波分析的组织定征方法 - Google Patents

一种基于超声射频时间序列小波分析的组织定征方法 Download PDF

Info

Publication number
CN107346541B
CN107346541B CN201710406283.3A CN201710406283A CN107346541B CN 107346541 B CN107346541 B CN 107346541B CN 201710406283 A CN201710406283 A CN 201710406283A CN 107346541 B CN107346541 B CN 107346541B
Authority
CN
China
Prior art keywords
frequency coefficient
coefficient sequence
decomposition
ultrasonic
low
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201710406283.3A
Other languages
English (en)
Other versions
CN107346541A (zh
Inventor
林春漪
邹波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201710406283.3A priority Critical patent/CN107346541B/zh
Publication of CN107346541A publication Critical patent/CN107346541A/zh
Application granted granted Critical
Publication of CN107346541B publication Critical patent/CN107346541B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0825—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the breast, e.g. mammography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30068—Mammography; Breast

Abstract

本发明公开了一种基于超声射频时间序列小波分析的组织定征方法，该方法首先采集组织的多帧超声回波RF信号；对感兴趣区内的每一点取其前N帧超声回波RF信号构建超声RF时间序列；然后对超声RF时间序列进行M层小波分解，提取小波分解后产生的高频系数序列和低频系数序列的统计特征、熵特征在ROI的平均值作为特征；利用Relief‑F算法计算每个特征的权重，选取前K个权重最高的特征作为特征向量输入到分类器进行组织的识别，从而实现组织的定征。本发明可广泛应用于超声组织定征领域。

Description

一种基于超声射频时间序列小波分析的组织定征方法
技术领域
本发明涉及超声组织定征技术领域，特别涉及一种基于超声射频时间序列小波分析的组织定征方法。
背景技术
超声组织定征是一种探讨组织特性与声特性(诸如背散射、衰减、声速等)相互关系从而确定组织性质的研究方法。由于这些声特性由组织的微结构决定，因此超声组织定征是定量测量组织微结构的有效手段。目前，超声组织定征方法主要有基于B超图像的组织定征方法、基于单帧背散射回波RF信号的组织定征方法和基于超声RF时间序列分析的组织定征方法。
基于B超图像的组织定征方法主要提取B超图像的形态特征和纹理特征，然后利用分类器的分类准确率对分类效果进行评价。这类方法由于使用了超声图像灰度，易受超声诊断仪的型号、时间增益补偿的调整等成像参数的影响。
基于单帧背散射回波RF信号的组织定征方法主要利用组织对超声回波的衰减特性来实现组织定征。具体做法是利用超声仪器获取一帧超声回波RF信号，选取ROI，对ROI内的声束逐条进行频谱分析，提取谱参数，将谱参数作为特征利用分类器对组织进行分类。此类方法提取的特征受超声传播路径的影响需要深度衰减补偿，这些因素影响了定征精度的可靠性，因此鲜有应用于临床诊断。
基于超声RF时间序列分析的组织定征方法通过提取超声RF时间序列的频域特征来实现组织定征。由于超声RF时间序列来源于同一位置同一深度的超声回波RF信号，因此基于超声RF时间序列的分析方法避免了前述两种方法的缺陷，已有研究表明基于超声RF时间序列分析的组织定征方法比前两种组织定征方法的定征精度更高。
以往对RF信号的处理和分析方法仅仅在频域对信号进行分析，不能充分挖掘RF信号蕴含的组织微结构信息。而小波分析因为具有多分辨率分析的特点，在时域和频域都有表征信号局部信息的能力，时间窗和频率窗都可以根据信号的具体形态动态调整。一般情况下，在低频部分(信号较平稳)可以采用较低的时间分辨率，而提高频率的分辨率；在高频情况下可以用较低的频率分辨率来换取精确的时间定位。因此小波分析可以探测正常信号中的瞬态成分，并展示其频率成分，被称为数学显微镜，广泛应用于各个时频分析领域。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种基于超声射频时间序列小波分析的组织定征方法，结合小波分解可以在时频域对信号进行多分辨率的分析，可以充分挖掘超声RF时间序列蕴含的组织微结构信息。
本发明的目的通过以下的技术方案实现：一种基于超声射频时间序列小波分析的组织定征方法，包括以下步骤：
S1、使用超声探头扫描组织，采集多帧超声回波RF信号；
S2、对任意一帧超声回波RF信号进行解调并显示B型图；
S3、在B型图上选取大小a×b的ROI(regionofinterest，感兴趣区)；
S4、ROI内的每一点取其前N帧超声回波RF信号形成a×b个长度为N的超声RF时间序列；
S5、a×b个超声RF时间序列进行M层小波分解；
S6、提取超声RF时间序列经小波分解后产生的高频系数序列和低频系数序列的统计特征、熵特征在ROI的平均值作为特征；
S7、选取K个特征作为特征向量；
S8、将特征向量输入到分类器分类；
S9、根据分类器的分类准确率评价识别结果。
优选的，步骤S6中，提取超声RF时间序列经小波分解后产生的高频系数序列和低频系数序列的统计特征的方法如下：
统计特征包括最小值min、最大值max、均值mean、标准差std、中值median、均方根值rms和平均绝对值mav；
具体每个特征的计算步骤如下：
S6-1-1设N点超声RF时间序列为{x(n):1≤n≤N}，经M层小波分解后，在第j分解尺度下k时刻的高频系数序列为
Figure BDA0001311010220000031
低频系数序列为
Figure BDA0001311010220000032
其中j＝1,2,…M，Lj为第j分解尺度下高频系数序列和低频系数序列长度，Lj为确定值，不同分解尺度下Lj不同；
S6-1-2最小值min：第j分解尺度下高频系数序列最小值：
Figure BDA0001311010220000033
第j分解尺度下低频系数序列最小值：
S6-1-3最大值max：第j分解尺度下高频系数序列最大值：
Figure BDA0001311010220000035
第j分解尺度下低频系数序列最大值：
Figure BDA0001311010220000036
S6-1-4均值mean：第j分解尺度下高频系数序列均值：
Figure BDA0001311010220000037
第j分解尺度下低频系数序列均值：
Figure BDA0001311010220000038
S6-1-5标准差std：第j分解尺度下高频系数序列标准差：
Figure BDA0001311010220000039
第j分解尺度下低频系数序列标准差：
Figure BDA00013110102200000310
S6-1-6中值median：将第j分解尺度下高频系数序列
Figure BDA00013110102200000311
按照从小到大排序为
Figure BDA00013110102200000312
则第j分解尺度下高频系数序列中值：
Figure BDA00013110102200000313
第j分解尺度下低频系数序列
Figure BDA00013110102200000314
按照从小到大排序为
Figure BDA00013110102200000315
则第j分解尺度下低频系数序列中值：
Figure BDA0001311010220000041
其中[x]表示不超过x的最大整数；
S6-1-7均方根值rms：第j分解尺度下高频系数序列均方根值：
Figure BDA0001311010220000042
第j分解尺度下低频系数序列均方根值：
S6-1-8平均绝对值mav：第j分解尺度下高频系数序列平均绝对值：
Figure BDA0001311010220000044
第j分解尺度下低频系序列平均绝对值：
Figure BDA0001311010220000045
S6-1-9计算在每个分解尺度下a×b个高频系数序列和低频系数序列的最小值Dj_min、Aj_min，最大值Dj_max、Aj_max，均值Dj_mean、Aj_mean，标准差Dj_std、Aj_std，中值Dj_median、Aj_median，均方根值Dj_rms、Aj_rms，平均绝对值Dj_mav、Aj_mav在ROI的平均，即可得该组织样本在每个分解尺度下的统计特征。
优选的，步骤S6中，提取超声RF时间序列经小波分解后产生的高频系数序列和低频系数序列的熵特征的方法如下：
熵特征包括模糊熵FuzzyEnropy和小波熵W，具体模糊熵FuzzyEnropy和小波熵W的计算步骤如下：
S6-2-1模糊熵FuzzyEnropy：设一个时间序列表示为{x(i)(1≤i≤N)}，按照{x(i)(1≤i≤N)}原来顺序重新生成一组m维的向量：
Figure BDA0001311010220000046
其中
Figure BDA0001311010220000047
N为时间序列长度；
S6-2-2计算向量与
Figure BDA0001311010220000049
间的距离
Figure BDA00013110102200000410
公式如下：
S6-2-3定义
Figure BDA00013110102200000412
与
Figure BDA00013110102200000413
相似度
Figure BDA00013110102200000414
为：
Figure BDA00013110102200000415
S6-2-4定义函数
Figure BDA0001311010220000052
S6-2-5重复(6-2-1)～(6-2-4)生成一组m+1维的新向量并计算
Figure BDA0001311010220000053
S6-2-6计算模糊熵FuzzyEnropy(m,n,r,N)
Figure BDA0001311010220000054
S6-2-7按照步骤S6-2-1～S6-2-6计算在每个分解尺度下a×b个高频系数序列和低频系数序列的模糊熵FuzzyEntropy在ROI的平均即可得在每个分解尺度下高频系数和低频系数的模糊熵特征；
S6-2-8小波熵W：设N点超声RF时间序列为{x(n):1≤n≤N}，经M层小波分解后，在第j分解尺度下k时刻的高频系数序列为
Figure BDA0001311010220000055
低频系数序列为
Figure BDA0001311010220000056
其中j＝1,2,…M，Lj为第j分解尺度下高频系数序列和低频系数序列长度；
S6-2-9尺度为j时高频系数序列的能量：
Figure BDA0001311010220000057
低频系数序列的能量：
Figure BDA0001311010220000058
总能量：
S6-2-10尺度为M时低频系数序列的相对能量：尺度为j时高频系数序列的相对能量：
Figure BDA00013110102200000511
S6-2-11小波熵W的计算公式如下：
Figure BDA00013110102200000512
S6-2-12计算a×b个超声RF时间序列经M层小波分解后的小波熵W在ROI的平均即可得该组织样本的小波熵特征。
优选的，步骤S5中采用基于Mallat算法的小波分解，小波基选择Db4小波，分解层数为4，可以得到4个高频频系数序列D1～D4和4个低频系数序列A1～A4。
优选的，步骤S7中利用Relief-F算法计算每个特征权重，并选取前K个权重最高的特征作为特征向量。
具体的，利用Relief-F函数对所有特征进行特征权重计算，并选取前11个特征权重最高的特征作为特征向量。
优选的，步骤S8中所采用的分类器为随机森林。
具体的，随机森林的参数设置为：树的数目为300，每棵树的深度为6，迭代次数150次，每个节点可选择的特征数为特征向量个数的平方根值。
本发明与现有技术相比，具有如下优点和有益效果：
1.本发明基于超声RF时间序列，超声RF时间序列来源于同一位置同一深度的超声回波RF信号，因此基于超声RF时间序列的分析方法不易受超声仪器成像参数和声传播路径差异的影响，具有很好的鲁棒性。
2.本发明对超声RF时间序列进行了小波分解处理，可以对超声RF时间序列同时在时域和频域进行多分辨率分析，相比传统的频域分析可以获取更多关于超声RF时间序列的信息，同时由于超声RF时间序列是非平稳信号，传统的频域分析适合于平稳信号，而小波分析特别适合于非平稳信号的分析。
3.本发明从统计和熵两个角度对超声RF时间序列经小波分解后形成的高频系数序列和低频系数序列进行特征提取，结合小波分解可以在时频域对信号进行多分辨率的分析，可以充分挖掘超声RF时间序列蕴含的组织微结构信息。
4.本发明利用Relief-F算法可以从特征集中选取最优特征，不仅可以快速进行特征选择，而且可有效提高分类准确率。
5.本发明所基于的超声RF时间序列可在常规超声仪器中获取，无需增加额外的硬件开销和成本。
附图说明
图1是实施例1方法的流程图；
图2是实施例2中女性乳腺组织B超图；
图3是实施例2中基于Mallat算法4层小波分解结构图；
图4是实施例2中Relief-F算法计算的所有特征权重柱形图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
一种基于超声射频时间序列小波分析的组织定征方法，如图1，包括以下步骤：
S1、使用常规超声探头扫描组织，采集多帧超声回波RF信号；
S2、对任意一帧超声回波RF信号进行解调并显示B型图；
S3、在B型图上选取大小a×b的ROI；
S4、ROI内的每一点取其前N帧超声回波RF信号形成a×b个长度为N的超声RF时间序列；
S5、a×b个超声RF时间序列进行M层小波分解；
S6、提取超声RF时间序列经小波分解后产生的高频系数序列和低频系数序列的统计特征、熵特征在ROI的平均值作为特征；
S7、利用Relief-F算法计算每个特征权重，并选取前K个权重最高的特征作为特征向量；
S8、将特征向量输入到分类器分类；
S9、根据分类器的分类准确率评价识别结果。
具体的，所述步骤S6中，提取超声RF时间序列经小波分解后产生的高频系数序列和低频系数序列的统计特征、熵特征在ROI的平均值作为特征的方法如下：
S6-1统计特征：包括最小值min、最大值max、均值mean、标准差std、中值median、均方根值rms和平均绝对值mav。
具体每个特征的计算步骤如下：
S6-1-1设N点超声RF时间序列为{x(n):1≤n≤N}，经M层小波分解后，在第j分解尺度下k时刻的高频系数序列为
Figure BDA0001311010220000081
低频系数序列为
Figure BDA0001311010220000082
其中j＝1,2,…M，Lj为第j分解尺度下高频系数序列和低频系数序列长度，Lj为确定值，不同分解尺度下Lj不同。
S6-1-2最小值min：第j分解尺度下高频系数序列最小值：第j分解尺度下低频系数序列最小值：
S6-1-3最大值max：第j分解尺度下高频系数序列最大值：第j分解尺度下低频系数序列最大值：
Figure BDA0001311010220000086
S6-1-4均值mean：第j分解尺度下高频系数序列均值：第j分解尺度下低频系数序列均值：
Figure BDA0001311010220000088
S6-1-5标准差std：第j分解尺度下高频系数序列标准差：
Figure BDA0001311010220000089
第j分解尺度下低频系数序列标准差：
Figure BDA00013110102200000810
S6-1-6中值median：将第j分解尺度下高频系数序列
Figure BDA00013110102200000811
按照从小到大排序为
Figure BDA00013110102200000812
则第j分解尺度下高频系数序列中值：第j分解尺度下低频系数序列
Figure BDA00013110102200000814
按照从小到大排序为
Figure BDA00013110102200000815
则第j分解尺度下低频系数序列中值：
Figure BDA0001311010220000091
其中[x]表示不超过x的最大整数。
S6-1-7均方根值rms：第j分解尺度下高频系数序列均方根值：第j分解尺度下低频系数序列均方根值：
S6-1-8平均绝对值mav：第j分解尺度下高频系数序列平均绝对值：
Figure BDA0001311010220000094
第j分解尺度下低频系序列平均绝对值：
Figure BDA0001311010220000095
S6-1-9计算在每个分解尺度下a×b个高频系数序列和低频系数序列的最小值Dj_min、Aj_min，最大值Dj_max、Aj_max，均值Dj_mean、Aj_mean，标准差Dj_std、Aj_std，中值Dj_median、Aj_median，均方根值Dj_rms、Aj_rms，平均绝对值Dj_mav、Aj_mav的和，然后求取每个特征的均值(即在ROI进行平均)即可得该组织样本在每个分解尺度下的统计特征。
以最小值特征为例，假设计算的是第一层高频系数的最小值，因为有a*b个RF时间序列，每个序列都要进行小波分解，先求每个RF时间序列的分解一层后高频系数的最小值，这样就有a*b个最小值，然后将这a*b个最小值求和再平均(除以a*b)，这样就得到了第一层高频系数的最小值这个特征，其他统计特征也是这个思路进行计算的。
S6-2熵特征：包括模糊熵FuzzyEnropy和小波熵W，具体模糊熵FuzzyEnropy和小波熵W的计算步骤如下：
S6-2-1模糊熵FuzzyEnropy：设一个时间序列表示为{x(i)(1≤i≤N)}，按照{x(i)(1≤i≤N)}原来顺序重新生成一组m维的向量：
Figure BDA0001311010220000096
其中
Figure BDA0001311010220000097
N为时间序列长度。
S6-2-2计算向量与间的距离
Figure BDA00013110102200000910
公式如下：
Figure BDA0001311010220000101
S6-2-3定义
Figure BDA0001311010220000102
与
Figure BDA0001311010220000103
相似度
Figure BDA0001311010220000104
为：
Figure BDA0001311010220000105
S6-2-4定义函数
Figure BDA0001311010220000107
S6-2-5重复(6-2-1)～(6-2-4)生成一组m+1维的新向量并计算
Figure BDA0001311010220000108
S6-2-6计算模糊熵FuzzyEnropy(m,n,r,N)
Figure BDA0001311010220000109
S6-2-7按照步骤S6-2-1～S6-2-6计算在每个分解尺度下a×b个高频系数序列和低频系数序列的模糊熵FuzzyEntropy的和，然后求取均值(即在ROI进行平均)即可得在每个分解尺度下高频系数和低频系数的模糊熵特征。
S6-2-8小波熵W：设N点超声RF时间序列为{x(n):1≤n≤N}，经M层小波分解后，在第j分解尺度下k时刻的高频系数序列为
Figure BDA00013110102200001010
低频系数序列为
Figure BDA00013110102200001011
其中j＝1,2,…M，Lj为第j分解尺度下高频系数序列和低频系数序列长度。
S6-2-9尺度为j时高频系数序列的能量：
Figure BDA00013110102200001012
低频系数序列的能量：
Figure BDA00013110102200001013
总能量：
Figure BDA00013110102200001014
S6-2-10尺度为M时低频系数序列的相对能量：
Figure BDA00013110102200001015
尺度为j时高频系数序列的相对能量：
Figure BDA00013110102200001016
S6-2-11小波熵W的计算公式如下：
Figure BDA00013110102200001017
S6-2-12计算a×b个超声RF时间序列经M层小波分解后的小波熵W的和，然后求取均值(即在ROI进行平均)即可得该组织样本的小波熵特征。
实施例2
一种基于超声射频时间序列小波分析的组织定征方法，详述如下。
S1、构建超声RF时间序列。
S1.1使用加拿大Ultrasonix医疗公司中心频率为10MHz的Sonix Touch超声诊断仪采集女性乳腺组织多帧超声回波RF信号。
S1.2对第100帧数据进行希尔伯特变换并显示其B超图像(如图2所示)。
S1.3在B超图像上选取大小为20×70的ROI，对ROI内的每点取其前256帧数据即得到1400个长度为256的超声RF时间序列。
S2、基于Mallat算法的小波分解
S2.1本施例采用基于Mallat算法的小波分解，该算法分解示意图见图3，小波基选择Db4小波，分解层数为4，可以得到4个高频频系数序列D1～D4和4个低频系数序列A1～A4。
S3、特征提取与特征编号
本实施例采用了253个样本，其中包含乳腺恶性样本141个，良性样本112个。对每个乳腺样本ROI内的1400个超声RF时间序列，首先计算每个超声RF时间序列经4层小波分解后的4个高频系数序列和4个低频系数序列的最小值min、最大值max、均值mean、标准差std、中值median、均方根值rms和平均绝对值mav，然后在ROI平均即可得该乳腺样本在4个分解尺度下高频系数序列和低频系数序列的统计特征。
对每个乳腺样本ROI内的1400个超声RF时间序列，首先计算每个超声RF时间序列经4层小波分解后的4个高频系数序列和4个低频系数序列的模糊熵FuzzyEntropy，然后在ROI平均即可得该乳腺样本在4个分解尺度下高频系数序列和低频系数序列的模糊熵FuzzyEntropy。
然后根据小波熵W公式计算ROI内1400个超声RF时间序列经4层小波分解后的小波熵W的和，然后在ROI平均即可得该乳腺样本经小波分解后的小波熵W。
为方便在图上显示各特征权重，对所有提取的特征进行编号。其中高频系数最小值特征编号为1～4，低频系数最小值特征编号为5～8；高频系数最大值特征编号为9～12，低频系数最大值特征编号为13～16；高频系数均值特征编号为17～20，低频系数均值特征编号为21～24；高频系数标准差特征编号为25～28，低频系数标准差特征编号为29～32；高频系数中值特征编号为33～36，低频系数中值特征编号为37～40；高频系数均方根特征编号为41～44，低频系数均方根特征编号为45～48；高频系数平均绝对值特征编号为49～52，低频系数平均绝对值特征编号为53～56；
高频系数模糊熵特征编号为57～60，低频系数模糊熵特征编号为61～64；小波熵特征编号为65。
S4、Relief-F算法选取最优特征
本施例采用MATLAB R2014a中Relief-F函数，利用Relief-F函数对所有特征进行特征权重计算，并选取前11个特征权重最高的特征作为特征向量，所有特征权重的柱形图如图4所示，由图可知，特征向量的组成为{5，45，29，53，61，65，57，58，63，6，13}，分别为：A1_min、A1_rms、A1_std、A1_mav、A1_FuzzyEntropy、W、D1_FuzzyEntropy、D2_FuzzyEntropy、A3_FuzzyEntropy、A2_min、A1_max。
S5、组织识别及结果
本施例中，女性乳腺肿瘤样本有良性和恶性2个类别，所采用的分类器为随机森林，按照7:3的比例将样本集划分为训练集和测试集，使用训练集特征向量对分类器进行训练，随机森林的参数设置为：树的数目为300，每棵树的深度为6，迭代次数150次，每个节点可选择的特征数为特征向量个数的平方根值，最后将测试集的特征向量输入训练好的分类器，结果显示，随机森林分类精度达到了97％，能有效定征乳腺癌的良恶性，说明了本方法用于组织定征是可行的、有效的。
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上述实施例的限制，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 (8)

1.一种基于超声射频时间序列小波分析的组织定征方法，其特征在于，包括以下步骤：
S1、使用超声探头扫描组织，采集多帧超声回波RF信号；
S2、对任意一帧超声回波RF信号进行解调并显示B型图；
S3、在B型图上选取大小a×b的ROI；
S4、ROI内的每一点取其前N帧超声回波RF信号形成a×b个长度为N的超声RF时间序列；
S5、a×b个超声RF时间序列进行M层小波分解；
S6、提取超声RF时间序列经小波分解后产生的高频系数序列和低频系数序列的统计特征、熵特征在ROI的平均值作为特征；
S7、选取K个特征作为特征向量；
S8、将特征向量输入到分类器分类；
S9、根据分类器的分类准确率评价识别结果；
步骤S6中，提取超声RF时间序列经小波分解后产生的高频系数序列和低频系数序列的统计特征的方法如下：
统计特征包括最小值min、最大值max、均值mean、标准差std、中值median、均方根值rms和平均绝对值mav；
具体每个特征的计算步骤如下：
S6-1-1设N点超声RF时间序列为{x(n):1≤n≤N}，经M层小波分解后，在第j分解尺度下k时刻的高频系数序列为低频系数序列为
Figure FDA0002305512300000012
其中j＝1,2,…,M，Lj为第j分解尺度下高频系数序列和低频系数序列长度，Lj为确定值，不同分解尺度下Lj不同；
S6-1-2最小值min：第j分解尺度下高频系数序列最小值：
Figure FDA0002305512300000013
第j分解尺度下低频系数序列最小值：
Figure FDA0002305512300000021
S6-1-3最大值max：第j分解尺度下高频系数序列最大值：
Figure FDA0002305512300000022
第j分解尺度下低频系数序列最大值：
Figure FDA0002305512300000023
S6-1-4均值mean：第j分解尺度下高频系数序列均值：第j分解尺度下低频系数序列均值：
Figure FDA0002305512300000025
S6-1-5标准差std：第j分解尺度下高频系数序列标准差：
Figure FDA0002305512300000026
第j分解尺度下低频系数序列标准差：
S6-1-6中值median：将第j分解尺度下高频系数序列
Figure FDA0002305512300000028
按照从小到大排序为
Figure FDA0002305512300000029
则第j分解尺度下高频系数序列中值：
Figure FDA00023055123000000210
第j分解尺度下低频系数序列
Figure FDA00023055123000000211
按照从小到大排序为
Figure FDA00023055123000000212
则第j分解尺度下低频系数序列中值：
Figure FDA00023055123000000213
其中[x]表示不超过x的最大整数；
S6-1-7均方根值rms：第j分解尺度下高频系数序列均方根值：
Figure FDA00023055123000000214
第j分解尺度下低频系数序列均方根值：
S6-1-8平均绝对值mav：第j分解尺度下高频系数序列平均绝对值：
Figure FDA00023055123000000216
第j分解尺度下低频系序列平均绝对值：
Figure FDA00023055123000000217
S6-1-9计算在每个分解尺度下a×b个高频系数序列和低频系数序列的最小值Dj_min、Aj_min，最大值Dj_max、Aj_max，均值Dj_mean、Aj_mean，标准差Dj_std、Aj_std，中值Dj_median、Aj_median，均方根值Dj_rms、Aj_rms，平均绝对值Dj_mav、Aj_mav在ROI的平均，即可得组织样本在每个分解尺度下的统计特征。
2.根据权利要求1所述的组织定征方法，其特征在于，步骤S6中，提取超声RF时间序列经小波分解后产生的高频系数序列和低频系数序列的熵特征的方法如下：
熵特征包括模糊熵FuzzyEnropy和小波熵W，具体模糊熵FuzzyEnropy和小波熵W的计算步骤如下：
S6-2-1模糊熵FuzzyEnropy：设一个时间序列表示为{x(i)(1≤i≤N)}，按照{x(i)(1≤i≤N)}原来顺序重新生成一组m维的向量：
Figure FDA0002305512300000031
其中
Figure FDA0002305512300000032
N为时间序列长度，m表示指数函数边界的梯度；
S6-2-2计算向量
Figure FDA0002305512300000033
与
Figure FDA0002305512300000034
间的距离
Figure FDA0002305512300000035
公式如下：
Figure FDA0002305512300000036
S6-2-3定义
Figure FDA0002305512300000037
与
Figure FDA0002305512300000038
相似度
Figure FDA0002305512300000039
为：
Figure FDA00023055123000000310
S6-2-4定义函数r表示指数函数边界的宽度；
Figure FDA00023055123000000312
S6-2-5重复S6-2-1～S6-2-4生成一组m+1维的新向量并计算
Figure FDA00023055123000000313
S6-2-6计算模糊熵FuzzyEnropy(m,n,r,N)
Figure FDA00023055123000000314
S6-2-7按照步骤S6-2-1～S6-2-6计算在每个分解尺度下a×b个高频系数序列和低频系数序列的模糊熵FuzzyEntropy在ROI的平均即可得在每个分解尺度下高频系数和低频系数的模糊熵特征；
S6-2-8小波熵W：设N点超声RF时间序列为{x(n):1≤n≤N}，经M层小波分解后，在第j分解尺度下k时刻的高频系数序列为低频系数序列为
Figure FDA0002305512300000042
其中j＝1,2,…M，Lj为第j分解尺度下高频系数序列和低频系数序列长度；
S6-2-9尺度为j时高频系数序列的能量：
Figure FDA0002305512300000043
低频系数序列的能量：
Figure FDA0002305512300000044
总能量：
Figure FDA0002305512300000045
S6-2-10尺度为M时低频系数序列的相对能量：
Figure FDA0002305512300000046
尺度为j时高频系数序列的相对能量：
Figure FDA0002305512300000047
S6-2-11小波熵W的计算公式如下：
Figure FDA0002305512300000048
S6-2-12计算a×b个超声RF时间序列经M层小波分解后的小波熵W在ROI的平均即可得组织样本的小波熵特征。
3.根据权利要求1所述的组织定征方法，其特征在于，步骤S5中采用基于Mallat算法的小波分解。
4.根据权利要求3所述的组织定征方法，其特征在于，小波基选择Db4小波，分解层数为4，可以得到4个高频频系数序列D1～D4和4个低频系数序列A1～A4。
5.根据权利要求1所述的组织定征方法，其特征在于，步骤S7中利用Relief-F算法计算每个特征权重，并选取前K个权重最高的特征作为特征向量。
6.根据权利要求1所述的组织定征方法，其特征在于，利用Relief-F函数对所有特征进行特征权重计算，并选取前11个特征权重最高的特征作为特征向量。
7.根据权利要求1所述的组织定征方法，其特征在于，步骤S8中所采用的分类器为随机森林。
8.根据权利要求7所述的组织定征方法，其特征在于，随机森林的参数设置为：树的数目为300，每棵树的深度为6，迭代次数150次，每个节点可选择的特征数为特征向量个数的平方根值。
CN201710406283.3A 2017-06-02 2017-06-02 一种基于超声射频时间序列小波分析的组织定征方法 Expired - Fee Related CN107346541B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710406283.3A CN107346541B (zh) 2017-06-02 2017-06-02 一种基于超声射频时间序列小波分析的组织定征方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710406283.3A CN107346541B (zh) 2017-06-02 2017-06-02 一种基于超声射频时间序列小波分析的组织定征方法

Publications (2)

Publication Number Publication Date
CN107346541A CN107346541A (zh) 2017-11-14
CN107346541B true CN107346541B (zh) 2020-02-18

Family

ID=60253578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710406283.3A Expired - Fee Related CN107346541B (zh) 2017-06-02 2017-06-02 一种基于超声射频时间序列小波分析的组织定征方法

Country Status (1)

Country Link
CN (1) CN107346541B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT201900025303A1 (it) * 2019-12-23 2021-06-23 Sergio Casciaro Dispositivo e metodo per la classificazione tissutale
CN111462077B (zh) * 2020-03-31 2023-07-18 南京大学 一种利用非线性信息熵定征生物组织的方法
CN112302976B (zh) * 2020-09-18 2022-02-01 河北建投新能源有限公司 一种基于熵权法的风机叶片故障预警方法
CN112801026A (zh) * 2021-02-08 2021-05-14 上海电机学院 基于多维熵特征的信号特征提取方法
CN113473138B (zh) * 2021-06-30 2024-04-05 杭州海康威视数字技术股份有限公司 视频帧编码方法、装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104840186A (zh) * 2015-05-07 2015-08-19 中山大学 一种充血性心力衰竭患者自主神经功能的评估方法
CN105030279A (zh) * 2015-06-24 2015-11-11 华南理工大学 一种基于超声射频时间序列的组织定征方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104840186A (zh) * 2015-05-07 2015-08-19 中山大学 一种充血性心力衰竭患者自主神经功能的评估方法
CN105030279A (zh) * 2015-06-24 2015-11-11 华南理工大学 一种基于超声射频时间序列的组织定征方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Classification of MRI brain images using combined wavelet entropy based spider web plots and probabilistic neural network;M.Saritha et.al;《Pattern Recognition Letters》;20131201;第34卷(第16期);第2151-2156页 *

Also Published As

Publication number Publication date
CN107346541A (zh) 2017-11-14

Similar Documents

Publication Publication Date Title
CN107346541B (zh) 一种基于超声射频时间序列小波分析的组织定征方法
US7231074B2 (en) Method for determining the efficacy of an anti-cancer treatment using image analysis
US10004474B2 (en) Tissue density quantification using shear wave information in medical ultrasound scanning
US9655593B2 (en) Medical diagnostic apparatus, method for operating medical diagnostic apparatus, and computer-readable recording medium
CN107358156B (zh) 基于希尔伯特-黄变换的超声组织定征的特征提取方法
CN105377145A (zh) 用定量超声参数映射的一阶和二阶统计来分类和表征组织的系统和方法
CN107468250B (zh) 基于多尺度熵的生物组织太赫兹成像方法、系统和设备
CN109003232B (zh) 基于频域尺度平滑Shearlet的医学MRI图像去噪方法
CN106491161B (zh) 一种智能组织识别的方法及装置
Magud et al. Medical ultrasound image speckle noise reduction by adaptive median filter
Zhang et al. Multispectral heterogeneity detection based on frame accumulation and deep learning
US20020115924A1 (en) System and method for analysis of a tissue
Granchi et al. Differentiation of breast lesions by use of HyperSPACE: hyper-spectral analysis for characterization in echography
CN109452954A (zh) 超声成像方法及装置
US11857289B2 (en) Systems and methods of optimizing functional images of a lesion region using guided diffuse optical tomography
JP2017516590A (ja) 微細構造解析データのデータ品質を評価し向上させる方法
EP3791361B1 (en) Tumoral mass detection system based on magnetic resonance imaging
Hu et al. Ultrasound speckle reduction based on histogram curve matching and region growing
Boulehmi et al. Bone cancer diagnosis using GGD analysis
Nair et al. 'Blind'data calibration of intravascular ultrasound data for automated tissue characterization
CN112315449B (zh) 磁共振成像方法、系统、电子装置和存储介质
US11983884B2 (en) Tumoral mass detection system based on magnetic resonance imaging
ASWATHY et al. Automatic feature extraction for breast density segmentation and classification
Timaná et al. Reducing the Degrees of Freedom for Simultaneous Estimation of Ultrasonic Attenuation and Backscatter Coefficients: Application to Liver Steatosis Detection
Arunachalam et al. Detection of Singularity in the Cell Nucleus of Synovial Sarcoma Using Wavelet Leaders

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200218

CF01 Termination of patent right due to non-payment of annual fee