CN109903271A - 胎盘植入b超图像特征提取与验证方法 - Google Patents

胎盘植入b超图像特征提取与验证方法 Download PDF

Info

Publication number
CN109903271A
CN109903271A CN201910083862.8A CN201910083862A CN109903271A CN 109903271 A CN109903271 A CN 109903271A CN 201910083862 A CN201910083862 A CN 201910083862A CN 109903271 A CN109903271 A CN 109903271A
Authority
CN
China
Prior art keywords
ultrasound image
image
matrix
placenta
vector
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.)
Granted
Application number
CN201910083862.8A
Other languages
English (en)
Other versions
CN109903271B (zh
Inventor
朱丹红
张栋
胡展瑞
陈俞锦
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.)
Fuzhou University
Original Assignee
Fuzhou University
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 Fuzhou University filed Critical Fuzhou University
Priority to CN201910083862.8A priority Critical patent/CN109903271B/zh
Publication of CN109903271A publication Critical patent/CN109903271A/zh
Application granted granted Critical
Publication of CN109903271B publication Critical patent/CN109903271B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Processing (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明涉及一种胎盘植入B超图像特征提取与验证方法，首先将已标注分类的胎盘植入B超图像数据集分为训练集合和测试集合；接着构建B超图像训练数据集的列向量数据矩阵，计算均值向量；然后依次通过均值向量，计算数据矩阵的协方差矩阵，计算协方差矩阵的特征值，选取主成分，建立变换矩阵，根据变换矩阵，建立训练数据集图像的特征子空间投影，实现B超图像的特征提取；接着计算测试数据集图像在特征子空间上的投影，采用最小距离法获取测试B超图像的分类；最后判别测试图像分类的正确性用以验证特征提取。本发明有助于后续通过机器学习方法对小样本B超图像集合的进一步学习。

Description

胎盘植入B超图像特征提取与验证方法
技术领域
本发明涉及妇产医学领域，特别是一种胎盘植入B超图像特征提取与验证方法。
背景技术
胎盘作为胎儿呼吸、营养吸收、代谢与排泄的重要介质，担负着母体与胎儿之间物质交换的重任。由此可见，胎盘的疾病将直接影响到子宫内胎儿的生长与发育，甚至关乎安危。胎盘植入是一种产科危重而少见的并发症，是胎盘绒毛侵入到子宫肌层，导致在第三产程胎盘植入部分不能正常自行剥离，将引起生产孕妇大量出血、子宫穿透、休克、进而引发感染甚至导致死亡。胎盘植入又经常伴随着胎盘前置同时发生，胎盘前置又可分类为低置胎盘、边缘性前置胎盘、完全性前置胎盘、中央性前置胎盘四种类型。
通过产前B超检测胎盘植入，对于高危孕产妇是必不可少的。但当前胎盘植入的产前检测基本依赖于医师的主观经验，具有相当的局限性。目前缺少对于胎盘植入B超的机器识别技术。
发明内容
有鉴于此，本发明的目的是提出一种胎盘植入B超图像特征提取与验证方法，能够有效对胎盘植入B超的图像特征进行提取，为医生的后续判断提供帮助。
本发明采用以下方案实现：一种胎盘植入B超图像特征提取与验证方法，具体包括以下步骤：
步骤S1：将包含标注分类信息的胎盘植入B超图像数据集分为训练集和测试集；
步骤S2：构建数据矩阵：将训练集的每幅B超图像写成列向量形式并排列成数据矩阵，计算列向量的均值；
步骤S3：通过均值向量将数据矩阵中心化，计算协方差矩阵；
步骤S4：计算协方差矩阵的特征值，选取最大的K个特征值，计算对应的特征向量，并将其排列成变换矩阵；
步骤S5：根据变换矩阵的正交向量构建特征子空间基向量，使训练集中的每幅B超图像都向其投影并对应于子空间的一点，实现特征提取；
步骤S6：选取测试集中的B超图像并计算其在特征子空间上的投影；
步骤S7：采用最小距离法遍历训练集找到与测试集中对应B超图像在特征子空间上投影坐标最近的图像，获得该图像在训练集中的分类，对应为测试集中对应B超图像的类别；
步骤S8：判别测试集中B超图像分类的正确性用以验证特征提取。
进一步地，步骤S1中，预先提取胎盘植入B超图像的ROI(region of interest)区域，选出胎盘区域作为图像数据。
进一步地，步骤S2具体为：将训练集中的B超图像由二维数组转化成列向量Xi并排列成数据矩阵X＝(X1，X2，...，Xn)；其中，列向量均值μ的计算公式为：
进一步地，步骤S3中，通过均值向量将数据矩阵中心化，计算协方差矩阵：
C＝(X1-μ，x2-μ，...xn-μ)
式中，C表示去中心化后的数据矩阵，μ为列向量均值，Σ为协方差矩阵。
进一步地，步骤S4具体为：通过求CCT来求取协方差矩阵特征值，选取最大的K个特征值，对应获取其特征向量，作为B超图像特征ei，并将K个特征向量按列排成变换矩阵W＝(e1，e2，...，ek)。
进一步地，步骤S5中，对B超图像训练数据进行特征提取，计算训练集中每幅B超图像在以变换矩阵W为基向量的特征子空间中的投影Yi，计算公式为：
Yi＝WT(Xi-μ)。
进一步地，步骤S6中，选取测试集中的B超图像并计算其在特征子空间上的投影；设选取的测试集中的B超图像为Z，将其投影至以变换矩阵W为基向量的特征子空间，Z的投影计算公式为：
chZ＝WT(Z-μ)。
进一步地，步骤S7中，利用遍历方式搜索训练集中与测试集中B超图像Z投影坐标距离最小的图像，则该图像的类别j就是测试集中图像Z的类别：
argminj||Yi-chZ||。
进一步地，在所述步骤S8中，判别测试图像所得分类正确与否，统计结果，验证特征提取的准确性。
与现有技术相比，本发明有以下有益效果：本发明对小样本胎盘植入B超图像集合进行降维特征提取，构造特征子空间，并将测试图像投影到特征子空间，通过最小距离匹配，验证特征提取的准确性。同时，本发明排除了人为、环境、仪器设备等等上述技术所提到的主观误差因素，利用计算机机器学习方法实现，做到省时省力。
附图说明
图1为本发明实施例的流程示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了一种胎盘植入B超图像特征提取与验证方法，具体包括以下步骤：
步骤S1：将包含标注分类信息的胎盘植入B超图像数据集分为训练集和测试集；
步骤S2：构建数据矩阵：将训练集的每幅B超图像写成列向量形式并排列成数据矩阵，计算列向量的均值；
步骤S3：通过均值向量将数据矩阵中心化，计算协方差矩阵；
步骤S4：计算协方差矩阵的特征值，选取最大的K个特征值，计算对应的特征向量，并将其排列成变换矩阵；
步骤S5：根据变换矩阵的正交向量构建特征子空间基向量，使训练集中的每幅B超图像都向其投影并对应于子空间的一点，实现特征提取；
步骤S6：选取测试集中的B超图像并计算其在特征子空间上的投影；
步骤S7：采用最小距离法遍历训练集找到与测试集中对应B超图像在特征子空间上投影坐标最近的图像，获得该图像在训练集中的分类，对应为测试集中对应B超图像的类别；
步骤S8：判别测试集中B超图像分类的正确性用以验证特征提取。
在本实施例中，步骤S1中，预先提取胎盘植入B超图像的ROI(region ofinterest)区域，选出胎盘区域作为图像数据。其中，分类可以包括{正常、低置胎盘、边缘性前置胎盘、完全性前置胎盘、中央性前置胎盘}，也可以为其他类别。
在本实施例中，步骤S2具体为：将训练集中的B超图像i(906*689)由二维数组转化成列向量Xi(624234*1)并排列成数据矩阵X＝(X1，X2，...，Xn)，n＝200；其中，列向量均值μ的计算公式为：
在本实施例中，步骤S3中，通过均值向量将数据矩阵中心化，计算协方差矩阵，n＝200：
C＝(X1-μ，X2-μ，...，Xn-μ)
式中，C表示去中心化后的数据矩阵，μ为列向量均值，Σ为协方差矩阵。
在本实施例中，步骤S4具体为：通过求CCT来求取协方差矩阵特征值，选取最大的K个特征值，在实践中，规定保留主成分累计方差需占总方差95％以上，若多留取一个主成分变量，占比几乎没有提高，则不再多留取剩余主成分。根据提取的特征值对应获取其特征向量，作为B超图像特征ei，并将K个特征向量按列排成变换矩阵W(624234*K)＝(e1,e2,...,ek)。
在本实施例中，步骤S5中，对B超图像训练数据进行特征提取，计算训练集中每幅B超图像在以变换矩阵W为基向量的特征子空间中的投影Yi，计算公式为：
Yi＝WT(Xi-μ)。
在本实施例中，步骤S6中，选取测试集中的B超图像并计算其在特征子空间上的投影；设选取的测试集中的B超图像为Z，将其投影至以变换矩阵W为基向量的特征子空间，Z的投影计算公式为：
chZ＝WT(Z-μ)。
在本实施例中，步骤S7中，利用遍历方式搜索训练集中与测试集中B超图像Z投影坐标距离最小的图像，则该图像的类别j就是测试集中图像Z的类别，Z∈{正常、低置胎盘、边缘性前置胎盘、完全性前置胎盘、中央性前置胎盘}：
argminj||Yi-chZ||。
在本实施例中，在步骤S8中，对测试集合中每幅图像均执行上述过程，判别对应的分类是否正确，对判别结果统计平均值若不低于95％,则验证胎盘植入B超图像的特征提取是准确的。
综上所述，本实施例对B超图像进行降维特征提取，有助于后续通过机器学习等方法对小样本B超图像集合的进一步学习，能较好地运用于妇产医学领域。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (8)

1.一种胎盘植入B超图像特征提取与验证方法，其特征在于：包括以下步骤：
步骤S1：将包含标注分类信息的胎盘植入B超图像数据集分为训练集和测试集；
步骤S2：构建数据矩阵：将训练集的每幅B超图像写成列向量形式并排列成数据矩阵，计算列向量的均值；
步骤S3：通过均值向量将数据矩阵中心化，计算协方差矩阵；
步骤S4：计算协方差矩阵的特征值，选取最大的K个特征值，计算对应的特征向量，并将其排列成变换矩阵；
步骤S5：根据变换矩阵的正交向量构建特征子空间基向量，使训练集中的每幅B超图像都向其投影并对应于子空间的一点，实现特征提取；
步骤S6：选取测试集中的B超图像并计算其在特征子空间上的投影；
步骤S7：采用最小距离法遍历训练集找到与测试集中对应B超图像在特征子空间上投影坐标最近的图像，获得该图像在训练集中的分类，对应为测试集中对应B超图像的类别；
步骤S8：判别测试集中B超图像分类的正确性用以验证特征提取。
2.根据权利要求1所述的一种胎盘植入B超图像特征提取与验证方法，其特征在于：步骤S1中，预先提取胎盘植入B超图像的ROI区域，选出胎盘区域作为图像数据。
3.根据权利要求1所述的一种胎盘植入B超图像特征提取与验证方法，其特征在于：步骤S2具体为：将训练集中的B超图像由二维数组转化成列向量Xi并排列成数据矩阵X＝(X1，X2，...，Xn)；其中，列向量均值μ的计算公式为：
4.根据权利要求1所述的一种胎盘植入B超图像特征提取与验证方法，其特征在于：步骤S3中，通过均值向量将数据矩阵中心化，计算协方差矩阵：
C＝(X1-μ，X2-μ，...，Xn-μ)
式中，C表示去中心化后的数据矩阵，μ为列向量均值，Σ为协方差矩阵。
5.根据权利要求求1所述的一种胎盘植入B超图像特征提取与验证方法，其特征在于：步骤S4具体为：求取协方差矩阵特征值，选取最大的K个特征值，对应获取其特征向量，作为B超图像特征ei，并将K个特征向量按列排成变换矩阵W＝(e1，e2，...，ek)。
6.根据权利要求求1所述的一种胎盘植入B超图像特征提取与验证方法，其特征在于：步骤S5中，计算训练集中每幅B超图像在以变换矩阵W为基向量的特征子空间中的投影Yi，计算公式为：
Yi＝WT(Xi-μ)。
7.根据权利要求求1所述的一种胎盘植入B超图像特征提取与验证方法，其特征在于：步骤S6中，选取测试集中的B超图像并计算其在特征子空间上的投影；设选取的测试集中的B超图像为Z，将其投影至以变换矩阵W为基向量的特征子空间，Z的投影计算公式为：
chZ＝WT(Z-μ)。
8.根据权利要求求1所述的一种胎盘植入B超图像特征提取与验证方法，其特征在于：步骤S7中，利用遍历方式搜索训练集中与测试集中B超图像Z投影坐标距离最小的图像，则该图像的类别j就是测试集中图像Z的类别：
argminj||Yi-chZ||。
CN201910083862.8A 2019-01-29 2019-01-29 胎盘植入b超图像特征提取与验证方法 Active CN109903271B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910083862.8A CN109903271B (zh) 2019-01-29 2019-01-29 胎盘植入b超图像特征提取与验证方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910083862.8A CN109903271B (zh) 2019-01-29 2019-01-29 胎盘植入b超图像特征提取与验证方法

Publications (2)

Publication Number Publication Date
CN109903271A true CN109903271A (zh) 2019-06-18
CN109903271B CN109903271B (zh) 2022-05-13

Family

ID=66944345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910083862.8A Active CN109903271B (zh) 2019-01-29 2019-01-29 胎盘植入b超图像特征提取与验证方法

Country Status (1)

Country Link
CN (1) CN109903271B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991228A (zh) * 2019-10-24 2020-04-10 青岛中科智保科技有限公司 一种抗光照影响的改进pca人脸识别算法
CN116563224A (zh) * 2023-04-12 2023-08-08 东莞市人民医院 基于深度语义特征的影像组学胎盘植入预测方法及装置
CN117671284A (zh) * 2023-12-06 2024-03-08 广州科松医疗智能科技有限公司 侵入性胎盘植入影像特征ai智能提取系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722734A (zh) * 2012-05-23 2012-10-10 南京航空航天大学 一种基于曲波域双边二维主成分分析的图像目标识别方法
CN104573718A (zh) * 2014-12-31 2015-04-29 浙江工业大学 基于自适应二分多神经网络的胎盘超声图像自动分级方法
US20160074773A1 (en) * 2014-09-16 2016-03-17 Super Well Biotechnology Corporation Method for separating and purifing functional ingredients from placenta using supercritical fluid technology
CN107330397A (zh) * 2017-06-28 2017-11-07 苏州经贸职业技术学院 一种基于大间隔相对距离度量学习的行人重识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722734A (zh) * 2012-05-23 2012-10-10 南京航空航天大学 一种基于曲波域双边二维主成分分析的图像目标识别方法
US20160074773A1 (en) * 2014-09-16 2016-03-17 Super Well Biotechnology Corporation Method for separating and purifing functional ingredients from placenta using supercritical fluid technology
CN104573718A (zh) * 2014-12-31 2015-04-29 浙江工业大学 基于自适应二分多神经网络的胎盘超声图像自动分级方法
CN107330397A (zh) * 2017-06-28 2017-11-07 苏州经贸职业技术学院 一种基于大间隔相对距离度量学习的行人重识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MILLISCHER,AE ET AL.: "Dynamic contrast enhanced MRI of the placenta: A tool for prenatal diagnosis of placenta accreta?", 《PLACENTA》 *
潘晓晓 等: "面向胎盘植入产前诊断的医学语义特征提取算法", 《模式识别与人工智能》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991228A (zh) * 2019-10-24 2020-04-10 青岛中科智保科技有限公司 一种抗光照影响的改进pca人脸识别算法
CN116563224A (zh) * 2023-04-12 2023-08-08 东莞市人民医院 基于深度语义特征的影像组学胎盘植入预测方法及装置
CN116563224B (zh) * 2023-04-12 2024-08-06 东莞市人民医院 基于深度语义特征的影像组学胎盘植入预测方法及装置
CN117671284A (zh) * 2023-12-06 2024-03-08 广州科松医疗智能科技有限公司 侵入性胎盘植入影像特征ai智能提取系统
CN117671284B (zh) * 2023-12-06 2024-04-30 广州科松医疗智能科技有限公司 侵入性胎盘植入影像特征ai智能提取系统

Also Published As

Publication number Publication date
CN109903271B (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
US11907809B2 (en) Information processing apparatus, program, and information processing method
US11176359B2 (en) Motion recognition device and motion recognition method
CN106599922B (zh) 用于大规模数据标定的迁移学习方法及系统
JP5868231B2 (ja) 医用画像診断支援装置、医用画像診断支援方法ならびにコンピュータプログラム
CN109493308A (zh) 基于条件多判别生成对抗网络的医疗图像合成与分类方法
CN109903271A (zh) 胎盘植入b超图像特征提取与验证方法
Zhang et al. Intelligent scanning: Automated standard plane selection and biometric measurement of early gestational sac in routine ultrasound examination
CN110956626B (zh) 一种基于图像的预后评估方法及装置
US20160328841A1 (en) Region Clustering Forest for Analyzing Medical Imaging Data
KR20160111376A (ko) 얼굴의 키 포인트들에 대한 포지셔닝 방법 및 장치
JP2016522708A (ja) 診療計画を導くための画像の構造形状を自動的に表示する方法及び装置
CN114140668A (zh) 胃部部位识别模型训练方法、部位识别方法及装置
CN111598144B (zh) 图像识别模型的训练方法和装置
US20150242676A1 (en) Method for the Supervised Classification of Cells Included in Microscopy Images
CN111414930B (zh) 深度学习模型训练方法及装置、电子设备及存储介质
CN103745473B (zh) 一种脑组织提取方法
CN110533184A (zh) 一种网络模型的训练方法及装置
CN116113986A (zh) 用于病理器官分割的用户交互快速标注的用户引导域自适应
CN103268494A (zh) 基于稀疏表示的寄生虫虫卵识别方法
Peng et al. Single shot state detection in simulation-based laparoscopy training
Cetindag et al. Transfer Learning Methods for Using Textural Features in Histopathological Image Classification
CN104021390B (zh) 模型生成装置、模式识别设备及其方法
CN114283114A (zh) 图像处理方法、装置、设备及存储介质
US20230054641A1 (en) Medical image processing apparatus and medical image processing method
Chida et al. Enhanced Encoding with Improved Fuzzy Decision Tree Testing Using CASP Templates

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