CN111402244B - 一种胎儿心脏标准切面自动分类法 - Google Patents

Abstract

本发明提供了超声图像分类领域的一种胎儿心脏标准切面自动分类法，包括如下步骤：步骤S10、获取复数张胎儿心脏的超声图像；步骤S20、对各所述超声图像进行图像信息增强的预处理并分别生成标准切面；步骤S30、利用灰度共生矩阵提取所述标准切面中的纹理特征；步骤S40、基于所述纹理特征，利用基于决策树以及集成算法构建的分类器对各所述标准切面进行自动分类。本发明的优点在于：极大的提升了胎儿心脏标准切面分类的精度以及效率，进而极大的提升了临床诊断效率，降低了临床诊断成本。

Description

一种胎儿心脏标准切面自动分类法

技术领域

本发明涉及超声图像分类领域，特别指一种胎儿心脏标准切面自动分类法。

背景技术

医学超声图像的表现对象主要是人的不同层次的生理组织和结构，微观至分子、原子，宏观至人体器官。近年来，随着产前诊断的普及，超声成像由于其低消耗、实时性且无辐射等优点得到了广泛应用。医生通过观察胎儿的各类标准切面进一步对胎儿健康状况进行分析诊断，以达到提高胎儿畸形检出率，降低严重缺陷的胎儿出生率，以提高人口素质。

由于胎儿心脏标准切面的识别分类直接影响后续的临床诊断，是十分关键的步骤，然而针对胎儿心脏标准切面的分类，传统上依靠医生的专业知识和临床经验进行主观的评估，传统的方法存在如下缺点：1、由于不同医生具备的专业知识和临床经验各不相同，导致不同医生识别获取的标准切面存在较大误差；2、采用人工判断的方式需要耗费大量的时间，使得临床诊断效率不高；3、由于超声图像存在一定的噪声干扰，且不同人次的扫描方向存在一定差异，给医生的人工判断带来困难。

因此，如何提供一种胎儿心脏标准切面自动分类法，实现提升胎儿心脏标准切面分类的精度以及效率，进而提升临床诊断效率，降低临床诊断成本，成为一个亟待解决的问题。

发明内容

本发明要解决的技术问题，在于提供一种胎儿心脏标准切面自动分类法，实现提升胎儿心脏标准切面分类的精度以及效率，进而提升临床诊断效率，降低临床诊断成本。

本发明是这样实现的：一种胎儿心脏标准切面自动分类法，包括如下步骤：

步骤S10、获取复数张胎儿心脏的超声图像；

步骤S20、对各所述超声图像进行图像信息增强的预处理并分别生成标准切面；

步骤S30、利用灰度共生矩阵提取所述标准切面中的纹理特征；

步骤S40、基于所述纹理特征，利用基于决策树以及集成算法构建的分类器对各所述标准切面进行自动分类。

进一步地，所述步骤S20具体包括：

步骤S21、利用矩形框选取出所述超声图像的感兴趣区域；

步骤S22、对所述感兴趣区域进行全比例缩放至预设的大小；

步骤S23、对缩放至预设的大小的所述感兴趣区域进行线性灰度增强，进而生成标准切面。

进一步地，所述步骤S22具体包括：

步骤S221、设点A₀(x₀,y₀)为所述感兴趣区域缩放前的像素点，点A₁(x₁,y₁)为所述感兴趣区域缩放后的像素点，通过公式

对点A₀(x₀,y₀)进行缩放；其中μ表示缩放比例，当μ＞1时所述感兴趣区域被放大，当0＜μ＜1时所述感兴趣区域被缩小；

步骤S222、对各所述感兴趣区域缩放后的像素点进行线性插值。

进一步地，所述步骤S23具体为：

通过公式

将缩放至预设的大小的所述感兴趣区域的灰度等级，先缩小至预设的第一灰度区间，再放大至预设的第二灰度区间，进而生成标准切面；其中F(x,y)表示线性灰度增强前的感兴趣区域图像，灰度范围为[a,b]；G(x,y)表示线性灰度增强后的感兴趣区域图像，灰度范围为[c,d]；a、b、c、d的取值均为0至255。

进一步地，所述步骤S30具体包括：

步骤S31、利用灰度级量化公式将所述标准切面压缩为16个灰度级：

i_n＝n[n×16,n×16+15],(n＝0,1,2,...,15)；其中i_n表示第n级灰度的灰度值，n表示灰度级编号，[n×16,n×16+15]表示第n级灰度的灰度值范围；

步骤S32、利用大小为5×5，步距为1的滑动窗口，分别计算所述标准切面在0°、45°、90°以及135°的共生矩阵，分别求取各所述共生矩阵的特征值，求取各所述特征值的平均值生成灰度共生矩阵；

步骤S33、对所述灰度共生矩阵进行归一化：

其中(g₁,g₂)表示灰度对；P表示归一化前的灰度共生矩阵，P'表示归一化后的灰度共生矩阵；

N表示滑动窗口的大小；

步骤S34、分别计算归一化后的所述灰度共生矩阵的能量特征值、相关度特征值、对比度特征值以及熵特征值：

ASM＝∑_g1∑_g2P(g₁,g₂)²；

CON＝∑_g1∑_g2P(g₁-g₂)²P(g₁,g₂)；

ENT＝-∑_g1∑_g2P(g₁-g₂)logP(g₁,g₂)；

其中ASM表示能量特征值，CORRLN表示相关度特征值，CON表示对比度特征值，ENT表示熵特征值，μ_x表示灰度共生矩阵中灰度值在水平方向上的均值，μ_y表示灰度共生矩阵中灰度值在垂直方向上的均值，σ_x和σ_y分别表示灰度共生矩阵中灰度值在水平方向和垂直方向上的方差；

步骤S35、求取所述能量特征值、相关度特征值、对比度特征值以及熵特征值的均值以及方差，生成纹理特征值；

步骤S36、判断所述滑动窗口是否遍历标准切面的所有像素点，若是，则进入步骤S37；若否，则将所述滑动窗口移动至下一个像素点，并进入步骤S32；

步骤S37、基于所述纹理特征值生成纹理特征值矩阵，完成所述标准切面中纹理特征的提取。

进一步地，所述步骤S40具体包括：

步骤S41、赋予各所述标准切面相同的初始权值：

其中D₁(i)表示初始权值分布，w_i表示初始权值，N表示标准切面的编号，为正整数；

步骤S42、用决策树作为基分类器训练弱分类器，得到误差率ε：

步骤S43、计算所述弱分类器的权重α：

步骤S44、对所述误差率ε以及权重α进行迭代，进而更新各所述标准切面的权值分布：

其中D_t+1(i)表示迭代后的标准切面的权值分布；D_t(i)表示迭代前的标准切面的权值分布；t表示迭代次数，t＝1,...,T，T为正整数；H_t表示第t次迭代产生的弱分类器；α_t表示第t次迭代产生的弱分类器的权重；x_i表示标准切面的编号；y_i表示标准切面的类别标签，且y_i∈{1，-1}；Z_t表示第t次迭代的归一化常数；ε_t表示第t次迭代的误差率；

步骤S45、基于更新的各所述标准切面的权值分布得到各弱分类器的权重α_t，利用所述权重α_t重新组合各弱分类器：

步骤S46、通过符号函数，将重新组合的各弱分类器生成强分类器：

H_final＝sign(f(x))；

步骤S47、利用所述强分类器对各所述标准切面进行自动分类。

本发明的优点在于：

通过对所述超声图像进行预处理生成标准切面，提取所述标准切面中的纹理特征，进而基于所述纹理特征，利用基于决策树以及集成算法构建的分类器对各所述标准切面进行自动分类，相对于传统上依靠医生的专业知识和临床经验进行主观的评估，极大的提升了胎儿心脏标准切面分类的精度以及效率，进而极大的提升了临床诊断效率，降低了临床诊断成本。

附图说明

下面参照附图结合实施例对本发明作进一步的说明。

图1是本发明一种胎儿心脏标准切面自动分类法的流程图。

具体实施方式

请参照图1所示，本发明一种胎儿心脏标准切面自动分类法的较佳实施例，包括如下步骤：

步骤S10、通过B型超声扫描系统获取复数张胎儿心脏的超声图像；

步骤S20、对各所述超声图像进行图像信息增强的预处理并分别生成标准切面；胎儿心脏的标准切面包括四腔心切面、左室流出道及主动脉长轴切面、右室流出道及肺动脉长轴切面、三血管气管切面以及静脉心房连接切面；图像信息增强即进行全比例缩放以及线性扩展；

步骤S30、利用灰度共生矩阵(GLCM)提取所述标准切面中的纹理特征；即通过计算灰度共生矩阵的部分特征值来分别代表标准切面中的某些纹理特征；

步骤S40、基于所述纹理特征，利用基于决策树以及集成算法(AdaBoost)构建的分类器对各所述标准切面进行自动分类。

所述步骤S20具体包括：

步骤S21、利用矩形框选取出所述超声图像的感兴趣区域，有效去除扇形扫描区外的干扰信息；

步骤S22、对所述感兴趣区域进行全比例缩放至预设的大小；

若图片在缩放时，横坐标和纵坐标的缩放比例不同，将导致图像产生畸变，对所述超声图像的纹理特征影响很大，因此采样全比例缩放对所述感兴趣区域进行大小的归一化，适当压缩图像的大小，提高计算效率，保留原有的纹理特征。

步骤S23、对缩放至预设的大小的所述感兴趣区域进行线性灰度增强，进而生成标准切面。

所述步骤S22具体包括：

步骤S221、设点A₀(x₀,y₀)为所述感兴趣区域缩放前的像素点，点A₁(x₁,y₁)为所述感兴趣区域缩放后的像素点，通过公式

对点A₀(x₀,y₀)进行缩放；其中μ表示缩放比例，当μ＞1时所述感兴趣区域被放大，当0＜μ＜1时所述感兴趣区域被缩小，μ的取值优选为0.6；

步骤S222、对各所述感兴趣区域缩放后的像素点进行线性插值。

若通过全比例缩放所产生的图像中的像素在原图像中没有相对应的像素点时，需要进行灰度级的插值运算，考虑超声图像的特点之一为各像素灰度级的值差别较小，故中采用线性插值法。

例如已知所述感兴趣区域中的两个坐标分别为(x₂,y₂)以及(x₃,y₃)，位于[x₂,x₃]区间内的x可通过公式

求得，已知x可求得y：

已知y求x的过程与上述方法相同。

所述步骤S23具体为：

通过公式

将缩放至预设的大小的所述感兴趣区域的灰度等级，先缩小至预设的第一灰度区间，再放大至预设的第二灰度区间，进而生成标准切面；其中F(x,y)表示线性灰度增强前的感兴趣区域图像，灰度范围为[a,b]；G(x,y)表示线性灰度增强后的感兴趣区域图像，灰度范围为[c,d]；a、b、c、d的取值均为0至255。

所述第一灰度区间优选为[50，200]，所述第二灰度区间优选为[0，255]，经过线性灰度增强后的图像有效去除了噪声，提高了对比对，并对图像进行了锐化。

所述步骤S30具体包括：

步骤S31、利用灰度级量化公式将所述标准切面压缩为16个灰度级：

i_n＝n[n×16,n×16+15],(n＝0,1,2,...,15)；其中i_n表示第n级灰度的灰度值，n表示灰度级编号，[n×16,n×16+15]表示第n级灰度的灰度值范围；

量化后的16个灰度级分别为：0[0，15]、1[16，31]、2[32，47]、3[48，63]、4[64，79]、5[80，95]、6[96，101]……15[240，255]。

由于计算灰度共生矩阵时不需要256个灰度级，压缩为16个灰度级极大的减小了计算量，进而极大的提升了胎儿心脏标准切面分类的效率；

步骤S32、利用大小为5×5，步距为1的滑动窗口，分别计算所述标准切面在0°、45°、90°以及135°的共生矩阵，即中心像素与其相邻的像素做比较运算，分别求取各所述共生矩阵的特征值，求取各所述特征值的平均值生成灰度共生矩阵；

例如以大小为3×3的滑动窗口，3级灰度(灰度级为0、1、2)为例：

在图像中选择一个3×3的窗口A，设窗口A的灰度矩阵为

左上角的元素为坐标原点，原点记为(1，1)，以此为例，第三行第二列的点记为(3，2)。

在窗口A中，选择步距为1，求0°方向的共生矩阵，按照0°方向，即水平方向从左至右、从右至左两个方向，统计矩阵值(1，2)的值共有2个，即窗口A对应的GLCM统计矩阵的(1，2)位置元素的值为2，以此类推求得该方向共生矩阵其他位置的值。

由于灰度级为3级，所以共生矩阵是一个3×3的矩阵，最终在0°方向上的共生矩阵为：

其中θ代表方向，d代表步距；

同理求得窗口A在45°、90°以及135°的共生矩阵。当进行0°扫描时，像素对是水平的；当进行90°扫描时，像素对是垂直的；当进行45°扫描时，像素对是右对角线的；当进行90°扫描时，像素对是左对角线的。步骤S33、对所述灰度共生矩阵进行归一化：

其中(g₁,g₂)表示灰度对；P表示归一化前的灰度共生矩阵，P'表示归一化后的灰度共生矩阵；

N表示滑动窗口的大小；

步骤S34、分别计算归一化后的所述灰度共生矩阵的能量特征值、相关度特征值、对比度特征值以及熵特征值：

ASM＝∑_g1∑_g2P(g₁,g₂)²；

CON＝∑_g1∑_g2P(g₁-g₂)²P(g₁,g₂)；

ENT＝-∑_g1∑_g2P(g₁-g₂)logP(g₁,g₂)；

其中ASM表示能量特征值，是灰度共生矩阵各元素的平方和，又被称为角二阶距，是图像纹理灰度变化均一的度量，反映了图像灰度分布均匀程度和纹理粗细程度；CORRLN表示相关度特征值，体现了空间灰度共生矩阵元素在行或列方向上的相似程度，反映了图像局部灰度相关性；CON表示对比度特征值，是灰度共生矩阵主对角线附近的惯性矩，它体现矩阵的值如何分布，反映了图像的清晰度和纹理沟纹的深浅；ENT表示熵特征值，体现了图像纹理的随机性；μ_x灰度共生矩阵中灰度值在水平方向上的均值，μ_y表示灰度共生矩阵中灰度值在垂直方向上的均值，σ_x和σ_y分别表示灰度共生矩阵中灰度值在水平方向和垂直方向上的方差；

步骤S35、求取所述能量特征值、相关度特征值、对比度特征值以及熵特征值的均值以及方差，生成纹理特征值；

步骤S36、判断所述滑动窗口是否遍历标准切面的所有像素点，若是，则进入步骤S37；若否，则将所述滑动窗口移动至下一个像素点，并进入步骤S32；

步骤S37、基于所述纹理特征值生成纹理特征值矩阵，完成所述标准切面中纹理特征的提取。

所述步骤S40具体包括：

步骤S41、赋予各所述标准切面相同的初始权值：

其中D₁(i)表示初始权值分布，w_i表示初始权值，N表示标准切面的编号，为正整数；

步骤S42、用决策树作为基分类器训练弱分类器，得到误差率ε：

步骤S43、计算所述弱分类器的权重α：

步骤S44、对所述误差率ε以及权重α进行迭代，进而更新各所述标准切面的权值分布：

其中D_t+1(i)表示迭代后的标准切面的权值分布；D_t(i)表示迭代前的标准切面的权值分布；t表示迭代次数，t＝1,…,T，T为正整数；H_t表示第t次迭代产生的弱分类器；α_t表示第t次迭代产生的弱分类器的权重；x_i表示标准切面的编号；y_i表示标准切面的类别标签，且y_i∈{1，-1}；Z_t表示第t次迭代的归一化常数；ε_t表示第t次迭代的误差率；

步骤S45、基于更新的各所述标准切面的权值分布得到各弱分类器的权重α_t，利用所述权重α_t重新组合各弱分类器：

步骤S46、通过符号函数，将重新组合的各弱分类器生成强分类器：

H_final＝sign(f(x))；

步骤S47、利用所述强分类器对各所述标准切面进行自动分类。

例如在每两个类之间产生一个最强分类器，将测试样本(标准切面)带入第一个最强分类器进行投票，投票结果为1则输出预测标签，显示结果；投票结果为-1则继续将该样本带入下一个最强分类器，直至产生投票结果为1，测试样本分类完成。

综上所述，本发明的优点在于：

通过对所述超声图像进行预处理生成标准切面，提取所述标准切面中的纹理特征，进而基于所述纹理特征，利用基于决策树以及集成算法构建的分类器对各所述标准切面进行自动分类，相对于传统上依靠医生的专业知识和临床经验进行主观的评估，极大的提升了胎儿心脏标准切面分类的精度以及效率，进而极大的提升了临床诊断效率，降低了临床诊断成本。

虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (5)

1.一种胎儿心脏标准切面自动分类法，其特征在于：包括如下步骤：

步骤S10、获取复数张胎儿心脏的超声图像；

步骤S20、对各所述超声图像进行图像信息增强的预处理并分别生成标准切面；

步骤S30、利用灰度共生矩阵提取所述标准切面中的纹理特征；

步骤S40、基于所述纹理特征，利用基于决策树以及集成算法构建的分类器对各所述标准切面进行自动分类；

所述步骤S30具体包括：

步骤S31、利用灰度级量化公式将所述标准切面压缩为16个灰度级：

i_n＝n[n×16,n×16+15],(n＝0,1,2,...,15)；其中i_n表示第n级灰度的灰度值，n表示灰度级编号，[n×16,n×16+15]表示第n级灰度的灰度值范围；

步骤S32、利用大小为5×5，步距为1的滑动窗口，分别计算所述标准切面在0°、45°、90°以及135°的共生矩阵，分别求取各所述共生矩阵的特征值，求取各所述特征值的平均值生成灰度共生矩阵；

步骤S33、对所述灰度共生矩阵进行归一化：

其中(g₁,g₂)表示灰度对；P表示归一化前的灰度共生矩阵，P'表示归一化后的灰度共生矩阵；

N表示滑动窗口的大小；

步骤S34、分别计算归一化后的所述灰度共生矩阵的能量特征值、相关度特征值、对比度特征值以及熵特征值：

其中ASM表示能量特征值，CORRLN表示相关度特征值，CON表示对比度特征值，ENT表示熵特征值，μ_x表示灰度共生矩阵中灰度值在水平方向上的均值，μ_y表示灰度共生矩阵中灰度值在垂直方向上的均值，σ_x和σ_y分别表示灰度共生矩阵中灰度值在水平方向和垂直方向上的方差；

步骤S35、求取所述能量特征值、相关度特征值、对比度特征值以及熵特征值的均值以及方差，生成纹理特征值；

步骤S36、判断所述滑动窗口是否遍历标准切面的所有像素点，若是，则进入步骤S37；若否，则将所述滑动窗口移动至下一个像素点，并进入步骤S32；

步骤S37、基于所述纹理特征值生成纹理特征值矩阵，完成所述标准切面中纹理特征的提取。

2.如权利要求1所述的一种胎儿心脏标准切面自动分类法，其特征在于：所述步骤S20具体包括：

步骤S21、利用矩形框选取出所述超声图像的感兴趣区域；

步骤S22、对所述感兴趣区域进行全比例缩放至预设的大小；

步骤S23、对缩放至预设的大小的所述感兴趣区域进行线性灰度增强，进而生成标准切面。

3.如权利要求2所述的一种胎儿心脏标准切面自动分类法，其特征在于：所述步骤S22具体包括：

步骤S221、设点A₀(x₀,y₀)为所述感兴趣区域缩放前的像素点，点A₁(x₁,y₁)为所述感兴趣区域缩放后的像素点，通过公式

对点A₀(x₀,y₀)进行缩放；其中μ表示缩放比例，当μ＞1时所述感兴趣区域被放大，当0＜μ＜1时所述感兴趣区域被缩小；

步骤S222、对各所述感兴趣区域缩放后的像素点进行线性插值。

4.如权利要求2所述的一种胎儿心脏标准切面自动分类法，其特征在于：所述步骤S23具体为：

通过公式 

将缩放至预设的大小的所述感兴趣区域的灰度等级，先缩小至预设的第一灰度区间，再放大至预设的第二灰度区间，进而生成标准切面；其中F(x,y)表示线性灰度增强前的感兴趣区域图像，灰度范围为[a,b]；G(x,y)表示线性灰度增强后的感兴趣区域图像，灰度范围为[c,d]；a、b、c、d的取值均为0至255。

5.如权利要求1所述的一种胎儿心脏标准切面自动分类法，其特征在于：所述步骤S40具体包括：

步骤S41、赋予各所述标准切面相同的初始权值：

其中D₁(i)表示初始权值分布，w_i表示初始权值，N表示标准切面的编号，为正整数；

步骤S42、用决策树作为基分类器训练弱分类器，得到误差率ε：

步骤S43、计算所述弱分类器的权重α：

步骤S44、对所述误差率ε以及权重α进行迭代，进而更新各所述标准切面的权值分布：

其中D_t+1(i)表示迭代后的标准切面的权值分布；D_t(i)表示迭代前的标准切面的权值分布；t表示迭代次数，t＝1,...,T，T为正整数；H_t表示第t次迭代产生的弱分类器；α_t表示第t次迭代产生的弱分类器的权重；x_i表示标准切面的编号；y_i表示标准切面的类别标签，且y_i∈{1，-1}；Z_t表示第t次迭代的归一化常数；ε_t表示第t次迭代的误差率；

步骤S45、基于更新的各所述标准切面的权值分布得到各弱分类器的权重α_t，利用所述权重α_t重新组合各弱分类器：

步骤S46、通过符号函数，将重新组合的各弱分类器生成强分类器：

H_final＝sign(f(x))；

步骤S47、利用所述强分类器对各所述标准切面进行自动分类。

Images