CN111428778A - 一种胎儿颜面部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颜面部标准切面自动分类法，包括如下步骤：步骤S10、获取复数张胎儿颜面部的超声图像，对各所述超声图像进行预处理并分别生成标准切面；步骤S20、提取所述标准切面中包括局部二值模式以及方向梯度直方图的纹理特征；步骤S30、对所述纹理特征进行欧式距离归一化，得到特征向量；步骤S40、基于所述特征向量，利用支持向量机对所述标准切面进行学习和分类。本发明的优点在于：极大的提升了胎儿颜面部标准切面分类的精度以及效率，进而极大的提升了提升临床诊断效率，降低了临床诊断成本。

Description

一种胎儿颜面部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，特别指一种胎儿颜面部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。相对于普通图像，医学超声图像的胎儿颜面部标准切面是观察胎儿面部轮廓和筛查各种胎儿唇裂的良好切面，很多唇部、面部异常在胎儿颜面部标准切面上都有明显的显示，如前额后缩、前额突出、前额扁平、无鼻、裂鼻、长鼻和面斜裂畸形等。

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。在对胎儿进行系统的超声检查过程中，最基础的环节是胎儿各部位标准切面的识别获取。然而，针对胎儿颜面部标准切面的识别获取，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，如何提供一种胎儿颜面部标准切面自动分类法，实现提升胎儿颜面部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，在于提供一种胎儿颜面部标准切面自动分类法，实现提升胎儿颜面部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：一种胎儿颜面部标准切面自动分类法，包括如下步骤：

步骤S10、获取复数张胎儿颜面部的超声图像，对各所述超声图像进行预处理并分别生成标准切面；

步骤S20、提取所述标准切面中包括局部二值模式以及方向梯度直方图的纹理特征；

步骤S30、对所述纹理特征进行欧式距离归一化，得到特征向量；

步骤S40、基于所述特征向量，利用支持向量机对所述标准切面进行学习和分类。

进一步地，所述步骤S10具体包括：

步骤S11、获取胎儿颜面部的超声图像；

步骤S12、利用矩形框选取出所述超声图像的感兴趣区域；

步骤S13、将所述感兴趣区域的大小缩放至预设的大小，进而生成标准切面。

进一步地，所述步骤S20中，所述提取所述标准切面中局部二值模式的纹理特征具体包括：

步骤S211、将所述标准切面划分为a*a个不重叠的细胞单元，a为正整数；

步骤S212、对各所述细胞单元的每个像素进行遍历，逐一定义为中心点；

步骤S213、设置所述中心点周围的采样点的区域半径R以及采样点数量d，计算各所述采样点的坐标值(x_e,y_e)；

其中x_e表示采样点的横坐标，y_e表示采样点的纵坐标，x_c表示中心点的横坐标，y_c表示中心点的纵坐标，R为正数，d为正整数；

步骤S214、利用双线性差值公式对各所述采样点的坐标值进行插值化：

进而得到差值化后的所述采样点的坐标值(x_e',y_e')；

步骤S215、基于差值化后的所述采样点的坐标值(x_e',y_e')确定采样点的灰度值i_e，基于中心点的坐标值(x_c,y_c)确定中心点的灰度值i_c；计算灰度值i_e和灰度值i_c的灰度差值，并对所述灰度差值进行二值化：

x＝i_e-i_c；

其中x表示灰度差值；s(x)表示给点中心点的符号，即灰度差值大于等于0时取值为1，否则取值为0；

步骤S216、计算各所述中心点的局部二值模式的取值：

其中P表示中心点邻域的大小，且4≤P≤24。

进一步地，所述步骤S20中，所述提取所述标准切面中方向梯度直方图的纹理特征具体包括：

步骤S221、将所述标准切面划分为b₁*b₁个不重叠的块，将所述块划分为b₂*b₂个不重叠的子块，b₁和b₂均为正整数；

步骤S222、利用Gamma校正法对各所述子块进行颜色空间的标准化，进而转换为灰度图：

I'(x₁,y₁)＝I(x₁,y₁)^gamma；其中I(x₁,y₁)表示所述子块各像素点的原始RGB值，I'(x₁,y₁)表示所述子块各像素点进行颜色标准化后的RGB值；

步骤S223、计算转换为灰度图的各所述子块的每个像素的水平方向梯度值和垂直方向梯度值：

其中

表示水平方向梯度值，

表示垂直方向梯度值，F(.)表示对应坐标处的像素值；

步骤S224、基于所述水平方向梯度值和垂直方向梯度值计算梯度幅值以及梯度方向：

其中M(x₂,y₂)表示梯度幅值；θ(x₂,y₂)表示梯度方向；

步骤S225、基于所述梯度幅值以及梯度方向得到方向梯度直方图。

进一步地，所述步骤S30具体包括：

步骤S31、对各所述细胞单元的局部二值模式进行串联，得到所述标准切面的局部二值模式，并进行欧式距离归一化，得到LBP特征；

步骤S32、对各所述子块的方向梯度直方图进行串联，得到块的方向梯度直方图，对各所述块的方向梯度直方图进行串联，得到所述标准切面的方向梯度直方图，并进行欧式距离归一化，得到HOG特征；

步骤S33、将所述LBP特征以及HOG特征进行串联，得到胎儿颜面部标准切面的特征向量；

所述步骤S31与步骤S32不分先后顺序。

进一步地，所述步骤S40具体为：

将各所述标准切面的特征向量输入支持向量机进行学习和训练，生成分类模型，进而利用所述分类模型对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后进行归一化处理，得到特征向量，进而基于所述特征向量，利用支持向量机对所述标准切面进行学习和分类，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，极大的提升了胎儿颜面部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是本发明一种胎儿颜面部标准切面自动分类法的流程图。

图2是本发明胎儿颜面部标准切面三类示意图。

具体实施方式

请参照图1至图2所示，本发明一种胎儿颜面部标准切面自动分类法的较佳实施例，包括如下步骤：

步骤S10、获取复数张胎儿颜面部的超声图像，对各所述超声图像进行预处理并分别生成标准切面；胎儿颜面部的标准切面包括双眼球横切面、颜面正中失状切面以及鼻唇冠状切面；对各所述超声图像进行预处理即去除超声图像四周信息，有效提取感兴趣区域；

步骤S20、提取所述标准切面中包括局部二值模式(LBP)以及方向梯度直方图(HOG)的纹理特征；

步骤S30、对所述纹理特征进行欧式距离归一化，得到特征向量；通过欧式距离归一化，能够提升模型精度，提升收敛速度；

步骤S40、基于所述特征向量，利用支持向量机(SVM)对所述标准切面进行学习和分类。

所述步骤S10具体包括：

步骤S11、通过B型超声诊断系统获取胎儿颜面部的超声图像；

步骤S12、利用矩形框选取出所述超声图像的感兴趣区域；

步骤S13、将所述感兴趣区域的大小缩放至预设的大小，进而生成标准切面。

所述步骤S20中，所述提取所述标准切面中局部二值模式的纹理特征具体包括：

步骤S211、将所述标准切面划分为a*a个不重叠的细胞单元，a为正整数；以所述细胞单元为单位进行局部二值模式的特征提取；所述细胞单元指LBP单元格的大小，是以像素为单位指定的二元素向量，要捕获大规模空间信息，可以适当增加所述细胞单元的大小，但在增加所述细胞单元大小的同时，可能会丢失小规模的细节，因此所述a的取值优选为32；

步骤S212、对各所述细胞单元的每个像素进行遍历，逐一定义为中心点；

步骤S213、设置所述中心点周围的采样点的区域半径R以及采样点数量d，计算各所述采样点的坐标值(x_e,y_e)；

其中x_e表示采样点的横坐标，y_e表示采样点的纵坐标，x_c表示中心点的横坐标，y_c表示中心点的纵坐标，R为正数，d为正整数；

由于原始的LBP特征采用固定邻域内的灰度值，当图像的尺度发生变化时，LBP特征的编码会发生错误，LBP特征将不能正确反映像素点周围的纹理信息。本发明对超声图像预处理阶段会改变图像的尺度，为了适应不同尺度的纹理特征，采用可变区域的圆形LBP特征(Extended LBP)，即所述区域半径R以及采样点数量d可按需设置。

步骤S214、利用双线性差值公式对各所述采样点的坐标值进行插值化：

进而得到差值化后的所述采样点的坐标值(x_e',y_e')；

由于步骤S213中计算各所述采样点的坐标值可能不是整数，即计算出来的点不在图像上，因此需要进行插值化。

步骤S215、基于差值化后的所述采样点的坐标值(x_e',y_e')确定采样点的灰度值i_e，基于中心点的坐标值(x_c,y_c)确定中心点的灰度值i_c；计算灰度值i_e和灰度值i_c的灰度差值，并对所述灰度差值进行二值化：

x＝i_e-i_c；

其中x表示灰度差值；s(x)表示给点中心点的符号，即灰度差值大于等于0时取值为1，否则取值为0；

步骤S216、计算各所述中心点的局部二值模式的取值：

其中P表示中心点邻域的大小，且4≤P≤24，增加邻域的大小，使得可以围绕每个像素编码更多的细节，但同时会提高程序的计算复杂度，处理时间相应增长，造成不必要的冗余，因此所述P的取值优选为8。

所述步骤S20中，所述提取所述标准切面中方向梯度直方图的纹理特征具体包括：

步骤S221、将所述标准切面划分为b₁*b₁个不重叠的块，将所述块划分为b₂*b₂个不重叠的子块，b₁和b₂均为正整数；以所述子块为单位进行方向梯度直方图的特征提取；将所述标准切面划分为块，有助于捕获局部像素的重要性，抑制HOG特征的光照变化，所述b₁的取值优选为3；所述子块指HOG单元格的大小，是以像素为单位指定的二元素向量，要捕获大规模空间信息，可以适当增加所述子块的大小，但在增加所述子块大小的同时，可能会丢失小规模的细节，因此所述b₂的取值优选为32；

步骤S222、利用Gamma校正法对各所述子块进行颜色空间的标准化，进而转换为灰度图：

I'(x₁,y₁)＝I(x₁,y₁)^gamma；其中I(x₁,y₁)表示所述子块各像素点的原始RGB值，I'(x₁,y₁)表示所述子块各像素点进行颜色标准化后的RGB值；

转换为灰度图的目的是调节图像的对比度，抑制噪声干扰；

步骤S223、计算转换为灰度图的各所述子块的每个像素的水平方向梯度值和垂直方向梯度值：

其中

表示水平方向梯度值，

表示垂直方向梯度值，F(.)表示对应坐标处的像素值；

计算所述水平方向梯度值和垂直方向梯度值的目的是捕获轮廓信息，同时进一步弱化光照的干扰；

步骤S224、基于所述水平方向梯度值和垂直方向梯度值计算梯度幅值以及梯度方向：

其中M(x₂,y₂)表示梯度幅值；θ(x₂,y₂)表示梯度方向；

步骤S225、基于所述梯度幅值以及梯度方向对所述子块内的像素进行统计，得到方向梯度直方图。

所述步骤S225具体为：将0°至180°平均分为k个通道，k为正整数，所述子块内每一个像素点都对基于方向的通道进行加权投票，权值为所述梯度幅值，各所述子块将输出k维的向量，即所述子块的方向梯度直方图。

将各所述块内所有的子块里的向量排列起来得到该块对应的特征向量，将整张所述标准切面内所有块的特征向量排列起来得到整张所述标准切面的方向梯度直方图，即HOG特征向量。

所述步骤S30具体包括：

步骤S31、对各所述细胞单元的局部二值模式进行串联，得到所述标准切面的局部二值模式，并进行欧式距离归一化，得到LBP特征；

步骤S32、对各所述子块的方向梯度直方图进行串联，得到块的方向梯度直方图，对各所述块的方向梯度直方图进行串联，得到所述标准切面的方向梯度直方图，并进行欧式距离归一化，得到HOG特征；

步骤S33、将所述LBP特征以及HOG特征进行串联，得到胎儿颜面部标准切面的特征向量；

所述步骤S31与步骤S32不分先后顺序。

即先分别串联出整张标准切面的所述LBP特征以及HOG特征，再将整张标准切面的所述LBP特征以及HOG特征进行串联，进而得到胎儿颜面部标准切面的特征向量。

由于各所述标准切面(训练数据集)具有多样性的特点，对特征向量(局部二值模式和方向梯度直方图)进行归一化能够提高识别率。同时，归一化是让不同维度之间的特征向量在数值上有一定比较性，极大的提高了支持向量机分类的准确性。本发明采取特征串联的线性模型，数据归一化后，最优解的寻优过程明显会变得平缓，更容易正确的收敛到最优解。

归一化就是将训练数据集中某一列特征向量的取值缩放到0至1之间：

其中i表示第i列，为正整数；x_i表示特征向量的取值；

选择合适的LP归一化特征向量有助于提高分类精度，可以有效去除背景信息。每个矩阵除以相应的归一化值，LP归一化后特征矩阵分布在半径为L的球面上，LP幅值用实数表示，当p≥1时定义如下：

其中p＝1为L1归一化，p＝2是L2归一化，又称欧式距离归一化。

将得到的LBP特征进行欧式距离归一化，欧式距离定义为：

其中，a与b分别为两个向量(x₁₁,x₁₂,…,x_1n)与(x₂₁,x₂₂,…,x_2n)，ρ为向量a与b之间的欧式距离。

所述步骤S40具体为：

将类型分别为双眼球横切面、颜面正中失状切面以及鼻唇冠状切面的各所述标准切面的特征向量输入多分类支持向量机进行学习和训练，生成分类模型，进而利用所述分类模型对标准切面进行自动分类。

支持向量机的主要任务是正确的将数据集分开,在二维平面内,只需要曲线就能将正负样本分开,而在n维立体空间,需要找到一个超级平面来代替二维空间中的曲线,用SVM分类器计算的过程就是找到超级平面的过程,这个超级平面就是支持向量机(SVM分类器)。

超级平面的数学表达式为：D＝ω₁x₁+ω₂x₂+…+ω_nx_n+b；其中x₁到x_n表示n微坐标系，ω₁到ω_n表示各个维度的系数；

令

则D＝W^TX+b；其中

为法向量，决定了超级平面的方向；b为位移项，即截距；

SVW找到超级平面后，进一步求解最大分类问题：

其中h_i表示点x_i到超级平面W^TX_i+b＝0的欧式距离；||W||表示超级平面的范数，最大分类间隔

即本实施例的最优支持向量机。

由于SVM本身是一个二值分类器，最初是为二分类问题设计的，而本发明要解决的是三分类问题，因此需要将多个二分类器组合起来形成一个多分类器，本发明采用“一对多法”支持向量机，针对三个分类，需要训练三个分类器，分类速度较快。若双眼球横切面记为A，颜面正中矢状切面记为B，鼻唇冠状切面记为C，先把其中一类作为分类1，其他类统一归为分类2，逐一将每个类归为分类1，构造出本发明的三个分类器，分类器1：A作为正集，B、C作为负集；分类器2：B作为正集，A、C作为负集；分类器3：C作为正集，A、B作为负集。

当对一个未知样本进行分类时，将此样本带入每一个分类器1，如果分类器判定该样本为正集，则输出该样本为A，若判定该样本为负集，则继续将该样本带入分类器2，以此类推，直至分类器N给出该样本的分类标签，输出最终分类结果。

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后进行归一化处理，得到特征向量，进而基于所述特征向量，利用支持向量机对所述标准切面进行学习和分类，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，极大的提升了胎儿颜面部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 (6)

1.一种胎儿颜面部标准切面自动分类法，其特征在于：包括如下步骤：

步骤S10、获取复数张胎儿颜面部的超声图像，对各所述超声图像进行预处理并分别生成标准切面；

步骤S20、提取所述标准切面中包括局部二值模式以及方向梯度直方图的纹理特征；

步骤S30、对所述纹理特征进行欧式距离归一化，得到特征向量；

步骤S40、基于所述特征向量，利用支持向量机对所述标准切面进行学习和分类。

2.如权利要求1所述的一种胎儿颜面部标准切面自动分类法，其特征在于：所述步骤S10具体包括：

步骤S11、获取胎儿颜面部的超声图像；

步骤S12、利用矩形框选取出所述超声图像的感兴趣区域；

步骤S13、将所述感兴趣区域的大小缩放至预设的大小，进而生成标准切面。

3.如权利要求1所述的一种胎儿颜面部标准切面自动分类法，其特征在于：所述步骤S20中，所述提取所述标准切面中局部二值模式的纹理特征具体包括：

步骤S211、将所述标准切面划分为a*a个不重叠的细胞单元，a为正整数；

步骤S212、对各所述细胞单元的每个像素进行遍历，逐一定义为中心点；

步骤S213、设置所述中心点周围的采样点的区域半径R以及采样点数量d，计算各所述采样点的坐标值(x_e,y_e)；

其中x_e表示采样点的横坐标，y_e表示采样点的纵坐标，x_c表示中心点的横坐标，y_c表示中心点的纵坐标，R为正数，d为正整数；

步骤S214、利用双线性差值公式对各所述采样点的坐标值进行插值化：f(x_e',y_e')≈[1-x_e x_e]

进而得到差值化后的所述采样点的坐标值(x_e',y_e')；

步骤S215、基于差值化后的所述采样点的坐标值(x_e',y_e')确定采样点的灰度值i_e，基于中心点的坐标值(x_c,y_c)确定中心点的灰度值i_c；计算灰度值i_e和灰度值i_c的灰度差值，并对所述灰度差值进行二值化：

x＝i_e-i_c；

其中x表示灰度差值；s(x)表示给点中心点的符号，即灰度差值大于等于0时取值为1，否则取值为0；

步骤S216、计算各所述中心点的局部二值模式的取值：

其中P表示中心点邻域的大小，且4≤P≤24。

4.如权利要求1所述的一种胎儿颜面部标准切面自动分类法，其特征在于：所述步骤S20中，所述提取所述标准切面中方向梯度直方图的纹理特征具体包括：

步骤S221、将所述标准切面划分为b₁*b₁个不重叠的块，将所述块划分为b₂*b₂个不重叠的子块，b₁和b₂均为正整数；

步骤S222、利用Gamma校正法对各所述子块进行颜色空间的标准化，进而转换为灰度图：

I'(x₁,y₁)＝I(x₁,y₁)^gamma；其中I(x₁,y₁)表示所述子块各像素点的原始RGB值，I'(x₁,y₁)表示所述子块各像素点进行颜色标准化后的RGB值；

步骤S223、计算转换为灰度图的各所述子块的每个像素的水平方向梯度值和垂直方向梯度值：

其中

表示水平方向梯度值，

表示垂直方向梯度值，F(.)表示对应坐标处的像素值；

步骤S224、基于所述水平方向梯度值和垂直方向梯度值计算梯度幅值以及梯度方向：

其中M(x₂,y₂)表示梯度幅值；θ(x₂,y₂)表示梯度方向；

步骤S225、基于所述梯度幅值以及梯度方向得到方向梯度直方图。

5.如权利要求3或4所述的一种胎儿颜面部标准切面自动分类法，其特征在于：所述步骤S30具体包括：

步骤S31、对各所述细胞单元的局部二值模式进行串联，得到所述标准切面的局部二值模式，并进行欧式距离归一化，得到LBP特征；

步骤S32、对各所述子块的方向梯度直方图进行串联，得到块的方向梯度直方图，对各所述块的方向梯度直方图进行串联，得到所述标准切面的方向梯度直方图，并进行欧式距离归一化，得到HOG特征；

步骤S33、将所述LBP特征以及HOG特征进行串联，得到胎儿颜面部标准切面的特征向量；

所述步骤S31与步骤S32不分先后顺序。

6.如权利要求1所述的一种胎儿颜面部标准切面自动分类法，其特征在于：所述步骤S40具体为：

将各所述标准切面的特征向量输入支持向量机进行学习和训练，生成分类模型，进而利用所述分类模型对标准切面进行自动分类。

Images