CN111462077B - 一种利用非线性信息熵定征生物组织的方法 - Google Patents

Abstract

本发明公开了一种利用非线性信息熵定征生物组织的方法，属于组织定征和统计学中的假设检验技术领域。本发明首先扫描和存储组织的原始RF信号二次谐波数据；其次用非线性信息熵对一帧RF数据进行重构，利用小窗遍历二维RF信号矩阵获得熵图，以此反映生物组织回波的统计学特性；然后计算感兴趣和参考区域内每条扫描线上每一个或数个周期熵的均方根值；再用Kolmogorov–Smirnov检验把各区域内每条扫描线上熵的均方根值与参考区域的进行比较，计算相应p值；最后用感兴趣区域的算术平均p值除以参考区域的算术平均p值，得到相对p值。本发明解决了当前组织定征中检测复杂生物组织主观性强的问题，测量准确、容易实施。

Description

一种利用非线性信息熵定征生物组织的方法

技术领域

本发明涉及生物组织测量领域，更具体地说，涉及一种利用非线性信息熵定征生物组织的方法。

背景技术

由于超声波进入生物组织后与其相互作用的机理尚未十分明了，人们只能通过提取超声回波信息并作出解释来间接达到识别组织结构、成分、状态的目的，从而促使人们进行超声组织定征特征提取的研究。

目前，基于超声成像技术的处理超声图像识别和提取组织特征的方法也在近年来得到发展，并建立了计算机辅助诊断系统。计算机辅助判别已成为国内外学术界的研究热点之一。这个系统包括图像采集、图像预处理、感兴趣区区域分割、特征提取并识别等步骤。从B超图像中提取的包括分形维数的纹理信息和形态特征等难以单独用于反映组织异常。目前具有较高准确率的方法是综合这些参数，使用人工神经网络或支持向量机作为分类器对图像进行识别。然而这个方法需要大量样本，多种特征的提取，计算复杂，同时受图像本身信息量限制。超声图像获取的是经处理的背向散射信号，只包括了散射信号的幅度信息，影响了反映组织特性的准确性。信息量的丢失，在成像过程中是不可避免的。特别对于结构多源的复杂组织，只用图像往往难以定征。

熵与超声回波的统计包络密切相关，而各类研究已经表明，不同的生物组织之间，不仅超声回波信号的强度会有变化，其回波信号的统计包络也有显著的区别。因此通过测量超声回波信号信息熵的变化，能够有效地对生物组织进行定征。

公开文献《Effects of Fatty Infiltration of the Liver on the ShannonEntropy of Ultrasound Backscattered Signals》，Tsui Po-Hsiang,Wan Yung-Liang-《Entropy》，[doi:10.3390/e17106598]，超声熵对脂肪肝的影响，徐伯祥、万勇良，《信息熵》，将熵成像应用于脂肪肝检测。但此方案精确度不足。中国专利申请，申请号201811115577.1，提出一种基于背散射系数的超声散射子直径多尺度成像方法，使用滑动窗技术来重构超声图像。当时其是使用超声散射子直径计算，复杂度高。中国专利申请，申请号201710320561.3，对一帧RF信号进行滤波，选取ROI和RR，并用Kolmogorov–Smirnov检验来得到p值。但本方案需要进行滤波才能进行工作，准确度不足。中国专利申请，申请号201310423058.2，专利名称为：一种基于超声射频流分析的肝组织微结构的检测方法，该申请案获取肝组织区域连续P帧超声回波射频RF信号，解调得到RF信号的B型图；在B型图上选择感兴趣区域ROI，获取感兴趣区域内超声回波射频RF信号；获取感兴趣区域ROI内每个射频流的Higuchi的FD特征；计算每个射频流的功率谱；分别对FD特征和功率谱作平均处理，并提取功率谱特征；使用一个预先训练好的神经网络模型，将平均处理后的Higuchi分形特征及功率谱特征输入到神经网络，根据输出检测肝组织微结构变化，具有检测准确度高的优点。但是该方法需要提取多帧RF信号，且需要预先训练神经网络来辅助判别。中国专利申请，申请号201710417075.3，专利名称为：基于希尔伯特□黄变换的超声组织定征的特征提取方法，该申请通过希尔伯特—黄变换提取生物组织的多个参数，分析其贡献率，选取其中主要成分加权求和来得到定征组织的参数。

但是，上述方案整体上复杂度高、准确度不足，且需要提取多帧图像才能进行相应的计算，成本高。

发明内容

1.要解决的技术问题

针对现有技术中存在的复杂度高、准确度不足、效率低的问题，本发明提供了一种利用非线性信息熵定征生物组织的方法。它可以实现只需提取一帧RF图像进行重构后进行定征，效率高、准确率好。

2.技术方案

本发明的目的通过以下技术方案实现。

一种利用非线性信息熵定征生物组织的方法，其步骤如下：

1)扫描获取生物组织的原始RF二次谐波数据；

2)对原始RF数据进行重构，获得熵图；

3)根据熵图，选取感兴趣区和参考区；

4)计算感兴趣区和参考区中每条扫描线上每N个周期熵信号Hc(x)的均方根值，从而获得每条扫描线上熵均方根值数组；

5)将感兴趣区和参考区内每条扫描线上的均方根值数组与参考区的进行比较，得到反映感兴趣区和参考区某扫描线上熵分布差异度的p值；

6)将感兴趣区与参考区进行比较，计算反映组织结构变化的相对值Prelative。

更进一步的，步骤2)中对原始RF数据进行重构，获得熵图的具体方法如下：

2.1)将矩形窗口在待测组织的超声射频信号上滑动，所述超声射频信号的大小为M×N，即M条扫描线，每条扫描线包含N个采样点，相邻两条扫描线之间的间距为Intlat米，相邻两个采样点之间的间距为Intaxi米；所述矩形窗口即滑动窗口的大小为Mw×Nw，表示Mw条扫描线×Nw个采样点，Mw＝<ε×Len/Intlat>，Nw＝<ε×Len/Intaxi>，其中Len为超声发射脉冲的长度，Len的单位为米，<>表示向上取整，ε为正整数；滑动窗口在X方向即扫描线方向和Z方向即采样点方向上滑动的步长分别为δX和δZ，共获得σX×σZ个滑动窗口，δX和δZ分别表示在X方向和Z方向上两个相邻的滑动窗口之间的距离，0<δX≤Mw，0<δZ≤Nw，σX＝<(M－Mw)/δX>，σZ＝<(N－Nw)/δZ>，其中<>表示向上取整；

2.2)对于所述σX×σZ个大小为Mw×Nw的滑动窗口，分别计算每个滑动窗口内的熵值，将窗口内的所有RF数据点重排为一列一维信号，使用公式进行计算，计算公式为：

其中y代表重排后的一维信号，w(y)代表信号分布函数，y_max和y_min分别为y的最大值和最小值，对所有窗口进行计算，共获得σX×σZ个熵参数值，即大小为σX×σZ的熵参数二维矩阵Hcorig；

2.3)对于所述熵参数二维矩阵Hcorig，将其插值为大小为M×N的熵参数二维矩阵H_cM；

2.4)对于ε依次取值1,2,...,ε₁，其中ε₁为≥2的正整数，利用以上步骤2.1至步骤2.3，分别计算各ε取值下即各尺度下的熵参数二维矩阵H_cM_ε；

2.5)计算多尺度熵参数二维矩阵H_cM_mul：

H_cM_mul即为重构后的熵矩阵，与原始RF信号矩阵大小一致；

2.6)对熵参数二维矩阵HcMmul进行颜色映射，得到熵图。

更进一步的，步骤2.3)中使用的插值方法为线性插值法。

更进一步的，步骤3)中根据熵图，选取感兴趣区和参考区的具体方法为：选取包涵组织异常的矩形区域为感兴趣区，在感兴趣区同一高度选择与之大小相同的参考区，且保证参考区不包含结构未变化的组织。

更进一步的，步骤4)中N取1、2或3，计算的具体过程为：

其中f_s为扫描频率，f₂为二次谐波频率，x为扫描线对应重构熵图上的第x个点。

更进一步的，步骤5)中利用统计学中假设检验的p值，对扫描线上的信息熵的均方根值数组进行两样本Kolmogorov–Smirnov检验，将各区域内每条扫描线上的均方根值数组与参考区的进行比较，得到反映感兴趣区和参考区某扫描线上熵分布差异度的p值；具体过程为：

D＝max{|P₂₁(n)-P₂₂(n)|},n＝1,2...

P₂₁(n)和P₂₂(n)分别为两条扫描线上的熵均方根值数组的累积分布函数，M为熵均方根值数组长度，j为整数。

更进一步的，步骤6)按照下式计算反映组织异常的相对值Prelative：

其中，分别为感兴趣区和参考区内扫描线的算术平均值。

该方法较现有方法，能从回波信号分布函数的角度，更有效地定征生物组织，避免信息损失，只需取得一帧超声原始RF信号，通过将ROI和RR对比反映其熵的差异，且无需利用大量数据集预先训练神经网络或使用其他分类工具，在实际应用中更有利于实施。

综上所述，信息熵在生物组织定征上具有很高的应用价值。将信息熵与Kolmogorov–Smirnov检验相结合，计算反映结构变化组织ROI和参考区RR熵参数差异的相对p值，能够更有效地表征生物组织的结构变化程度。与以往的方法相比，该方法使用的熵参数与超声回波的统计特征密切相关，能更好的反映组织的结构变化，且无需滤波，避免了信息的损失，计算复杂度较其他图像重构参数有明显的下降，只需取得一帧超声原始RF信号，同时取得矩形ROI和RR，在实际使用中易于实施。

3.有益效果

相比于现有技术，本发明的优点在于：

本方法在重构图像基础上，使用Kolmogorov–Smirnov检验来对比ROI和RR，得到的相对p值反映的是两者之间熵的差异度，因此能够更为准确定征生物组织，准确率高。使用熵参数对图像进行重构，代替现有技术中原先的超声散射子直径，计算复杂度相较超声散射子直径来说大大减小。且在重构图像的基础上，选取感兴趣区(ROI)和参考区(RR)，依次取得各条扫描线上的熵的均方根值，使用Kolmogorov–Smirnov检验来比较其差异，得到反映感兴趣区和参考区某扫描线上熵分布差异度的p值，从而更加准确地定征生物组织，无需滤波，避免了由于滤波造成的信息损失，保证了该方法的科学性，准确性。且熵参数是与分布函数直接相关的一个参量，可以更为准确地反映组织结构变化的本质，即由于组织结构变化引起背向散射信号分布函数的改变，因此本方法所得到的p值与已公开专利中的p值有所不同，可以视为在其基础上做的改进，能够更有效地定征生物组织，具有更高的泛用性。

本方案所提出的方法只需提取一帧RF，且无需预先训练神经网络，操作实施更为简单易行，且避免了因为多帧RF信号采集时的抖动而造成的误差，仅需计算一种参数，即信息熵，无需进行主成分分析，具有较低的计算复杂度，且无需预先训练神经网络或使用其他分类工具，更为简单易行。

附图说明

图1是本发明的反映生物组织结构变化的参数测量流程图；

图2是使用本发明为说明在熵图上进行感兴趣区、参考区选择的示意图；

图3是步骤2和实施例二中对RF信号进行重构形成熵图的示意图。

具体实施方式

下面结合说明书附图和具体的实施例，对本发明作详细描述。

实施例1

1)通过扫描，获取生物组织原始RF数据的二次谐波；具体的将B超诊断仪设置在二次谐波扫描模式对组织进行扫描，获取原始RF数据的二次谐波分量。本发明采用信息熵来重构超声原始RF信号，由于信息熵是与回波信号分布函数密切相关的一个量，而组织的变异会极大地影响回波信号的分布函数，所以该方法能够从回波信号分布函数的角度来对生物组织进行定征；

2)对原始RF数据的二次谐波进行重构，获得熵图；

具体方法如下：

2.1)将矩形窗口在待测组织的超声射频信号上滑动，所述超声射频信号的大小为M×N，即M条扫描线，每条扫描线包含N个采样点，相邻两条扫描线之间的间距为Intlat米，相邻两个采样点之间的间距为Intaxi米；所述矩形窗口即滑动窗口的大小为Mw×Nw，表示Mw条扫描线×Nw个采样点，Mw＝<ε×Len/Intlat>，Nw＝<ε×Len/Intaxi>，其中Len为超声发射脉冲的长度，Len的单位为米，<>表示向上取整，ε为正整数；滑动窗口在X方向即扫描线方向和Z方向即采样点方向上滑动的步长分别为δX和δZ，共获得σX×σZ个滑动窗口，δX和δZ分别表示在X方向和Z方向上两个相邻的滑动窗口之间的距离，0<δX≤Mw，0<δZ≤Nw，σX＝<(M－Mw)/δX>，σZ＝<(N－Nw)/δZ>，其中<>表示向上取整；

2.2)对于所述σX×σZ个大小为Mw×Nw的滑动窗口，分别计算每个滑动窗口内的熵值。

在Shannon提出信息理论并引入熵作为信息的基本衡量标准之前，信息不是物理实体而是抽象概念，很难量化。信息本质上是不确定的，而不是确定性的。因此，信息源自然地被建模为随机变量或随机过程，并且采用概率来发展信息理论。

在我们的方案中，我们将窗口内的所有RF数据点重排为一列一维信号，使用公式进行计算，计算公式为：

其中y代表重排后的一维信号，w(y)代表信号分布函数，在超声成像中，反向散射RF信号的Shannon熵y＝f(t)被定义为反向散射概率分布的对数的负值，t表示时间，w(y)表示f(t)的概率密度函数，y表示f(t)的幅度，y_max和y_min分别为y的最大值和最小值。在实践中，使用上式的离散形式的基础连续波形的数字化版本来获得香农熵。熵是衡量信息内容不确定性或不可预测性的指标。当反向散射信号中的所有幅度值相同时，发生最小熵。当每个幅度值恰好出现一次时获得最大熵。

对所有窗口进行计算，共获得σX×σZ个熵参数值，即大小为σX×σZ的熵参数二维矩阵Hcorig。

上述使用多尺度的滑动窗技术来对RF信号进行重构，将滑动窗大小从小到大进行遍历，并对所有得到的重构图像取平均，有效避免了窗口过小造成的参数估计不稳定和窗口过大造成的图像分辨率不足的问题，能够保证组织定征的准确性。

2.3)对于所述熵参数二维矩阵Hcorig，将其插值为大小为M×N的熵参数二维矩阵H_cM；使用的插值方法为线性插值法；

2.4)对于ε依次取值1,2,...,ε₁，其中ε₁为≥2的正整数，利用以上步骤2.1至步骤2.3，分别计算各ε取值下即各尺度下的熵参数二维矩阵H_cM_ε；

2.5)计算多尺度熵参数二维矩阵H_cM_mul：

H_cM_mul即为重构后的熵矩阵，与原始RF信号矩阵大小一致；

2.6)对熵参数二维矩阵H_cM_mul进行颜色映射，取值范围为3至7，得到熵图。

3)根据熵图，选取感兴趣区和参考区，具体做法为：选取包涵组织异常的矩形区域为感兴趣区，在感兴趣区同一高度选择与之大小相同的参考区，且保证参考区不包含异常组织。ROI和RR的选取如图2所示，ROI的选取要求为包含所有感兴趣组织轮廓的矩形，RR的选取要求为不与ROI有重叠且与ROI在同一高度，具有相同大小的矩形。本方案在重构熵图的基础上，同时选取相同大小的感兴趣区ROI和参考区RR，计算得到反映其熵值差异的相对p值，更具客观性，降低了现有技术中由于主观性引入的误差。

4)计算感兴趣区和参考区中每条扫描线上每N个周期熵信号H_c(x)的均方根值，从而获得每条扫描线上熵均方根值数组，N取1、2或3，计算的具体过程为：

其中f_s为扫描频率，f₂为二次谐波频率，x为扫描线对应重构熵图上的第x个点。

5)将感兴趣区和参考区内每条扫描线上的均方根值数组与参考区的进行比较，得到反映感兴趣区和参考区某扫描线上熵分布差异度的p值，利用统计学中假设检验的p值，对扫描线上的信息熵的均方根值数组进行两样本Kolmogorov–Smirnov检验，将各区域内每条扫描线上的均方根值数组与参考区的进行比较，得到反映感兴趣区和参考区某扫描线上熵分布差异度的p值；具体过程为：

D＝max{|P₂₁(n)-P₂₂(n)|},n＝1,2...

P₂₁(n)和P₂₂(n)分别为两条扫描线上的熵均方根值数组的累积分布函数，M为熵均方根值数组长度，j为整数。

6)按照下式计算反映组织异常的相对值Prelative：

其中，分别为感兴趣区和参考区内扫描线的算术平均值。

信息熵虽然和分布函数密切相关，但是不基于任何统计模型的统计学参数，无需先行假设组织回波的统计模型，适用于任何超声系统的硬件及软件下的条件，大大增加了本发明方法的普适性及临床推广性；在公开发表的现有知识中，信息熵被广泛应用于区分微小结构的散射体信号，从理论上支持了本发明选取熵来定征生物组织的科学性，对后续进一步优化及开发熵的应用提供了理论保障和指导；

本发明方法能够利用熵图凸显病变区域，使得病变区域的轮廓在熵图中表现得比B超图像中清晰得多，从而避免了在选择区域时误将正常组织选入感兴趣区域，使得最终得到的参数受到影响，提高了组织定征时在选取感兴趣区域时的精确度。

以上示意性地对本发明创造及其实施方式进行了描述，该描述没有限制性，在不背离本发明的精神或者基本特征的情况下，能够以其他的具体形式实现本发明。附图中所示的也只是本发明创造的实施方式之一，实际的结构并不局限于此，权利要求中的任何附图标记不应限制所涉及的权利要求。所以，如果本领域的普通技术人员受其启示，在不脱离本创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本专利的保护范围。此外，“包括”一词不排除其他元件或步骤，在元件前的“一个”一词不排除包括“多个”该元件。产品权利要求中陈述的多个元件也可以由一个元件通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

Claims (7)

1.一种利用非线性信息熵定征生物组织的方法，其步骤如下：

1)扫描获取生物组织的原始RF二次谐波数据；

2)对原始RF数据进行重构，获得熵图；

3)根据熵图，选取感兴趣区和参考区；

4)计算感兴趣区和参考区中每条扫描线上每N个周期熵信号Hc(x)的均方根值，从而获得每条扫描线上熵均方根值数组；

5)将感兴趣区和参考区内每条扫描线上的均方根值数组与参考区的进行比较，得到反映感兴趣区和参考区某扫描线上熵分布差异度的p值；

6)将感兴趣区与参考区进行比较，计算反映组织结构变化的相对值Prelative。

2.根据权利要求1所述的一种利用非线性信息熵定征生物组织的方法，其特征在于：步骤2)中对原始RF数据进行重构，获得熵图的具体方法如下：

2.1)将矩形窗口在待测组织的超声射频信号上滑动，所述超声射频信号的大小为M×N，即M条扫描线，每条扫描线包含N个采样点，相邻两条扫描线之间的间距为Intlat米，相邻两个采样点之间的间距为Intaxi米；所述矩形窗口即滑动窗口的大小为Mw×Nw，表示Mw条扫描线×Nw个采样点，Mw＝<ε×Len/Intlat>，Nw＝<ε×Len/Intaxi>，其中Len为超声发射脉冲的长度，Len的单位为米，<>表示向上取整，ε为正整数；滑动窗口在X方向即扫描线方向和Z方向即采样点方向上滑动的步长分别为δX和δZ，共获得σX×σZ个滑动窗口，δX和δZ分别表示在X方向和Z方向上两个相邻的滑动窗口之间的距离，0<δX≤Mw，0<δZ≤Nw，σX＝<(M－Mw)/δX>，σZ＝<(N－Nw)/δZ>，其中<>表示向上取整；

2.2)对于所述σX×σZ个大小为Mw×Nw的滑动窗口，分别计算每个滑动窗口内的熵值，将窗口内的所有RF数据点重排为一列一维信号，使用公式进行计算，计算公式为：

其中y代表重排后的一维信号，w(y)代表信号分布函数，y_max和y_min分别为y的最大值和最小值，对所有窗口进行计算，共获得σX×σZ个熵参数值，即大小为σX×σZ的熵参数二维矩阵Hcorig；

2.3)对于所述熵参数二维矩阵Hcorig，将其插值为大小为M×N的熵参数二维矩阵H_cM；

2.4)对于ε依次取值1,2,...,ε₁，其中ε₁为≥2的正整数，利用以上步骤2.1至步骤2.3，分别计算各ε取值下即各尺度下的熵参数二维矩阵H_cM_ε；

2.5)计算多尺度熵参数二维矩阵H_cM_mul：

H_cM_mul即为重构后的熵矩阵，与原始RF信号矩阵大小一致；

2.6)对熵参数二维矩阵HcMmul进行颜色映射，得到熵图。

3.根据权利要求2所述的一种利用非线性信息熵定征生物组织的方法，其特征在于：步骤2.3)中使用的插值方法为线性插值法。

4.根据权利要求1所述的一种利用非线性信息熵定征生物组织的方法，其特征在于：步骤3)中根据熵图，选取感兴趣区和参考区的具体方法为：选取包涵组织异常的矩形区域为感兴趣区，在感兴趣区同一高度选择与之大小相同的参考区，且保证参考区不包含结构未变化的组织。

5.根据权利要求1或2或3或4所述的一种利用非线性信息熵定征生物组织的方法，其特征在于：步骤4)中N取1、2或3，计算感兴趣区域或参考区域内熵均方根值数组H_c(n)的具体过程为：

其中f_s为扫描频率，f₂为二次谐波频率，x为扫描线对应重构熵图上的第x个点。

6.根据权利要求5所述的一种利用非线性信息熵定征生物组织的方法，其特征在于：步骤5)中利用统计学中假设检验的值，对扫描线上的信息熵的均方根值数组进行两样本Kolmogorov–Smirnov检验，将各区域内每条扫描线上的均方根值数组与参考区的进行比较，得到反映感兴趣区和参考区某扫描线上熵分布差异度的p值；具体过程为：

D＝max{|P₂₁(n)-P₂₂(n)|},n＝1,2...

P₂₁(n)和P₂₂(n)分别为两条扫描线上的熵均方根值数组的累积分布函数，M为熵均方根值数组长度，j为整数。

7.根据权利要求6所述的一种利用非线性信息熵定征生物组织的方法，其特征在于：步骤6)按照下式计算反映组织异常的相对值Prelative：

其中，分别为感兴趣区和参考区内扫描线的算术平均值。