CN112784710A - 胸腔积液性质分析决策函数的构造方法及基于其的分析方法 - Google Patents
胸腔积液性质分析决策函数的构造方法及基于其的分析方法 Download PDFInfo
- Publication number
- CN112784710A CN112784710A CN202110016808.9A CN202110016808A CN112784710A CN 112784710 A CN112784710 A CN 112784710A CN 202110016808 A CN202110016808 A CN 202110016808A CN 112784710 A CN112784710 A CN 112784710A
- Authority
- CN
- China
- Prior art keywords
- image
- decision function
- pleural effusion
- features
- region
- 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
Links
- 208000002151 Pleural effusion Diseases 0.000 title claims abstract description 52
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 238000010276 construction Methods 0.000 title claims description 13
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 38
- 238000002604 ultrasonography Methods 0.000 claims description 23
- 238000003556 assay Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 13
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000000717 retained effect Effects 0.000 claims description 3
- 210000000115 thoracic cavity Anatomy 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract 1
- 230000007704 transition Effects 0.000 description 19
- 238000009825 accumulation Methods 0.000 description 8
- 239000012530 fluid Substances 0.000 description 6
- 239000007788 liquid Substances 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000010876 biochemical test Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 208000008423 pleurisy Diseases 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种胸腔积液性质分析决策函数的构造方法,包括:基于视频采样,获取待处理的图像帧;基于直方图匹配的图像处理,对获得的图像帧进行图像预处理;使用U‑Net网络对预处理后的图像进行分割,生成胸腔积液区域分割图像;基于预处理后的图像和所生成的胸腔积液区域分割图像进行特征提取,获得图像特征;筛选图像特征,并基于筛选后的图像特征构造决策函数;此外,本发明公开了一种基于决策函数分析胸腔积液的性质的方法。应用本发明实施例,将超声图像特征对应到生化检验的指标,实现无创且快速的定量分析积液性质。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及胸腔积液性质分析决策函数的构造方法及基于其的分析方法。
背景技术
胸腔积液是一种致命性疾病,而且胸腔积液是肿瘤、胸膜炎症等多种疾病的并发症,因此快速而又精确地判断胸腔积液的性质是非常有必要的。目前,主流的用于分析胸腔积液性质的方法是在有创引流后进行生化检验,这对患者会造成一定的痛苦,并且会花费较多的时间。超声影像是一种无创的辅助诊断方法,但是目前在业界还没有公认的通过对超声图像的特征进行分析来判断积液性质的方法。
本发明将超声图像特征对应到生化检验的指标,实现无创且快速地定量分析积液性质。该方法的可行性基于以下事实:超声图像的胸腔积液区域普遍为低回声区或无回声区,而且不同性质的胸腔积液在超声图像中的表现也有较大差别。此外,许多超声图像积液区域特征能与医生常用的从超声图像积液区域中获取的用于判断积液性质的信息相对应,比如超声图像积液区域的“均值”和“标准差”对应于医生获取的“亮度”和“对比度”信息。
本发明涉及的既有方法包括两大方面,其一为图像特征提取的相关技术,其二为支持向量分类机的相关技术。其中图像特征提取指的是计算机通过算法提取出图像特征,并且用这些特征来描述图像,实现了对图像的抽象化;而支持向量分类机是借助于最优化方法解决数据挖掘中若干问题的有力工具。
发明内容
本发明的目的在于提供一种胸腔积液性质分析决策函数的构造方法及基于其的分析方法,将超声图像特征对应到生化检验的指标,实现无创且快速的定量分析积液性质。
为了实现上述目的,本发明提供一种胸腔积液性质分析决策函数的构造方法,包括:
基于视频采样,获取待处理的图像帧;
基于直方图匹配的图像处理,对获得的图像帧进行图像预处理;
使用U-Net网络对预处理后的图像进行分割,生成胸腔积液区域分割图像;
基于预处理后的图像和所生成的胸腔积液区域分割图像进行特征提取,获得图像特征;
筛选图像特征,并基于筛选后的图像特征构造决策函数。
一种实现方式中,所述基于视频采样,获取待处理的图像帧的步骤:
从视频中采样胸腔超声影像中不受膈肌或肋骨影响的图像帧,作为待处理的图像帧。
一种实现方式中,所述基于直方图匹配的图像处理,对获得的图像帧进行图像预处理的步骤:
选定基准图像,将基准图像的无效区作为直方图匹配的目标对象对其他图像的无效区分别执行直方图匹配,使其他图像的无效区的直方图与基准图像的无效区的直方图的相似度较高;
获取每一次直方图匹配对应的灰度映射;
将其他图像根据其对应的灰度映射改变,改变后的图像即为预处理之后的图像。
一种实现方式中,所述基于预处理后的图像和所生成的胸腔积液区域分割图像进行特征提取,获得图像特征的步骤:
在预处理后的图像中的胸腔积液区域分割图像确定的区域提取第一数量个图像特征;
在预处理后的图像中的灰度值非零的胸腔积液区域的分割图像确定的区域提取第二数量个图像特征。
一种实现方式中,所述筛选图像特征,并基于筛选后的图像特征构造决策函数的步骤:
将化验指标按照其值进行分类;
使用Relief-F进行特征选择;
基于选择后的特征,使用十次十折交叉验证法为支持向量分类机计算准确率;
更改支持向量机的参数和特征选择步骤保留的特征的比例,重复执行所述使用Relief-F进行特征选择的步骤和所述基于选择后的特征,使用十次十折交叉验证法为支持向量分类机计算准确率的步骤;
使用得分最高的支持向量机参数和保留的特征的比例组合计算决策函数。
以及公开一种基于决策函数的胸腔积液性质分析方法,包括:获取带检测病人的化验指标;
(1)设共L个化验指标,每个化验指标ti对应一个决策函数fi和该化验指标对应的图像特征集合si,i=1,2,…,L;
(2)设从病人的超声视频中采样共M张图片,把图片分别记为I1,I2,…,IM;对所有图像执行构造决策函数时使用的图像预处理方法,其中基准图像使用构造决策函数时使用的基准图像,将预处理后的图像仍旧记为I1,I2,…,IM;令正在处理的化验指标编号k=1;
(4)将Ip、胸腔积液区域分割图像(使用U-Net网络分割得到)和灰度值非零的胸腔积液区域的分割图像作为输入执行构造决策函数时使用的特征提取方法,其中只计算sk中的特征的特征值,将计算出的一组特征值记为
(6)令p=p+1,若p≤M,则从步骤(4)开始执行,否则从步骤(7)开始执行;
(8)令正在处理的化验指标编号k=k+1,若k≤L,则从步骤(3)开始执行,否则结束,完成胸腔积液性质分析。
本发明还提供了一种基于决策函数的胸腔积液性质分析方法,其特征在于,包括:获取带检测病人的化验指标;
(1)设共L个化验指标,每个化验指标ti对应一个决策函数fi和该化验指标对应的图像特征集合si,i=1,2,…,L;
(2)设从病人的超声视频中采样共M张图片,把图片分别记为I1,I2,…,IM;对所有图像执行构造决策函数时使用的图像预处理方法,其中基准图像使用构造决策函数时使用的基准图像,将预处理后的图像仍旧记为I1,I2,…,IM;令正在处理的化验指标编号k=1;
(4)将Ip、胸腔积液区域分割图像(使用U-Net网络分割得到)和灰度值非零的胸腔积液区域的分割图像作为输入执行构造决策函数时使用的特征提取方法,其中只计算sk中的特征的特征值,将计算出的一组特征值记为
(6)令p=p+1,若p≤M,则从步骤(4)开始执行,否则从步骤(7)开始执行;
(8)令正在处理的化验指标编号k=k+1,若k≤L,则从步骤(3)开始执行,否则结束,完成胸腔积液性质分析。
应用本发明实施例提供的胸腔积液性质分析决策函数的构造方法及基于其的胸腔积液性质分析方法,将超声图像特征对应到生化检验的指标,实现无创且快速的定量分析积液性质。
附图说明
图1是本发明实施例胸腔积液性质分析决策函数的构造方法的一种流程示意图。
图2是本发明实施例基于决策函数的胸腔积液性质分析方法的一种流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
如图1本发明提供一种胸腔积液性质分析决策函数的构造方法,包括:
S110,基于视频采样,获取待处理的图像帧;
需要说明的是,医生会在每个肋间对肺部进行扫描,每扫描一个肋间就生成一个dcm格式的视频,从视频中采样得到不受膈肌或肋骨影响的内容尽可能不同的帧。
具体的,胸腔积液超声影像的某些帧中由于膈肌或肋骨的遮挡,胸腔积液的区域会部分或全部变暗,这会影响积液区域的图像特征,而且积液轮廓也会部分或彻底消失,U-Net难以根据这些帧划分出正确的积液区域,所以这些帧应当被去除。这些帧在下文中将被称为“不可用的帧”,其余的帧将被称为“可用的帧”。当“可用的帧”与“不可用的帧”之间相互转变时,灰度值低于t的像素的数量会迅速地增加或减少,称处于转变状态的帧为过渡帧,且称较暗的帧大幅增加的过渡帧为A类过渡帧,称较暗的帧大幅减少的过渡帧为B类过渡帧。只需要找到所有的A类过渡帧和B类过渡帧即可确定哪些帧是“不可用的帧”。
特殊地,第一组过渡帧之前的帧的类别判断方法是从第一帧开始往后检查,如果最先遇到的过渡帧是A类过渡帧,则认为这组过渡帧之前的帧为“可用的帧”,如果最先遇到的过渡帧是B类过渡帧,则认为这组过渡帧之前的帧为“不可用的帧”,如果没有遇到过渡帧,则认为该视频的所有帧都是可用的帧。
为了进一步提高U-Net划分的准确率,所有的过渡帧也都被算作是“不可用的帧”。选取出“可用的帧”之后,由于“可用的帧”中有许多内容相似的帧,所以应当仅取其中内容尽可能不同的帧。具体步骤如下:
1.提取胸腔超声影像中不受膈肌或肋骨影响的帧;
(1)选择合适的灰度阈值t和像素数阈值n。
(2)设共L帧,每帧记为F1,F2,…,FL,计算每一帧的灰度值低于t的像素个数ki,i=1,2,…,L,令kL+1=kL-1
(3)计算相邻两帧之间的灰度值低于t的像素个数的差值。
onei=ki-ki+1,i=1,2,…,L-1
计算相邻三帧之间的灰度值低于t的像素个数的差值。
twoi=ki-ki+2,i=1,2,…,L-1
(4)找出过渡帧
(5)令status=1,p=1,i=1
(6)若status==1且Upi==1且(p==0和i≤p+9至少成立一个),则p=i+2
若status==1且Downi==1,则status=0,并将Fp,Fp+1,…,Fi标记为“可用的帧”
若status==0且Upi==1,则status=1,p=i+2
(7)i=i+1,若i≤L-1,则返回(6),否则执行(8)
(8)若status==1且p+9<L+1,将Fp,Fp+1,…,FL标记为“可用的帧”
2.选取内容尽可能不同的帧
(1)设当前共有M帧,每帧记为F1,F2,…,FM,计算每帧的直方图hist1,hist2,…,histM,计算每帧的灰度均值m1,m2,…,mM
(2)找出灰度均值最大的帧和灰度均值最小的帧,两帧的下标分别记为Imax和Imin。
(3)MSE为均方误差,求standard=MSE(histmin,histmax)
(4)令p=1,i=2,将F1标记为“被选中的帧”
(5)求ei=MSE(histi,histp),如果ei≥standard/2,则将Fi标记为“被选中的帧”,并令p=i
(6)i=i+1,若i≤M,则转到(5),否则算法结束。
S120,基于直方图匹配的图像处理,对获得的图像帧进行图像预处理;
可以理解的是,由于超声设备参数的不同选取,不同胸腔积液超声图像的差异不仅仅是由于病人的肺部情况不同,比如增益Gain,它指的是回声信号的放大程度,可以使图像变亮或变暗;还有时间增益补偿TGC,它可放大返回的信号,以纠正增加组织深度时所导致的衰减。为了减少超声设备参数的不同选取导致的超声图像不同,本方法提出了基于直方图匹配的图像预处理方案。本方法的有效性基于一个事实:对于一个“可用的帧”来说,如果超声设备的深度Depth参数足够大,则胸腔积液超声图像的左下角和右下角均为“无效区”,其中“无效区”指的是这个区域不能体现任何人体组织信息,是纯粹的噪点。而且“无效区”的内容能被超声设备参数的不同选取影响。
预处理算法步骤如下:
(1)设图像集为{G1,G2,…,Gn},将图像F的“无效区”记为F(u)。计算所有图像的“无效区”的灰度均值mean(G1(u)),mean(G2(u)),…,mean(Gn(u)),计算这些灰度均值的中位数median。计算选定的基准图像的下标
S130,使用U-Net网络对预处理后的图像进行分割,生成蒙版图像;
需要说明的是,由于需要确定超声图像中的积液区域,故本方法中使用U-Net网络对图像进行分割,生成积液蒙版。此外,还需要生成无零积液蒙版,原因如下:一般的超声图像的积液区域有大量灰度值为0的像素,这是因为液体内部十分均匀,其声阻抗无多大差别,只有很少的反射界面形成。对于超声图像特征来说,从不同超声图像的反射界面对应的部分提取到的特征值差异较大,而从不同超声图像的灰度值为0的区域提取到的特征值是相同的。因此对于某些图像特征比如标准差来说,考虑灰度值为0的像素会降低从不同图像的积液区域中提取出的特征值的差别。
(1)使用U-Net网络对图像进行分割,生成积液蒙版。
使用U-Net网络对图像进行分割。设超声图像中U-Net认为属于积液区域的像素的标签为Lable1,其余像素的标签为Lable2。积液蒙版的大小和其对应的帧一样,若帧中一个像素的标签为Lable1,则积液蒙版的对应位置为1,若帧中的一个像素的标签为Lable2,则积液蒙版的对应位置为0。
(2)生成无零积液蒙版
若帧中的一个像素的标签为Lable2,则无零积液蒙版的对应位置为0;若帧中的一个像素的标签为Lable1且该像素的灰度值为0,则无零积液蒙版的对应位置为0;若帧中的一个像素的标签为Lable1且该像素的灰度值不为0,则无零积液蒙版的对应位置为1。
S140,基于预处理后的图像和所生成的蒙版图像进行特征提取,获得图像特征;
可以理解的是,本发明在超声图像积液区域提取共80个特征。
具体的,在超声图像和积液蒙版确定的超声图像区域提取40个图像特征;
(1)计算以下6个图像特征:
(2)选用四个方向(0,1),(1,0),(1,1),(-1,1),针对所选超声图像区域计算四个灰度共生矩阵。对每个灰度共生矩阵计算以下6个特征:
其中,G为参与计算的GLCM,n等于G的所有元素之和。
其中,i=0,1,…,255,j=0,1,…,255
(3)计算关于超声图像的积液区域的旋转不变的均匀模式LBP。取的邻域包括且仅包括中心像素周围的8个像素。将LBP的计算结果作为10个特征,其中第i个(i=1,2,…,9)特征为邻域中“0”的个数为i个的0-1之间跳变次数小于等于两次的中心像素的个数,第10个特征为0-1之间跳变次数大于两次的中心像素的个数。
需要说明的是,在超声图像和无零积液蒙版确定的超声图像区域同样提取40个图像特征,方法步骤与在超声图像和积液蒙版确定的超声图像区域提取40个图像特征相同,在此不做赘述。
S150,筛选图像特征,并给予筛选后的图像特征构造决策函数。
需要说明的是,由于化验指标是数值型数据,而进行特征选择,支持向量分类机需要的都是类别标签,所以首先需要将化验指标的值映射到对应的类别标签。
由于从图像中提取的特征很多,而其中有一些特征对于要预测的化验指标来说分类能力较弱,这些特征不仅会增加计算时间,而且这些特征会扰乱支持向量机的分类,导致分类正确率降低,因此接下来要进行特征选择来筛选出与预测的化验指标最相关的||Vselected||个特征。
本发明使用的特征提取方法是Relief-F。Relief-F是著名的过滤式特征选择方法,该方法设计了一个“相关统计量”来度量特征的重要性,该统计量是一个向量,每个分量分别对应于一个初始特征,分量值越大,则对应的初始特征的分类能力就越强。最终,选择相关统计量分量最大的||Vselected||个特征。||Vselected||的大小由p决定,其中
最后则使用支持向量分类机得出决策函数。
由于筛选图像特征和使用支持向量分类机得出决策函数都需要事先决定使用哪个参数值。前者需要决定的参数是保留的特征占总特征的比例p, ||·||表示特征集合包含的特征的数量。后者需要决定的参数是v,设训练点的个数为l,没有被“充分”正确划分的训练点的个数为r,支持向量的个数为q,则有且本方法中确定p值和v值的方法是遍历备选的(p,v)组合(p∈S且v∈S,其中S={0.01,0.02,…,0.99}),并且用10次10折交叉验证法计算该(p,v)组合的分类准确率,遍历完成后准确率最高的(p,v)组合将被选中。
由于本方法需要定量地估计多个化验指标,所以每估计一个化验指标都要执行一次步骤S150。
将化验指标按照其值进行分类
每种化验指标都有医学上的正常范围,化验指标的值低于正常范围即为偏低,高于正常范围即为偏高,属于正常范围即为正常。
若某一化验指标值偏低,则其对应的类别标签为“0”;若某一化验指标值正常,则其对应的类别标签为“1”;若某一化验指标值偏高,则其对应的类别标签为“2”。
使用Relief-F进行特征选择
使用当前(p,v)组合中的p值执行一次特征选择。
确定相关统计量的方法如下:
给定数据集D={(x1,y1),(x2,y2),…,(xm,ym)},其中yi∈Υ,i=1,2,…,m,令|Υ|为γ中元素的个数,D中样本的每个属性都已规范化到[0,1]区间。对示例xi,若它属于第k类,即yi=k,则先在第k类的样本中寻找xi的最近邻xi,nh,称为猜中近邻(near-hit),然后在第k类之外的每个类中找到一个xi的最近邻作为猜错近邻(near-miss),记为xi,l,nm(l=1,2,…,|Υ|;l≠k)。于是,相关统计量对应于属性j的分量为
使用十次十折交叉验证法为支持向量分类机计算准确率
使用十次十折交叉验证法计算当前(p,v)组合对应的分类准确率。支持向量分类机使用选出的图像特征和当前(p,v)组合中的v值。
v-支持向量分类机算法步骤如下:
(1)给定训练集T={(x1,y1),…,(xl,yl)}∈(Rn×Υ)l,其中xi∈Rn,yi∈Υ={1,-1},i=1,…,l;
(2)选择线性核函数作为核函数K(x,x′)
(3)选择参数v
(4)求解凸二次规划
(6)构造决策函数
f(x)=sgn(g(x)),
其中
使用得分最高的(p,v)组合计算决策函数
将得分最高的(p,v)组合记为(p*,v*)。使用参数p*执行一次特征选择,然后使用参数v*执行一次支持向量分类机,得到一个决策函数。
如图2本发明还提供一种基于决策函数的胸腔积液性质分析方法,其特征在于,包括:获取带检测病人的化验指标;
(1)设共L个化验指标,每个化验指标ti对应一个决策函数fi和该化验指标对应的图像特征集合si,i=1,2,…,L;
(2)设从病人的超声视频中采样共M张图片,把图片分别记为I1,I2,…,IM;对所有图像执行构造决策函数时使用的图像预处理方法,其中基准图像使用构造决策函数时使用的基准图像,将预处理后的图像仍旧记为I1,I2,…,IM;令正在处理的化验指标编号k=1;
(4)将Ip、胸腔积液区域分割图像(使用U-Net网络分割得到)和灰度值非零的胸腔积液区域的分割图像作为输入执行构造决策函数时使用的特征提取方法,其中只计算sk中的特征的特征值,将计算出的一组特征值记为
(6)令p=p+1,若p≤M,则从步骤(4)开始执行,否则从步骤(7)开始执行;
(8)令正在处理的化验指标编号k=k+1,若k≤L,则从步骤(3)开始执行,否则结束,完成胸腔积液性质分析。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (6)
1.一种胸腔积液性质分析决策函数的构造方法,其特征在于,包括:
基于视频采样,获取待处理的图像帧;
基于直方图匹配的图像处理,对获得的图像帧进行图像预处理;
使用U-Net网络对预处理后的图像进行分割,生成胸腔积液区域分割图像;
基于预处理后的图像和所生成的胸腔积液区域分割图像进行特征提取,获得图像特征;
筛选图像特征,并基于筛选后的图像特征构造决策函数。
2.根据权利要求1所述的一种胸腔积液性质分析决策函数的构造方法,其特征在于,所述基于视频采样,获取待处理的图像帧的步骤:
从视频中采样胸腔超声影像中不受膈肌或肋骨影响的图像帧,作为待处理的图像帧。
3.根据权利要求1所述的一种胸腔积液性质分析决策函数的构造方法,其特征在于,所述基于直方图匹配的图像处理,对获得的图像帧进行图像预处理的步骤:
选定基准图像,将基准图像的无效区作为直方图匹配的目标对象对其他图像的无效区分别执行直方图匹配,使其他图像的无效区的直方图与基准图像的无效区的直方图的相似度较高;
获取每一次直方图匹配对应的灰度映射;
将其他图像根据其对应的灰度映射改变,改变后的图像即为预处理之后的图像。
4.根据权利要求1所述的一种胸腔积液性质分析决策函数的构造方法,其特征在于,所述基于预处理后的图像和所生成的胸腔积液区域分割图像进行特征提取,获得图像特征的步骤:
在预处理后的图像中的胸腔积液区域分割图像确定的区域提取第一数量个图像特征;
在预处理后的图像中的灰度值非零的胸腔积液区域的分割图像确定的区域提取第二数量个图像特征。
5.根据权利要求1所述的一种胸腔积液性质分析决策函数的构造方法,其特征在于,所述筛选图像特征,并基于筛选后的图像特征构造决策函数的步骤:
将化验指标按照其值进行分类;
使用Relief-F进行特征选择;
基于选择后的特征,使用十次十折交叉验证法为支持向量分类机计算准确率;
更改支持向量机的参数和特征选择步骤保留的特征的比例,重复执行所述使用Relief-F进行特征选择的步骤和所述基于选择后的特征,使用十次十折交叉验证法为支持向量分类机计算准确率的步骤;
使用得分最高的支持向量机参数和保留的特征的比例组合计算决策函数。
6.一种基于决策函数的胸腔积液性质分析方法,其特征在于,包括:获取带检测病人的化验指标;
(1)设共L个化验指标,每个化验指标ti对应一个决策函数fi和该化验指标对应的图像特征集合si,i=1,2,…,L;
(2)设从病人的超声视频中采样共M张图片,把图片分别记为I1,I2,…,IM;对所有图像执行构造决策函数时使用的图像预处理方法,其中基准图像使用构造决策函数时使用的基准图像,将预处理后的图像仍旧记为I1,I2,…,IM;令正在处理的化验指标编号k=1;
(4)将Ip、胸腔积液区域分割图像(使用U-Net网络分割得到)和灰度值非零的胸腔积液区域的分割图像作为输入执行构造决策函数时使用的特征提取方法,其中只计算sk中的特征的特征值,将计算出的一组特征值记为
(6)令p=p+1,若p≤M,则从步骤(4)开始执行,否则从步骤(7)开始执行;
(8)令正在处理的化验指标编号k=k+1,若k≤L,则从步骤(3)开始执行,否则结束,完成胸腔积液性质分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110016808.9A CN112784710B (zh) | 2021-01-07 | 2021-01-07 | 胸腔积液性质分析决策函数的构造方法及基于其的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110016808.9A CN112784710B (zh) | 2021-01-07 | 2021-01-07 | 胸腔积液性质分析决策函数的构造方法及基于其的分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112784710A true CN112784710A (zh) | 2021-05-11 |
CN112784710B CN112784710B (zh) | 2024-01-19 |
Family
ID=75756011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110016808.9A Active CN112784710B (zh) | 2021-01-07 | 2021-01-07 | 胸腔积液性质分析决策函数的构造方法及基于其的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784710B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001155167A (ja) * | 1999-11-30 | 2001-06-08 | Canon Inc | 領域分割方法及び装置並びに記憶媒体 |
WO2019041447A1 (zh) * | 2017-08-29 | 2019-03-07 | 深圳依偎控股有限公司 | 一种3d视频帧特征点提取的方法及系统 |
CN109978880A (zh) * | 2019-04-08 | 2019-07-05 | 哈尔滨理工大学 | 采用高维特征选择对肺部肿瘤ct图像进行判别的方法 |
CN111178449A (zh) * | 2019-12-31 | 2020-05-19 | 浙江大学 | 结合计算机视觉特征和影像组学特征的肝癌图像分类方法和装置 |
CN111340824A (zh) * | 2020-02-26 | 2020-06-26 | 青海民族大学 | 一种基于数据挖掘的图像特征分割方法 |
-
2021
- 2021-01-07 CN CN202110016808.9A patent/CN112784710B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001155167A (ja) * | 1999-11-30 | 2001-06-08 | Canon Inc | 領域分割方法及び装置並びに記憶媒体 |
WO2019041447A1 (zh) * | 2017-08-29 | 2019-03-07 | 深圳依偎控股有限公司 | 一种3d视频帧特征点提取的方法及系统 |
CN109978880A (zh) * | 2019-04-08 | 2019-07-05 | 哈尔滨理工大学 | 采用高维特征选择对肺部肿瘤ct图像进行判别的方法 |
CN111178449A (zh) * | 2019-12-31 | 2020-05-19 | 浙江大学 | 结合计算机视觉特征和影像组学特征的肝癌图像分类方法和装置 |
CN111340824A (zh) * | 2020-02-26 | 2020-06-26 | 青海民族大学 | 一种基于数据挖掘的图像特征分割方法 |
Non-Patent Citations (1)
Title |
---|
李靖宇;张裕;冯利民;穆伟斌;: "分割技术在医学图像中处理的应用", 齐齐哈尔医学院学报, no. 14 * |
Also Published As
Publication number | Publication date |
---|---|
CN112784710B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539930B (zh) | 基于深度学习的动态超声乳腺结节实时分割与识别的方法 | |
WO2018120942A1 (zh) | 一种多模型融合自动检测医学图像中病变的系统及方法 | |
Shahangian et al. | Automatic brain hemorrhage segmentation and classification algorithm based on weighted grayscale histogram feature in a hierarchical classification structure | |
Ahirwar | Study of techniques used for medical image segmentation and computation of statistical test for region classification of brain MRI | |
US7876947B2 (en) | System and method for detecting tagged material using alpha matting | |
US7903861B2 (en) | Method for classifying breast tissue density using computed image features | |
CN106846317B (zh) | 一种基于特征提取和相似匹配的医学影像检索方法 | |
WO2017096407A1 (en) | Systems and methods for analyzing pathologies utilizing quantitative imaging | |
Zhang et al. | Intelligent scanning: Automated standard plane selection and biometric measurement of early gestational sac in routine ultrasound examination | |
US20030068074A1 (en) | Computer system and a method for segmentation of a digital image | |
US20100049035A1 (en) | Brain image segmentation from ct data | |
Hu et al. | Segmentation of brain from computed tomography head images | |
CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
CN108765427A (zh) | 一种前列腺图像分割方法 | |
DE102006017114A1 (de) | Verfeinerte Segmentierung von Knoten für die computerunterstützte Diagnose | |
Jaffery et al. | Performance analysis of image segmentation methods for the detection of masses in mammograms | |
Jalab et al. | Fractional Renyi entropy image enhancement for deep segmentation of kidney MRI | |
CN116468923A (zh) | 一种基于加权重采样聚类不稳定性的图像强化方法及装置 | |
CN112784710A (zh) | 胸腔积液性质分析决策函数的构造方法及基于其的分析方法 | |
Susomboon et al. | Automatic single-organ segmentation in computed tomography images | |
CN113870194A (zh) | 深层特征和浅层lbp特征融合的乳腺肿瘤超声图像处理装置 | |
Mamatha | Detection of Brain Tumor in MR images using hybrid Fuzzy C-mean clustering with graph cut segmentation technique | |
Touil et al. | A new conditional region growing approach for an accurate detection of microcalcifications from mammographic images | |
Bhargavi et al. | A comparison of image segmentation techniques, Otsu and watershed for X-ray images | |
CN109377505B (zh) | 一种基于多特征区分的mri脑肿瘤图像分割方法 |
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 |