一种医学图像的多维多种特征提取方法
【专利摘要】本发明提供一种颈动脉图像的多维多种特征提取方法，具体为：（1）依据颈动脉的医学三维超声体数据构建感兴趣区域二维序列图像和感兴趣区域三维图像；（2）对二维序列图像提取二维特征，对三维图像提取三维特征，所述二维特征包括二维纹理特征、二维形态特征和二维弹性特征，所述三维特征包括三维纹理特征；（3）验证各种特征是否对图像分类具有贡献，保留具有贡献的特征；以假发现率最小为目标，在具有贡献的特征中搜索得到全局最优特征组合。本发明针对图像进行了多个维度多类特征的提取，囊括了纹理、形态、弹性三大类特征，特征数目多，类型全，能够全面、客观、准确地反映图像特性，提高了分类的精确性，为临床应用提供重要的参考依据。
【专利说明】一种医学图像的多维多种特征提取方法
【技术领域】
[0001]本发明属于医学图像信息处理领域，具体涉及一种医学图像的多维多种特征提取方法。
【背景技术】
[0002]图像特征提取正在成为计算机辅助诊断领域研究的热点之一，具有重要的意义。譬如，在颈动脉粥样硬化上，特征提取有助于易损斑块的自动识别，对医生的临床诊断具有有效的辅助作用。动脉粥样硬化斑块破裂引发血栓，极有可能导致急性心血管病事件的发生。然而，并非所有斑块都会破裂、形成血栓；斑块是否会破裂，取决于其易损性。易损斑块，即指容易破损、形成血栓、可能快速发展从而引发冠状动脉阻塞、死亡的斑块。因此，识别易损斑块是具有重要意义的前瞻性研究。提取易损斑块识别的关键技术在于显著性特征的提取，特征提取的好坏对斑块识别的准确性有很大的影响。目前，现有技术主要是基于形态、纹理、弹性上的特征提取，下面将详细介绍。
[0003]在纹理特征的提取上，纹理分析技术一直是计算机视觉、图像处理、图像分析、图像检索等的活跃研究领域。20世纪70年代以前出现了自相关函数法，功率谱方法和一些与灰度频率相关的方法。这些方法取得了一定的成功，但是没有具体的定义、描述或纹理模型，仅仅是某种数学变换。另外还有一些提取纹理特征的方法，也仅限于提取特定的图像属性，如纹理粗糙度，纹理直线性等。1973年，Haralick在利用陆地卫星图像研究美国加利福尼亚海岸带的土地利用问题时，开创性地提出了著名的灰度共生矩阵(Gray LevelCo-occurrence Matrix, GLCM),它在纹理分析中是一个很好的方法,被广泛地应用于将灰度值转化为纹理信息。此外，这个阶段出现的方法主要还有灰度行程长度法(gray levelrun length method,RLM)、灰度差分统计法(gray differential statistics),自回归模型法(Autoregressive model method,ARM)等,这些方法在纹理分类中有一定效果,但是这些方法的后续研究很少，在实际应用中也较少采用。在形态特征的提取上，以往的研究主要从斑块形态学的角度入手，发现易损斑块具有较大的外弹力膜面积、斑块面积、斑块负荷、偏心指数等。因此，提取这些形态学特征可用于识别易损斑块。但是，只提取斑块的形态学特征，并不能全面地衡量斑块的属性；而且在提取过程中，还需要较多人工介入，比如提取偏心指数时，医生需通过肉眼观察、手工描点测量斑块的最大厚度与最小厚度。这些缺点都是计算机自动识别易损斑块时需要着重克服的。
[0004]在弹性特征的提取上，血管搏动时，收缩压与舒张压的差异造成斑块的形变；不同斑块的弹性状况不同，因此形变也不同。可以从收缩期与舒张期的两幅超声(us)图像中检测斑块的形变，从而表征斑块的弹性特点。首先从US序列图像中自动抽取一对舒张期和收缩期图像，接着借助非刚性图像配准估计斑块的应变。最后从应变分布中提取表征斑块弹性状况的量化特征。
[0005]综上所述，以往的研究多从单个维度出发或只提取某一类型的图像特征，并不能全面客观地反映图像的特性。因此分类精确度较低，分类效果差，实用性不强。
【发明内容】
[0006]针对现有技术只能从单个维度出发或只提取某一类型的图像特征的缺陷，本发明提供一种图像的多维多种特征提取方法，全面、客观、准确地反映图像特性，提高了分类的精确性，为临床应用提供重要的参考依据。
[0007]—种颈动脉图像的多维多种特征提取方法，具体为:
[0008](I)提取感兴趣区域:依据颈动脉的医学三维超声体数据构建感兴趣区域二维序列图像和感兴趣区域三维图像；
[0009](2)提取图像特征:对感兴趣区域二维序列图像提取二维特征，以及对感兴趣区域三维图像提取三维特征，所述二维特征包括二维纹理特征、二维形态特征和二维弹性特征，所述三维特征包括三维纹理特征；
[0010](3)最优特征选择:对各种图像特征进行数值归一化处理，处理后验证各种特征是否对图像分类具有贡献，保留具有贡献的特征；以假发现率最小为目标，在具有贡献的特征中搜索得到全局最优特征组合。
[0011]进一步地，
[0012]所述二维纹理特征包括灰度统计特征、频域统计特征和Laws能量特征；
[0013]所述二维形态特征包括周长面积类、径向特征类和椭圆拟合类；
[0014]所述二维弹性特征包括斑块横截面的顺从性和膨胀性；
[0015]所述三维纹理特征包括灰度共生矩阵中的角二阶矩、对比度和熵。
[0016]进一步地，
[0017]所述二维纹理特征的灰度统计特征包括一阶统计特征、灰度游程统计特征和灰度共生矩阵；
[0018]所述二维纹理特征的频域统计特征包括环状采样、楔状采样及两者的交叉采样；
[0019]所述二维纹理特征的Laws能量特征包括由灰度、边缘、点、波、涟漪和振荡滤波模板卷积产生的特征。
[0020]进一步地，
[0021]所述二维形态特征的周长面积类包括斑块面积、斑块负荷、内腔等效直径、血管等效直径、血管紧密度和内腔紧密度；
[0022]所述二维形态特征的径向特征类包括斑块的偏心指数和近似偏心指数；
[0023]所述二维形态特征的椭圆拟合类包括内腔长轴长、外膜长轴长、内腔短轴长、外膜短轴长、内腔偏心率和外膜偏心率。
[0024]进一步地，
[0025]所述血管紧密度表示为
【权利要求】
1.一种颈动脉图像的多维多种特征提取方法，具体为: (1)提取感兴趣区域:依据颈动脉的医学三维超声体数据构建感兴趣区域二维序列图像和感兴趣区域三维图像； (2)提取图像特征:对感兴趣区域二维序列图像提取二维特征，以及对感兴趣区域三维图像提取三维特征，所述二维特征包括二维纹理特征、二维形态特征和二维弹性特征，所述三维特征包括三维纹理特征； (3)最优特征选择:对各种图像特征进行数值归一化处理，处理后验证各种特征是否对图像分类具有贡献，保留具有贡献的特征；以假发现率最小为目标，在具有贡献的特征中搜索得到全局最优特征组合。
2.根据权利要求1所述的颈动脉图像的多维多种特征提取方法，其特征在于， 所述二维纹理特征包括灰度统计特征、频域统计特征和Laws能量特征； 所述二维形态特征包括周长面积类、径向特征类和椭圆拟合类； 所述二维弹性特征包括斑块横截面的顺从性和膨胀性； 所述三维纹理特征包括灰度共生矩阵中的角二阶矩、对比度和熵。
3.根据权利要求2所述的颈 动脉图像的多维多种特征提取方法，其特征在于， 所述二维纹理特征的灰度统计特征包括一阶统计特征、灰度游程统计特征和灰度共生矩阵； 所述二维纹理特征的频域统计特征包括环状采样、楔状采样及两者的交叉采样；所述二维纹理特征的Laws能量特征包括由灰度、边缘、点、波、涟漪和振荡滤波模板卷积产生的特征。
4.根据权利要求2所述的颈动脉图像的多维多种特征提取方法，其特征在于， 所述二维形态特征的周长面积类包括斑块面积、斑块负荷、内腔等效直径、血管等效直径、血管紧密度和内腔紧密度； 所述二维形态特征的径向特征类包括斑块的偏心指数和近似偏心指数； 所述二维形态特征的椭圆拟合类包括内腔长轴长、外膜长轴长、内腔短轴长、外膜短轴长、内腔偏心率和外膜偏心率。
5.根据权利要求4所述的颈动脉图像的多维多种特征提取方法，其特征在于，所述血
ρβ 2管紧密度表示为C五=^二，PEe表示血管周长，EEMA表示外弹力膜面积；所述内腔紧密
EEMA度表示为a = ^-> PE^表示内膜周长，LA表示内腔面积。
6.根据权利要求1或2所述的颈动脉图像的多维多种特征提取方法，其特征在于，所述步骤(3)验证各种特征是否对图像分类具有贡献的具体过程为: 提出假设H。:特征F对图像分类具有贡献， 备择假设Ha:特征F不具有贡献； 根据统计学假设检验适用范围，选取H。的概率标准即置信度α ；计算统计数据的u值:
7.根据权利要求1或2所述的颈动脉图像的多维多种特征提取方法，其特征在于，所述步骤(3)去除冗余特征的具体过程为:以假发现率最小为目标，首先利用浮动搜索技术初始化候选特征组合，再利用遗传算法在候选特征组合中筛选以得到全局最优的特征组合。
8.根据权利要求1或2所述的颈动脉图像的多维多种特征提取方法，其特征在于，所述步骤(1)具体为: 步骤(1.0:读取三维超声体数据，依据三维超声体数据中的主颈动脉的血管走向，等间距切分三维超声体数据，得到二维横断面序列图像； 步骤(1.2):在二维横断面序列图像的每一张图像中，分割得到各主颈动脉血管的内、外轮廓，将每一张二维血管的内、外轮廓之间的区域作为感兴趣区域二维序列图像； 步骤(1.3):依据 二维序列ROI图像及其二维序列的位置信息，按其空间位置关系三维重建，得到三维主颈动脉血管内、外轮廓，将三维血管的内、外轮廓之间的区域作为感兴趣区域三维ROI图像。
【文档编号】G06T7/00GK103593844SQ201310521900
【公开日】2014年2月19日 申请日期:2013年10月29日 优先权日:2013年10月29日
【发明者】丁明跃, 杨鑫, 肖峰, 吴有为, 王犀点, 邝丽萍, 唐天汉 申请人:华中科技大学