基于深度学习的超生颈动脉内中膜厚度测量装置和方法与流程
本发明涉及医学图像处理，具体讲,涉及基于深度学习的超生颈动脉内中膜厚度测量装置和方法。
背景技术：
心脑血管疾病已经成为危害人类健康的首要疾病。世界卫生组织的调查显示，2012年全球死于心脑血管疾病人数高达1750万，约占全球总死亡人口的30％。动脉粥样硬化是引发心脑血管疾病的首要原因，主要表现为血液中的类脂质和胆固醇在血管内壁的沉积使其内中膜增厚、弹性降低，这种病变情况可能会持续多年而不被发现，但是血管中的斑块会导致血管的完全阻塞，致脑中风、心肌梗塞。因此，动脉粥样硬化的早期追踪诊断对于心脑血管疾病的预防及其重要。众多研究表明颈动脉血管内中膜厚度(Intima Media Thickness，IMT)，如图1所示管腔-内膜边界(Lumn-Intima Interface，LII)和中膜-外膜边界(Media-Adventitia Interface，MAI)之间的距离，可以有效反映动脉粥样硬化程度，是预测心脑血管疾病的重要指标。
超声图像因具有无侵入、价格低、成像快等优点在临床中得到广泛应用。为了保证IMT测量的可重复性，IMT在无斑块的颈动脉远端处测量，一般在颈动脉分叉以下至少5mm处，该部位存在明显的双线性结构。
临床中内中膜厚度由医务人员手动进行标定、勾勒出LII和MAI边界来计算。由于操作人员的受训练程度以及经验不同，对边界的界定受主观认识的影响，导致不同操作人员得出不同的测量结果，即存在观察者间差异；即使同一操作者，在不同时间测量的结果也会出现不同，即观察者内误差，且不可重复，耗时、繁琐，无法满足现代医学海量数据处理的需要。基于以上原因，采用数字图像处理技术，实现一种全自动、快速、准确、鲁棒性强的IMT测量算法十分必要。
1986年，第一个IMT分割算法被提出，之后的30年中大量算法和方案相继被提出。IMT测量方案大致由两部分组成，第一步提取感兴趣区域(Region of Interest，ROI)并获取初始轮廓线，第二部获取精确轮廓线。就第一步而言，依据人工干预程度，现存的这些算法可以分为全自动测量算法和半自动测量算法。半自动分割需要人为选定ROI或感兴趣点，而全自动的方法则不需要人为干预，有学者利用水平集获得初始轮廓线并获得ROI,分水岭和模板匹配的方法也被应用于ROI的获取；第二步涉及动态规划、活动轮廓模型、神经网络模型、统计建模等众多理论。
技术实现要素：
为克服现有技术的不足，本发明旨在提供一种总体性能较好的IMT测量算法，即无需人为参与，时间复杂度相对较低，自动测量结果与专家手动测量结果一致性较高，对不同形态结构的内种膜均能获得较满意的测量结果。针对第一阶段，本发明应用卷积神经网络自动识 别超生颈动脉远端，进而提取ROI。然后采用堆栈式自编码器加逻辑回归层构造的模式分类器对像素进行分类,并利用分类区域的面积信息和位置信息对分类结果进行甄别，去除错误分类的像素点,选择可靠的分类区域，运用曲线拟合提取边界完成IMT测量。本发明采用的技术方案是，基于深度学习的超生颈动脉内中膜厚度测量装置和方法，步骤如下：
1)ROI获取：采用卷积神经网络CNN(Convolution Neural Network)自动识别超声颈动脉血管的远端，进而提取ROI；
2)像素分类：以待分类像素为中心一定区域的像素灰度值信息作为堆栈式自编码器的输入，其输出作为输入的更高级特征提取，特征提取后加逻辑回归分类层构建模式分类器，完成图像像素的分类；
3)边界提取：利用目标分类区域的面积信息和位置对分类区域进行甄选。利用定位颈动脉最远端的行索引值与待判定区域的重心行值和面积信息去除距离目标区域近但是面积较大的错分类区域，利用目标最大区域与其余待判定的较小区域的重心行值进行比较，结合较小区域的面积信息去除距离目标区域较远且面积较小的区域，最后按列索引，去除内中膜结构不完整的区域；根据偏差平方和最小原理，对分类边界进行多项式曲线拟合。
采用卷积神经网络CNN提取ROI具体步骤如下:
(1)裁剪图像,剪除图像中与图像分析无关的信息；
(2)将裁剪后的图像按列均匀五等分，沿等分的子图像的对称轴顺次取出一定大小的图像块；
(3)将图像块作为已经训练好的CNN的输入，进行预测分类，类别数为2，即包含“暗-亮-暗-亮”结构的图像和无此结构的图像，选出同一子图像中归属包含“暗-亮-暗-亮”结构类的预测值最大的图像块；
(4)将所得图像块的行索引值进行排序，甄选出能有效标定颈动脉远端的行索引值，并依据该索引值提取ROI,选取规则如下。
r1、r2和r3分别为行索引值的最大值、次大值和中间值。m1,m2分别为r1、r2和r3、r2的均值，v为一设定的阈值，首选r3作为有效颈动脉远端索引值，如果r3小于某一阈值，则认为r3不能有效定义颈动脉远端，此时借助m1或m2。
自编码解码器AE(Auto Encoder)的算法执行过程包括编码过程和解码过程。其运算过程如式(1)(2)所示：
y＝f(wy*x+by) (1)
z＝f(wz*y+bz) (2)
式中，x代表AE的输入，也代表隐藏层的输出，z代表AE的输出，wy、by分别为输入层到隐藏层的权重和偏置，wz、bz分别为隐藏层到输出层的权重和偏置，f(.)为激活函数；
AE的训练过程即最小化误差函数的过程，
为了减少训练参数的个数，通常设定
Wy＝Wz＝W (3)
选择下列规则更新权重项和偏置项，实现误差函数的最小化:
堆栈式自编码器SAE(Stacked Auto Encoder)由多层自编码器组成，其前一层自编码器的输出作为其后一层自编码器的输入，最深隐藏层单元的激活值向量是对输入值的更高阶的表示；
选取sigmoid函数作为编解码器的激活函数，在预训练过程中，网络主要学习三个参数W，by，bz，在设定参数更新规则前，需要合理确定误差项，即代价函数，选择交叉熵作为代价函数，同时将整个训练数据均分为小块数据，因此对于整个数据集，以小块数据更新参数：
式中，d为输入向量维数，m为数据块大小，xik、zik分别为所选块中第i个输入数据的第k个分量；
以随机梯度下降法优化(8)式，首先以标量的形式表示重构层：
其中，netipy为隐藏层单元的第p维，netikz i为输出单元的第p维，代表块数据的编号，d代表输入数据的维度，h代表隐藏层的维度，zik为输入数据的第k维重建；
(7)式的一阶和二阶导数分别为：
f'(x)＝f(x)1-f(x) (12)
f”(x)＝f(x)1-f(x)1-2f(x) (13)
依据(9)-(11)式，计算重建层关于w，by，bz的偏导数；
式中Wrs为连接第r个输入和第s个隐藏层单元的权值，byr为隐藏层第r个单元的偏置，bzr为重建层第r个单元的偏置；
由(9)-(16)式得出代价函数关于W,by,bz的偏导数:
网络训练完成后，去除网络的数据重建，隐藏层的输出为所学特征，后续的网络层以前一层的输出为输入，并用同样的方式训练,即逐层贪婪训练网络，避免网络因初始权值过小而陷入局部最优解；最后将网络的各层结合在一起，利用网络学习到的特征进行分类，在预训练网络后面添加soft-max分类层精细调整整个预训练网络完成分类任务，若给定一组输入数据，输入属于某一类别i的概率等于
式中R为逻辑回归层的输入，W，b为逻辑回归层的权重和偏置，所有输出的总和为1。
逻辑回归层与堆栈式自编码器构成深度分类器，训练该深度分类器的过程如下：
根据实际需要搭建两个不同的模式分类器，记为SAE_NB和SAE_LM,分别利用上述训练规则，在已选定的有代表性的训练集中训练两个深度模式分类器，利用SAE_NB将像素分为边界像素和非边界像素，再利用SAE_LM将边界像素分为LII和MAI像素。
根据偏差平方和最小原理，对分类边界进行多项式曲线拟合，其过程如下：
设拟合多项式为：
f＝a0+a1·e+...+ak·ek (21)
其中，e、f分别为边界点像素的列值和行值，ak为多项式系数，k为多项式次数。
(2)各点到这条曲线的距离之和，即偏差平方如下：
其中，n为数据集大小，(ei，fi)为第i个像素点的列式和行值，R代表偏差。
(3)对等式右边求ai偏导数可得
(4)将左式化简，可得如下式
(5)将等式表示成矩阵形式
(6)将(5)所得的范德蒙矩阵简化可得
(7)(6)式即为E*A＝F,则
A＝(E*E)-1*E*F (27)
得到系数矩阵同时也就得到了拟合曲线。
本发明的特点及有益效果是：
本发明能有效解决目前IMT算法中普遍存在的总体性能欠佳的问题，能实现对IMT全自动、快速、准确、鲁棒性强的测量。
在在ROI选取阶段，应用CNN识别超生颈动脉的远端，CNN对有较大形变的输入数据具有一定的容忍能力，对噪声具有一定的鲁棒性；对CNN的识别结果进行判别以保证对不同图像都能准确定位颈动脉远端，正确提取ROI。
在像素分类阶段，根据分类集的不同特点，搭建不同的栈式自编码器；栈式自编码器逐层提取输入数据数据的特征，最终得到数据的深层特征并进行分类，保证了分类的高效性和有效性。
在边界提取阶段，考虑到所用超生图像的内中膜结构不完全，难免会出现断裂，在选定可靠分类区域时不仅考虑区域的面积而且考虑区域的位置。
附图说明：
图1颈动脉超声轴向截面。
图2单层自编码器示意图。
图3本发明采用的算法流程图。
图4模式分类器分类像素的示意图。
具体实施方式
尽管近些年IMT分割算法已经取得了突破性进展，但是现存的这些算法很难同时满足全自动、快速、准确、鲁棒性强等方面的要求。本发明旨在开发一种总体性能较好的IMT测量算法，即无需人为参与，时间复杂度相对较低，自动测量结果与专家手动测量结果一致性较高，对不同形态结构的内种膜均能获得较满意的测量结果。针对第一阶段，本发明应用卷积神经网络自动识别超生颈动脉远端，进而提取ROI。然后采用堆栈式自编码器加逻辑回归层构造的模式分类器对像素进行分类,并利用分类区域的面积信息和位置信息对分类结果进行甄别，去除错误分类的像素点,选择可靠的分类区域，运用曲线拟合提取边界完成IMT测量。
1ROI获取
为了保证全自动、快速、准确获取ROI，本发明采用卷积神经网络(Convolution Neural Network,CNN)自动识别超声颈动脉血管的远端，进而提取ROI，具体步骤如下:
(1)裁剪图像,剪除图像中与图像分析无关的信息，如原始的超生图像边缘中包含的受试者的个人信息。
(2)将裁剪后的图像按列均匀五等分。沿等分的子图像的对称轴顺次取出一定大小的图像块。
(3)将图像块作为已经训练好的CNN的输入，进行预测分类，类别数为2，即包含“暗-亮-暗-亮”结构的图像和无此结构的图像，选出同一子图像中归属包含“暗-亮-暗-亮”结构类的预测值最大的图像块。
(4)将所得图像块的行索引值进行排序，甄选出能有效标定颈动脉远端的行索引值，并依据该索引值提取ROI,选取规则如下。
r1、r2和r3分别为行索引值的最大值、次大值和中间值。m1,m2分别为r1、r2和r3、r2的均值。v为一设定的阈值，本发明中首选r3作为有效颈动脉远端索引值，一般颈动脉远 端位于整张超声图像中间偏下位置，因此如果r3小于某一阈值，则认为r3不能有效定义颈动脉远端，此时借助m1或m2。
2像素分类
深度学习架构由多层非线性运算单元组成，研究表明函数族提取出的深层特征表达较单一函数提取的浅层特征更有效。堆栈自编码网络(Stacked Autoencoder，SAE)以数值模型来构建的深度神经网络，其隐层节点是具有实际意义的计算单元。对于具备连续性和确定性的数值数据，数值模型会获得更好的训练效果。
自编码器(Auto Encoder,AE)是一种无监督学习算法，使用反向传播算法，并让目标值等于输入值，即z≈x。
如图2单层自编码器示意图所示。
AE的算法执行过程包括编码过程和解码过程。其运算过程如式(1)(2)所示：
y＝f(wy*x+by) (1)
z＝f(wz*y+bz) (2)
式中，wy、by分别为输入层到隐藏层的权重和偏置，wz、bz分别为隐藏层到输出层的权重和偏置，f(.)为激活函数。
AE的训练过程即最小化误差函数的过程，
为了减少训练参数的个数，通常设定
Wy＝Wz＝W (3)
一般选择下列规则更新权重项和偏置项，实现误差函数的最小化:
栈式自编码神经网络是一个由多层自编码器组成的神经网络，其前一层自编码器的输出作为其后一层自编码器的输入，最深层隐藏单元的激活值向量是对输入值的更高阶的表示。
本发明运用模式识别的相关技术解决图像像素分类的问题，完成图像分割。具体地，以待分类像素为中心一定区域的像素灰度值信息作为堆栈式自编码器的输入，其输出作为输入的更高级特征提取，特征提取后加逻辑回归分类层构建模式分类器，完成图像像素的分类。sigmoid函数能进行非线性映，其输出范围有限，数据在传递的过程中不容易发散，因此本文中选取sigmoid函数作为编解码器的激活函数。在预训练过程中，网络主要学习三个参数W，by，bz。在设定参数更新规则前，需要合理确定误差项，即代价函数。因为激活函数选用sigmoid函数，所以代价函数的导数会因为神经元输出为0或1而趋近于0。如果采用交叉熵，即使网络节点趋于饱和，参数仍会继续更新，最终选择交叉熵作为代价函数。同时将整个训 练数据均分为小块数据，因此对于整个数据集，采用以小块数据更新参数。
式中，d为输入向量维数，m为数据块大小，xik(zik)为所选块中第i个输入数据的第k个分量。
以随机梯度下降法优化(8)式，首先以标量的形式表示重构层：
其中，netipy(netikz)为隐藏层(输出)单元的第p维，i代表块数据的编号，d代表输入数据的维度，h代表隐藏层的维度。zik为输入数据的第k维重建。
(7)式的一阶和二阶导数分别为：
f'(x)＝f(x)1-f(x) (12)
f”(x)＝f(x)1-f(x)1-2f(x) (13)
依据(9)-(11)式，计算重建层关于w，by，bz的偏导数；
式中Wrs为连接第r个输入和第s个隐藏层单元的权值，byr(bzr)为隐藏层(重建层)第r个单元的偏置。
由(9)-(16)式得出代价函数关于W,by,bz的偏导数:
网络训练完成后，去除网络的数据重建，隐藏层的输出为所学特征，后续的网络层以前一层的输出为输入，并用同样的方式训练,即逐层贪婪训练网络，避免网络因初始权值过小而陷入局部最优解；最后将网络的各层结合在一起，利用网络学习到的特征进行分类，在预训练网络后面添加soft-max分类层精细调整整个预训练网络完成分类任务，若给定一组输入数据，输入属于某一类别i的概率等于
式中R为逻辑回归层的输入，W，b为逻辑回归层的权重和偏置，所有输出的总和为1。
逻辑回归层与堆栈式自编码器构成深度分类器，训练该深度分类器的过程如下：
本发明中根据实际需要搭建两个不同的模式分类器，记为SAE_NB和SAE_LM,分别利用上述训练规则，在已选定的有代表性的训练集中训练两个深度模式分类器。利用SAE_NB将像素分为边界像素和非边界像素，再利用SAE_LM将边界像素分为LII和MAI像素。
3边界提取
由于超声图像的分辨率和信噪比较低，且模式的相似性比较高，会出现错误分类现象。假阳性错误，即将非边界点错误地分类为边界点，对最终的结果影响较大，因此需要对分类结果进行筛选甄别，本发明利用目标分类区域的面积信息和位置对分类区域进行甄选。利用定位颈动脉最远端的行索引值与待判定区域的重心行值和面积信息去除距离目标区域近但是面积较大的错分类区域，利用目标最大区域与其余待判定的较小区域的重心行值进行比较，结合较小区域的面积信息去除距离目标区域较远且面积较小的区域，最后按列索引，去除内中膜结构不完整的区域。
由于超声图像的质量较差，得出的边界并不是单像素宽度，这也是手动测量出现观察者间差异的主要原因。为消除此差异性，根据偏差平方和最小原理，对分类边界进行多项式曲线拟合，其过程如下：
设拟合多项式为：
f＝a0+a1·e+...+ak·ek (21)
其中，e、f分别为边界点像素的列值和行值，ak、为多项式系数，k为多项式次数。
(2)各点到这条曲线的距离之和，即偏差平方如下：
其中，n为数据集大小，(ei，fi)为第i个像素点的列式和行值，R代表偏差。
(3)对等式右边求ai偏导数可得
(4)将左式化简，可得如下式
(5)将等式表示成矩阵形式
(6)将(5)所得的范德蒙矩阵简化可得
(7)(6)式即为E*A＝F,则
A＝(E*E)-1*E*F (27)
得到系数矩阵同时也就得到了拟合曲线。
有益效果
本发明能有效解决目前IMT算法中普遍存在的总体性能欠佳的问题，能实现对IMT全自动、快速、准确、鲁棒性强的测量。
在在ROI选取阶段，应用CNN识别超生颈动脉的远端，CNN对有较大形变的输入数据具有一定的容忍能力，对噪声具有一定的鲁棒性；对CNN的识别结果进行判别以保证对不同图像都能准确定位颈动脉远端，正确提取ROI。
在像素分类阶段，根据分类集的不同特点，搭建不同的栈式自编码器；栈式自编码器逐层提取输入数据数据的特征，最终得到数据的深层特征并进行分类，保证了分类的高效性和 有效性。
在边界提取阶段，考虑到所用超生图像的内中膜结构不完全，难免会出现断裂，在选定可靠分类区域时不仅考虑区域的面积而且考虑区域的位置。
图3描述了本发明所提出的一种基于深度学习的IMT测量算法流程图。首先对输入的超声颈动脉图像进行裁剪、均分、获取子图像，对子图像进行分类预测，获取能有效标定颈动脉远端的行索引值，并获取ROI。用特定的窗对ROI进行处理，先将经过窗处理的像素模式信息作为SAE_NB分类器的输入，将像素分类为非边界像素和边界像素，然后再利用SAE_LM分类器将边界像素分类为LII和MAI像素,最后利用分类区域的面积信息和位置信息对分类结果进行甄选，搜索含有完整内中膜结构的分类区域，依据最小偏差平方和原理，拟合最终出边界，完成IMT测量。
- 还没有人留言评论。精彩留言会获得点赞！