基于自适应二分多神经网络的胎盘超声图像自动分级方法
【技术领域】
[0001] 本发明涉及胎盘超声图像的自动分级方法，是一种基于自适应二分多神经网络的 胎盘超声图像自动分级方法。
【背景技术】
[0002] 胎盘维系胎儿的血液和营养供应，一旦出现问题关系重大，为此，及时对胎盘超声 图像分析，了解胎盘健康状况，对孕妇和胎儿都有极为重要的意义，其中对胎盘进行超声分 级是评价胎盘功能的一种重要方法，是Grannum等人于1979年提出的，根据胎盘钙化和纤 维化的不同程度、胎盘基底板、实质和绒毛膜板的回声强弱把胎盘图像分为〇级、1级、2级、 3级。1级标志胎盘基本成熟；2级标志胎盘已经成熟；3级标志胎盘已衰老，由于钙化和纤 维素沉着，使胎盘输送氧气及营养物质的能力降低，胎儿随时有危险。这是依据肉眼对灰度 的评价来判定的方法，该方法主要存在以下缺点：（1)胎盘分级完全由医生凭经验靠肉眼 观察来判别，由于每位医生操作经验不同、超声扫描部位和平面不同等因素，同一胎盘可能 会做出不同的分级结论，且判断过程容易受主观因素影响，存在着重复性差、准确性水平因 医生水平而异的缺点；（2)胎盘从形成到成熟长达30周，人工分级只能笼统地将胎盘划分 为四级，其本身也影响了胎盘分级的准确性，如同一级别的胎盘图像存在着人眼难以区分 的差别，而人工分级就不能体现这种差别。因此客观准确地进行胎盘分级是临床医学急待 解决的问题。利用计算机代替有经验的专家分析并自动分级胎盘是一个极富挑战性的课 题。
[0003] 当前对于胎盘的计算机自动分级方法有基于支持向量机的方法，基于神经网络的 方法，基于模糊分类的方法等等，尽管取得了一些自动分类的效果，但总体而言，现有方法 仍然存在分类误识别率过高、分级效果不理想等问题，还不能很好地在临床应用。
【发明内容】
[0004] 本发明要克服现有技术的上述缺点，提供一种基于自适应二分多神经网络的胎盘 超声图像自动分级方法。
[0005] 本发明方法由特征提取、特征优化筛选、二分多神经网络分级以及自适应分级阈 值判定构成。该神经网络首先要训练，然后才能用于自动分级。训练时首先提取胎盘图像 特征，再利用特征优化筛选算法优化筛选出辨识度高的特征，作为训练二分多神经网络的 输入参数；利用自适应分级阈值判定算法，基于最小误识别率准则，根据二分多神经网络的 输出参数自适应地确定分级阈值并对训练结果进行评估。训练好二分多神经网络之后，利 用确定的最优阈值即可用于胎盘图像的自动分级。本神经网络是一个动态学习的网络，每 添加一个样本都能使神经网络得到重新训练优化，这种不断学习机制将使得神经网络的胎 盘分级能力得到不断增强。
[0006] 本发明解决其技术问题所采用的技术方案是：
[0007] 基于自适应二分多神经网络的胎盘超声图像自动分级方法，包括神经网络训练、 利用神经网络训练确定的最优阈值即可用于胎盘图像的自动分级；神经网络训练包括：该 方法由特征提取、特征优化筛选、二分多神经网络分级以及自适应分级阈值判定构成。
[0008] 1.特征提取
[0009] 首先由医生对胎盘功能的评估过程可以得知，胎盘图像的灰度变化程度即图像纹 理的粗糙度是判断胎盘功能的主要特征，在频域上即表现为越到后期胎盘图像高频分量越 多。因此，可以首先从胎盘超声图像中勾画出胎盘区域作为感兴趣的目标区域，分别从空域 和频域的角度统计分析该目标区域，提取出相应的特征参量，作为后面神经网络的输入参 量。
[0010] 空域分析采用灰度均值、灰度方差、灰度峰度、灰度偏度作为其空域分析的特征参 数；频域分析采用高通和低通二维滤波器分别得到图像的高频分量及低频分量，然后再分 别对高频分量和低频分量统计其均值和方差作为图像的特征参数；小波分析也是频率分析 的一种，具有多分辨率、多尺度的优点，本发明采用Daubechies小波，变换后的小波系数代 表着图像的各种频率分布信息，同样对这些频率分量分别统计其均值和方差作为图像的特 征参数。
[0011] 2.特征优化筛选
[0012] 初步提取的特征参数存在冗余和耦合，有必要剔除一些冗余耦合的参数。且特征 个数越多，分析特征、训练模型所需的时间就越长，特征个数越多，就越容易引起"维度灾 难"，模型也会越复杂，其推广能力也会下降，相反提取辨识度较高的特征将有助于后面的 神经网络训练和分级。本发明采用启发式前向搜索算法（SFS)进行参数评估和筛选，评估 标准以相关性、距离、信息增益、一致性作为筛选标准，本发明所用筛选器由于与具体的分 类算法无关，因此其在不同的分类算法之间的推广能力较强，而且计算量也较小。具体是对 各个参数进行从底向上的搜索，根据辨识评估效果的变化，逐个优选参数加入特征参数集， 从而得到一个辨识结果最优化的特征参量集。
[0013] 3.二分多神经网络分级
[0014] 常规的神经网络设计方法是用一个网络将胎盘图像分为四级，这种网络偏简单， 难以表达胎盘的复杂分级过程，考虑到仅需将胎盘图像分为四级，本设计采用两级二分BP 神经网络设计，总共3个BP神经网络，分别位于第一级和第二级。第一级先粗分，将胎盘图 像分为两类，第二级再细分分为两类，从而实现胎盘图像的自动分级。第一级BP网络将胎 盘级数先分为〇、1级与2、3级，第二级BP网络再分别对0、1级及2、3级进一步细分，得到胎 盘级数。我们大量的分析实验表明这种两级神经网络分级效果优于普通的单级神经网络。
[0015] 4.自适应分级阈值判定
[0016] 在训练神经网络中以及自动分级中，一个重要的问题就是如何判断输出有误样 本。由于BP网络的输出是连续的，一般是将网络的输出四舍五入，再与医生给定的级数比 较。但这种仅凭四舍五入的判断方法并没有什么依据，各级之间的界限划分不应该是简简 单单地取它们中间的一个数值，而应该是那个能尽量将有误样本减少到最低限度的那个数 值，根据这个思想，本发明提出了自适应阈值（界限值）确定的算法，算法说明（以1、2级 分离为例，其余各级分离类似）：
[0017] 1)针对神经网络的输出，将输出级数从小到大排序，并附上对应的医生指定的级 数，将排好序的两列数据存放于二维数组Arr中，其中医生指定级数为数组第一列，输出级 数为数组第二列；
[0018] 2)设胎盘级别分类为1、2两级，在Arr中从前往后搜索医生指定的级数，直到找到 第一个2级胎盘为止，记此数组元素下标为A ;同样在此二维数组中从后往前搜索医生指定 的级数，直到找到第一个1级胎盘为止，记此数组元素下标为B。这里有两种情况：
[0019] ① A>B
[0020] 此时的最佳输出阈值Thresh显然在A, B的中间，可以取Thresh= [Arr (A, 2)+Arr (B, 2)]/2〇
[0021] ② A〈B
[0022] 此时可以采用穷举法，即将阈值定于A与A-l的中间，计算此时有误样本个数，记 为￡1^灿111(0)，且记下此时的阈值111^811(0) ;将阈值定于4+1与六的中间，计算此时有误样 本个数，记为ErrNum(l)，且记