基于人工神经网络模型超声造影特征自动识别系统及方法
【技术领域】
[0001]本发明涉及人工神经网络技术，提供了一种超声造影(CEUS)的计算机辅助特征识别方法;具体地，提供了一种基于人工神经网络模型超声造影特征自动识别系统及方法。
【背景技术】
[0002]超声造影(Contrast-enhanced ultrasound, CEUS)成像技术是超声医学近年来的革命性突破，通过向外周静脉注射新型超声造影剂，采用造影剂特异成像技术，能实时直观显示感兴趣区(病变区域)的微循环灌注，使超声检查从单纯的形态学观察进步到功能性成像水平。利用病灶表现出来的CEUS特征，医师可完成诊断及治疗。
[0003]但目前CEUS特征的识别环节主要依靠肉眼，其准确性依赖不同图像分析人员的分析水平、耐心与经验。再加上人类的视觉系统处理信息存在不准确和不确定的缺陷，造成不同图像分析人员对CEUS特征的识别存在主观差异。此外，当识别次数较多时，图像分析人员难免出现视觉疲劳、反应迟钝等现象，错误率提高。因此，为提高CEUS特征识别的准确率与效率，需开发出一种结论客观、状态稳定的自动图像识别系统。
[0004]计算机辅助判断(Computer-aided diagnosis，CAD)是一种可用于医学图像分析的辅助系统，其作用在于使图像信息客观化，进而帮助图像分析人员得出更准确的结论。CAD的主要优点在于快速的数据处理，提供重复性高、客观、准确的信息，突破个人知识和经验的局限性，减少图像分析人员因经验不足或视觉疲劳等主观性原因造成的错漏。CAD充分认识到计算机的局限性，目的不是代替人的思维，而是为图像分析人员的判断提供帮助。
[0005]当今的CAD已逐渐加入人工智能(Artificial Intelligence)理念，目的在于利用计算机来完成用人的智慧才能完成的工作。它用人工的方法，对人脑的思维活动过程进行模拟；当使得设备或机器的功能与脑功能大体等价时，这种设备或机器的功能就可以认为是具有某种程度的人工智能。
[0006]人工智能CAD系统目前主要基于人工神经网络(Artificial neural network,ANN)实现。ANN是一种应用类似于大脑神经突触连接的结构进行信息处理的数学模型，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。它由大量处理单元互联组成，具有非线性、自适应、自组织、实时学习的特点，其本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能，并在不同程度和层次上模仿人脑的信息处理功能。
[0007]人工神经网络的基本结构一般包括输入层、隐藏层和输出层。输入层接受大量非线性信息，信息在隐藏层中的神经元连接中传递、分析、权衡，输出结果到输出层中。隐藏层是输入层和输出层间众多神经元和连接组成的各个层面。ANN的适应性是通过学习实现的，根据环境的变化，对权值进行调整，能纠正和改善改善系统的行为。人工神经网络首先要以一定的学习准则进行学习，然后才能工作。
【发明内容】
[0008]鉴于如上所述，本发明所要解决的技术问题在于提供一种基于人工神经网络模型超声造影特征自动识别系统及方法，能起到辅助识别感兴趣区(病变区域)病变CEUS特征的目的。
[0009]为了解决上述技术问题，一方面，本发明所提供的基于人工神经网络模型超声造影特征自动识别系统，包括:输入超声造影图像数据的数据输入单元;收集并存储所输入的所述超声造影图像数据的数据存储单元;从收集到的所述超声造影图像数据中提取各种超声造影图像特征的数据处理单元，所述数据处理单元配置为基于所述各种超声造影图像特征及其所对应的识别结果构建人工神经网络，并基于所述人工神经网络识别待处理的图像;输出所述数据处理单元的处理结果的数据输出单元。
[0010]根据本发明，可基于人工神经网络技术，提供一种超声造影(CEUS)的计算机辅助特征识别方法。拟利用已建立的CEUS图像数据库，提取病变各种图像特征，构建基于ANN的CAD系统，并通过训练、学习和测试完善CAD系统。在医学图像分析过程中，先把许多不同的图像样板和对应的应识别的结果输入人工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。自学习功能也是CAD系统得以实现的理论基础。ANN还具有高速寻找优化解的能力，能迅速处理包含大量信息的医学图像数据，特别适合存贮量极大及包含丰富空间和时间信息的CEUS图像数据的处理。
[0011]又，在本发明中，也可以是所述数据处理单元配置为根据所述各种超声造影图像特征逐步回归选取最重要的图像特征，剔除无关的图像特征分别采用前向选择和后向选择法构建所述人工神经网络。
[0012]根据本发明，逐步回归选取最重要的图像特征，剔除无关的图像特征分别采用前向选择和后向选择法，逐一验证，使系列图像特征的组合能获得最佳的准确性。
[0013]又，根据本发明另一方面，提供了一种基于人工神经网络模型超声造影特征自动识别方法，包括:输入超声造影图像数据;收集并存储所输入的所述超声造影图像数据以建立超声造影图像数据库；从收集到的所述超声造影图像数据中提取各种超声造影图像特征;根据所述各种超声造影图像特征及其所对应的识别结果构建人工神经网络;基于所述人工神经网络识别待处理的图像;输出待处理的图像的识别结果。
[0014]根据本发明，能迅速处理包含大量信息的医学图像数据，特别适合存贮量极大及包含丰富空间和时间信息的CEUS图像数据的处理。
[0015]又，在本发明中，也可以是所述超声造影图像包括静态图像和/或动态图像。
[0016]根据本发明，有利于清楚地显示各种病灶。
[0017]又，在本发明中，也可以是提取各种超声造影图像特征的步骤包括手动勾画病灶的轮廓及部位，并将各所述超声造影图像转换成规定的格式。
[0018]根据本发明，有利于对各种超声造影图像特征进行提取。
[0019]又，在本发明中，也可以是还包括采用平滑滤波及时间-序列流动平均技术对所述动态图像进行处理。
[0020]根据本发明，采用平滑滤波及时间-序列流动平均技术对所述动态图像进行处理，由此可获得一系列时域平均图像。
[0021]又，在本发明中，也可以是还包括采用滤波和/或多重灰阶阈值技术对所述超声造影图像进行分割。
[0022]根据本发明，通过对所述超声造影图像进行分割，可获得纯粹的病灶及周边实质的造影图像。
[0023]又，在本发明中，也可以是还包括提取所述超声造影图像的时域特征。
[0024]根据本发明，可获得客观的、稳定的超声造影时相分期。
[0025]又，在本发明中，也可以是还包括提取所述超声造影图像的增强形态和/或增加水平特征。
[0026]根据本发明，可获得客观的、稳定的造影图像的增强形态和/或增加水平特征。
[0027]又，在本发明中，也可以是还包括根据所述各种超声造影图像特征的类型逐步回归选取最重要的图像特征，剔除无关的图像特征分别采用前向选择和后向选择法构建所述人工神经网络。
[0028]根据本发明，可使系列图像特征的组合能获得最佳的准确性。
[0029]根据下述【具体实施方式】并参考附图，将更好地理解本发明的上述内容及其它目的、特征和优点。
【附图说明】
[0030]图1示出了根据本发明一实施形态的基于人工神经网络模型超声造影特征自动识别系统的示意性结构框图；
图2示出了采用图1所示系统执行的自动识别方法的流程图；
图3示出了采用本发明的基于人工神经网络模型超声造影特征自动识别系统及方法进行诊断的一实施例；
图4示出了根据图3所示实施例进行诊断的诊断结果的第一示例；
图5示出了根据图3所示实施例进行诊断的诊断结果的第二示例。
【具体实施方式】
[0031]以下结合附图和下述实施方式进一步说明本发明，应理解，附图及下述实施方式