仅用于说明本发明，而非限制本发明。
[0032]针对现有技术中CEUS特征识别的缺陷，本发明基于人工神经网络技术，提供了一种超声造影(CEUS)的计算机辅助特征识别系统及方法。
[0033]具体地，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；而图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。
[0034]如图1所示，本发明的系统包括: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。
[0035]又，本发明还提供了采用上述系统执行的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;输出判断结果。
[0036]以下，以对肝脏病变的超声造影特征识别为例对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进一步详细说明，但本发明不限于此，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也可以适用于其他任何可以进行超声造影的病变区域。
[0037]在本实施例中，拟利用已建立的肝脏CEUS图像数据库，提取肝脏病变各种图像特征，构建基于ANN的超声造影特征自动识别系统(在下文结合图3进行详细说明);并通过训练、学习和测试完善该系统，具体如下所述。
[0038]迄今为止，关于肝脏CEUS的CAD系统设计仅有来自美国芝加哥大学医学院放射科Kurt Rossmann放射影像实验室的两篇论著报道。均只纳入了CEUS动脉期的图像特征，而未考虑门脉期及延迟期的图像特征。对肝脏局灶性病变而言，门脉期及延迟期有无增强消退是鉴别病变良恶性的重要依据，在某种程度上比动脉期的图像特征更重要。因此，在本实施例的系统设计中增加了门脉期及延迟期的数据输入。
[0039]肝脏背景如有无肝硬化会显著影响结果的判断，因此本实施例的系统的设计还考虑了背景肝的问题。
[0040]本实施例的系统将病灶大小作为影响CEUS诊断准确性的一个重要因素，对不同大小的病灶可进行区别与分析。
[0041]此外，本实施例的系统的最终完善、自我修正需要更丰富病种的图像数据，上述研究的样本量均较小，病种局限，因此一些常见的疾病如肝内胆管细胞癌、肝局灶性结节增生等也可纳入本实施例的系统中。
[0042]本实施例的适用于肝脏CEUS的系统目前尚无研究开展临床验证，需要开展研究比较有或无本系统观察者对于肝局灶性病变的诊断性能或诊断信心有无改善，同时比较不同经验的观察者在本系统加入前后诊断性能有无变化(在下文结合图4和图5进行说明)。
[0043]最后，装有本系统的原型机开展前瞻性的临床试验。CEUS的实时性及反映微循环灌注的特性决定了CEUS中包含了大量的图像数据信息，人工智能CAD系统的研制能克服人类自身视觉系统的局限性，提取有用的数据信息，发现被人眼忽视的未知信息，具有重要的临床应用前景。
[0044]实施例1:
一、肝脏超声造影(CEUS)CAD系统的设计。
[0045](一)肝脏CEUS数据库的建立
回顾性收集此前存储的肝脏CEUS动态及静态图像资料，目标病例数η为1000例。造影剂均可为声诺维(意大利Bracco公司)，CEUS成像均可采用低机械指数(机械指数〈0.2)成像模式。病灶性质经临床、影像或病理资料证实。排除肝囊肿及肝局灶性脂肪缺失等较容易诊断病例。不同类型病灶的诊断标准参照相关指南或文献(Claudon 2008)。具体如下。
[0046]1.肝细胞性肝癌:无肝硬化背景者需经病理证实;有肝硬化背景者直径小于2cm的结节需经病理证实，直径大于2cm的结节符合下列条件之一(病理证实；典型增强CT或MRI表现+AFP>200ng/ml;两种对比影像学表现典型均表现为动脉期高增强及延迟期低增强)。
[0047]2.胆管细胞型肝癌:需病理证实。
[0048]3.转移性肝癌:病理证实或原发癌病理+典型CT或MRI表现。
[0049]4.肝血管瘤:病理证实或典型CT/MRI表现+随访I年无变化。
[0050]5.肝局灶性结节增生:病理证实或典型CT/MRI表现+随访I年无变化。
[005? ] 6.其余病灶包括肝硬化结节、不典型增生结节等:均需病理证实。
[0052]肝硬化诊断标准:病理或相关临床资料+影像学资料+血清学检查结果。
[0053]脂肪肝诊断标准:病理或相关影像学检查。
[0054](二)CAD系统的建立 1.提取系列CEUS图像
a.由一名有经验的图像分析人员手动勾画病灶的轮廓及部位。将输入的静态灰阶图像及动态CEUS图像统一自动裁剪为480x360矩阵大小，去除图像上包含的患者姓名、性别、年龄、ID号等信息。动态图像统一转换格式为8-bit灰阶、帧频15帧/秒。
[0055]b.二维静态灰阶图像特征提取:二维图像上病变周围肝组织选取Ixlcm2区域，从该区域空间灰度独立矩阵中，计算出熵、傅立叶能量谱、角度二阶矩阵和对比度等参数，并计算M带小波转换分形特征向量。
[0056]c.为降低心脏搏动的影响及降低噪音，采用平滑滤波及时间-序列流动平均(time-sequential running average)技术对输入的动态CEUS系列图像进行处理，获得一系列时域平均图像。在时间-序列流动平均技术中，对拟观察的帧及前后各2幅帧的像素信息进行平均处理。
[0057]2.图像分割
采用Gaussian滤波和多重灰阶阈值技术将肾脏、肝内大血管的超声造影信号分割开来，获得纯粹的病灶及周边肝实质的造影图像。
[0058]3.时间-强度曲线估计，提取时域特征
根据以下理论模型获取感兴趣区的回声强度及曲线斜率等时域特征。
[0059]F(t)=A t e (-at)。
[0060]其中F(t)代表超声造影信号强度，t代表时间，A为比例系数，a与造影剂传输速度相关。
[0061 ] 4.提取增强形态及增强水平等特征
增强形态指标:包括病灶大小，病灶内增强范围占整个病灶的比值，病灶内增强部分的不均匀度。增强水平指标:病灶中央及周边增强水平与周边肝实质增强水平的比值、病灶内部增强水平的平均像素值、病灶内增强水平的像素标准差。
[0062]5.人工神经网络建立，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。确定输入单元数和迭代值。
[0063]6.基于人工神经网络的决策树构建
图3示出了采用本发明的系统及方法进行诊断的一实施例，其中，CAD系统决策树，包括1个ANN节点;FNH，肝局灶性结节增生；ICC，胆管细胞型肝癌;MLC，转移性肝癌;HCC，肝细胞性肝癌;DN，不典型增生结节。
[0064]如图3所示，根据诊断的难易程度，构建了共含有例如10个ANN节点的级联决策树。在CAD的决策过程中，系统依次需回答以下问题:
Dl，有无肝硬化背景？ D2，延迟期有无低增强？
D3，动脉期有无轮辐状高增强？
D4，动脉期是否周边结节状高增强？
D5，动脉期是否均匀或不均匀高增强？
D6，动脉期是否周边环状高增强？
...