专利名称：基于冗余特征消减的医学超声图像自动识别方法
技术领域：
本发明涉及计算机医学图像分析领域，特别涉及一种基于冗余特征消减的医学超声图像自动识别方法，通过对预分析的医学超声图像感兴趣区域(ROI)的特征提取和去冗，运用分类器对其特征经训练学习后再分类，为临床应用提供重要的参考依据。
背景技术：
近20年来，医学影像技术取得了飞速的发展，其中超声成像作为一个重要分支，以其廉价、实时、无损伤、无射线辐射以及可重复性和敏感度高等优势，在临床诊断中被大量使用，并成为重要工具。超声成像在定量分析、实时诊断和手术规划等方面都具有很大的前景。然而，超声图像中的斑点噪声、伪影等图像缺陷也制约了其发展。在临床应用中超声诊断主要是医生根据经验来判断。这种主观判断方法易受到个人的诊断经验、思维方式、技 术水平等因素的严重影响。随着计算机技术的发展，自动识别系统逐步应用到图像分析当中。通过计算机对医学超声图像进行分析，可以使医疗专家摆脱繁重的人工观察和诊断，并且还可以提供更精确的辅助诊断数据。在计算机信息处理系统中，数据的采集是信息系统的基础，这些数据通过数据系统的分析和过滤，最终成为影响我们决策的信息。在医学超声图像分析过程中，我们往往以提取的图像特征集作为数据输入，达到识别并区分感兴趣区域的图像特征的目的。在实际应用时，过高维数的特征向量往往会引起维数灾难，同时冗余和无关的特征描述也将影响到特征分析的性能。此时特征选择环节就变得非常重要，其目的在于通过特征的选择，一方面可以有效降低特征向量的维数；另一方面降低冗余和无关的特征分量在特征向量中的比重，从而有利于提高特征分析的效果和效率。支持向量机(SupportVector Machine, SVM)是 Cortes 和 Vapnik 于 1995 年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度，Accuracy)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以期获得最好的推广能力(或称泛化能力)。现有图像分类方法使用局限，只针对某种特异性图像；提取的特征少，不能全面、客观的反映图像的特性；同时分类正确识别率低，分类效果差，缺乏实用性。
发明内容
本发明的目的在于提供一种基于冗余特征消减的医学超声图像自动识别方法，实现对医学超声图像及其特性的正确分类，全面、客观的反映图像的特性，为临床应用提供重要的参考依据。一种基于冗余特征消减的医学超声图像自动识别方法，包括以下步骤
步骤I从待处理的医学超声图像中提取感兴趣区域；步骤2对感兴趣区域做预处理；步骤3从预处理后的感兴趣区域提取特征；步骤4对提取的特征进行主成分分析，以去除冗余和无关的特征分量，确定独立有效的特征；步骤5依据独立有效的特征，利用分类器对感兴趣区域分类。所述特征包括纹理特征、形态特征和弹性特征。所述纹理特征包括空间域特征和频域特征；所述空间域特征包括一阶灰度均值、标准差、中值、最大值、最小值、一阶矩、二阶矩、偏度、峰度、五阶·矩、六阶矩、七阶矩、能量、熵；基于灰度共生矩阵对比度、角二阶矩、能量及相关系数；基于灰度游程矩阵短游程逆矩、长游程逆矩、游程灰度的不均匀性、游程长度的不均匀性、游程百分比；基于空间灰度独立矩阵对比度、均值、能量、逆差矩、角二阶矩；所述频域特征包括Laws能量和傅里叶功率谱,所述傅里叶功率谱包括环状采样特征、楔状采样特征、环状采样和楔状采样交叉特征。所述步骤4具体为步骤4. I对步骤3提取的特征构成的特征向量表示为歹=[4，12,...，；^，p为特征个数，对该特征向量做标准化处理，得到标准化特征向量= [JTi，X2,…，U;步骤4. 2对标准化后的特征向量Z二[X1,尤2，…，进行特征分解，以确定主成分坐标轴U ；步骤4. 3依据主成分坐标轴U确定p个主成分分量；步骤4. 4以累计贡献率nm作为主成分个数确定准则，对P个主成分分量进行降维，获得m个主成分；步骤4. 5以m个主成分构成主成分矩阵X，该主成分矩阵X即为独立有效的特征集。所述分类器为支持向量机。所述支持向量机构建方法为将n个样本(Xi, Yi)作为样本训练集，Xi为第i个样本的m维训练特征，Yi为第i个样本的类别标号，i = l，2...n;在满足yiKW.X^+W-l彡0条件下，利用二次规划方法求解使得目标函数
Inn
=+ 取最小值的最优Lagrange乘子a i,其中『=乏>,._);,4，松弛项
I/=1(=1
为惩罚因子，b为常数；
n依据最优Lagrange乘子a 4计算得到4;
；=1从n个样本的m维训练特征Xi中任意选取一支持向量，将其代入最优分类面表达式W X+b = O求解确定常数b值；构造分类器
权利要求
1.一种基于冗余特征消减的医学超声图像自动识别方法，包括以下步骤 步骤I从待处理的医学超声图像中提取感兴趣区域； 步骤2对感兴趣区域做图像预处理； 步骤3从预处理后的感兴趣区域提取特征； 步骤4对提取的特征进行主成分分析，以去除冗余和无关的特征分量，确定独立有效的特征； 步骤5依据独立有效的特征，利用分类器对感兴趣区域分类。
2.根据权利要求I所述的医学超声图像分类方法，其特征在于，所述特征包括纹理特征、形态特征和弹性特征。
3.根据权利要求I所述的医学超声图像分类方法，其特征在于，所述纹理特征包括空间域特征和频域特征； 所述空间域特征包括 一阶灰度均值、标准差、中值、最大值、最小值、一阶矩、二阶矩、偏度、峰度、五阶矩、六阶矩、七阶矩、能量、熵； 基于灰度共生矩阵对比度、角二阶矩、能量及相关系数； 基于灰度游程矩阵短游程逆矩、长游程逆矩、游程灰度的不均匀性、游程长度的不均匀性、游程百分比； 基于空间灰度独立矩阵对比度、均值、能量、逆差矩、角二阶矩； 所述频域特征包括=Laws能量和傅里叶功率谱，所述傅里叶功率谱包括环状采样特征、楔状采样特征、环状采样和楔状采样交叉特征。
4.根据权利要求I所述的医学超声图像分类方法，其特征在于，所述步骤4具体为 步骤4. I对步骤3提取的特征构成的特征向量表示为 I = [X13X2，…，，p为特征个数，对该特征向量做标准化处理，得到标准化特征向量X = [X,,X2,---,XP]; 步骤4. 2对标准化后的特征向量X =…\ j进行特征分解，以确定主成分坐标轴U ； 步骤4. 3依据主成分坐标轴U确定p个主成分分量； 步骤4.4以累计贡献率nm作为主成分个数确定准则，对P个主成分分量进行降维，获得m个主成分； 步骤4. 5以m个主成分构成主成分矩阵X，该主成分矩阵X即为独立有效的特征集。
5.根据权利要求4所述的医学超声图像分类方法，其特征在于，所述分类器为支持向量机。
6.根据权利要求5所述的医学超声图像分类方法，其特征在于，所述支持向量机构建方法为 将n个样本(Xi, yi)作为样本训练集，Xi为第i个样本的m维训练特征，yi为第i个样本的类别标号，i = I, 2. . . n ； 在满足yi[(W-XiHW-I > O条件下，利用二次规划方法求解使得目标函数
全文摘要
本发明公开了一种基于冗余特征消减的医学超声图像自动识别方法。首先从待处理的医学超声图像中提取感兴趣区域，从感兴趣区域提取特征；然后对提取的特征进行主成分分析，以去除冗余和无关的特征分量，确定独立有效的特征；最后依据独立有效的特征，利用分类器对感兴趣区域分类。本发明通过计算机对医学超声图像进行分析，提取的图像特征涵盖了空域和频域，更为全面地反映了图像的本质特性，有助于进行正确分类，具有较好的临床实用性。
文档编号G06K9/00GK102799858SQ20121020654
公开日2012年11月28日 申请日期2012年6月21日 优先权日2012年6月21日
发明者丁明跃, 杨鑫, 王瑞, 尉迟明, 张旭明, 侯文广, 王龙会 申请人:华中科技大学