一种基于多特征学习的动脉粥样硬化斑块成分分割方法
【技术领域】
[0001] 本发明属于医学图像处理领域，尤其涉及到于计算机辅助和人工智能技术在医学 图像分析方面的应用。
【背景技术】
[0002] 当前，对于动脉粥样硬化斑块成分分割方法尚没有统一的框架和技术手段，其主 要原因在于当前血管斑块的成像技术还不够成熟，这使得血管斑块的成像质量（例如斑 块的图像的对比度、边缘的清晰度等）不高。另外当前血管图像一般都有灰度图像或者 伪彩色图像，这使得计算机很难能够通过定量的数字量表征斑块信息。为了解决这些问 题，国内外学者做了大量的研宄工作，其中最具代表性的则是F.Liu等人提出的基于贝叶 斯理论的斑块分割方法，该方法主要利用斑块的灰度值、斑块在血管中的位置以及形态信 息作为特征，然后基于这些特征训练出一个高斯模型，利用贝叶斯后验概率公式计算出斑 块隶属于某种成分的概率以完成成分的分割，但是该方法对图像的噪声很敏感，另外训练 出一个能够刻画斑块特征的模型需要大量的训练样本。还有一些研宄者利用模糊聚类的 (Fuzzy-clustering)的方法分割斑块成分。该方法利用动脉斑块的灰度值作为特征然后利 用模糊聚类的方式计算斑块隶属于不同成分的概率，这种方法缺点很明显，首先是该方法 利用的斑块特征单一，不能够充分表达斑块的信息，其次该方法鲁棒性较低，模糊聚类的结 果容易受到斑块成分的影响。国内研宄者钱华明等提出了结合时域信息的区域生长算法， 该算法利用图像之间的灰度差异作为生长条件，并结合灰度信息作为生长条件，然后利用 形态学的相关造作方法对分割结果做修正进而提取出不同成分的分割边界，但是该方法同 样存在斑块特征表达不足和算法鲁棒性不高的缺陷。
【发明内容】
[0003] 为了克服已有动脉粥样硬化斑块成分分割方法的精确性较差、鲁棒性不高的不 足，本发明提供了一种精确性良好、鲁棒性较高的基于多特征学习的动脉粥样硬化斑块成 分分割方法。
[0004] 本发明解决其技术问题所采用的技术方案是：
[0005] 一种基于多特征学习的动脉粥样硬化斑块成分分割方法，所述分割方法包括以下 步骤：
[0006] 1)获取多序列动脉血管斑块图像；
[0007] 2)图像预处理
[0008] 选取以动脉血管内壁为中心的ROI作为研宄区域，对选取的ROI做灰度值的窗宽、 窗位调整，然后对ROI做去噪处理；
[0009] 3)斑块特征提取及描述
[0010] 从斑块图像的灰度值、高斯模糊特征、梯度值、斑块到血管内外壁的最近距离、图 像的拉普拉斯特征以及斑块的纹理特征分别描述斑块的特征；
[0011] 4)分类器训练：分类器模型是支持向量机SVM，训练过程如下：
[0012] (4. 1)训练样本的收集与标定
[0013]训练样本中，Tl序列图像作为参考图像，医生手动标定动脉粥样硬化斑块成分是 在Tl图像上操作，其他四种序列T1GD、T2、和STIR的斑块成分是按照Tl标定的结果映 射在其上；
[0014] (4. 2)样本预处理
[0015] 首先对样本图像做灰度值拉伸操作，使其灰度值分布范围在[0, 255]区间范围， 然后是对图像去噪声处理，最后是把医生的对斑块成分的标定结果做二值化处理，即把医 生标定的斑块的每一种成分储存在的二值矩阵中；
[0016] (4. 3)训练样本进一步分类和特征量化处理
[0017] 训练样本的进一步分类是把样本细分为lipid样本集、fibrous样本集、calcium 样本集以及hemorrhage样本集；
[0018] 特征量化处理是把已经提取到的斑块特征做归一化处理，所有特征经过归一化之 后形成一个特征向量，该特征向量尸如式（10)所示。
【主权项】
1. 一种基于多特征学习的动脉粥样硬化斑块成分分割方法，其特征在于：所述分割方 法包括W下步骤： 1) 获取多序列动脉血管斑块图像； 2) 图像预处理 选取W动脉血管内壁为中屯、的ROI作为研究区域，对选取的ROI做灰度值的窗宽、窗位 调整，然后对ROI做去噪处理； 3) 斑块特征提取及描述 从斑块图像的灰度值、高斯模糊特征、梯度值、斑块到血管内外壁的最近距离、图像的 拉普拉斯特征W及斑块的纹理特征分别描述斑块的特征； 4) 分类器训练；分类器模型是支持向量机SVM，训练过程如下： (4. 1)训练样本的收集与标定 训练样本中，T1序列图像作为参考图像，医生手动标定动脉粥样硬化斑块成分是在T1 图像上操作，其他四种序列T1GD、T2、PD和STIR的斑块成分是按照T1标定的结果映射在其 上； (4. 2)样本预处理 首先对样本图像做灰度值拉伸操作，使其灰度值分布范围在[0, 255]区间范围，然后 是对图像去噪声处理，最后是把医生的对斑块成分的标定结果做二值化处理，即把医生标 定的斑块的每一种成分储存在的二值矩阵中； (4. 3)训练样本进一步分类和特征量化处理 训练样本的进一步分类是把样本细分为lipid样本集、fibrous样本集、calcium样本 集W及hemorrhage样本集； 特征量化处理是把已经提取到的斑块特征做归一化处理，所有特征经过归一化之后形 成一个特征向量，该特征向量#巧日式（10)所示： F= [V,G,GM,i,f] (10) 式中，V表示斑块的灰度值，G表示斑块的高斯模糊值，GM表示灰度值高斯模糊后的灰 度特征，L表示拉普拉斯特征，D表示斑块空间位置特征，T表示斑块的纹理特征。； (4. 4)分类器训练，最后四种序列MRI动脉斑块图像共生成4个特征集，每一个特征集 训练生成一个分类器，最终得到4个分类器，即lipid分类器，fibrous分类器，calcium分 类器，hemorrhage分类器； 5) 训练器优化 把样本集分为训练集和测试集两个部分，然后用训练集的样本训练分类器，用得到的 分类器检验测试集的识别率，依次判断循环下去，直到得到的训练器分类正确率达到最大 值为止，此时得到的分类器认为是最优分类器； 6) 对于斑块组织的某一个像素分别用四个分类器计算其隶属于不同组织的程度，过程 如下： (6. 1)首先把T1GD、T2、PD和STIR斑块组织图像在每个像素点出的特征提取出来； (6. 2)把化1)中提取的斑块特征分别放到步骤（5)中优化后的四个分类器中，四种分 类器分别计算其隶属于其成分的程度； (6.3)根据得到的化.2)中的隶属度竞争排序，把隶属度最高的成分作为最终结果。
2. 如权利要求1所述的一种基于多特征学习的动脉粥样硬化斑块成分分割方法，其特 征在于；所述分割方法还包括W下步骤： 7)结果的形态学操作，过程如下： (7. 1)把成分分割的结果存储在4个二值图像中，二值图像中1代表组织成分，0代表 背景，分别是lipid成分、fibrous成分、calcium成分，hemorrhage成分； (7. 2)然后对每一个二值图像做腐蚀运算，把孤立的分割块滤除； (7. 3)然后做形态学开运算，填补成分块中的空洞W及连通相近的孤立块； (7. 4)最后做图像闭运算，得到动脉粥样硬化斑块成分。
3. 如权利要求1所述的一种基于多特征学习的动脉粥样硬化斑块成分分割方法，其特 征在于：所述步骤3)中， (a)灰度值为在图像经过去噪处理后的灰度值； 化）高斯模糊特征 所述高斯模糊特征指的是斑块组织某一点经过高斯模糊之后的灰度值，提取过程是采 用一个5*5的高斯核与斑块组织做卷积，如式（2)所示；
(2) 式中，0表示高斯核的尺度，X表示图像的灰度值，I，G分别代表图像原始血管斑块图 像和高斯模糊后的图像，是卷积符号； (C)梯度特征 斑块组织的梯度特征GM:
(e) 斑块空间位置特征（到内外壁之间的距离） Dmin(I)二mini|C(I(x))-Lumen(I)II(5) Dmax讯=maxI IC(I(X))-Lumen(I)I I 化） (f) 纹理特征 提取了一阶统计量和灰度共生矩阵特征两类纹理特征，共走个一阶统计量，其中包括 斑块内部灰度均值、标准差、差异系数、偏度、峰度、直方图滴和亮度滴；E地is如式（7)和亮 度滴化化t如式巧）；
【专利摘要】一种基于多特征学习的动脉粥样硬化斑块成分分割方法，包括以下步骤：1)获取多序列动脉血管斑块图像；2)图像预处理；3)斑块特征提取及描述；4)分类器训练：分类器模型是支持向量机SVM；最后四种序列MRI动脉斑块图像共生成4个特征集，每一个特征集训练生成一个分类器，最终得到4个分类器，即lipid分类器，fibrous分类器，calcium分类器，hemorrhage分类器；5)训练器优化；6)对于斑块组织的某一个像素分别用四个分类器计算其隶属于不同组织的程度，根据得到的隶属度竞争排序，把隶属度最高的成分作为最终结果。本发明精确性良好、鲁棒性较高。
【IPC分类】G06T7-00, G06K9-66
【公开号】CN104794708
【申请号】CN201510170489
【发明人】汪晓妍, 李军伟, 黄晓洁, 张剑华, 滕忠照, 陈胜勇
【申请人】浙江工业大学
【公开日】2015年7月22日
【申请日】2015年4月10日