法律状态公告日
法律状态信息
法律状态
2016-11-30
授权
授权
2014-04-16
实质审查的生效 IPC(主分类):G06F17/50 申请日:20131128
实质审查的生效
2014-03-19
公开
公开
技术领域
本发明涉及计算机辅助诊断技术领域,具体而言,涉及一种左心房/左心耳血 栓的计算机辅助超声诊断方法。
背景技术
计算机辅助诊断技术简称CAD技术(Computer-Aided Diagnosis Technology)。 计算机辅助诊断至少包括两方面的含义:帮助发现病变和诊断病变。医学图像的计 算机辅助诊断的主要优点在于快速的数据处理,进行精确地定量计算,能够为临床 提供一致性好、可重复性高、客观、准确的辅助诊断意见,减少因医生经验不足或 视觉疲劳等主观原因引起的漏误诊,极大地扩大医生有限的个人知识和经验,使诊 断更为准确更为科学。因此,虽然CAD在目前还处于研究探索阶段,但勿庸置疑, CAD是医学影像诊断学发展的方向之一。
心脏血栓给人类的健康造成严重威胁,可导致心肌梗塞。心脏血栓多发于左心 房和左心耳,梳状肌是心房和心耳内正常的肌肉组织,临床上有时候很难从颜色特 征和形态特征将血栓和梳状肌区分开。目前,临床上使用经食管超声检测的方法, 在这个过程中房颤患者会有明显的自发显影,致使左心耳血栓和梳状肌的图像难以 鉴别,因此,疑似有左心房/左心耳血栓的患者均接受华法林(一种抗凝药)四周 治疗,然后再复查经食管超声来检验疑似左心房/左心耳血栓的真实性。这种方法 一方面使可能没有血栓的患者接受了不必要的抗凝治疗,增加了出血的风险(尤其 对于高龄患者);另一方面,对于有血栓的患者,不能及时排除血栓的存在,房颤 的患者持续性房颤恶化了心脏结构和功能。
血栓和梳状肌在超声影像学上有一些不同特点。新鲜血栓回声偏低、活动度大; 陈旧性血栓回声较强、活动度小;多次形成的血栓回声强弱不均和分层。而梳状肌 回声中等,活动度大,与周围组织一致。依据上述鉴别特征,如何提供一种方法, 在图像序列中区分血栓和梳状肌,将计算机辅助诊断技术与心脏超声图像序列相结 合以判断心脏血栓,成为本领域技术人员亟待解决的问题。
发明内容
本发明的目的在于提供一个计算机辅助诊断方法,用以引导诊断左心房/左心 耳血栓。
为达到上述目的,本发明提供以下技术方案:
将数据挖掘技术及模式识别理论与医学临床信息相结合,以灰阶视频、实时三 维动态视频为研究对象,准确的获取图像中的全方位信息并挖掘图像信息中潜在的 疾病关联规则,对多类特征综合分析,得到对左心房/左心耳血栓进行自动检出和 分类的检测方法;
根据以上所述技术方案,具体步骤如下:
1、经食管多平面探头对血栓和梳状肌、自发显影和正常状态分别采集动态视 频,建立并扩充图片库;
2、对步骤1采集到的动态视频进行拆帧处理,提取多模态数字化超声图像的 血栓的纹理特征,得到图像序列;
3、通过交互程序在图像序列中划分感兴趣区域(Region of Interest,ROI),将 ROI保存为二值图像,和与之对应的图像序列一同构成训练样本数据库;在与ROI 对应的原始图像区域上提取纹理特征,特征向量构成特征库;
4、使用MATLAB的人工神经网络ANN训练分类器,得到一个102维空间上 的超分界平面,即分类界面,该分类界面被保存为MAT数据文件(Matlab数据存 储的标准格式,标准的二进制文件),用于分类;
5、使用ANN工具进行分类性能评价,用概率0-1.00判定ROI是血栓的可能 性大小。
根据所述的左心房/左心耳血栓的计算机辅助超声诊断方法,其中,所提取的纹 理特征包括对比度、相关度、能量和同质性等,其提取公式表示如下:
对比度(Contrast):对比度是对像素点与其相邻点的灰度差异性的度量。
相关度(Correlation):衡量灰度共生矩阵元素在行或列方向上的相似程度。
能量(Energy):灰度共生矩阵元素平方求和。
同质性(Homogeneity):反应灰度共生矩阵元素与其对角线的接近程度。
熵(Entropy):反映图像中纹理的复杂程度或非均匀度。
根据所述的左心房/左心耳血栓的计算机辅助超声诊断方法,其中,所提取的 图像灰度纹理特征还包括均值和方差。
根据所述的左心房/左心耳血栓的计算机辅助超声诊断方法,其中,对于所述 的每个特征,都要取d=1,2,3,θ=0°,45°,90°,135°共十二维纹理特征计算类间距, 然后对他们求平均值,得到该特征的类间距。
根据所述的左心房/左心耳血栓的计算机辅助超声诊断方法,其中,所述每个 特征向量的维数为102维,其提取过程如下:
假设原始图像I0通过处理并得到了感兴趣区域R,且在序列图像中与I0前后 相邻且等间隔的图像分别是I-t和I+t,t为可调参数,通常取1或2。本实施例要在 R以及I-t和I+t与R对应的图像区域上提取图像特征,构成特征向量。特征向量F 可表示为F=[A B]。A与B由函数计算:A=feature(I-t,I0),B=feature(I+t,I0)。 对于A或B,本实施例feature()函数提取的特征包括:(1)基于灰度共生矩阵的 特征。对I-t或I+t提取了三个距离(1,2和3)和四个方向(0°,45°,90°和135°) 共12维特征的灰度共生矩阵,对于每个灰度共生矩阵计算对比度、相关性、能量 和同质性四个特征,共计48维特征;(2)对应于R的I-t或I+t的熵、均值和标 准差3维特征。如此,每个图像上的纹理特征为48+3=51种,函数A和B是大小 和成分均相同的51维向量。再将参考图像I和浮动图像Ik的特征堆叠起来,则一 个特征向量F=[A B]的维数为102维。所有n个样本构成了n*102的特征矩阵。
根据所述的左心房/左心耳血栓的计算机辅助超声诊断方法,其中,0.5附近的 值不具有参考价值。
与现有技术相比,本发明提出的左心房/左心耳血栓的计算机辅助超声诊断方 法,减少了医生对血栓诊断的主观判断,避免了因医生经验不足或视觉疲劳等主观 原因引起的漏误诊,使临床上经食管超声检测疑似有左心房/左心耳血栓的患者能 够尽早确诊,排除血栓形成的患者可以尽早接受房颤的转复治疗,减少长时间房颤 所带来的心脏结构和功能的影响,同时也避免了患者服用抗栓药物所带来的出血风 险。本方法操作简便、实用性强,对左心房/左心耳血栓和心颤的诊断、治疗具有 重要的指导意义。
附图说明
图1为本发明的系统流程示意图;
图2为通过样本纹理特征判断血栓概率的示意图;
图3为样本被判定为血栓的示意图;
图4为样本被判定为梳状肌的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、 完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的 实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提 下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,图1为发明的系统流程示意图,代表着本发明的总体思路,其具 体步骤如下:
步骤1:我们根据临床实际案例,采集经食管多平面探头的血栓(符合临床经 食道超声临床诊断标准或外壳开胸证实血栓存在)和梳状肌的动态视频,建立并扩 充二维、三维视频超声数据库。
进一步地,步骤2:对步骤1采集到的动态视频进行拆帧处理,基于灰度共生 矩阵(Gray-Level Co-Occurrence Matrix,以下简称GLCM)的纹理特征,根据像素 间的方向和距离关系构造一个GLCM,再从中抽取有意义的二统计量作为纹理特征, 得到图像序列,具体过程如下:
设F=f(x,y)表示一幅二维空间上的大小为W×H的灰度图像,灰度级为L。则 基于图像F的灰度共生矩阵G是一个L×L的方阵,G中位置(i,j)的元素表示图像F 的像素从灰度i经过固定位移到达灰度j的概率。此处的固定位移类似物理学中的 定义,它包括方向和距离两个量,因此可以表示为二元组(d,θ)。本实施例在GLCM 的应用中,取d=1,2,3,θ=0°,45°,90°,135°构造矩阵。
粗纹理图像的灰度共生矩阵中,数值主要集中在主对角线附近;细纹理图像的 灰度共生矩阵的数值散布于矩阵的不同地方。基于GLCM的纹理特征反映了图像 中纹理在不同位移上的灰度变化幅度的综合特性,广泛应用于图像分析、图像检索 和图像识别等领域。但在GLCM的应用中,一般需要在灰度共生矩阵的基础上提 取有一定含义的二次统计量作为纹理特征,本实施例用到的基于GLCM的纹理特 征包括对比度、相关度、能量和同质性等等,其公式表示如下:
对比度(Contrast):对比度是对像素点与其相邻点的灰度差异性的度量。
相关度(Correlation):衡量灰度共生矩阵元素在行或列方向上的相似程度。
能量(Energy):灰度共生矩阵元素平方求和。
同质性(Homogeneity):反应灰度共生矩阵元素与其对角线的接近程度。
熵(Entropy):反映图像中纹理的复杂程度或非均匀度。
除此之外,本发明还选择了均值和方差作为图像的灰度纹理特征。
为了精确地评价,本实施例选择的纹理特征的分类能力,使用方差归一化间距, 它可以衡量一个特征区分两个不同的类别的能力。对于某一个特征x,第i类和第 j类的类间距D可以定义为:
其中μ表示均值,σ2表示方差。即μxi和μxj分别表示特征x第i类和第j类的均 值,而和分别表示特征x第i类和第j类的方差。显然,D越大的时候,特征 x的分类能力就越强。反之,D越小,表明特征x的分类能力越弱。表1计算了本 实施例使用的纹理特征的类间距。
表1.中的每个特征,都要取d=1,2,3,θ=0°,45°,90°,135°共十二维纹理特征计 算类间距,然后对他们求平均值,得到该特征的类间距。
表1几种纹理特征的类间距
本课题的图像库中血栓和梳状肌两个类别中有1300个可用序列,梳状肌类和 血栓类分别有740个和560个可用图像序列。
进一步地,步骤3:通过交互程序在图像序列中划分感兴趣区域(Region of Interest,ROI),将ROI保存为二值图像,和与之对应的图像序列一同构成训练样 本数据库;在与ROI对应的原始图像区域上提取纹理特征,特征向量构成特征库。
在图像序列中寻找可用于分类血栓和梳状肌的特征。本实施例使用的四种基于 灰度共生矩阵的纹理特征,分别是对比度、相关度、能量和同质性,每种特征都取 d=1,2,3,θ=0°,45°,90°,135°共计12维特征,这样纹理特征的总数为48种。再加 上3个局部二值模式(Local Binary Pattern,LBP)纹理特征,每个图像上的纹理特 征为51种。再将参考图像I和浮动图像Ik的特征堆叠起来,则一个特征矢量的维 数为102维,取间隔k为0,1和2。如此以来,一个可用序列可以包含三个特征矢 量,也即三个样本。本课题的图像库中血栓和梳状肌两个类别中有1300个可用序 列,梳状肌类和血栓类分别有740个和560个可用图像序列,因此共有1300×3=3900 个可用样本,其中梳状肌类和血栓类分别有2220和1680个样本。
假设原始图像I0通过处理并得到了感兴趣区域R,且在序列图像中与I0前后 相邻且等间隔的图像分别是I-t和I+t,t为可调参数,通常取1或2。本实施例要在 R以及I-t和I+t与R对应的图像区域上提取图像特征,构成特征向量。特征向量F 可表示为F=[A B]。A与B由函数计算:A=feature(I-t,I0),B=feature(I+t,I0)。 对于A或B,本实施例feature()函数提取的特征包括:(1)基于灰度共生矩阵的 特征。对I-t或I+t提取了三个距离(1,2和3)和四个方向(0°,45°,90°和135°) 共12维特征的灰度共生矩阵,对于每个灰度共生矩阵计算对比度、相关性、能量 和同质性四个特征,共计48维特征;(2)对应于R的I-t或I+t的熵、均值和标 准差3维特征。如此,每个图像上的纹理特征为48+3=51种,函数A和B是大小 和成分均相同的51维向量。再将参考图像I和浮动图像Ik的特征堆叠起来,则一 个特征向量F=[A B]的维数为102维。所有n个样本构成了n*102的特征矩阵。
进一步地,步骤4:使用MATLAB的人工神经网络ANN训练分类器,得到 一个102维空间上的超分界平面,即分类界面,该分类界面被保存为MAT数据文 件(Matlab数据存储的标准格式,标准的二进制文件),用于分类;
进一步地,步骤5:使用ANN工具进行分类性能评价,用概率0-1.00判定ROI 是血栓的可能性大小。对于每一个样本,其属于正常组织或者血栓都是已知的。因 此可以使用ANN工具进行分类性能评价。请参阅图2,对一个无法确定是否是血 栓的样本时,可以将该样本从超声仪器导出为视频格式,拆帧并勾画ROI,再计算 纹理特征。这个过程和处理训练样本得到特征库的过程相同。将这个特征向量与之 前得到分类界面进行匹配。系统会使用之前保存的数据文件计算新样本属于血栓的 概率p(0<=p<=1),p越接近1表示样本是血栓的概率越大,越接近0表示样本 是梳状肌的概率越大。当然,普遍认为0.5附近的值不具有参考价值。
如图3所示,测试样本是血栓的概率为0.96,判定为血栓;如图4所示,测试 样本为血栓的概率为0.05,判定为梳状肌。
本实施例中,使用支持向量机(SVM)和ANN分别对血栓和梳状肌两个类别 进行分类性能评价。其中使用ANN分类的平均准确率为86.51%,而使用SVM分 类的平均准确率为85.94%。
另外,相对于血栓和梳状肌两个类别,自发显影和正常两个类别的样本量少了 很多。本实施例的图像库中自发显影和正常两个类别有180个可用序列,自发显影 和正常类分别有102个和78个可用图像序列。因为本实验取图像间隔k为0,1和 2。如此以来总共有180×3=540个可用样本,其中自发显影和正常的样本数分别有 306个和234个。使用SVM和ANN分别对自发显影和正常两个类别进行分类性能 评价。其中使用ANN分类的平均准确率为92.36%,而使用SVM分类的平均准确 率为91.84%。
可见本发明具有较高的分类准确性,达到了上述要实现的目的。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施 例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前 述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而 这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神 和范围。
机译: 对比经胸超声心动图确定左心耳血栓形成的方法
机译: 通过左心耳附件隔离左心房后壁的方法
机译: 浮选血栓的超声诊断方法