左心房/左心耳血栓的计算机辅助超声诊断方法

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。

$\mathrm{Contrast}=\underset{i,j}{\Sigma }{|i-j|}^{2}p(i,j)$

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。

$\mathrm{Correlation}=\underset{i,j}{\Sigma }\frac{(i-\mathrm{\mu i})(j-\mathrm{\mu j})p(i,j)}{{\sigma }_i{\sigma }_j}$

能量（Energy）：灰度共生矩阵元素平方求和。

$\mathrm{Energy}=\underset{i,j}{\Sigma }p{(i,j)}^2$

同质性（Homogeneity）：反应灰度共生矩阵元素与其对角线的接近程度。

$\mathrm{Homogeneity}=\underset{i,j}{\Sigma }\frac{p(i,j)}{1+|i-j|}$

熵（Entropy）：反映图像中纹理的复杂程度或非均匀度。

$\mathrm{Entropy}=-\underset{i,j}{\Sigma }p(i,j)\log p(i,j)$

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I_k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。

$\mathrm{Contrast}=\underset{i,j}{\Sigma }{|i-j|}^{2}p(i,j)$

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。

$\mathrm{Correlation}=\underset{i,j}{\Sigma }\frac{(i-\mathrm{\mu i})(j-\mathrm{\mu j})p(i,j)}{{\sigma }_i{\sigma }_j}$

能量（Energy）：灰度共生矩阵元素平方求和。

$\mathrm{Energy}=\underset{i,j}{\Sigma }p{(i,j)}^2$

同质性（Homogeneity）：反应灰度共生矩阵元素与其对角线的接近程度。

$\mathrm{Homogeneity}=\underset{i,j}{\Sigma }\frac{p(i,j)}{1+|i-j|}$

熵（Entropy）：反映图像中纹理的复杂程度或非均匀度。

$\mathrm{Entropy}=-\underset{i,j}{\Sigma }p(i,j)\log p(i,j)$

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：

$D=\frac{|{\mu }_{\mathrm{xi}}-{\mu }_{\mathrm{xj}}|}{\sqrt{{\sigma }_{\mathrm{xi}}^2+{\sigma }_{\mathrm{xj}}^2}}$

其中μ表示均值，σ²表示方差。即μ_xi和μ_xj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I_k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I_k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。