一种基于稀疏表示的肝脏超声图像识别方法技术

本发明专利技术公开了一种基于稀疏表示的肝脏超声图像识别方法，包括以下步骤：(1)从带有占位性病变区域的肝脏超声图像训练样本中选择感兴趣区域；(2)提取感兴趣区域的灰度共生矩阵纹理比值特征、分形特征、突变率特征；(3)对步骤(2)得到的图像特征利用基于稀疏重建的字典扩展方法构建扩展字典；(4)利用步骤(3)得到的扩展字典构造基于稀疏表示的分类器；(5)将测试样本的图像特征输入分类器进行识别判断，识别出带有占位性病变区域的肝脏超声图像。本发明专利技术得到的分类识别准确高，各项指标符合临床诊断范围。

【技术实现步骤摘要】

本专利技术涉及超声图像处理的
，特别涉及一种基于稀疏表示的肝脏超声图像识别方法。
技术介绍
肝癌在全世界癌症发病率中排名第六，死亡率排名第三。肝脏疾病的早期诊断有利于及早地发现和控制肝癌，提高患者的生存率。超声检查具有无辐射、操作简单、可重复、价格低廉等特点，因此广泛应用于肝脏疾病临床诊断。临床上对肝脏病变超声图像的诊断，都是依靠医生的肉眼观察进行识别，不仅工作量巨大且诊断水平一定程度上取决于医生的经验。因此，借助医学图像处理技术客观定量的提取和分析超声影像特征，实现对肝脏占位性病变的辅助诊断对提高超声诊断的整体水平具有重要意义。肝脏疾病主要分为肝脏弥漫性病变和肝脏占位性病变，肝脏弥漫性病变表现在整个肝脏表面，而肝脏占位性病变仅仅表现在肝脏表面的一个小区域，因此占位性病变更难识别。不同类型的肝脏占位性病变具有不同的病理结构，在超声图像上具有不同的纹理信息，因此纹理特征在识别中得到广泛应用。然而，仅仅借用普通图像检索技术中已有的纹理特征进行计算是不够的。需要从临床角度出发，紧密结合病理表现分析图像并设计专有特征。基于稀疏表示的分类器(SRC)是一种新的分类识别方法，在人脸识别中得到了广泛应用。但由于肝脏超声图像含有大量斑点噪声、伪影等固有缺点，以及占位性病变复杂多变，直接使用SRC实现对肝脏占位性病变的分类识别还有一定的难度，目前也未见利用稀疏表示实现肝脏超声图像自动识别的相关研究。
技术实现思路
为了克服现有技术的上述缺点与不足，本专利技术的目的在于提供一种基于稀疏表示的肝脏超声图像识别方法，能够实现对肝囊肿、肝血管瘤、肝癌三种肝脏占位性病变的正确分类，而且识别结果准确有效，各项识别指标符合临床诊断范围。本专利技术的目的通过以下技术方案实现：一种基于稀疏表示的肝脏超声图像识别方法，包括以下步骤：(1)从带有占位性病变区域的肝脏超声图像训练样本中选择感兴趣区域，所述感兴趣区域包括占位性病变区域R1和正常肝脏区域R2；所述肝脏超声图像训练样本包括肝囊肿图像样本、肝血管瘤图像样本、肝癌图像样本；(2)提取步骤(1)得到的感兴趣区域的图像特征，包括以下步骤；(2-1)提取灰度共生矩阵纹理比值特征：(2-1-1)分别生成占位性病变区域R1和正常肝脏区域R2在0°,45°,90°,135°四个方向上的灰度共生矩阵，计算每个灰度共生矩阵相关、能量、同质性三个纹理特征值；(2-1-2)对每一纹理特征值计算在0°,45°,90°,135°四个方向的平均值，得到占位性病变区域R1的相关COR_R1、能量EN_R1、同质性Hom_R1；和正常图像R2的相关COR_R2、能量EN_R2、同质性Hom_R2；(2-1-3)求占位性病变区域R1与正常肝脏区域R2的对应纹理特征比值，如下式所示： g 1 = C O R _ R 1 C O R _ R 2 ]]> g 2 = E N _ R 1 E N _ R 2 ]]> g 3 = H o m _ R 1 H o m _ R 2 ]]>(2-2)提取占位性病变区域R1中的分形特征，具体包括分形维数FD和孔隙度L(t)；(2-3)提取占位性病变区域R1的突变率特征M；(2-4)将得到的灰度共生矩阵纹理比值特征g1、g2、g3，分形特征FD和L(t)，以及突变率特征组成特征向量f＝[g1,g2,g3,FD,L(t),M]，对特征向量进行归一化处理；(3)对步骤(2)得到的图像特征利用基于稀疏重建的字典扩展方法构建扩展字典；(4)利用步骤(3)得到的扩展字典构造基于稀疏表示的分类器；(5)将测试样本的图像特征输入分类器进行识别判断，识别出带有占位性病变区域的肝脏超声图像。步骤(1)所述的选择感兴趣区域，具体为：(1-1)选择占位性病变区域R1：首先利用基于能量约束的区域增长超声图像自动分割算法，勾勒出病变区域边缘，然后取其外接矩形，将外接矩形区域作为占位性病变区域R1；(1-2)选择正常肝脏区域R2：在占位性病变区域以外用任意大小矩形截取纹理均匀的肝实质区域作为正常肝脏图像R2。步骤(2-3)所述提取占位性病变区域R1的突变率特征M，具体为：(2-3-1)通过SIFT算法进行SIFT特征点的提取，检测出肝脏超声图像的特征点；(2-3-2)统计出占位性病变区域R1内特征点数目a；(2-3-3)将特征点数目a与步骤(1-1)中得到的外接矩形最长边Len之比,作为特征点分布特征Ｍ，即突变率特征，如下式所示：M＝a/Len。步骤(3)所述步骤(2)得到的图像特征利用基于稀疏重建的字典扩展方法构建扩展字典，具体为：(3-1)初始化：将步骤(2)提取到的训练样本特征作为原子组成初始字典D，D＝[f1,f2,…,fk,…,fn]；fk表示第k个训练样本的特征向量；n表示训练样本数目，1≤k≤n；优化的扩展字典Ds＝D，允许最大残差τ，ε为噪声程度，令迭代次数k＝1，；(3-2)取出字典D中的第k个原子,此时字典D中因不含fk而成为D*，求解fk以D*为字典时的稀疏系数 x ^ = arg min | | x | | 1 s . t | | f k本文档来自技高网...

【技术保护点】
一种基于稀疏表示的肝脏超声图像识别方法，其特征在于，包括以下步骤：(1)从带有占位性病变区域的肝脏超声图像训练样本中选择感兴趣区域，所述感兴趣区域包括占位性病变区域R1和正常肝脏区域R2；所述肝脏超声图像训练样本包括肝囊肿图像样本、肝血管瘤图像样本、肝癌图像样本；(2)提取步骤(1)得到的感兴趣区域的图像特征，包括以下步骤；(2‑1)提取灰度共生矩阵纹理比值特征：(2‑1‑1)分别生成占位性病变区域R1和正常肝脏区域R2在0°,45°,90°,135°四个方向上的灰度共生矩阵，计算每个灰度共生矩阵相关、能量、同质性三个纹理特征值；(2‑1‑2)对每一纹理特征值计算在0°,45°,90°,135°四个方向的平均值，得到占位性病变区域R1的相关COR_R1、能量EN_R1、同质性Hom_R1；和正常图像R2的相关COR_R2、能量EN_R2、同质性Hom_R2；(2‑1‑3)求占位性病变区域R1与正常肝脏区域R2的对应纹理特征比值，如下式所示：g1=COR_R1COR_R2]]>g2=EN_R1EN_R2]]>g3=Hom_R1Hom_R2]]>(2‑2)提取占位性病变区域R1中的分形特征，具体包括分形维数FD和孔隙度L(t)；(2‑3)提取占位性病变区域R1的突变率特征M；(2‑4)将得到的灰度共生矩阵纹理比值特征g1、g2、g3，分形特征FD和L(t)，以及突变率特征组成特征向量f＝[g1,g2,g3,FD,L(t),M]，对特征向量进行归一化处理；(3)对步骤(2)得到的图像特征利用基于稀疏重建的字典扩展方法构建扩展字典；(4)利用步骤(3)得到的扩展字典构造基于稀疏表示的分类器；(5)将测试样本的图像特征输入分类器进行识别判断，识别出带有占位性病变区域的肝脏超声图像。...

【技术特征摘要】
1.一种基于稀疏表示的肝脏超声图像识别方法，其特征在于，包括以下步骤：(1)从带有占位性病变区域的肝脏超声图像训练样本中选择感兴趣区域，所述感兴趣区域包括占位性病变区域R1和正常肝脏区域R2；所述肝脏超声图像训练样本包括肝囊肿图像样本、肝血管瘤图像样本、肝癌图像样本；(2)提取步骤(1)得到的感兴趣区域的图像特征，包括以下步骤；(2-1)提取灰度共生矩阵纹理比值特征：(2-1-1)分别生成占位性病变区域R1和正常肝脏区域R2在0°,45°,90°,135°四个方向上的灰度共生矩阵，计算每个灰度共生矩阵相关、能量、同质性三个纹理特征值；(2-1-2)对每一纹理特征值计算在0°,45°,90°,135°四个方向的平均值，得到占位性病变区域R1的相关COR_R1、能量EN_R1、同质性Hom_R1；和正常图像R2的相关COR_R2、能量EN_R2、同质性Hom_R2；(2-1-3)求占位性病变区域R1与正常肝脏区域R2的对应纹理特征比值，如下式所示： g 1 = C O R _ R 1 C O R _ R 2 ]]> g 2 = E N _ R 1 E N _ R 2 ]]> g 3 = H o m _ R 1 H o m _ R 2 ]]>(2-2)提取占位性病变区域R1中的分形特征，具体包括分形维数FD和孔隙度L(t)；(2-3)提取占位性病变区域R1的突变率特征M；(2-4)将得到的灰度共生矩阵纹理比值特征g1、g2、g3，分形特征FD和L(t)，以及突变率特征组成特征向量f＝[g1,g2,g3,FD,L(t),M]，对特征向量进行归一化处理；(3)对步骤(2)得到的图像特征利用基于稀疏重建的字典扩展方法构建扩展字典；(4)利用步骤(3)得到的扩展字典构造基于稀疏表示的分类器；(5)将测试样本的图像特征输入分类器进行识别判断，识别出带有占位性病变区域的肝脏超声图像。2.根据权利要求1所述的基于稀疏表示的肝脏超声图像识别方法，其特征在于，步骤(1)所述的选择感兴趣区域，具体为：(1-1)选择占位性病变区域R1：首先利用基于能量约束的区域增长超声图像自动分割算法，勾勒出病变区域边缘，然后取其外接矩形，将外接矩形区域作为占位性病变区域R1；(1-2)选择正常肝脏区域R2：在占位性病变区域以外用任意大小矩形截取纹理均匀的肝实质区域作为正常肝脏图像R2。3.根据权利要求2所述的基于稀疏表示的肝脏超声图像识别方法，其特征在于，步骤(2-3)所述提取占位性病变区域R1的突变率特征M，具体为：(2-3-1)通过SIFT算法进行SIFT特征点的提取，检测出肝脏超声图像的特征点；(2-3-2)统计出占位性病变区域R1内特征点数目a；(2-3-3)将特征点数目a与步骤(1-1)中得到的外接矩形最长边Len之比,作为特征点分布特征M，即突变率特征，如下式所示：M＝a/Len。4.根据权利要求1所述的基于稀疏表示的肝脏超声图像识别方法，其特征在于，步骤(3)所述步骤(2)得到的图像特征利用基于稀疏重建的字典扩展方法构建扩展字典，具体为：(3-1)初始化：将步骤(2)提取到的训练样本特征作为原子组成初始字典D，D＝[f1,f2,…,fk,…,fn]；fk表示第k个训练样本的特征向量；n表示训练样本数目，1≤k≤n；优化的扩展字典Ds＝D，允许最大残差τ，ε为噪声程度，令迭代次数k＝1，；(3-2)取出字典D中的第k个原子,此时字典D中因不含fk而成为D*，求解fk以D*为字典时的稀疏系数 x ^ = arg min | | x | | 1 s . t | | f k - D * x | | 2 ≤ ϵ ]]>其中，||·||1是l1范数，||·||2是l2范数，x为fk关于字典D*的系数向量，ε为噪声程度；(3-3)根据稀疏系数对原子fk进行稀疏重建： f ^ k j = D * * δ j ( x ^ ) j = 1 , 2 , ... , ...

【专利技术属性】
技术研发人员：王伟凝，姜怡孜，师婷婷，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44