一种基于超声造影图像均匀程度的分类系统技术方案

本发明专利技术公开了一种基于超声造影图像均匀程度的分类系统，其包括图像预处理模块、分类标注模块、特征提取模块、特征筛选模块、主成分分析模块、模型训练模块和分类预测模块；其中，离线分类时，通过图像预处理模块、分类标注模块、特征提取模块、特征筛选模块、主成分分析模块和模型训练模块得到相应的多个二分类QDA模型，再由分类预测模块利用得到的模型对未知分类结果的超声造影图像进行分类预测，而在线分类时，分类预测模块直接利用已有的二分类QDA模型，完成对未知分类结果的超声造影图像进行分类预测。因此，本发明专利技术不仅能够降低医生的工作量，有效地辅助医生做出准确的诊断结果，还能够降低分类模型的学习难度，提高分类模型的训练效率。

【技术实现步骤摘要】
一种基于超声造影图像均匀程度的分类系统
本专利技术涉及超医学图像处理
，特别涉及一种基于超声造影图像均匀程度的分类系统。
技术介绍
医学影像在医疗诊断阶段中有重要的作用，但是医生通过医学影像来进行判断，需要大量的专业知识和临床经验，其判断结果容易受到医生的主观因素影响，诊断结果不稳定。而超声检查作为一种医学影像检测手段，具有无创、无痛、无电离辐射影响的优势，超声图像与CT及MRI相比，其图像的分辨率更高，其实时动态的图像更能显示肿瘤内部的细节。随着超声仪器分辨率的不断提高及超声探头频率的不断改进，超声在器官组织病损的辅助诊疗中具有更加明显的优势。但是超声医师的水平差异及操作规范的不均一性，经常给图像特征的稳定性的判断带来困难。同时，医生的工作量巨大，工作时间长，对大量数据进行判读时，获得结果困难。因此，利用机器学习和图像处理技术辅助医生诊断已经成为医学影像诊断的发展趋势。而为了增强结果判断的稳定性，降低工作量，有必要利用机器学习和图像处理技术对超声造影图像分类，做出准确的判断，以辅助人工诊断及疗效的判定。目前，灰度共生矩阵是一种常用于超声图像的纹理分析方法，已经广泛地应用在肝脏病变、乳腺肿瘤、甲状腺结节等病症的超声图像分析。但灰度共生矩阵需要的计算开销大，占用更大的存储空间。
技术实现思路
本专利技术的目的在于：提供一种基于超声造影图像均匀程度的分类系统，其不仅能够降低医生的工作量，有效地辅助医生做出准确的诊断结果，还能够减小图像处理的计算开销，从而降低分类模型的学习难度，提高分类模型的训练效率。为了实现上述专利技术目的，本专利技术提供了以下技术方案：一种基于超声造影图像均匀程度的分类系统，其包括：图像预处理模块，用于将未知分类结果的超声造影图像中的矩形感兴趣区域划分为若干个矩形感兴趣子区域；分类标注模块，用于离线分类时，对所述未知分类结果的超声造影图像的每个矩形感兴趣子区域进行分类标注；特征提取模块，用于对所述图像预处理模块或所述分类标注模块得到的每个矩形感兴趣子区域进行纹理特征提取，并提取出多组纹理特征；特征筛选模块，用于离线分类时，将所述特征提取模块提取的所有完成分类标注的矩形感兴趣子区域的纹理特征分别用于训练QDA模型，并筛选出各个矩形感兴趣子区域的每组纹理特征中QDA模型训练错误率较低的多个纹理特征；主成分分析模块，用于离线分类时，对所述特征筛选模块筛选出的纹理特征的数据进行标准化处理，再利用主成分分析法对标准化处理后的数据进行降维处理，而得到分类训练样本；模型训练模块，用于离线分类时，将多分类问题分解为多个二分类问题，并利用所述分类训练样本，分别针对每个二分类问题训练得到相应的二分类QDA模型；分类预测模块，用于在线分类时，根据已有的QDA模型对所述未知分类结果的超声造影图像进行分类预测，以及离线分类时，利用所述模型训练模块得到的二分类QDA模型，对所述未知分类结果的超声造影图像进行分类预测；而且，以投票的方式决定该超声造影图像的分类结果。根据一种具体的实施方式，本专利技术基于超声造影图像均匀程度的分类系统中，所述图像预处理模块，用于将一个设定尺寸的矩形窗口在所述矩形感兴趣区域上滑动，每滑动一次则将所述矩形窗口内的图像作为一个矩形感兴趣子区域；其中，所述矩形窗口每次滑动的距离根据矩形感兴趣子区域之间的重叠率而设定。根据一种具体的实施方式，本专利技术基于超声造影图像均匀程度的分类系统中，所述特征提取模块，用于将每个矩形感兴趣子区域的灰度级压缩到1～Ng，并在每个矩形感兴趣子区域中的多个不同的方向上提取像素，且在每个方向上依次提取相同个数的像素，计算出每个方向上提取的像素中相对距离为(d1,d2)的两个像素之间的和、差，并统计出相应的和直方图与差直方图，再将和直方图、差直方图归一化，计算出和直方图、差直方图的数据特征，并基于每个方向上提取的像素而计算出的和直方图、差直方图的数据特征，分别计算出一组纹理特征；其中，设矩形感兴趣子区域D中，相对距离为(d1,d2)的两个像素表示为：y1＝g(m,n)；y2＝g(m+d1,n+d2)；设像素y1与y2的和、差分别表示为：sm,n＝y1+y2；dm,n＝y1-y2；则和直方图与差直方图分别为：hs(i；d1,d2)＝hs(i)＝Card{(m,n)∈D|sm,n＝i}；hd(j；d1,d2)＝hd(j)＝Card{(m,n)∈D|dm,n＝j}；以及，和直方图与差直方图的数据特征分别为：进一步地，所述特征提取模块在每个方向上提取像素时，相邻提取的两个像素之间间隔的像素个数逐渐递增。进一步地，所述特征提取模块计算出的每组纹理特征包括：第一纹理特征：第二纹理特征：第三纹理特征：第四纹理特征：第五纹理特征：第六纹理特征：第七纹理特征：第八纹理特征：第九纹理特征：根据一种具体的实施方式，本专利技术基于超声造影图像均匀程度的分类系统中，所述主成分分析模块对选取出的纹理特征的数据进行标准化处理的方式为：其中，X表示筛选出的纹理特征的数据，表示筛选出的纹理特征的数据的均值，σ表示筛选出的纹理特征的数据的方差，X1表示标准化处理后的结果。与现有技术相比，本专利技术的有益效果：本专利技术基于超声造影图像均匀程度的分类系统，其包括图像预处理模块、分类标注模块、特征提取模块、特征筛选模块、主成分分析模块、模型训练模块和分类预测模块；其中，离线分类时，通过图像预处理模块、分类标注模块、特征提取模块、特征筛选模块、主成分分析模块和模型训练模块得到相应的多个二分类QDA模型，再由分类预测模块利用得到的模型对未知分类结果的超声造影图像进行分类预测，而在线分类时，分类预测模块直接利用已有的二分类QDA模型，完成对未知分类结果的超声造影图像进行分类预测。因此，本专利技术不仅能够降低医生的工作量，有效地辅助医生做出准确的诊断结果，还能够降低分类模型的学习难度，提高分类模型的训练效率。附图说明：图1为本专利技术基于超声造影图像均匀程度的分类系统的结构图；图2为超声造影图像中的矩形感兴趣区域的示意图；图3为本专利技术筛选纹理特征的统计表；图4为本专利技术分类准确率与纹理特征个数的统计表。具体实施方式下面结合试验例及具体实施方式对本专利技术作进一步的详细描述。但不应将此理解为本专利技术上述主题的范围仅限于以下的实施例，凡基于本
技术实现思路
所实现的技术均属于本专利技术的范围。如图1所示，本专利技术基于超声造影图像均匀程度的分类系统，其包括图像预处理模块、分类标注模块、特征提取模块、特征筛选模块、主成分分析模块、模型训练模块和分类预测模块。其中，图像预处理模块用于将未知分类结果的超声造影图像中的矩形感兴趣区域划分为若干个矩形感兴趣子区域。具体的，如图2所示，采用画图工具在超声造影图像上画出一条闭合曲线，该曲线包围的区域为病灶区域，再使用一个以该闭合曲线的最大内接矩形将病灶区域自动分割，得到矩形感兴趣区域。由于不同的超声造影图像其矩形感兴趣区域的大小可能不一，为了方便后续处理，将矩形感兴趣区域划分为若干个大小统一的矩形感兴趣子区域。在实施时，采用一个设定尺寸的矩形窗口在矩形感兴趣区域上滑动，每滑动一次则将该矩形窗口内的图像作为一个矩形感兴趣子区域，每次滑动距离小于矩形窗口在其滑动方向上的长度。其中，矩形窗口每次滑动的距离根据矩形感兴趣子区域之间的重叠率而本文档来自技高网...

【技术保护点】
1.一种基于超声造影图像均匀程度的分类系统，其特征在于，包括：图像预处理模块，用于将未知分类结果的超声造影图像中的矩形感兴趣区域划分为若干个矩形感兴趣子区域；分类标注模块，用于离线分类时，对所述未知分类结果的超声造影图像的每个矩形感兴趣子区域进行分类标注；特征提取模块，用于对所述图像预处理模块或所述分类标注模块得到的每个矩形感兴趣子区域进行纹理特征提取，并提取出多组纹理特征；特征筛选模块，用于离线分类时，将所述特征提取模块提取的所有完成分类标注的矩形感兴趣子区域的纹理特征分别用于训练QDA模型，并筛选出各个矩形感兴趣子区域的每组纹理特征中QDA模型训练错误率较低的多个纹理特征；主成分分析模块，用于离线分类时，对所述特征筛选模块筛选出的纹理特征的数据进行标准化处理，再利用主成分分析法对标准化处理后的数据进行降维处理，而得到分类训练样本；模型训练模块，用于离线分类时，将多分类问题分解为多个二分类问题，并利用所述分类训练样本，分别针对每个二分类问题训练得到相应的二分类QDA模型；分类预测模块，用于在线分类时，根据已有的QDA模型对所述未知分类结果的超声造影图像进行分类预测，以及离线分类时，利用所述模型训练模块得到的二分类QDA模型，对所述未知分类结果的超声造影图像进行分类预测；而且，以投票的方式决定该超声造影图像的分类结果。...

【技术特征摘要】
1.一种基于超声造影图像均匀程度的分类系统，其特征在于，包括：图像预处理模块，用于将未知分类结果的超声造影图像中的矩形感兴趣区域划分为若干个矩形感兴趣子区域；分类标注模块，用于离线分类时，对所述未知分类结果的超声造影图像的每个矩形感兴趣子区域进行分类标注；特征提取模块，用于对所述图像预处理模块或所述分类标注模块得到的每个矩形感兴趣子区域进行纹理特征提取，并提取出多组纹理特征；特征筛选模块，用于离线分类时，将所述特征提取模块提取的所有完成分类标注的矩形感兴趣子区域的纹理特征分别用于训练QDA模型，并筛选出各个矩形感兴趣子区域的每组纹理特征中QDA模型训练错误率较低的多个纹理特征；主成分分析模块，用于离线分类时，对所述特征筛选模块筛选出的纹理特征的数据进行标准化处理，再利用主成分分析法对标准化处理后的数据进行降维处理，而得到分类训练样本；模型训练模块，用于离线分类时，将多分类问题分解为多个二分类问题，并利用所述分类训练样本，分别针对每个二分类问题训练得到相应的二分类QDA模型；分类预测模块，用于在线分类时，根据已有的QDA模型对所述未知分类结果的超声造影图像进行分类预测，以及离线分类时，利用所述模型训练模块得到的二分类QDA模型，对所述未知分类结果的超声造影图像进行分类预测；而且，以投票的方式决定该超声造影图像的分类结果。2.如权利要求1所述的基于超声造影图像均匀程度的分类系统，其特征在于，所述图像预处理模块，用于将一个设定尺寸的矩形窗口在所述矩形感兴趣区域上滑动，每滑动一次则将所述矩形窗口内的图像作为一个矩形感兴趣子区域；其中，所述矩形窗口每次滑动的距离根据矩形感兴趣子区域之间的重叠率而设定。3.如权利要求1所述的基于超声造影图像均匀程度的分类系统，其特征在于，所述特征提取模块，...

【专利技术属性】
技术研发人员：尹皓，刘西耀，罗燕，庄华，覃浪宽，罗源，刘东权，
申请(专利权)人：成都思多科医疗科技有限公司，四川大学华西医院，
类型：发明
国别省市：四川,51