[发明专利]一种用于超声造影图像稳定定量分析的方法和系统

权利要求书

1.一种用于超声造影图像稳定定量分析的方法，其特征在于，所述方法包括：获取多个帧的超声造影图像序列，以及目标区域的位置和大小信息；对于超声造影图像序列中的当前帧，基于自适应颜色属性和维度下降进行跟踪，获取包括下一帧中目标区域位置和大小信息的跟踪结果；基于置信度评价进行自适应跟踪策略选择，确定是保存跟踪结果并继续基于自适应颜色属性和维度下降跟踪下一帧，还是重新基于自适应结构局部稀疏表示进行跟踪，以获取跟踪结果；处理完所有帧后，根据保存的跟踪结果数据计算造影强度值并形成原始时间强度曲线TIC，进行曲线拟合并计算造影特征量化参数；

所述基于自适应结构局部稀疏表示进行跟踪包括：

步骤401：定义T＝[T₁，T₂，...，T_k]为前k帧超声造影序列图像的目标特征模板，对每个模板按照空间位置分布方式，重叠采样t个局部图像块；将这些局部图像块拼接作为对候选样本局部图像块进行稀疏编码的词典，记为D＝[d1,d2,…，d(k×t)]∈R^d×(k×t)，其中d是局部图像块向量化表示后的向量维数，d1,d2,…，d(k×t)为所有局部图像块通过向量化并进行归一化获取的；对候选样本提取的t个局部图像块，表示为Y＝[y1，y2，…，yt]∈R^d×t，其中yi为第i个向量化后的局部图像块；然后采用构造的字典对候选样本中的局部图像块进行稀疏编码，公式为：

其中bi∈R(k×t)×1为第i个局部图像块的稀疏编码系数向量；

步骤402：计算候选区域特征值向量；

首先将每个局部图像块的稀疏编码系数向量根据其中每个元素与各个模板之间的对应关系进行段的划分，即其中，表示系数向量bi的j阶分块；

然后将划分后的系数向量进行等权重的加权求和，得到第i个局部块向量Vi，公式为：其中，C为归一化项向量，Vi为候选图像区域内第i个局部图像块对应的新的编码向量，它们合在一起构成编码矩阵V；

取编码矩阵V的对角线元素作为汇聚后的特征值向量f＝diag(V)；

步骤403：输入超声造影图像序列z_1：n＝{z₁，z₂，...，z_n}，通过最大后验概率估计计算目标状态变量：其中，表示第i个序列状态，最大后验概率公式为：p(x_n|z_1：n)∝p(z_n|x_n)∫p(x_n|x_n-1)p(x_n-1|z_1：n-1)dx_n-1；其中，p(x_n|x_n-1)代表动态模型，p(z_n|x_n)代表观测模型；

后验概率最大值所对应的目标点即为第p+1帧感兴趣观察点位置Yc；以位置Yc作为第p+1帧的目标区域的中心，将获取的目标区域位置和大小信息作为跟踪结果；

步骤404：首先生成一组以2为底的指数增长序列并归一化到[0，1]范围内，用作各个目标特征模板更新的概率；序列Lp记为：

以均匀分布生成一个在[0，1]范围内的随机数r，通过确定r位于序列Lp中的位置来选择被更换的目标特征模板；

定义新的目标特征模板的第i个局部图像块d′_i为：其中，r_i是跟踪结果使用增量主成分分析方法获得的重构图像R中第i个局部图像块，g_i是指示变量，对应于该重构图像用滤波器平滑后的结果图像的第i个局部图像块；

步骤405：当前帧的跟踪结果对应的置信度大于预设阈值时，则输出目标区域的位置和大小信息并保存；

步骤406：当前帧的跟踪结果对应的置信度小于或等于预设阈值时，丢弃当前帧；

所述基于自适应颜色属性和维度下降进行跟踪包括：

步骤201：将超声造影图像序列中图像的RGB颜色空间投影到颜色属性空间，提取每帧造影图像跟踪区域的颜色特征；从第一帧开始处理，且仅在当前帧为第一帧时，执行步骤202和步骤203；

步骤202：直接根据在第一帧所选择的目标区域的位置和大小信息提取相应的颜色特征；

步骤203：生成目标特征模板并训练分类器；

根据目标区域的颜色特征，选取M×N的目标特征模板x，其中M,N∈[15,25],单位为像素，分别表示目标特征模板的宽度和长度；

确定初始的训练模型TM为其中，p为当前帧数；为学习目标表观模型，用于计算下一帧的响应值；A^p为训练传输因子，作为分类器参数；

采用循环采样的方法得到感兴趣观察点的稠密样本像素点，将获得的像素点xm,n作为分类器的训练样本，对应目标特征模板内的坐标值为(m，n)，其中m，n∈{0，...，M-1}×{0，...，N-1}；将训练样本xm,n用高斯函数y进行标记，得到对应的样本标签值y(m，n)；

根据第一帧到当前帧的加权平均二次误差构建代价函数ε，代价函数ε的公式为：其中，βj为第j帧图像所占权重，φ为核函数k下的Hilbert空间的映射，λ≥0为正则化参数；权重w定义为a为当前帧对应系数；核函数k定义为：k(x，z)＝φ(x)^Tφ(z)；其中，x为第j帧训练样本，z为第j+1帧训练样本；

在训练过程中，使用当前帧及之前所有帧的代价函数作为决策函数，将x投影到Hilbert空间，通过调整权重w使代价函数最小；通过最小化代价函数，获得训练传输因子如下：

其中，Y＝F(y)，

将A^p变换为分子分母的形式得更新分类器参数A^p时，只需将分子分母各自更新；训练模型的实时更新方案如下：

得到当前训练模型TM^p＝(1-γ)TM^p-1+γTM；其中，γ为学习速率；

在当前帧为第一帧之后的帧时，执行步骤204至步骤207；

步骤204：根据保存的跟踪结果获取当前帧中目标区域的位置和大小信息；

步骤205：提取当前帧中目标区域内的颜色特征，并利用主成分分析进行降维处理；通过重构最小代价函数作为决策函数，得到一个在标准正交基下的降维映射矩阵Bp，公式如下：

其中，bj表示投影矩阵Bp的列向量；

计算降维后的外观特征映射

其中，是在目标区域的采样样本，是降维后的样本；

步骤206：匹配目标区域与目标特征模板，通过计算当前帧的响应分数来检测感兴趣观察点；其中，U_z＝F(u_z)，检测分数最大值所在位置即为第p+1帧感兴趣观察点位置Yc；

步骤207：以位置Yc作为第p+1帧的目标区域的中心，将获取的目标区域位置和大小信息作为跟踪结果，保存跟踪结果，更新训练样本。