[发明专利]一种基于超声造影图像均匀程度的分类方法

说明书

本发明公开了一种基于超声造影图像均匀程度的分类方法，该方法通过对超声造影图像进行预处理，得到若干个矩形感兴趣子区域，并对每个矩形感兴趣子区域完成分类标注，接着从每个矩形感兴趣子区域中提取出多组纹理特征，通过对每组纹理特征进行筛选，再结合主成分分析方法，得到分类训练样本；然后，将多分类问题分解为多个二分类问题，并分别针对每个二分类问题，利用分类训练样本训练得到相应的二分类QDA模型，最后利用得到的多个二分类QDA模型对未标注的超声造影图像进行分类预测，并以投票的方式决定该超声造影图像的分类结果。因此，本发明能够降低分类模型的学习难度，提高分类模型的训练效率。

技术领域

本发明涉及超医学图像处理技术领域，特别涉及一种基于超声造影图像均匀程度的分类方法。

背景技术

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。

发明内容

本发明的目的在于：提供一种基于超声造影图像均匀程度的分类方法，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。

为了实现上述发明目的，本发明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方法，其包括以下步骤：

S1：从超声造影图像中提取出矩形感兴趣区域，再将提取的矩形感兴趣区域划分为若干个矩形感兴趣子区域，并分别对每个矩形感兴趣子区域进行分类标注；

S2：从每个矩形感兴趣子区域中提取出多组纹理特征；

S3：将每组纹理特征分别用于训练QDA模型，并筛选出每组纹理特征中QDA模型训练错误率较低的多个纹理特征；

S4：对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；

S5：将多分类问题分解为多个二分类问题，并分别针对每个二分类问题，利用分类训练样本训练得到相应的二分类QDA模型；

S6：利用步骤S5中得到的多个二分类QDA模型对未标注的超声造影图像进行分类预测，并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，本发明基于超声造影图像均匀程度的分类方法步骤S1中，采用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，本发明基于超声造影图像均匀程度的分类方法中的步骤S2具体包括以下步骤：

S201：将每个矩形感兴趣子区域的灰度级压缩到1～Ng；