CN104143047A - 血管内超声灰阶图像的自动组织标定方法 - Google Patents

Abstract

一种血管内超声灰阶图像的自动组织标定方法，其技术方案是，所述方法首先提取血管内超声灰阶图像的纹理特征，然后对提取的纹理特征数据进行降维处理，最后采用Adaboost分类器对纹理特征数据进行标定，从而完成对不同成分斑块组织的自动识别和标定。本发明无需采集成像设备的原始射频信号和背向散射信号，标定过程不受IVUS成像***的限制而且可全自动完成，该方法可获得客观、准确、可重复性高的识别和标定结果，能够为冠心病的计算机辅助诊断和制定介入治疗计划等提供依据。

Description

血管内超声灰阶图像的自动组织标定方法

技术领域

本发明涉及一种对血管内超声灰阶图像自动进行血管组织标定，以区分正常血管壁组织和不同成分的粥样硬化斑块组织的方法，属于医学成像技术领域。 

背景技术

粥样硬化所致的心血管疾病是一种影响血管壁的炎症过程，将发展成血管腔内的多种斑块。依据成分可将斑块组织分为四类：脂质斑块、纤维化斑块、钙化斑块和混合斑块。对斑块进行精确地检测和分型对于动脉硬化性疾病的诊断和治疗具有重要意义。 

血管内超声（intravascular ultrasound，IVUS）是临床常用的诊断血管病变和检测易损斑块的介入影像手段。它将微小的超声探头镶嵌于导管的顶端，置于血管腔内，在回撤导管的过程中获得血管切面图像。不同性质的组织对超声的吸收和反射不同，因此可以根据接收超声信号的强弱以不同的灰阶形式显示出血管壁的组成结构。临床常用的超声导管回撤速度是0.5 mm/s，帧速率为30帧/秒，以此速率通过1 mm长的血管段可以得到60帧图像，对一段长约20mm的血管段进行一次超声导管回撤即可获得约1200帧图像，因而IVUS图像序列的数据量巨大，且前后帧之间非常相似，具有很强的相关性。 

目前，对IVUS图像中斑块的识别和描述主要由医生根据临床经验和专业知识手动进行，不仅工作量巨大，而且结果的主观性强，可重复性差，对操作者的专业知识要求较高。 

利用由超声导管采集的原始射频信号和背向散射信号，可对不同类型的斑块组织，特别是小区域斑块进行自动识别和描述，避免了在图像重建过程中由于点插值所引入的伪影。但是并非所有临床使用的IVUS成像***都允许采集原始射频信号，多数医院现有的设备需经过硬件改造才能使用该技术，因而限制了此类方法的广泛应用。 

发明内容

本发明的目的在于针对现有技术之弊端，提供一种血管内超声灰阶图像的自动组织标定方法，在不增加附加设备的情况下，充分利用现有IVUS设备提供的超声图像信息，自动识别和标定不同成分的斑块组织，为冠心病的计算机辅助诊断和制定对应措施等提供依据。 

本发明所述问题是以下述技术方案实现的： 

一种血管内超声灰阶图像的自动组织标定方法，所述方法首先提取血管内超声灰阶图像的纹理特征，然后对提取的纹理特征数据进行降维处理，最后采用Adaboost分类器对纹理特征数据进行标定，从而完成对不同成分斑块组织的自动识别和标定。

上述血管内超声灰阶图像的自动组织标定方法，该方法的具体步骤如下： 

a、分别采用灰度共生矩阵、局部二值模式变换和Gabor滤波器自动提取IVUS灰阶图像的纹理特征：

①灰度共生矩阵：

灰度共生矩阵 P 中的各元素就是从图像f(x,y)的灰度值为i的像素出发，统计在方向θ上、与它距离为d、灰度值为 j的像素同时出现的概率：

其中，I(l, m)是像素(l, m)的灰度，d是两像素点之间的距离，θ是所对应的角度，选定d和θ，即可得到各种间距及角度的灰度共生矩阵，本方法以灰度共生矩阵的二次统计特征量（包括熵、能量、逆差矩、惯性矩、对比度、均匀度和相关度）作为纹理特征值，定义如下：

能量：

对比度：

均匀度：

逆差矩：

惯性矩：

相关度：

熵：

②局部二值模式（LBP）变换：

对IVUS图像进行“uniform（统一）”模式的LBP变换，将变换后的图像中标记点像素的灰度值作为纹理特征值，“uniform（统一）”模式的LBP定义如下：

其中

    ，

式中，s(·)是符号函数，g _c 是邻域中心像素的灰度值，g _i (i=0,1,…,P-1)是P个等距离分布于以中心像素为圆心、半径为R的圆周上的像素灰度值；

③Gabor滤波器：

二维Gabor滤波器的空域表达式为：

  ，

其中u和v是二维图像的频率自变量，θ=arctan(v/u)是Gabor滤波的方向角，σ _u 和σ _v 分别是高斯包络在u轴和v轴上的标准差。

分别选取θ=0°、45°、90°和135°四个方向，同时设置滤波器的尺度因数(σ _u , σ _v )为(0.4，0.4)、(0.45，0.45)、(0.5，0.5)和(0.55，0.55)，将经过Gabor滤波后得到每幅图像特征点的灰度值作为纹理特征值； 

b、采用Fisher线性判别分析法对IVUS灰阶图像的纹理特征数据进行降维；

c、采用Adaboost分类器，对降维后的IVUS灰阶图像的纹理特征数据进行标定：

根据各类斑块在IVUS灰阶图像中的已知特征（包括透声性强弱、回声强弱、是否有负性声影），选取各类斑块的特征点；然后采用灰度共生矩阵、局部二值模式和Gabor滤波获得特征点的多维特征值；之后，将特征点及其多维特征值作为训练集，训练Adaboost分类器模型；最后，对测试集中的未知点进行标记，最终完成对不同成分斑块组织的自动标定。

上述血管内超声灰阶图像的自动组织标定方法，所述灰度共生矩阵的距离参数d =5或8，为了减少特征空间的维数，将θ={0°,45°,90°,135°}四个方向的特征值进行平均，作为灰度共生矩阵的均值。 

本发明利用先进的计算机技术、数字图像处理技术和模式识别技术，对IVUS灰阶图像进行自动处理，自动识别脂质斑块、纤维化斑块和钙化斑块。 

本发明无需采集成像设备的原始射频信号和背向散射信号，标定过程不受IVUS成像***的限制而且可全自动完成，该方法可获得客观、准确、可重复性高的识别和标定结果，能够为冠心病的计算机辅助诊断和制定介入治疗计划等提供依据。 

附图说明

下面结合附图对本发明作进一步详述。 

图1是含斑块的局部IVUS图像。其中(1-a)是钙化斑块；(1-b)是纤维斑块；(1-c)是脂质斑块； 

图2是对一帧IVUS图像进行不同参数的局部二值模式变换的结果，其中(a)是原始图像；(b)是半径R =1，邻域点数P =8的LBP变换结果；(c)是半径R =2，邻域点数P =16的LBP变换结果；(d)是半径R =3，邻域点数P =24的LBP变换结果；

图3是采用不同尺度和方向的Gabor滤波器对一帧IVUS图像的处理结果。其中(a)是原始图像；(b)是对图(a)进行方向为45°，尺度为(0.4,0.4)的Gabor滤波结果；(c)是对图(a)进行方向为135°，尺度为(0.4,0.4)的Gabor滤波结果；(d)是对图(a)进行方向为90°，尺度为(0.5,0.5)的Gabor滤波结果；

图4是对IVUS图像中的血管壁组织进行标定的流程，其中(a)为原始IVUS图像，(b)是将原始图像转换到极坐标系得到其极坐标视图；(c)是提取图像的纹理特征；(d)、(e)、(f)三个步骤是区分脂质斑块与纤维化斑块和钙化斑块，(f)中白色部分为纤维化斑块和钙化斑块，深灰色部分为脂质斑块，(g)、(h)为区分钙化斑块和纤维化斑块，(i)是最终的标定结果，其中白色部分为钙化斑块，浅灰色部分为纤维化斑块，深灰色部分为脂质斑块；

图5是测试样本、分割出的感兴趣区域，以及Adaboost标定结果；其中，(a)是测试样本；(b)是分割出的感兴趣区域；(c)是Adaboost标定结果。

文中所用符号表示为： P 、灰度共生矩阵；f(x,y)、灰阶图像；i、j、图像f(x,y)的灰度值；d、θ、灰度共生矩阵的距离和角度参数；I(l, m)、像素(l, m)的灰度；G、灰度图像的灰阶数；R、P、局部二值模式的半径和邻域点数；s(·)、符号函数；g _c 、邻域中心像素的灰度值；g _i  (i=0,1,…,P -1)、P个等距离分布于以中心像素为圆心、半径为R的圆周上的像素灰度值；u、v、二维图像的频率自变量；θ、Gabor滤波的方向角；σ _u 、σ _v 、高斯包络在u轴和v轴上的标准差（即Gabor滤波器的尺度因数）。 

具体实施方式

本发明方法通过提取IVUS灰阶图像的纹理特征获得血管壁组织（包含斑块组织）的特征数据，在对特征数据进行降维之后，利用Adaboost分类器完成不同成分斑块组织的自动标定。下面详细说明本发明方法的步骤： 

1.提取IVUS灰阶图像的纹理特征：

IVUS灰阶图像不包含颜色信息，并且由于图像采集速度极快，导致前后帧之间非常相似，因而无法利用颜色特征和形状特征作为组织标定的量化特征。而IVUS灰阶图像中包含大量纹理信息，且正常组织与病灶组织的纹理差异明显，因此可利用纹理信息作为组织标定的重要依据。IVUS灰阶图像具有纹理复杂、变化多样、难以描述等特点，因此选取的纹理特征提取方法应具有旋转不变性和尺度不变性。本发明方法分别采用灰度共生矩阵（GLCM）、局部二值模式（LBP）和Gabor滤波三种纹理特征提取方法自动提取IVUS灰阶图像的纹理特征。具体方法如下：

(1) 灰度共生矩阵（GLCM）：

灰度共生矩阵 P 中的各元素就是从图像f(x,y)的灰度值为i的像素出发，统计在方向θ上、与它距离为d、灰度值为 j的像素同时出现的概率：

  (1)

其中，I(l, m)是像素(l, m)的灰度，d是两像素点之间的距离，θ是所对应的角度。若图像的灰度级共有G级，则 P 是一个G×G的矩阵。选定d和θ，即可得到各种间距及角度的灰度共生矩阵。若GLCM在某方向上的主对角线元素值较小，则说明该方向上的灰度变化较大，图像纹理较细；反之则该方向上灰度变化的频度低，纹理较粗；若偏离主对角线方向的元素值较大，则纹理较细。

本发明方法以灰度共生矩阵的二次统计特征量（包括熵、能量、逆差矩、惯性矩、对比度、均匀度和相关度）作为纹理特征值，定义如下： 

能量：

                         (2)

对比度：

                       (3)

均匀度：

                            (4)

逆差矩：

                        (5)

惯性矩：

                          (6)

相关度：

                     (7)

熵：

                       (8)

从异常IVUS图像库中截取典型的含有钙化、纤维和脂质斑块的图像作为实验对象（参见附图1），经过反复实验，得出当GLCM的距离参数d =5和d =8时，各类斑块的二次统计量平稳，且特征值具有较好的分辨力，所获得的纹理特征最具代表性。同时为了减少特征空间的维数，发明方法将θ={0°,45°,90°,135°}四个方向的特征值进行平均，作为灰度共生矩阵的均值。

(2) 局部二值模式（LBP）： 

本发明方法对IVUS图像进行“uniform（统一）”模式的LBP变换，将变换后的图像中标记点像素的灰度值作为纹理特征值。这种方法能有效地描述图像中较为精细的局部纹理信息，具有运算简单、效率高、特征数据维数低、对图像的旋转具有不变性且可多尺度地描述图像纹理等特点。

“uniform（统一）”模式的LBP定义如下： 

                (9)

其中

(10)

                           (11)

式中，s(·)是符号函数，g _c 是邻域中心像素的灰度值，g _i (i=0,1,…,P-1)是P个等距离分布于以中心像素为圆心、半径为R的圆周上的像素灰度值。

附图2是对一帧IVUS图像进行LBP变换的结果，可见随着LBP半径R的增大和邻域点数P的增多，图像的纹理被不断加深，局部纹理被放大，细小的纹理被忽略。 

(3) Gabor滤波： 

Gabor滤波器具有在空间域和频率域同时取得最优局部化的特征，因此能够很好地描述对应于空间频率、空间位置及方向选择性的IVUS图像的局部结构信息。二维Gabor滤波器的空域表达式为：

  (12)

其中u和v是二维图像的频率自变量，θ=arctan(v/u)是Gabor滤波的方向角，σ _u 和σ _v 分别是高斯包络在u轴和v轴上的标准差（即Gabor滤波器的尺度因数）。

IVUS图像的内容较为复杂，斑块组织对Gabor滤波的方向和尺度较为敏感，因而本发明方法分别选取θ=0°、45°、90°和135°四个方向，同时设置滤波器的尺度因数(σ _u , σ _v )为(0.4，0.4)、(0.45，0.45)、(0.5，0.5)和(0.55，0.55)。一帧IVUS图像经过Gabor滤波后得到16幅不同尺度和方向的对应图像，将每幅图像特征点的灰度值作为纹理特征值。 

2.对IVUS图像纹理特征数据进行降维处理： 

纹理特征提取将二维图像数据映射到了高维特征空间中，为了便于后续处理，本发明方法采用Fisher线性判别分析（Fisher linear discriminate analysis，FLDA）对IVUS图像的纹理特征数据进行降维处理。实验证明，该方法可将19维（LBP得到3个特征，Gabor滤波得到16个特征）的特征数据降到7维。

3.对降维后的IVUS纹理特征数据进行标定： 

对于各帧IVUS图像中的感兴趣的区域（region of interest，ROI）（即血管壁区域），本发明方法采用Adaboost分类器，对降维后的纹理特征数据进行标定。

(1) 标定流程： 

如附图4所示，根据各类斑块在IVUS灰阶图像中的已知特征（即脂质斑块的透声性较强；纤维斑块和钙化斑块都具有很强的回声，但钙化斑块后方有负性声影，纤维斑块后方没有），选取各类斑块的特征点；然后，如步骤1所述采用灰度共生矩阵、局部二值模式和Gabor滤波获得特征点的多维特征值；最后，将特征点及其多维特征值作为训练集，设计Adaboost分类器，并训练分类器模型，对测试集中的未知点进行标记，最终得到ROI内组织的标定情况。

(2) 设计Adaboost分类器： 

Adaboost分类器由若干弱分类器所组成，本发明方法选取支持向量机（SVM）作为Adaboost的弱分类器，总体的设计流程如下：

输入：训练集point1，训练集标签point1_labels，测试集point2，人工标定的测试集标签point2_labels，弱分类器个数c，核函数类型kernel，核函数参数lambda，样本类别数nbclass。

输出：测试集标签predict_labels，测试集样本分类准确率ypred。 

设计步骤： 

步骤1  初始化；

1.1  载入point1，point1_labels，point2，point2_labels；

1.2  设定各项参数（c，kernel，lambda，nbclass）；

1.3  定义样本权重w，初始化样本权重w=1/n（n为训练样本数目）； 

步骤2  样本重采样设定；

2.1  根据bootstrap原理进行重采样，确定正负样本数fp和fn；

2.2  设置迭代次数N；

步骤3  for(i = 1 : N)

3.1  标准化样本权重：w = w/sum(w)

3.2  确定重采样样本Fp和Fn，以及样本标签IndP和IndN；

3.3  利用Fp、Fn、IndP和IndN，训练弱分类器；

3.4  利用弱分类器预测测试样本集，计算测试准确率；

3.5  if 错误率>0.5，舍弃该若分类器；else加入到强分类器线性组合中；

3.6  更新样本权重；if样本分类正确，权重置0；else权重置1；

步骤4  弱分类器线性组合，生成强分类器；

步骤5  测试训练样本，得到predict_labels，计算ypred。

(3) 定量评价精度： 

为了定量评价组织标定的精度，以具有临床经验的医生手动标定的结果作为金标准，将自动标定结果与金标准进行比较，计算分类准确率。对临床图像的实验证明，本文方法的标定精度可达99.98%。附图5是对一帧IVUS图像的血管壁组织标定结果，图中白色区域为钙化斑块，浅灰色区域为纤维化斑块，深灰色区域为脂质斑块。

Claims (3)

1.一种血管内超声灰阶图像的自动组织标定方法，其特征是，所述方法首先提取血管内超声灰阶图像的纹理特征，然后对提取的纹理特征数据进行降维处理，最后采用Adaboost分类器对纹理特征数据进行标定，从而完成对不同成分斑块组织的自动识别和标定。

2.根据权利要求1所述的血管内超声灰阶图像的自动组织标定方法，其特征是，所述方法的具体步骤如下：

a、分别采用灰度共生矩阵、局部二值模式变换和Gabor滤波器自动提取IVUS灰阶图像的纹理特征：

①灰度共生矩阵：

灰度共生矩阵 P 中的各元素就是从图像f(x,y)的灰度值为i的像素出发，统计在方向θ上、与它距离为d、灰度值为 j的像素同时出现的概率：

其中，I(l, m)是像素(l, m)的灰度，d是两像素点之间的距离，θ是所对应的角度，选定d和θ，即可得到各种间距及角度的灰度共生矩阵，本方法以灰度共生矩阵的二次统计特征量（包括熵、能量、逆差矩、惯性矩、对比度、均匀度和相关度）作为纹理特征值，定义如下：

能量：

对比度：

均匀度：

逆差矩：

惯性矩：

相关度：

熵：

②局部二值模式（LBP）变换：

对IVUS图像进行“uniform（统一）”模式的LBP变换，将变换后的图像中标记点像素的灰度值作为纹理特征值，“uniform（统一）”模式的LBP定义如下：

其中

式中，s(·)是符号函数，g _c 是邻域中心像素的灰度值，g _i (i=0,1,…,P-1)是P个等距离分布于以中心像素为圆心、半径为R的圆周上的像素灰度值；

③Gabor滤波器：

二维Gabor滤波器的空域表达式为：

其中u和v是二维图像的频率自变量，θ=arctan(v/u)是Gabor滤波的方向角，σ _u 和σ _v 分别是高斯包络在u轴和v轴上的标准差，分别选取θ=0°、45°、90°和135°四个方向，同时设置滤波器的尺度因数(σ _u , σ _v )为(0.4，0.4)、(0.45，0.45)、(0.5，0.5)和(0.55，0.55)，将经过Gabor滤波后得到每幅图像特征点的灰度值作为纹理特征值；

b、采用Fisher线性判别分析法对IVUS灰阶图像的纹理特征数据进行降维；

c、采用Adaboost分类器，对降维后的IVUS灰阶图像的纹理特征数据进行标定:

根据各类斑块在IVUS灰阶图像中的已知特征（包括透声性强弱、回声强弱、是否有负性声影），选取各类斑块的特征点；然后采用灰度共生矩阵、局部二值模式和Gabor滤波获得特征点的多维特征值；之后，将特征点及其多维特征值作为训练集，训练Adaboost分类器模型；最后，对测试集中的未知点进行标记，最终完成对不同成分斑块组织的自动标定。

3.根据权利要求2所述的血管内超声灰阶图像的自动组织标定方法，其特征是，所述灰度共生矩阵的距离参数d=5或8，为了减少特征空间的维数，将θ={0°,45°,90°,135°}四个方向的特征值进行平均，作为灰度共生矩阵的均值。