CN107610107A - 一种基于分数维的三维血管斑块超声图像特征描述方法 - Google Patents
一种基于分数维的三维血管斑块超声图像特征描述方法 Download PDFInfo
- Publication number
- CN107610107A CN107610107A CN201710780743.9A CN201710780743A CN107610107A CN 107610107 A CN107610107 A CN 107610107A CN 201710780743 A CN201710780743 A CN 201710780743A CN 107610107 A CN107610107 A CN 107610107A
- Authority
- CN
- China
- Prior art keywords
- mrow
- dimensional
- patch
- msub
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于分数维的三维血管斑块超声图像特征描述方法。所述方法包括以下步骤：(1)采集三维血管超声图像；(2)从所采集到的三维血管超声图像中分割出斑块轮廓；(3)从步骤(2)所得的三维血管斑块超声图像中计算斑块的分数维特征，包括：三维盒计数方法和三维毯覆盖方法，分别描述了斑块的表面粗糙度和三维纹理变化。本方法首次将分形理论应用于三维血管超声图像提取斑块的表面变化和内部特性，为动脉粥样硬化的预测提供了一种定量的分析方法。
Description
技术领域
本发明属于计算机技术与医学图像的交叉领域，具体涉及到一种超声图像中血管斑块特征提取方法。
背景技术
在以往对血管斑块超声图像的研究中，大多数通过提取二维B超图像的统计特征来分析斑块的易损特性，包括：灰度中值(GSM)、均值、标准差等等。近年来，许多学者提出用纹理特征来描述斑块的特性，并在区分有症状和无症状的斑块取得了一定的效果。最常见的纹理特征包括：空间灰度依赖矩阵(SGLDM)、灰度共生矩阵(GLCM)、灰度差分统计(GLDS)、Law's纹理、局部二值模式(LBP)、傅里叶谱分析等。
三维超声提供了一种更高效、重复性更好、可靠性更高的血管斑块检测和分析手段，能够更可靠的分析斑块的组成、结构、形态等特性同时监测药物治疗对粥样硬化的影响。颈动脉斑块的破裂是脑血管疾病发生的主要因素之一，对颈动脉斑块进行定量的特征描述在区分易损斑块以及对治疗的药效评价方面都有着极其重要的意义。Landry和Fenster提出从三维超声图像中获取斑块的总体积(Total plaque volume，TPV)作为粥样硬化的表征。Wannarong和parrage也首次在临床验证了内中膜厚度(Intima-mediathickness，IMT)，斑块总面积(Total plaque area，TPA)，和TPV对粥样硬化生长的规律。为了克服TPV的局限性，Egger和Spence提出用血管壁体积(Vessel wall volume，VWV)来描述粥样硬化。
在三维超声图像中血管斑块IMT、TPA、TPV、VWV等特征的获取往往需要人工参与，不仅费时费力而且依赖与医生的主观性，重复性差。而在以往的研究中，主要是从二维B超图像中获取纹理特征，也有一些学者，用三维血管超声图像中提取斑块纹理特征，但是对每个切面二维图像提取特征后进行组合得到三维特征，而并非真正的三维特征，没有考虑帧与帧之间的联系。一方面，它无法得到三维表面的变化信息；另一方面，它得到的是二维图像内部的纹理，而无法得到轴向的像素之间的变化关系，是不全面的。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于分数维的三维血管斑块超声图像特征描述方法，其目的在于利用分形理论直接计算三维血管斑块超声图像的分数维特征，以描述斑块的表面粗糙度和内部纹理变化，由此解决现有的血管斑块超声图像特征描述方法中主观性强、重复性差等问题，同时，考虑了三维超声图像帧之间的联系，具有更好的描述性和鲁棒性。
为实现上述目的，按照本发明的一个方面，提供了一种三维血管斑块超声图像特征描述方法，其特征在于，包括以下步骤：
(1)获取三维血管超声图像；
(2)从步骤(1)获取的三维血管超声图像中分割出斑块轮廓；
(3)从步骤(2)得到的三维斑块的轮廓获得斑块区域的超声图像，然后从斑块区域的超声图像中根据斑块轮廓并运用三维盒计数方法获取表征斑块的三维表面粗糙度的分数维特征值；根据斑块内部灰度值的变化并运用三维毯覆盖方法获取表征斑块三维内部纹理变化的分数维特征值；
所述三维盒计数方法为：通过使用不同边长的正方体盒子去覆盖三维超声图像，获得盒子数量和盒子边长对数的回归曲线，该曲线的斜率即为表征斑块的三维表面粗糙度分数维特征值；盒子边长由1变化到最大值，边长最大值不超过三维图像的最小边长；
所述三维毯覆盖方法为：通过三维超声图像内部的灰度值变化情况，表征斑块的三维内部纹理的变化；即把三维超声图像体素的灰度值设为四维空间的灰度分形超曲面，然后设定距离该分形超曲面ε的位置存在上下两个超曲面，计算所述两个超曲面之间区域的体积；通过改变ε的值由1变化到最大值，得到该体积值的对数随距离ε对数变化的回归曲线，获得这个灰度分形超曲面的分数维数值，分数维的值与曲线的斜率呈线性关系；ε的最大值不超过三维图像的最小边长和最小灰度值；该分数维数值描述了灰度分形超曲面的变化情况，即体现了斑块三维内部纹理特征变化。
优选地，所述步骤(3)提取的分数维特征是从血管三维超声图像数据中直接提取的三维表面特征和三维图像内部纹理特征，而不是将三维超声图像分割成二维的切面得到的特征。它反映了斑块的三维表面特征，同时，更全面的反映了斑块的表面和内部特性。
优选地，所述步骤(3)中的三维盒计数方法获取表征斑块的三维表面粗糙度的分数维特征值，步骤如下：
(1)将三维图像用边长为l的正方体盒子覆盖，其中，l＝1；
(2)将仅包含于斑块内部的体素盒子定义为BLACK；仅包括斑块外部组织的体素盒子定义为WHITE；既包括斑块内部又包括外部组织的体素盒子定义为GREY，GREY表示斑块轮廓穿过该盒子；
(3)改变体素盒子边长l，使l＝2,3,4，……M，M为三维图像的宽度；重复步骤(2)，直到l等于三维图像的宽度；
(4)分别统计定义BLACK、WHITE、GREY的体素盒子数量；
(5)将步骤(4)中统计的体素盒子的数量记作N(l)，N(l)是BLACK、WHITE和GREY的体素盒子的一种或者几种的计数，采用最小二乘法拟合log(N(l))/log(l)的回归曲线；
(6)所述步骤(5)中回归曲线的斜率即对应于斑块的三维表面粗糙度的分数维特征值。
优选地，所述步骤(3)中盒计数方法统计的是三维超声图像中斑块内部(标记为BLACK)和边界(标记为GREY)的体素。
优选地，所述的三维毯覆盖方法获取表征斑块三维内部纹理变化的分数维特征值，步骤如下：
(1)将三维斑块超声的体素灰度值，设为独立于三维体素坐标(x,y,z)的第四维空间的灰度超曲面，则一个体素可表示为P(x,y,z,g(x,y,z))；
(2)设定在和灰度分形超曲面距离ε的位置存在上下两个超曲面，该三维图像的体积V(ε)表示为两个超曲面之间的超体积除以2ε，由如下公示计算得到：
其中，uε(i,j,k)和bε(i,j,k)分别表示在距离该分形超曲面ε的上下两个超曲面上坐标为(i,j,k)的一点的高度值，即为该点在三维图像中的灰度值；
所述uε(i,j,k)可由ε-1的超曲面得到，uε(i,j,k)的近似值由于考虑到边界和表面的平滑性，uε(i,j,k)的值为在距离点(i,j,k)为1的区域内uε-1(m,n,p)的最大值与相比较大的值；
所述bε(i,j,k)由ε-1的超曲面得到，bε(i,j,k)的近似值由于考虑到边界和表面的平滑性，bε(i,j,k)的值为在距离点(i,j,k)为1的区域内bε-1(m,n,p)的最小值与相比较小的值；
(3)改变不同的ε值，采用最小二乘法拟合得到log(V(ε))/log(ε)的曲线；
(4)采用下列公式计算超声图像的三维分数维的值：
其中，
(5)步骤(4)公式中DE表示在欧式空间的物体维数，对于三维体DE＝3，即：FD＝3-p；
(6)由步骤(4)和(5)中的公式计算得到三维分数维的值即为表征斑块三维内部纹理变化的分数维特征值。
优选地，所述斑块为颈动脉斑块、主动脉斑块、冠状动脉斑块或外周动脉斑块。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有下述特点与优势：
(1)采用三维超声图像来提取血管斑块的特征，相比从二维B超图像提取的纹理特征具有更客观丰富的信息，同时，不受采集者主观因素的影响，具有更好的重复性和鲁棒性。
(2)首次使用分形特征来描述三维血管斑块。
(3)基于三维盒计数的方法提供了一种描述三维血管斑块表面粗糙度的方法，相比以往对血管斑块的形态描述方法，更能体现出斑块表面的变化，而斑块的破裂往往跟斑块表面的不规则性是相关的，以此，表面粗糙度特征更能描述斑块的易损性。
(4)基于毯覆盖的方法提供了一种描述三维血管斑块内部纹理变化的方法。将该特征与粗糙度特征相结合，不仅表示了斑块的表面特性同时表示了斑块的内部特性，更全面的描述了斑块的特征。
(5)该方法简单易行，计算量小，处理速度快，非常适用于三维超声体数据特征的提取。
附图说明
图1为本发明的流程图；
图2为三维颈动脉超声图像斑块分割结果；(a)是手工进行的颈动脉斑块内外膜轮廓分割结果，(b)是三维重建得到的颈动脉斑块内外膜；
图3为三维盒计数法计算分数维值的拟合曲线；
图4为服用atorvastatin和安慰剂两组病人分数维变化及SVM分类器分类评分结果分布；
图5为SVM分类器对服用atorvastatin和安慰剂两组病人分类结果ROC曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1
本发明提供的三维颈动脉斑块超声图像特征描述方法，如图1所示，包括以下步骤：
(1)获取颈动脉三维超声体数据。实际的三维颈动脉超声图像来源于临床，包含了28例颈动脉狭隘超过60％的病人，其中测试组14例病人(平均年龄在68±8.6)每天服用atorvastatin 3个月，对照组14例病人(平均年龄在70±9.4)服用安慰剂。
(2)对步骤(1)中获取的三维颈动脉超声图像进行手工分割，得到斑块的轮廓边界。图2为一例分割结果示意图，其中(a)是手工进行的颈动脉斑块内外膜和斑块轮廓分割结果，(b)是三维重建得到的结果。
(3)利用分形理论从颈动脉斑块三维体数据中提取三维分数维特征，包括：斑块表面粗糙度(三维盒计数方法)和斑块内部纹理特征(三维毯覆盖方法)。
盒计数方法得到分形物体的分数维，可以用以描述物体的表面粗糙度。该方法通过使用不同边长的盒子去覆盖图像，获得盒子数量和盒子边长对数的回归曲线，该曲线的斜率即为分数维特征值；
本发明改进了传统的盒计数的方法，并应用到颈动脉斑块三维超声体数据，用以描述斑块的表面粗糙度。具体包括以下步骤：
(1)生成不同边长的体素盒子，盒子的边长l变化从1个体素到整个三维体数据图像大小。
(2)将包含于斑块内部的体素盒子定义为BLACK；仅包括斑块外部组织的体素盒子定义为WHITE；体素盒子既包括斑块内部又包括外部组织的定义为GREY，表示斑块边界轮廓穿过该盒子。
(3)分别统计定义为BLACK、WHITE、GREY的体素盒子数量。
(4)假设标记的盒子数量为N(l)，采用最小二乘法拟合log(N(l))/log(l)的曲线。图3为采用BLACK和GREY特征统计盒数目的回归曲线结果。
(5)上述回归曲线的斜率即对应于分数维的值；
毯覆盖法是用于做多分辨率纹理分析和物体分类，它计算了一种二维图像灰度的纹理特征。
将毯覆盖方法扩展到三维体素图像，用三维分数维来表示三维体素图像灰度表面的纹理信息，包括以下几个步骤：
(1)将三维颈动脉斑块超声的体素灰度值，认为是形成了一个独立于三维体素坐标(x,y,z)的第四维空间的分形超曲面，则一个体素可表示为P(x,y,z,g(x,y,z))。
(2)假设在和灰度超曲面距离为ε的点形成了上下两个超曲面，相当于用厚度为2ε的毯子覆盖，那么该三维图像的体积V(ε)表示为两个超曲面之间的超体积除以2ε。
令g(x,y,z)为一个三维体素图像矩阵，uε(i,j,k)和bε(i,j,k)表示上述的两个三维图像的灰度表面。
(3)变化覆盖毯区域的宽度ε由1到max，用最小二乘法拟合log(Vε)/log(ε)的曲线，曲线的斜率用于估计三维分数维的大小。
(4)那么Minkowski维数等于
其中DE是物体的欧式维度，对于三维图像而言DE是3。
测试所述三维颈动脉斑块超声图像特征描述方法，并用临床数据评价所提取特征的区分度和有效性，具体如下：
首先，采用t假设检验对所提取特征的区分度进行评价。表一对比了所提取的两种分数维特征和传统纹理特征的t检验p值，p值越小说明特征的区分度越高。
表一t假设检验结果
然后，采用支持向量机(SVM)对斑块是属于服用atorvastatin病人还是服用安慰剂的病人进行分类，以测试我们提出的三维分数维特征对斑块特性描述的效果。
在测试过程中，我们将提出的三维分数维特征结合了斑块体积(TPV)、共生矩阵纹理特征，共7维特征，输入到SVM分类器进行分类。由于病例数量的局限性，我们采用“留一法”进行测试，可以保证训练样本和测试样本的独立性，使得分类效果更具有鲁棒性。具体来讲，首先选取38个斑块数据中的一个作为测试样本，其余的37个斑块数据作为训练样，得到分类结果，然后依次对每一个样本进行同样的测试，总共重复38次。
计算分类结果的精确度、准确性、敏感度、特异性四个指标，并绘制ROC曲线。
表二显示了最终的分类结果。可以看到，特征分类的精确度(94.7％)、准确性(92.1％)、敏感度(90.0％)和特异性(94.4％)都有较好的结果。
表二SVM分类结果
图4显示了，SVM分类器的评分结果与分数维特征变化的分布关系。可以看到，服用atorvastatin和安慰剂的病例在三个月内分数维变化的分布是有明显差异的，同时与SVM分类器的结果是具有一致性的。
图5显示了SVM分类结果的ROC曲线，可以看到ROC曲线的面积为0.90278。说明用所提取特征设计的分类器具有高的灵敏度和特异性，是具有良好的鲁棒性的。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种三维血管斑块超声图像特征描述方法，其特征在于，包括以下步骤：
(1)获取三维血管超声图像；
(2)从步骤(1)获取的三维血管超声图像中分割出斑块轮廓；
(3)从步骤(2)得到的三维斑块的轮廓获得斑块区域的超声图像，然后从斑块区域的超声图像中根据斑块轮廓并运用三维盒计数方法获取表征斑块的三维表面粗糙度的分数维特征值；根据斑块内部灰度值的变化并运用三维毯覆盖方法获取表征斑块三维内部纹理变化的分数维特征值；
所述三维盒计数方法为：通过使用不同边长的正方体盒子去覆盖三维超声图像，获得盒子数量和盒子边长对数的回归曲线，该曲线的斜率即为表征斑块的三维表面粗糙度分数维特征值；
所述三维毯覆盖方法为：通过三维超声图像内部的灰度值变化情况，表征斑块的三维内部纹理的变化；即把三维超声图像体素的灰度值设为四维空间的灰度分形超曲面，然后设定距离该分形超曲面ε的位置存在上下两个超曲面，计算所述两个超曲面之间区域的体积；通过改变ε的值由1变化到最大值，ε的最大值不超过三维图像的最小边长和最小灰度值，得到该体积值的对数随距离ε对数变化的回归曲线，灰度分形超曲面的分数维数值与回归曲线的斜率呈线性关系；该分数维数值描述了灰度分形超曲面的变化情况，即为表征斑块的三维内部纹理特征变化。
2.如权利要求1所述的三维血管斑块超声图像特征描述方法，其特征在于，所述步骤(3)中的三维盒计数方法获取表征斑块的三维表面粗糙度的分数维特征值，步骤如下：
(1)将三维图像用边长为l的正方体盒子覆盖，其中，l＝1；
(2)将仅包含于斑块内部的体素盒子定义为BLACK；仅包括斑块外部组织的体素盒子定义为WHITE；既包括斑块内部又包括外部组织的体素盒子定义为GREY，GREY表示斑块轮廓穿过该盒子；
(3)改变体素盒子边长l，使l＝2,3,4，……M，M为三维图像的宽度；重复步骤(2)，直到l等于三维图像的宽度；
(4)分别统计l取不同值的情况下，定义为BLACK、WHITE和GREY的体素盒子数量；
(5)将步骤(4)中统计的体素盒子的数量记作N(l)，N(l)是BLACK、WHITE和GREY的体素盒子的一种或者几种的计数，采用最小二乘法拟合log(N(l))/log(l)的回归曲线；
(6)所述步骤(5)中回归曲线的斜率即对应于斑块的三维表面粗糙度的分数维特征值。
3.如权利要求2所述的三维血管斑块超声图像特征描述方法，其特征在于，所述步骤(5)中，体素盒子的数量是三维血管超声图像中斑块内部组织和边界组织的体素盒子的总数，所述边界组织是指既包括斑块内部又包括外部的组织。
4.如权利要求1所述的三维血管斑块超声图像特征描述方法，其特征在于，所述的三维毯覆盖方法获取表征斑块三维内部纹理变化的分数维特征值，步骤如下：
(1)将三维斑块超声的体素灰度值，设为独立于三维体素坐标(x,y,z)的第四维空间的灰度分形超曲面，则一个体素可表示为P(x,y,z,g(x,y,z))；
(2)设定在和灰度分形超曲面距离ε的位置存在上下两个超曲面，该三维图像的体积V(ε)表示为两个超曲面之间的超体积除以2ε，由如下公示计算得到：
<mrow>
<msub>
<mi>V</mi>
<mi>&epsiv;</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>u</mi>
<mi>&epsiv;</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>b</mi>
<mi>&epsiv;</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>2</mn>
<mi>&epsiv;</mi>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>u</mi>
<mi>&epsiv;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>{</mo>
<msub>
<mi>u</mi>
<mrow>
<mi>&epsiv;</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mn>1</mn>
<mo>|</mo>
</mrow>
</munder>
<msub>
<mi>u</mi>
<mrow>
<mi>&epsiv;</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>b</mi>
<mi>&epsiv;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>min</mi>
<mo>{</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>&epsiv;</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<munder>
<mi>min</mi>
<mrow>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<mn>1</mn>
<mo>|</mo>
</mrow>
</munder>
<msub>
<mi>b</mi>
<mrow>
<mi>&epsiv;</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>,</mo>
<mi>n</mi>
<mo>,</mo>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>;</mo>
</mrow>
其中，所述uε(i,j,k)和bε(i,j,k)分别表示在距离该分形超曲面ε的上下两个超曲面上坐标为(i,j,k)的点的高度值，即为该点在三维图像中的灰度值；
所述uε(i,j,k)的值为在距离点(i,j,k)为1的区域内uε-1(m,n,p)的最大值与uε-1(i,j,k)+1相比较大的值；
所述bε(i,j,k)的值为在距离点(i,j,k)为1的区域内bε-1(m,n,p)的最小值与uε-1(i,j,k)+1相比较小的值；
(3)改变不同的ε值，采用最小二乘法拟合得到log(V(ε))/log(ε)的曲线；
(4)采用下列公式计算超声图像的三维分数维的值：
<mrow>
<mi>F</mi>
<mi>D</mi>
<mo>=</mo>
<munder>
<mi>lim</mi>
<mrow>
<mi>&epsiv;</mi>
<mo>&RightArrow;</mo>
<mi>D</mi>
</mrow>
</munder>
<mo>&lsqb;</mo>
<msub>
<mi>D</mi>
<mi>E</mi>
</msub>
<mo>-</mo>
<mfrac>
<mrow>
<mi>log</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>V</mi>
<mi>&epsiv;</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>log</mi>
<mrow>
<mo>(</mo>
<mi>&epsiv;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>=</mo>
<msub>
<mi>D</mi>
<mi>E</mi>
</msub>
<mo>-</mo>
<munder>
<mi>lim</mi>
<mrow>
<mi>&epsiv;</mi>
<mo>&RightArrow;</mo>
<mi>D</mi>
</mrow>
</munder>
<mfrac>
<mrow>
<mi>log</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>V</mi>
<mi>&epsiv;</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>log</mi>
<mrow>
<mo>(</mo>
<mi>&epsiv;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>=</mo>
<msub>
<mi>D</mi>
<mi>E</mi>
</msub>
<mo>-</mo>
<mi>p</mi>
<mo>;</mo>
</mrow>
其中，所述DE表示在欧式空间的物体维数，三维超声图像的DE等于3，即：FD＝3-p；
(5)由步骤(4)中的公式计算得到三维分数维的值即为表征斑块三维内部纹理变化的分数维特征值。
5.如权利要求1所述的三维斑块超声图像特征描述方法，其特征在于，所述斑块为颈动脉斑块、主动脉斑块、冠状动脉斑块或外周动脉斑块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710780743.9A CN107610107B (zh) | 2017-09-01 | 2017-09-01 | 一种基于分数维的三维血管斑块超声图像特征描述方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710780743.9A CN107610107B (zh) | 2017-09-01 | 2017-09-01 | 一种基于分数维的三维血管斑块超声图像特征描述方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107610107A true CN107610107A (zh) | 2018-01-19 |
| CN107610107B CN107610107B (zh) | 2019-09-13 |
Family
ID=61057032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710780743.9A Active CN107610107B (zh) | 2017-09-01 | 2017-09-01 | 一种基于分数维的三维血管斑块超声图像特征描述方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107610107B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112075922A (zh) * | 2020-10-14 | 2020-12-15 | 中国人民解放军空军军医大学 | 2型糖尿病眼底图像指标的测量及与糖尿病肾病相关性的分析方法 |
| CN114170378A (zh) * | 2021-11-27 | 2022-03-11 | 飞依诺科技(苏州)有限公司 | 医疗设备、血管及内部斑块三维重建方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105741253A (zh) * | 2016-01-27 | 2016-07-06 | 北京理工大学 | 一种基于合并复制的图像分形特征的增强估计方法 |
| CN103593844B (zh) * | 2013-10-29 | 2016-08-31 | 华中科技大学 | 一种医学图像的多维多种特征提取方法 |
| CN106875409A (zh) * | 2017-03-24 | 2017-06-20 | 云南大学 | 一种轻量型切口疝补片三维超声图像特征提取方法 |
-
2017
- 2017-09-01 CN CN201710780743.9A patent/CN107610107B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103593844B (zh) * | 2013-10-29 | 2016-08-31 | 华中科技大学 | 一种医学图像的多维多种特征提取方法 |
| CN105741253A (zh) * | 2016-01-27 | 2016-07-06 | 北京理工大学 | 一种基于合并复制的图像分形特征的增强估计方法 |
| CN106875409A (zh) * | 2017-03-24 | 2017-06-20 | 云南大学 | 一种轻量型切口疝补片三维超声图像特征提取方法 |
Non-Patent Citations (2)
| Title |
|---|
| HACIHALILOGLU I: ""Automatic bone localization and fracture detection from volumetric ultrasound images using 3-D local phase features"", 《 ULTRASOUND IN MEDICINE & BIOLOGY》 * |
| 周然 等: ""三维颈动脉超声图像中斑块的纹理特征分析"", 《中国科技论文在线》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112075922A (zh) * | 2020-10-14 | 2020-12-15 | 中国人民解放军空军军医大学 | 2型糖尿病眼底图像指标的测量及与糖尿病肾病相关性的分析方法 |
| CN114170378A (zh) * | 2021-11-27 | 2022-03-11 | 飞依诺科技(苏州)有限公司 | 医疗设备、血管及内部斑块三维重建方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107610107B (zh) | 2019-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fang et al. | Segmentation based sparse reconstruction of optical coherence tomography images | |
| Chen et al. | Classification of breast ultrasound images using fractal feature | |
| CN106504253A (zh) | 一种医疗影像照片的处理方法及*** | |
| Sluimer et al. | Automated classification of hyperlucency, fibrosis, ground glass, solid, and focal lesions in high‐resolution CT of the lung | |
| CN106447645A (zh) | 增强ct图像中冠脉钙化检测及量化装置和方法 | |
| Hsu et al. | Breast tumor classification using different features of quantitative ultrasound parametric images | |
| CN106096654A (zh) | 一种基于深度学习和结合策略的细胞异型性自动分级方法 | |
| CN105956620A (zh) | 一种基于稀疏表示的肝脏超声图像识别方法 | |
| CN106991694A (zh) | 基于显著区域面积匹配的心脏ct与超声图像配准方法 | |
| CN104000619A (zh) | 一种甲状腺ct图像计算机辅助诊断***及方法 | |
| Juang et al. | Psoriasis image identification using k-means clustering with morphological processing | |
| CN110378875A (zh) | 基于机器学习算法的体内***成分鉴别方法 | |
| CN101714153A (zh) | 基于视觉感知的交互式乳腺钼靶图像检索方法 | |
| Zhang et al. | A supervised texton based approach for automatic segmentation and measurement of the fetal head and femur in 2D ultrasound images | |
| Liu et al. | A fully automatic segmentation algorithm for CT lung images based on random forest | |
| Xu et al. | Automated geographic atrophy segmentation for SD-OCT images based on two-stage learning model | |
| Suzuki et al. | CT colonography: Advanced computer‐aided detection scheme utilizing MTANNs for detection of “missed” polyps in a multicenter clinical trial | |
| CN111340770A (zh) | 结合全局加权lbp和纹理分析的癌症预后模型构建方法 | |
| Zakeri et al. | Improvement in the diagnosis of melanoma and dysplastic lesions by introducing ABCD-PDT features and a hybrid classifier | |
| CN107610107B (zh) | 一种基于分数维的三维血管斑块超声图像特征描述方法 | |
| CN103169506A (zh) | 一种自动识别肝癌的超声诊断装置和方法 | |
| CN103093474A (zh) | 基于同质体和局部能量的三维乳腺超声图像分割方法 | |
| Zhang et al. | Machine learning model comparison for automatic segmentation of intracoronary optical coherence tomography and plaque cap thickness quantification | |
| Ayu et al. | Amniotic fluid segmentation based on pixel classification using local window information and distance angle pixel | |
| Liu et al. | Improving heterogeneous classification accuracy based on the MDFAT and the combination feature information of multi-spectral transmission images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |