專利名稱：基于血管內(nèi)超聲波圖像的動(dòng)脈斑塊類型自動(dòng)識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計(jì)算機(jī)醫(yī)學(xué)圖像分析領(lǐng)域，特別涉及一種血管內(nèi)超聲波(IVUS)圖像的動(dòng)脈斑塊分類方法。通過(guò)對(duì)動(dòng)脈斑塊超聲波圖像的特征選擇和提取，運(yùn)用支持向量機(jī)方法實(shí)現(xiàn)動(dòng)脈斑塊的分類，為臨床診斷及治療提供重要參考依據(jù)。

背景技術(shù)：
血管內(nèi)超聲(intravascular ultrasound，IVUS)不僅能觀察到血管壁與血管腔的形態(tài)特征、準(zhǔn)確地測(cè)量血管的狹窄程度，而且可以根據(jù)斑塊的不同性質(zhì)指導(dǎo)介入治療，同時(shí)對(duì)冠狀動(dòng)脈的介入治療進(jìn)行即刻評(píng)價(jià)，減少冠脈再狹窄的發(fā)生。動(dòng)脈粥樣硬化斑塊破裂、繼發(fā)血栓形成是急性冠狀動(dòng)脈綜合征發(fā)生的主要原因。血管內(nèi)超聲顯像技術(shù)已經(jīng)從一種專業(yè)研究技術(shù)轉(zhuǎn)變成為冠狀動(dòng)脈動(dòng)脈介入醫(yī)生的必備手段。早期檢測(cè)、處理易碎斑塊，可有效降低臨床冠狀動(dòng)脈事件發(fā)生。然而，在臨床中對(duì)不同斑塊的識(shí)別主要是醫(yī)生根據(jù)經(jīng)驗(yàn)來(lái)判斷，這種主觀判斷方法易受到個(gè)人的診療經(jīng)驗(yàn)、思維方式、技術(shù)水平等因素的影響。
IVUS可以提供關(guān)于動(dòng)脈硬化斑塊形態(tài)的信息，不同的斑塊組織成分回聲強(qiáng)弱不同，其斑塊回聲強(qiáng)度變現(xiàn)為軟斑塊小于纖維斑塊小于鈣化斑塊。一般的方法是利用不同回聲產(chǎn)生的灰度值不同區(qū)別不同斑塊，但是這種方法存在一定的缺陷。致密的纖維斑塊回聲強(qiáng)度和鈣化斑塊具有相似性，單純依靠斑塊區(qū)域灰度值會(huì)出現(xiàn)誤分類。
為了用較少數(shù)量的特征對(duì)樣本進(jìn)行描述以達(dá)到降低特征空間維數(shù)的目的，采用Karhunen-Loeve展開(kāi)式，把多個(gè)特征映射為少數(shù)幾個(gè)綜合特征。K-L變換的主要作用就是保留主要信息，降低數(shù)據(jù)量，從而達(dá)到增強(qiáng)或提取某些有用信息的目的。它可使原圖像經(jīng)變換后提供一組不相關(guān)的圖像變量，最前面的主分量具有較大的方差，包含了原始影像的主要信息，所以要集中表達(dá)信息，突出圖像的某些細(xì)部特征，可采用該變換來(lái)完成。使用K-L方法進(jìn)行特征提取，這樣既可以降維，又盡可能保留全局信息。K-L變換適用于任何概率分布，它是在均方誤差最小的意義下獲得數(shù)據(jù)降維的最佳變換。如果采用大本征值對(duì)應(yīng)的本征向量構(gòu)成變換矩陣，則能對(duì)應(yīng)地保留原樣本中方差最大的數(shù)據(jù)分量，所以K-L變換起了減小相關(guān)性、突出差異性的效果。
支持向量機(jī)(SVM)是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)之上發(fā)展起來(lái)的一種全新的機(jī)器學(xué)習(xí)算法。SVM基于統(tǒng)計(jì)學(xué)習(xí)理論的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，它將最大化分類間隔的思想和基于核的方法結(jié)合在一起，表現(xiàn)出很好的泛化能力。能較好地解決小樣本、非線性、高維數(shù)和局部極小點(diǎn)等實(shí)際問(wèn)題，已經(jīng)成為機(jī)器學(xué)習(xí)界的研究熱點(diǎn)之一，并成功應(yīng)用于分類、函數(shù)逼近和時(shí)間序列預(yù)測(cè)等方面。
基于IVUS斑塊圖像的類型識(shí)別方法，以IVUS圖像為基礎(chǔ)，根據(jù)圖像特點(diǎn)進(jìn)行特征選擇和提取，然后通過(guò)SVM訓(xùn)練并對(duì)測(cè)試樣本分類。這一方法在不增加附加設(shè)備的情況下，充分利用現(xiàn)有IVUS設(shè)備提供的超聲圖像信息，以血管內(nèi)超聲圖像為依據(jù)，進(jìn)行特征選擇和提取，簡(jiǎn)化計(jì)算。構(gòu)造了SVM分類器，只要保證充足樣本條件下，可以得到最佳訓(xùn)練參數(shù)用于分類。


發(fā)明內(nèi)容
本發(fā)明的目的在于，通過(guò)提供一種基于血管內(nèi)超聲波圖像的動(dòng)脈斑塊類型自動(dòng)識(shí)別方法，以實(shí)現(xiàn)對(duì)血管內(nèi)斑塊類型的正確分類。
本發(fā)明是采用以下技術(shù)手段實(shí)現(xiàn)的 一種基于血管內(nèi)超聲波圖像的動(dòng)脈斑塊類型自動(dòng)識(shí)別方法。針對(duì)動(dòng)脈血管內(nèi)斑塊超聲波圖像的特征，利用支持向量機(jī)模型構(gòu)造分類器識(shí)別動(dòng)脈斑塊的類型。根據(jù)IVUS斑塊圖像特點(diǎn)選取斑塊及其外圍區(qū)域圖像作為分類特征，并且通過(guò)K-L變換提取圖像分類信息；采用支持向量機(jī)(SVM)作為分類模型，經(jīng)過(guò)樣本訓(xùn)練，構(gòu)造一個(gè)適應(yīng)于斑塊圖像的最佳分類器。
上述基于IVUS斑塊圖像，利用SVM進(jìn)行斑塊分類，包括下述步驟 步驟1、對(duì)選取的斑塊IVUS圖像，提取其中兩塊圖像作為識(shí)別特征，一塊是斑塊區(qū)域，另一塊是斑塊外圍區(qū)域。
步驟2、對(duì)選取的斑塊圖像進(jìn)行K-L變換，提取圖像特征信息；把多個(gè)特征映射為少數(shù)幾個(gè)綜合特征，降低特征空間維數(shù)； 步驟3、構(gòu)造SVM分類器；該分類器支持向量機(jī)分類方法包括兩部分，訓(xùn)練階段和識(shí)別階段； 其中，步驟2所述的對(duì)選取的斑塊圖像進(jìn)行K-L變換，包括以下步驟 步驟21、求解模式總體的均值向量，平移坐標(biāo)系，將模式總體的均值向量作為新坐標(biāo)系的原點(diǎn)； 步驟22、求出自相關(guān)矩陣R； 步驟23、求出R的本征值λ1，λ2，...，λn及其對(duì)應(yīng)的本征向量
步驟24、將本征值按降序排序，如λ1≥λ2≥…≥λm≥…λn，取前m個(gè)大的本征值所對(duì)應(yīng)的本征向量構(gòu)成變換矩陣

(m＜n)； 步驟25、將n維的原向量變換成m維的新向量y＝ATx。
其中，步驟3所述的構(gòu)造SVM分類器，包括以下步驟 首先訓(xùn)練SVM以獲取最優(yōu)分類參數(shù)，其具體實(shí)施步驟為 步驟31、輸入各種斑塊類型訓(xùn)練樣品向量； 步驟32、指定核函數(shù)類型為高斯徑向基函數(shù)； 步驟33、利用二次規(guī)劃方法求解目標(biāo)函數(shù)式的最優(yōu)解，得到最優(yōu)Lagrange乘子a*； 步驟34、利用樣本庫(kù)中的一個(gè)支持向量X，代入判別函數(shù)式，左值f(X)為其類別值，可得到偏差值b*。
支持向量機(jī)分類的步驟為 步驟35、輸入待測(cè)樣品X； 步驟36、利用訓(xùn)練好的Lagrange乘子a*、偏差值b*和高斯徑向基核函數(shù)，根據(jù)最優(yōu)判別函數(shù)求解判別函數(shù)f(X)； 步驟37、根據(jù)sgn(f(X))的值，輸出類別。根據(jù)輸出值判定屬于哪類。
本發(fā)明一種基于血管內(nèi)超聲波圖像的動(dòng)脈斑塊類型自動(dòng)識(shí)別方法，與現(xiàn)有技術(shù)相比，具有以下明顯的優(yōu)勢(shì)和有益效果 本發(fā)明一種基于IVUS圖像的斑塊識(shí)別方法，改變了現(xiàn)有斑塊分類方法所存在的局限性，可以準(zhǔn)確的提取斑塊圖像的特征，進(jìn)行正確分類，為臨床診斷創(chuàng)造了條件。



圖1是軟斑塊特征提取示圖； 圖2是纖維斑塊特征提取示圖； 圖3是鈣化斑塊特征提取示圖； 圖4是軟斑塊分類結(jié)果示圖； 圖5是纖維斑塊分類結(jié)果示圖； 圖6是鈣化斑塊分類結(jié)果示圖； 圖7是本發(fā)明方法中主程序流程圖。

具體實(shí)施例方式 一種基于血管內(nèi)超聲波圖像的動(dòng)脈斑塊類型自動(dòng)識(shí)別方法。其基本在于以下幾點(diǎn) 根據(jù)IVUS斑塊圖像特點(diǎn)選取斑塊及其外圍區(qū)域圖像作為分類特征，并且通過(guò)K-L變換提取圖像分類信息； 采用支持向量機(jī)作為分類模型，經(jīng)過(guò)樣本訓(xùn)練，構(gòu)造一個(gè)適應(yīng)于斑塊圖像的最佳分類器。
本發(fā)明的技術(shù)方案參見(jiàn)圖7所示，上述基于IVUS斑塊圖像，利用SVM進(jìn)行斑塊分類，包括下述步驟 步驟1、對(duì)選取的斑塊IVUS圖像，提取其中兩塊圖像作為識(shí)別特征，一塊是斑塊區(qū)域，另一塊是斑塊外圍區(qū)域。
步驟2、對(duì)選取的斑塊圖像進(jìn)行K-L變換，提取圖像特征信息。采用Karhunen-Loeve展開(kāi)式，把多個(gè)特征映射為少數(shù)幾個(gè)綜合特征，降低特征空間維數(shù)。
x為n維的隨機(jī)向量，可以用n個(gè)正交基向量的加權(quán)和來(lái)表示
式中，αi為加權(quán)系數(shù)；

為正交基向量，且滿足
現(xiàn)在需要從n個(gè)本征向量中取出m個(gè)組成變換矩陣，使降維的新向量在最小均方誤差準(zhǔn)則下接近原來(lái)的向量x。對(duì)于式(2)，只取m項(xiàng)，對(duì)略去的項(xiàng)用預(yù)先選定的常數(shù)bj來(lái)代替，這時(shí)對(duì)x的估計(jì)值為
均方誤差為 對(duì)于省略掉的那些α中的分量，用它們的期望值來(lái)代替。即 bi＝E{αj} (5) 如果在K-L變換前，將模式總體的均值向量作為新坐標(biāo)系的原點(diǎn)，即在新坐標(biāo)系中E[x]＝0，根據(jù)式(6)可以得到
這樣式(5)變?yōu)?

式中，λj是x的自相關(guān)矩陣R的第j個(gè)本征值；

是與λj對(duì)應(yīng)的本征向量。顯然，所選的λj值越小，均方誤差也越小。采用大本征值對(duì)應(yīng)的本征向量構(gòu)成變換矩陣，這些向量具有較大的方差，包含了原始影像的主要信息。
綜上所述，基于K-L變換的特征提取的步驟總結(jié)如下 ①求解模式總體的均值向量，平移坐標(biāo)系，將模式總體的均值向量作為新坐標(biāo)系的原點(diǎn)； ②求出自相關(guān)矩陣R； ③求出R的本征值λ1，λ2，...，λn及其對(duì)應(yīng)的本征向量
④將本征值按降序排序，如λ1≥λ2≥…≥λm≥…λn，取前m個(gè)大的本征值所對(duì)應(yīng)的本征向量構(gòu)成變換矩陣

(m＜n)； ⑤將n維的原向量變換成m維的新向量y＝ATx。
步驟3、構(gòu)造SVM分類器。支持向量機(jī)分類算法包括兩部分，訓(xùn)練階段和識(shí)別階段。
支持向量機(jī)的最優(yōu)分類函數(shù)為 任選一支持向量Xj，式(11)中b*由下式給出 選取高斯徑向基函數(shù)作為訓(xùn)練和分類識(shí)別的核函數(shù) 式中，|X-Y|為兩個(gè)向量之間的距離，σ為常數(shù)。
首先訓(xùn)練SVM以獲取最優(yōu)分類參數(shù)，其具體實(shí)施步驟為 ①輸入各種斑塊類型訓(xùn)練樣品向量； ②指定核函數(shù)類型為高斯徑向基函數(shù)； ③利用二次規(guī)劃方法求解目標(biāo)函數(shù)式的最優(yōu)解，得到最優(yōu)Lagrange乘子a*； ④利用樣本庫(kù)中的一個(gè)支持向量X，代入判別函數(shù)式，左值f(X)為其類別值，可得到偏差值b*。
支持向量機(jī)分類的步驟為 ①輸入待測(cè)樣品X； ②利用訓(xùn)練好的Lagrange乘子a*、偏差值b*和核函數(shù)，根據(jù)最優(yōu)判別函數(shù)求解判別函數(shù)f(X)； ③根據(jù)sgn(f(X))的值，輸出類別。根據(jù)輸出值判定屬于哪類。
實(shí)驗(yàn)采用228幅斑塊類別已經(jīng)確定的斑塊圖像，其中軟斑塊有67幅，纖維斑塊85幅，鈣化斑塊76幅。圖像大小為384×384，特征選擇時(shí)截取區(qū)域不限大小。將樣本圖像數(shù)據(jù)轉(zhuǎn)換為程序適用的數(shù)據(jù)集作為樣本。先對(duì)斑塊圖像進(jìn)行K-L變換提取特征，然后通過(guò)特征提取后的數(shù)據(jù)集訓(xùn)練SVM分類器，尋找最優(yōu)分類參數(shù)，最后對(duì)待測(cè)的未知樣本進(jìn)行分類識(shí)別。在MATLAB 7.0中實(shí)現(xiàn)的分類結(jié)果如表1所示。
表1利用本方法進(jìn)行斑塊識(shí)別結(jié)果
本發(fā)明的效果見(jiàn)圖4、圖5、圖6。可以看出采用基于血管內(nèi)超聲波圖像，并通過(guò)支持向量機(jī)分類的方法，可以綜合IVUS斑塊圖像的特征，正確識(shí)別斑塊的類型，為病變分析創(chuàng)造了條件。
最后應(yīng)說(shuō)明的是以上實(shí)施例僅用以說(shuō)明本發(fā)明而并非限制本發(fā)明所描述的技術(shù)方案；因此，盡管本說(shuō)明書參照上述的各個(gè)實(shí)施例對(duì)本發(fā)明已進(jìn)行了詳細(xì)的說(shuō)明，但是，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，仍然可以對(duì)本發(fā)明進(jìn)行修改或等同替換；而一切不脫離發(fā)明的精神和范圍的技術(shù)方案及其改進(jìn)，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求范圍當(dāng)中。
權(quán)利要求
1.一種基于血管內(nèi)超聲波圖像的動(dòng)脈斑塊類型自動(dòng)識(shí)別方法，針對(duì)動(dòng)脈血管內(nèi)斑塊超聲波圖像的特征，利用支持向量機(jī)模型構(gòu)造分類器識(shí)別動(dòng)脈斑塊的類型；其特征在于根據(jù)IVUS斑塊圖像特點(diǎn)選取斑塊及其外圍區(qū)域圖像作為分類特征，并且通過(guò)K-L變換提取圖像分類信息；采用支持向量機(jī)作為分類模型，構(gòu)造一個(gè)適應(yīng)于斑塊圖像的分類器；
上述基于IVUS斑塊圖像，利用SVM進(jìn)行斑塊分類，包括下述步驟
步驟1、對(duì)選取的斑塊IVUS圖像，提取其中兩塊圖像作為識(shí)別特征，一塊是斑塊區(qū)域，另一塊是斑塊徑向區(qū)域；
步驟2、對(duì)選取的斑塊圖像進(jìn)行K-L變換，提取圖像特征信息；把多個(gè)特征映射為少數(shù)幾個(gè)綜合特征，降低特征空間維數(shù)；
步驟2.1.求解模式總體的均值向量，平移坐標(biāo)系，將模式總體的均值向量作為新坐標(biāo)系的原點(diǎn)；
步驟2.2.求出自相關(guān)矩陣R；
步驟2.3.求出R的本征值λ1，λ2，...，λn及其對(duì)應(yīng)的本征向量
步驟2.4、將本征值按降序排序，如λ1≥λ2≥…≥λm≥…λn，取前m個(gè)大的本征值所對(duì)應(yīng)的本征向量構(gòu)成變換矩陣
步驟2.5.將n維的原向量變換成m維的新向量y＝ATx；
步驟3、構(gòu)造SVM分類器；該分類器支持向量機(jī)分類方法包括兩部分，訓(xùn)練階段和識(shí)別階段；
所述的支持向量機(jī)的最優(yōu)分類函數(shù)為
任選一支持向量Xj，式(1)中b*由下式給出
2.根據(jù)權(quán)利要求1所述的一種基于血管內(nèi)超聲波圖像的動(dòng)脈斑塊類型自動(dòng)識(shí)別方法，其特征在于步驟3所述的訓(xùn)練階段和識(shí)別階段，選取高斯徑向基函數(shù)作為訓(xùn)練和分類識(shí)別的核函數(shù)
式中，|X-Y|為兩個(gè)向量之間的距離，σ為常數(shù)；
首先訓(xùn)練SVM以獲取最優(yōu)分類參數(shù)，其具體實(shí)施步驟為
輸入各種斑塊類型訓(xùn)練樣品向量；
指定核函數(shù)類型為高斯徑向基函數(shù)；
利用二次規(guī)劃方法求解目標(biāo)函數(shù)式的最優(yōu)解，得到最優(yōu)Lagrange乘子a*；
利用樣本庫(kù)中的一個(gè)支持向量X，代入判別函數(shù)式，左值f(X)為其類別值，得到偏差值b*。
3.根據(jù)權(quán)利要求1所述的一種基于血管內(nèi)超聲波圖像的動(dòng)脈斑塊分類方法，其特征在于所述的支持向量機(jī)分類的步驟為
3.1.輸入待測(cè)樣品X；
3.2.利用訓(xùn)練好的Lagrange乘子a*、偏差值b*和高斯徑向基核函數(shù)，根據(jù)最優(yōu)判別函數(shù)求解判別函數(shù)f(X)；
3.3.根據(jù)sgn(f(X))的值，輸出類別，輸出值判定類別。
4.根據(jù)權(quán)利要求1所述的一種基于血管內(nèi)超聲波圖像的動(dòng)脈斑塊類型自動(dòng)識(shí)別方法，其特征在于步驟2所述的降低特征空間維數(shù)，包括以下步驟
設(shè)x為n維的隨機(jī)向量，x可以用n個(gè)正交基向量的加權(quán)和來(lái)表示
式中，αi為加權(quán)系數(shù)；
為正交基向量，且滿足
對(duì)于式(4)，只取m項(xiàng)，對(duì)略去的項(xiàng)用預(yù)先選定的常數(shù)bj來(lái)代替，對(duì)x的估計(jì)值為
由此產(chǎn)生的誤差為
均方誤差為
要使ε2最小，對(duì)于bj的選擇滿足
bi＝E{αj} (10)
在K-L變換前，將模式總體的均值向量作為新坐標(biāo)系的原點(diǎn)，即在新坐標(biāo)系中E[x]＝0，根據(jù)式(10)可以得到
這樣式(8)變?yōu)?br> 式中，λj是x的自相關(guān)矩陣R的第j個(gè)本征值；
是與λj對(duì)應(yīng)的本征向量；從n個(gè)本征向量中取出m個(gè)組成變換矩陣，使降維的新向量在最小均方誤差準(zhǔn)則下接近原來(lái)的向量x。
全文摘要
一種基于血管內(nèi)超聲波圖像的動(dòng)脈斑塊類型自動(dòng)識(shí)別方法，針對(duì)動(dòng)脈血管內(nèi)斑塊超聲波圖像的特點(diǎn)，提取其中兩塊圖像，一塊是斑塊區(qū)域，另一塊是斑塊徑向區(qū)域作為分類特征，并且通過(guò)K-L變換提取圖像分類信息，把多個(gè)特征映射為少數(shù)幾個(gè)綜合特征，降低特征空間維數(shù)；采用支持向量機(jī)作為分類模型，構(gòu)造一個(gè)適應(yīng)于斑塊圖像的分類器，其中支持向量機(jī)分類方法包括訓(xùn)練階段和識(shí)別階段；這一方法提高了斑塊識(shí)別正確率，為臨床診斷動(dòng)脈血管病變程度提供客觀參考依據(jù)。
文檔編號(hào)G06K9/00GK101799864SQ20101003417
公開(kāi)日2010年8月11日 申請(qǐng)日期2010年1月15日 優(yōu)先權(quán)日2010年1月15日
發(fā)明者汪友生, 胡百樂(lè), 舒毓, 張麗杰, 陳詩(shī)典, 陳建新 申請(qǐng)人:北京工業(yè)大學(xué)