本發(fā)明涉及超聲組織定征技術(shù)領(lǐng)域，特別涉及一種基于超聲射頻時間序列小波分析的組織定征方法。

背景技術(shù)：

超聲組織定征是一種探討組織特性與聲特性(諸如背散射、衰減、聲速等)相互關(guān)系從而確定組織性質(zhì)的研究方法。由于這些聲特性由組織的微結(jié)構(gòu)決定，因此超聲組織定征是定量測量組織微結(jié)構(gòu)的有效手段。目前，超聲組織定征方法主要有基于b超圖像的組織定征方法、基于單幀背散射回波rf信號的組織定征方法和基于超聲rf時間序列分析的組織定征方法。

基于b超圖像的組織定征方法主要提取b超圖像的形態(tài)特征和紋理特征，然后利用分類器的分類準確率對分類效果進行評價。這類方法由于使用了超聲圖像灰度，易受超聲診斷儀的型號、時間增益補償?shù)恼{(diào)整等成像參數(shù)的影響。

基于單幀背散射回波rf信號的組織定征方法主要利用組織對超聲回波的衰減特性來實現(xiàn)組織定征。具體做法是利用超聲儀器獲取一幀超聲回波rf信號，選取roi，對roi內(nèi)的聲束逐條進行頻譜分析，提取譜參數(shù)，將譜參數(shù)作為特征利用分類器對組織進行分類。此類方法提取的特征受超聲傳播路徑的影響需要深度衰減補償，這些因素影響了定征精度的可靠性，因此鮮有應(yīng)用于臨床診斷。

基于超聲rf時間序列分析的組織定征方法通過提取超聲rf時間序列的頻域特征來實現(xiàn)組織定征。由于超聲rf時間序列來源于同一位置同一深度的超聲回波rf信號，因此基于超聲rf時間序列的分析方法避免了前述兩種方法的缺陷，已有研究表明基于超聲rf時間序列分析的組織定征方法比前兩種組織定征方法的定征精度更高。

以往對rf信號的處理和分析方法僅僅在頻域?qū)π盘栠M行分析，不能充分挖掘rf信號蘊含的組織微結(jié)構(gòu)信息。而小波分析因為具有多分辨率分析的特點，在時域和頻域都有表征信號局部信息的能力，時間窗和頻率窗都可以根據(jù)信號的具體形態(tài)動態(tài)調(diào)整。一般情況下，在低頻部分(信號較平穩(wěn))可以采用較低的時間分辨率，而提高頻率的分辨率；在高頻情況下可以用較低的頻率分辨率來換取精確的時間定位。因此小波分析可以探測正常信號中的瞬態(tài)成分，并展示其頻率成分，被稱為數(shù)學(xué)顯微鏡，廣泛應(yīng)用于各個時頻分析領(lǐng)域。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點與不足，提供一種基于超聲射頻時間序列小波分析的組織定征方法，結(jié)合小波分解可以在時頻域?qū)π盘栠M行多分辨率的分析，可以充分挖掘超聲rf時間序列蘊含的組織微結(jié)構(gòu)信息。

本發(fā)明的目的通過以下的技術(shù)方案實現(xiàn)：一種基于超聲射頻時間序列小波分析的組織定征方法，包括以下步驟：

s1、使用超聲探頭掃描組織，采集多幀超聲回波rf信號；

s2、對任意一幀超聲回波rf信號進行解調(diào)并顯示b型圖；

s3、在b型圖上選取大小a×b的roi(regionofinterest，感興趣區(qū))；

s4、roi內(nèi)的每一點取其前n幀超聲回波rf信號形成a×b個長度為n的超聲rf時間序列；

s5、a×b個超聲rf時間序列進行m層小波分解；

s6、提取超聲rf時間序列經(jīng)小波分解后產(chǎn)生的高頻系數(shù)序列和低頻系數(shù)序列的統(tǒng)計特征、熵特征在roi的平均值作為特征；

s7、選取k個特征作為特征向量；

s8、將特征向量輸入到分類器分類；

s9、根據(jù)分類器的分類準確率評價識別結(jié)果。

優(yōu)選的，步驟s6中，提取超聲rf時間序列經(jīng)小波分解后產(chǎn)生的高頻系數(shù)序列和低頻系數(shù)序列的統(tǒng)計特征的方法如下：

統(tǒng)計特征包括最小值min、最大值max、均值mean、標準差std、中值median、均方根值rms和平均絕對值mav；

具體每個特征的計算步驟如下：

s6-1-1設(shè)n點超聲rf時間序列為{x(n):1≤n≤n}，經(jīng)m層小波分解后，在第j分解尺度下k時刻的高頻系數(shù)序列為低頻系數(shù)序列為其中j＝1,2,…m，lj為第j分解尺度下高頻系數(shù)序列和低頻系數(shù)序列長度，lj為確定值，不同分解尺度下lj不同；

s6-1-2最小值min：第j分解尺度下高頻系數(shù)序列最小值：第j分解尺度下低頻系數(shù)序列最小值：

s6-1-3最大值max：第j分解尺度下高頻系數(shù)序列最大值：第j分解尺度下低頻系數(shù)序列最大值：

s6-1-4均值mean：第j分解尺度下高頻系數(shù)序列均值：第j分解尺度下低頻系數(shù)序列均值：

s6-1-5標準差std：第j分解尺度下高頻系數(shù)序列標準差：第j分解尺度下低頻系數(shù)序列標準差：

s6-1-6中值median：將第j分解尺度下高頻系數(shù)序列按照從小到大排序為則第j分解尺度下高頻系數(shù)序列中值：第j分解尺度下低頻系數(shù)序列按照從小到大排序為則第j分解尺度下低頻系數(shù)序列中值：其中[x]表示不超過x的最大整數(shù)；

s6-1-7均方根值rms：第j分解尺度下高頻系數(shù)序列均方根值：第j分解尺度下低頻系數(shù)序列均方根值：

s6-1-8平均絕對值mav：第j分解尺度下高頻系數(shù)序列平均絕對值：第j分解尺度下低頻系序列平均絕對值：

s6-1-9計算在每個分解尺度下a×b個高頻系數(shù)序列和低頻系數(shù)序列的最小值dj_min、aj_min，最大值dj_max、aj_max，均值dj_mean、aj_mean，標準差dj_std、aj_std，中值dj_median、aj_median，均方根值dj_rms、aj_rms，平均絕對值dj_mav、aj_mav在roi的平均，即可得該組織樣本在每個分解尺度下的統(tǒng)計特征。

優(yōu)選的，步驟s6中，提取超聲rf時間序列經(jīng)小波分解后產(chǎn)生的高頻系數(shù)序列和低頻系數(shù)序列的熵特征的方法如下：

熵特征包括模糊熵fuzzyenropy和小波熵w，具體模糊熵fuzzyenropy和小波熵w的計算步驟如下：

s6-2-1模糊熵fuzzyenropy：設(shè)一個時間序列表示為{x(i)(1≤i≤n)}，按照{(diào)x(i)(1≤i≤n)}原來順序重新生成一組m維的向量：其中n為時間序列長度；

s6-2-2計算向量與間的距離公式如下：

s6-2-3定義與相似度為：

s6-2-4定義函數(shù)

s6-2-5重復(fù)(6-2-1)～(6-2-4)生成一組m+1維的新向量并計算

s6-2-6計算模糊熵fuzzyenropy(m,n,r,n)

s6-2-7按照步驟s6-2-1～s6-2-6計算在每個分解尺度下a×b個高頻系數(shù)序列和低頻系數(shù)序列的模糊熵fuzzyentropy在roi的平均即可得在每個分解尺度下高頻系數(shù)和低頻系數(shù)的模糊熵特征；

s6-2-8小波熵w：設(shè)n點超聲rf時間序列為{x(n):1≤n≤n}，經(jīng)m層小波分解后，在第j分解尺度下k時刻的高頻系數(shù)序列為低頻系數(shù)序列為其中j＝1,2,…m，lj為第j分解尺度下高頻系數(shù)序列和低頻系數(shù)序列長度；

s6-2-9尺度為j時高頻系數(shù)序列的能量：低頻系數(shù)序列的能量：總能量：

s6-2-10尺度為m時低頻系數(shù)序列的相對能量：尺度為j時高頻系數(shù)序列的相對能量：

s6-2-11小波熵w的計算公式如下：

s6-2-12計算a×b個超聲rf時間序列經(jīng)m層小波分解后的小波熵w在roi的平均即可得該組織樣本的小波熵特征。

優(yōu)選的，步驟s5中采用基于mallat算法的小波分解，小波基選擇db4小波，分解層數(shù)為4，可以得到4個高頻頻系數(shù)序列d1～d4和4個低頻系數(shù)序列a1～a4。

優(yōu)選的，步驟s7中利用relief-f算法計算每個特征權(quán)重，并選取前k個權(quán)重最高的特征作為特征向量。

具體的，利用relief-f函數(shù)對所有特征進行特征權(quán)重計算，并選取前11個特征權(quán)重最高的特征作為特征向量。

優(yōu)選的，步驟s8中所采用的分類器為隨機森林。

具體的，隨機森林的參數(shù)設(shè)置為：樹的數(shù)目為300，每棵樹的深度為6，迭代次數(shù)150次，每個節(jié)點可選擇的特征數(shù)為特征向量個數(shù)的平方根值。

本發(fā)明與現(xiàn)有技術(shù)相比，具有如下優(yōu)點和有益效果：

1.本發(fā)明基于超聲rf時間序列，超聲rf時間序列來源于同一位置同一深度的超聲回波rf信號，因此基于超聲rf時間序列的分析方法不易受超聲儀器成像參數(shù)和聲傳播路徑差異的影響，具有很好的魯棒性。

2.本發(fā)明對超聲rf時間序列進行了小波分解處理，可以對超聲rf時間序列同時在時域和頻域進行多分辨率分析，相比傳統(tǒng)的頻域分析可以獲取更多關(guān)于超聲rf時間序列的信息，同時由于超聲rf時間序列是非平穩(wěn)信號，傳統(tǒng)的頻域分析適合于平穩(wěn)信號，而小波分析特別適合于非平穩(wěn)信號的分析。

3.本發(fā)明從統(tǒng)計和熵兩個角度對超聲rf時間序列經(jīng)小波分解后形成的高頻系數(shù)序列和低頻系數(shù)序列進行特征提取，結(jié)合小波分解可以在時頻域?qū)π盘栠M行多分辨率的分析，可以充分挖掘超聲rf時間序列蘊含的組織微結(jié)構(gòu)信息。

4.本發(fā)明利用relief-f算法可以從特征集中選取最優(yōu)特征，不僅可以快速進行特征選擇，而且可有效提高分類準確率。

5.本發(fā)明所基于的超聲rf時間序列可在常規(guī)超聲儀器中獲取，無需增加額外的硬件開銷和成本。

附圖說明

圖1是實施例1方法的流程圖；

圖2是實施例2中女性乳腺組織b超圖；

圖3是實施例2中基于mallat算法4層小波分解結(jié)構(gòu)圖；

圖4是實施例2中relief-f算法計算的所有特征權(quán)重柱形圖。

具體實施方式

下面結(jié)合實施例及附圖對本發(fā)明作進一步詳細的描述，但本發(fā)明的實施方式不限于此。

實施例1

一種基于超聲射頻時間序列小波分析的組織定征方法，如圖1，包括以下步驟：

s1、使用常規(guī)超聲探頭掃描組織，采集多幀超聲回波rf信號；

s2、對任意一幀超聲回波rf信號進行解調(diào)并顯示b型圖；

s3、在b型圖上選取大小a×b的roi；

s4、roi內(nèi)的每一點取其前n幀超聲回波rf信號形成a×b個長度為n的超聲rf時間序列；

s5、a×b個超聲rf時間序列進行m層小波分解；

s6、提取超聲rf時間序列經(jīng)小波分解后產(chǎn)生的高頻系數(shù)序列和低頻系數(shù)序列的統(tǒng)計特征、熵特征在roi的平均值作為特征；

s7、利用relief-f算法計算每個特征權(quán)重，并選取前k個權(quán)重最高的特征作為特征向量；

s8、將特征向量輸入到分類器分類；

s9、根據(jù)分類器的分類準確率評價識別結(jié)果。

具體的，所述步驟s6中，提取超聲rf時間序列經(jīng)小波分解后產(chǎn)生的高頻系數(shù)序列和低頻系數(shù)序列的統(tǒng)計特征、熵特征在roi的平均值作為特征的方法如下：

s6-1統(tǒng)計特征：包括最小值min、最大值max、均值mean、標準差std、中值median、均方根值rms和平均絕對值mav。

具體每個特征的計算步驟如下：

s6-1-1設(shè)n點超聲rf時間序列為{x(n):1≤n≤n}，經(jīng)m層小波分解后，在第j分解尺度下k時刻的高頻系數(shù)序列為低頻系數(shù)序列為其中j＝1,2,…m，lj為第j分解尺度下高頻系數(shù)序列和低頻系數(shù)序列長度，lj為確定值，不同分解尺度下lj不同。

s6-1-2最小值min：第j分解尺度下高頻系數(shù)序列最小值：第j分解尺度下低頻系數(shù)序列最小值：

s6-1-3最大值max：第j分解尺度下高頻系數(shù)序列最大值：第j分解尺度下低頻系數(shù)序列最大值：

s6-1-4均值mean：第j分解尺度下高頻系數(shù)序列均值：第j分解尺度下低頻系數(shù)序列均值：

s6-1-5標準差std：第j分解尺度下高頻系數(shù)序列標準差：第j分解尺度下低頻系數(shù)序列標準差：

s6-1-6中值median：將第j分解尺度下高頻系數(shù)序列按照從小到大排序為則第j分解尺度下高頻系數(shù)序列中值：第j分解尺度下低頻系數(shù)序列按照從小到大排序為則第j分解尺度下低頻系數(shù)序列中值：其中[x]表示不超過x的最大整數(shù)。

s6-1-7均方根值rms：第j分解尺度下高頻系數(shù)序列均方根值：第j分解尺度下低頻系數(shù)序列均方根值：

s6-1-8平均絕對值mav：第j分解尺度下高頻系數(shù)序列平均絕對值：第j分解尺度下低頻系序列平均絕對值：

s6-1-9計算在每個分解尺度下a×b個高頻系數(shù)序列和低頻系數(shù)序列的最小值dj_min、aj_min，最大值dj_max、aj_max，均值dj_mean、aj_mean，標準差dj_std、aj_std，中值dj_median、aj_median，均方根值dj_rms、aj_rms，平均絕對值dj_mav、aj_mav的和，然后求取每個特征的均值(即在roi進行平均)即可得該組織樣本在每個分解尺度下的統(tǒng)計特征。

以最小值特征為例，假設(shè)計算的是第一層高頻系數(shù)的最小值，因為有a*b個rf時間序列，每個序列都要進行小波分解，先求每個rf時間序列的分解一層后高頻系數(shù)的最小值，這樣就有a*b個最小值，然后將這a*b個最小值求和再平均(除以a*b)，這樣就得到了第一層高頻系數(shù)的最小值這個特征，其他統(tǒng)計特征也是這個思路進行計算的。

s6-2熵特征：包括模糊熵fuzzyenropy和小波熵w，具體模糊熵fuzzyenropy和小波熵w的計算步驟如下：

s6-2-1模糊熵fuzzyenropy：設(shè)一個時間序列表示為{x(i)(1≤i≤n)}，按照{(diào)x(i)(1≤i≤n)}原來順序重新生成一組m維的向量：其中n為時間序列長度。

s6-2-2計算向量與間的距離公式如下：

s6-2-3定義與相似度為：

s6-2-4定義函數(shù)

s6-2-5重復(fù)(6-2-1)～(6-2-4)生成一組m+1維的新向量并計算

s6-2-6計算模糊熵fuzzyenropy(m,n,r,n)

s6-2-7按照步驟s6-2-1～s6-2-6計算在每個分解尺度下a×b個高頻系數(shù)序列和低頻系數(shù)序列的模糊熵fuzzyentropy的和，然后求取均值(即在roi進行平均)即可得在每個分解尺度下高頻系數(shù)和低頻系數(shù)的模糊熵特征。

s6-2-8小波熵w：設(shè)n點超聲rf時間序列為{x(n):1≤n≤n}，經(jīng)m層小波分解后，在第j分解尺度下k時刻的高頻系數(shù)序列為低頻系數(shù)序列為其中j＝1,2,…m，lj為第j分解尺度下高頻系數(shù)序列和低頻系數(shù)序列長度。

s6-2-9尺度為j時高頻系數(shù)序列的能量：低頻系數(shù)序列的能量：總能量：

s6-2-10尺度為m時低頻系數(shù)序列的相對能量：尺度為j時高頻系數(shù)序列的相對能量：

s6-2-11小波熵w的計算公式如下：

s6-2-12計算a×b個超聲rf時間序列經(jīng)m層小波分解后的小波熵w的和，然后求取均值(即在roi進行平均)即可得該組織樣本的小波熵特征。

實施例2

一種基于超聲射頻時間序列小波分析的組織定征方法，詳述如下。

s1、構(gòu)建超聲rf時間序列。

s1.1使用加拿大ultrasonix醫(yī)療公司中心頻率為10mhz的sonixtouch超聲診斷儀采集女性乳腺組織多幀超聲回波rf信號。

s1.2對第100幀數(shù)據(jù)進行希爾伯特變換并顯示其b超圖像(如圖2所示)。

s1.3在b超圖像上選取大小為20×70的roi，對roi內(nèi)的每點取其前256幀數(shù)據(jù)即得到1400個長度為256的超聲rf時間序列。

s2、基于mallat算法的小波分解

s2.1本施例采用基于mallat算法的小波分解，該算法分解示意圖見圖3，小波基選擇db4小波，分解層數(shù)為4，可以得到4個高頻頻系數(shù)序列d1～d4和4個低頻系數(shù)序列a1～a4。

s3、特征提取與特征編號

本實施例采用了253個樣本，其中包含乳腺惡性樣本141個，良性樣本112個。對每個乳腺樣本roi內(nèi)的1400個超聲rf時間序列，首先計算每個超聲rf時間序列經(jīng)4層小波分解后的4個高頻系數(shù)序列和4個低頻系數(shù)序列的最小值min、最大值max、均值mean、標準差std、中值median、均方根值rms和平均絕對值mav，然后在roi平均即可得該乳腺樣本在4個分解尺度下高頻系數(shù)序列和低頻系數(shù)序列的統(tǒng)計特征。

對每個乳腺樣本roi內(nèi)的1400個超聲rf時間序列，首先計算每個超聲rf時間序列經(jīng)4層小波分解后的4個高頻系數(shù)序列和4個低頻系數(shù)序列的模糊熵fuzzyentropy，然后在roi平均即可得該乳腺樣本在4個分解尺度下高頻系數(shù)序列和低頻系數(shù)序列的模糊熵fuzzyentropy。

然后根據(jù)小波熵w公式計算roi內(nèi)1400個超聲rf時間序列經(jīng)4層小波分解后的小波熵w的和，然后在roi平均即可得該乳腺樣本經(jīng)小波分解后的小波熵w。

為方便在圖上顯示各特征權(quán)重，對所有提取的特征進行編號。其中高頻系數(shù)最小值特征編號為1～4，低頻系數(shù)最小值特征編號為5～8；高頻系數(shù)最大值特征編號為9～12，低頻系數(shù)最大值特征編號為13～16；高頻系數(shù)均值特征編號為17～20，低頻系數(shù)均值特征編號為21～24；高頻系數(shù)標準差特征編號為25～28，低頻系數(shù)標準差特征編號為29～32；高頻系數(shù)中值特征編號為33～36，低頻系數(shù)中值特征編號為37～40；高頻系數(shù)均方根特征編號為41～44，低頻系數(shù)均方根特征編號為45～48；高頻系數(shù)平均絕對值特征編號為49～52，低頻系數(shù)平均絕對值特征編號為53～56；

高頻系數(shù)模糊熵特征編號為57～60，低頻系數(shù)模糊熵特征編號為61～64；小波熵特征編號為65。

s4、relief-f算法選取最優(yōu)特征

本施例采用matlabr2014a中relief-f函數(shù)，利用relief-f函數(shù)對所有特征進行特征權(quán)重計算，并選取前11個特征權(quán)重最高的特征作為特征向量，所有特征權(quán)重的柱形圖如圖4所示，由圖可知，特征向量的組成為{5，45，29，53，61，65，57，58，63，6，13}，分別為：a1_min、a1_rms、a1_std、a1_mav、a1_fuzzyentropy、w、d1_fuzzyentropy、d2_fuzzyentropy、a3_fuzzyentropy、a2_min、a1_max。

s5、組織識別及結(jié)果

本施例中，女性乳腺腫瘤樣本有良性和惡性2個類別，所采用的分類器為隨機森林，按照7:3的比例將樣本集劃分為訓(xùn)練集和測試集，使用訓(xùn)練集特征向量對分類器進行訓(xùn)練，隨機森林的參數(shù)設(shè)置為：樹的數(shù)目為300，每棵樹的深度為6，迭代次數(shù)150次，每個節(jié)點可選擇的特征數(shù)為特征向量個數(shù)的平方根值，最后將測試集的特征向量輸入訓(xùn)練好的分類器，結(jié)果顯示，隨機森林分類精度達到了97％，能有效定征乳腺癌的良惡性，說明了本方法用于組織定征是可行的、有效的。

上述實施例為本發(fā)明較佳的實施方式，但本發(fā)明的實施方式并不受上述實施例的限制，其他的任何未背離本發(fā)明的精神實質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護范圍之內(nèi)。