[發明專利]多序列核磁共振影像的圖像計算機輔助判斷方法

有效

• 申請號: 201310733843.8
• 申請日: 2013-12-25
• 公開（公告）號: CN103699904B
• 公開（公告）日: 2017-01-04
• 發明（設計）人: 劉惠;邵瑩
• 申請（專利權）人: 大連理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 大連理工大學專利中心21200
• 代理人: 關慧貞

1.一種多序列核磁共振影像的圖像計算機輔助判斷方法，其特征在于，該判斷方法是在數字圖像處理和模式識別框架下，集成MRI的T1WI、T2WI、動脈期、門靜脈期、平衡期五種序列，依照ROI處理、多序列MRI分類和個體分類三個層次，借助神經網絡、投票機制和決策樹，提出三類計算機輔助判斷方法；具體步驟如下：

步驟一、從個體圖像數據集MRI的T1WI、T2WI、動脈期、門靜脈期、平衡期五種序列中按圖像掃描順序人工篩選出結構清晰的圖像；

步驟二、利用步驟一篩選出的具體圖像，根據異常結構的均勻性與面積，對圖像手工提取ROI，同時，需根據圖像中異常結構均勻區域的大小調整ROI大小；

步驟三、提取步驟二中ROI樣本的[0°、45°、90°、135°]共56維灰度共生矩陣的紋理特征，圖像中第i行j列元素的灰度共生矩陣計算公式為：

P(i,j,λ,θ)＝{[(x,y),(x+dx,y+dy)]|f(x,y)＝i,f(x+dx,y+dy)＝j}???(1)

其中，(x,y)是圖像中每個像素點的坐標，θ為方向，λ為步長，dx和dy分別是步長λ方向θ在x和y方向上的投影；基于灰度共生矩陣的[0°、45°、90°、135°]四個方向的共56維紋理特征在每個方向上分別提取14種紋理特征，包括角二階矩、對比度、相關性、方差、逆差矩、和平均、和方差、和熵、熵、差平均、差熵、互信息度量和最大相關系數；

1）角二階矩

F1=ΣiΣj{p(i,j)}2---(2)]]>

其中，p(i,j)為正規化的灰度共生矩陣；

2）對比度

F2=Σn=0Ng-1n2{Σi=1NgΣj=1Ngp(i,j)},|i-j|=n---(3)]]>

3）相關性

F3=ΣiΣj(ij)p(i,j)-μxμyσxσy---(4)]]>

其中，μ_x和σ_x是p_x的均值與方差，μ_y和σ_y是p_y的均值與方差；

μx=Σi=1Ngi*Σj=1Ngp(i,j),σx2=(i-μx)2μx]]>

μy=Σj=1Ngj*Σi=1Ngp(i,j),σy2=(j-μy)2μy]]>

4）方差

F4=ΣiΣj(i-μ)2p(i,j)---(5)]]>

其中，μ為p(i,j)的均值；

5）逆差矩

F5=ΣiΣj11+(i-j)2p(i,j)---(6)]]>

6）和平均

F6=Σi=22Lipx+y(i)---(7)]]>

其中，k＝2,3,...,2L,i+j＝k，L為圖像的灰度級數量；

7）和方差

F7=Σi=22Ng(i-f8)2px+y(i)---(8)]]>

8）和熵

F8=-Σi=22Lpx+y(i)log{px+y(i)}---(9)]]>

9）熵

F9=-ΣiΣjp(i,j)log(p(i,j))---(10)]]>

10）差平均

F₁₀＝Var(p_x-y)??????????(11)

其中，k＝0,1,...,L-1,|i-j|＝k

11）差熵

F11=-Σi=0L-1px-y(i)log{px-y(i)}---(12)]]>

12）互信息度量

F12=HXY-HXY1max{HX,HY}---(13)]]>

其中，HX，HY分別是p_x和p_y的熵；

HXY=-ΣiΣjp(i,j)log(p(i,j))]]>

HXY=-ΣiΣjp(i,j)log(p(i,j))]]>

px(i)=Σj=1Lp(i,j),py(i)=Σi=1Lp(i,j)]]>

13）最大相關系數1

F₁₃＝(1-exp[-2.0(HXY2-HXY)])??????????(14)

其中，HXY2=-ΣiΣjpx(i)py(j)log{px(i)py(j)};]]>

14）最大相關系數2

F₁₄＝(矩陣Q的第二大特征值)^1/2????????????(15)

其中，Q矩陣的計算式為：

Q(i,j)=Σkp(i,k)p(j,k)px(i)py(k)]]>

步驟四、對步驟三的ROI紋理特征樣本分類；采用神經網絡的方法分別對T1WI、T2WI、動脈期、門靜脈期、平衡期五種序列的ROI樣本分類；下面以T1WI序列圖像為例說明分類過程；首先，將個體圖像數據集分為訓練集和測試集；訓練集個體的ROI樣本紋理特征用于訓練神經網絡，生成神經網絡模型；然后，將測試集個體T1WI序列圖像經過步驟一至步驟三后得到的ROI紋理特征作為神經網絡模型的輸入，得出測試集個體所有的ROI分類結論；最后，將測試集與訓練集個體互換，再進行一次神經網絡分類，從而得到所有個體T1WI序列的ROI分類結論；對于T2WI、動脈期、門靜脈期、平衡期序列，采取相同的操作，從而得到每個個體的T1WI、T2WI、動脈期、門靜脈期、平衡期序列的ROI分類結論；

步驟五、根據投票機制，統一同一個體同一序列圖像的ROI樣本分類結論；下面以T1WI序列圖像為例說明該過程；由于每個個體都有多個T1WI圖像的ROI及其相應的ROI分類結論，所以，根據投票機制，即同一個體中的T1WI序列圖像的少數ROI類別服從多數ROI類別，確定測試集中的每個個體T1WI序列的個體分類結論；對于T2WI、動脈期、門靜脈期、平衡期序列，采取相同的操作，從而得到每個個體的T1WI、T2WI、動脈期、門靜脈期、平衡期序列的個體分類結論，即每個個體的將有五個個體分類結論；

步驟六、通過C4.5決策樹融合同一個體五種序列圖像的樣本分類結論，從而得到該個體分類結果，即利用個體訓練集中的每個個體的五種序列圖像的個體分類結果訓練出C4.5決策樹；C4.5決策樹采用信息增益率算子作為屬性選擇的度量；設樣本集X由c類樣本組成，類別分別為w₁,w₂,...w_c，各類的概率分別為P₁,P₂,...P_c，X的分類信息熵為

H(X)=-Σi=1cPilog2Pi---(16)]]>

設屬性A有m個不同取值，根據屬性的m個不同取值將樣本X分劃成m個集合X₁,X₂,...X_m，令,i＝1,2,...m；,j＝1,2,...c；|Z|表示樣本集Z中樣個數，用屬性A將樣本集X劃分之后，樣本集X的信息熵為

H(X,A)=-Σi=1mpiΣj=1cpijlog2pij=^Σi=1mpiH(Xi)---(17)]]>

樣本集X的分類信息熵的減小量（熵差）為gain(X,A)

gian(X,A)＝H(X)-H(X,A)??????????(18)

決策樹T的信息熵H(T)為各葉節點處信息熵的加權和

H(T)=Σi=1m′|Xi||X|H(Xi)---(19)]]>

原決策樹T生長成新的決策樹T'，考察決策樹T'的信息熵H(T')

H(T′)=Σi=1m′+m-1|X′i||X|H(X′i)=Σi=1m′|Xi||X|H(Xi)-|Xj||X|H(Xj)+Σi=1m|X′i||X|H(X′i)=H(T)-|Xj||X|[H(Xj)-H(Xj,A)]=H(T)-|Xj||X|gain(Xj,A)---(20)]]>

在節點(X_j,Q_j)處分裂生長時，選擇具有最小信息熵增益算子GainRatio(X,A)作為屬性選擇準則；

GainRatio(X,A)=gain(X,A)SplitInfo(X,A)---(21)]]>

其中，分裂信息SplitInfo(X,A)為

SplitInfo(X,A)=-Σi=1m|Xi||X|log2|Xi||X|---(22)]]>

其中，T1WI、T2WI、動脈期、門靜脈期、平衡期這五種序列將作為決策樹的分類屬性，將測試集中每個個體的五種分類結果作為決策樹的輸入，從而測試集中的每個個體得到最終的一個分類結果，交換測試集個體與訓練集個體，再進行一次決策樹融合，從而得到所有個體的最終分類結果。