基于二維集合經(jīng)驗(yàn)?zāi)Ｊ椒纸獾尼t(yī)學(xué)mr圖像特征提取方法
【專利摘要】一種基于二維集合經(jīng)驗(yàn)?zāi)Ｊ椒纸獾尼t(yī)學(xué)MR圖像特征提取方法：步驟一，進(jìn)行初始化；步驟二，向原始信號中加入白噪聲序列；步驟三，通過篩分提取第i個(gè)BIMF分量；步驟四，加入不同的白噪聲序列重復(fù)步驟三；步驟五，更新余量；步驟六，若極值點(diǎn)個(gè)數(shù)小于給定閾值或分解達(dá)到指定層數(shù)時(shí)算法停止，否則轉(zhuǎn)到步驟二進(jìn)行下層分解；步驟七，將BIMF的集成平均值作為最終的分解結(jié)果；步驟八，對得到的BIMF分解結(jié)果進(jìn)行Hilbert變換，構(gòu)建解析信號，得到所有BIMF圖像的局部特征信息，同時(shí)對第一個(gè)BIMF圖像進(jìn)行相位一致性的邊緣特征提取；最后綜合分析圖像的所有特征信息。本發(fā)明通過提高M(jìn)R圖像處理的精確度，從而提高診斷正確性。
【專利說明】基于二維集合經(jīng)驗(yàn)?zāi)Ｊ椒纸獾尼t(yī)學(xué)MR圖像特征提取方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于醫(yī)學(xué)圖像處理【技術(shù)領(lǐng)域】，具體涉及一種基于二維集合經(jīng)驗(yàn)?zāi)Ｊ椒纸獾?醫(yī)學(xué)MR圖像特征提取方法。

【背景技術(shù)】
[0002] 隨著MRI技術(shù)的發(fā)展，產(chǎn)生了大量的醫(yī)學(xué)圖像，這些醫(yī)學(xué)圖像是醫(yī)務(wù)工作者進(jìn)行 疾病的診斷、疾病的跟蹤、手術(shù)的流程、術(shù)后康復(fù)的重要依據(jù)材料，因此對這些圖像數(shù)據(jù)的 處理成為臨床應(yīng)用的最大難題。目前，這些圖像的臨床分析主要通過醫(yī)生對圖像的定性評 價(jià)來完成。由于缺乏圖像特征的定量度量，人們視覺感知的差異，不同特征和診斷標(biāo)準(zhǔn)的使 用，以及人工觀察的主觀因素和醫(yī)生的經(jīng)驗(yàn)等，導(dǎo)致不同醫(yī)生診斷結(jié)論不同，多位醫(yī)生之間 難以形成統(tǒng)一的、正確的診斷結(jié)果。這樣，良性或惡性的診斷結(jié)果都需要依靠活檢進(jìn)行確 認(rèn)，大量的陰性活檢造成了病人不必要的痛苦和費(fèi)用，使病人的身心受到傷害。最為關(guān)鍵的 是如此大量的圖像信息若依常規(guī)方式逐層解讀，診斷工作量大，容易造成醫(yī)生的疲勞，導(dǎo)致 誤診或漏診率的上升。隨著計(jì)算機(jī)技術(shù)和圖像處理技術(shù)突飛猛進(jìn)的發(fā)展，為這些診斷數(shù)據(jù) 的處理提供了新的方法，計(jì)算機(jī)輔助診斷技術(shù)應(yīng)運(yùn)而生。
[0003] 計(jì)算機(jī)輔助診斷技術(shù)以醫(yī)學(xué)影像技術(shù)為基礎(chǔ)，結(jié)合計(jì)算機(jī)的處理分析功能，幫助 影像醫(yī)師發(fā)現(xiàn)病灶區(qū)域以提高臨床診斷的效率。其中醫(yī)學(xué)圖像的特征提取能夠獲取圖像 中獨(dú)特的有別于其他圖像的特征信息，進(jìn)而實(shí)現(xiàn)醫(yī)學(xué)圖像目標(biāo)的自動分類、匹配、識別等功 能，是實(shí)現(xiàn)計(jì)算機(jī)輔助診斷的一個(gè)關(guān)鍵步驟。
[0004] 醫(yī)學(xué)圖像數(shù)據(jù)的多樣性和重要性要求運(yùn)用高效準(zhǔn)確的圖像處理算法提取圖像中 的特征信息。有效的特征提取算法，可以準(zhǔn)確的分離出人體組織和病灶區(qū)域，這樣就可以減 輕醫(yī)生的負(fù)擔(dān)，提高醫(yī)生的診斷效率，給醫(yī)生的臨床診斷提供更多的參考信息。目前，常用 的圖像特征提取方法主要有梯度算子、拉普拉斯算子等，這些算法通用性較差，對噪聲也非 常敏感；小波分析在圖像處理中應(yīng)用廣泛，該方法具有多尺度、多分辨率的特性，但小波基 的選擇是關(guān)鍵，采用不同的小波基，分解效果會有所不同；分形理論作為一種非線性的處理 方法，也是圖像特征提取中比較熱門的理論。這些算法大多都是直接在原圖像上進(jìn)行處理， 效果受噪聲影響較大。而Snake算法、人工神經(jīng)網(wǎng)絡(luò)方法、統(tǒng)計(jì)方法等，大多針對輔助診斷 或模式識別應(yīng)用，對圖像特征區(qū)域劃分較細(xì)，因此算法一般過于復(fù)雜、需要人工干預(yù)且時(shí)間 復(fù)雜度很大，難以滿足臨床診斷的需求。
[0005] 經(jīng)驗(yàn)?zāi)Ｊ椒纸猓‥mpiricalModeDecomposition,簡稱EMD)方法由美國華裔科學(xué) 家HUANG于1998年提出，方法擴(kuò)展了Hilbert變換的應(yīng)用，突破了傳統(tǒng)數(shù)據(jù)分析方法只能 分析線性或平穩(wěn)數(shù)據(jù)的局限，開創(chuàng)了一種處理非線性非平穩(wěn)數(shù)據(jù)的有效方法，能自適應(yīng)處 理非線性非平穩(wěn)數(shù)據(jù)的特性使其迅速在諸多領(lǐng)域得到了廣泛的應(yīng)用。近年來，二維經(jīng)驗(yàn)?zāi)?式分解（Bi-DimensionalEmpiricalModeDecomposition，BEMD)在圖像去噪、圖像增強(qiáng)、 特征提取圖像分割、圖像融合和圖像壓縮等圖像處理各個(gè)方面的應(yīng)用研究也正處于不斷深 入的過程之中，EMD在圖像處理領(lǐng)域的應(yīng)用已成為學(xué)者們研究的熱點(diǎn)。
[0006]雖然，EMD方法在各領(lǐng)域的應(yīng)用已經(jīng)取得了很大的成功，但由于該方法提出不久， 其理論研究遠(yuǎn)未成熟，在應(yīng)用該方法時(shí)存在著端點(diǎn)效應(yīng)、模態(tài)混疊等各類問題。針對這些 問題不少學(xué)者提出了相應(yīng)的解決方法。其中，值得一提的是，2009年，HUANG等人在分析 了白噪聲統(tǒng)計(jì)特性的基礎(chǔ)上提出了一種新的噪聲輔助數(shù)據(jù)分析方法，集合經(jīng)驗(yàn)?zāi)Ｊ椒纸?(EnsembleEmpiricalModeDecomposition，簡稱EEMD)。EEMD方法是對原始EMD方法的 巨大改進(jìn)，這種方法通過給信號加入極小幅度白噪聲，利用白噪聲頻譜均衡分布的特點(diǎn)，用 白噪聲來均衡噪聲的特性，較為理想的解決了模態(tài)混疊問題，因而非常適合用于醫(yī)學(xué)MR圖 像的特征提取。
[0007]發(fā)明目的
[0008] 本發(fā)明的目的在于針對上述現(xiàn)有技術(shù)中的缺陷，提供一種能夠解決大多數(shù)特征提 取算法對MR圖像噪聲較為敏感，需要人工干預(yù)，時(shí)間復(fù)雜度大，在醫(yī)學(xué)MR圖像的特征提取 上效果不理想的問題，進(jìn)而提高M(jìn)R圖像特征提取效率及精度的基于二維集合經(jīng)驗(yàn)?zāi)Ｊ椒?解的醫(yī)學(xué)MR圖像特征提取方法。
[0009] 為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為，對于二維圖像信號I(X，y)進(jìn)行如 下處理：
[0010] 步驟一，初始化rQ(x，y) =I(x，y)，定義求解BIMF分量次數(shù)的控制變量為i，并且 首次求解BIMF分量的i= 1 ;
[0011] 步驟二，向原始信號中加入白噪聲序列；
[0012] 步驟三，通過篩分提取第i個(gè)BMF分量，具體操作如下：
[0013](1)初始化ihjx,y) =ivJx,y)，定義對應(yīng)求解第i個(gè)BIMF分量時(shí)的篩選控制變 量為j，并且首次求解第i個(gè)BMF分量的j= 1 ;
[0014] (2)利用極值點(diǎn)選擇算法找出hy(x，y)中所有的極大值點(diǎn)與極小值點(diǎn)；
[0015] (3)使用曲面插值算法分別對（2)中的極大值點(diǎn)和極小值點(diǎn)進(jìn)行插值，得到上包 絡(luò)面emax(x,y)和下包絡(luò)面emin(x,y);
[0016] (4)計(jì)算上下包絡(luò)面的均值nij-Jx，y) = [emax(x,y)]+emin(x,y)]/2;
[0017] (5)得到篩選函數(shù)hj(x，y)= ;
[0018] (6)判斷：當(dāng)hj(x,y)滿足篩分停止條件，貝丨」BIMFi(x,y) =hj(x,y);否則j=j+1， 轉(zhuǎn)到（2);
[0019] 步驟四，加入不同的白噪聲序列重復(fù)步驟三；
[0020] 步驟五，更新余量rjx,y) =ivJx，y^l-BIMF^x,y);
[0021] 步驟六，如果^ (x，y)的極值點(diǎn)個(gè)數(shù)小于給定的閾值或分解達(dá)到指定層數(shù)時(shí)則算 法停止；否則，轉(zhuǎn)到步驟二繼續(xù)進(jìn)行下一層的分解；
[0022] 步驟七，將每次得到的對應(yīng)WMF分量的集成平均值作為最終的分解結(jié)果；
[0023] 步驟八，對得到的BMF分解結(jié)果進(jìn)行Hilbert變換，構(gòu)建解析信號，得到所有BMF 圖像的局部特征信息，同時(shí)對第一個(gè)BMF圖像進(jìn)行相位一致性的邊緣特征提取得到圖像 的邊緣特征信息；
[0024] 步驟九，綜合分析圖像的所有特征信息，完成圖像特征提取。
[0025] 所述的步驟三的第（6)步中篩分停止條件為滿足BMF分解結(jié)果的基本條件，即通 過相鄰兩次篩選結(jié)果的標(biāo)準(zhǔn)差進(jìn)行判斷，標(biāo)準(zhǔn)偏差SD的計(jì)算公式為：

【權(quán)利要求】
1. 一種基于二維集合經(jīng)驗(yàn)?zāi)Ｊ椒纸獾尼t(yī)學(xué)MR圖像特征提取方法，其特征在于，對于二 維圖像信號I (X，y)進(jìn)行如下處理： 步驟一，初始化A (X，y) = I (X，y)，定義求解BMF分量次數(shù)的控制變量為i，并且首次 求解BMF分量的i = 1 ; 步驟二，向原始信號中加入白噪聲序列； 步驟三，通過篩分提取第i個(gè)BMF分量，具體操作如下： (1) 初始化Λ (X，y) = Iv1 (X，y)，定義對應(yīng)求解第i個(gè)BIMF分量時(shí)的篩選控制變量為 j，并且首次求解第i個(gè)BMF分量的j = 1 ; (2) 利用極值點(diǎn)選擇算法找出中所有的極大值點(diǎn)與極小值點(diǎn)； (3) 使用曲面插值算法分別對（2)中的極大值點(diǎn)和極小值點(diǎn)進(jìn)行插值，得到上包絡(luò)面 emax(x，y)和下包絡(luò)面 emin(x，y); (4) 計(jì)算上下包絡(luò)面的均值 nij-Jxj) = [emax(x，y)]+emin(x，y)]/2; (5) 得到篩選函數(shù) hj (x, y) = hn (x, y) ?η (x, y); (6) 判斷：當(dāng)hj (x, y)滿足篩分停止條件，則BIMFi (x, y) = hj (x, y);否則j = j+1，轉(zhuǎn) 到⑵； 步驟四，加入不同的白噪聲序列重復(fù)步驟三； 步驟五，更新余量:Ti(Xj) =IV1(Xj)-BIMFi(Xj); 步驟六，如果^ (X，y)的極值點(diǎn)個(gè)數(shù)小于給定的閾值或分解達(dá)到指定層數(shù)時(shí)則算法停 止；否則，轉(zhuǎn)到步驟二繼續(xù)進(jìn)行下一層的分解； 步驟七，將每次得到的對應(yīng)BMF分量的集成平均值作為最終的分解結(jié)果； 步驟八，對得到的BMF分解結(jié)果進(jìn)行Hilbert變換，構(gòu)建解析信號，得到所有BMF圖 像的局部特征信息，同時(shí)對第一個(gè)BMF圖像進(jìn)行相位一致性的邊緣特征提取得到圖像的 邊緣特征信息； 步驟九，綜合分析圖像的所有特征信息，完成圖像特征提取。
2. 根據(jù)權(quán)利要求1所述的基于二維集合經(jīng)驗(yàn)?zāi)Ｊ椒纸獾尼t(yī)學(xué)MR圖像特征提取方法，其 特征在于，所述的步驟三的第（6)步中篩分停止條件為滿足BMF分解結(jié)果的基本條件，即 通過相鄰兩次篩選結(jié)果的標(biāo)準(zhǔn)差進(jìn)行判斷，標(biāo)準(zhǔn)偏差SD的計(jì)算公式為：
其中，hin(m，n)和1?υ_(ηι，η)分別是第i個(gè)BIMF分解過程中兩個(gè)連續(xù)處理結(jié)束的時(shí) 間序列，二維EMD的標(biāo)準(zhǔn)偏差SD的閾值η設(shè)定在0. 1?0. 3之間，M*N等于二維圖像信號 I(x，y)的像素大小。
3. 根據(jù)權(quán)利要求1所述的基于二維集合經(jīng)驗(yàn)?zāi)Ｊ椒纸獾尼t(yī)學(xué)MR圖像特征提取方法，其 特征在于：所述的步驟六中^ (x，y)的極值點(diǎn)個(gè)數(shù)小于給定的閾值或分解達(dá)到指定層數(shù)時(shí)， 其中閾值設(shè)為2個(gè)，得到3?6個(gè)BMF分量以及1個(gè)余量，則算法停止。
4. 根據(jù)權(quán)利要求1所述的基于二維集合經(jīng)驗(yàn)?zāi)Ｊ椒纸獾尼t(yī)學(xué)MR圖像特征提取方法，其 特征在于，所述的步驟八中構(gòu)建解析信號的具體操作方法為： a. 將一維信號x(t)通過Hilbert變換公式得到
b. 構(gòu)造復(fù)信號
； 則z(t)稱為x(t)的解析信號，其中：
分別表示信號x(t)的局部振幅和局部相位。
5. 根據(jù)權(quán)利要求1所述的基于二維集合經(jīng)驗(yàn)?zāi)Ｊ椒纸獾尼t(yī)學(xué)MR圖像特征提取方法，其 特征在于：所述的Hilbert變換采用二維歐式空間向量值擴(kuò)展后的Riesz變換。
6. 根據(jù)權(quán)利要求5所述的基于二維集合經(jīng)驗(yàn)?zāi)Ｊ椒纸獾尼t(yī)學(xué)MR圖像特征提取方法，其 特征在于，所述的Riesz變換求解局部特征的具體過程為： a. 根據(jù)Riesz核的空域表達(dá)式：
上式中X為信號分析時(shí)域，即圖像域，進(jìn)行Fourier域的變換后，得到表達(dá)式：
，u = (u，V) e R2, u為信號分析頻域； b. 根據(jù)上述公式，對于二維輸入信號，其單演信號為： fM(x, y) = (f (x, y), Rx{f} (x, y),Ry{f} (χ, y)) = (f, Rx*f, Ry*f)； 其中，*表示卷積運(yùn)算； r._ 4V別誦忖W下公才渴S丨固部垢幅1..固部相仿1 .固部卞向1 .
通過局部相位，進(jìn)一步得到局部頻率If為：
7. 根據(jù)權(quán)利要求6所述的基于二維集合經(jīng)驗(yàn)?zāi)Ｊ椒纸獾尼t(yī)學(xué)MR圖像特征提取方法，其 特征在于，所述的Riesz變換獲取局部特征信息的具體步驟如下： 步驟1 :分解原始圖像得到K個(gè)BIMF ; 步驟2 :計(jì)算第i個(gè)BIMF的Riesz變換得到相應(yīng)的單演信號叫，其中，1彡i彡K ; 步驟3 :分別計(jì)算出Hli對應(yīng)的局部振幅，局部相位，局部方向和局部頻率； 步驟4 :重復(fù)步驟2及步驟3,直到所有BIMF的局部特征都得到求解。
8. 根據(jù)權(quán)利要求1所述的基于二維集合經(jīng)驗(yàn)?zāi)Ｊ椒纸獾尼t(yī)學(xué)MR圖像特征提取方法，其 特征在于，所述的對第一個(gè)BIMF進(jìn)行相位一致性的邊緣特征提取的方法為： a. 對輸入圖像進(jìn)行BEEMD分解； b. 取第一個(gè)BIMF并計(jì)算其相位一致性度量PC ; c. 對PC進(jìn)行非極大值抑制得到邊緣圖像； d. 對邊緣圖像進(jìn)行滯后閾值處理得到最終的二至邊緣圖。
9. 根據(jù)權(quán)利要求8所述的基于二維集合經(jīng)驗(yàn)?zāi)Ｊ椒纸獾尼t(yī)學(xué)MR圖像特征提取方法，其 特征在于：所述相位一致性度量PC的計(jì)算公式為：
其中，從余弦和正弦小波的卷積導(dǎo)出小波的響應(yīng)和 ，分別計(jì)算出尺度m*n的偶分量emto(x)和奇分量^n(x)，變換
的結(jié)果振幅得到局部 能量：
_;對偶分量和奇分量求和得到：
ε為機(jī)器能夠顯示的最小值。
【文檔編號】G06F5/00GK104392444SQ201410660753
【公開日】2015年3月4日 申請日期:2014年11月18日 優(yōu)先權(quán)日:2014年11月18日
【發(fā)明者】范虹, 劉曉杰, 毛玉龍 申請人:陜西師范大學(xué)