一种基于多特征学习的动脉粥样硬化斑块成分分割方法

摘要

一种基于多特征学习的动脉粥样硬化斑块成分分割方法，包括以下步骤：1)获取多序列动脉血管斑块图像；2)图像预处理；3)斑块特征提取及描述；4)分类器训练：分类器模型是支持向量机SVM；最后四种序列MRI动脉斑块图像共生成4个特征集，每一个特征集训练生成一个分类器，最终得到4个分类器，即lipid分类器，fibrous分类器，calcium分类器，hemorrhage分类器；5)训练器优化；6)对于斑块组织的某一个像素分别用四个分类器计算其隶属于不同组织的程度，根据得到的隶属度竞争排序，把隶属度最高的成分作为最终结果。本发明精确性良好、鲁棒性较高。

说明书

技术领域

本发明属于医学图像处理领域，尤其涉及到于计算机辅助和人工智能技术在医学图像分析方面的应用。

背景技术

当前，对于动脉粥样硬化斑块成分分割方法尚没有统一的框架和技术手段，其主要原因在于当前血管斑块的成像技术还不够成熟，这使得血管斑块的成像质量(例如斑块的图像的对比度、边缘的清晰度等)不高。另外当前血管图像一般都有灰度图像或者伪彩色图像，这使得计算机很难能够通过定量的数字量表征斑块信息。为了解决这些问题，国内外学者做了大量的研究工作，其中最具代表性的则是F.Liu等人提出的基于贝叶斯理论的斑块分割方法，该方法主要利用斑块的灰度值、斑块在血管中的位置以及形态信息作为特征，然后基于这些特征训练出一个高斯模型，利用贝叶斯后验概率公式计算出斑块隶属于某种成分的概率以完成成分的分割，但是该方法对图像的噪声很敏感，另外训练出一个能够刻画斑块特征的模型需要大量的训练样本。还有一些研究者利用模糊聚类的(Fuzzy-clustering)的方法分割斑块成分。该方法利用动脉斑块的灰度值作为特征然后利用模糊聚类的方式计算斑块隶属于不同成分的概率，这种方法缺点很明显，首先是该方法利用的斑块特征单一，不能够充分表达斑块的信息，其次该方法鲁棒性较低，模糊聚类的结果容易受到斑块成分的影响。国内研究者钱华明等提出了结合时域信息的区域生长算法，该算法利用图像之间的灰度差 异作为生长条件，并结合灰度信息作为生长条件，然后利用形态学的相关造作方法对分割结果做修正进而提取出不同成分的分割边界，但是该方法同样存在斑块特征表达不足和算法鲁棒性不高的缺陷。

发明内容

为了克服已有动脉粥样硬化斑块成分分割方法的精确性较差、鲁棒性不高的不足，本发明提供了一种精确性良好、鲁棒性较高的基于多特征学习的动脉粥样硬化斑块成分分割方法。

本发明解决其技术问题所采用的技术方案是：

一种基于多特征学习的动脉粥样硬化斑块成分分割方法，所述分割方法包括以下步骤：

1)获取多序列动脉血管斑块图像；

2)图像预处理

选取以动脉血管内壁为中心的ROI作为研究区域，对选取的ROI做灰度值的窗宽、窗位调整，然后对ROI做去噪处理； 

3)斑块特征提取及描述

从斑块图像的灰度值、高斯模糊特征、梯度值、斑块到血管内外壁的最近距离、图像的拉普拉斯特征以及斑块的纹理特征分别描述斑块的特征；

4)分类器训练：分类器模型是支持向量机SVM，训练过程如下：

(4.1)训练样本的收集与标定

训练样本中，T1序列图像作为参考图像，医生手动标定动脉粥样硬化斑块成分是在T1图像上操作，其他四种序列T1GD、T2、PD和STIR的斑块成分是按照T1标定的结果映射在其上；

(4.2)样本预处理 

首先对样本图像做灰度值拉伸操作，使其灰度值分布范围在[0,255]区间范围，然后是对图像去噪声处理，最后是把医生的对斑块成分的标定结果做二值化处理，即把医生标定的斑块的每一种成分储存在的二值矩阵中；

(4.3)训练样本进一步分类和特征量化处理

训练样本的进一步分类是把样本细分为lipid样本集、fibrous样本集、calcium样本集以及hemorrhage样本集；

特征量化处理是把已经提取到的斑块特征做归一化处理，所有特征经过归一化之后形成一个特征向量，该特征向量如式(10)所示。

$\overrightarrow{F}=[\overrightarrow{V},\overrightarrow{G},\bar{G}\overrightarrow{M},\overrightarrow{L},\overrightarrow{T}]---\left(10\right)$

式中，V表示斑块的灰度值，G表示斑块的高斯模糊值，GM表示灰度值高斯模糊后的灰度特征，L表示拉普拉斯特征，D表示斑块空间位置特征，T表示斑块的纹理特征。

(4.4)分类器训练，最后四种序列MRI动脉斑块图像共生成4个特征集，每一个特征集训练生成一个分类器，最终得到4个分类器，即lipid分类器，fibrous分类器，calcium分类器，hemorrhage分类器；

5)训练器优化 

把样本集分为训练集和测试集两个部分，然后用训练集的样本训练分类器，用得到的分类器检验测试集的识别率，依次判断循环下去，直到得到的训练器分类正确率达到最大值为止，此时得到的分类器认为是最优分类器；

6)对于斑块组织的某一个像素分别用四个分类器计算其隶属于不 同组织的程度，过程如下：

(6.1)首先把T1GD、T2、PD和STIR斑块组织图像在每个像素点出的特征提取出来；

(6.2)把(6.1)中提取的斑块特征分别放到步骤(5)中优化后的四个分类器中，四种分类器分别计算其隶属于其成分的程度；

(6.3)根据得到的(6.2)中的隶属度竞争排序，把隶属度最高的成分作为最终结果。

进一步，所述分割方法还包括以下步骤：

7)结果的形态学操作，过程如下：

(7.1)把成分分割的结果存储在4个二值图像中，二值图像中1代表组织成分，0代表背景，分别是lipid成分、fibrous成分、calcium成分，hemorrhage成分；

(7.2)然后对每一个二值图像做腐蚀运算，把孤立的分割块滤除；

(7.3)然后做形态学开运算，填补成分块中的空洞以及连通相近的孤立块；

(7.4)最后做图像闭运算，得到动脉粥样硬化斑块成分。

更进一步，所述步骤3)中，

(a)灰度值为在图像经过去噪处理后的灰度值；

(b)高斯模糊特征 

所述高斯模糊特征指的是斑块组织某一点经过高斯模糊之后的灰度值，提取过程是采用一个5*5的高斯核与斑块组织做卷积，如式(2)所示。

$G(x,\sigma )=\frac{1}{\sqrt{2\mathrm{\pi \sigma }}}{e}^{-\frac{{\left|\right|x\left|\right|}^2}{2{\sigma }^2}}*I---\left(2\right)$

式中，σ表示高斯核的尺度，x表示图像的灰度值，I，G分别代表图像原始血管斑块图像和高斯模糊后的图像，“*”是卷积符号；

(c)梯度特征

斑块组织的梯度特征GM：

$\mathrm{GM}=\sqrt{{\left(\frac{\partial \left(G(x,\sigma )\right)}{\partial x}\right)}^2+{\left(\frac{\partial \left(G(x,\sigma )\right)}{\partial y}\right)}^2}---\left(3\right)$

(d)拉普拉斯特征L：

$L=\frac{{\partial }^2\left(G(x,\sigma )\right)}{\partial x^2}+\frac{{\partial }^2\left(I(x,\sigma )\right)}{\partial x^2}---\left(4\right)$

(e)斑块空间位置特征(到内外壁之间的距离)

D_min(I)＝min||C(I(x))-Lumen(I)||       (5) 

D_max(I)＝max||C(I(x))-Lumen(I)||        (6) 

(f)纹理特征

提取了一阶统计量和灰度共生矩阵特征两类纹理特征，共七个一阶统计量，其中包括斑块内部灰度均值、标准差、差异系数、偏度、峰度、直方图熵和亮度熵；EtHis如式(7)和亮度熵EtBrt如式(8)：

$\mathrm{EtHis}=-\underset{i=0}{\overset{255}{\Sigma }}{p}_i{\log }_2\left(p_i\right)---\left(7\right)$

$\mathrm{EtBrt}=-\underset{i=0}{\overset{255}{\Sigma }}\frac{{\omega }_i{\log }_2{\omega }_i}{{\log }_{2}N}---\left(8\right)$

其中，P_i(i＝0，1，...，255)是灰阶i在图像中出现的概率，ω_i是归一化后不为0的像素强度，N是原图像的像素总数。

本发明的有益效果主要表现在：利用多序列磁共振图像(multiple  sequence MRI)的作为图像源，然后从多方面提取动脉粥样硬化斑块的特征，利用机器学习的方法训练分类器，最终完成斑块成分的分割；精确性良好、鲁棒性较高。

附图说明

图1是基于多特征学习的动脉粥样硬化斑块成分分割方法的流程图。

图2是ROI选取与去噪结果图，其中，(a)为ROI选取示意图，(b)为去噪结果图。

图3是多序列磁共振图像的配准结果图，其中，(a)为配准前T1(左边图)和PD(右边图)的空间差异图，(b)为配准结果，T1(左边图)和PD(右边图)示意图。

图4是分类器的训练流程图。

图5是分类器优化过程图。

图6是斑块成分识别的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图6，一种基于多特征学习的动脉粥样硬化斑块成分分割方法，包括如下步骤：

1)获取多序列动脉血管斑块图像

在1.5T磁场强度下采集的T1(T1加权成像)、T1GD(T1造影剂成像)、T2(T2加权成像)、PD(质子密度成像)、STIR(短翻转时间翻转恢复成像)序列的颈动脉(artery vessel)磁共振图像为例；

2)图像预处理

由于采集到图像是整个动脉所在位置的横切面图像，其中动脉血管所在的位置只占到整个图像的2％左右，如果对整幅图像做预处理不仅会造成动脉血管周围的组织对血管内部组织的影响，同时也会增加运算量降低算法处理的效率。为此在图像预处理第一步则是选取以动脉血管内壁为中心60*60 pixel的ROI(Region of Interest)作为研究区域。对选取的ROI做灰度值的窗宽、窗位调整，使其灰度范围分布在(0--255)如式(1)，

$I=\frac{I\left(x\right)-I_{\min }}{I_{\max }-I_{\min }}\times 255---\left(1\right)$

然后对ROI做去噪处理，本发明采用的去噪算是基于小波分解的自适应阈值调节的去噪方法。其处理结果如图2所示，图2(a)代表T1序列图像，其中的矩形框是提取的ROI区域，图2(b)是对ROI区域去噪后的结果。

在多序列图像成像过程中由于病人的呼吸、脉动、吞咽动作、以及细微的颤抖等都会引起多序列图像刚性和非刚性的形变，这些不可控“运动”所带来的干扰对于像素级别的颈动脉粥样硬化斑块成分识别是致命的。例如病人在现实空间中1mm的移动会引起图像上十到几十个像素点的偏移。因此对序列图像之间的配准工作是必须的。本发明采用了elastix V4.7图像配准的开源软件完成配准工作，其配准结果如图3所示，图3(a)代表T1(左)与PD(右)序列图像配准之前的差异，其中两个不规则的圆代表的是参考图像的血管内外壁，图3(b)表示配准后的结果，明显可以看到T1与PD序列血管内外壁实现了高度吻合；

3)斑块特征提取及描述

为了能够准确、有效的描述的动脉粥样硬化斑块的特异性，本方法分别从斑块图像的灰度值、高斯模糊特征、梯度值、斑块到血管内外壁的最近距离、图像的拉普拉斯特征以及斑块的纹理特征方面分别描述斑块的特征。以下说明这些特征的提取方法。

(a)灰度值

灰度值即在图像经过去噪处理后的灰度值，这种特征是多序列图像对斑块特异性的直接体现，在一定程度上是最具价值的特征，也因为其获取简单，效果直观而被广泛的应用。

(b)高斯模糊特征 

本方法中的高斯模糊特征指的是斑块组织某一点经过高斯模糊之后的灰度值，在一定程度上排除了成像噪声的干扰，其提取过程是采用一个5*5的高斯核与斑块组织做卷积，如式(2)所示。

$G(x,\sigma )=\frac{1}{\sqrt{2\mathrm{\pi \sigma }}}{e}^{-\frac{{\left|\right|x\left|\right|}^2}{2{\sigma }^2}}*I---\left(2\right)$

其中，σ表示高斯核的尺度，x表示图像的灰度值，I，G分别代表图像原始血管斑块图像和高斯模糊后的图像，“*”是卷积符号；

(c)梯度特征

斑块组织的梯度特征GM：

$\mathrm{GM}=\sqrt{{\left(\frac{\partial \left(G(x,\sigma )\right)}{\partial x}\right)}^2+{\left(\frac{\partial \left(G(x,\sigma )\right)}{\partial y}\right)}^2}---\left(3\right)$

(d)拉普拉斯特征L：

$L=\frac{{\partial }^2\left(G(x,\sigma )\right)}{\partial x^2}+\frac{{\partial }^2\left(I(x,\sigma )\right)}{\partial x^2}---\left(4\right)$

(e)斑块空间位置特征(到内外壁之间的距离)

D_min(I)＝min||C(I(x))-Lumen(I)||        (5) 

D_max(I)＝max||C(I(x))-Lumen(I)||          (6) 

(f)纹理特征

对动脉粥样硬化斑块的纹理特征进行提取并分析,有助于对斑块类型进行客观的分类,从而使相关的诊断更加客观和准确。为了能够反映斑块内部灰度分布的统计规律，本方法提取了一阶统计量和灰度共生矩阵(gray level co-occurrence matrix,GLCM)特征两类纹理特征。共七个一阶统计量,其中包括斑块内部灰度均值(Mean)、标准差(STD)、差异系数(coefficient of variance,CoV)、偏度(skewness,Skew)、峰度(kurtosis,Kurtf)，另外还有直方图熵(EtHis)如式(7)、亮度熵(EtBrt)如式(8),它们的计算公式分别为：

$\mathrm{EtHis}=-\underset{i=0}{\overset{255}{\Sigma }}{p}_i{\log }_2\left(p_i\right)---\left(7\right)$

$\mathrm{EtBrt}=-\underset{i=0}{\overset{255}{\Sigma }}\frac{{\omega }_i{\log }_2{\omega }_i}{{\log }_{2}N}---\left(8\right)$

其中，P_i(i＝0，1，...，255)是灰阶i在图像中出现的概率，ω_i是归一化后不为0的像素强度，N是原图像的像素总数；

4)分类器训练 

分类器训练的目的是一种对问题真实模型的逼近，本方法用到的分类器模型是支持向量机(SVM),该方法是一种经典的机器学习方法，是建立在统计学习理论的VC维理论和结构风险最小原理基础上，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以期获得最好的推广能力(或称泛化能力)。

分类器的训练样本是从总体样本中随机选取其中的1/2，剩余的1/2 是用来检验分类性能和优化分类器。

分类器的训练流程如附图4所示，该过程主要分为以下几个步骤：

(4.1)训练样本的收集与标定

训练样本采用的主要是T1(T1加权成像)、T1GD(T1造影剂成像)、T2(T2加权成像)、PD(质子密度成像)、STIR(短翻转时间翻转恢复成像)等五种MRI序列，其中T1序列图像作为参考图像(T1GD,T2,PD,STIR序列配准以T1为参考)，另外，医生手动标定动脉粥样硬化斑块成分也是在T1图像上操作的，其他四种序列斑块成分是按照T1标定的结果映射在其上。

(4.2)样本预处理要完成的工作是对样本图像以及医生对样本标定结果的量化表示，该过程的首先对样本图像做灰度值拉伸操作，使其灰度值分布范围在[0,255]区间范围，然后是对图像去噪声处理，最后是把医生的对斑块成分的标定结果做二值化处理，即把医生标定的斑块的每一种成分储存在的二值矩阵中。

(4.3)训练样本进一步分类和特征量化处理

训练样本的进一步分类是把样本细分为lipid(脂肪)样本集、fibrous(纤维)样本集、calcium(钙化)样本集以及hemorrhage(血栓)样本集。

特征量化处理是把已经提取到的斑块特征做归一化处理，其目的是使提取到的所有特征量化后的分布范围在[-1,1]区间，因为不同的特征分量的特征对象不同在数量级上有较大差别，然而在SVM的线性分类函数中大的特征分量比小的特征分量影响更大，但是这并不能说明大的特征更加重要，所有必要对特征进行归一化统一，如式(9)所示。

$x_i=\frac{N(x_i-\bar{x})}{\underset{i}{\overset{N}{\Sigma }}(x_i-\bar{x})}---\left(9\right)$

其中，x_i是特征分量数值，代表特征分量x的平均值，N为训练样本的个数；

所有特征经过归一化之后形成一个特征向量，该特征向量如式(10)所示。

$\overrightarrow{F}=[\overrightarrow{V},\overrightarrow{G},\bar{G}\overrightarrow{M},\overrightarrow{L},\overrightarrow{T}]---\left(10\right)$

式中V表示斑块的灰度值，G表示斑块的高斯模糊值，GM表示灰度值高斯模糊后的灰度特征，L表示拉普拉斯特征，D表示斑块空间位置特征，T表示斑块的纹理特征。

(4.4)分类器训练，最后四种序列MRI动脉斑块图像共生成4个特征集，每一个特征集可以训练生成一个分类器，最终得到4个分类器，即lipid分类器，fibrous分类器，calcium分类器，hemorrhage分类器。

分类器的训练实际上是凸优化问题，通过训练样本优化出一个超平面H：

ω·x+b＝0            (11) 

其中，ω为权重向量，x为特征向量，b为一参数，该超平面以最大边界的形式将正负样本区分开。

5)分类器优化 

分类器优化过程分别得到的4个分类器(lipid，fibrous，calcium，hemorrhage)做优化，其优化的流程如图5所示，下面用对lipid分类器的优化过程为例说明优化过程。

首先，把样本集分为训练集和测试集两个部分，这两部分的选取是随机的，两者各占50％，然后用训练集的样本训练分类器，用得到的分类器检验测试集的识别率，依次判断循环下去，直到得到的lipid训练器分类正确率达到最大值为止，此时得到的lipid分类器认为是lipid最优分类器。其他成分分类器用同样的方法优化得到。

6)斑块成分识别与形态学操作

斑块成分识别是该方法的核心部分，在本方法中对于斑块组织的某一个像素分别用四个分类器计算其隶属于不同组织的程度，其过程如图6所示。

(6.1)首先把T1，T1GD，PD，STIR斑块组织图像在每个像素点出的特征提取出来，例如对应于像素点P的纹理特征包括P点在T1，T1GD，PD，STIR四种序列中的纹理特征T(P)＝[T₁(P)，T₂(P)，T₃(P)，T₄(P)]分别提取到。同样方法提取其他五种特征。

(6.2)把(6.1)中提取的斑块特征分别放到步骤(5)中优化后的四个分类器中，四种分类器分别计算其隶属于其成分的程度。

(6.3)根据得到的(6.2)中的隶属度竞争排序，把隶属度最高的成分作为最终结果。

7)结果的形态学操作

目的是为了排除噪声对分割结果的影响，排除孤立的组织成分点以及分割结果中空洞等。具体操作如下：

(7.1)把成分分割的结果存储在4个二值图像中，二值图像中1代表组织成分，0代表背景，分别是lipid成分、fibrous成分、calcium成分，hemorrhage成分。

(7.2)然后对每一个二值图像做腐蚀运算，把孤立的分割块(像素个数小于等于十)滤除，因为太小的成分块对医生诊断是一种干扰，另外这种成分极有可能是图像噪声引起的，

(7.3)然后做形态学开运算，开运算的目的在于填补成分块中的空洞以及连通相近的孤立块，增加其连通性。

(7.4)最后做图像闭运算，该步骤是为了抵消开运算对组织成分的膨胀作用。