基于希尔伯特‑黄变换的超声组织定征的特征提取方法技术
A feature extraction method of ultrasonic tissue characterization Hilbert Huang transform based on
The invention discloses a method of feature extraction of ultrasonic tissue characterization Hilbert Huang transform based on multi frame, which comprises the following steps: ultrasonic echo signal acquisition RF tissue samples, choose the region of interest, structure of ultrasonic RF time sequence; using HHT algorithm for RF time series, feature extraction, sample feature vector time, frequency and energy based on relationship; using the rankfeatures algorithm, the fusion feature selection and feature fusion, calculate the sample index, the characteristics of the feature fusion index as the characterization of tissue. The proposed feature fusion index can effectively reflect the differences among different classes of tissue samples, and is suitable for the feature extraction domain of ultrasonic tissue characterization.
【技术实现步骤摘要】
基于希尔伯特-黄变换的超声组织定征的特征提取方法
本专利技术涉及超声组织定征
，特别涉及一种基于希尔伯特-黄变换的超声组织定征的特征提取方法。
技术介绍
由于超声波进入生物组织后与其相互作用的机理尚未十分明了，人们只能通过提取超声回波信息并作出解释来间接达到识别组织结构、成分、状态的目的，从而促使人们进行超声组织定征特征提取的研究。已有的超声组织定征特征提取方法主要有三类：基于超声B型图、基于背散射声束RF信号和基于超声RF时间序列分析。基于超声B型图的研究中，主要是利用B型图像灰度分布的纹理特，该方法使用了超声图像灰度，因此易受超声诊断仪的、TGC的调整等成像参数等影响；基于背散射声束RF信号的方法，需要进行深度衰减补偿，而不同组织衰减能力存在差异，同时个体差异也会使得声波传播路径不同，从而严重影响该类方法的效果。而基于超声RF时间序列的方法，RF时间序列来源于同一位置同一深度不同帧的RF数据，在一定程度上降低了个体差异的影响。传统的频谱分析方法大都是基于快速傅里叶变换(FFT)和小波变换(WT)。由于存在频谱泄露和栅栏效应，FFT分析非整数次谐波存在较大...
【技术保护点】
基于希尔伯特‑黄变换的超声组织定征的特征提取方法，其特征在于，包括以下步骤：S1：采集组织样本的超声回波RF信号多帧，选择ROI，构造超声RF时间序列；S2：利用HHT算法，对超声RF时间序列进行特征提取，得到基于时间、频率和能量关系的样本特征向量；S3：利用rankfeatures算法，进行特征筛选与特征融合，计算样本特征融合指数，把该特征融合指数作为定征组织的特征。
【技术特征摘要】
1.基于希尔伯特-黄变换的超声组织定征的特征提取方法，其特征在于，包括以下步骤：S1：采集组织样本的超声回波RF信号多帧，选择ROI，构造超声RF时间序列；S2：利用HHT算法，对超声RF时间序列进行特征提取，得到基于时间、频率和能量关系的样本特征向量；S3：利用rankfeatures算法，进行特征筛选与特征融合，计算样本特征融合指数，把该特征融合指数作为定征组织的特征。2.根据权利要求1所述的特征提取方法，其特征在于，步骤S1中，构造超声RF时间序列的具体过程为：S1-1：扫描组织，获取其超声回波RF信号多帧；S1-2：解调某帧超声回波RF信号并显示B型图；S1-3：在B型图上选取大小为M×N的ROI；S1-4：对ROI内的每点取其前L帧RF信号构造出M×N个长度为L的超声RF时间序列。3.根据权利要求2所述的特征提取方法，其特征在于，步骤S2中，利用HHT算法，计算样本特征向量的方法为：S2-1：取样本ROI内的一条时间序列x(t)，进行集合经验模态分解，得到n个IMF分量；S2-2：基于IMF分量提取时域特征：IMF过零点数5个：IMF1-ZCs、IMF2-ZCs、IMF3-ZCs、IMF4-ZCs、IMF5-ZCs；IMF方差5个：IMF1-Var、IMF2-Var、IMF3-Var、IMF4-Var、IMF5-Var；IMF方差贡献率5个IMF1-VarR、IMF2-VarR、IMF3-VarR、IMF4-VarR、IMF5-VarR；S2-3：对时间序列x(t)的n阶IMF，分别进行希尔伯特谱分析；具体的，步骤S2-3包括：步骤a：对一个IMF分量c(t)进行Hilbert变换式中P为柯西主值，然后求c(t)的解析信号表示成极坐标的形式z(t)＝a(t)eiθ(t)，其中幅值函数能量函数相位函数由相位函数可以计算出c(t)的瞬时频率步骤b：对x(t)的n阶IMF分别按照步骤a进行Hilbert变换，构造解析信号，表示成极坐标形式，最后重构x(t)，得到这里省略了剩余分量r(t)，Re表示取实部；步骤c：称为Hilbert幅值谱，简称Hilbert谱，利用Hilbert谱对时间积分，得到Hilbert边际谱式中表示第k阶IMF分量ck(t)的Hilbert边际谱；S2-4：基于幅值函数和能量函数提取时域-能量特征：5个IMF平均强度：IMF1-AvgA、IMF2-AvgA、IMF3-AvgA、IMF4-AvgA、IMF5-AvgA；5个IMF能量：IMF1-Egy、IMF2-Egy、IMF3-Egy、IMF4-Egy、IMF5-Egy；S2-5：基于瞬时频率提取时域-频率特征：5个IMF最高频率：IMF1-MaxF、IMF2-MaxF、IMF3-MaxF、IMF4-MaxF、IMF5-MaxF；S2-6：基于Hilbert边际谱提取能量-频率特征：5个IMF平均中心频率：IMF1-MCF、IMF2-MCF、IMF3-MCF、IMF4-MCF、IMF5-MCF；1个x(t)平均中心频率Orig-MCF；S2-7：基于Hilbert边际谱提取频域-能量特征：x(t)的Hilbert边际谱熵Orig-EgyS；x(t)的归一化Hilbert边际谱低频段能量、中低频段能量、中高频段能量、高频段能量Orig-MargS1、Orig-MargS2、Orig-MargS3、Orig-MargS4；S2-8：基于Hilbert边际谱提取频域-能量曲线拟合特征：x(t)的归一化Hilbert边际谱直线拟合斜率、截距：O-MLFSlope、O-MLFInterp；一次多项式指数函数曲线拟合斜率、截距：O-MEFSlope、O-MEFInterp；7个六阶曲线拟合系数：O-MSOFa0、O-MSOFa1、O-MSOFa2、O-MSOFa3、O-MSOFa4、O-MSOFa5、O-MSOFa6；S2-9：基于Hilbert谱提取时域-频域-能量特征：x(t)的Hilbert谱灰度统计直方图的统计特征——均值TFImgMean、方差TFImgSD、偏度TFImgSkew、峰度TFImgKurto；S2-10：分别取样本ROI内的M×N条时间序列xi(t)，其中i＝0,1,2,...,M×N-1，重复执行步骤S2-1～S2-9，得到M×N条时间序列对应的M×N个特征向量，最后，再将这M×N个特征向量求平均得到得到一个特征向量，即样本特征向量。4.根据权利要求3所述的特征提取方法，其特征在于，步骤S2-1中得到n个IMF分量，n≥5。5.根据权利要求3所述的特征提取方法，其特征在于，步骤S2-1具体的过程包括：步骤a：向x(t)中加入高斯白噪声序列，得到X(t)＝x(t)+ω(t)；步骤b：确定X(t)的所有局部极大值和局部极小值，采用三次样条插值，得到上、下包络线bmax(t)和bmin(t)，计算平均值求出h1(t)＝X(t)-m1(t)；步骤c：如果h1(t)满足本征模函数IMF条件，那么h1(t)就是X(t)的第一IMF分量；否则重复步骤b，把h1(t)作为新的X(t)，计算m11(t)，再判断h11(t)＝h1(t)-m11(t)是否满足IMF条件，如不满足，循环k次，直到h1k(t)＝h1(k-1)(t)-m1k(t)满足IMF条...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。