一种基于多模态分类器的超声造影肿瘤识别方法技术

本发明专利技术涉及一种基于多模态分类器的超声造影肿瘤识别方法，所述方法包括：预先获取超声造影模态数据和多普勒彩色超声模态数据；对所述超声造影模态数据和所述多普勒彩色超声模态数据进行预处理；对经过预处理的超声造影模态数据进行特征学习，以确定造影剂微泡的活动特征；对经过预处理的多普勒彩色超声模态数据进行特征学习，以确定不同的组织结构特征；将所述造影剂微泡的活动特征以及所述组织结构特征输入多模态分类器中，以通过所述多模态分类器输出肿瘤组织的识别结果。本发明专利技术提供的基于多模态分类器的超声造影肿瘤识别方法，能够实现肿瘤组织的检测，有效地降低假阴性率和假阳性率。

A tumor recognition method based on multi-modal classifier for ultrasound contrast

The invention relates to a method for multimodal contrast-enhanced tumor recognition based on classifier, the method includes: contrast-enhanced ultrasound and color Doppler ultrasound data modal modal data obtained in advance; the ultrasound contrast modal data and the color Doppler ultrasound in modal data pretreatment; learning by contrast-enhanced ultrasound modal data preprocessing the feature, in order to determine the characteristics of microbubbles; Study on color Doppler ultrasound after modal data preprocessing feature, to determine the different characteristics of the organizational structure; activity characteristics of the microbubbles and the structure features of the input multimodal classifier, by the multimodal classifier the output of tumor recognition results. The multi-modal classifier based ultrasound recognition method can detect tumor tissues and effectively reduce false negative rate and false positive rate.

【技术实现步骤摘要】
一种基于多模态分类器的超声造影肿瘤识别方法
本专利技术属于图像处理
，涉及一种基于多模态分类器的超声造影肿瘤识别方法。
技术介绍
当前，面向超声造影肿瘤诊断的计算机辅助诊断方法的研究很少。其中，一种方法是利用B超的图像和已知的肝脏病灶区域的图像作为数据，分别使用了人神经网络和决策树进行分类，实现了一定程度的准确率。但是由于病灶区形态的多样性，在应对未知类型的病灶区时，无法实现有效的预测。该方法对于组织纹理不同的肝癌组织识别准确率仅有65.2％，对于完全不同类型的肝癌组织的识别率仅有41.7％。另一个是使用单一模态的数据和分类方法，无法达到较高识别准确率，尽管在这过程中使用了多模态的数据，但是分类时使用的仍然是单一的分类器，只是将多模态的数据合并在一起作为输入数据，无法实现较高的识别准确率。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于多模态分类器的超声造影肿瘤识别方法，能够实现肿瘤组织的检测，有效地降低假阴性率和假阳性率。为达到上述目的，本专利技术提供如下技术方案：一种基于多模态分类器的超声造影肿瘤识别方法，所述方法包括：预先获取超声造影模态数据和多普勒彩色超声模态数据；其中，所述超声造型模态数据用于表征超声造影剂在血流和组织内流动的情况；所述多普勒彩色超声模态数据用于区分组织结构；对所述超声造影模态数据进行预处理，得到造影剂微泡在血流和组织内活动的有效信息；对所述多普勒彩色超声模态数据进行预处理，以获取组织结构信息；对经过预处理的超声造影模态数据进行特征学习，以确定造影剂微泡的活动特征；对经过预处理的多普勒彩色超声模态数据进行特征学习，以确定不同的组织结构特征；将所述造影剂微泡的活动特征以及所述组织结构特征输入多模态分类器中，以通过所述多模态分类器输出肿瘤组织的识别结果。进一步地，对所述超声造影模态数据进行预处理包括：从所述超声造影模态数据中截取造影剂注入后指定时段内的目标数据，并基于主成分分析法对所述目标数据进行降维，以获取所述目标数据中影剂微泡在血流和组织内活动的有效信息。进一步地，对所述多普勒彩色超声模态数据进行预处理包括：确定所述多普勒彩色超声模态数据的像素均值，并将所述多普勒彩色超声模态数据中每个像素点的像素值减去所述像素均值，以得到经过均值处理的多普勒彩色超声模态数据。进一步地，对经过预处理的超声造影模态数据进行特征学习，以确定造影剂微泡的活动特征包括：基于朴素贝叶斯算法，对经过预处理的超声造影模态数据进行学习，以建立灰度值与标签之间的关联关系；其中，通过对所述经过预处理的超声造影模态数据中灰度值的判断，利用标签为疑似肿瘤区域进行标记；其中，标签标记出的区域表征所述造影剂微泡的活动特征。进一步地，对经过预处理的多普勒彩色超声模态数据进行特征学习，以确定不同的组织结构特征包括：基于无监督的Kmeans聚类算法对经过预处理的多普勒彩色超声模态数据进行聚合处理，以得到预设数量的封闭区域；其中，每个所述封闭区域被视为一种组织结构。本专利技术的有益效果在于：利用多模态数据，从超声造影模态数据能有效提取超声造影视频数据帧内与帧间的时间空间有效血流特征，从多普勒彩色超声模态数据可以有效的识别组织的纹理结构特征，利用不同模态数据的特征使用多模态分类器对不同模态的识别结果进行综合，实现肿瘤组织的检测，有效的降低假阴性率和假阳性率。附图说明为了使本专利技术的目的、技术方案和有益效果更加清楚，本专利技术提供如下附图进行说明：图1为本申请中肿瘤识别方法的流程示意图；图2(a)为本申请中实际的肿瘤区域；图2(b)为根据肿瘤标签和朴素贝叶斯分类器分类得到的肿瘤区域；图3(a)为多普勒彩色超声模态的数据图；图3(b)为Kmeans聚类结果图；图4为最终的多模态分类器的分类结果图。具体实施方式下面将结合附图，对本专利技术的优选实施例进行详细的描述。本申请实施方式提供一种基于多模态分类器的超声造影肿瘤识别方法，所述方法包括：预先获取超声造影模态数据和多普勒彩色超声模态数据；其中，所述超声造型模态数据用于表征超声造影剂在血流和组织内流动的情况；所述多普勒彩色超声模态数据用于区分组织结构；对所述超声造影模态数据进行预处理，得到造影剂微泡在血流和组织内活动的有效信息；对所述多普勒彩色超声模态数据进行预处理，以获取组织结构信息；对经过预处理的超声造影模态数据进行特征学习，以确定造影剂微泡的活动特征；对经过预处理的多普勒彩色超声模态数据进行特征学习，以确定不同的组织结构特征；将所述造影剂微泡的活动特征以及所述组织结构特征输入多模态分类器中，以通过所述多模态分类器输出肿瘤组织的识别结果。在本实施方式中，对所述超声造影模态数据进行预处理包括：从所述超声造影模态数据中截取造影剂注入后指定时段内的目标数据，并基于主成分分析法对所述目标数据进行降维，以获取所述目标数据中影剂微泡在血流和组织内活动的有效信息。具体地，超声造影模态数据为超声造影剂在血流和组织内流动的视频数据，由于该视频数据的帧率较高，3分钟长的视频可达到2GB大小，如果不对视频数据进行预处理无法进行有效的处理。在本实施方式中可以截取造影剂注入一段时间内的视频，并再对其进行主成分分析法降维，提取其中的主要的有效信息。在本实施方式中，对所述多普勒彩色超声模态数据进行预处理包括：确定所述多普勒彩色超声模态数据的像素均值，并将所述多普勒彩色超声模态数据中每个像素点的像素值减去所述像素均值，以得到经过均值处理的多普勒彩色超声模态数据。具体地，多普勒彩色超声模态数据为常规的多普勒彩色超声视频数据，在该模态下很难观察到造影剂在组织内的活动情况，随着时间的变化，该模态的数据并无明显的变化。但是该模态的数据的优点在于可以较为清晰的区分组织结构，通常可以在该模态下提取组织结构的信息，为了减少噪声的干扰，可以对该模态数据做均值处理。在本实施方式中，对经过预处理的超声造影模态数据进行特征学习，以确定造影剂微泡的活动特征包括：基于朴素贝叶斯算法，对经过预处理的超声造影模态数据进行学习，以建立灰度值与标签之间的关联关系；其中，通过对所述经过预处理的超声造影模态数据中灰度值的判断，利用标签为疑似肿瘤区域进行标记；其中，标签标记出的区域表征所述造影剂微泡的活动特征。具体地，超声造影模态数据中，我们希望学习到造影剂微泡在肿瘤组织的活动特征，具体地，可以通过数据中灰度的变化来反应造影剂的活动情景，为了实现跨样本间的高识别准确率，在特征学习中使用了朴素贝叶斯的方法，该方法的优点在于不会受样本间的结构的影响，只学习到了微泡在组织内不同的活动特性。通过输入数据和标签训练参数，建立起灰度值变化与标签间的关系，不会受组织区域的形状和大小等信息的影响。在本实施方式中，对经过预处理的多普勒彩色超声模态数据进行特征学习，以确定不同的组织结构特征包括：基于无监督的Kmeans聚类算法对经过预处理的多普勒彩色超声模态数据进行聚合处理，以得到预设数量的封闭区域；其中，每个所述封闭区域被视为一种组织结构。具体地，多普勒彩色超声模态数据中，我们希望学习到组织的结构特征，在该模态组织结构较为清晰，可以使用无监督的聚类算法Kmeans进行组织结构的学习，通过Kmeans算法可以根据结构特征将该模态的数据聚为指定的类数，聚类形成的封闭的区域可以本文档来自技高网...

【技术保护点】
一种基于多模态分类器的超声造影肿瘤识别方法，其特征在于，所述方法包括：预先获取超声造影模态数据和多普勒彩色超声模态数据；其中，所述超声造型模态数据用于表征超声造影剂在血流和组织内流动的情况；所述多普勒彩色超声模态数据用于区分组织结构；对所述超声造影模态数据进行预处理，得到造影剂微泡在血流和组织内活动的有效信息；对所述多普勒彩色超声模态数据进行预处理，以获取组织结构信息；对经过预处理的超声造影模态数据进行特征学习，以确定造影剂微泡的活动特征；对经过预处理的多普勒彩色超声模态数据进行特征学习，以确定不同的组织结构特征；将所述造影剂微泡的活动特征以及所述组织结构特征输入多模态分类器中，以通过所述多模态分类器输出肿瘤组织的识别结果。

【技术特征摘要】
1.一种基于多模态分类器的超声造影肿瘤识别方法，其特征在于，所述方法包括：预先获取超声造影模态数据和多普勒彩色超声模态数据；其中，所述超声造型模态数据用于表征超声造影剂在血流和组织内流动的情况；所述多普勒彩色超声模态数据用于区分组织结构；对所述超声造影模态数据进行预处理，得到造影剂微泡在血流和组织内活动的有效信息；对所述多普勒彩色超声模态数据进行预处理，以获取组织结构信息；对经过预处理的超声造影模态数据进行特征学习，以确定造影剂微泡的活动特征；对经过预处理的多普勒彩色超声模态数据进行特征学习，以确定不同的组织结构特征；将所述造影剂微泡的活动特征以及所述组织结构特征输入多模态分类器中，以通过所述多模态分类器输出肿瘤组织的识别结果。2.根据权利要求1所述的方法，其特征在于，对所述超声造影模态数据进行预处理包括：从所述超声造影模态数据中截取造影剂注入后指定时段内的目标数据，并基于主成分分析法对所述目标数据进行降维，以获取所述目标数据中影剂微泡在血流和组织内活动的有效...

【专利技术属性】
技术研发人员：周喜川，杨帆，赵昕，谭跃，徐埌，唐枋，胡盛东，林智，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50