胎盘植入B超图像特征提取与验证方法技术

本发明专利技术涉及一种胎盘植入B超图像特征提取与验证方法，首先将已标注分类的胎盘植入B超图像数据集分为训练集合和测试集合；接着构建B超图像训练数据集的列向量数据矩阵，计算均值向量；然后依次通过均值向量，计算数据矩阵的协方差矩阵，计算协方差矩阵的特征值，选取主成分，建立变换矩阵，根据变换矩阵，建立训练数据集图像的特征子空间投影，实现B超图像的特征提取；接着计算测试数据集图像在特征子空间上的投影，采用最小距离法获取测试B超图像的分类；最后判别测试图像分类的正确性用以验证特征提取。本发明专利技术有助于后续通过机器学习方法对小样本B超图像集合的进一步学习。

【技术实现步骤摘要】
胎盘植入B超图像特征提取与验证方法
本专利技术涉及妇产医学领域，特别是一种胎盘植入B超图像特征提取与验证方法。
技术介绍
胎盘作为胎儿呼吸、营养吸收、代谢与排泄的重要介质，担负着母体与胎儿之间物质交换的重任。由此可见，胎盘的疾病将直接影响到子宫内胎儿的生长与发育，甚至关乎安危。胎盘植入是一种产科危重而少见的并发症，是胎盘绒毛侵入到子宫肌层，导致在第三产程胎盘植入部分不能正常自行剥离，将引起生产孕妇大量出血、子宫穿透、休克、进而引发感染甚至导致死亡。胎盘植入又经常伴随着胎盘前置同时发生，胎盘前置又可分类为低置胎盘、边缘性前置胎盘、完全性前置胎盘、中央性前置胎盘四种类型。通过产前B超检测胎盘植入，对于高危孕产妇是必不可少的。但当前胎盘植入的产前检测基本依赖于医师的主观经验，具有相当的局限性。目前缺少对于胎盘植入B超的机器识别技术。
技术实现思路
有鉴于此，本专利技术的目的是提出一种胎盘植入B超图像特征提取与验证方法，能够有效对胎盘植入B超的图像特征进行提取，为医生的后续判断提供帮助。本专利技术采用以下方案实现：一种胎盘植入B超图像特征提取与验证方法，具体包括以下步骤：步骤S1：将包含标注分类信息的胎盘植入B超图像数据集分为训练集和测试集；步骤S2：构建数据矩阵：将训练集的每幅B超图像写成列向量形式并排列成数据矩阵，计算列向量的均值；步骤S3：通过均值向量将数据矩阵中心化，计算协方差矩阵；步骤S4：计算协方差矩阵的特征值，选取最大的K个特征值，计算对应的特征向量，并将其排列成变换矩阵；步骤S5：根据变换矩阵的正交向量构建特征子空间基向量，使训练集中的每幅B超图像都向其投影并对应于子空间的一点，实现特征提取；步骤S6：选取测试集中的B超图像并计算其在特征子空间上的投影；步骤S7：采用最小距离法遍历训练集找到与测试集中对应B超图像在特征子空间上投影坐标最近的图像，获得该图像在训练集中的分类，对应为测试集中对应B超图像的类别；步骤S8：判别测试集中B超图像分类的正确性用以验证特征提取。进一步地，步骤S1中，预先提取胎盘植入B超图像的ROI(regionofinterest)区域，选出胎盘区域作为图像数据。进一步地，步骤S2具体为：将训练集中的B超图像由二维数组转化成列向量Xi并排列成数据矩阵X＝(X1，X2，...，Xn)；其中，列向量均值μ的计算公式为：进一步地，步骤S3中，通过均值向量将数据矩阵中心化，计算协方差矩阵：C＝(X1-μ，x2-μ，...xn-μ)式中，C表示去中心化后的数据矩阵，μ为列向量均值，Σ为协方差矩阵。进一步地，步骤S4具体为：通过求CCT来求取协方差矩阵特征值，选取最大的K个特征值，对应获取其特征向量，作为B超图像特征ei，并将K个特征向量按列排成变换矩阵W＝(e1，e2，...，ek)。进一步地，步骤S5中，对B超图像训练数据进行特征提取，计算训练集中每幅B超图像在以变换矩阵W为基向量的特征子空间中的投影Yi，计算公式为：Yi＝WT(Xi-μ)。进一步地，步骤S6中，选取测试集中的B超图像并计算其在特征子空间上的投影；设选取的测试集中的B超图像为Z，将其投影至以变换矩阵W为基向量的特征子空间，Z的投影计算公式为：chZ＝WT(Z-μ)。进一步地，步骤S7中，利用遍历方式搜索训练集中与测试集中B超图像Z投影坐标距离最小的图像，则该图像的类别j就是测试集中图像Z的类别：argminj||Yi-chZ||。进一步地，在所述步骤S8中，判别测试图像所得分类正确与否，统计结果，验证特征提取的准确性。与现有技术相比，本专利技术有以下有益效果：本专利技术对小样本胎盘植入B超图像集合进行降维特征提取，构造特征子空间，并将测试图像投影到特征子空间，通过最小距离匹配，验证特征提取的准确性。同时，本专利技术排除了人为、环境、仪器设备等等上述技术所提到的主观误差因素，利用计算机机器学习方法实现，做到省时省力。附图说明图1为本专利技术实施例的流程示意图。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。如图1所示，本实施例提供了一种胎盘植入B超图像特征提取与验证方法，具体包括以下步骤：步骤S1：将包含标注分类信息的胎盘植入B超图像数据集分为训练集和测试集；步骤S2：构建数据矩阵：将训练集的每幅B超图像写成列向量形式并排列成数据矩阵，计算列向量的均值；步骤S3：通过均值向量将数据矩阵中心化，计算协方差矩阵；步骤S4：计算协方差矩阵的特征值，选取最大的K个特征值，计算对应的特征向量，并将其排列成变换矩阵；步骤S5：根据变换矩阵的正交向量构建特征子空间基向量，使训练集中的每幅B超图像都向其投影并对应于子空间的一点，实现特征提取；步骤S6：选取测试集中的B超图像并计算其在特征子空间上的投影；步骤S7：采用最小距离法遍历训练集找到与测试集中对应B超图像在特征子空间上投影坐标最近的图像，获得该图像在训练集中的分类，对应为测试集中对应B超图像的类别；步骤S8：判别测试集中B超图像分类的正确性用以验证特征提取。在本实施例中，步骤S1中，预先提取胎盘植入B超图像的ROI(regionofinterest)区域，选出胎盘区域作为图像数据。其中，分类可以包括{正常、低置胎盘、边缘性前置胎盘、完全性前置胎盘、中央性前置胎盘}，也可以为其他类别。在本实施例中，步骤S2具体为：将训练集中的B超图像i(906*689)由二维数组转化成列向量Xi(624234*1)并排列成数据矩阵X＝(X1，X2，...，Xn)，n＝200；其中，列向量均值μ的计算公式为：在本实施例中，步骤S3中，通过均值向量将数据矩阵中心化，计算协方差矩阵，n＝200：C＝(X1-μ，X2-μ，...，Xn-μ)式中，C表示去中心化后的数据矩阵，μ为列向量均值，Σ为协方差矩阵。在本实施例中，步骤S4具体为：通过求CCT来求取协方差矩阵特征值，选取最大的K个特征值，在实践中，规定保留主成分累计方差需占总方差95％以上，若多留取一个主成分变量，占比几乎没有提高，则不再多留取剩余主成分。根据提取的特征值对应获取其特征向量，作为B超图像特征ei，并将K个特征向量按列排成变换矩阵W(624234*K)＝(e1,e2,...,ek)。在本实施例中，步骤S5中，对B超图像训练数据进行特征提取，计算训练集中每幅B超图像在以变换矩阵W为基向量的特征子空间中的投影Yi，计算公式为：Yi＝WT(Xi-μ)。在本实施例中，步骤S6中，选取测试集中的B超图像并计算其在特征子空间上的投影；设选取的测试集中的B超图像为Z，将其投影至以变换矩阵W为基向量的特征子空间，Z的投影计算公式为：chZ＝WT(Z-μ)。在本实施例中，步骤S7中，利用遍历方式搜索训练集中与本文档来自技高网...

【技术保护点】
1.一种胎盘植入B超图像特征提取与验证方法，其特征在于：包括以下步骤：步骤S1：将包含标注分类信息的胎盘植入B超图像数据集分为训练集和测试集；步骤S2：构建数据矩阵：将训练集的每幅B超图像写成列向量形式并排列成数据矩阵，计算列向量的均值；步骤S3：通过均值向量将数据矩阵中心化，计算协方差矩阵；步骤S4：计算协方差矩阵的特征值，选取最大的K个特征值，计算对应的特征向量，并将其排列成变换矩阵；步骤S5：根据变换矩阵的正交向量构建特征子空间基向量，使训练集中的每幅B超图像都向其投影并对应于子空间的一点，实现特征提取；步骤S6：选取测试集中的B超图像并计算其在特征子空间上的投影；步骤S7：采用最小距离法遍历训练集找到与测试集中对应B超图像在特征子空间上投影坐标最近的图像，获得该图像在训练集中的分类，对应为测试集中对应B超图像的类别；步骤S8：判别测试集中B超图像分类的正确性用以验证特征提取。

【技术特征摘要】
1.一种胎盘植入B超图像特征提取与验证方法，其特征在于：包括以下步骤：步骤S1：将包含标注分类信息的胎盘植入B超图像数据集分为训练集和测试集；步骤S2：构建数据矩阵：将训练集的每幅B超图像写成列向量形式并排列成数据矩阵，计算列向量的均值；步骤S3：通过均值向量将数据矩阵中心化，计算协方差矩阵；步骤S4：计算协方差矩阵的特征值，选取最大的K个特征值，计算对应的特征向量，并将其排列成变换矩阵；步骤S5：根据变换矩阵的正交向量构建特征子空间基向量，使训练集中的每幅B超图像都向其投影并对应于子空间的一点，实现特征提取；步骤S6：选取测试集中的B超图像并计算其在特征子空间上的投影；步骤S7：采用最小距离法遍历训练集找到与测试集中对应B超图像在特征子空间上投影坐标最近的图像，获得该图像在训练集中的分类，对应为测试集中对应B超图像的类别；步骤S8：判别测试集中B超图像分类的正确性用以验证特征提取。2.根据权利要求1所述的一种胎盘植入B超图像特征提取与验证方法，其特征在于：步骤S1中，预先提取胎盘植入B超图像的ROI区域，选出胎盘区域作为图像数据。3.根据权利要求1所述的一种胎盘植入B超图像特征提取与验证方法，其特征在于：步骤S2具体为：将训练集中的B超图像由二维数组转化成列向量Xi并排列成数据矩阵X＝(X1，X2，...，Xn)；其中，列向量均值μ的计算公式为：4.根据权...

【专利技术属性】
技术研发人员：朱丹红，张栋，胡展瑞，陈俞锦，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35