CN103578099A - 基于超声弹性成像的肿瘤弹性特征的提取方法 - Google Patents

Abstract

本发明提供了一种基于超声弹性成像的肿瘤弹性特征的提取方法，包括下述步骤：采集医学图像和弹性图像；对所述医学图像的预处理；自动提取经预处理后的医学图像的肿瘤边缘信息；将所述肿瘤边缘信息融合于所述弹性图像中；提取融合所述肿瘤边缘信息的弹性图像的弹性特征参数群。上述基于弹性成像的肿瘤弹性特征提取方法，利用医学图像提取肿瘤边缘信息，同时将该肿瘤边缘信息融合于弹性图像中，并创建和量化基于弹性图像的弹性特征参数群，该弹性特征参数群能够从不同角度描述肿瘤的属性，从而消除临床医生的主观差异，使诊断变得更为准确和科学。

Description

基于超声弹性成像的肿瘤弹性特征的提取方法

技术领域

本发明涉及图像处理技术，特别涉及一种基于超声弹性成像的肿瘤弹性特征的提取方法。

背景技术

弹性成像是对组织施加一个外部激励，在压力-形变等物理规律作用下，组织将产生一个响应，根据该响应得到弹性成像图。自弹性成像概念提出后，超声弹性成像技术在最近十几年中得到了迅速的发展。

《解放军医学杂志》2011年第36卷第11期1131-1133页和《中国医学影像技术》2012年第28卷第3期529-533页提出的基于超声瞬时弹性成像技术的弹性特征参数感兴趣区域的弹性均值，但采用的瞬时弹性检测技术是一种一维成像技术，虽然可以给出定量的组织平均弹性模量值，但是无法扩展到二维弹性成像来获取组织弹性分布信息，一般只适用于检测弥散性病变；《中国医学影像技术》2010年第26卷第9期1682-1684页、《现代生物医学进展》2010年第26卷第9期492-494页和《华西医学》2010年第25卷第2期294-297页提出的基于超声实时弹性成像技术的弹性特征弹性图像分布特征，虽然给出了临床诊断应用最广泛的弹性特征，但实时弹性成像技术是一种准静态压缩弹性成像技术，只能给出相对的位移/应变图，无法给出组织局部硬度的具体数值，缺乏客观性和科学性；《中国医学影像技术》2009年第18卷第7期589-591页和《世界华人消化杂志》2010年第18卷第30期3254-3258页提出的基于超声实时弹性成像技术的弹性特征应变率比值，是近期提出的新的弹性特征，但是从定性的二维位移/应变图中提取，虽然比单纯的弹性分布特征能更客观定量地反映病灶的硬度变化程度，但是该特征同样无法进行不同病灶之间的横向比较，例如肝硬化基础上的肝脏恶性占位性病变与肝脏良性占位性病变得到的应变率比值区间存在一定的重叠，只依靠应变率比值识别容易造成误诊。

因此，传统超声弹性成像技术的具有诸多局限性，使得获取的弹性特征定性或半定量，缺乏客观性和可重复性，无法进行定量地分析，受诊断者主观影响较大，无法建立公认、规范的诊断标准，限制了超声弹性成像技术在临床上的广泛应用。

发明内容

基于此，有必要提出一种超声基于超声弹性成像的肿瘤弹性特征的提取方法，用于指导肿瘤的良恶性判别，为肿瘤的病理学研究和早期诊断治疗提供新的依据。

一种基于超声弹性成像的肿瘤弹性特征的提取方法，包括下述步骤：采集医学图像和弹性图像；对所述医学图像的预处理；自动提取经预处理后的医学图像的肿瘤边缘信息；将提取的肿瘤边缘信息融合于相应的弹性图像中；提取融合所述肿瘤边缘信息的弹性图像的弹性特征参数群。

上述基于弹性成像的肿瘤弹性特征提取方法，利用医学图像提取肿瘤边缘信息，同时将该肿瘤边缘信息融合于弹性图像中，并创建和量化基于弹性图像的弹性特征参数群，该弹性特征参数群能够从不同角度描述肿瘤的属性，从而消除临床医生的主观差异，使诊断变得更为准确和科学。

附图说明

图1为本发明实施例提供的基于超声弹性成像的肿瘤弹性特征的提取方法的流程图。

图2为本发明实施例提供的B超图像的预处理的方法流程图。

图3为本发明实施例提供的乳腺肿瘤的B超图像的肿瘤边缘信息。

图4为本发明实施例提供的B超图像中提取的肿瘤边缘信息融合到弹性图像的示意图。

图5为发明实施例提供的弹性图像感兴趣区域选取示意图。

图6为本发明实施例提供的灰度共生矩阵计算区域选取示意图。

图7为本发明实施例提供的量化参数值的量化方法流程图。

图8为本发明实施例提供的肿瘤外围组织区域选取示意图。

图9为本发明实施例提供的肿瘤中心区域选取示意图。

图10(a)为本发明实施例提供的乳腺纤维腺瘤的B超图像。

图10(b)为本发明实施例提供的乳腺纤维腺瘤的肿瘤分割结果图。

图10(c)为本发明实施例提供的乳腺纤维腺瘤的弹性模量图。

图11(a)为本发明实施例提供的乳腺浸润性导管癌的B超图像。

图11(b)为本发明实施例提供的乳腺浸润性导管癌的肿瘤分割结果图。

图11(c)为本发明实施例提供的乳腺浸润性导管癌的弹性模量图。

具体实施方式

请参阅图1，一种弹性成像的肿瘤弹性特征的提取方法的，具体步骤如下：

步骤S10：输入医学图像和弹性图像。

弹性成像技术是一种较为成熟的成像技术，根据该技术可以获得弹性图像，医学图像可以为B超图像或CT图像或MRI(磁共振)图像或X-ray(X射线)图像，在本发明提供的实施例中，医学图像优选为B超图像。

步骤S20：对所述医学图像的预处理。

请参阅图2，为本发明实施例提供的对B超图像预处理的流程图，步骤S20具体为：

步骤S21：对医学图像进行斑点噪声滤波处理。

超声成像的相干特性导致B超图像固有的斑点噪声，斑点噪声降低了图像质量，尤其是掩盖了图像某些细节信息，给图像的边缘检测、特征提取等后续处理带来困难。临床超声成像系统内置了非线性信号处理(如对数压缩，低通滤波等)，压缩回波包络信号的动态范围以适应显示设备的小动态范围，显式对数压缩B超图像的斑点噪声模型可表示为：

$I_0=I+\sqrt{I}n---\left(1\right)$

式(1)中，I为原信号，I₀为观测信号，n为零均值，标准方差为σ_n的高斯噪声。

基于(1)式的斑点噪声模型，采用一种各向异性扩散滤波器(SpeckleReducing Anisotropic Diffusion，SRAD)，能够在降噪的同时，保留甚至增强图像中的边缘信息，各向异性扩散模型可表示为：

$\frac{\∂I}{\∂t}=\mathrm{div}[c\left(q\right)\▿I]$

I(t＝0)＝I₀    (2)

式(2)中，q为瞬间变化系数算子(Instantaneous Coefficient of Variation，ICOV)，是SARD中的边缘检测器，表示为：

$q=\sqrt{\frac{(1/2){\left(\right|\▿I|/I)}^2-(1/16){({\▿}^{2}I/I)}^2}{{[1+(1/4)({\▿}^{2}I/I)]}^2}}---\left(3\right)$

式(3)中，q包含了梯度算子

和拉普拉斯算子

的二阶导数性质可用于区分由噪声引起的灰度变化和由边缘引起的灰度变化，因此结合

和使得在斑点噪声环境中的边缘检测更加准确。扩散系数c(q)表示为：

$c\left(q\right)=\frac{1}{1+(q^2-q_0{\left(t\right)}^2)/\left[q_0{\left(t\right)}^2(1+q_0{\left(t\right)}^2)\right]}---\left(4\right)$

式(4)中，t表示扩散时间，q₀(t)为扩散门限，理想情况下反映图像中斑点噪声均匀分布区域的统计特性：

$q_0\left(t\right)=\frac{\sqrt{\mathrm{var}\left[z\left(t\right)\right]}}{\stackrel{\‾}{z\left(t\right)}}---\left(5\right)$

式(5)中，z(t)表示斑点噪声均匀分布区域，var[z(t)]和

分别表示此区域的方差和均值。具体实现过程中一般近似为：q₀(t)≈q₀exp(-ρt)，参数q₀和ρ取1，迭代次数为100。

步骤S22：对经斑点噪声滤波处理的医学图像进行平滑处理。

经过斑点噪声滤波后的B超图像较低灰度值区域(如肿瘤内部)存在着较小的明亮细节，较高灰度值区域(如周围的软组织)存在着较小的暗色细节，这主要由肿瘤内部微细结构(如血管、钙化灶等)组成，可以通过形态学滤波器平滑。这里采用交替顺序滤波，即用一系列不断增大的结构元素来执行开闭滤波，结构元素取圆盘型，半径2～5。

步骤S30：自动提取经预处理后的医学图像的肿瘤边缘信息。

请参阅图3，为本发明实施例提供的乳腺肿瘤的B超图像的肿瘤边缘信息。本发明采用基于Chan-Vese模型的肿瘤边缘提取方法：具体为，定义图像I₀的坐标集为Ω，ω为定义在Ω中的子图，曲线C为ω的边界，则曲线C将图像划分为inside(C)和outside(C)两个区域。设c₁和c₂分别代表这两个区域的平均灰度，并用水平集函数φ来表示inside(C)和outside(C)，则当如下能量函数最小时，水平集函数φ的零水平集即为期望的目标边界曲线C：

$F(c_1,c_2,\mathrm{\φ})=\mathrm{\μ}{\∫}_{\mathrm{\Ω}}|\▿H\left(\mathrm{\φ}\right)|\mathrm{dxdy}+v{\∫}_{\mathrm{\Ω}}H\left(\mathrm{\φ}\right)\mathrm{dxdy}+$

${\mathrm{\λ}}_1{\∫}_{\mathrm{\Ω}}{|{\mathrm{\μ}}_0-c_1|}^{2}H\left(\mathrm{\φ}\right)\mathrm{dxdy}+{\mathrm{\λ}}_2{\∫}_{\mathrm{\Ω}}{|{\mathrm{\μ}}_0-c_2|}^2(1-H\left(\mathrm{\φ}\right))\mathrm{dxdy}---\left(6\right)$

式(6)中，μ，ν，λ₁，λ₂都是常系数，H(φ)是Heaviside函数。对于每一步演化的φ，c₁和c₂可由下面两式计算：

$c_1\left(\mathrm{\φ}\right)=\frac{{\∫}_{\mathrm{\Ω}}{u}_0(x,y)H\left(\mathrm{\φ}\right)\mathrm{dxdy}}{{\∫}_{\mathrm{\Ω}}H\left(\mathrm{\φ}\right)\mathrm{dxdy}}---\left(7\right)$

$c_2\left(\mathrm{\φ}\right)=\frac{{\∫}_{\mathrm{\Ω}}{u}_0(x,y)(1-H\left(\mathrm{\φ}\right))\mathrm{dxdy}}{{\∫}_{\mathrm{\Ω}}(1-H\left(\mathrm{\φ}\right))\mathrm{dxdy}}---\left(8\right)$

定义函数φ随时间t演化，由式(6)可推导出关于φ(t，x，y)的欧拉-拉格朗日方程：

$\frac{\∂\mathrm{\φ}}{\∂t}={\mathrm{\δ}}_{\mathrm{\ϵ}}\left(\mathrm{\φ}\right)[\mathrm{\μ}\mathrm{div}\left(\frac{\▿\mathrm{\φ}}{|\▿\mathrm{\φ}|}\right)-v-{\mathrm{\λ}}_1{(u_0-c_1)}^2+{\mathrm{\λ}}_2{(u_0-c_2)}^2]=0,\mathrm{in}(0,\∞)\×\mathrm{\Ω}$

φ(0，x，y)＝φ₀(x，y)，inΩ

$\frac{{\mathrm{\δ}}_{\mathrm{\ϵ}}\left(\mathrm{\φ}\right)}{|\▿\mathrm{\φ}|}\frac{\∂\mathrm{\φ}}{\∂\stackrel{\‾}{n}}=0,\mathrm{on}\∂\mathrm{\Ω}---\left(9\right)$

式(9)中，δ_ε(φ)是Dirac函数的近似，

代表边界的外法向矢量，δ₀(x，y)是由初始边界得到的符号距离函数。求解方程(9)，其稳态解的零水平集即为期望的目标边界曲线C。

可以理解，肿瘤的边缘提取也可采用其它常规的图像分割方法。

步骤S40：将所述肿瘤边缘信息融合于所述弹性图像中。

请参阅图4，为本发明实施例提供的B超图像中提取的肿瘤边缘信息融合到弹性图像的示意图。具有弹性成像功能的临床超声成像系统一般同时显示人体相同部位的B超图像和弹性图像，因此，可以直接将B超图像中提取的肿瘤边缘信息融合到弹性图像中，分割出病变区域，记为TUMORarea。可以理解，其他医学影像例如CT图像或MRI图像或X-ray图像中提取的肿瘤边缘信息也可以融合到弹性图像中。

步骤S50：量化融合所述肿瘤边缘信息的弹性图像的弹性特征参数群。

弹性特征参数群包括弹性值参数。弹性值参数包括感兴趣区域的弹性模量平均值、感兴趣区域的弹性模量标准差、病变区域的平均值、病变区域的标准差、周围组织区域的平均值及弹性比值。

请再参阅图4，结合病理学知识和医生的临床经验，一般认为：良性病灶较软，病灶内部弹性分布较均匀，与周围组织弹性的对比度较小；恶性病灶表现为较硬，病灶内部的弹性分布不均匀(如血管，钙化灶等)，与周围组织弹性的对比度较大。将伪彩色图复原成弹性模量值灰度图后，结合医生的临床经验和图像处理知识。

请参阅图5，为发明实施例提供的弹性图像感兴趣区域选取示意图。其中，白色实线矩形区域为感兴趣区域。

在本发明提供的实施例中，感兴趣区域包括病变区域和周围组织区域。感兴趣区域记为ROIarea，病变区域记为TUMORarea，周围组织区域记为SUDarea。其中，感兴趣区域的选取方法为：

步骤一：根据融合肿瘤边缘信息的弹性图像的肿瘤轮廓曲线计算出水平外接矩形。

步骤二：将外接矩形向四个方向延拓，构成一个包含肿瘤且面积大小为肿瘤2～3倍的矩形区域作为感兴趣区域。感兴趣区域记为ROIarea。

可以理解，周围组织区域的为感兴趣区域ROIarea提取出病变区域TUMORarea余下的区域。

在本发明提供的实施例中，ROIarea的弹性模量平均值的量化方法为：

$\mathrm{ROIavg}=\frac{1}{N_{\mathrm{ROI}}}\underset{i=1}{\overset{N_{\mathrm{ROI}}}{\mathrm{\Σ}}}{e}_i---\left(10\right)$

式(10)中，N_ROI是ROIarea内所有像素点的个数，e_i是像素点对应的弹性模量值。ROIavg表征了ROIarea的平均硬度。

在本发明提供的实施例中，ROIarea弹性模量的标准差定义的量化方法为：

$\mathrm{ROIstd}=\sqrt{\frac{1}{N_{\mathrm{ROI}}-1}\underset{i=1}{\overset{N_{\mathrm{ROI}}}{\mathrm{\Σ}}}{(e_i-\mathrm{ROIavg})}^2}---\left(11\right)$

式(11)中，N_ROI是ROIarea内所有像素点的个数，e_i是像素点对应的弹性模量值。ROIstd表征了ROIarea内弹性分布的均匀程度，ROIstd越小，则弹性分布越均匀。

在本发明提供的实施例中，TUMORarea弹性模量平均值的量化方法为：

$\mathrm{TUMORavg}=\frac{1}{N_{\mathrm{TUMOR}}}\underset{i=1}{\overset{N_{\mathrm{TUMOR}}}{\mathrm{\Σ}}}{e}_i---\left(12\right)$

式(12)中，N_TUMOR是TUMORarea内所有像素点的个数；e_i是像素点对应的弹性模量值。TUMORavg表征了肿瘤的平均硬度。

在本发明提供的实施例中，TUMORarea弹性模量的标准差的量化方法为：

$\mathrm{TUMORstd}=\sqrt{\frac{1}{N_{\mathrm{TUMOR}}-1}\underset{i=1}{\overset{N_{\mathrm{TUMOR}}}{\mathrm{\Σ}}}{(e_i-\mathrm{ROIavg})}^2}---\left(13\right)$

式(13)中，N_TUMOR是TUMORarea内所有像素点的个数；e_i是像素点对应的弹性模量值。TUMORstd表征了肿瘤弹性分布的均匀程度，TUMORstd越小，则弹性分布越均匀。

在本发明提供的实施例中，SUDarea的弹性模量平均值量化方法为：

$\mathrm{SUDavg}=\frac{1}{N_{\mathrm{SUD}}}\underset{i=1}{\overset{N_{\mathrm{SUD}}}{\mathrm{\Σ}}}{e}_i---\left(14\right)$

式(14)中，N_SUD是SUDarea内所有像素点的个数；e_i是像素点对应的弹性模量值。SUDavg表征了周围正常组织的平均硬度。

在本发明提供的实施例中，弹性比值量化方法为：

$\mathrm{Eratio}=\frac{\mathrm{TUMORavg}}{\mathrm{SUDavg}}---\left(15\right)$

式(15)中，TUMORavg是TUMORarea的平均硬度；SUDavg是SUDarea的平均硬度。Eratio表征了肿瘤与周围正常组织区域的相对弹性变化程度。

弹性特征参数群还包括弹性图像纹理参数。弹性图像纹理参数包括：病变区域的弹性图像纹理参数及灰度共生矩阵图像区域的弹性图像纹理参数。病变区域的弹性图像纹理参数包括：直方图归一化方差、直方图偏度描述子、直方图峰度描述子、直方图一致性描述子及直方图熵。灰度共生矩阵图像区域的弹性图像纹理参数包括共生矩阵能量描述子、共生矩阵对比度描述子、共生矩阵逆差矩及共生矩阵熵。

在本发明提供的实施例中，病变区域TUMORarea直方图归一化方差量化方法为：

$\mathrm{H\; var}=\frac{\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(z_i-m)}^{2}p\left(z_i\right)}{{(L-1)}^2}---\left(16\right)$

式(16)中，z_i表示弹性模量值映射到[0，255]后的一个随机变量；m表示TUMORarea内所有像素点对应的弹性模量映射后的均值；p(z_i)是TUMORarea的灰度直方图；L是可能的灰度级数，一般取256。Hvar归一化到范围[0，1]，表征肿瘤内弹性模量值的离散分布情况。

在本发明提供的实施例中，直方图偏度描述子的量化方法为：

$\mathrm{Hskew}=\frac{\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(z_i-m)}^{3}p\left(z_i\right)}{{(L-1)}^2}---\left(17\right)$

式(17)中z_i表示弹性模量值映射到[0，255]后的一个随机变量，m表示病变区域内所有像素点对应的弹性模量映射后的均值，p(z_i)是病变区域的灰度直方图，L是可能的灰度级数，Hskew表征图像直方图分布的不对称程度。Hskew越大，表示直方图分布越不对称，反之越对称。

在本发明提供的实施例中，直方图峰度描述子的量化方法为：

$\mathrm{Hkurt}=\frac{\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(z_i-m)}^{4}p\left(z_i\right)}{{(L-1)}^2}---\left(18\right)$

式(18)中z_i表示弹性模量值映射到[0，255]后的一个随机变量，m表示病变区域内所有像素点对应的弹性模量映射后的均值，p(z_i)是病变区域的灰度直方图，L是可能的灰度级数，Hkurt表征弹性图像分布在接近均值时的大致状态，用以判断图像的弹性分布是否集中于平均弹性值附近。Hkurt越小，表示越集中；反之越分散。

在本发明提供的实施例中，TUMORarea直方图一致性描述子定义为：

$\mathrm{Henergy}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{p}^2\left(z_i\right)---\left(19\right)$

式(19)中，z_i表示弹性模量值映射到[0，255]后的一个随机变量；p(z_i)是TUMORarea的灰度直方图；L是可能的灰度级数。Henergy表征肿瘤弹性分布的均匀程度，分布较均匀时值较大，反之较小。

在本发明提供的实施例中，TUMORarea直方图熵定义为：

$\mathrm{Hentropy}=-\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}p\left(z_i\right){\log }_{2}p\left(z_i\right)---\left(20\right)$

式(20)中，z_i表示弹性模量值映射到[0，255]后的一个随机变量；p(z_i)是TUMORarea的灰度直方图；L是可能的灰度级数。Hentropy也表征肿瘤弹性分布的均匀性。

请参阅图6，为本发明实施例提供的灰度共生矩阵计算区域选取示意图。图6中，白色实线矩形区域为肿瘤最小外接矩形区域，用来计算基于灰度共生矩阵的特征参数。记为MBBarea，计算出距离为2，从下到上方向的灰度共生矩阵G。

在本发明提供的实施例中，灰度共生矩阵图像区域的选取方法为：根据融合肿瘤边缘信息的弹性图像的肿瘤轮廓曲线计算出最小外接矩形区域作为灰度共生矩阵图像区域。

在本发明提供的实施例中，MBBarea的共生矩阵能量描述子量化方法为：

$\mathrm{ASM}=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\underset{j=1}{\overset{K}{\mathrm{\Σ}}}{\left\{G(i,j)\right\}}^2---\left(21\right)$

式(21)中，G(i，j)表示大小为K×K的灰度共生矩阵G的每个元素值。ASM表征图像灰度(弹性)分布均匀程度和纹理粗细度。弹性图像分布越均匀值越大，反之较小。

在本发明提供的实施例中，MBBarea的共生矩阵对比度描述子量化方法为：

$\mathrm{CON}=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\underset{j=1}{\overset{K}{\mathrm{\Σ}}}{(i-j)}^{2}G(i,j)---\left(22\right)$

式(22)中，G(i，j)表示大小为K×K的灰度共生矩阵G的每个元素值。CON表征图像的清晰度和纹理沟纹深浅的程度。纹理沟纹越深，CON越大，视觉效果越清晰；反之较小。

在本发明提供的实施例中，MBBarea的共生矩阵逆差矩量化方法为：

$\mathrm{IDM}=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\underset{j=1}{\overset{K}{\mathrm{\Σ}}}\frac{G(i,j)}{1+{(i-j)}^2}---\left(23\right)$

式(23)中，G(i，j)表示大小为K×K的灰度共生矩阵G的每个元素值。IDM表征图像的同质性，度量图像纹理局部的变化程度。IDM越大说明图像纹理的不同区域间缺少变化，局部非常均匀。

在本发明提供的实施例中，MBBarea的共生矩阵熵量化方法为：

$\mathrm{ENT}=-\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\underset{j=1}{\overset{K}{\mathrm{\Σ}}}G(i,j){\log }_{2}G(i,j)---\left(24\right)$

式(24)中，G(i，j)表示大小为K×K的灰度共生矩阵G的每个元素值。ENT表征图像纹理的非均匀程度或复杂程度。当共生矩阵中所有元素有最大的随机性、空间共生矩阵中所有值几乎相等时，共生矩阵中元素分散分布时，ENT较大。

弹性特征参数群还包括量化参数。

请参阅图7，为本发明实施例提供的量化参数值的量化方法流程图，包括

步骤S51：对病变区域做膨胀运算并得到肿瘤外围组织区域。

请参阅图8，为本发明实施例提供的肿瘤外围组织区域选取示意图，其中，白色实线与灰色实线之间的区域为肿瘤外围组织区域。采用形态学图像处理方法，设定半径为20的圆盘型结构元素，对病变区域TUMORarea做膨胀运算，得到肿瘤外围组织区域，表示为TUMORSUDarea。

步骤S52：对所述病变区域做腐蚀运算并得到病变中心区域。

请参阅图9，为本发明实施例提供的肿瘤中心区域选取示意图，其中，白色实线与灰色实线之间的区域为肿瘤中心区域。设定半径为TUMORarea外接矩形短轴长度的1/5的圆盘型结构元素，对TUMORarea做腐蚀运算，得到病变中心区域，表示为CENTERarea。

步骤S53：定义如下参数：

$\mathrm{TUMORsoft}=\frac{N_{\mathrm{soft}}}{N},$ $\mathrm{TUMORhard}=\frac{N_{\mathrm{hard}}}{N}---\left(25\right)$

式(25)中，N表示TUMORarea内所有像素点的个数；N_soft表示TUMORarea内弹性模量值小于ROIavg的像素点个数；Nhard表示TUMORarea弹性模量值大于ROIavg的像素点个数。

$\mathrm{TUMORSUDsoft}=\frac{M_{\mathrm{soft}}}{M},$ $\mathrm{TUMORSUDhard}=\frac{M_{\mathrm{hard}}}{M}---\left(26\right)$

式(26)中，M表示TUMORSUDarea内所有像素点的个数；M_soft表示TUMORSUDarea内弹性模量值小于ROIavg的像素点个数；M_hard表示内TUMORSUDarea弹性模量值大于ROIavg的像素点个数。

$\mathrm{CENTERhard}=\frac{L_{\mathrm{hard}}}{L}---\left(27\right)$

式(27)中，L表示CENTERarea内所有像素点的个数；L_hard表示CENTERarea中弹性值大于ROIavg的像素点个数。

步骤S54：弹性评分如下：

当TUMORsoft≥90％，量化参数值Escore为1；

当TUMORsoft-TUMORhard≥10％，量化参数值Escore为2；

当TUMORhard-TUMORsoft≥10％，量化参数值Escore为3；

当TUMORhard≥80％，TUMORSUFsoft≥70％，量化参数值Escore为4；

当TUMORhard≥90％，TUMORSUFhard≥50％，量化参数值Escore为5。

上述量化参数采用弹性评分法进行量化表征了病变区域弹性相对分布情况，但需要与弹性值参数结合起来，才能对肿瘤作出准确的诊断。

本发明上述实施例，给出了以上16个弹性特征参数的量化方法，这些特征参数群从不同角度描述了肿瘤的属性。在实际应用中，通过对这些识别能力强、客观、可重复性强的特征参数进行综合决策，辅助临床医生进行诊断，得出较准确的结果。

以下通过具体实施例对本发明的进行进一步说明。

采用本发明所提出的方法对中山大学附属第三医院超声科通过SupersonicAixplorer超声仪采集的超声乳腺肿瘤图像(包括病灶的常规B超图像和弹性模量图像)进行了弹性特征的量化和提取。该仪器配备有剪切波弹性成像模块，采用SC15-4线阵探头，频率范围为4-15MHz。采集数据时，首先在二维超声模式下进行乳腺横、纵各切面的扫查，发现乳腺肿瘤后，观察病灶的大小、形态、边界、内部回声及周围组织的浸润情况，记录下病灶的位置。然后切换到超声弹性成像检查模式，取样框大约为病灶大小的2-3倍，若病灶较大，仅取病灶的局部位于取样框内。双幅同时显示二维B超图像和弹性图像，操作时尽量保持探头的稳定，维持2秒，冻结保存静态B超图像和弹性图像。

请一并参阅图9、图10、表1及表2。分别给出了纤维腺瘤和浸润性导管癌的病变区域分割和特征量化提取结果，可以看出，良性病灶硬度较小，病灶内部弹性分布较均匀，与周围组织弹性的对比度较小；恶性病灶硬度较大，病灶内部的弹性分布不均匀，与周围组织弹性的对比度较大。从临床实验结果来看，本发明提出的弹性成像的肿瘤弹性特征的提取方法，可用于指导肿瘤的良、恶性判别，为肿瘤的病理学研究和早期诊断治疗提供新的依据。

表1弹性特征参数(1)

表2弹性特征参数(2)

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (12)

1.一种基于超声弹性成像的肿瘤弹性特征的提取方法，其特征在于，包括下述步骤：

采集医学图像和弹性图像；

对所述医学图像进行预处理；

自动提取经预处理后的医学图像的肿瘤边缘信息；

将提取的肿瘤边缘信息融合于相应的弹性图像中；

提取融合所述肿瘤边缘信息的弹性图像的弹性特征参数群。

2.根据权利要求1所述的基于超声弹性成像的肿瘤弹性特征的提取方法，其特征在于，所述预处理包括下述步骤：

对医学图像进行斑点噪声滤波处理；

对经斑点噪声滤波处理的医学图像进行平滑处理。

3.根据权利要求1所述的基于超声弹性成像的肿瘤弹性特征的提取方法，其特征在于，所述自动提取采用基于Chan-Vese模型的肿瘤边缘提取方法。

4.根据权利要求3所述的基于超声弹性成像的肿瘤弹性特征的提取方法，其特征在于，所述弹性特征参数群包括弹性值参数，所述弹性值参数包括感兴趣区域的弹性模量平均值、感兴趣区域的弹性模量标准差、病变区域的平均值、病变区域的标准差、周围组织区域的平均值及弹性比值。

5.根据权利要求4所述的基于超声弹性成像的肿瘤弹性特征的提取方法，其特征在于，所述感兴趣区域包括所述病变区域和所述周围组织区域，所述感兴趣区域的选取方法为：

根据融合所述肿瘤边缘信息的弹性图像的肿瘤轮廓曲线计算出水平外接矩形；

将所述外接矩形向四个方向延拓，构成一个包含肿瘤且面积大小为肿瘤2～3倍的矩形区域作为所述感兴趣区域。

6.根据权利要求4所述的基于超声弹性成像的肿瘤弹性特征的提取方法，其特征在于，所述感兴趣区域的弹性模量平均值的量化方法为：

$\mathrm{ROIavg}=\frac{1}{N_{\mathrm{ROI}}}\underset{i=1}{\overset{N_{\mathrm{ROI}}}{\mathrm{\Σ}}}{e}_i$

式中N_ROI为所述感兴趣区域内所有像素点的个数，e_i是像素点对应的弹性模量值，ROIavg表征了感兴趣区域的平均硬度；

所述感兴趣区域的弹性模量标准差的量化方法为：

$\mathrm{ROIstd}=\sqrt{\frac{1}{N_{\mathrm{ROI}}-1}\underset{i=1}{\overset{N_{\mathrm{ROI}}}{\mathrm{\Σ}}}{(e_i-\mathrm{ROIavg})}^2}$

式中N_ROI为所述感兴趣区域内所有像素点的个数，e_i是像素点对应的弹性模量值，ROIstd表征了感兴趣区域内弹性分布的均匀程度；

所述病变区域的平均值的量化方法为：

$\mathrm{TUMORavg}=\frac{1}{N_{\mathrm{TUMOR}}}\underset{i=1}{\overset{N_{\mathrm{TUMOR}}}{\mathrm{\Σ}}}{e}_i$

式中N_TUMOR为所述病变区域内所有像素点的个数；e_i为像素点对应的弹性模量值，TUMORavg表征了肿瘤的平均硬度；

所述病变区域的标准差的量化方法为：

$\mathrm{TUMORstd}=\sqrt{\frac{1}{N_{\mathrm{TUMOR}}-1}\underset{i=1}{\overset{N_{\mathrm{TUMOR}}}{\mathrm{\Σ}}}{(e_i-\mathrm{ROIavg})}^2}$

式中N_TUMOR为所述病变区域内所有像素点的个数；e_i为像素点对应的弹性模量值，TUMORstd表征了肿瘤弹性分布的均匀程度；

所述周围组织区域的平均值的量化方法为：

$\mathrm{SUDavg}=\frac{1}{N_{\mathrm{SUD}}}\underset{i=1}{\overset{N_{\mathrm{SUD}}}{\mathrm{\Σ}}}{e}_i$

式中N_SUD为周围组织区域内所有像素点的个数；e_i是像素点对应的弹性模量值，SUDavg表征了周围正常组织的平均硬度；

所述弹性比值的量化方法为：

$\mathrm{Eratio}=\frac{\mathrm{TUMORavg}}{\mathrm{SUDavg}}$

式中TUMORavg是病变区域的平均硬度；SUDavg是周围组织区域的平均硬度，Eratio表征了肿瘤与周围正常组织区域的相对弹性变化程度。

7.根据权利要求1或5所述的基于超声弹性成像的肿瘤弹性特征的提取方法，其特征在于，所述弹性特征参数群还包括弹性图像纹理参数，所述弹性图像纹理参数包括：病变区域的弹性图像纹理参数及灰度共生矩阵图像区域的弹性图像纹理参数。

8.根据权利要求7所述的基于超声弹性成像的肿瘤弹性特征的提取方法，其特征在于，所述病变区域的弹性图像纹理参数包括：直方图归一化方差、直方图偏度描述子、直方图峰度描述子、直方图一致性描述子及直方图熵；所述灰度共生矩阵图像区域的弹性图像纹理参数包括共生矩阵能量描述子、共生矩阵对比度描述子、共生矩阵逆差矩及共生矩阵熵。

9.根据权利要求8所述的基于超声弹性成像的肿瘤弹性特征的提取方法，其特征在于，所述灰度共生矩阵图像区域的选取方法为：

根据融合所述肿瘤边缘信息的弹性图像的肿瘤轮廓曲线计算出最小外接矩形区域作为所述灰度共生矩阵图像区域。

10.根据权利要求7所述的基于超声弹性成像的肿瘤弹性特征的提取方法，其特征在于，所述直方图归一化方差的量化方法为：

$\mathrm{H\; var}=\frac{\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(z_i-m)}^{2}p\left(z_i\right)}{{(L-1)}^2}$

式中z_i表示弹性模量值映射到[0，255]后的一个随机变量；m表示病变区域内所有像素点对应的弹性模量映射后的均值；p(z_i)是病变区域的灰度直方图；L是可能的灰度级数，一般取256，H var归一化到范围[0，1]，表征肿瘤内弹性模量值的离散分布情况；

所述直方图偏度描述子的量化方法为：

$\mathrm{Hskew}=\frac{\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(z_i-m)}^{3}p\left(z_i\right)}{{(L-1)}^2}$

式中z_i表示弹性模量值映射到[0，255]后的一个随机变量，m表示病变区域内所有像素点对应的弹性模量映射后的均值，p(z_i)是病变区域的灰度直方图，L是可能的灰度级数，Hskew表征图像直方图分布的不对称程度；

所述直方图峰度描述子的量化方法为：

$\mathrm{Hkurt}=\frac{\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{(z_i-m)}^{4}p\left(z_i\right)}{{(L-1)}^2}$

式中z_i表示弹性模量值映射到[0，255]后的一个随机变量，m表示病变区域内所有像素点对应的弹性模量映射后的均值，p(z_i)是病变区域的灰度直方图，L是可能的灰度级数，Hkurt表征弹性图像分布在接近均值时的大致状态；

所述直方图一致性描述子的量化方法为：

$\mathrm{Henergy}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{p}^2\left(z_i\right)$

式中z_i表示弹性模量值映射到[0，255]后的一个随机变量，p(z_i)是病变区域的灰度直方图，L是可能的灰度级数，Henergy表征肿瘤弹性分布的均匀程度；

所述直方图熵的量化方法为：

$\mathrm{Hentropy}=-\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}p\left(z_i\right){\log }_{2}p\left(z_i\right)$

式中z_i表示弹性模量值映射到[0，255]后的一个随机变量，p(z_i)是病变区域的灰度直方图，L是可能的灰度级数，Hentropy表征肿瘤弹性分布的均匀性；

所述共生矩阵能量描述子的量化方法为：

$\mathrm{ASM}=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\underset{j=1}{\overset{K}{\mathrm{\Σ}}}{\left\{G(i,j)\right\}}^2$

式中G(i，j)表示大小为K×K的灰度共生矩阵G的每个元素值，ASM表征图像灰度分布均匀程度和纹理粗细度；

所述共生矩阵对比度描述子的量化方法为：

$\mathrm{CON}=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\underset{j=1}{\overset{K}{\mathrm{\Σ}}}{(i-j)}^{2}G(i,j)$

式中G(i，j)表示大小为K×K的灰度共生矩阵G的每个元素值，CON表征图像的清晰度和纹理沟纹深浅的程度；

所述共生矩阵逆差矩的量化方法为：

$\mathrm{IDM}=\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\underset{j=1}{\overset{K}{\mathrm{\Σ}}}\frac{G(i,j)}{1+{(i-j)}^2}$

式中G(i，j)表示大小为K×K的灰度共生矩阵G的每个元素值，IDM表征图像的同质性，度量图像纹理局部的变化程度；

所述共生矩阵熵的量化方法为：

$\mathrm{ENT}=-\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\underset{j=1}{\overset{K}{\mathrm{\Σ}}}G(i,j){\log }_{2}G(i,j)$

式中G(i，j)表示大小为K×K的灰度共生矩阵G的每个元素值，ENT表征图像纹理的非均匀程度或复杂程度。

11.根据权利要求1或5或6所述的基于超声弹性成像的肿瘤弹性特征的提取方法，其特征在于，所述弹性特征参数群还包括量化参数，所述量化参数值的量化方法为：

对所述病变区域做膨胀运算并得到肿瘤外围组织区域；

对所述病变区域做腐蚀运算并得到病变中心区域；

定义如下参数：

$\mathrm{TUMORsoft}=\frac{N_{\mathrm{soft}}}{N},$ $\mathrm{TUMORhard}=\frac{N_{\mathrm{hard}}}{N}$

式中N表示所述病变区域内所有像素点的个数，N_soft表示所述病变区域内弹性模量值小于所述ROIavg的像素点个数，Nhard表示所述病变区域弹性模量值大于所述ROIavg的像素点个数，

$\mathrm{TUMORSUDsoft}=\frac{M_{\mathrm{soft}}}{M},$ $\mathrm{TUMORSUDhard}=\frac{M_{\mathrm{hard}}}{M}$

式中M表示所述肿瘤外围组织区域内所有像素点的个数，M_soft表示肿瘤外围组织区域内弹性模量值小于所述ROIavg的像素点个数，M_hard表示内肿瘤外围组织区域弹性模量值大于所述ROIavg的像素点个数，

$\mathrm{CENTERhard}=\frac{L_{\mathrm{hard}}}{L}$

式中L表示所述病变中心区域内所有像素点的个数，L_hard表示所述病变中心区域中弹性值大于所述ROIavg的像素点个数；

弹性评分：当TUMORsoft≥90％，量化参数值Escore为1；

当TUMORsoft-TUMORhard≥10％，量化参数值Escore为2；

当TUMORhard-TUMORsoft≥10％，量化参数值Escore为3；

当TUMORhard≥80％，TUMORSUFsoft≥70％，量化参数值Escore为4；

当TUMORhard≥90％，TUMORSUFhard≥50％，量化参数值Escore为5。

12.根据权利要求1所述的基于超声弹性成像的肿瘤弹性特征的提取方法，其特征在于，所述医学图像为B超图像或CT图像或MRI图像或X-ray图像。

Images