申请/专利权人：北京工业大学

申请日：2022-06-06

公开（公告）日：2024-03-22

公开（公告）号：CN115049568B

主分类号：G06T5/50

分类号：G06T5/50

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2022.09.30#实质审查的生效;2022.09.13#公开

摘要：一种基于超声信息熵图像与零差K分布α参数图像融合的定征生物组织的方法属于超声影像技术领域。此发明将超声信息熵图像和零差K分布α参数图像进行信息融合，并生成可以清晰显示组织变性边界的超声伪彩色图像。该融合方法识别生物组织变性区域的面积准确率达到87.68％。

主权项：1.一种基于超声信息熵图像与零差K分布α参数图像融合的定征生物组织的方法，其特征在于：步骤1：由超声探头扫描目标区域后接收到的回波信号进行波束成形处理，即可得到原始的M行N列的超声背向散射信号矩阵；N列：生成的矩阵中有N条扫描线，M行：每条扫描线中包含M个采样点；两个相邻采样点之间的距离为Intaxi米，两个相邻扫描线之间的距离为Intlat米；步骤2：对步骤1中得到的背向散射信号矩阵进行包络检测处理得到M行N列的超声包络信号矩阵；步骤3：对步骤2中得到的M行N列包络信号矩阵，采用滑动窗口法来估算其大小为M行N列的homodyned-K分布α参数矩阵；其具体实施方式为：采用一个大小为MwхNw的矩形滑动框从包络矩阵的左上角第一个元素开始从左向右、从上到下以一个元素为步长逐行滑动遍历整个包络矩阵；每个矩形窗包含MwхNw个数据点，Mw＝3хpulselengthIntlat，Nw＝3хpulselengthIntaxi，其中pulselength为超声脉冲长度，表示向上取整，每滑动一次窗口位置，则对窗口内的包络信号的概率密度函数P建模为homodyned-K分布： 其中，A表示包络信号的振幅值；r是积分变量；J0·是零阶第一类贝塞尔函数；α表示超声分辨率单元内有效散射子的个数；ε2表示相干散射信号能量；σ2表示弥漫散射信号的能量；XU法是基于信号强度的一阶矩、X统计量和U统计量的方法；U统计量和X统计量定义如式2和3，I表示包络信号振幅的强度，I＝A2，包络信号的平均强度表示为U＝E[logI]-logE[I]2X＝E[IlogI]E[I]-E[logI]3XU法估算α参数通过求解如下的非线性方程组来获得： XHK和UHK的定义，如式5、式6所示，其中下标HK表示homodyned-K分布: 式中，α，ε2和σ2的物理含义与1式相同，β＝ε22σ2为计算辅助变量，Qα+1·表示α+1阶第二类修正贝塞尔函数，γE为欧拉常数在取值为0.5772156649，表示双伽马函数，pFqa1,...,ap；b1,...,bq；z表示广义超几何级数；该方程组有解的充分条件是： 由于5和6式中的双伽马函数和超几何级数在现实中有有限的数值，因此在实践中，α的最大值是有限的，将式4转换成式8进行实际的求解，其中：argmin是指使得argmin|UHK-U|取值最小时的自变量取值；αmax为α的上限，取αmax＝59.5； 由于XHK、UHK是单调的函数，且UHK是α的函数，XHK是β的函数，因此可通过迭代的方法求解8得到参数α的估计值；每滑动一次窗口，得到一个α估计值；当滑动窗遍历完整个包络信号矩阵后，得到一个大小为M-MwхN-Nw的α参数矩阵，随后对其进行三样条插值，得到一个大小为MxN的α参数矩阵；步骤4：对步骤3中得到的α参数矩阵进行伪彩色映射，得到homodyned-K分布的α参数图像；步骤5：对步骤2中获得的MхN大小的包络矩阵，采用滑动窗口法估算其信息熵矩阵；具体实施方法为：采用一个大小为DwхLw的矩形滑动框从包络矩阵的左上角第一个元素开始从左向右、从上到下以一个元素为步长逐行滑动遍历整个包络矩阵；每个矩形窗包含DwхLw个数据点，Dw＝pulselengthIntlat，Lw＝pulselengthIntaxi，其中pulselength为超声脉冲长度，表示向上取整；每滑动一次窗口位置，计算该窗口内的熵值；在此发明中，将每一次滑动窗口内的包络数据点重排为1列一维信号，使用公式9进行计算： 其中，g代表重排后的一维信号的幅度值，wg代表该信号的概率密度函数，gmax和gmin分别为g的最大值和最小值，Hc表示熵值的大小；在实践中，使用公式9的离散形式来计算获得信息熵；当滑动窗口遍历完整个包络矩阵后，得到一个大小为M-DwхN-Lw的熵值矩阵，对此矩阵进行三样条插值，最终获得一个大小为MхN的熵值矩阵；对此矩阵进行伪彩色映射，得到超声信息熵图像；步骤6：对步骤4得到的超声homodyned-K分布α参数图像和步骤5获得的超声信息熵图像进行图像融合，得到二者的融合图像；其融合的具体实施方案为：首先，对步骤4得到的超声homodyned-K分布α参数图像和步骤5获得的超声信息熵图像分别进行二维离散小波分解；设fx,y表示一幅二维图像的像素值，x和y为像素点横纵坐标，定义二维母小波为ψx,y，将母小波函数ψx,y经伸缩和平移后得到二维小波序列： 式中：σ为伸缩因子，τx，τy为小波母函数分别在沿x轴和y轴两个维度上的平移，选择haar小波作为基函数；二维小波变换是在两个维度对图像进行处理，其小波变换为： 其中，是的共轭函数，公式为： 二维离散小波变换利用低通滤波器和高通滤波器对图像进行处理，将图像每一层分解为4个子带，分别为：水平和垂直方向低频子带LL、水平方向低频和垂直方向高频子带LH、水平方向高频和垂直方向低频子带HL、垂直和水平方向高频子带HH；将步骤4中获得的α参数图像和步骤5中获得的超声信息熵图像转换为灰度图像后，使用Matlab软件中的’wavedec2’函数分别对得到的灰度图像进行二维离散小波分解，共计分解2层；每幅图像在分解后都得到高频部分和低频部分；两幅图像分解后的低频部分反映了图像的主要结构信息，这里采用加权平均的融合规则进行融合处理；设A和B两幅灰度图像在x，y位置的像素值分别表示为fAx，y和fBx，y，则在x，y位置低频部分融合后的像素值Ix，y为：Ix,y＝0.5*Ax,y+0.5*Bx,y13两幅图像分解后的高频部分反映了图像的细节信息，采用区域特性量测的融合规则进行处理；其处理步骤如下：1计算每幅图像在相应分解层对应的区域能量，公式如下: 式中:Ex，y为以x，y为中心的局部区域能量；h是一个3×3的模版，代表对应的权系数；s为图像值的逐点平方运算；h和s的计算公式为： sx,y＝fx,y2162计算两幅图像的区域匹配度M并设置匹配阈值T，公式为：tx,y＝fAx,y*fBx,y17 式中：EAi，j和EBi，j为公式14计算的两幅图像的区域能量值；当M≥T时，说明两幅图像的对应区域能量相接近，采用加权平均的融合方法；当M＜T时，说明两幅图像对应区域能量相差较大，则选取区域能量大的小波系数作为融合图像的系数，设置阈值T＝0.7；对融合后的高频部分和低频部分进行小波重构，其重构公式如下： 其中，为公式12所示的的共轭函数，σ和τ的含义同10；该重构过程通过调用Matlab中的’waverec2’函数实现；由此，获得了步骤4中得到的homodyned-K分布α参数图像与步骤5中得到的信息熵图像的融合图像；步骤7：对步骤6中获得的融合图像分别沿每行和每列实行阶数为6的多项式拟合，并将拟合后的图像中显示出-6dB等高线作为识别凝固区的边界。

全文数据：

权利要求：

百度查询： 北京工业大学 一种基于超声信息熵图像与零差K分布α参数图像融合的定征生物组织的方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD