[发明专利]一种基于特征融合的超声图像自动分类法

说明书

本发明提供了超声图像分类领域的一种基于特征融合的超声图像自动分类法，包括如下步骤：步骤S10、获取超声图像，对所述超声图像进行预处理并生成标准切面；步骤S20、提取所述标准切面中的图像特征；步骤S30、对所述图像特征进行归一化处理，得到特征向量；步骤S40、基于所述特征向量，利用SVM分类器对所述标准切面进行学习和分类。本发明的优点在于：极大的提升了超声图像标准切面分类的精度以及效率。

技术领域

本发明涉及超声图像分类领域，特别指一种基于特征融合的超声图像自动分类法。

背景技术

由于B型超声诊断系统具有无创、无辐射、廉价等优点，越来越多的应用于医学诊疗中，如甲状腺、肝脏、前列腺以及腹部等的诊疗中，尤其在甲状腺疾病的诊疗中被广泛应用。医生利用B型超声诊断系统获取超声图像后，需要对超声图像的标准切面进行分类后，有针对性的对主要解剖结构进行检查，这是后期进一步诊断的先决条件。

然而，针对超声图像的分类，传统上采用医生进行人工判断分类的方法，费时费力，且由于分类的过程枯燥单调，容易出错。

因此，如何提供一种基于特征融合的超声图像自动分类法，实现提升超声图像标准切面分类的精度以及效率，成为一个亟待解决的问题。

发明内容

本发明要解决的技术问题，在于提供一种基于特征融合的超声图像自动分类法，实现提升超声图像标准切面分类的精度以及效率。

本发明是这样实现的：一种基于特征融合的超声图像自动分类法，包括如下步骤：

步骤S10、获取超声图像，对所述超声图像进行预处理并生成标准切面；

步骤S20、提取所述标准切面中的图像特征；

步骤S30、对所述图像特征进行归一化处理，得到特征向量；

步骤S40、基于所述特征向量，利用SVM分类器对所述标准切面进行学习和分类。

进一步地，所述步骤S10具体包括：

步骤S11、获取超声图像，利用矩形框选取出所述超声图像的感兴趣区域；

步骤S12、将所述感兴趣区域的大小缩放至预设的大小；

步骤S13、对缩放至预设大小的所述感兴趣区域进行降噪处理；

步骤S14、对降噪处理后的所述感兴趣区域进行锐化处理，进而生成标准切面。

进一步地，所述步骤S14中，所述对降噪处理后的所述感兴趣区域进行锐化处理具体为：

使用图像锐化算子对降噪处理后的所述感兴趣区域进行锐化处理；

其中k₁表示的缩放系数，k₂表示的缩放系数，λ表示微分计算的基准；

f(.)表示图像在该坐标的灰度值。

进一步地，所述步骤S20具体包括：

步骤S21、利用公式将所述标准切面划分为子块；其中image_i表示所述标准切面的图像区域；i表示所述标准切面的类别，为正整数；j表示所述子块的序号，为正整数；J_j表示所述子块的总数，为正整数；block_ij表示所述子块；

步骤S22、将各所述子块划分为w×w个不重叠的像素块，其中w为正整数；

步骤S23、提取各所述像素块的纹理特征；

步骤S24、将各所述纹理特征进行特征融合，得到所述标准切面的图像特征。

进一步地，所述步骤S23具体包括：