[发明专利]一种基于肌肉超声的影像特征提取及分类方法

权利要求书

1.一种基于肌肉超声的影像特征提取及分类方法，其特征在于，所述方法包括：

获取肌肉超声图像，将所述肌肉超声图像作为训练数据集，从所述训练数据集中提取第一图像特征；

对所述第一图像特征进行特征选择和特征降维，得到第二图像特征；

基于所述第二图像特征训练机器学习模型和深度学习模型，得到分类器，并对所述分类器进行模型验证，得到肌肉超声图像的分类模型；

获取待分类的肌肉超声图像，将所述待分类的肌肉超声图像作为测试数据集，从所述测试数据集中提取第三图像特征，将所述第三图像特征输入到所述肌肉超声图像的分类模型进行分类，得到分类结果。

2.根据权利要求1所述的基于肌肉超声的影像特征提取及分类方法，其特征在于，所述获取肌肉超声图像，将所述肌肉超声图像作为训练数据集，包括：

设置超声成像系统的检测模式为肌骨检测模式；

将超声探头的长轴平行于肌肉长轴方向放置，通过设置标记保持所述超声探头放置在所述第一检测位置；

基于所述检测模式，在受试者静态下，使用实时B型超声成像设备获取所述第一检测位置的肌肉超声图像；

将所述第一检测位置的肌肉超声图像作为所述训练数据集。

3.根据权利要求1所述的基于肌肉超声的影像特征提取及分类方法，其特征在于，所述从所述训练数据集中提取第一图像特征，包括：

对所述训练数据集进行归一化雷登变换，得到雷登变换矩阵；

对所述雷登变换矩阵求梯度并进行边缘增强，得到雷登变换梯度矩阵；

对所述雷登变换梯度矩阵进行二值化处理和聚类处理，得到深筋膜特征点、肌束特征点和浅筋膜特征点；

对所述深筋膜特征点、肌束特征点和浅筋膜特征点进行精确划分和雷登逆变换，得到肌肉厚度、肌纤维长度和羽状角特征；

根据所述肌肉厚度、肌纤维长度和羽状角特征，得到所述肌肉形态学特征；

获取所述训练数据集的所述平均频率分析特征；其中，所述平均频率分析特征的计算公式为n,I,和f分别为功率密度谱的长度、功率和频率；

基于所述肌肉形态学特征和所述平均频率分析特征得到所述第一图像特征。

4.根据权利要求1所述的基于肌肉超声的影像特征提取及分类方法，其特征在于，所述从所述训练数据集中提取第一图像特征，包括：

基于像素灰度分布计算，从所述训练数据集中提取一阶统计学特征；其中，所述一阶统计学特征包括积分光密度、平均值、标准差、方差、偏度、峰度和能量；

基于灰度共生矩阵计算，从所述训练数据集中提取Haralick特征；其中，所述Haralick特征包括对比度、相关性、能量、熵、同质性和对称性；

基于灰度游程长度矩阵计算，从所述训练数据集中提取Galloway特征；其中，所述Galloway特征包括短游程优势、长游程优势、灰度不均匀性、长游程不均匀性、游程百分比；

基于图像局部区域的中心像素与其邻域的比较结果，从所述训练数据集中提取局部二值模式特征；其中，所述局部二值模式特征包括能量和熵，所述能量为LBP_energy＝-Σ_if_i²，所述熵为LBP_entropy＝-∑_if_i²log₂(f_i)，f_i表示第i块在图像局部区域的相应频率；

根据所述一阶统计学特征、所述Haralick特征、所述Galloway特征和所述局部二值模式特征得到所述图像纹理分析特征；

基于所述图像纹理分析特征得到所述第一图像特征。

5.根据权利要求1所述的基于肌肉超声的影像特征提取及分类方法，其特征在于，所述对所述第一图像特征进行特征选择和特征降维，得到第二图像特征，包括：

采用t-检验法对所述第一图像特征进行特征选择得到筛选过的第一图像特征；

采用主成分分析、线性判别式分析、t-SNE、多维尺度变换法、等距映射法、局部线性嵌入、拉普拉斯特征映射、近邻成分分析方法对所述筛选过的第一图像特征进行特征降维，得到所述第二图像特征。