[发明专利]一种基于肌肉超声的影像特征提取及分类方法

说明书

本发明公开了一种基于肌肉超声的影像特征提取及分类方法，方法包括将肌肉超声图像作为训练数据集；从训练数据集中提取第一图像特征；对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；基于第二图像特征训练分类器并进行模型验证，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作为测试数据集，并从中提取第三图像特征，将第三图像特征输入到肌肉超声图像的分类模型进行分类，得到分类结果。本发明能够采集成本低廉的肌肉超声图像，收集更广泛的肌肉结构和功能指标，并利用影像组学结合机器学习和深度学习等人工智能手段构建分类模型，实现对个体肌肉超声图像的分类和评估，从而实现个体水平的大规模疾病早期分析和风险评估。

技术领域

本发明涉及医学影像识别领域，具体涉及一种基于肌肉超声的影像特征提取及分类方法。

背景技术

阿尔茨海默病(Alzheimer’s Disease,AD)，是一种神经退行性疾病，其特征是行为和认知功能的隐匿性发作和进行性损害，主要发生在65岁及以上的人群中。随着老龄化的加剧，AD患者人数逐年增加。但由于其起病隐匿、发病率高、病理生理变化复杂，在其早期阶段进行及时干预有助于延缓和控制疾病的发展。

神经影像学检测主要是基于CT、MRI、fMRI、PET等结构和功能神经成像技术，非侵入性地体外探测脑部结构和功能变化。CT、MRI基于体素的形态学测量能定量计算大脑皮层的厚度、体积等形态学变化；fMRI、PET可以提供大脑的解剖生理信息，检测患者大脑内代谢活性变化的区域和脑内与AD相关的蛋白聚体。神经影像学检测技术一定程度上在发现早期AD患者中发挥着重要作用，但是检测费用昂贵，成本高，不适用于早期大规模筛查。

因此，现有技术还有待于改进和发展。

发明内容

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于肌肉超声的影像特征提取及分类方法，旨在解决现有技术中的检测费用昂贵、成本高，不适用于早期大规模筛查的问题。

本发明解决技术问题所采用的技术方案如下：

第一方面，本发明提供一种基于肌肉超声的影像特征提取及分类方法，其中，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。

在一种实现方式中，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。

在一种实现方式中，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；