一种在超声影像中自动识别肝脏肿瘤类型的方法

摘要

本发明涉及医学影像处理领域，具体涉及一种在超声影像中自动识别肝脏肿瘤类型的方法，能够在医生根据CEUS医学影像对肝脏病灶的诊断中提供辅助诊断的方法，其中辅助诊断包括给出对病灶的识别结果及病灶较为显著的时间及位置。该方法具体包括：使用多个感兴趣区域(ROI)表示一个CEUS影像；不同的病灶用ROI在时间与空间上的表现及变化区分；通过同时在时间空间中建立模型来表示ROI间的时空关系；该模型能通过迭代式的学方法根据已有的CEUS病灶样例确定较合适的ROI和模型的相关参数。在给出一个样例后，能够通过提前去掉部分不合适的ROI以及快速的搜索方法确定合适的ROI以及对该病灶给出参考诊断。

主权项

一种在超声影像中自动识别肝脏肿瘤类型的方法，其特征在于，包括：S1.使用模型来表示一个病例，使用局部分类器表示病灶可能的变化形态；S2.输入一组病例的超声影像和每个病例的肝癌类型，作为训练样本；S3.初始化模型参数的值，将其全部初始化为0，或以期望为0的高斯概率分布进行随机初始化；S4.基于模型参数，在一个病例的超声影像视频中，使用动态规划算法，为各局部分类器搜索最佳的感兴趣区域ROI位置、大小和时间，使得模型在判断训练样本的病灶类别正确时得到的分数最大；S5.使用图割算法，确定出该病例所属的特定的变化形态和感兴趣区域ROI；S6.基于由步骤S5确定的感兴趣区域ROI，以步骤S2中的训练样本为输入，使用cutting‑plane算法对其进行训练，以算法的输出作为模型参数，同时获取该病例中病灶的可能位置、大小以及局部分类器的个数；S7.重复步骤S4～S6对训练样本数据种的各病例进行病灶类型的获取，判断获取的病灶类型的正确性，当判断错误的个数固定；或重复步数达到预设值时，得到训练模型参数；S8.采用由步骤S7获取的训练模型参数，在待检测病例的超声影像视频中为所有局部分类器确定最佳的感兴趣区域ROI位置、大小和时间；再使用图割算法，确定出该待检测病例所属的特定的变化形态和感兴趣区域ROI；根据确定好的变化形态和感兴趣区域ROI，使用模型得到病灶的可能性分数；S9.对该待检测病例中所有病灶类型重复步骤S2～S8，每次重复可得到一种病灶的可能性分数，对应可能性分数最高的病灶种类即为该待检测病例的病灶类型。