识别二尖瓣环铰链点基于局部上下文特征和添加剂SVM分类器

文摘

二尖瓣环的铰链点的位置(MA)对分割很重要,心脏结构的建模和多峰性登记。确定马的铰链点的主要困难是固有的噪声,低分辨率超声心动图,等等。这项工作旨在自动检测的铰链点马通过结合当地环境特征与添加剂支持向量机(SVM)分类器。创新如下:(1)设计一个当地情况为马在心脏超声图像特征;(2)应用添加剂内核支持向量机分类器识别马的铰链点的候选人;(3)设计一个加权密度候选人代表候选人的块;和(4)估计的自适应阈值加权密度场马的铰链点的位置和排除错误的SVM分类器。该算法在超声心动图检测four-chamber 10儿科患者的图像序列。与手动选择铰链点的马所选择的专业医生,平均误差在0.96±1.04毫米。添加剂SVM分类器可以快速、准确地识别马铰链点。

1。介绍

先天性心脏病是儿童死亡的主要原因之一。二尖瓣装置的三维形状和运动分析左心室功能非常重要,诊断二尖瓣疾病,并确定左心室的障碍1- - - - - -4]。存在一些问题在二尖瓣疾病的手术计划,包括最佳手术时间和如何塑造二尖瓣。因此,分析二尖瓣装置的运动和形状与先进的计算机技术和成像技术具有重要的临床价值和社会价值。

精确定位的铰链点二尖瓣价值有利于建模、运动跟踪、多峰性登记心脏图像。超声图像中的模糊的和不完整的心室结构由于沉重的噪音,低分辨率,和有限的成像范围实时超声心动图造成巨大困难识别二尖瓣值手动和自动。一举一动et al。5]介绍了一种自动跟踪算法使用多维动态规划跟踪二尖瓣的铰链点值传单在二维超声心动图图像。Takemoto et al。6]介绍了一种自动化二尖瓣的跟踪方法。采用部分形状约束轮廓模型跟踪和配合二尖瓣的模棱两可的心室边界和识别铰链点值使用模式匹配算法。韦罗内西et al。7)跟踪二尖瓣的四维超声心动图结合图像光流法和块匹配法。由于累积误差,结果需要手动修正。施耐德et al。8)使用限制光学流结合图切(9)和一个阀门状态预测部分二尖瓣环从四维超声图像。

介绍了铰链点二尖瓣环基于添加剂SVM分类器的识别算法(10,11]。优化添加剂SVM分类器,可以更快更有效地测试样本进行分类得到了与经典的支持向量机分类器相同的分类精度。很难设计一个功能的超声心动图的形象,因为沉重的噪音和低分辨率。典型的局部二值模式(LBP)等全球功能(12,13)和直方图无法指定铰链点在整个心脏结构。空间关系的心房和心室超声心动图是固定的。因此,在这项工作中,一个本地上下文特征获得后续分类马铰链点的候选人在超声心动图心脏内的结构。理想情况下,每个像素在附近可以放在上下文。然而,这将产生一个大的特征空间。本文设计本地上下文功能,节俭地样本的灰度值上下文位置在八个方向45度区间。合理的结果将在应用添加剂实现支持向量机分类器在这个本地上下文特征。本文的其余部分组织如下。部分2介绍了添加剂SVM分类器。节3,我们描述当地的环境特性。部分4给出了一个改进的方法。节5,我们目前的分类。部分6给出了一些实验结果,证明了该算法的有效性。最后,我们得出结论7。

2。添加剂SVM分类器

支持向量机,提高了决策树14,15)是两种主要的方法在目标检测和目标识别。分类器的基础上提高了决策树的分类速度快,但他们明显慢火车。此外,培训的复杂性与类的数量呈指数级增长。线性支持向量机有效培训期间给定的特征空间。它可以用于实时应用低内存需求和分类速度快。尽管内核技巧介绍支持向量机处理非线性问题,其复杂性远远高于线性支持向量机。

线性支持向量机更有效率,但许多非线性内核可以得到更好的结果在模式分类任务中由于非线性分布的特性。一些流行的非线性内核是基于直方图的低级功能,如颜色和纹理图像的使用一个内核源自直方图相交或卡方距离训练SVM分类器。评估分类函数,测试直方图是每个支持向量直方图相比。Maji et al。10,11)提供一个方法,可以有效地计算出基于直方图的分类函数。这种优化方法显著提高添加剂内核支持向量机,可以用在任何添加剂内核。

2.1。直方图相交内核支持向量机

给定的训练集、类标签;向量。找到超平面将样本集线性问题,最小化函数可以写成 在哪里 和松弛变量,用于最大化支持向量和超平面之间的距离,用于减少错误率,是最大化之间的重量距离和松弛约束,是超平面的法向量,确定超平面的偏移量从原点沿法向量。内核是内积在高维度。最大化对偶函数 在哪里拉格朗日乘子,,。决策函数,在那里 和支持向量。因此,分类测试功能需要次计算核函数和商店支持向量。假设决策函数的复杂性,一个测试分类的复杂性特征。线性核函数,它的决策函数在哪里。所以线性支持向量机的复杂性。

与边界等相似的特征,颜色可以表示成直方图定期使用直方图交叉路口作为其相似的评价。直方图相交内核 在哪里是直方图特性。决策函数 的复杂性(6)仍然是。十字路口内核的关键属性是加法的顺序可以交换。所以,(6)可以转化为以下: 函数可以表示成1 d函数的总和,在那里

使的复杂性来,让表示排序在增加订单;相应的和是和。如果,然后。否则,让满足是最大的整数。这个函数是改变了 在哪里,。功能和它只取决于支持向量和之后可以计算训练支持向量机模型。采用二分查找并且降低了复杂性。

3所示。当地环境特征

一般的图像检测算子如Sobel算子和拉普拉斯算子不能应用于超声波图像由于噪声和模糊边界。上下文与邻居的关系可以表示为一定范围内的邻居像素的图像处理。本文介绍了本地上下文特征稀疏样本(16邻居像素的像素。采样稀疏可以减少维度和缩短训练时间。因为固定空间分布的心脏组织的超声图像,局部上下文特性可以量化心脏组织之间的位置关系。

如图1所示,红色的点代表采样点。这个特性抽样八方向和采样点之间的时间间隔变大到中心点的距离延长。点靠近中心点包含更多的信息关于中心点,所以大多数特征样本点是在附近的范围内。考虑到心脏超声图像的大小,最大采样距离集29和采样位置在每个方向。由于沉重的噪音在超声心动图,采样点的灰度值不准确会使训练和分类功能,这将降低识别率。为了消除噪声引起的误差,我们应用意味着过滤时采样点采样。因为较大的模板不能使抽样平均灰度值准确反映采样点的信息,我们的平均33社区每个采样点的值。所以一个像素可以获得一个65维的特征和当地特征快速提取。

4所示。改进的分类

我们可以得到一个好的识别结果采用本地上下文特征和添加剂内核支持向量机分类器,如图2(一个)所示。红点是候选点的SVM分类器。点箭头1表明得到正确的分类结果。由于低分辨率和沉重的噪音,点箭头2表示被SVM误分类的结果。

这样的SVM分类器训练得到点箭头1表明,所以候选点的多数将是正确的。和密度是一个很好的特性来区分正确点和错误的。摘要加权模板适用于每个候选点和加权密度场。图3给出了加权模板块得到的距离。

密度函数 在哪里任何时候在密度场,是候选人的集合点,块的距离,11街区的一个点吗。如图2 (c)所示,正确的点是突出密度场和错误的点是昏暗的。我们可以确定一个自适应阈值排除二分搜索的暗点密度场的最大和最小值之间。下面的部分显示了算法的流程。

自适应阈值的流动。=密度场的最大价值。(1)如果数量大于连续区域完全是两个,去一步吗。(2)如果区域的数量小于2,减少然后转到步骤。(3)如果区域的数量大于2,增加然后转到步骤。(4)得到自适应阈值。

图2 (c)显示了结果采用自适应阈值;我们可以看到,很容易把两个街区。然后和两个街区可以单独计算的平均值作为二尖瓣环的铰链点的位置。另一个问题是,自适应阈值也可以排除一些正确的点,导致一个不可靠的结果。为了得到准确的结果,我们建议使用两个街区中心作为初始聚类中心——整个候选点进行分类在一定规模。由于二尖瓣环的固定大小,可以从实验中获得一定规模。结果如图4,绿色和蓝色块的结果——分类器,和两个街区的中心的红点是二尖瓣环的铰链点的精确位置。

5。流分类

分类过程的流动可以集成到三层如图5。

6。实验

图像数据在7500年的纸是Sonos超声图像和原始三维图像的大小为208×160×144。从10获得的数据从9到12岁的孩子。心动周期9 - 24帧。实验1展示了如何确认当地情况的采样窗口特性和如何选择加权模板的大小。实验2比较了33平均采样和直接采样导致沉重的噪音超声波图像。实验3比较该算法和人工选择的结果点选择的专业医生。使用不同的内核函数实验4显示了不同的结果。

6.1。实验1

当地上下文特性是样本的心脏组织结构。具体采样窗口的大小和加权模板的大小来自实验。实验结果表明,不同大小几乎没有影响的结果。图6(一)是参数的结果吗在当地的环境特点和人物6 (b)是参数的结果吗。图6 (c)的结果加权模板的大小设置为10和图吗6 (d)的结果加权模板的大小设置为8。

6.2。实验2

图7(一)显示的结果直接抽样法,图7 (b)显示的结果33平均抽样。实验表明,3的结果3平均抽样比直接抽样。此外,我们可以看到,沉重的噪音和超声图像的低分辨率影响严重的结果。这表明这个常规的图像检测方法不能用于医学图像。猪或筛选功能检测角点也不能用于医学图像尤其是超声图像。

6.3。实验3

表1显示了我们的结果的均值和方差比手动选择点。这个结果是10位病人从心动周期。我们的平均误差可以控制在近0.96毫米在医学诊断是可以接受的。

6.4。实验4

图8使用不同的内核函数显示不同的结果。在这个图中,我们可以得出结论,核函数的选择对最终结果是非常重要的。此外,我们可以看到十字路口内核直方图匹配当地的环境特性得到更准确的分类结果。

7所示。结论

介绍了铰链点二尖瓣环识别方法使用添加剂内核支持向量机分类器和本地上下文特征。由于分类错误,我们设计一个加权模板排除明显错误的点。精炼后的结果,结果之间的误差均值和方差自动和手动控制在0.96±1.04毫米。从实验,证明了该算法能够准确地定位二尖瓣的铰链点。快速特征提取和分类过程加速,该算法可用于实时应用程序。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

本文的工作部分是由湖南省教育部门的科学研究基金(批准号12 b003)、湖南省交通部门的科学研究基金(批准号201334)。

引用

1. s . j .巴斯d·梅瑞尔·m·Emami et al .,“纵向收缩期左心室功能的快速评估二尖瓣环的使用散斑跟踪,”临床心脏病学研究,卷101,不。4、273 - 280年,2012页。视图:出版商的网站|谷歌学术搜索
2. n . p .尼基丁p h . Loh, r . de Silva et al .,“预后的价值与多普勒组织成像测量收缩期二尖瓣的速度在慢性心力衰竭患者左心室收缩功能障碍,造成“心,卷92,不。6,775 - 779年,2006页。视图:出版商的网站|谷歌学术搜索
3. j•马托斯Kronzon, g和,g .活跃”飞机二尖瓣环收缩期偏移作为左心室射血分数的代孕,”美国超声心动图学会杂志》上,25卷,不。9日,第974 - 969页,2012年。视图:出版商的网站|谷歌学术搜索
4. w . Tsang h·艾哈迈德·a·r·帕特尔et al .,“快速评估左心室功能使用超声心动图speckle-tracking二尖瓣的位移,”美国超声心动图学会杂志》上,23卷,不。5,511 - 515年,2010页。视图:出版商的网站|谷歌学术搜索
5. s t Nevo m . van Stralen a . m . Vossepoel et al .,“自动跟踪顶端超声心动图二尖瓣环运动的图像,采用多维动态规划”超声波在医学和生物学,33卷,不。9日,第1399 - 1389页,2007年。视图:出版商的网站|谷歌学术搜索
6. y Takemoto, t . Hozumi k Sugioka et al .,“自动三维分析心肌梗死患者二尖瓣的动态使用自动化二尖瓣的跟踪方法,”超声心动图,23卷,不。8,658 - 665年,2006页。视图:出版商的网站|谷歌学术搜索
7. f·韦罗内西,c .柯西& company e . g . et al .,“半自动跟踪二尖瓣环使用实时三维超声心动图动态分析,”《计算机学报在心脏病(中投06年)33卷,第116 - 113页,2006年9月。视图:谷歌学术搜索
8. r·j·施耐德·d·p·佩兰,n . v . Vasilyev g·r·马克思·j·德尔尼多和r·d·豪”二尖瓣环分割使用阀门状态预测和限制从四维超声光流,”医学图像分析,16卷,不。2、497 - 504年,2012页。视图:出版商的网站|谷歌学术搜索
9. r·j·施耐德·d·p·佩兰,n . v . Vasilyev g·r·马克思·j·德尔尼多和r·d·豪”二尖瓣环分割使用图从3 d超声削减,”IEEE医学成像卷,29号9日,第1687 - 1676页,2010年。视图:出版商的网站|谷歌学术搜索
10. s . Maji a·c·伯格和j·马利克,“高效添加剂内核支持向量机分类,”IEEE模式分析与机器智能,35卷,不。1,第77 - 66页,2013。视图:出版商的网站|谷歌学术搜索
11. s . Maji a·c·伯格和j·马利克,“使用交叉内核支持向量机分类是有效的,”学报》第26届IEEE计算机视觉与模式识别会议(CVPR ' 08)2008年6月,页1 - 8,。视图:出版商的网站|谷歌学术搜索
12. 华盛顿特区。他和l . Wang“基于纹理的纹理特征光谱,”模式识别,24卷,不。5,391 - 399年,1991页。视图:出版商的网站|谷歌学术搜索
13. m .么,m . Pietikainen和j .么“texture-based方法检测运动物体,”15英国机器视觉研讨会论文集(BMVC ' 04),2004年,页1 - 10。视图:谷歌学术搜索
14. b·p·罗伊周宏儒。杨,j .朱Stancu, y . Liu和g·麦格雷戈,”提高了决策树作为粒子的替代人工神经网络识别、”核仪器和方法在物理学研究中,部分:加速器,光谱仪,探测器和相关设备,卷543,不。2 - 3、577 - 584年,2005页。视图:出版商的网站|谷歌学术搜索
15. m·A·库马尔和m·戈”,基于混合支持向量机决策树”,模式识别,43卷,不。12日,第3987 - 3977页,2010年。视图:出版商的网站|谷歌学术搜索
16. z Tu和x呗,”Auto-context及其应用高级视觉任务和3 d脑图像分割,“IEEE模式分析与机器智能,32卷,不。10日,1744 - 1757年,2010页。视图:出版商的网站|谷歌学术搜索

版权

版权©2015 Jianming Zhang et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。