基于Gabor變換和灰度梯度共生矩陣的超聲無損測溫研究*

肖 達,王潤民*,鄒 孝,董 胡,錢盛友*,江劍輝

(1.湖南師范大學物理與信息科學學院,長沙 410081;2. 深圳普羅惠仁醫學科技有限公司,廣東 深圳 518067)

基于Gabor變換和灰度梯度共生矩陣的超聲無損測溫研究*

肖 達1,王潤民1*,鄒 孝1,董 胡1,錢盛友1*,江劍輝2

(1.湖南師范大學物理與信息科學學院,長沙 410081;2. 深圳普羅惠仁醫學科技有限公司,廣東 深圳 518067)

提出了一種基于Gabor變換和灰度梯度共生矩陣(CMGG)的超聲無損測溫方法。通過高強度聚焦超聲(HIFU)對新鮮離體豬肉組織進行輻照,實時獲取輻照前后的超聲圖像,對其做數字減影和Gabor濾波,提取歸一化后灰度梯度共生矩陣的二階參數梯度平均、混合熵和逆差矩作為溫度的表征參數。實驗結果表明:Gabor濾波后的灰度-梯度共生矩陣的二階參數梯度平均、混合熵和逆差矩與溫度的相關系數分別達到0.980 4、0.985 4和-0.964 4,優于傳統的灰度均值法和實值Gabor系數法。Gabor濾波后的灰度-梯度共生矩陣的二階參數混合熵在37 ℃～55 ℃能較好地反映溫度變化信息,梯度平均則在55 ℃～85 ℃有更好的測溫效果。

高強度聚焦超聲;無損測溫;Gabor變換;灰度共生梯度矩陣

高強度聚焦超聲HIFU(High-Intensity Focused Ultrasound)治療作為一種新型的醫學治療技術手段,由于其對患者造成創傷小,經濟成本低、實時性良好而被醫療領域廣泛應用[1-2]。其原理主要是利用超聲波在病灶區瞬間產生60 ℃以上的高溫來殺死腫瘤細胞來達到治療的目的,所以在HIFU熱療中溫度的控制是非常重要的因素[3-4]。如何快速準確地測定治療區域的溫度成為這一技術的關鍵性問題。目前,利用超聲的測定手段主要基于超聲散射回波信號和超聲圖像[5]。研究發現超聲信號的能量、衰減系數和小波系數等參數和溫度表現有一定的關系,然而由于超聲信號的復雜性該方法并沒有在實際中應用[6-7]。馮艷玲等人利用數據挖掘的方式處理獲取的B超圖像,發現溫度與圖像的GLCM慣性矩、均值和、梯度均值、梯度方差及多種小波基下的小波分解系數能量等存在多元線性關系[8]。陳錦鈞等人利用實值離散Gabor變換法將高頻噪聲濾除開來,得到溫度和Gabor系數能量成近似線性關系,但其和溫度的線性相關程度還有待提高[9]。本文提出了一種基于Gabor變換和灰度梯度共生矩陣(GGCM)相結合的方法,Gabor變換具有聯合最優的空域和頻域局部化特性,灰度梯度矩陣是像素灰度和梯度的聯合統計分布,能夠更好地反映超聲圖像中灰度級的空間分布規律。

1 基本理論

1.1 Gabor濾波

Gabor小波是為了模擬人類視網膜成像而產生的,它在提取圖像的局部空間和頻率域信息方面具有很好的特性。Gabor小波能夠提供不同的頻率選擇和尺度選擇特性,用Gabor 函數形成的二維Gabor 濾波器具有在空間域和頻率域同時取得最優局部化的特性,因此能夠很好地描述對應于空間頻率(尺度)、空間位置及方向選擇性的局部結構信息[10-12]。Gabor小波定義如下,復數表達:

(1)

實數部分:

(2)

虛數部分:

(3)

式中:

x′=xcosθ+ysinθ
x′=-xsinθ+ycosθ

(4)

利用二維Gabor函數組成濾波器,用其和超聲圖像做卷積,可以得到超聲圖像的有用信息。

1.2 灰度梯度共生矩陣

圖像紋理特征參數分析既可以用圖像灰度本身的信息,又可以用圖像灰度變化的梯度信息。灰度-梯度共生矩陣(GGCM)分析方法是用灰度和梯度的綜合信息提取紋理特征,它是將邊緣梯度信息加入到空間灰度信息的聯合統計分布[13-14]。本文利用歸一化的灰度-梯度共生矩陣計算了Gabor濾波后的超聲圖像的二階紋理特征參數灰度平均、混合熵和逆差矩。

取圖像{f(m,n);m,n=0,1,2,…,N-1},設灰度級數目為Gf。利用平方和可以得到它的梯度圖像{g(m,n);m,n=0,1,2,…,N-1},將此梯度圖像離散化Gg,設灰度級數目為Gg,離散化間隔為1/Gg,則新的灰度級為:

(5)

式中:gmax,gmin分別是g(m,n)的最大值和最小值,經此變化后的梯度圖像{G(m,n);m,n=0,1,2,…,N-1},灰度級數目為Gg。灰度-梯度共生矩陣的定義為:{H(i,j);i=0,1,2,…,Gf-1;j=0,1,2,…,Gg-1}。H(i,j)定義為集合{(m,n)|f(m,n)=i且G(m,n);m,n=0,1,2…N-1}中的元素數目,即灰度值為i,梯度值為j的總像素個數。對灰度-梯度共生矩陣作歸一化處理,使個元素之和為1。變換公式為:

(6)

歸一化處理后的灰度-梯度共生矩陣可以提取二階特征參數,本文選取了15個二階特征參數中的灰度平均、混合熵和逆差矩作為溫度的表征參數,其定義如下:

灰度平均:

(7)

混合熵:

(8)

逆差矩:

(9)

2 實驗系統與圖像預處理

實驗系統如圖1所示。實驗所用的HIFU探頭為深圳普羅公司生產的PRO300系列,其中心頻率為1.18 MHz,最大輸出聲功率為400 W,B超增益為64。熱電偶采用的是OMEGA的HYP_PROBES,直徑為0.2 mm,最高測量溫度達到200 ℃,響應時間為25 ms～125 ms。測溫儀采用的是OMEGA的RDXL4SD,其分辨率:0.1/1 ℃。整個實驗在水中進行,用B超獲取超聲圖像,同時通過在豬肉內植入熱電偶記錄HIFU打擊焦域的瞬時最高溫度,通過改變HIFU劑量可改變組織溫升。

圖1 實驗裝置

圖3 不同特征參數與溫度的關系

實驗所采取新鮮的離體6 h內豬肌肉組織作為生物組織樣本,測溫范圍在37 ℃～85 ℃。對獲得的B超圖像和對應的溫度進行記錄,以超聲焦域為中心截取64×64的圖像進行處理。由于在不同的情況下,超聲圖像有所差異,為了減小實驗誤差,先對HIFU輻照前后B超所獲取的灰度圖像作差值處理,再將圖像進行Gabor濾波。如圖2所示,此處選取焦域處于50 ℃的灰度圖像與處于37 ℃的灰度圖像做差值處理后的結果以及差值圖像進行Gabor濾波后的圖像結果。

圖2 HIFU輻照前后焦域處超聲圖像、差值圖像及濾波后圖像

3 實驗結果及其分析

在MATLAB-R2014a版本下,先后對輻照后的超聲圖像做減影、Gabor濾波等預處理工作,并提取歸一化后的灰度—梯度共生矩陣的二階特征參數梯度平均、混合熵、逆差矩作為溫度的表征參數,同時選取灰度均值作對比參數,并將所有的特征參數和對應的溫度信息做最小二乘法的線性擬合。經大量重復性實驗,并對數據進行了分析,圖3為3組實驗數據的擬合結果。圖3(a)～(d)分別為梯度平均、混合熵、逆差矩、灰度均值和溫度的關系圖。

從圖3可以發現,利用Gabor變換和GGCM法提取出的特征參數和溫度之間有明顯的相關性。其中,在37 ℃～55 ℃混合熵的圖像有較好的會聚效果,隨著溫度的增加圖像逐漸發散,說明其在低溫階段能較準確的反映溫度變化信息,而隨著溫度增加,在組織變性等原因的影響下重復性變差。梯度平均則在55 ℃～85 ℃時表現出良好的會聚性,說明其在高溫段能更好地反映溫度的變化信息。

為了驗證本研究方法的有效性和優越性,分別采用小波濾波以及Gabor濾波進行對比,統計Gabor濾波前后和小波濾波后灰度-梯度共生矩陣的3個二階參數梯度平均、混合熵和逆差矩和溫度相關性,并與灰度均值法和文獻[9]的實值離散Gabor系數法作對比。采用線性相關系數均值作為相關程度好壞的評價標準,計算公式如下:

(10)

表1 Gabor濾波前后5種參數相關系數均值

從表1可以看出采用Gabor-GGCM方法提取的梯度平均、混合熵以及逆差矩3個二階參數和溫度的線性相關系數均值分別為0.980 4、0.985 4和-0.964 4,高于灰度均值法和實值離散Gabor系數法,相關系數均值為正表示特征參數和溫度為正相關,為負表示特征參數和溫度為負相關。Gabor濾波和小波濾波對灰度平均、混合熵以及逆差矩和溫度的線性相關性都有著一定的影響,相比較而言,Gabor濾波比小波濾波產生的效果更加明顯,Gabor濾波對所有參數的線性相關系數在一定程度上都有提高,而小波濾波則對混合熵的線性相關性沒有改善。這是因為Gabor濾波器能同時在空間域和頻率域取得最優局部化的特性,有效地保留溫度信息的同時濾除無用的噪聲信息。

4 結論

通過對實時超聲圖像提取表征溫度的特征參數,可以幫助醫生快速客觀地判斷生物組織的實時溫度,從而達到對HIFU治療的有效監測。本文提出的Gabor變換和灰度-梯度共生矩陣的超聲無損測溫方法,是將Gabor濾波變換和灰度梯度共生矩陣相結合,綜合兩者的優勢,先利用Gabor濾波濾除噪聲信息,然后提取灰度-梯度共生矩陣從而獲得最能表征溫度信息的特征參數。從實驗數據得出,Gabor濾波后的灰度-梯度共生矩陣的二階參數梯度平均、混合熵和逆差矩和溫度的相關系數優于傳統的灰度均值法和實值Gabor系數法;Gabor濾波后的灰度-梯度共生矩陣的二階參數混合熵在低溫段能較準確的反映溫度變化信息,梯度平均則在高溫段有更良好的測溫效果。在下一步的工作中,我們將收集更多的有效實驗數據,將組織損傷等級的辨別和無損測溫進行有效結合,為HIFU在臨床的應用提供更有效的幫助。

[1] Hsiao Y H,Kuo S J,Tsai H D,et al. Clinical Application of High-Intensity Focused Ultrasound in Cancer Therapy[J]. Journal of Cancer,2016,7(3):225-231.

[2] Cranston D. A Review of High Intensity Focused Ultrasound in Relation to the Treatment of Renal Tumours and Other Malignancies[J]. Ultrasonics Sonochemistry,2015,27:654-658.

[3] Lai P,Mclaughlan J R,Draudt A B,et al. Real-Time Monitoring of High Intensity Focused Ultrasound Lesion Formation Using Acousto-Optic Sensing[J]. Ultrasound in Med and Biol,2011,37(2):239-252.

[4] Hu Jiwen,Qian Shengyou,Ding Yajun. Research on Adaptive Temperature Control in Sound Field Induced by Self-Focused Concavespherical Transducer[J]. Ultrasonics,2010,50(6):628-633.

[5] 李勇,丁亞軍,錢盛友,等. 基于灰度概率分布-交叉熵法的無損測溫方法[J]. 電子測量與儀器學報,2015,2:247-251.

[6] 宋平,錢盛友,馮艷玲,等. 基于超聲散射回波分析的測溫方法研究[J]. 微計算機信息,2007,31:267-269.

[7] 盛磊,楊春蘭,白燕萍,等. 利用超聲回波特征無創監測微波熱療的實驗研究[J]. 中國生物醫學工程學報,2009,5:730-734.

[8] 馮艷玲,陳真誠,何繼善,等. 一種基于B超圖像的亞像素級HIFU束損傷監控方法[J]. 中國生物醫學工程學報,2008,3:366-371.

[9] 陳洪波,湯井田,陳真誠. 實值離散Gabor變換在HIFU無損測溫中的應用[J]. 儀器儀表學報,2008,12:2646-2650.

[10] 梁曉霞,封筠. 基于Gabor變換和灰度梯度共生矩陣的人耳識別研究[J]. 石家莊鐵道大學學報(自然科學版),2011,1:78-83,90.

[11] 黃戰華,劉正,李金晶,等. 一種基于多通道Gabor濾波的紋理提取方法[J]. 儀器儀表學報,2009,4:694-698.

[12] 李金榮,王國英,莫路鋒. 基于感知數據時域特征的WSNs故障被動診斷方法[J]. 傳感技術學報,2015,28(7):1078-1085.

[13] 趙銀娣,張良培,李平湘. 一種方向Gabor濾波紋理分割算法[J]. 中國圖象圖形學報,2006,4:504-510.

[14] 白雪冰,張庭亮,祝賀. 基于多通道Gabor濾波與灰度梯度共生矩陣的虹膜識別方法[J]. 現代科學儀器,2013,5:69-72,82.

肖達(1992-),男,在讀碩士,畢業于湖南人文科技學院信息科學與工程系電子信息工程專業,主要從事生物醫學電子研究方向,812557813@qq.com;

王潤民(1980-),男,講師,2015年畢業于華中科技大學獲模式識別與智能系統專業博士學位,現在國防科技大學從事博士后研究工作,主要研究方向為計算機視覺與模式識別,本文第一通訊作者,runminwang@hust.edu.cn;

錢盛友(1965-),男,博士,博士生導師,現為湖南師范大學教授,畢業于上海交通大學儀器工程系生物醫學工程及儀器專業,目前主要從事生物醫學電子和智能儀器研究工作,本文第二通訊作者,hnqiansy@qq.com。

ANoninvasiveTemperatureMeasurementBasedonGaborTransformandGrayLevelGradientCo-OccurrenceMatrixUsingUltrasound*

XIAODa1,WANGRunmin1*,ZOUXiao1,DONGHu1,QIANShengyou1*,JIANGJianhui2

(1.College of Physics and Information Science,Hunan Normal University,Changsha 410081,China;2.Shenzhen Pro-Hifu Medical Tech Co. Ltd.,Shenzhen Guangdong 518027,China)

A method of ultrasonic noninvasive temperature measurement based on Gabor transform and gray level gradient co-occurrence matrix(CMGG)is proposed. Irradiating fresh pork tissue by high intensity focused ultrasound(HIFU),ultrasound images before and after irradiation are obtained in real-time. And these images are processed by digital subtraction and Gabor filtering. Then three paramters are used as the characterization parameters of temperature,which are gradient average of the second order parameter,mixed entropy and negative moment of normalized gray gradient co-occurrence matrix. Experimental results show that gradient average of the second order parameter,mixed entropy,deficit moment and the temperature correlation coefficient of gray gradient co-occurrence matrix after Gabor filtering respectively reaches 0.980 4,0.985 4 and -0.964 4,better than traditional gray scale average method and real Gabor coefficient method. After Gabor filtering,mixed entropy of the second order paramete of the gray gradient co-occurrence matrix can reflect the change information of temperature from 37 ℃ to 55 ℃. For gradient average,there is a better measurement effect of temperature from 55 ℃ to 85 ℃.

high intensity focused ultrasound;noninvasive measurement;gabor transform;gray gradient co-occurrence gradient matrix

0426.9;TN29

A

1004-1699(2017)11-1684-05

項目來源:國家自然科學基金委員會項目(11474090,11174077,61502164);湖南省自然科學基金項目(2016JJ3090)

2017-01-17修改日期2017-07-21

10.3969/j.issn.1004-1699.2017.11.012