基于BEMD與隨機森林算法的HIFU治療無損測溫方法

郭 燕， 丁亞軍,， 錢盛友， 陳 興

(1. 湖南師范大學 信息科學與工程學院， 湖南 長沙 410081；2. 湖南師范大學 物理與電子科學學院， 湖南 長沙 410081)

高強度聚焦超聲(High Intensity Focused Ultrasound， HIFU)治療已成為臨床醫學中組織器官的惡性與良性實體腫瘤的非侵入性治療方式. 其原理是將低能量的超聲波聚焦在治療區域， 聚焦產生的高能量使焦域局部組織瞬間凝固性壞死， 從而達到既不損傷正常組織又能消除病變組織的目的[1]. HIFU治療過程中， 溫度決定了組織消融的程度， 溫度過低會導致病變組織殘留， 溫度過高會損傷正常組織， 因此溫度的實時監控非常重要[2]. HIFU治療的超聲圖像含有許多與溫度相關的信息， 自2002年侯珍秀等人提出通過B超圖像的灰度變化來估測熱療的溫度變化以來， 許多HIFU測溫的研究人員開始把目光投入了B超圖像的無損測溫方法. Zhang發現灰度-梯度共生矩陣的8個紋理參數， 尤其是小梯度優勢、 混合熵和灰度均值與溫度有著很好的線性相關性[3]. 盛磊發現灰度直方圖中的灰度均值， 灰度共生矩陣中的熵以及灰度梯度共生矩陣中的混合熵、 逆差距、 相關等5個參數與組織溫度間具有較高的線性相關性[4]. 李勇發現輻照前后差值圖像離散Walsh變換的直流分量以及輻照前后圖像的交叉熵均與溫度成近似線性關系[5-6].

近些年來， 以概率和統計為基礎的機器學習是人工智能中的熱點研究問題， 在數據挖掘、 計算機視覺、 語音處理、 生物醫學工程等方面有著十分廣泛的應用[7].

本文從機器學習的角度， 提出一種基于BEMD與隨機森林算法的HIFU治療無損測溫方法， 最終實現對溫度的有效測量.

1 基本理論

1.1 隨機森林

隨機森林(Random Forest， RF)由Breiman L于2001年提出[8]， 是一種兼顧運算效率和預測精度的機器學習模型. RF的“隨機”體現在兩方面： 樣本的隨機選取和特征的隨機選取. 如被解釋變量有k個樣本值，m個特征值， 通過bootstrap抽樣方法從原始數據中隨機抽取n(n

RF將多個弱分類器集成組合成一個強分類器， 從而避免了單分類器容易出現的過度擬合現象， 對異常值和噪聲有很好的容忍度； 并且RF對多元共線性和非平衡的數據不敏感， 因此具有很高的預測準確率和穩定性以及極強的數據挖掘能力[10].

1.2 二維EMD

經驗模式分解(Empirical Mode Decomposition， EMD)是一種非線性、 非平穩性信號的處理方法， 能自適應地將信號分解為一系列的從高頻到低頻的IMF分量和一個余量， 此分解過程稱為“篩分”. 自1998年Huang[11]等人提出一維EMD分解算法后， 2003年Nunes正式提出了可應用于二維數字圖像處理的二維EMD(Bidimensional EMD， BEMD)分解算法. BEMD原理與一維EMD類似， 篩分過程為：

1) 初始化， 設二維圖像信號為I(x,y),令R0(x,y)=I(x,y)，m=1.

2) 提取第m個IMF分量IMFm：

①C1(x,y)=Rm-1(x,y)；

② 查找出Cn(x,y)的局部極大值和局部極小值點， 選擇合適的曲面插值方法得到由極大值點插值構成的上包絡面Cmax和極小值點插值構成的下包絡面Cmin. 得到平均包絡面

③Cn+1(x,y)=Cn(x,y)-Cmean(x,y)，n=n+1；

④ 重復步驟②和③， 直到滿足迭代終止條件：標準差SD小于0.3.

3)Rm(x,y)=Rm-1(x,y)-IMFm(x,y).

4)m=m+1， 重復步驟2)和3)， 直到得到所要求的IMF數量M.

此時， 余量RES(x,y)=Rm-1(x,y).

最后二維圖像被分解為若干個IMF分量和余量之和的形式， 計算公式為

2 無創測溫實驗

2.1 實驗系統與實驗方案

實驗系統由超聲診斷系統和HIFU探頭組成， 如圖 1 所示. 將新鮮離體豬肉組織放置在HIFU探頭正下方的吸聲橡膠上， 由超聲診斷儀獲取B超圖像后通過圖像采集卡輸入計算機. 啟動HIFU， 收集每次HIFU輻照前后豬肉組織的B超圖像以及熱電偶測量得到的輻照后目標區域的瞬時溫度. 記錄9組實驗的B超圖像及其對應溫度， 每組實驗的溫度測量范圍為37～80 ℃.

圖 1 實驗系統Fig.1 Experiment system

2.2 實驗數據預處理

對獲得的B超圖像截取以輻照焦點為中心的64*64像素部分作為實驗數據進行處理. 為了減小實驗環境和不同豬肉組織之間的差異性對B超圖像的影響， 在處理實驗數據時先對B超圖像與37 ℃圖像做差， 得到減影圖像， 如圖2(c)所示.

圖 2 64×64 HIFU焦域處超聲圖像及減影圖像Fig.2 64 × 64 HIFU image around focus and subtraction image

3 灰度均值與溫度關系分析

眾多已有研究發現了B超圖像的一些特征參數與溫度的近似線性相關性， 其中灰度均值與溫度有著較好的線性相關性， 是能夠良好表征豬肉組織B超圖像溫度的參數之一. 9組B超減影圖像的灰度均值分別與溫度通過最小二乘法線性擬合得到的每組確定系數及均方根誤差如表 1 所示. 雖然每組灰度均值與溫度呈現較好的線性相關性， 但是由于豬肉組織樣本的差異性， 不同組B超圖像的灰度均值與溫度關

圖 3 9組灰度均值與溫度的線性擬合結果Fig.3 The linear fitting between average gray and temperature of 9 groups

系的擬合直線有所差別， 不具有代表性. 于是我們利用9組B超圖像灰度均值與溫度線性擬合得到關于灰度均值的溫度估計線性回歸方程， 回歸方程直線如圖 3 所示， 回歸方程確定系數及估測溫度與熱電偶測量溫度均方根誤差如表1所示. 此回歸方程預測B超圖像溫度的均方根誤差為5.259 ℃， 誤差較大， 難以實現溫度的準確預測.

由圖 3 可知， 隨著溫度的升高， 灰度均值開始發散， 尤其到了55 ℃左右， 組織開始消融， 蛋白質發生變性后， 灰度均值與溫度的線性關系更不明顯， 使得溫度估計方程誤差變大. 因此難以用一個確切的線性函數模型來描述溫度與灰度均值的關系并進行預測. 對于這樣的一個非線性關系， 更適合用一個非線性模型來預測溫度.

表 1 9組數據線性擬合確定系數及均方根誤差的比較

4 隨機森林無損測溫方法

4.1 隨機森林測溫模型

隨機森林算法作為機器學習算法中的一種， 它對復雜的非線性系統有著較強的適應能力， 是一種能夠有效地解決多變量預測效果的非線性建模工具. SVM(Support Vector Machine)同樣作為一種非線性建模工具， 擁有很強的非線性處理能力[12]， 能以較高的精度逼近非線性連續函數. 為了體現本文方法的有效性和優勢， 采用SVM模型與RF模型作對比.

將這9組B超減影圖像作為樣本數據D， 共125個樣本. 從中隨機選取89個樣本數據進行訓練， 36個樣本用于測試. 提取減影圖像的灰度均值作為解釋變量分別輸入到RF模型和SVM模型進行訓練與測試. 得到測試樣本的預測溫度與熱電偶測量溫度的均方根誤差如表 2 所示. 可以看出， 通過RF模型和SVM模型測溫的均方根誤差均低于通過灰度均值建立的溫度估計線性回歸方程. 且RF模型測溫效果優于SVM模型， 預測效果更好.

表 2 4種測溫方法誤差比較

4.2 基于BEMD的隨機森林測溫模型

本文通過BEMD方法對豬肉組織的減影圖像進行2級分解， 分解為兩個IMF分量和一個余量. 在BEMD分解之前， 先對得到的減影圖像采用鏡像延拓方法來克服BEMD的邊界效應， 分別向上、 向下延拓60行像素， 向左、 向右延拓60列像素. 如圖 4(a)～(c)分別為焦域處于70 ℃時的減影圖像的IMF1，IMF2和余量圖像. 其中， 極值點的選取采用的是4鄰域比較法， 插值方法是delaunay三角剖分插值.

提取樣本數據D經BEMD分解后的兩層IMF分量和余量圖像的灰度均值， 并作為3個解釋變量分別輸入RF模型和SVM模型， 訓練與測試樣本仍為之前隨機選取的89個與36個樣本. 測試樣本的預測溫度與熱電偶測量溫度的均方根誤差如表 2 所示. 由于BEMD方法所得的若干個IMF分量可以使灰度均值自適應地在不同的分辨率下顯示出來， 非常有利于非線性非平穩信號的分析處理. 通過BEMD多尺度多分辨率的表達， 提髙了灰度均值這一特征參數描述B超圖像非平穩特性的能力， 使其描述B超圖像溫度更為準確. 因此， BEMD-RF測溫方法有著較寬的噪聲影響的適應性及樣本差異的兼容性， 測溫優勢更大. 由表 2 也可以看出， BEMD-SVM模型和BEMD-RF模型測溫誤差均低于SVM模型和RF模型,其中BEMD-RF模型預測精度最高， 測溫效果最好.

圖 4 減影圖像經過BEMD分解后的各分量圖像Fig.4 The components of the subtraction image decomposed by BEMD

對于測試樣本， 未使用BEMD方法的RF模型的預測溫度與熱電偶測量溫度對比如圖 5(a) 所示， BEMD-RF模型的預測溫度與熱電偶測量溫度對比如圖 5(b)所示， 兩種測溫方法誤差如圖 6 所示. BEMD-RF模型整體誤差較小， 在75 ℃以下絕對誤差在3 ℃以內， 75 ℃以上誤差變大.

圖 5 預測溫度和熱電偶測量溫度對比Fig.5 The comparison between the predicted temperature and the actual temperature

圖 6 測溫誤差分析Fig.6 Error analysis of temperature measurement

5 結 論

本研究采用基于BEMD與隨機森林算法的B超圖像測溫方法， 通過機器學習的方法構建測溫的隨機森林模型進行HIFU治療無損測溫， 突破了以往從尋找線性關系的角度探索溫度與B超圖像灰度均值關系的研究. 文中引入了SVM模型進行測溫， 對比發現RF模型的測溫結果要優于SVM模型， 表明RF模型在HIFU治療無損測溫中的應用具有比較明顯的優勢， 數據挖掘能力更強. 同時通過BEMD多尺度多分辨率表達后的各分量灰度均值輸入RF模型預測得到的溫度更為準確. 因此BEMD-RF測溫方法測溫效果更好， 精確度更高， 為HIFU無損測溫提供了一種有效的新思路. 在75 ℃以下時， 該測溫方法測溫誤差小于3 ℃， 75 ℃以上誤差變大.