基于超聲識別HIFU致生物組織變性

譚 青,丁亞軍*,錢盛友，陳 興

(1.湖南師范大學信息科學與工程學院，2.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)已廣泛用于治療腫瘤，其原理是將超聲波能量聚焦于病灶區域，瞬時產生65℃以上高溫，致腫瘤組織迅速凝固、壞死[1-2]。既往采用自組織映射神經網絡(self-organizing maps, SOM)[2]、小波系數Hu矩特征值結合支持向量機(support vector machine, SVM)[3]，或以頻譜圖像的灰度共生矩陣慣性矩為反映溫度變化的信息參數[4]、通過提取灰度-梯度共生矩陣中灰度熵、混合熵[5]識別HIFU所致生物組織損傷，均取得較好效果。如何于灰度-梯度共生矩陣及灰度差分統計紛繁的特征參數中選擇最優參數以提高組織變性識別率是亟待解決的問題。本研究探討基于超聲減影圖像篩選最佳特征向量，結合廣義回歸神經網絡(generalized regression neural network, GRNN)提高HIFU所致生物組織變性識別率的方法。

1 實驗系統與方法

采用由HIFU輻照源(深圳普羅惠仁醫療科技公司)、Philips 超聲成像儀器及計算機控制系統組成的實驗系統，見圖1。選取300個新鮮離體豬肉組織樣本，將其置于透明玻璃缸里探頭正下方，以不同劑量對樣本進行輻照，觀察輻照后樣本的聚焦區域是否出現組織凝固性壞死并記錄組織損傷情況，獲得150個變性樣本和150個未變性樣本。于輻照前后采集樣本的超聲聲像圖，對圖像濾波后行減影處理，獲得超聲減影圖像，見圖2。

圖1 實驗系統示意圖

2 特征提取

灰度-梯度共生矩陣法體現像素的灰度與圖像的邊緣信息[6]，灰度差分統計法為像素在一定鄰域范圍內的灰度差值出現的概率，反映不同像素間在鄰域范圍內的關聯程度[7]。……