基于Gabor变换和灰度梯度共生矩阵的超声无损测温研究*

肖 达,王润民*,邹 孝,董 胡,钱盛友*,江剑辉

(1.湖南师范大学物理与信息科学学院,长沙 410081;2. 深圳普罗惠仁医学科技有限公司,广东 深圳 518067)

基于Gabor变换和灰度梯度共生矩阵的超声无损测温研究*

肖 达1,王润民1*,邹 孝1,董 胡1,钱盛友1*,江剑辉2

(1.湖南师范大学物理与信息科学学院,长沙 410081;2. 深圳普罗惠仁医学科技有限公司,广东 深圳 518067)

提出了一种基于Gabor变换和灰度梯度共生矩阵(CMGG)的超声无损测温方法。通过高强度聚焦超声(HIFU)对新鲜离体猪肉组织进行辐照,实时获取辐照前后的超声图像,对其做数字减影和Gabor滤波,提取归一化后灰度梯度共生矩阵的二阶参数梯度平均、混合熵和逆差矩作为温度的表征参数。实验结果表明:Gabor滤波后的灰度-梯度共生矩阵的二阶参数梯度平均、混合熵和逆差矩与温度的相关系数分别达到0.980 4、0.985 4和-0.964 4,优于传统的灰度均值法和实值Gabor系数法。Gabor滤波后的灰度-梯度共生矩阵的二阶参数混合熵在37 ℃～55 ℃能较好地反映温度变化信息,梯度平均则在55 ℃～85 ℃有更好的测温效果。

高强度聚焦超声;无损测温;Gabor变换;灰度共生梯度矩阵

高强度聚焦超声HIFU(High-Intensity Focused Ultrasound)治疗作为一种新型的医学治疗技术手段,由于其对患者造成创伤小,经济成本低、实时性良好而被医疗领域广泛应用[1-2]。其原理主要是利用超声波在病灶区瞬间产生60 ℃以上的高温来杀死肿瘤细胞来达到治疗的目的,所以在HIFU热疗中温度的控制是非常重要的因素[3-4]。如何快速准确地测定治疗区域的温度成为这一技术的关键性问题。目前,利用超声的测定手段主要基于超声散射回波信号和超声图像[5]。研究发现超声信号的能量、衰减系数和小波系数等参数和温度表现有一定的关系,然而由于超声信号的复杂性该方法并没有在实际中应用[6-7]。冯艳玲等人利用数据挖掘的方式处理获取的B超图像,发现温度与图像的GLCM惯性矩、均值和、梯度均值、梯度方差及多种小波基下的小波分解系数能量等存在多元线性关系[8]。陈锦钧等人利用实值离散Gabor变换法将高频噪声滤除开来,得到温度和Gabor系数能量成近似线性关系,但其和温度的线性相关程度还有待提高[9]。本文提出了一种基于Gabor变换和灰度梯度共生矩阵(GGCM)相结合的方法,Gabor变换具有联合最优的空域和频域局部化特性,灰度梯度矩阵是像素灰度和梯度的联合统计分布,能够更好地反映超声图像中灰度级的空间分布规律。

1 基本理论

1.1 Gabor滤波

Gabor小波是为了模拟人类视网膜成像而产生的,它在提取图像的局部空间和频率域信息方面具有很好的特性。Gabor小波能够提供不同的频率选择和尺度选择特性,用Gabor 函数形成的二维Gabor 滤波器具有在空间域和频率域同时取得最优局部化的特性,因此能够很好地描述对应于空间频率(尺度)、空间位置及方向选择性的局部结构信息[10-12]。Gabor小波定义如下,复数表达:

(1)

实数部分:

(2)

虚数部分:

(3)

式中:

x′=xcosθ+ysinθ
x′=-xsinθ+ycosθ

(4)

利用二维Gabor函数组成滤波器,用其和超声图像做卷积,可以得到超声图像的有用信息。

1.2 灰度梯度共生矩阵

图像纹理特征参数分析既可以用图像灰度本身的信息,又可以用图像灰度变化的梯度信息。灰度-梯度共生矩阵(GGCM)分析方法是用灰度和梯度的综合信息提取纹理特征,它是将边缘梯度信息加入到空间灰度信息的联合统计分布[13-14]。本文利用归一化的灰度-梯度共生矩阵计算了Gabor滤波后的超声图像的二阶纹理特征参数灰度平均、混合熵和逆差矩。

取图像{f(m,n);m,n=0,1,2,…,N-1},设灰度级数目为Gf。利用平方和可以得到它的梯度图像{g(m,n);m,n=0,1,2,…,N-1},将此梯度图像离散化Gg,设灰度级数目为Gg,离散化间隔为1/Gg,则新的灰度级为:

(5)

式中:gmax,gmin分别是g(m,n)的最大值和最小值,经此变化后的梯度图像{G(m,n);m,n=0,1,2,…,N-1},灰度级数目为Gg。灰度-梯度共生矩阵的定义为:{H(i,j);i=0,1,2,…,Gf-1;j=0,1,2,…,Gg-1}。H(i,j)定义为集合{(m,n)|f(m,n)=i且G(m,n);m,n=0,1,2…N-1}中的元素数目,即灰度值为i,梯度值为j的总像素个数。对灰度-梯度共生矩阵作归一化处理,使个元素之和为1。变换公式为:

(6)

归一化处理后的灰度-梯度共生矩阵可以提取二阶特征参数,本文选取了15个二阶特征参数中的灰度平均、混合熵和逆差矩作为温度的表征参数,其定义如下:

灰度平均:

(7)

混合熵:

(8)

逆差矩:

(9)

2 实验系统与图像预处理

实验系统如图1所示。实验所用的HIFU探头为深圳普罗公司生产的PRO300系列,其中心频率为1.18 MHz,最大输出声功率为400 W,B超增益为64。热电偶采用的是OMEGA的HYP_PROBES,直径为0.2 mm,最高测量温度达到200 ℃,响应时间为25 ms～125 ms。测温仪采用的是OMEGA的RDXL4SD,其分辨率:0.1/1 ℃。整个实验在水中进行,用B超获取超声图像,同时通过在猪肉内植入热电偶记录HIFU打击焦域的瞬时最高温度,通过改变HIFU剂量可改变组织温升。

图1 实验装置

图3 不同特征参数与温度的关系

实验所采取新鲜的离体6 h内猪肌肉组织作为生物组织样本,测温范围在37 ℃～85 ℃。对获得的B超图像和对应的温度进行记录,以超声焦域为中心截取64×64的图像进行处理。由于在不同的情况下,超声图像有所差异,为了减小实验误差,先对HIFU辐照前后B超所获取的灰度图像作差值处理,再将图像进行Gabor滤波。如图2所示,此处选取焦域处于50 ℃的灰度图像与处于37 ℃的灰度图像做差值处理后的结果以及差值图像进行Gabor滤波后的图像结果。

图2 HIFU辐照前后焦域处超声图像、差值图像及滤波后图像

3 实验结果及其分析

在MATLAB-R2014a版本下,先后对辐照后的超声图像做减影、Gabor滤波等预处理工作,并提取归一化后的灰度—梯度共生矩阵的二阶特征参数梯度平均、混合熵、逆差矩作为温度的表征参数,同时选取灰度均值作对比参数,并将所有的特征参数和对应的温度信息做最小二乘法的线性拟合。经大量重复性实验,并对数据进行了分析,图3为3组实验数据的拟合结果。图3(a)～(d)分别为梯度平均、混合熵、逆差矩、灰度均值和温度的关系图。

从图3可以发现,利用Gabor变换和GGCM法提取出的特征参数和温度之间有明显的相关性。其中,在37 ℃～55 ℃混合熵的图像有较好的会聚效果,随着温度的增加图像逐渐发散,说明其在低温阶段能较准确的反映温度变化信息,而随着温度增加,在组织变性等原因的影响下重复性变差。梯度平均则在55 ℃～85 ℃时表现出良好的会聚性,说明其在高温段能更好地反映温度的变化信息。

为了验证本研究方法的有效性和优越性,分别采用小波滤波以及Gabor滤波进行对比,统计Gabor滤波前后和小波滤波后灰度-梯度共生矩阵的3个二阶参数梯度平均、混合熵和逆差矩和温度相关性,并与灰度均值法和文献[9]的实值离散Gabor系数法作对比。采用线性相关系数均值作为相关程度好坏的评价标准,计算公式如下:

(10)

表1 Gabor滤波前后5种参数相关系数均值

从表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个二阶参数和温度的线性相关系数均值分别为0.980 4、0.985 4和-0.964 4,高于灰度均值法和实值离散Gabor系数法,相关系数均值为正表示特征参数和温度为正相关,为负表示特征参数和温度为负相关。Gabor滤波和小波滤波对灰度平均、混合熵以及逆差矩和温度的线性相关性都有着一定的影响,相比较而言,Gabor滤波比小波滤波产生的效果更加明显,Gabor滤波对所有参数的线性相关系数在一定程度上都有提高,而小波滤波则对混合熵的线性相关性没有改善。这是因为Gabor滤波器能同时在空间域和频率域取得最优局部化的特性,有效地保留温度信息的同时滤除无用的噪声信息。

4 结论

通过对实时超声图像提取表征温度的特征参数,可以帮助医生快速客观地判断生物组织的实时温度,从而达到对HIFU治疗的有效监测。本文提出的Gabor变换和灰度-梯度共生矩阵的超声无损测温方法,是将Gabor滤波变换和灰度梯度共生矩阵相结合,综合两者的优势,先利用Gabor滤波滤除噪声信息,然后提取灰度-梯度共生矩阵从而获得最能表征温度信息的特征参数。从实验数据得出,Gabor滤波后的灰度-梯度共生矩阵的二阶参数梯度平均、混合熵和逆差矩和温度的相关系数优于传统的灰度均值法和实值Gabor系数法;Gabor滤波后的灰度-梯度共生矩阵的二阶参数混合熵在低温段能较准确的反映温度变化信息,梯度平均则在高温段有更良好的测温效果。在下一步的工作中,我们将收集更多的有效实验数据,将组织损伤等级的辨别和无损测温进行有效结合,为HIFU在临床的应用提供更有效的帮助。

[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,丁亚军,钱盛友,等. 基于灰度概率分布-交叉熵法的无损测温方法[J]. 电子测量与仪器学报,2015,2:247-251.

[6] 宋平,钱盛友,冯艳玲,等. 基于超声散射回波分析的测温方法研究[J]. 微计算机信息,2007,31:267-269.

[7] 盛磊,杨春兰,白燕萍,等. 利用超声回波特征无创监测微波热疗的实验研究[J]. 中国生物医学工程学报,2009,5:730-734.

[8] 冯艳玲,陈真诚,何继善,等. 一种基于B超图像的亚像素级HIFU束损伤监控方法[J]. 中国生物医学工程学报,2008,3:366-371.

[9] 陈洪波,汤井田,陈真诚. 实值离散Gabor变换在HIFU无损测温中的应用[J]. 仪器仪表学报,2008,12:2646-2650.

[10] 梁晓霞,封筠. 基于Gabor变换和灰度梯度共生矩阵的人耳识别研究[J]. 石家庄铁道大学学报(自然科学版),2011,1:78-83,90.

[11] 黄战华,刘正,李金晶,等. 一种基于多通道Gabor滤波的纹理提取方法[J]. 仪器仪表学报,2009,4:694-698.

[12] 李金荣,王国英,莫路锋. 基于感知数据时域特征的WSNs故障被动诊断方法[J]. 传感技术学报,2015,28(7):1078-1085.

[13] 赵银娣,张良培,李平湘. 一种方向Gabor滤波纹理分割算法[J]. 中国图象图形学报,2006,4:504-510.

[14] 白雪冰,张庭亮,祝贺. 基于多通道Gabor滤波与灰度梯度共生矩阵的虹膜识别方法[J]. 现代科学仪器,2013,5:69-72,82.

肖达(1992-),男,在读硕士,毕业于湖南人文科技学院信息科学与工程系电子信息工程专业,主要从事生物医学电子研究方向,812557813@qq.com;

王润民(1980-),男,讲师,2015年毕业于华中科技大学获模式识别与智能系统专业博士学位,现在国防科技大学从事博士后研究工作,主要研究方向为计算机视觉与模式识别,本文第一通讯作者,runminwang@hust.edu.cn;

钱盛友(1965-),男,博士,博士生导师,现为湖南师范大学教授,毕业于上海交通大学仪器工程系生物医学工程及仪器专业,目前主要从事生物医学电子和智能仪器研究工作,本文第二通讯作者,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

项目来源:国家自然科学基金委员会项目(11474090,11174077,61502164);湖南省自然科学基金项目(2016JJ3090)

2017-01-17修改日期2017-07-21

10.3969/j.issn.1004-1699.2017.11.012