艾克热木·阿卜拉
阿克苏地区新和县渭干乡人民政府 842100
摘要：本文克服ＳＩＦＴ原始拼接算法的局限性，同时解决了在超声全景图的拼接过程中超声信号存在低信噪比和阴影、斑点和其他噪声，以及医生在对病人进行超声检查时，在不同的检测位置探测时的力度和与接触程度可能会不尽相同产生的影响，进而提出一种ＡＢＵＳ乳腺超声全景图的自动拼接算法。此算法指定乳腺组织中的乳头位置为拼接算法所使用的匹配特征点，提升了自动拼接超声图像算法的准确率，无需人工干预，医生可通过全景图对乳腺癌筛查病例实现更为准确和客观地诊断，具有非常重要的临床应用价值。
关键词：超声影像；融合拼接；图像处理；模板匹配
引言
正交拟合技术是摄影和遥测领域的主要研究课题之一。但是，用于创建正交图像的数字地形模型不包含可见的地面对象，例如建筑物等。对口线穿过这些区域时，对口线区域会明显描影。因此，从重叠区域寻找明显的图形资料并避免拟合线是建立无缝、大范围DOM的一个重要问题。
1超声医学影像全景拼接
超声医学影像全景拼接方法的核心是图像配准，大致分为两类。第一类是基于特征的图像配准，这类方法先从待配准图中提取重要的特征如轮廓、角点等进行匹配，主要包括Harris 、 SIFT ( scale invariant feature transform ) 、 SURF ( speeded-up robust features) 、 FAST ( features from accelerated segment test) 、ORB ( oriented FAST and rotated binary robust independent elementary features ( BRIEF )等，已广泛应用于超声图像的心室运动轨迹跟踪、肌骨超声图像的特征检测及配准等领域。第二类是基于区域的配准方法，早期主要采用全局搜索法，该方法计算量极大；扩展位相关法，解决了图像旋转和尺度放缩的问题，但较为复杂。区域的图像配准中的模板匹配算法。1996年Weng等提了超声宽视野成像技术，该方法将超声探头采集到的一系列超声图像配准并拼接成一幅观察视野更大的全景图像。2005年清华大学杜亚军等采用条状图像作为配准时的模板，该算法对模板要求较高，不符合要求的模板很容易导致匹配错误或失败。邵斌等人提出了一种模板筛选算法来提高模板匹配时的精确度，该算法需要设定多个阈值且这些阈值需要大量的实验才能精确得到。华南理工大学的郑烁鹤等人提出通过差异消除法消除配准效果不佳的模板，提高了配准的准确性和配准的速度。
2基于模板融合的超声医学影像全景拼接方法
2.1自动拼接超声全景图
在自动调整计算过程中，必须首先在空间上调整处理后的超声图像，以便为随后叠加过渡做好准备。首先，计算在空间上调整超声图像以适应变换所需的坐标尺寸范围。它使用最大座标区域来决定每个投影变更的输出空间座标。然后，使用新的图像纵坐标区域创建一个坐标系，以确定要进行变换的区域，然后使用类似的变换将空间混合应用于图像。叠加混合过程主要使用渐变蒙版算法，该算法提取图像的重叠区域，提取图像蒙版坐标，根据坐标创建图像的权重转换，将图像映射到具有渐变权重的最终全景图像，然后重叠图像以完成窗台的自动修补工作。
2.2基于密集流明的显式地物提取
由于用于创建正交图像的数字地形模型不包含唯一的地物信息，因此不同正交图像中具有不同高程的地面对象将导致相对偏移，并且发现具有较高流明偏移的对象可以用于检测问题区域。近年来，流明算法有了很大的进步。
如果边保持插值方法(EpicFlow)和Lustab插值方法(RicFlow)，则得到图像对的像素位移。RicFlow在较暗、较大的位移中提供了更好的性能，从而创建了一个超级像素图形模型，从而保证了光能传递处理的效率并提高了计算精度。因此，此文本用于从重叠区域获得密集的光通量。对于给定的图像卡1I、2I和相应的集m，2I的线性迭代聚类(SLIC)算法首先生成超像素{}kS，并从比较集m获得初始流明值。然后使用RicFlow算法和加权最小二乘法确定最终密度光流对象。该文本匹配句m是使用CPM方法[29]确定的，该方法被证明比其他类似的匹配方法更有效，如b .用于快速引导的深度匹配[30]和全局插值匹配(FGI)。
2.3多级特征选取方法
MSO-ga根据上述选取MSO特征的方法，提供多层次特征选取方法-MSO-ga根据MSO方法-[19-20]包括继承演算法[19-20]以移除特征之间的多馀特征。本文采用遗传算法建立了一种具有个体分类精度的拟合函数。使用Rocco曲线下的auc值，分类器使用lightgbm。由于本文所含葡萄糖肿瘤的独特特征，在医生手动划分肿瘤时，肿瘤的轮廓存在差异。因此，提取的特征包含对肿瘤边界敏感的特征。本文引入了ICC指标作为特征稳定性的尺度。
2.4基于改进的组织收敛算法k均值模型
传统算法通常使用固定模板大小和固定采样方向的窗口扫描。限制是模板的大小不能灵活调整，只能搜索固定大小的特征。如果聚合范围大于模板大小，则模板中的特征聚合数不会太大。如果聚合的大小大大小于模板的大小，则可以简单地省略模块，从而浪费图像信息。本文介绍了基于改进的k均值聚类算法的模板如何在不限制窗口大小的情况下自我发展，如何动态调整大小，如何调整聚合的特征组的大小，以及如何选择使用图像特征提供的信息
2.5根据实际需求进行参数调整。
目前常用影像组学特征包括亮度、形状、纹理和小波四大类，同时，由于肿瘤异质性的存在，可以进一步计算肿瘤亚区的影像组学特征，造成特征数量成倍增加。影像组学的影像特征必须具备3个特性:可重复性，非冗余性，信息量丰富。可重复性即稳定性，即影像特征不会随着影像细微变化产生较大改变;非冗余性是指选择的影像特征不存在互相可以表达的冗余特征;信息量丰富即要求影像学特征要包含影像的全部信息。显示冗余基因限制了生物标记基因集的效率和普遍性。若生物标记基因包含冗余基因，则该基因集不能有效地表达疾病。因此，在进行研究时，要去除掉冗余特征。研究发现，影像组学特征可以通过聚类的方式予以分组，通过剔除分组相关系数高的特征达到去冗余的效果。
结束语
提出基于KD树改进的K-MEANS聚类算法，采用模板融合拼接方法进行超声医学图像全景拼接。该方法将特征点密集区域自组织成尺寸灵活可变的模板，利启发式窗口算法提高相邻图片匹配的速度。通过对比试验结与传统算
法相比，该方法的模板探测速率、平均模板密度得到了提高。本文的方法仍存在进一步深入研究之处，是未来工作方向：医生在提取图片时需尽可能地保证探头在水平方向匀速缓慢的移动、按压保持一致。若存在变速移动甚至大幅度位置跳跃、以及压力变化时，如何处理全景拼接问题。同一部位存在多个超声成像图片，提取出来的模板质量有高有低，如何筛选质量高的模板同时充分利用冗余信息进行全景拼接和图像增强和优化，使拼接图像质量超越任意一张单一图像。
参考文献
[1]王强芬.伦理不是促进医学智能影像识别的绊脚石[J].医学争鸣,2019,10(06):34-37.
[2]张杨,林美烟,李锦青,宋凌恒,兰晓川,李福锁,刘念,禹智波.3种组合方案头颈CTA研究进展[J].西南国防医药,2019,29(10):1074-1076.
[3]陈文宽,朱丹,温会泉.一体化全自动智能拼接DR在拍摄全脊柱的应用价值[J].影像研究与医学应用,2019,3(16):176-177.
[4]袁媛.基于Grassmann空间的血管重建与血流分析[D].桂林电子科技大学,2019.
[5]唐振超.基于模式识别和统计分析的临床辅助诊断研究[D].山东大学,2019.