基于超声双模态影像的肌肉疾病诊断系统、设备及介质技术方案

本发明专利技术适用于生物信号处理技术领域，提供了一种基于超声双模态影像的肌肉疾病诊断系统、电子设备及存储介质，该方法包括：提供的基于超声双模态影像的肌肉疾病诊断系统，包括数据预处理模块和肌肉疾病诊断模块，数据预处理模块用于对受试者的超声双模态图像序列进行预处理，得到尺寸归一化的多组ROI图像对，每组ROI图像对包括ROI灰度图像和ROI弹性图像，肌肉疾病诊断模块用于将每组ROI灰度图像和ROI弹性图像进行通道融合后，输入到预先训练好的肌肉疾病诊断模型中，输出肌肉疾病诊断结果，从而实现了肌肉疾病的全自动诊断，且由于本方案基于超声灰度模态和弹性模态的两种诊断方式对肌肉疾病进行诊断，从而提高了诊断的准确性。性。性。

【技术实现步骤摘要】
基于超声双模态影像的肌肉疾病诊断系统、设备及介质


[0001]本专利技术属于生物信号处理
，尤其涉及一种基于超声双模态影像的肌肉疾病诊断系统、电子设备及存储介质。

技术介绍

[0002]肌肉萎缩是指横纹肌营养障碍，肌肉纤维变细甚至消失等导致的肌肉体积缩小。目前临床上识别肌萎缩的影像学手段主要有核磁共振(Magnetic Resonance Imaging,MRI)、计算机断层成像(Computed Tomography,CT)和超声(Ultrasonography，US)。超声能很好地表征肌肉结构有助于了解肌肉萎缩或损伤情况，是当前定量评估肌肉结构特征的最广泛的方法。灰度超声(B
‑
mode)成像可以检测出肌肉的病理性结构特征的改变，还可以通过测量回声和作为灰度级差异获得的不均匀性来表征肌肉的状况。正是由于肌肉具有特定的纹理结构，使用灰度超声观察肌肉的超声图像能够发现肌肉的病变。但往往在灰度超声图像上显示肌肉的解剖结构发生变化时，肌肉的萎缩程度已经非常严重，单一的超声灰度模态具有灵敏性不足的问题，无法为早期诊断提供依据。
[0003]近年来，随着人工智能和深度学习的飞速发展，在医疗领域，人工智能可以对图片、影像进行快速识别并从中提取重要信息，帮助医生快速获取诊断所需的信息。由于传统的机器学习方法，需要手动提取特征并进行筛选设计，在这整个特征提取和降维筛选的过程中，不可避免地会掺杂人为主观因素，且提取出的特征并不能全面表征图像的信息。
[0004]针对现有临床诊断技术的不足以及深度学习在肌萎缩领域缺乏广泛的应用，本专利中利用骨骼肌独特的生物力学特性，采集被动拉伸时的实时超声双模态图像序列，采用卷积神经网络算法，提出超声多模态影像下肌萎缩的全自动识别分类算法。

技术实现思路

[0005]本专利技术的目的在于提供一种基于超声双模态影像的肌肉疾病诊断系统、电子设备及存储介质，旨在解决现有技术无法实现全自动诊断肌肉疾病的问题。
[0006]一方面，本专利技术提供了一种基于超声双模态影像的肌肉疾病诊断系统，所述肌肉疾病诊断系统包括：
[0007]数据预处理模块，用于对受试者的超声双模态图像序列进行预处理，得到尺寸归一化的多组ROI图像对，每组所述ROI图像对包括ROI灰度图像和ROI弹性图像；
[0008]肌肉疾病诊断模块，用于将每组所述ROI灰度图像和ROI弹性图像进行通道融合后，输入到预先训练好的肌肉疾病诊断模型中，输出肌肉疾病诊断结果。
[0009]优选地，所述数据预处理模块还包括帧处理模块、裁剪模块和归一化模块，其中，
[0010]所述帧处理模块，用于对所述超声双模态图像序列进行分帧和等间距取帧操作，得到多组原始图像对；
[0011]所述裁剪模块，用于裁剪多组所述原始图像对中每帧图像的ROI区域，得到原始的多组ROI图像对；
[0012]所述归一化模块，用于将所述原始的多组ROI图像对统一到固定尺寸，得到所述尺寸归一化的多组ROI图像对。
[0013]优选地，所述超声双模态图像序列为所述受试者的踝关节作匀速被动运动时，通过超声系统的剪切波弹性成像模态和灰度成像模态同步采集的、肌肉组织的弹性图像序列和灰度图像序列。
[0014]优选地，所述受试者的踝关节在等速肌力训练系统的带动下从跖屈40
°
到背屈40
°
作所述匀速被动运动，所述受试者不自主提供任何主力或者阻力。
[0015]优选地，所述肌肉疾病诊断系统还包括数据采集模块、数据集制作模块和模型训练模块，其中，
[0016]所述数据采集模块，用于采集受试者的超声双模态图像序列；
[0017]所述数据集生成模块，用于基于多个受试者的所述归一化的ROI灰度图像和ROI弹性图像，以及对应的标签数据生成基础数据集；
[0018]所述模型训练模块用于使用所述基础数据集对所述肌肉疾病诊断模型进行训练，得到所述训练好的肌肉疾病诊断模型。
[0019]优选地，所述肌肉疾病诊断模型用于诊断肌萎缩疾病，所述肌肉疾病诊断模型包括依次连接的四个卷积层、一个全连接层和一个softmax层，其中，前两个卷积层均包含两个子卷积层和一个最大池化层，后两个卷积层均包含三个所述子卷积层和一个所述最大池化层，每个所述子卷积层的卷积核大小为3
×
3，每个所述最大池化层的卷积核大小为2
×
2，所述全连接层的节点数为512。
[0020]优选地，所述肌肉疾病诊断模型中除输入层以外的每一网络层的输入，均为使用BN算法对前一层的输出做归一化处理后的特征。
[0021]优选地，所述肌肉疾病诊断模型的全连接层之后引入了dropout层。
[0022]另一方面，本专利技术还提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
[0023]另一方面，本专利技术还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。
[0024]本专利技术提供的基于超声双模态影像的肌肉疾病诊断系统，包括数据预处理模块和肌肉疾病诊断模块，数据预处理模块用于对受试者的超声双模态图像序列进行预处理，得到尺寸归一化的多组ROI图像对，每组ROI图像对包括ROI灰度图像和ROI弹性图像，肌肉疾病诊断模块用于将每组ROI灰度图像和ROI弹性图像进行通道融合后，输入到预先训练好的肌肉疾病诊断模型中，输出肌肉疾病诊断结果，从而实现了肌肉疾病的全自动诊断，且由于本方案基于超声灰度模态和弹性模态的两种诊断方式对肌肉疾病进行诊断，从而提高了诊断的准确性。
附图说明
[0025]图1A是本专利技术实施例一提供的基于超声双模态影像的肌肉疾病诊断系统的结构示意图；
[0026]图1B是本专利技术实施例一提供的弹性图像序列的预处理流程图；
[0027]图1C是本专利技术实施例一提供的有无dropout的神经网络结构对比图；
[0028]图2是本专利技术实施例三提供的电子设备的结构示意图。
具体实施方式
[0029]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0030]以下结合具体实施例对本专利技术的具体实现进行详细描述：
[0031]实施例一：
[0032]图1A示出了本专利技术实施例一提供的基于超声双模态影像的肌肉疾病诊断系统的结构示意图，为了便于说明，仅示出了与本专利技术实施例相关的部分，详述如下：
[0033]在本专利技术实施例中，基于超声双模态影像的肌肉疾病诊断系统1包括数据预处理模块11和肌肉疾病诊断模块12，数据预处理模块用于对受试者的超声双模态图像序列进行预处理，得到尺寸归一化的多组ROI(Reg本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超声双模态影像的肌肉疾病诊断系统，其特征在于，所述肌肉疾病诊断系统包括：数据预处理模块，用于对受试者的超声双模态图像序列进行预处理，得到尺寸归一化的多组ROI图像对，每组所述ROI图像对包括ROI灰度图像和ROI弹性图像；肌肉疾病诊断模块，用于将每组所述ROI灰度图像和ROI弹性图像进行通道融合后，输入到预先训练好的肌肉疾病诊断模型中，输出肌肉疾病诊断结果。2.如权利要求1所述的肌肉疾病诊断系统，其特征在于，所述数据预处理模块还包括帧处理模块、裁剪模块和归一化模块，其中，所述帧处理模块，用于对所述超声双模态图像序列进行分帧和等间距取帧操作，得到多组原始图像对；所述裁剪模块，用于裁剪多组所述原始图像对中每帧图像的ROI区域，得到原始的多组ROI图像对；所述归一化模块，用于将所述原始的多组ROI图像对统一到固定尺寸，得到所述尺寸归一化的多组ROI图像对。3.如权利要求1所述的肌肉疾病诊断系统，其特征在于，所述超声双模态图像序列为所述受试者的踝关节作匀速被动运动时，通过超声系统的剪切波弹性成像模态和灰度成像模态同步采集的、肌肉组织的弹性图像序列和灰度图像序列。4.如权利要求3所述的肌肉疾病诊断系统，所述受试者的踝关节在等速肌力训练系统的带动下从跖屈40
°
到背屈40
°
作所述匀速被动运动，所述受试者不自主提供任何主力或者阻力。5.如权利要求1所述的肌肉疾病诊断系统，其特征在于，所述肌肉疾病诊断系统还包括数据采集模块、数据集制作模块和模型训练模块，其中，所述数据采集模...

【专利技术属性】
技术研发人员：肖杨，张湘楠，袁乐萌，李彦明，郑海荣，
申请(专利权)人：深圳高性能医疗器械国家研究院有限公司，
类型：发明
国别省市：