一种基于超声微泡造影的试剂定点释放方法与系统技术方案

本发明专利技术公开了一种基于超声微泡造影的试剂定点释放方法，涉及图像处理技术领域，包括步骤：根据异常组织的类型进行含有特定试剂微泡的组织注入；通过高频超声波获取组织整体的超分子成像；根据超分子成像，利用异常组织所对应图像训练完成的卷积神经网络进行异常组织的识别判定与区域提取；根据异常组织所处的区域进行低频超声波的聚焦；通过聚焦后的低频超声波爆裂异常组织所处区域内的微泡，并释放微泡所附载的特定试剂。本发明专利技术通过高频超声波获得超分子图像后，通过卷积神经网络模型对异常组织的边缘进行界定，再改变超声波为低频进行定点的微泡爆裂控制，从而将异常组织结构筛选与修复相结合，并能够对异常组织的异变程度进行判定。进行判定。进行判定。

【技术实现步骤摘要】
一种基于超声微泡造影的试剂定点释放方法与系统


[0001]本专利技术涉及图像处理
，具体涉及一种基于超声微泡造影的试剂定点向释放方法与系统。

技术介绍

[0002]在超声分子影像学技术中，造影微泡能够显著增强超声的背向散射能力，通常应用在超声成像中来增强组织结构的灰阶显像，进而增加超声成像的图像精度、清晰度、以及分辨率，提高超声成像的图形质量。
[0003]随着超声技术的发展，超声的应用范围在更多方面得到了实践。其中，利用超声进行异常组织结构的判定与修复(或消除)是超声的一个新应用方向。具体地，通过在微泡表面或者内部附载特定的试剂(能与异常组织发生物理反应或化学反应的微粒物质)，当微泡到达指定位置时，通过超声探头发射超声波进行定点刺激，使微泡空化爆裂释放特定试剂进行异常组织修复。超声频率越高，产生空化效应的阈值就越大，产生空化效应就越不容易，微泡就越不容易爆裂。因为市面中超声发生器一般发射的是平面高频超声波，不具有聚焦特性，无法实现定点发射。因此，微泡爆裂需要低频率超声来进行靶向刺激，进而促进微泡爆裂释放相应试剂。
[0004]目前，市面中对于超声的应用大多还局限于组织内部结构成像的获取，对于载有修复性试剂微泡的定点控释还处于一种低效的状态，具体表现在，对于试剂控释的位置、控释量，缺乏有效控制，多是处于一种“随机”的爆裂状态，极有可能造成对于正常组织结构产生破坏。因此，如何准确的获取异常组织结构所处的位置，并进行有效的微泡定点释放就是本专利技术所要解决的技术问题。

技术实现思路

[0005]为了弥补现有超声应用中对于微泡控释的不足，本专利技术提出了一种基于超声微泡造影的试剂定点释放方法，包括步骤：
[0006]S1：根据异常组织的类型进行含有特定试剂微泡的组织注入；
[0007]S2：通过高频超声波获取组织整体的超分子成像；
[0008]S3：根据超分子成像，利用异常组织所对应图像训练完成的卷积神经网络进行异常组织的识别判定与区域提取；
[0009]S4：根据异常组织所处的区域进行低频超声波的聚焦；
[0010]S5：通过聚焦后的低频超声波爆裂异常组织所处区域内的微泡，并释放微泡所附载的特定试剂。
[0011]进一步地，所述卷积神经网络的训练包括图像预处理、主干网络特征提取和特征融合，其中，图像预处理阶段采用Unet算法对目标组织的预设图像集进行感兴趣区域的提取，并作为卷积神经网络的训练数据。
[0012]进一步地，所述卷积神经网络以Mask R
‑
CNN网络的网络架构作为卷积神经网络的
基础框架，并以残差网络ResNet50和SKNet网络相融合后的SK
‑
ResNet50网络作为卷积神经网络的主干网络。
[0013]进一步地，所述卷积神经网络的训练，还包括对Mask R
‑
CNN网络内置损失函数的优化，可表示为如下公式：
[0014]L＝L
cls
+α1L
box
+α2L
mask
[0015]式中，L为总损失，L
cls
为分类损失，L
box
为边框回归损失，L
mask
为分割掩膜损失，α1和α2为权重参数。
[0016]进一步地，所述权重参数α1和α2为根据卷积神经网络，以ImageNet数据库中的图像数据为预设图像集进行迁移学习获取。
[0017]进一步地，所述S3步骤中，对于异常组织的识别判定包括超出预设超声波造影强度的异常组织判定，以及根据造影强度大小进行的组织异常等级判定。
[0018]本专利技术还提出了一种基于超声微泡造影的试剂定点释放系统，包括：
[0019]微泡注入器，用于根据异常组织的类型进行含有特定试剂微泡的组织注入；
[0020]超声波发生器，用于发射高频超声波或者低频超声波；
[0021]超声波显示器，用于根据组织内微泡反射的高频超声波进行超分子成像显示；
[0022]主控系统，用于根据超分子成像，利用异常组织所对应图像训练完成的卷积神经网络进行异常组织的识别判定与区域提取，并控制超声波发生器对异常组织所处的区域进行低频超声波的聚焦，通过聚焦后的低频超声波爆裂异常组织所处区域内的微泡，并释放微泡所附载的特定试剂。
[0023]进一步地，所述卷积神经网络以Mask R
‑
CNN网络的网络架构作为卷积神经网络的基础框架，并以残差网络ResNet50和SKNet网络相融合后的SK
‑
ResNet50网络作为卷积神经网络的主干网络。
[0024]进一步地，所述卷积神经网络的训练，还包括对Mask R
‑
CNN网络内置损失函数的优化，可表示为如下公式：
[0025]L＝L
cls
+α1L
box
+α2L
mask
[0026]式中，L为总损失，L
cls
为分类损失，L
box
为边框回归损失，L
mask
为分割掩膜损失，α1和α2为权重参数。
[0027]进一步地，所述权重参数α1和α2为根据卷积神经网络，以ImageNet数据库中的图像数据为预设图像集进行迁移学习获取。
[0028]与现有技术相比，本专利技术至少含有以下有益效果：
[0029](1)本专利技术所述的一种基于超声微泡造影的试剂定点释放方法与系统，在通过高频超声波获得超分子图像后，通过对异常组织的边缘界定，再改变超声波为低频进行定点的微泡爆裂控制，从而将异常组织结构筛选与修复相结合，并能够对异常组织的异变程度进行判定，帮助工作人员快速了解；
[0030](2)控制检测和分割任务的优先等级，提高各损失项之间的差别，从而实现对损失函数的优化；
[0031](3)根据不同特性的异常组织结构，能够实现针对性的识别与判定。
附图说明
[0032]图1为一种基于超声微泡造影的试剂定点释放方法的方法步骤图；
[0033]图2为一种基于超声微泡造影的试剂定点释放系统的系统结构图。
具体实施方式
[0034]以下是本专利技术的具体实施例并结合附图，对本专利技术的技术方案作进一步的描述，但本专利技术并不限于这些实施例。
[0035]实施例一
[0036]为了更好的运用超声成像技术，基于成像数据实现集异常组织结构的发现、判定与修复一体化，如图1所示，本专利技术提出了一种基于超声微泡造影的试剂定点释放方法，其主要包括步骤：
[0037]S1：根据异常组织的类型进行含有特定试剂微泡的组织注入；
[0038]S2：通过高频超声波获取组织整体的超分子成像；
[0039]S3：根据超分子成像，利用异常组织所对应图像训练完成的卷积神经网络进行异常组织的识别判定与区域提取；
[0040]S4：根据异常组织所处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超声微泡造影的试剂定点释放方法，其特征在于，包括步骤：S1：根据异常组织的类型进行含有特定试剂微泡的组织注入；S2：通过高频超声波获取组织整体的超分子成像；S3：根据超分子成像，利用异常组织所对应图像训练完成的卷积神经网络进行异常组织的识别判定与区域提取；S4：根据异常组织所处的区域进行低频超声波的聚焦；S5：通过聚焦后的低频超声波爆裂异常组织所处区域内的微泡，并释放微泡所附载的特定试剂。2.如权利要求1所述的一种基于超声微泡造影的试剂定点释放方法，其特征在于，所述卷积神经网络的训练包括图像预处理、主干网络特征提取和特征融合，其中，图像预处理阶段采用Unet算法对目标组织的预设图像集进行感兴趣区域的提取，并作为卷积神经网络的训练数据。3.如权利要求1所述的一种基于超声微泡造影的试剂定点释放方法，其特征在于，所述卷积神经网络以Mask R
‑
CNN网络的网络架构作为卷积神经网络的基础框架，并以残差网络ResNet50和SKNet网络相融合后的SK
‑
ResNet50网络作为卷积神经网络的主干网络。4.如权利要求3所述的一种基于超声微泡造影的试剂定点释放方法，其特征在于，所述卷积神经网络的训练，还包括对Mask R
‑
CNN网络内置损失函数的优化，可表示为如下公式：L＝L
cls
+α1L
box
+α2L
mask
式中，L为总损失，L
cls
为分类损失，L
box
为边框回归损失，L
mask
为分割掩膜损失，α1和α2为权重参数。5.如权利要求4所述的一种基于超声微泡造影的试剂定点释放方法，其特征在于，所述权重参数α1和α2为根据卷积神经网络，以ImageNet数据库中的图像数据为预设图像集进行迁移学习获取。6.如权利要求1所述的一种基于超...

【专利技术属性】
技术研发人员：李占齐，任文智，李娟，张纪庄，吴爱国，郭咏梅，
申请(专利权)人：中国科学院宁波材料技术与工程研究所，
类型：发明
国别省市：