一种基于深度复数神经网络的超声血流测速方法及系统技术方案

本发明专利技术公开了一种基于深度复数神经网络的超声血流测速方法及系统。该方法包括：根据设定好的仿真参数搭建物理血管模型，并通过所述物理血管模型采集原始数据；所述原始数据为原始血流多普勒回波信号；将所述原始数据划分为训练集、验证集和测试集，并对所述训练集进行标注；构建深度复数神经网络模型；通过标注后的训练集对所述深度复数神经网络模型进行训练；通过训练好的深度复数神经网络模型进行血流测速。本发明专利技术使用深度复数神经网络将滤波与血流测速两步融合，提高了血流测速的准确性，降低了算法运行时间，提高了效率。提高了效率。提高了效率。

【技术实现步骤摘要】
一种基于深度复数神经网络的超声血流测速方法及系统


[0001]本专利技术涉及超声血流测速
，特别是涉及一种基于深度复数神经网络的超声血流测速方法及系统。

技术介绍

[0002]目前，计算血流速度主要分为参数化和非参数两类方法。参数化的方法直接从解调的超声回波信号中计算血流流速。其首先对超声回波信号进行数学建模，然后依据实际采样数据估计模型的参数。通过对估计的参数进行分析和筛选，最终得到期望的血流流速。早期采用的信号模型为零极点模型，其中最为常用的是自回归(Autoregressive，AR)模型，AR模型将输入信号表达为过去时刻的采样值和白噪声的线性组合，并通过Burg等算法求解其模型参数。由于成像帧率的限制，提供给AR模型的信号采样个数有限，导致参数估计精度不高。因为如果数学模型与回波数据之间存在较大差距，参数估计算法仍会引起很大的估计误差。此外，即使建立的模型能够逼近输入信号，经典的谱估计算法由于短数据的限制也往往不能精确地提取血流信号而估计血流速度。
[0003]由于参数化方法在血流信号提取上受到所建立数学模型的限制，由杂波本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度复数神经网络的超声血流测速方法，其特征在于，包括：根据设定好的仿真参数搭建物理血管模型，并通过所述物理血管模型采集原始数据；所述原始数据为原始血流多普勒回波信号；将所述原始数据划分为训练集、验证集和测试集，并对所述训练集进行标注；构建深度复数神经网络模型；通过标注后的训练集对所述深度复数神经网络模型进行训练；通过训练好的深度复数神经网络模型进行血流测速。2.根据权利要求1所述的基于深度复数神经网络的超声血流测速方法，其特征在于，在将所述原始数据划分为训练集、验证集和测试集之前，还包括：对所述原始数据进行希尔伯特变换。3.根据权利要求1所述的基于深度复数神经网络的超声血流测速方法，其特征在于，所述对所述训练集进行标注，具体包括：通过设定好的仿真参数计算最大血流速度；根据所述最大血流速度进行不同位置的血流速度；基于所述不同位置的血流速度对所述训练集进行标注。4.根据权利要求3所述的基于深度复数神经网络的超声血流测速方法，其特征在于，所述最大血流速度的计算公式如下：其中，V
max
为最大血流速度，c为声速，f
prf
为脉冲重复频率，f0为中心频率，θ为束流角。5.根据...

【专利技术属性】
技术研发人员：郎恂，雷建，何冰冰，刘淞华，李支尧，张榆锋，
申请(专利权)人：云南大学，
类型：发明
国别省市：