【技术实现步骤摘要】
用于可视化流动的使用机器学习的散斑对比度分析
[0001]本申请是申请日为2018年8月13日、申请号为201880055861.6、专利技术名称为“用于可视化流动的使用机器学习的散斑对比度分析”的中国专利技术专利的分案申请。
[0002]相关申请的交叉引用
[0003]本申请要求2017年8月30日提交的题为“用于可视化流动的使用机器学习的散斑对比度分(Speckle Contrast Analysis Using Machine Learning for Visualizing Flow)”的美国申请第62/511,997号的权益，该申请通过引用整体并入本文。
[0004]实施例涉及使用机器学习的图像分析领域。特别地，实施例涉及分析深层组织的体液的流动。
技术介绍
[0005]能够可视化活体组织中的血流可以有助于医疗诊断或医疗程序，包括外科手术程序。成像技术可以足够灵敏以标识组织的表面附近的血流区域，而无需对图像数据进行大量处理。但是，血管并不总是靠近组织的表面，也不总是容易成像。在组织中更深处流...
【技术保护点】
【技术特征摘要】
1.一种基于测试图像数据集来估计运动数据的方法，所述方法包括：接收测试图像数据集，对于第一多个像素中的每个像素，所述测试图像数据集包括捕获的深层组织图像中的像素的强度，所述捕获的深层组织图像是在对生物组织的表面下方的一深度处的对象进行成像时收集的；通过在计算机系统处将所述测试图像数据集处理成机器学习模型来确定所述测试图像数据集中表示的预测运动，所述机器学习模型已经使用以下来训练：训练数据集，用以学习所述机器学习模型的一个或多个参数，所述训练数据集包括多个训练数据元素，所述多个训练数据元素中的每个训练数据元素包括：图像数据集，对于第二多个像素中的每个像素，所述图像数据集包括图像特征值，所述图像特征值至少基于所述像素的强度，和运动数据集，指示所述第二多个像素的表示运动的部分；以及为测试图像数据集从机器学习模型生成对应于预测运动的输出数据。2.根据权利要求1所述的方法，还包括：基于使用所述机器学习模型和所述测试图像数据集生成的输出数据，确定与所述测试图像数据集相关联的一个或多个流量值；以及输出所述一个或多个流量值。3.根据权利要求1所述的方法，其中，所述图像特征值还基于一个或多个其他强度，所述一个或多个其他强度中的每个强度是具有所述像素的空间簇中的另一像素的强度。4.根据权利要求3所述的方法，其中，所述一个或多个参数包括基于以下各项的统计量：所述像素的强度；和所述空间簇中的一个或多个像素。5.根据权利要求1所述的方法，还包括：对于所述多个训练数据元素中的每个训练数据元素，基于所述图像数据集生成一个或多个图像统计量，其中所述机器学习模型使用所述一个或多个图像统计量来训练，并且其中所述一个或多个参数包括与所述一个或多个图像统计量中的图像统计量相关联的权重。6.根据权利要求1所述的方法，其中，所述运动数据集指示所述第二多个像素的不完整子集，其具有对应于所述生物组织内的流体的运动的图像特征值。7.根据权利要求1所述的方法，其中：所述机器学习模型包括卷积神经网络，卷积滤波器的集合取决于所述一个或多个参数，训练所述机器学习模型包括为所述卷积滤波器的集合标识所述一个或多个参数，为所述测试图像数据集生成所述输出数据包括输出包括所述第一多个像素的图像。8.根据权利要求1所述的方法，其中，所述深度为至少1mm。9.根据权利要求1所述的方法，其中，所述运动数据集基于使用血液测量的流动。10.一种基于测试图像数据集来估计运动数据的系统，所述系统包括一个或多个处理器和存储多个指令的计算机可读介质，当所述指令被执行时，所述指令使得所述一个或多个处理器：接收测试图像数据集，对于第一多个像素中的每个像素，所述测试图像数据集包括捕
获的深层组织图像中的像素的强度，所述捕获的深层组织图像是在对生物组织的表面下方一深度处的对象进行成像时收集的；通过将所述测试图像数据集处理成机器学习模型来确定所述测试图像数据集中表示的预测运动，所述机器学习模型已经使用以下来训练：训练数据集，用以学习所述机器学习模型的一个或多个参数，所述训练数据集包括多个训练数据元素，所述多个训练数据元素中的每个训练数据元素包括：图像数据集，对于第二多个像素中的每个像素，所述图像数据集包括图像特征值，所述图像特征值至少基于所述像素的强度，和运动数据集，指示所述第二多个像素的表示运动的部分；以及...
【专利技术属性】
技术研发人员：E雷菲利，D皮波尼，C贝尔萨恩加迪，SA李，
申请(专利权)人：威里利生命科学有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。