基于超声图像结合深度学习的血流频谱轮廓提取系统技术方案

本发明专利技术涉及信号处理技术领域，具体涉及一种基于超声图像结合深度学习的血流频谱轮廓提取系统，包括采集模块，用于采集超声图像，采集模块连接图像处理模块，采集模块将采集的超声图像发送至图像处理模块；所述图像处理模块用于接收采集的超声图像，对超声图像进行轮廓提取；所述图像处理模块包括计算检测单元及模型处理单元，所述计算检测单元用于对超声图像进行边缘检测，提取超声图像的边缘图；所述模型处理单元用于建立模型，获取下肢血管血流频谱变化曲线轮廓，为后续建立一种定量评价长期体外反搏(ECP)治疗对脑卒中康复效果的敏感指标提供了很大帮助。标提供了很大帮助。标提供了很大帮助。

【技术实现步骤摘要】
基于超声图像结合深度学习的血流频谱轮廓提取系统


[0001]本专利技术涉及信号处理
，具体涉及一种基于超声图像结合深度学习的血流频谱轮廓提取系统。

技术介绍

[0002]超声技术被广泛应用于医学成像和测量。体外反搏是目前对心脑循环血流动力学环境即重要脏器血流灌注进行有效调控的无创生物反馈技术之一，在心脑血管疾病康复领域展现了巨大的发展潜力，通过对体外反搏过程中外周超声血流频谱的信号和不进行体外反搏外周超声血流频谱的信号进行对比处理，建立一种定量评价长期体外反搏(ECP)治疗对脑卒中康复效果的敏感指标，该指标可作为评价长期ECP治疗后内皮代谢和神经源性活性增强的有效指标。

技术实现思路

[0003]本专利技术要解决的技术问题是：克服现有技术的不足，提供一种基于超声图像结合深度学习的血流频谱轮廓提取系统。
[0004]本专利技术为解决其技术问题所采用的技术方案为：基于超声图像结合深度学习的血流频谱轮廓提取系统，包括：
[0005]采集模块，用于采集超声图像，采集模块连接图像处理模块，采集模块将采集的超声图像发送至图像处理模块；
[0006]所述图像处理模块用于接收采集的超声图像，对超声图像进行轮廓提取；
[0007]所述图像处理模块包括计算检测单元及模型处理单元，所述计算检测单元用于对超声图像进行边缘检测，提取超声图像的边缘图；所述模型处理单元用于建立模型，获取下肢血管血流频谱变化曲线轮廓。
[0008]所述采集模块采集的超声图像包括不进行体外反搏治疗和进行体外反搏治疗的下肢血管超声图像。具体地说，采集模块采集不进行体外反搏治疗和进行体外反搏治疗后下肢血管超声图像，随后导出DICOM格式的血流频谱原始数据。
[0009]所述计算检测单元基于Canny边缘检测提取超声图像的边缘图；
[0010]所述模型处理单元使用超声图像的原图和提取的边缘图训练RCF模型，随后将超声图像输入到训练好的RCF模型中，得到不进行体外反搏治疗和进行体外反搏治疗下肢血管血流频谱变化曲线的轮廓。
[0011]所述计算检测单元在提取超声图像的边缘图时做如下处理：
[0012]1‑
1：将超声图像转换为灰度图像(以灰度图单通道图读入)；
[0013]通常因为设备的原因，采集的超声图像血流频谱曲线上均有设备自带的黄色星标和周期选定线，少数图像上存在黄色闪电标识；这些干扰因素将成为轮廓线上的突变点，对最大速度频谱曲线提取造成较大干扰，从而影响数据质量。因此本方案先根据黄色像素点的像素值(254,254,0)将其设为背景黑色，保证不影响后续二值化处理的阈值，来剔除黄色
星标及选定线的干扰。
[0014]1‑
2：对转换的灰度图像进行高斯模糊，实现去噪；根据待滤波的像素点及其邻域点的灰度值按照一定的参数规则进行加权平均。这样可以有效滤去理想图像中叠加的高频噪声。
[0015]1‑
3：计算图像梯度，根据梯度计算图像边缘幅值与角度；
[0016]1‑
4：沿梯度方向进行非极大值抑制，实现边缘细化；
[0017]1‑
5：进行双阈值边缘连接处理；
[0018]1‑
6：二值化图像输出结果。
[0019]所述1
‑
3中采用Sobel算子来计算图像梯度；Sobel算子是根据图像的各个像素点梯度来计算像素点和周围像素点的差异，最终分离目标及背景，提取出外边缘区域。
[0020]Sobel算子包含两组3x3的矩阵，分别为横向和纵向，将它们与图像做平面卷积，可以分别得出两个方向的亮度差分近似值：
[0021][0022]上式中，A代表原始图像，Gx及Gy分别代表经横向和纵向边缘检测的图像灰度值；
[0023]图像每一个像素的横向和纵向幅值通过以下公式结合来计算该点幅值的大小：
[0024][0025]如果梯度G大于某一阀值，则认为该点(x,y)为边缘点；然后可用如下公式计算梯度方向θ：
[0026][0027]所述1
‑
4中在计算当前点的梯度方向后，在梯度方向连线与邻域焦点处进行插值。具体地说，非极大值抑制就是抑制不是极大值的元素，可以理解为局部最大搜索。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。
[0028]所述1
‑
5中采用双阈值算法检测连接边缘。
[0029]模型处理单元在建立RCF模型时做如下处理：
[0030]2‑
1：基于VGG16构造一个简单的网络，产生conv3_1，conv3_2，conv3_3，conv4_1，conv4_2和conv4_3的边输出；
[0031]2‑
2：对图像像素值本身进行重新计算：在VGG16的每个卷积层后，都添加了一个1
×1‑
21的卷积层，先升维，后通过1
×1‑
1进行降维；
[0032]2‑
3：模型中的每一层通过deconv层进行上采样，将图像大小映射回原来的大小，最后在fusion部分将每一个stage的输出叠加，在进行一遍1
×1‑
1的卷积将多通道合并，达到获取多种混合信息的能力。
[0033]所述RCF模型中每一个阶段最后均添加cross
‑
entropy loss/sigmoid层以计算损失，更新参数。
[0034]所述模型处理单元在建立模型后，导入超声图像原图及边缘图作为训练集，训练
RCF模型，随后将超声图像作为模型输入，得到对应的不进行体外反搏治疗和进行体外反搏治疗下肢血管血流频谱变化曲线的轮廓。
[0035]与现有技术相比，本专利技术具有以下有益效果：
[0036]本专利技术提供一种基于超声图像结合深度学习的血流频谱轮廓提取系统通过对下肢血管超声图像进行预处理，结合深度学习的方法，使用RCF模型提取到准确的不进行ECP治疗下肢血管血流频谱变化曲线的轮廓及进行体外反搏(ECP)治疗后下肢血管血流频谱变化曲线的轮廓，为后续建立一种定量评价长期体外反搏(ECP)治疗对脑卒中康复效果的敏感指标提供了很大帮助。
附图说明
[0037]图1是本专利技术流程图。
[0038]图2是本专利技术非极大值抑制示意图。
[0039]图3是本专利技术单线性插值计算示意图。
[0040]图4是RCF模型结构图。
[0041]图5是RCF模型测试图1。
[0042]图6是RCF模型测试图2。
具体实施方式
[0043]下面结合附图对本专利技术实施例做进一步描述：
[0044]实施例
[0045]如图1至图6所示，基于超声图像结合深度学习的血流频谱轮廓提取系统包括
[0046]采集模块，用于采集超声图像，采集模块连接图像处理模块，采集模块将采集的超声图像发送至图像处理模块；所述采集模块采集的超声图像包括不进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超声图像结合深度学习的血流频谱轮廓提取系统，其特征在于，包括:采集模块，用于采集超声图像，采集模块将采集的超声图像发送至图像处理模块；所述图像处理模块用于接收采集的超声图像，对超声图像进行轮廓提取；所述图像处理模块包括计算检测单元及模型处理单元，所述计算检测单元用于对超声图像进行边缘检测，提取超声图像的边缘图；所述模型处理单元用于建立模型，获取下肢血管血流频谱变化曲线的轮廓。2.根据权利要求1所述的基于超声图像结合深度学习的血流频谱轮廓提取系统，其特征在于，所述采集模块采集的超声图像包括不进行体外反搏治疗和进行体外反搏治疗的下肢血管超声图像。3.根据权利要求2所述的基于超声图像结合深度学习的血流频谱轮廓提取系统，其特征在于，所述计算检测单元基于Canny边缘检测提取超声图像的边缘图；所述模型处理单元使用超声图像的原图和提取的边缘图训练RCF模型，随后将超声图像输入到训练好的RCF模型中，得到不进行体外反搏治疗和进行体外反搏治疗下肢血管血流频谱变化曲线的轮廓。4.根据权利要求3所述的基于超声图像结合深度学习的血流频谱轮廓提取系统，其特征在于，所述计算检测单元在提取超声图像的边缘图时做如下处理：1
‑
1：将超声图像转换为灰度图像；1
‑
2：对转换的灰度图像进行高斯模糊，实现去噪；1
‑
3：计算图像梯度，根据梯度计算图像边缘幅值与角度；1
‑
4：沿梯度方向进行非极大值抑制，实现边缘细化；1
‑
5：进行双阈值边缘连接处理；1
‑
6：二值化图像输出结果。5.根据权利要求4所述的基于超声图像结合深度学习的血流频谱轮廓提取系统，其特征在于，所述1
‑
3中采用Sobel算子来计算图像梯度；Sobel算子包含两组3x3的矩阵，分别为横向和纵向，将它们与图像做平面卷积，分别得出两个方向的亮度差分近似值：上式中，A代表原始图像，Gx及Gy分别代表经横向和纵向边缘检测的图像灰度值；图像每一...

【专利技术属性】
技术研发人员：刘银华，张亚慧，付宝乐，
申请(专利权)人：康复大学筹，
类型：发明
国别省市：