一种超声智能分析方法、系统、电子设备及存储介质技术方案

本发明专利技术公开的一种超声智能分析方法、系统、电子设备及存储介质，涉及超声图像处理技术领域。本发明专利技术基于超声造影视频，结合影像组学和时间

【技术实现步骤摘要】
一种超声智能分析方法、系统、电子设备及存储介质


[0001]本专利技术涉及超声图像处理
，特别是涉及一种超声智能分析方法、系统、电子设备及存储介质。

技术介绍

[0002]超声成像是临床上筛查和诊断疾病的首选影像学方法。其中，超声造影可以实时显示肿瘤内部微血管结构，具有较高的时空分辨率，能够可视化地显示肿瘤内部微循环特征。目前，临床检查主要采用超声造影显示病灶血供情况，结合时间
‑
强度曲线对病灶进行定性评价，这种方式高度依赖检察人员的主观评价，经验不足的检查者在对超声造影视频进行分析时误判率较高，造成负面影响较大。
[0003]影像组学是图像处理的一个新兴领域，其目标是从医学图像中提取和分析大量具有高通量的定量图像特征，构建描述肿瘤和预测临床表型的模型，并建立与组织病变进展的相关性，进而为临床医生诊断提供帮助。但是，目前较少的研究能从超声造影的动态显影过程中，提取丰富的定量信息。为了真实地反映生物组织病变异质性的信息，如何高通量地挖掘超声造影视频的定量特征则具有十分重要的意义，而现有的技术当中尚无相关方法。

技术实现思路

[0004]为解决现有技术存在的上述问题，本专利技术提供了一种超声智能分析方法、系统、电子设备及存储介质。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种超声智能分析模型的构建方法，包括：
[0007]获取超声造影视频数据；
[0008]对所述超声造影视频数据进行感兴趣区域分割得到超声造影兴趣图像；所述感兴趣区域为目标组织区域；
[0009]提取所述超声造影兴趣图像的定量影像组学特征，得到定量影像组学特征矩阵；
[0010]基于所述定量影像组学特征矩阵中不同类型的定量影像组学特征绘制时间
‑
强度曲线；
[0011]基于所述时间
‑
强度曲线得到多种定量特征参数，以形成参数特征矩阵；
[0012]分别获取感兴趣区域的T0时刻的超声造影图像和T0+Ns时刻的超声造影图像；
[0013]基于T0时刻的超声造影图像和T0+Ns时刻的超声造影图像确定图像差值占空比信息；
[0014]融合所述参数特征矩阵和所述图像差值占空比信息得到新的参数特征矩阵；
[0015]对所述新的参数特征矩阵进行特征处理得到处理特征，将所述处理特征输入至第一分类器中得到最优特征组合；所述第一分类器的参数条件与输入的每一所述新的参数特征矩阵的参数条件相同；
[0016]将所述最优特征组合输入至第二分类器中得到分类准确性评估结果。
[0017]可选地，基于所述定量影像组学特征矩阵中不同类型的定量影像组学特征绘制时间
‑
强度曲线，具体为：
[0018]将所述定量影像组学特征矩阵中不同类型的定量影像组学特征作为信号强度信息绘制时间
‑
强度曲线。
[0019]可选地，基于T0时刻的超声造影图像和T0+Ns时刻的超声造影图像确定图像差值占空比信息，具体包括：
[0020]获取T0时刻超声造影图像的第一帧图像和T0+Ns时刻超声造影图像提取图像的第一帧图像；
[0021]分别对T0时刻超声造影图像的第一帧图像和T0+Ns时刻超声造影图像提取图像的第一帧图像进行灰度和二值化处理，得到T0时刻超声造影图像的二值化图像和T0+Ns时刻超声造影图像提取图像的二值化图像；
[0022]基于所述T0时刻超声造影图像的二值化图像和T0+Ns时刻超声造影图像提取图像的二值化图像间的二值化差值得到所述图像差值占空比信息。
[0023]可选地，所述分类器为支持向量机、朴素贝叶斯法、决策树、随机森林、K近邻法、逻辑斯蒂回归以及判别分析中的一种或多种。
[0024]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0025]本专利技术基于超声造影视频，结合影像组学和时间
‑
强度曲线、图像显影的差值占空比信息，实现从造影视频中提取高通量的定量超声图像特征，并使用特征工程与机器学习分类的方法对其进行有效融合，进而提高智能分析技术的评估性能。
[0026]为实施上述提供的超声智能分析模型的构建方法，本专利技术还提供了以下实施结构：
[0027]一种超声智能分析模型的构建系统，应用于上述提供的超声智能分析模型的构建方法；所述系统包括：
[0028]数据获取模块，用于获取超声造影视频数据；
[0029]区域分割模块，用于对所述超声造影视频数据进行感兴趣区域分割得到超声造影兴趣图像；所述感兴趣区域为目标组织区域；
[0030]矩阵提取模块，用于提取所述超声造影兴趣图像的定量影像组学特征，得到定量影像组学特征矩阵；
[0031]曲线绘制模块，用于基于所述定量影像组学特征矩阵中不同类型的定量影像组学特征绘制时间
‑
强度曲线；
[0032]矩阵形成模块，用于基于所述时间
‑
强度曲线得到多种定量特征参数，以形成参数特征矩阵；
[0033]图像获取模块，用于分别获取感兴趣区域的T0时刻的超声造影图像和T0+Ns时刻的超声造影图像；
[0034]信息确定模块，用于基于T0时刻的超声造影图像和T0+Ns时刻的超声造影图像确定图像差值占空比信息；
[0035]特征融合模块，用于融合所述参数特征矩阵和所述图像差值占空比信息得到新的参数特征矩阵；
[0036]特征选择模块，用于对所述新的参数特征矩阵进行特征处理得到处理特征，将所
述处理特征输入至第一分类器中得到最优特征组合；所述第一分类器的参数条件与输入的每一所述新的参数特征矩阵的参数条件相同；
[0037]分类评估模块，用于将所述最优特征组合输入至第二分类器中得到分类准确性评估结果。
[0038]一种电子设备，包括：
[0039]存储器，用于存储计算机程序；
[0040]处理器，与所述存储器连接，用于调取并执行所述计算机程序，以实施上述提供的超声智能分析模型的构建方法。
[0041]一种计算机可读存储介质，用于存储实施上述提供的超声智能分析模型的构建方法的计算机程序。
[0042]因本专利技术提供的上述3种实施结构实现的技术效果与本专利技术提供的超声智能分析模型的构建方法实现的技术效果相同，故在此不再进行赘述。
附图说明
[0043]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0044]图1为本专利技术提供的超声智能分析模型的构建方法的流程图；
[0045]图2为本专利技术提取融合影像组学和时间
‑
强度曲线特征的流程示意图；
[0046]图3为本专利技术提供本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种超声智能分析模型的构建方法，其特征在于，包括：获取超声造影视频数据；对所述超声造影视频数据进行感兴趣区域分割得到超声造影兴趣图像；所述感兴趣区域为目标组织区域；提取所述超声造影兴趣图像的定量影像组学特征，得到定量影像组学特征矩阵；基于所述定量影像组学特征矩阵中不同类型的定量影像组学特征绘制时间
‑
强度曲线；基于所述时间
‑
强度曲线得到多种定量特征参数，以形成参数特征矩阵；分别获取感兴趣区域的T0时刻的超声造影图像和T0+Ns时刻的超声造影图像；基于T0时刻的超声造影图像和T0+Ns时刻的超声造影图像确定图像差值占空比信息；融合所述参数特征矩阵和所述图像差值占空比信息得到新的参数特征矩阵；对所述新的参数特征矩阵进行特征处理得到处理特征，将所述处理特征输入至第一分类器中得到最优特征组合；所述第一分类器的参数条件与输入的每一所述新的参数特征矩阵的参数条件相同；将所述最优特征组合输入至第二分类器中得到分类准确性评估结果。2.根据权利要求1所述的超声智能分析模型的构建方法，其特征在于，基于所述定量影像组学特征矩阵中不同类型的定量影像组学特征绘制时间
‑
强度曲线，具体为：将所述定量影像组学特征矩阵中不同类型的定量影像组学特征作为信号强度信息绘制时间
‑
强度曲线。3.根据权利要求1所述的超声智能分析模型的构建方法，其特征在于，基于T0时刻的超声造影图像和T0+Ns时刻的超声造影图像确定图像差值占空比信息，具体包括：获取T0时刻超声造影图像的第一帧图像和T0+Ns时刻超声造影图像提取图像的第一帧图像；分别对T0时刻超声造影图像的第一帧图像和T0+Ns时刻超声造影图像提取图像的第一帧图像进行灰度和二值化处理，得到T0时刻超声造影图像的二值化图像和T0+Ns时刻超声造影图像提取图像的二值化图像；基于所述T0时刻超声造影图像的二值化图像和T0+Ns时刻超声造影图像提取图像的二值化图像间的二值化差值得到所述图像差值占...

【专利技术属性】
技术研发人员：温慧莹，温国明，刘忠，陈昕，
申请(专利权)人：深圳大学，
类型：发明
国别省市：