【技术实现步骤摘要】
本专利技术属于医学影响处理，涉及便携式心脏多模态智能成像系统及方法。
技术介绍
1、传统超声成像设备通常通过增加超声信号处理通道数、发射/接收阵元数，并并提升工作频率来提升成像质量。这些措施增加通道数带来了电路复杂、设备功耗高、体积大、制造工艺与品控难度大生产成本高。严重阻碍了野外及院外环境下实施快速精准医疗诊断的社会普及。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种便携式心脏多模态智能成像系统及方法。通过对针对接收前端接收路径的系列相位一致性提升手段,构建超声—光声融合的高相位一致性接收前端，实现高精度的相控阵扫功能。控制处理通道数与发射/接收阵元数量的大幅增加，进而解决电路复杂、设备功耗高、体积大、制造工艺与品控难度大生产成本高的实际问题。通过人工智能控制的多维度融合的快速收发波束成型，提高阵元扫描速度与阵元通道利用率，进而提升整个设备的刷新率，缩短多模态成像的扫描成像时间。
2、为达到上述目的，本专利技术提供如下技术方案：
3、便携式心脏多模态智能成像系统，该系统包括依次数据连接的超声收发相控阵与脉冲激光器模块、光声融合接收前端、相控阵波束生成网络模块和人工智能光声多维度融合云端模块；
4、所述系统中的超声收发相控阵里的元件进行相位一致性筛选：
5、将批量被测元件置于保持22-27℃，相对湿度40-55％环境中，并施加额定频率、功率信号及负载使处于工况下24小时，以达到稳定的工作状态；
6、测试环境保持
7、按元件的作用方式选定阵元或阻容测试夹具进行既定频率下测试，编号每个元件，并记录其测得阻抗与相位参数；完成测试后按照设定的数值精度对元件进行相位数值聚类分选；同时剔除相位较同种同批元件均值差值≥90°的元件；获得n个不同相位数值聚类的元件分组；
8、按阵列所需阵元及元件的数量，从每个相位数值聚类的元件分组中取拿，若该聚类元件数量足够则获得需要数量的阵元或超声收发相控阵与脉冲激光器模块、光声融合接收前端中的电容和电阻，若不足则换其它数值聚类的元件分组中取拿，或重复上述步骤扩充备取元件数量；
9、所述系统中的超声收发相控阵与脉冲激光器模块、光声融合接收前端中的电容和电阻相位一致性筛选
10、选择阻容相位测试夹具，按1.1中测试分选方法可获得构建收发前端所需的相位高度一致性超声收发相控阵与脉冲激光器模块、光声融合接收前端中的电容和电阻；
11、所述超声收发相控阵在完成一次从1至n通道的全通道扫描信号发射后，经被探测组织反射信号回到全通道收发相控阵后生成图像数据；设备上层处理系统根据ai成像图形对比识别分辨组织的具体种类，并下发针对被探测组织的优化后超声发射ai波束成型，控制相控阵相应探测该组织a-b通道工作，减少单次相控阵扫描时间，以及脉冲激光发射秒脉冲参数。
12、基于所述系统的便携式心脏多模态智能成像方法，该方法包括以下步骤：
13、s1：进行超声—光声融合精密接收前端接收路径的综合相位一致性提升；
14、s2：进行超声—光声融合初扫描，采集样本信息数据并发送到设备云端；
15、s3：将采集到的数据通过成像特征预处理后进行识别比对，得到样本最相似的类型判别，采用孪生神经网络进行特征的识别与配准；
16、s4：后台下发该类型功耗最小策略至波束成型网络，光声发射策略至脉冲激光器，实现人工智能多维度融合的高效超声、光声收发波束成型；
17、s5：对样本进行精确多模态扫描，上传扫描采集的样本信息数据并发送到云端；
18、s6：将采集到的数据通过成像预处理后进行识别比对，输入网络进行训练，经过同类经验图像的细节插补、修正与多模态成像融合，得到样本的融合成像结果。
19、可选的，所述图像的细节插补中添加高斯分布的噪声，并在去噪过程中通过可逆马尔可夫链将高斯分布降低到原始分布，扩散模型由正向过程和反向过程两个过程的潜在变量模型组成；正向过程由以下马尔可夫链定义：
20、
21、其中，xt是在时间t高斯分布，其均值为方差σt(xt)＝(1-αt)i，其中αt是随时间变化的可学习变量；
22、通过预测原始数据x0来学习扩散可以看作是预测噪声的一个过程；最优化问题分别表示为：
23、
24、其中，ε为输入噪声，εθ(xt,t)为t时刻的预测噪声，最后完成图像数据插值；图像配准过程中采用跨模态的注意力机制完成：
25、
26、其中，ci和pj是c和p在位置i和j的特征，θ(.)、和g(.)都是线性嵌入，f(.)＝exp(.)；在等式中，f(.)计算一个标量，表示位置，ci和pj的特征之间的相关性；结果yi是p所有位置的特征的归一化总结，通过它们与位置i上的跨模态特征的相关性加权；因此，由yi组成的矩阵y整合了从p到c中每个位置的非局部信息；
27、可选的，所述s2中，将该系列数据发送到设备云端，利用孪生神经网络进行特征识别比对，得到样本最相似的类型判别损失为：
28、
29、其中，用于计算两个样本特征x1和x2的欧氏距离,p表示样本的特征维数，y为两个样本是否匹配的标签，y＝1代表两个样本相似或者匹配，y＝0则代表不匹配，m为设定的阈值，n为样本个数；
30、云端下发该类型样本最适宜的超声收发成型策略与光声发收策略至波束成型网络与脉冲激光器，实现人工智能多维度融合的快速收发波束成型。
31、本专利技术的有益效果在于：通过超声—光声融合的精密接收前端接收路径的综合相位一致性提升，缩减了设备的阵元数与通道数。
32、本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。
本文档来自技高网...【技术保护点】
1.便携式心脏多模态智能成像系统，其特征在于：该系统包括依次数据连接的超声收发相控阵与脉冲激光器模块、光声融合接收前端、相控阵波束生成网络模块和人工智能光声多维度融合云端模块；
2.基于权利要求1所述系统的便携式心脏多模态智能成像方法，其特征在于：该方法包括以下步骤：
3.根据权利要求2所述的便携式心脏多模态智能成像方法，其特征在于：所述图像的细节插补中添加高斯分布的噪声，并在去噪过程中通过可逆马尔可夫链将高斯分布降低到原始分布，扩散模型由正向过程和反向过程两个过程的潜在变量模型组成；正向过程由以下马尔可夫链定义：
4.根据权利要求2所述的便携式心脏多模态智能成像方法，其特征在于：所述S2中，将该系列数据发送到设备云端，利用孪生神经网络进行特征识别比对，得到样本最相似的类型判别损失为：
【技术特征摘要】
1.便携式心脏多模态智能成像系统，其特征在于：该系统包括依次数据连接的超声收发相控阵与脉冲激光器模块、光声融合接收前端、相控阵波束生成网络模块和人工智能光声多维度融合云端模块；
2.基于权利要求1所述系统的便携式心脏多模态智能成像方法，其特征在于：该方法包括以下步骤：
3.根据权利要求2所述的便携式心脏多模态智能成像方法，其特征在于：所述图...
【专利技术属性】
技术研发人员：肖晶晶，刘昕，张诗慧，
申请(专利权)人：中国人民解放军陆军军医大学第二附属医院，
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。