【技术实现步骤摘要】
本专利技术属于超声影像。
技术介绍
1、超声影像可以被广泛应用于产科、妇科、泌尿科等多个领域，为医护人员检查提供了参考信息。为获得受测组织的超声影像，探头向受测组织发射超声波，并经一定延时后接收到受测组织返回的超声回波。再对超声回波进行波束合成处理后得到若干超声回波数据，并可基于超声回波数据生成对应不同时刻的超声图像，医护人员可由此获得受测组织的实时超声影像。然而，传统的b超图像缺乏功能性信息，对比度低，并且因为图像高度依赖于机器的设置，使得定量信息有限，使得检测人员不能定量地识别生物组织变性区域的边界。在过去二十年里，定量超声技术得到了快速的发展，它可以从超声扫描的生物软组织中产生独立于仪器和操作人员的定量组织特性，提供在b超图像中不可见的亚分辨率属性的定量信息，并生成新的参数图像(即定量超声图像)。定量超声参数可以作为超声波与底层组织相互作用的生物标记物，对生物组织的变性提供更显著的指示。支持向量机作为一种机器学习方法，已经应用到了多种生物组织分类和识别的领域。将定量超声参数特征作为支持向量机的输入来训练构建分类模型，可以有效的识别变性的生物组织区域。
技术实现思路
1、1.此专利技术利用现有超声扫描设备，实现了在超声影像中对生物组织变性区域的识别与监测。
2、2.此专利技术利用超声背向散射信号数据，生成三种不同的定量超声参数映射图像，分别从参数映射中提取特征值组合为特征参数矩阵，作为支持向量机的输入，通过有监督学习训练，得到了一个可以预测超声图像中生物组织变性区域
3、3.利用此专利技术可以训练出一个svm分类器，此分类器可以根据输入的超声背向散射信号识别出变性组织的区域位置并以二值化图像的形式进行显示。
4、步骤1：由超声探头扫描目标区域后接收到的回波信号进行波束成形处理，得到的每一帧原始数据都为m行n列的超声背向散射信号矩阵；n列：生成的矩阵中有n条扫描线，m行：每条扫描线中包含m个采样点；两个相邻采样点之间的距离为intaxi米，两个相邻扫描线之间的距离为intlat米。
5、步骤2：对步骤1中得到的背向散射信号矩阵进行包络检测处理得到m行n列的超声的包络信号矩阵。
6、步骤3：对步骤2中得到的包络信号矩阵，采用滑动窗口法来估算其同样为m行n列的homodyned-k分布的log10(α)参数矩阵：
7、采用一个大小为mwхnw的矩形滑动框从包络矩阵的左上角第一个元素开始从左向右、从上到下以一个元素为步长逐行滑动遍历整个包络矩阵；每个矩形窗包含mwхnw个数据点，mw＝<3хpulselength/intlat>，nw＝<3хpulselength/intaxi>，其中pulselength为超声脉冲长度，<>表示向上取整，/表示除法运算，每滑动一次窗口位置，则对窗口内的包络信号的概率密度函数建模为homodyned-k分布：
8、
9、其中，a表示包络信号的振幅值；r是积分变量；j0(·)是零阶第一类贝塞尔函数；α是散射子聚类参数，表示超声分辨率单元内有效散射子的个数；ε2表示背向散射回波中的相干散射信号能量；而2ασ2表示背向散射回波中的漫散射信号的能量。
10、在本专利技术中采用基于信号强度的一阶矩、x统计量和u统计量的方法(即xu法)来计算homodyned-k分布的α参数。u统计量和x统计量定义如下：
11、u＝e[logi]-loge[i] (2)
12、x＝e[ilogi]/e[i]-e[logi] (3)
13、其中，i表示包络信号振幅的强度，i＝a2，包络信号的平均强度表示为e[·]为期望运算符号。xu法估算α参数通过求解如下的非线性方程组来获得：
14、
15、式中，下标hk表示homodyned-k分布，x和u分别是x统计量和u统计量的测量值，而xhk和uhk是从homodyned-k分布中导出的作为α和β函数的解析表达式，它们的定义分别为：
16、
17、
18、式中，α，ε2和σ2的物理含义与(1)式相同，β＝ε2/(2σ2)为计算辅助变量，qα+1(·)表示α+1阶第二类修正贝塞尔函数，γe为欧拉常数在取值为0.5772156649，表示双伽马函数，
19、
20、
21、
22、
23、其中，k为数值计算中设置的正整数大小。
24、该方程组有解的充分条件是：
25、
26、由于(5)和(6)式中的双伽马函数和超几何级数在现实中有有限的数值，因此在实践中，α的最大值是有限的，将式(4)转换成式(12)进行实际的求解，其中：argmin是指使得argmin(|uhk-u|)取值最小时的自变量取值；αmax为α的上限，取αmax＝59.5，
27、
28、由于xhk、uhk是单调的函数，且uhk是α的函数，xhk是β的函数，因此可通过迭代的方法求解(12)得到参数α的估计值，并通过取对数估算出log10(α)参数值。
29、每滑动一次窗口，分别得到一个对应的log10(α)估计值；当滑动窗遍历完整个包络信号矩阵后，分别得到一个大小为(m-mw)х(n-nw)的log10(α)参数矩阵，随后对其进行三样条插值，分别得到大小为mxn的log10(α)参数矩阵，进行颜色映射即可得到相应的伪彩色参数图像。
30、步骤4：对步骤2中得到的m行n列的包络信号矩阵，采用滑动窗口法来估算其大小同样为m行n列的nakagami-m参数矩阵：
31、采用一个大小为mwхnw的矩形滑动框从包络矩阵的左上角第一个元素开始从左向右、从上到下以一个元素为步长逐行滑动遍历整个包络矩阵；每个矩形窗包含mwхnw个数据点，mw＝<3хpulselength/intlat>，nw＝<3хpulselength/intaxi>，其中pulselength为超声脉冲长度，<>表示向上取整，/表示除法运算，每滑动一次窗口位置，则对窗口内的包络信号的概率密度函数建模为nakagami分布：
32、
33、其中γ(·)表示伽马函数，u(·)表示单位阶跃函数，r表示每一个数据变量；该分布的尺度参数ω和形状参数m分别通过下式计算：
34、ω＝e(r2) (14)
35、
36、其中，e(·)表示统计均值，r表示大小为1xmw*nw大小的包络数据向量；由此得到一个大小为(m-mw)х(n-nw)的m参数矩阵，再对此矩阵进行三样条插值，得到一个大小为mхn的m参本文档来自技高网...
【技术保护点】
1.一种基于定量超声多参数特征输入的机器学习定征生物组织的方法，其特征在于，包括以下步骤：
【技术特征摘要】
1.一种基于定量超声多参数特征输入的机器学习定...
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。