CN114010228B - 血管内成像系统 - Google Patents
血管内成像系统 Download PDFInfo
- Publication number
- CN114010228B CN114010228B CN202111489306.4A CN202111489306A CN114010228B CN 114010228 B CN114010228 B CN 114010228B CN 202111489306 A CN202111489306 A CN 202111489306A CN 114010228 B CN114010228 B CN 114010228B
- Authority
- CN
- China
- Prior art keywords
- line data
- preset
- imaging system
- weight coefficient
- blood vessel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003384 imaging method Methods 0.000 title claims description 76
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 73
- 238000002604 ultrasonography Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 36
- 230000000694 effects Effects 0.000 abstract description 18
- 238000001914 filtration Methods 0.000 abstract description 9
- 230000002792 vascular Effects 0.000 abstract description 9
- 230000004044 response Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 15
- 230000009467 reduction Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000002608 intravascular ultrasound Methods 0.000 description 5
- 239000000523 sample Substances 0.000 description 5
- 230000000717 retained effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5269—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving detection or reduction of artifacts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0007—Image acquisition
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20004—Adaptive image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Abstract
本发明描述了一种自适应的图像采集方法，包括：采集背景噪声并设定权值系数和预设数量，获得原始线数据，利用预设数量的原始线数据和与各个原始线数据相匹配的所述权值系数进行加权平均并获得中间线数据，基于所述中间线数据与所述背景噪声计算损失函数以判断所述中间线数据是否符合预设要求，若所述中间线数据不符合预设要求，则基于所述损失函数调整所述权值系数并重新判断所述中间线数据是否符合预设要求，若所述中间线数据符合预设要求，则将中间线数据作为目标线数据，基于所述目标线数据获得血管图像。在这种情况下，能够适应血管情况并动态调整权值系数，从而能够获得滤波效果优秀的血管图像。
Description
技术领域
本发明涉及一种图像数据处理系统，特别涉及一种血管内成像系统。
背景技术
血管内超声(Intravascular ultrasound，IVUS)系统是一种重要的医疗设备，其通过介入式超声导管对血管进行成像，以辅助医生进行心血管疾病诊断。具体而言，IVUS系统通常包括超声导管和主机，超声导管可以导入血管并在血管内获取带有血管信息的超声信号，主机可以对该超声信号进行处理以获取血管内的图像。
目前，通常使用旋转式超声导管对血管进行成像。旋转式超声导管通常包括超声探头、电机以及连接超声探头与电机的传动轴，电机通过传动轴致动超声探头在血管内进行旋转，超声探头在旋转的情况下向血管壁发射超声脉冲，以获取带有血管信息的超声信号。
然而，在上述旋转式超声导管的使用过程中，存在多种噪音(例如旋转式超声导管的驱动电机发出的噪声或电源噪声等)，这容易对超声探头接收到的超声信号造成干扰，为此，部分血管内超声系统会利用加权的方式获得超声信号以降低噪音对图像的影响，然而，现有的加权方法中一般使用恒定的权值系数，无法适用于多种情况(例如复杂的血管情况)，降噪效果较低。
发明内容
本发明是有鉴于上述现有技术的状况而提出的，其目的在于提供一种能够适应血管情况并动态调整权值系数的自适应的图像采集方法。
为此，本发明提供了一种自适应的图像采集方法，是一种用于采集血管图像的图像采集方法，包括：采集背景噪声并设定权值系数；令成像器械在血管内旋转并获得原始线数据；利用所述原始线数据和所述权值系数进行加权平均并获得中间线数据；基于所述中间线数据与所述背景噪声计算损失函数以判断所述中间线数据是否符合预设要求，若所述中间线数据不符合预设要求，则基于所述损失函数调整所述权值系数，若所述中间线数据符合预设要求，则将中间线数据作为目标线数据；基于所述目标线数据获得血管图像。
在这种情况下，能够获得在在开始时获得初始的权值系数和初始的预设数量，在设定权值系数和预设数量后获得多组原始线数据，能够通过加权平均的方式获得降噪后的中间线数据和目标线数据，并且能够多次调整权值系数以获得合适的目标线数据的情况，从而能够适应血管情况并动态调整权值系数，获得滤波效果优秀的血管图像
另外，在本发明所涉及的图像采集方法中，可选地，利用预设数量的所述原始线数据和与各个原始线数据相匹配的所述权值系数进行加权平均并获得中间线数据，进行加权平均并获得中间线数据时，所述预设数量的原始线数据为相邻的原始线数据。在这种情况下，能够利用相邻的原始线数据互相叠加，并实现滤波的效果。
另外，在本发明所涉及的图像采集方法中，可选地，所述预设数量的范围为2-11。在这种情况下，由于预设数量过小可能会降低滤波效果，预设数量过多可能会导致丢失图像信息，由此能够基于实际的血管图像选择不同的预设数量，以提高血管图像的滤波效果。
另外，在本发明所涉及的图像采集方法中，可选地，基于所述背景噪声设定权值系数和预设数量。在这种情况下，由于预设数量越大降噪效果越好，预设数量越小越是能够保留原始线数据的所包含的图像信息，能够提高图像的清晰度，由此能够根据实际的噪声调整降噪效果，在保证图像清晰度的前提下提高降噪效果。
另外，在本发明所涉及的图像采集方法中，可选地，利用机器学习方法计算所述权值系数，所述机器学习方法为人工神经网络、决策树算法、随机森林算法、支持向量机算法、或深度学习中的至少一种。在这种情况下，能够利用多种机器学习方法调整权值系数，由于不同的机器学习方法在特定的环境下可以具有不同的效果，由此能够通过多次实验选择效果较好的机器学习方法获得质量较好的血管图像。
另外，在本发明所涉及的图像采集方法中，可选地，所述成像器械每旋转预设角度，向血管壁发射一束成像信号并接收一束回波信号，基于所述回波信号获得原始线数据。在这种情况下，能够获得多组原始线数据，由于多组原始线数据包括血管图像的信息，由此能够基于原始线数据获得血管图像。
另外，在本发明所涉及的图像采集方法中，可选地，所述成像信号为超声信号。在这种情况下，能够利用超声回波还原血管环境，并获得血管超声图像。
另外，在本发明所涉及的图像采集方法中，可选地，所述预设角度为0.3°至6.0°。在这种情况下，能够通过旋转一周获取将血管的整体的截面图像，并且能够通过预设角度的设定图像的清晰度。
另外，在本发明所涉及的图像采集方法中，可选地，若调整所述权值系数的次数不小于第一预设阈值，则将中间线数据作为目标线数据，所述第一预设阈值为100至1000。在这种情况下，能够减少因多次调整权值系数依然无法符合预设要求的情况对结果的影响，同时能够记录该情况，作为调整机器学习方法的依据，例如，可以基于该情况发生的次数调整模型的超参数。
另外，在本发明所涉及的图像采集方法中，可选地，所述成像器械在血管内旋转一周后，若在旋转一周中调整所述权值系数的次数大于第一预设阈值的次数大于第二预设阈值，则调整所述预设数量。在这种情况下，能够基于调整权值系数的结果重新调整预设数量，适应不同的环境，选择合适的预设数量获得血管图像，同时，由于每一周都会进行“调整权值系数的次数大于第一预设阈值的次数大于第二预设阈值”的判定，能够令每一张血管图像都能适应采集图像时的环境，不同的血管环境中实现自适应功能。
通过本公开，能够提供一种能够适应血管情况并动态调整权值系数的自适应的图像采集方法。
附图说明
现在将仅通过参考附图的例子进一步详细地解释本发明，其中：
图1是示出了本公开示例所涉及的血管内成像系统的应用示意图。
图2是示出了本公开示例所涉及的置于血管内的成像器械的放大示意图。
图3是示出了本公开示例所涉及的血管图像的示意图。
图4A是示出了本公开示例所涉及的线数据的示意图。
图4B是示出了本公开示例所涉及的通过线数据获得血管图像的示意图。
图5是示出了本公开示例所涉及的图像采集方法的流程示意图。
图6是示出了本公开示例所涉及通过原始线数据获得中间线数据的示意图。
图7是示出了本公开示例所涉及通过原始线数据获得目标线数据的流程示意图。
具体实施方式
以下，参考附图，详细地说明本发明的优选实施方式。在下面的说明中，对于相同的部件赋予相同的符号，省略重复的说明。另外，附图只是示意性的图，部件相互之间的尺寸的比例或者部件的形状等可以与实际的不同。
需要说明的是，本发明中的术语“包括”和“具有”以及它们的任何变形，例如所包括或所具有的一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可以包括或具有没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
另外，在本发明的下面描述中涉及的小标题等并不是为了限制本发明的内容或范围，其仅仅是作为阅读的提示作用。这样的小标题既不能理解为用于分割文章的内容，也不应将小标题下的内容仅仅限制在小标题的范围内。
以下，结合附图对本发明涉及的图像采集方法进行详细描述。此外，本发明的示例描述的应用示意图是为了更加清楚的说明本发明的技术方案，并不构成对于本发明提供的技术方案的限定。
本发明涉及一种自适应的图像采集方法，是一种用于采集血管图像的图像采集方法，其特征在于，采集背景噪声并设定权值系数和预设数量，预设数量可以是需要进行加权的原始线数据的数量，权值系数的数量与预设数量相同。在这种情况下，能够获得在开始获得初始的权值系数和初始的预设数量。
在一些示例中，可以令成像器械在血管内旋转，成像器械每旋转预设角度，向血管壁发射一束成像信号并接收一束回波信号，基于回波信号获得原始线数据。在这种情况下，能够获得多组原始线数据，由于多组原始线数据包括血管图像的信息，由此能够基于原始线数据获得血管图像。
在一些示例中，利用预设数量的原始线数据和与各个原始线数据相匹配的权值系数进行加权平均并获得中间线数据。在这种情况下，能够通过加权平均的方式获得降噪后的中间线数据。
在一些示例中，可以基于中间线数据与背景噪声计算损失函数以判断中间线数据是否符合预设要求，若中间线数据不符合预设要求，则基于损失函数调整权值系数并重新判断中间线数据是否符合预设要求，若中间线数据符合预设要求，则将中间线数据作为目标线数据，基于目标线数据获得血管图像。在这种情况下，能够基于目标线数据获得血管图像，并且能够多次调整权值系数以获得合适的目标线数据的情况，从而能够适应血管情况并动态调整权值系数，获得滤波效果优秀的血管图像
在一些示例中，本发明所涉及一种自适应的图像采集方法也可以称为图像采集方法。
以下，以血管内成像系统以及血管内的血管图像为例，对本公开所涉及的系统、方法进行说明。
图1是示出了本公开示例所涉及的血管内成像系统1的应用示意图。图2是示出了本公开示例所涉及的置于血管内的成像器械10的放大示意图。
在各种实施例中，血管内成像系统1可以包括：成像器械10，其置于血管内并在旋转的情况下向血管壁发射成像信号以获取血管内的血管图像；传动轴20，其连接于成像器械10并沿着血管延伸至体外；外管30，其沿着血管延伸至体外且具有用于容纳成像器械10和传动轴20的内腔，成像器械10可以在外管30的内腔中进行旋转；以及电机40，其位于体外且可以连接于传动轴20，电机40可以经由传动轴20致动成像器械10(参见图1和图2)。
在各种实施例中，血管内成像系统1还包括处理器50(参见图1)，其用于对血管图像进行处理。在各种实施例中，血管内成像系统1还包括显示器60(参见图1)，其用于显示血管图像或处理后的血管图像。如本公开所述的血管内成像系统1可以获取血管内的血管图像、对血管图像进行处理、并且显示血管图像或处理后的血管图像。
在各种实施例中，图像处理系统可以包括：处理器50，其用于对通过旋转而采集的图像进行处理。在各种实施例中，图像处理系统可以包括：处理器50，其用于对成像器械10获取的血管内的血管图像进行处理。在各种实施例中，图像处理系统还可以包括：显示器60，其用于显示血管图像或处理后的血管图像。
在各种实施例中，成像器械10可以导入血管内并可以向血管壁发射成像信号，例如大致沿着血管径向D向血管壁发射成像信号(参见图2)。在一些示例中，成像器械10可以是超声换能器，成像信号可以是超声信号，例如超声脉冲。在这种情况下，能够利用超声回波还原血管环境，并获得血管超声图像。
在一些示例中，超声换能器可以沿着血管径向D向血管壁发射超声脉冲，并接收带有血管信息的超声回波。在其他实施例中，成像信号也可以是光信号、电磁波信号等。
在各种实施例中，电机40可以经由传动轴20致动成像器械10，例如在外管30的内腔中致动成像器械10(参见图2)。在各种实施例中，电机40可以经由传动轴20致动成像器械10进行旋转，例如沿着大致正交于血管轴向的R方向进行旋转(参见图2)。在各种实施例中，电机40可以经由传动轴20致动成像器械10沿着血管的延伸方向进行移动，例如沿着朝向体外的L方向进行移动(参见图2)。
图3是示出了本公开示例所涉及的血管图像的示意图。图4A是示出了本公开示例所涉及的基于线数据的示意图。图4B是示出了本公开示例所涉及的通过线数据获得血管图像的示意图。
在各种实施例中，基于成像信号可以获取血管内的血管图像。在各种实施例中，基于成像器械10而获取的血管内的血管图像可以是大致沿着血管径向D的断面图像(参见图3)。在各种实施例中，成像器械10可以持续地向血管壁发射成像信号，以获取连续的多帧血管图像。
在一些示例中，基于超声脉冲的超声回波可以获取血管内的血管图像。在一些示例中，基于一束超声脉冲可以获取一组原始线数据。在各种实施例中，原始线数据可以按时间顺序进行收集，并且原始线数据可以按时间顺序进行排列(参见图4A)。在一些示例中，可以对原始线数据进行处理(例如加权平均)获得中间线数据或目标线数据。例如，在图4A所示的实施例中，线数据可以包括线数据K1、线数据K2、线数据K3、线数据K4、线数据K5、线数据K6、线数据K7和线数据K8，并且线数据K1、线数据K2、线数据K3、线数据K4、线数据K5、线数据K6、线数据K7和线数据K8可以按时间顺序排列。需要说明的是，若没有特别说明，本文所述的线数据可以是指原始线数据、中间线数据或目标线数据中的任意一种。
在一些示例中，基于第一预定数量的线数据可以获取一组帧数据，其中，每个线数据可以具有第二预定数量的信号强度值，一个信号强度值可以与血管图像中一个像素点的灰度相匹配。在一些示例中，在R方向上按时间顺序对第一预定数量的线数据进行排列，以获取一组帧数据(参见图4B)。例如，在图4B所示的实施例中，帧数据中的线数据K1、线数据K2、线数据K3、线数据K4、线数据K5、线数据K6、线数据K7和线数据K8在R方向上按时间顺序排列。在一些示例中，每收集第一预定数量的线数据，即可获取一组帧数据。在一些示例中，基于一组帧数据可以获取一帧血管图像。
需要说明的是，在图4A和图4B所示的实施例中，第一预定数量为8仅是用于示意性说明，其并不限制第一预定数量的实际值。在一些示例中，第一预定数量可以为128至1024，例如128、256、512或1024。换言之，成像器械10可以每旋转预设角度，向血管壁发射一束成像信号并接收一束回波信号，在一些示例中，成像器械10在旋转一周时可以转动256次、512次、1024次。例如成像器械10可以在一周中旋转512磁场，其中，每一次的预设角度为0.3°至6.0°之间。在这种情况下，能够通过旋转一周获取将血管的整体的截面图像，并且能够通过预设角度设定图像的清晰度。
在一些示例中，线数据可以是血管图像中沿着血管径向D的信号强度值的集合。在一些示例中，线数据也可以是成像器械10按时间顺序收集到的信号强度值的集合(参见图4A和图4B)。例如，在如图4A和图4B所示的实施例中，线数据K1可以是信号强度值P11、信号强度值P12、信号强度值P13、信号强度值P14和信号强度值P15的集合，线数据K2可以是信号强度值P21、信号强度值P22、信号强度值P23、信号强度值P24和信号强度值P25的集合。需要说明的是，在图4A和图4B所示的实施例中，第二预定数量为5仅是用于示意性说明，其并不限制第二预定数量的实际值。在各种实施例中，一组线数据可以包括第二预定数量的信号强度值。在一些示例中，第二预定数量可以为1000至4000，例如1000、1100、1200、1300、1400、1500、1600、1700、1800、1900、2000、2100、2200、2300、2400、2500、2600、2700、2800、2900、3000、3100、3200、3300、3400、3500、3600、3700、3800、3900或4000。
图5是示出了本公开示例所涉及的图像采集方法的流程示意图。
在一些示例中，如图5所示，图像采集方法可以包括：采集背景噪声(步骤S100)、初步设定权值系数和预设数量(步骤S200)、获得原始线数据(步骤S300)、获得中间线数据(步骤S400)、判断中间线数据是否符合预设要求并获得目标线数据(步骤S500)、基于目标线数据获得血管图像(步骤S600)。
在步骤S100中，可以采集背景噪声。
在一些示例中，可以令成像器械10在血管外旋转，并令成像器械10接收到的信号作为背景噪声。在这种情况下，能够在成像器械10进入血管前获得背景噪音，进而能够基于血管噪声计算信噪比。
在一些示例中，可以基于采集的背景噪声将背景噪声进行计算评估并进行分类，例如可以将背景噪声归类为脉冲噪声、窄带噪声、或起伏噪声(白噪声)。在一些示例中，在一些示例中，可以基于采集的背景噪声将背景噪声进行计算评估并进行分析，例如计算背景噪声中各种类型的噪声的比例。
在步骤S200中，可以初步设定权值系数和预设数量。
需要进行说明的是，权值系数可以是原始线数据的权重，预设数量可以是在一次加权平均中需要进行加权中原始线数据的数量。
在一些示例中，预设数量的初始值可以为默认数值，例如，预设数量的初始值可以默认为3。在这种情况下，在步骤S200中，可以只初步设定权值系数。
在一些示例中，初步设定的权值系数可以相同，以预设数量为3作为例子，权值系数可以包括第一权值系数、第二权值系数、和第三权值系数。在步骤S200中，可以初步设定第一权值系数、第二权值系数和第三权值系数分别为1、1、1。
在一些示例中，初步设定的权值系数可以不相同，以预设数量为3作为例子，权值系数可以包括第一权值系数、第二权值系数、和第三权值系数。在步骤S200中，可以初步设定第一权值系数、第二权值系数和第三权值系数分别为1、2、3。
在一些示例中，初步设定的权值系数可以与原始线数据的位置相关。例如，原始线数据中，包括相邻的第一原始线数据、第二原始线数据、第三原始线数据、第四原始线数据、和第五原始线数据，并且权值系数可以包括分别与第一原始线数据、第二原始线数据、第三原始线数据、第四原始线数据、和第五原始线数据相匹配的第一权值系数、第二权值系数、第三权值系数、第四权值系数、和第五权值系数，其中，与第三原始线数据(也即中央位置的原始线数据)的位置越近，对应的权值系数可以越大。例如第一权值系数、第二权值系数、第三权值系数、第四权值系数、和第五权值系数可以分别为1、2、3、2、1。在这种情况下，由于越靠近中央位置(第三原始线数据所在的位置)，原始线数据的相关性越大，由此能够有效保留第三原始线数据所包含的图像信息。
在一些示例中，初步设定的权值系数也可以随机设置，并通过后续的步骤进行调整。在一些示例中，初步设定的权值系数还可以根据上文背景噪声的分类或成分进行设定。例如，若噪声类型为起伏噪声或者背景噪声中主要包括起伏噪声，则初步设定的权值系数可以为相同的值。
在一些示例中，可以基于采集到的背景噪声设定预设数量。在一些示例中，背景噪声越大，预设数量可以越大。在这种情况下，由于预设数量越大降噪效果越好，预设数量越小越是能够保留原始线数据的所包含的图像信息，能够提高图像的清晰度，由此能够根据实际的噪声调整降噪效果，在保证图像清晰度的前提下提高降噪效果。
在一些示例中，初步设定预设数量时，可以直接将预设数量设定为3。在这种情况下，能够简化初步设定预设数量的步骤，提高血管内成像系统1的工作效率。
在步骤S300中，令成像器械10在血管内旋转，成像器械10每旋转预设角度，向血管壁发射一束成像信号并接收一束回波信号，基于回波信号获得原始线数据。在这种情况下，能够通过旋转成像器械10获得多组原始线数据。
图6是示出了本公开示例所涉及通过原始线数据获得中间线数据的示意图。
在步骤S400中，如图6所示，利用预设数量的原始线数据和与各个原始线数据相匹配的权值系数进行加权平均并获得中间线数据。
如图6所示，可以通过原始线数据k1、原始线数据k2、原始线数据k3、原始线数据k4、原始线数据k5、原始线数据k6、原始线数据k7和原始线数据k8计算中间线数据k'1、中间线数据k'2、中间线数据k'3、中间线数据k'4、中间线数据k'5、中间线数据k'6、中间线数据k'7和中间线数据k'8。以下以通过原始线数据k1、原始线数据k2、原始线数据k3获得中间线数据k'2为例进行说明。
在一些示例中，进行加权平均并获得中间线数据时，预设数量的原始线数据可以为相邻的原始线数据。如图6所示，在计算中间线数据k'2时，可以先确定原始线数据k2的位置，并将相邻的原始线数据k1、原始线数据k2和原始线数据k3作为输入计算中间线数据k'2。在一些示例中，也可以将相邻的原始线数据k8、原始线数据k1、原始线数据k2、原始线数据k3和原始线数据k4作为输入计算中间线数据k'2。在这种情况下，能够利用相邻的原始线数据互相叠加，并实现滤波的效果。
在一些示例中，进行加权平均并获得中间线数据时，预设数量的原始线数据可以为间隔的原始线数据。例如在计算中间线数据k'2时，可以先确定原始线数据k2的位置，并将相邻的原始线数据k8、原始线数据k2和原始线数据k4作为输入计算中间线数据k'2。
在一些示例中，进行加权平均并获得中间线数据时，预设数量的原始线数据的位置可以相对于需要计算的目标线数据(例如目标线数据k'2)的位置对称分布。例如在计算中间线数据k'2时，可以先确定原始线数据k2的位置，并将相邻的原始线数据k1、原始线数据k2和原始线数据k3作为输入计算中间线数据k'2。
在一些示例中，进行加权平均并获得中间线数据时，预设数量的原始线数据的位置可以不相对于需要计算的目标线数据(例如目标线数据k'2)的位置对称分布。例如在计算中间线数据k'2时，可以先确定原始线数据k2的位置，并将相邻的原始线数据k4、原始线数据k2和原始线数据k3作为输入计算中间线数据k'2。
在一些示例中，预设数量的范围可以是2-15，优选地，的范围可以是2-11，例如预设数量可以为2、3、4、5、6、7、8、9、10、11等。在这种情况下，由于预设数量过小可能会降低滤波效果，预设数量过多可能会导致丢失图像信息，由此能够基于实际的血管图像选择不同的预设数量，以提高血管图像的滤波效果。
在一些示例中，确定预设数量和作为输入的原始线数据后，可以对原始线数据进行加权平均。换言之，可以对原始线数据的各个信号强度值进行加权平均以获得目标线数据的信号强度值。例如，如图6所示，原始线数据k1可以包括信号强度值p11、信号强度值p12、信号强度值p13、信号强度值p14和信号强度值p15的集合，原始线数据k2可以包括信号强度值p21、信号强度值p22、信号强度值p23、信号强度值p24和信号强度值p25，原始线数据k3可以包括信号强度值p31、信号强度值p32、信号强度值p33、信号强度值p34和信号强度值p35，目标线数据k'2包括信号强度值p'21、信号强度值p'22、信号强度值p'23、信号强度值p'24和信号强度值p'25，则p'21、p'22、p'23、p'24和p'25可以满足以下公式；
p'21＝W1*p11+W2*p21+w3*p31；
p'22＝W1*p12+W2*p22+w3*p32；
p'23＝W1*p13+W2*p23+w3*p33；
p'24＝W1*p14+W2*p24+w3*p34；
p'25＝W1*p15+W2*p25+w3*p35。
W1、W2、和W3为分别为与原始线数据k1、原始线数据k2、原始线数据k3相匹配的权值系数。
图7是示出了本公开示例所涉及通过原始线数据获得目标线数据的流程示意图。
在步骤S500中，可以基于中间线数据与背景噪声计算损失函数以判断中间线数据是否符合预设要求。
如图7所示，步骤S500可以包括：判断调整次数是否小于第一预设阈值(步骤S510)、判断中间线数据是否符合预设要求(步骤S520)、调整权值系数(步骤S530)、以及将中间线数据作为目标线数据(步骤S540)。
在步骤S510中，判断调整次数是否小于第一预设阈值。
在一些示例中，调整次数可以指权值系数的调整次数。在一些示例中，调整次数的初始值可以为0，每调整一次权值系数，则调整系数加1。
在一些示例中，若调整权值系数的次数不小于第一预设阈值，则将中间线数据作为目标线数据，第一预设阈值为100至1000。例如，第一预设阈值可以为100、150、200、300、500、700、1000。在这种情况下，能够减少因多次调整权值系数依然无法符合预设要求的情况对结果的影响，同时能够记录该情况，作为调整机器学习方法的依据，例如，可以基于该情况发生的次数调整模型的超参数。
在步骤S520中，可以判断中间线数据是否符合预设要求。
在一些示例中，若调整权值系数的次数小于第一预设阈值，则继续步骤S520。
在步骤S530中，可以调整权值系数。
在一些示例中，若中间线数据不符合预设要求，则可以重新调整权值系数。
在一些示例中，若中间线数据不符合预设要求，则可以基于损失函数调整权值系数。
在一些示例中，若中间线数据不符合预设要求，则可以基于损失函数调整权值系数并重新判断中间线数据是否符合预设要求。
在步骤S540中，可以将中间线数据作为目标线数据。
在一些示例中，若中间线数据符合预设要求，则将中间线数据作为目标线数据。
在一些示例中，预设要求可以为中间线数据的信噪比大于第三预设阈值。在一些示例中，第三预设阈值可以为75dB至110dB。
在一些示例中，可以利用机器学习方法计算权值系数，机器学习方法为人工神经网络、决策树算法、随机森林算法、支持向量机算法、或深度学习中的至少一种。在这种情况下，能够利用多种机器学习方法调整权值系数，由于不同的机器学习方法在特定的环境下可以具有不同的效果，由此能够通过多次实验选择效果较好的机器学习方法获得质量较好的血管图像。
在一些示例中，在机器学习中可以生成损失函数，可以基于损失函数对权值系数进行调整。在一些示例中，可以基于中间线数据与所述背景噪声计算损失函数。在一些示例中，损失函数可以包括信噪比项，基于背景噪声和中间线数据获得信噪比项。在这种情况下，利用包括信噪比项的损失函数能够获得信噪比较低的目标线数据，从而能够提高血管图像的质量。
在一些示例中，成像器械10在血管内旋转一周后，若在旋转一周中调整权值系数的次数大于一预设阈值的次数大于第二预设阈值，则调整预设数量。在这种情况下，能够基于调整权值系数的结果重新调整预设数量，适应不同的环境，选择合适的预设数量获得血管图像，同时，由于每一周都会进行“调整权值系数的次数大于第一预设阈值的次数大于第二预设阈值”的判定，能够令每一张血管图像都能适应采集图像时的环境，不同的血管环境中实现自适应功能
在步骤S600中，可以基于目标线数据获得血管图像。具体而言，可以将多个目标线数据中的信号强度转换为图像的灰度值，并在极坐标系中显示。
虽然以上结合附图和示例对本发明进行了具体说明，但是可以理解，上述说明不以任何形式限制本发明。本领域技术人员在不偏离本发明的实质精神和范围的情况下可以根据需要对本发明进行变形和变化，这些变形和变化均落入本发明的范围内。
Claims (10)
1.一种血管内成像系统，是一种用于采集血管图像的血管内成像系统，其特征在于，所述血管内成像系统配置为：
采集背景噪声并设定权值系数；令成像器械在血管内旋转并获得原始线数据；利用所述原始线数据和所述权值系数进行加权平均并获得中间线数据；基于所述中间线数据与所述背景噪声计算损失函数以判断所述中间线数据是否符合预设要求，若所述中间线数据不符合预设要求，则基于所述损失函数调整所述权值系数，若所述中间线数据符合预设要求，则将所述中间线数据作为目标线数据；基于所述目标线数据获得血管图像。
2.根据权利要求1所述的血管内成像系统，其特征在于，
所述血管内成像系统配置为利用预设数量的所述原始线数据和与各个原始线数据相匹配的所述权值系数进行加权平均并获得所述中间线数据，进行加权平均并获得所述中间线数据时，预设数量的所述原始线数据为相邻的原始线数据。
3.根据权利要求2所述的血管内成像系统，其特征在于，
所述预设数量的范围为2-11。
4.根据权利要求2或3所述的血管内成像系统，其特征在于，
基于所述背景噪声设定权值系数和预设数量。
5.根据权利要求1所述的血管内成像系统，其特征在于，
所述血管内成像系统配置为利用机器学习方法计算所述权值系数，所述机器学习方法为人工神经网络、决策树算法、随机森林算法、支持向量机算法、或深度学习中的至少一种。
6.根据权利要求1所述的血管内成像系统，其特征在于，
所述成像器械每旋转预设角度，向血管壁发射一束成像信号并接收一束回波信号，基于所述回波信号获得原始线数据。
7.根据权利要求6所述的血管内成像系统，其特征在于，
所述成像信号为超声信号。
8.根据权利要求6所述的血管内成像系统，其特征在于，
所述预设角度为0.3°至6.0°。
9.根据权利要求2所述的血管内成像系统，其特征在于，
若调整所述权值系数的次数不小于第一预设阈值，则将所述中间线数据作为目标线数据，所述第一预设阈值为100至1000。
10.根据权利要求9所述的血管内成像系统，其特征在于，
所述成像器械在血管内旋转一周后，若在旋转一周中调整所述权值系数的次数大于第一预设阈值的次数大于第二预设阈值，则调整所述预设数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111489306.4A CN114010228B (zh) | 2021-12-07 | 2021-12-07 | 血管内成像系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111489306.4A CN114010228B (zh) | 2021-12-07 | 2021-12-07 | 血管内成像系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114010228A CN114010228A (zh) | 2022-02-08 |
| CN114010228B true CN114010228B (zh) | 2024-03-22 |
Family
ID=80068138
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111489306.4A Active CN114010228B (zh) | 2021-12-07 | 2021-12-07 | 血管内成像系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114010228B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1214232A (zh) * | 1997-02-13 | 1999-04-21 | Atl超声波公司 | 经接收扫描线数据内插的高分辨率超声成象 |
| CN103345770A (zh) * | 2013-07-18 | 2013-10-09 | 中国科学院自动化研究所 | 一种基于迭代自适应加权的有限视角光声成像重建方法 |
| CN103837892A (zh) * | 2014-03-26 | 2014-06-04 | 宋维琪 | 微地震自适应独立分量分析弱信号提取方法 |
| WO2014162367A1 (ja) * | 2013-04-05 | 2014-10-09 | テルモ株式会社 | 画像診断装置及びプログラム |
| CN105120759A (zh) * | 2013-03-13 | 2015-12-02 | 火山公司 | 用于从旋转血管内超声设备产生图像的系统和方法 |
| CN111856474A (zh) * | 2020-07-30 | 2020-10-30 | 重庆大学 | 一种基于子阵的空时域条件相干系数超声成像方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050093859A1 (en) * | 2003-11-04 | 2005-05-05 | Siemens Medical Solutions Usa, Inc. | Viewing direction dependent acquisition or processing for 3D ultrasound imaging |
| EP3275375B1 (en) * | 2015-03-24 | 2021-04-21 | Terumo Kabushiki Kaisha | Image diagnostic apparatus, program, and computer readable storage medium |
-
2021
- 2021-12-07 CN CN202111489306.4A patent/CN114010228B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1214232A (zh) * | 1997-02-13 | 1999-04-21 | Atl超声波公司 | 经接收扫描线数据内插的高分辨率超声成象 |
| CN105120759A (zh) * | 2013-03-13 | 2015-12-02 | 火山公司 | 用于从旋转血管内超声设备产生图像的系统和方法 |
| WO2014162367A1 (ja) * | 2013-04-05 | 2014-10-09 | テルモ株式会社 | 画像診断装置及びプログラム |
| CN103345770A (zh) * | 2013-07-18 | 2013-10-09 | 中国科学院自动化研究所 | 一种基于迭代自适应加权的有限视角光声成像重建方法 |
| CN103837892A (zh) * | 2014-03-26 | 2014-06-04 | 宋维琪 | 微地震自适应独立分量分析弱信号提取方法 |
| CN111856474A (zh) * | 2020-07-30 | 2020-10-30 | 重庆大学 | 一种基于子阵的空时域条件相干系数超声成像方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114010228A (zh) | 2022-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8094893B2 (en) | Segmentation tool for identifying flow regions in an image system | |
| JP3935433B2 (ja) | 空間的複合のための適応画像処理 | |
| EP1609423B1 (en) | Ultrasonic diagnostic apparatus | |
| JP4297555B2 (ja) | 超音波カラー・ドップラー速度／方向撮像 | |
| EP1188068B1 (en) | Method and apparatus for flash suppression in two-dimensional ultrasound imaging | |
| US8721547B2 (en) | Ultrasound system and method of forming ultrasound image | |
| JP4627366B2 (ja) | パケット・データ獲得を用いた超音波フロー撮像における運動の可視化のための方法および装置 | |
| US6666824B2 (en) | System and method of dynamic automatic sensing of available dynamic range | |
| CN103202714B (zh) | 超声波诊断装置、医用图像处理装置以及医用图像处理方法 | |
| JP3397748B2 (ja) | カラードップラー映像システムにおけるカラー映像表示方法及び装置 | |
| US7738685B2 (en) | Image processing system and method for controlling gains for color flow images | |
| US20090177086A1 (en) | Method and apparatus for selectively enhancing ultrasound image data | |
| CN113017700B (zh) | 血管内超声系统 | |
| JP7462624B2 (ja) | 深層学習に基づく超音波撮像ガイダンス並びに関連するデバイス、システム、及び方法 | |
| JP4712931B2 (ja) | パワー・ドップラー・イメージの最適データ・マッピングのための方法および装置 | |
| CN114010228B (zh) | 血管内成像系统 | |
| US20040225221A1 (en) | Diagnostic ultrasound imaging system with adaptive persistence | |
| US6893399B2 (en) | Method and apparatus for B-mode image banding suppression | |
| US6733452B2 (en) | Ultrasound imaging method and apparatus for forming color images by using a variable power threshold level | |
| CN110731795A (zh) | 空间复合成像的处理方法和装置 | |
| CN105982694A (zh) | 抑制超声噪声的信号处理方法 | |
| JP3735515B2 (ja) | 超音波診断システム | |
| JP4398024B2 (ja) | 超音波診断装置及び血栓映像化装置 | |
| JP3517002B2 (ja) | 超音波診断装置 | |
| JP7471257B2 (ja) | 超音波撮像装置、及び、カラードプラ画像の生成方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |