CN106491161B - 一种智能组织识别的方法及装置 - Google Patents
一种智能组织识别的方法及装置 Download PDFInfo
- Publication number
- CN106491161B CN106491161B CN201611034052.6A CN201611034052A CN106491161B CN 106491161 B CN106491161 B CN 106491161B CN 201611034052 A CN201611034052 A CN 201611034052A CN 106491161 B CN106491161 B CN 106491161B
- Authority
- CN
- China
- Prior art keywords
- signal
- echo
- domain
- tissue
- frequency
- 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
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
- A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/44—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
- A61B8/467—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means
- A61B8/469—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means for selection of a region of interest
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/48—Diagnostic techniques
- A61B8/485—Diagnostic techniques involving measuring strain or elastic properties
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明实施例公开了一种智能组织识别的方法及装置。该方法包括:利用超声前端设备扫描组织,并接收携带外部激励的RF回波信号;获取不同组织的RF回波信号数据,并根据所述能描述时域信号的特征标识、所述最能描述频域信号的特征标识、所述最能描述组织图像的特征标识和所述RF回波信号数据训练智能组织分类器,并对不同组织进行分类。从而采取被测组织的横向波动信息来识别组织特征,组织横向波动比较不容易受到超声探头设备运动以及人为测试偏差的干扰,其反映的组织特征更加准确,进而提高了智能识别方法的准确性。
Description
技术领域
本发明实施例涉及图像处理的技术领域,尤其涉及一种智能组织识别的方法及装置。
背景技术
超声波是一种频率超过20KHz的声波,医学超声波成像所使用的超声波频率为1MHz至10MHz频段。标准的超声回波成像是利用超声声速扫描生物组织,通过反射信号的接收、处理,以获得生物组织的图像。超声成像技术近年来以其无创伤,便于操作,可重复检查性强,逐渐成为最流行的医学成像技术之一。
传统的超声成像技术通过显示被观测组织的形态,以及血流等信息来反映组织的特性,但对于组织的硬度和弹性等信息反映的较少。而大量的临床诊断表明,许多病变的发生往往伴随着组织的硬度或弹性的变化。过去医生常常采用触诊的方法进行判断,但是触诊的方法对于医生经验的要求较高,同时诊断结果误差较大,因此以检测生物组织的弹性为目的的弹性成像技术应运而生,而且弹性成像所携带的组织信号可用于其他一些诊断的参考判断。超声弹性成像的原理是通过对被探测组织施加一个外部的激励,在弹性力学,生物力学等物理规律作用下,内部组织将产生一个响应,用超声扫描组织,通过接收,处理获得携带外部激励的组织信号。
而现阶段的一维超声弹性成像获得的组织信号难以像通过直接观察图像的辨识出不同的组织,因此,如何能够识别不同的组织是有待解决的问题。
发明内容
本发明实施例的目的在于提出一种智能组织识别的方法及装置,旨在解决如何针对超声弹性成像组织判断困难的问题给出组织性质的判断结果的问题。
为达此目的,本发明实施例采用以下技术方案:
第一方面,一种智能组织识别的方法,所述方法包括:
利用超声前端设备扫描组织,并接收携带外部激励的RF回波信号;
获取所述RF回波信号中最能描述时域信号的特征标识;
对所述RF回波信号进行频域变换,获得频域谱,根据所述频域谱获取最能描述频域信号的特征标识;
将多个超声周期内收到的RF回波信号排列成数字矩阵,对所述数字矩阵的图像进行图像处理,分析图像中的组织纹理以及图像梯度变化信息,选取最能描述组织图像的特征标识;
获取不同组织的RF回波信号数据,并根据所述能描述时域信号的特征标识、所述最能描述频域信号的特征标识、所述最能描述组织图像的特征标识和所述RF回波信号数据训练智能组织分类器,并根据训练结果对不同组织进行分类。
优选地,所述获取所述RF回波信号中最能描述时域信号的特征标识,包括:
将所述RF回波信号进行带通滤波,根据带通滤波后的时域信号获取时域能量谱;
根据所述时域能量谱计算差异值,所述差异值用于作为最能描述时域信号的特征标识。
优选地,所述对所述RF回波信号进行频域变换,获得频域谱,根据所述频域谱获取最能描述频域信号的特征标识,包括:
将所述RF回波信号的时域信号进行加窗并做频域变换;
根据所述时域获得频域的谱线,并在所述频域变换中采取并行算法,所述并行算法为所述频域的谱线减去一个直流分量后估计频域上超声衰减率,所述超声衰减率用于作为最能描述频域信号的特征标识。
优选地,所述将多个超声周期内收到的RF回波信号排列成数字矩阵,对所述数字矩阵的图像进行图像处理,分析图像中的组织纹理以及图像梯度变化信息,选取最能描述组织图像的特征标识,包括:
读取所述超声前端采集的所述RF回波信号,排列成所述数据矩阵,对所述RF回波信号进行平滑滤波和匹配滤波;
获取滤波后的RF回波信号的包络线,并根据所述包络线绘制成图像;
选取感兴趣区域ROI计算灰度的变化范围和图像梯度的变化,将计算的结果进行统计学分析,并选择最优的统计值作为描述组织图像的特征标识。
优选地,所述获取不同组织的RF回波信号数据,并根据所述能描述时域信号的特征标识、所述最能描述频域信号的特征标识、所述最能描述组织图像的特征标识和所述RF回波信号数据训练智能组织分类器,并根据训练结果对不同组织进行分类,包括:
分别选取肝脏组织、血管组织、肌肉组织,腹水组织、肠系组织和肺部组织的RF回波信号数据,以及所述能描述时域信号的特征标识、所述最能描述频域信号的特征标识和所述最能描述组织图像的特征标识,分别获取各组织对应的分类标识结果;
根据所述各组织对应的分类标识结果训练所述智能组织分类器;
根据训练后的所述智能组织分类器,对所述各组织进行分类,比较分类结果,并从中选取特异性最高的分类标识组合。
第二方面,一种智能组织识别的装置,所述装置包括:
接收模块,用于利用超声前端设备扫描组织,并接收携带外部激励的RF回波信号;
第一获取模块,用于获取所述RF回波信号中最能描述时域信号的特征标识;
第二获取模块,用于对所述RF回波信号进行频域变换,获得频域谱,根据所述频域谱获取最能描述频域信号的特征标识;
第三获取模块,用于将多个超声周期内收到的RF回波信号排列成数字矩阵,对所述数字矩阵的图像进行图像处理,分析图像中的组织纹理以及图像梯度变化信息,选取最能描述组织图像的特征标识;
分类模块,用于获取不同组织的RF回波信号数据,并根据所述能描述时域信号的特征标识、所述最能描述频域信号的特征标识、所述最能描述组织图像的特征标识和所述RF回波信号数据训练智能组织分类器,并根据训练结果对不同组织进行分类。
优选地,所述第一获取模块,具体用于:
将所述RF回波信号进行带通滤波,根据带通滤波后的时域信号获取时域能量谱;
根据所述时域能量谱计算差异值,所述差异值用于作为最能描述时域信号的特征标识。
优选地,所述第二获取模块,具体用于:
将所述RF回波信号的时域信号进行加窗并做频域变换;
根据所述时域获得频域的谱线,并在所述频域变换中采取并行算法,所述并行算法为所述频域的谱线减去一个直流分量后估计频域上超声衰减率,所述超声衰减率用于作为最能描述频域信号的特征标识。
优选地,所述第三获取模块,具体用于:
读取所述超声前端采集的所述RF回波信号,排列成所述数据矩阵,对所述RF回波信号进行平滑滤波和匹配滤波;
获取滤波后的RF回波信号的包络线,并根据所述包络线绘制成图像;
选取感兴趣区域ROI计算灰度的变化范围和图像梯度的变化,将计算的结果进行统计学分析,并选择最优的统计值作为描述组织图像的特征标识。
优选地,所述分类模块,具体用于:
分别选取肝脏组织、血管组织、肌肉组织,腹水组织、肠系组织和肺部组织的RF回波信号数据,以及所述能描述时域信号的特征标识、所述最能描述频域信号的特征标识和所述最能描述组织图像的特征标识,分别获取各组织对应的分类标识结果;
根据所述各组织对应的分类标识结果训练所述智能组织分类器;
根据训练后的所述智能组织分类器,对所述各组织进行分类,比较分类结果,并从中选取特异性最高的分类标识组合。
本发明实施例提供的一种智能组织识别的方法及装置,利用超声前端设备扫描组织,并接收携带外部激励的RF回波信号;获取所述RF回波信号中最能描述时域信号的特征标识;对所述RF回波信号进行频域变换,获得频域谱,根据所述频域谱获取最能描述频域信号的特征标识;将多个超声周期内收到的RF回波信号排列成数字矩阵,对所述数字矩阵的图像进行图像处理,分析图像中的组织纹理以及图像梯度变化信息,选取最能描述组织图像的特征标识;获取不同组织的RF回波信号数据,并根据所述能描述时域信号的特征标识、所述最能描述频域信号的特征标识、所述最能描述组织图像的特征标识和所述RF回波信号数据训练智能组织分类器,并根据训练结果对不同组织进行分类。从而采取被测组织的横向波动信息来识别组织特征,组织横向波动比较不容易受到超声探头设备运动以及人为测试偏差的干扰,其反映的组织特征更加准确,进而提高了智能识别方法的准确性。
附图说明
图1是本发明实施例提供的一种智能组织识别的方法的流程示意图;
图2是本发明实施例提供的一种时域频域的运算流程示意图;
图3是本发明实施例提供的一种图像处理的流程示意图;
图4是本发明实施例提供的另一种智能组织识别的方法的流程示意图;
图5是本发明实施例提供的一种智能组织识别的装置的功能模块示意图。
具体实施方式
下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明实施例,而非对本发明实施例的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明实施例相关的部分而非全部结构。
参考图1,图1是本发明实施例提供的一种智能组织识别的方法的流程示意图。
如图1所示,所述智能组织识别的方法包括:
步骤101,利用超声前端设备扫描组织,并接收携带外部激励的RF回波信号;
具体的,超声前端设备通过位移传感器发送激励信号,并让超声波回波信号作为激励信号回波的载体,同时携带组织信息。接收到的携带激励的信号将进行两种处理,一种是直接利用每个超声周期收到的RF信号进行分析,另一种是将接收到的多个超声周期的回波信号排列成数字矩阵,对矩阵图像进行分析。
步骤102,获取所述RF回波信号中最能描述时域信号的特征标识;
具体的,RF回波的时域信号通常被认为携带了大量的描述组织特征的信息,采用一系列算法对信号进行处理,选取最能描述时域信号的特征标识,作为时域的分类标识。
优选地,所述获取所述RF回波信号中最能描述时域信号的特征标识,包括:
将所述RF回波信号进行带通滤波,根据带通滤波后的时域信号获取时域能量谱;
根据所述时域能量谱计算差异值,所述差异值用于作为最能描述时域信号的特征标识。
其中,差异值包括方差、标准差等。
具体的,如图2所示,描述了通过RF信号选取时域和频域信号的具体过程,前端接收到的RF信号对其进行带通滤波,以获得超声载波频率的信号,减少噪声的干扰。将滤波后的时域信号求取能量谱,时域信号是通过电压幅值转换得到的,因此求取能量谱时要对其取对数。求取能量谱过程中采用并行的算法,再根据能量谱计算方差,作为时域信号能量的估计,通常能量是时域信号特征最佳描述,因此将能量的估计作为分类的时域标识。
步骤103,对所述RF回波信号进行频域变换,获得频域谱,根据所述频域谱获取最能描述频域信号的特征标识;
具体的,同时对回波信号进行频域变换,获得频域谱,通过算法选取频域最能描信号特征的标识,作为频域的分类标识。
优选地,所述对所述RF回波信号进行频域变换,获得频域谱,根据所述频域谱获取最能描述频域信号的特征标识,包括:
将所述RF回波信号的时域信号进行加窗并做频域变换;
根据所述时域获得频域的谱线,并在所述频域变换中采取并行算法,所述并行算法为所述频域的谱线减去一个直流分量后估计频域上超声衰减率,所述超声衰减率用于作为最能描述频域信号的特征标识。
具体的,对于RF信号在频域上进行分析,将时域信号加窗做频域变换,获得频域的谱线,频域变换过程中依然采取并行算法。频域谱减去一个直流分量后估计频域上超声衰减率,通常不同的组织其频域的衰减差别很大,因此将超声衰减的估计作为分类的频域标识。
步骤104,将多个超声周期内收到的RF回波信号排列成数字矩阵,对所述数字矩阵的图像进行图像处理,分析图像中的组织纹理以及图像梯度变化信息,选取最能描述组织图像的特征标识;
具体的,将多个超声周期收到的RF信号排列成数字矩阵,对矩阵图像进行图像处理,分析图像中的组织纹理以及图像梯度变化等信息,选取最能描述组织图像的特征标识,作为图像的分类标识。
优选地,所述将多个超声周期内收到的RF回波信号排列成数字矩阵,对所述数字矩阵的图像进行图像处理,分析图像中的组织纹理以及图像梯度变化信息,选取最能描述组织图像的特征标识,包括:
读取所述超声前端采集的所述RF回波信号,排列成所述数据矩阵,对所述RF回波信号进行平滑滤波和匹配滤波;
获取滤波后的RF回波信号的包络线,并根据所述包络线绘制成图像;
选取感兴趣区域ROI计算灰度的变化范围和图像梯度的变化,将计算的结果进行统计学分析,并选择最优的统计值作为描述组织图像的特征标识。
步骤105,获取不同组织的RF回波信号数据,并根据所述能描述时域信号的特征标识、所述最能描述频域信号的特征标识、所述最能描述组织图像的特征标识和所述RF回波信号数据训练智能组织分类器,并根据训练结果对不同组织进行分类。
具体的,如图3所示,将上述中的时域、频域以及图像的分类标识组合,分别选取肝脏组织、血管组织、肌肉组织,腹水组织、肠系组织以及肺部组织,具有代表性的数据库,求取对应的分类标识结果,训练智能组织分类器,分类训练预设算法实现,该预设算法包括但不限于支持向量机(SVM)实现。训练后的分类器,对不同的组织进行分类,比较分类结果。选取最终分类结果特异性最高的分类标识组合,从而实现智能的识别不同的组织。
优选地,所述获取不同组织的RF回波信号数据,并根据所述能描述时域信号的特征标识、所述最能描述频域信号的特征标识、所述最能描述组织图像的特征标识和所述RF回波信号数据训练智能组织分类器,并根据训练结果对不同组织进行分类,包括:
分别选取肝脏组织、血管组织、肌肉组织,腹水组织、肠系组织和肺部组织的RF回波信号数据,以及所述能描述时域信号的特征标识、所述最能描述频域信号的特征标识和所述最能描述组织图像的特征标识,分别获取各组织对应的分类标识结果;
根据所述各组织对应的分类标识结果训练所述智能组织分类器;
根据训练后的所述智能组织分类器,对所述各组织进行分类,比较分类结果,并从中选取特异性最高的分类标识组合。
具体的,描述的是用于智能组织分类识别中的成像过程,通过对RF数据进行处理,分别绘制图像和计算分类图像标识。在绘制超声图像过程中,通过读取超声前端采集的RF数据,排列成数据矩阵,然后对RF数据进行平滑滤波,提高图像的可识别性,匹配滤波提高信噪比,最后提取信号的包络线绘制成像。超声图像进行图像处理,选取感兴趣区域ROI计算灰度的变化范围,图像梯度的变化,将计算的结果进行统计学分析,选取最优的作为分类的图像标识。
本发明实施例提供的一种智能组织识别的方法,利用超声前端设备扫描组织,并接收携带外部激励的RF回波信号;获取所述RF回波信号中最能描述时域信号的特征标识;对所述RF回波信号进行频域变换,获得频域谱,根据所述频域谱获取最能描述频域信号的特征标识;将多个超声周期内收到的RF回波信号排列成数字矩阵,对所述数字矩阵的图像进行图像处理,分析图像中的组织纹理以及图像梯度变化信息,选取最能描述组织图像的特征标识;获取不同组织的RF回波信号数据,并根据所述能描述时域信号的特征标识、所述最能描述频域信号的特征标识、所述最能描述组织图像的特征标识和所述RF回波信号数据训练智能组织分类器,并根据训练结果对不同组织进行分类。从而采取被测组织的横向波动信息来识别组织特征,组织横向波动比较不容易受到超声探头设备运动以及人为测试偏差的干扰,其反映的组织特征更加准确,进而提高了智能识别方法的准确性。
参考图4,图4是本发明实施例提供的另一种智能组织识别的方法的流程示意图。
如图4所示,所述方法包括:
步骤401,利用超声前端设备扫描组织;
步骤402,接收携带振动的RF回波信号;
步骤403,获取RF回波信号;
步骤404,对所述RF回波信号处理;
步骤405,对所述RF回波信号获得时域分类标识、频域分类标识;
步骤406,获取所述RF回波信号对应的回波图像;
步骤407,对所述回波图像进行图像处理;
步骤408,对所述回波图像获得进行图像分类标识;
步骤409,智能分类识别。
参考图5,图5是本发明实施例提供的一种智能组织识别的装置的功能模块示意图。
如图5所示,所述装置包括:
接收模块501,用于利用超声前端设备扫描组织,并接收携带外部激励的RF回波信号;
第一获取模块502,用于获取所述RF回波信号中最能描述时域信号的特征标识;
优选地,所述第一获取模块502,具体用于:
将所述RF回波信号进行带通滤波,根据带通滤波后的时域信号获取时域能量谱;
根据所述时域能量谱计算方差,所述方差用于作为最能描述时域信号的特征标识。
第二获取模块503,用于对所述RF回波信号进行频域变换,获得频域谱,根据所述频域谱获取最能描述频域信号的特征标识;
优选地,所述第二获取模块503,具体用于:
将所述RF回波信号的时域信号进行加窗并做频域变换;
根据所述时域获得频域的谱线,并在所述频域变换中采取并行算法,所述并行算法为所述频域的谱线减去一个直流分量后估计频域上超声衰减率,所述超声衰减率用于作为最能描述频域信号的特征标识。
第三获取模块504,用于将多个超声周期内收到的RF回波信号排列成数字矩阵,对所述数字矩阵的图像进行图像处理,分析图像中的组织纹理以及图像梯度变化信息,选取最能描述组织图像的特征标识;
优选地,所述第三获取模块504,具体用于:
读取所述超声前端采集的所述RF回波信号,排列成所述数据矩阵,对所述RF回波信号进行平滑滤波和匹配滤波;
获取滤波后的RF回波信号的包络线,并根据所述包络线绘制成图像;
选取感兴趣区域ROI计算灰度的变化范围和图像梯度的变化,将计算的结果进行统计学分析,并选择最优的统计值作为描述组织图像的特征标识。
分类模块505,用于获取不同组织的RF回波信号数据,并根据所述能描述时域信号的特征标识、所述最能描述频域信号的特征标识、所述最能描述组织图像的特征标识和所述RF回波信号数据训练智能组织分类器,并根据训练结果对不同组织进行分类。
优选地,所述分类模块505,具体用于:
分别选取肝脏组织、血管组织、肌肉组织,腹水组织、肠系组织和肺部组织的RF回波信号数据,以及所述能描述时域信号的特征标识、所述最能描述频域信号的特征标识和所述最能描述组织图像的特征标识,分别获取各组织对应的分类标识结果;
根据所述各组织对应的分类标识结果训练所述智能组织分类器;
根据训练后的所述智能组织分类器,对所述各组织进行分类,比较分类结果,并从中选取特异性最高的分类标识组合。
本发明实施例提供的一种智能组织识别的装置,利用超声前端设备扫描组织,并接收携带外部激励的RF回波信号;获取所述RF回波信号中最能描述时域信号的特征标识;对所述RF回波信号进行频域变换,获得频域谱,根据所述频域谱获取最能描述频域信号的特征标识;将多个超声周期内收到的RF回波信号排列成数字矩阵,对所述数字矩阵的图像进行图像处理,分析图像中的组织纹理以及图像梯度变化信息,选取最能描述组织图像的特征标识;根据所述最能描述时域信号的特征标识对时域进行分类,根据所述最能描述频域信号的特征标识对频域进行分类,获取不同组织的RF回波信号数据,并根据所述能描述时域信号的特征标识、所述最能描述频域信号的特征标识、所述最能描述组织图像的特征标识和所述RF回波信号数据训练智能组织分类器,并根据训练结果对不同组织进行分类。从而采取被测组织的横向波动信息来识别组织特征,组织横向波动比较不容易受到超声探头设备运动以及人为测试偏差的干扰,其反映的组织特征更加准确,进而提高了智能识别方法的准确性。
以上结合具体实施例描述了本发明实施例的技术原理。这些描述只是为了解释本发明实施例的原理,而不能以任何方式解释为对本发明实施例保护范围的限制。基于此处的解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明实施例的其它具体实施方式,这些方式都将落入本发明实施例的保护范围之内。
Claims (8)
1.一种智能组织识别的方法,其特征在于,所述方法包括:
利用超声前端设备扫描组织,并接收携带外部激励的RF回波信号;
获取所述RF回波信号中最能描述时域信号的特征标识,包括:
将所述RF回波信号进行带通滤波,根据带通滤波后的时域信号获取时域能量谱;
根据所述时域能量谱计算差异值,所述差异值用于作为最能描述时域信号的特征标识;
对所述RF回波信号进行频域变换,获得频域谱,根据所述频域谱获取最能描述频域信号的特征标识;
将多个超声周期内收到的RF回波信号排列成数字矩阵,对所述数字矩阵的图像进行图像处理,分析图像中的组织纹理以及图像梯度变化信息,选取最能描述组织图像的特征标识;
获取不同组织的RF回波信号数据,并根据所述能描述时域信号的特征标识、所述最能描述频域信号的特征标识、所述最能描述组织图像的特征标识和所述RF回波信号数据训练智能组织分类器,并根据训练结果对不同组织进行分类。
2.根据权利要求1所述的方法,其特征在于,所述对所述RF回波信号进行频域变换,获得频域谱,根据所述频域谱获取最能描述频域信号的特征标识,包括:
将所述RF回波信号的时域信号进行加窗并做频域变换;
根据所述时域信号获得频域的谱线,并在所述频域变换中采取并行算法,所述并行算法为所述频域的谱线减去一个直流分量后估计频域上超声衰减率,所述超声衰减率用于作为最能描述频域信号的特征标识。
3.根据权利要求1所述的方法,其特征在于,所述将多个超声周期内收到的RF回波信号排列成数字矩阵,对所述数字矩阵的图像进行图像处理,分析图像中的组织纹理以及图像梯度变化信息,选取最能描述组织图像的特征标识,包括:
读取所述超声前端设备采集的所述RF回波信号,排列成所述数据矩阵,对所述RF回波信号进行平滑滤波和匹配滤波;
获取滤波后的RF回波信号的包络线,并根据所述包络线绘制成图像;
选取感兴趣区域ROI计算灰度的变化范围和图像梯度的变化,将计算的结果进行统计学分析,并选择最优的统计值作为描述组织图像的特征标识。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述获取不同组织的RF回波信号数据,并根据所述能描述时域信号的特征标识、所述最能描述频域信号的特征标识、所述最能描述组织图像的特征标识和所述RF回波信号数据训练智能组织分类器,并根据训练结果对不同组织进行分类,包括:
分别选取肝脏组织、血管组织、肌肉组织,腹水组织、肠系组织和肺部组织的RF回波信号数据,以及所述能描述时域信号的特征标识、所述最能描述频域信号的特征标识和所述最能描述组织图像的特征标识,分别获取各组织对应的分类标识结果;
根据所述各组织对应的分类标识结果训练所述智能组织分类器;
根据训练后的所述智能组织分类器,对所述各组织进行分类,比较分类结果,并从中选取特异性最高的分类标识组合。
5.一种智能组织识别的装置,其特征在于,所述装置包括:
接收模块,用于利用超声前端设备扫描组织,并接收携带外部激励的RF回波信号;
第一获取模块,用于获取所述RF回波信号中最能描述时域信号的特征标识,具体用于:
将所述RF回波信号进行带通滤波,根据带通滤波后的时域信号获取时域能量谱;
根据所述时域能量谱计算差异值,所述差异值用于作为最能描述时域信号的特征标识;
第二获取模块,用于对所述RF回波信号进行频域变换,获得频域谱,根据所述频域谱获取最能描述频域信号的特征标识;
第三获取模块,用于将多个超声周期内收到的RF回波信号排列成数字矩阵,对所述数字矩阵的图像进行图像处理,分析图像中的组织纹理以及图像梯度变化信息,选取最能描述组织图像的特征标识;
分类模块,用于获取不同组织的RF回波信号数据,并根据所述能描述时域信号的特征标识、所述最能描述频域信号的特征标识、所述最能描述组织图像的特征标识和所述RF回波信号数据训练智能组织分类器,并根据训练结果对不同组织进行分类。
6.根据权利要求5所述的装置,其特征在于,所述第二获取模块,具体用于:
将所述RF回波信号的时域信号进行加窗并做频域变换;
根据所述时域信号获得频域的谱线,并在所述频域变换中采取并行算法,所述并行算法为所述频域的谱线减去一个直流分量后估计频域上超声衰减率,所述超声衰减率用于作为最能描述频域信号的特征标识。
7.根据权利要求5所述的装置,其特征在于,所述第三获取模块,具体用于:
读取所述超声前端设备采集的所述RF回波信号,排列成所述数据矩阵,对所述RF回波信号进行平滑滤波和匹配滤波;
获取滤波后的RF回波信号的包络线,并根据所述包络线绘制成图像;
选取感兴趣区域ROI计算灰度的变化范围和图像梯度的变化,将计算的结果进行统计学分析,并选择最优的统计值作为描述组织图像的特征标识。
8.根据权利要求5至7任意一项所述的装置,其特征在于,所述分类模块,具体用于:
分别选取肝脏组织、血管组织、肌肉组织,腹水组织、肠系组织和肺部组织的RF回波信号数据,以及所述能描述时域信号的特征标识、所述最能描述频域信号的特征标识和所述最能描述组织图像的特征标识,分别获取各组织对应的分类标识结果;
根据所述各组织对应的分类标识结果训练所述智能组织分类器;
根据训练后的所述智能组织分类器,对所述各组织进行分类,比较分类结果,并从中选取特异性最高的分类标识组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611034052.6A CN106491161B (zh) | 2016-11-15 | 2016-11-15 | 一种智能组织识别的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611034052.6A CN106491161B (zh) | 2016-11-15 | 2016-11-15 | 一种智能组织识别的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106491161A CN106491161A (zh) | 2017-03-15 |
CN106491161B true CN106491161B (zh) | 2019-07-05 |
Family
ID=58328156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611034052.6A Active CN106491161B (zh) | 2016-11-15 | 2016-11-15 | 一种智能组织识别的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106491161B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10154826B2 (en) | 2013-07-17 | 2018-12-18 | Tissue Differentiation Intelligence, Llc | Device and method for identifying anatomical structures |
US10716536B2 (en) | 2013-07-17 | 2020-07-21 | Tissue Differentiation Intelligence, Llc | Identifying anatomical structures |
US11986341B1 (en) | 2016-05-26 | 2024-05-21 | Tissue Differentiation Intelligence, Llc | Methods for accessing spinal column using B-mode imaging to determine a trajectory without penetrating the the patient's anatomy |
US11701086B1 (en) | 2016-06-21 | 2023-07-18 | Tissue Differentiation Intelligence, Llc | Methods and systems for improved nerve detection |
CN107684439A (zh) * | 2017-09-12 | 2018-02-13 | 乐普(北京)医疗器械股份有限公司 | 一种基于超声瞬时弹性成像技术的应变图识别方法 |
CN110472584A (zh) * | 2019-08-16 | 2019-11-19 | 四川九洲电器集团有限责任公司 | 一种通信设备身份识别方法、电子设备及计算机程序产品 |
CN113440167B (zh) * | 2021-06-28 | 2022-06-10 | 南京大学 | 一种基于rf信号的肺部超声信号特征的识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070238991A1 (en) * | 2006-01-25 | 2007-10-11 | Jaltec Biomedical Inc. | Ultrasound method and apparatus for characterizing and identifying biological tissues |
CN101807245B (zh) * | 2010-03-02 | 2013-01-02 | 天津大学 | 基于人工神经网络的多源步态特征提取与身份识别方法 |
CN102368333A (zh) * | 2011-09-07 | 2012-03-07 | 常州蓝城信息科技有限公司 | 基于时域和频域滤波的指纹增强方法 |
KR101610874B1 (ko) * | 2014-03-26 | 2016-04-11 | 주식회사 웨이전스 | 공간 일관성 기초 초음파 신호 처리 모듈 및 그에 의한 초음파 신호 처리 방법 |
CN104143101A (zh) * | 2014-07-01 | 2014-11-12 | 华南理工大学 | 一种基于超声图像的乳腺肿瘤区域自动识别方法 |
CN105030279B (zh) * | 2015-06-24 | 2018-06-29 | 华南理工大学 | 一种基于超声射频时间序列的组织定征方法 |
-
2016
- 2016-11-15 CN CN201611034052.6A patent/CN106491161B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106491161A (zh) | 2017-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106491161B (zh) | 一种智能组织识别的方法及装置 | |
CN110811691B (zh) | 自动识别测量项的方法、装置及一种超声成像设备 | |
US5417215A (en) | Method of tissue characterization by ultrasound | |
US7676091B2 (en) | Method and apparatus for analysing ultrasound images | |
EP2578163A1 (en) | Malignant tissue tumor detection method and malignant tissue tumor detection device | |
RU2674241C2 (ru) | Автоматизированный выбор сердечных циклов на основе доплеровского смещения | |
KR101580254B1 (ko) | 주파수 영역에서의 의료 영상 진단 장치 및 방법 | |
US20080009735A1 (en) | Ultrasound diagnosis apparatus | |
CN103054563B (zh) | 一种血管壁图像纹理特征的量化和提取方法 | |
WO2007138881A1 (ja) | 超音波診断装置 | |
CN105246415B (zh) | 超声波观测装置以及超声波观测装置的动作方法 | |
CN102387748B (zh) | 检测血管狭窄 | |
JP2006507883A (ja) | 撮像システム内で流れ領域を識別するセグメンテーション・ツール | |
CN102247172A (zh) | 自动化胎儿胎龄评估的系统和方法 | |
CN107346541B (zh) | 一种基于超声射频时间序列小波分析的组织定征方法 | |
CN112037163A (zh) | 一种基于超声图像的血流量自动测量方法和装置 | |
CN103371847A (zh) | 图像处理方法和装置 | |
Tschirren et al. | Automated analysis of Doppler ultrasound velocity flow diagrams | |
CN111528914A (zh) | 一种图像处理方法和装置 | |
CN117547306B (zh) | 基于m型超声的左心室射血分数测量方法、系统及装置 | |
KR20160072677A (ko) | 의료 영상 진단 장치 및 방법 | |
Khan et al. | Semiautomatic quantification of carotid plaque volume with three-dimensional ultrasound imaging | |
Mendizabal-Ruiz et al. | Probabilistic segmentation of the lumen from intravascular ultrasound radio frequency data | |
CN109452954A (zh) | 超声成像方法及装置 | |
US6358206B1 (en) | Ultrasound process for the determination of the location of a parietal surface in a tissue and of the absolute radius of an artery, and ultrasound apparatus for carrying out such process |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | 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 |