CN106983524A - 一种反映生物组织异常的参数及其测量方法 - Google Patents
一种反映生物组织异常的参数及其测量方法 Download PDFInfo
- Publication number
- CN106983524A CN106983524A CN201710320561.3A CN201710320561A CN106983524A CN 106983524 A CN106983524 A CN 106983524A CN 201710320561 A CN201710320561 A CN 201710320561A CN 106983524 A CN106983524 A CN 106983524A
- Authority
- CN
- China
- Prior art keywords
- region
- harmonic
- interest
- scan line
- value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 26
- 238000002604 ultrasonography Methods 0.000 claims abstract description 25
- 230000005856 abnormality Effects 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 238000000691 measurement method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 8
- 238000005315 distribution function Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 230000008520 organization Effects 0.000 abstract description 8
- 210000001519 tissue Anatomy 0.000 description 54
- 239000000523 sample Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 3
- 230000002440 hepatic effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 241001269238 Data Species 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004071 biological effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 1
- 208000007433 Lymphatic Metastasis Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 208000002458 carcinoid tumor Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 210000001685 thyroid gland Anatomy 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
- A61B8/0833—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
- A61B8/46—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
-
- 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
本发明公开了一种反映生物组织异常的参数及其测量方法,属于B超诊断和统计学中的假设检验技术领域。本发明首先将B超诊断仪设置在二次谐波扫描模式,扫描和存储组织的原始RF数据;其次对一帧RF数据进行带通滤波并在这帧RF数据中选取感兴趣和参考区域;然后计算感兴趣和参考区域内每条扫描线上每一个或数个周期内二次谐波的均方根值;再用Kolmogorov–Smirnov检验把各区域内每条扫描线上的均方根值与参考区域的进行比较,计算相应p值;最后用感兴趣区域的算术平均p值除以参考区域的算术平均p值,得到相对p值。本发明解决了当前B超检查中识别复杂生物组织异常主观性强和需要有丰富临床经验的问题,测量准确、容易实施。
Description
技术领域
本发明涉及B超检查和统计学中的假设检验,特别是反映生物组织特性异常的技术;更具体地说,涉及一种反映生物组织异常的参数及其测量方法。
背景技术
超声检查是根据人体器官组织声学性质上的差异,以波形或图像的形式显示和记录器官反射的超声波,实现发现组织异常的方法。目前使用最广的是B超检查。它对人体的软组织具有高分辨力、操作简单、成像快、诊断及时、无痛苦、无危害的优势,属于非损伤性检查。超声成像技术的广泛应用推动了利用计算机技术和信息处理技术处理和分析超声图像的研究进程。生物组织特性主要可以从形态、边界、回声、浸润表现和有无淋巴结转移等方面综合评价。
目前,主要通过B超诊断检查生物组织并找出感兴趣区,然后根据选择的区域进行细针穿刺细胞学检查。另一方面,基于超声成像技术的处理超声图像识别和提取组织特征的方法也在近年来得到发展,并建立了计算机辅助诊断系统。计算机辅助判别已成为国内外学术界的研究热点之一。这个系统包括图像采集、图像预处理、感兴趣区区域分割、特征提取并识别等步骤。从B超图像中提取的包括分形维数的纹理信息和形态特征等难以单独用于反映组织异常。目前具有较高准确率的方法是综合这些参数,使用人工神经网络或支持向量机作为分类器对图像进行识别。然而这个方法需要大量样本,多种特征的提取,计算复杂,同时受图像本身信息量限制。超声图像获取的是经处理的背向散射信号,只包括了散射信号的幅度信息,影响了反映组织特性的准确性。信息量的丢失,在成像过程中是不可避免的。特别对于结构多源的复杂组织,只用图像往往难以诊断。
也有研究学者提出了利用原始的RF信号提取组织特性的方案,RF信号不仅包括了幅度信息还包含有相位信息。公开文献[DOI:10.1109/TMI.2014.2365030,链接http://ieeexplore.ieee.org/document/6936384/]给出了利用单帧RF信号,RF信号时间序列以及B超图像提取多个特征区分乳腺肿瘤的方法。文中提及起主要贡献的特征是由RF信号时间序列提取的数个特征,这也同时说明了B超图像信息量低的结论。但是,RF信号时间序列的采集过程中不可避免的会因医生或病人的抖动引入误差,而这种抖动,对小面积的变异来说影响也会很大。另一方面,人们开始研究组织的分布函数,通过函数中的参数反映组织异常。但这种方法计算复杂,目前尚处于探索阶段。
而关于生物组织异常测量的方案,目前也已有较多专利方案公开,如中国专利申请号201310423058.2,专利名称为:一种基于超声射频流分析的肝组织微结构的检测方法,该申请案获取肝组织区域连续P帧超声回波射频RF信号,解调得到RF信号的B型图;在B型图上选择感兴趣区域ROI,获取感兴趣区域内超声回波射频RF信号;获取感兴趣区域ROI内每个射频流的Higuchi的FD特征;计算每个射频流的功率谱;分别对FD特征和功率谱作平均处理,并提取功率谱特征;使用一个预先训练好的神经网络模型,将平均处理后的Higuchi分形特征及功率谱特征输入到神经网络,根据输出检测肝组织微结构变化,具有检测准确度高的优点。
又如中国专利申请号201611034052.6,专利名称为:一种智能组织识别的方法及装置;该申请案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。
但上述申请案即存在上文所述使用人工神经网络或者智能组织分类器,需要大量样本,计算复杂的问题,仍有待进一步改进。
发明内容
1.发明要解决的技术问题
针对上述现有技术中存在的缺陷,本发明提供了一种反映生物组织异常的参数及其测量方法,本发明由单帧RF信号提取能高度反映组织异常的新参数,避免了抖动引入的误差,是一种测量准确,容易实施的反映生物组织异常的参数测量方法。
2.技术方案
为达到上述目的,本发明提供的技术方案为:
本发明的一种反映生物组织异常的参数测量方法,其步骤如下:
1)将B超诊断仪设置在二次谐波扫描模式对组织进行扫描,获取原始RF数据;
2)对采集到的一帧原始RF数据进行带通滤波;
3)根据RF数据的灰度图,选取感兴趣区和参考区;
4)计算感兴趣区和参考区中每条扫描线上每N个周期二次谐波信号p2(x)的均方根值,从而获得每条扫描线上二次谐波均方根值数组;
5)将感兴趣区和参考区内每条扫描线上的均方根值数组与参考区的进行比较,得到反映感兴趣区和参考区某扫描线上二次谐波分布差异度的p值;
6)将感兴趣区与参考区进行比较,计算反映组织异常的相对p值。
更进一步地,步骤2)中使用FIR带通滤波器提取RF数据中的二次谐波信号,中心频率取二次谐波的频率,带宽设为中心频率的40%~60%。
更进一步地,步骤3)中首先选取包涵组织异常的矩形区域为感兴趣区,在感兴趣区左右两边的水平方向选取矩形区域为参考区,参考区与感兴趣区的总面积相等。
更进一步地,步骤4)中N取1,2或3,计算的具体过程为:
其中fs为扫描频率,f2为二次谐波频率,x为扫描线上的第x个点。
更进一步地,步骤5)中利用统计学中假设检验的p值,对扫描线上的二次谐波的均方根值数组进行两样本Kolmogorov–Smirnov检验,将各区域内每条扫描线上的均方根值数组与参考区的进行比较,得到反映感兴趣区和参考区某扫描线上二次谐波分布差异度的p值;具体过程为:
P21(n)和P22(n)分别为两条扫描线上的二次谐波均方根值数组的累积分布函数,M为二次谐波均方根值数组长度。
更进一步地,步骤6)按照下式计算反映组织异常的相对p值:
其中,分别为感兴趣区和参考区内扫描线的算术平均p值。
本发明的一种反映生物组织异常的参数,该参数由上述方法测量得到。
3.有益效果
采用本发明提供的技术方案,与已有的公知技术相比,具有如下显著效果:
(1)本发明的一种反映生物组织异常的参数测量方法,在二次谐波扫描模式下获取原始RF数据,并利用原始RF数据进行带通滤波和感兴趣区域划分,然后将感兴趣区和参考区内每条扫描线上得到的均方根值数组与参考区的进行比较,再计算反映组织异常的相对p值,相对目前仍处于探索阶段的计算组织具体分布(例如K分布,瑞利分布),利用分布参数反应组织异常的方法,有计算简单、通用性高的优势;
(2)本发明的一种反映生物组织异常的参数测量方法,仅需要厂家公开原始RF数据,不需要额外的仪器就能得到反映组织异常的相对p值,相比从B超图像提取特征的方式,有较高的信息量;
(3)本发明的一种反映生物组织异常的参数测量方法,在B超检查中,无需医师综合多方面(形态、边界、回声等)因素概括生物组织异常,有效的解决了B超检查中主观性强和需要有丰富临床经验的问题,也避免了抖动引入的误差,是一种测量准确,容易实施的反映生物组织异常的参数测量方法。
附图说明
图1是本发明的反映生物组织异常特性的参数测量流程图;
图2是使用本发明为说明区域选择(感兴趣区、参考区)的B超示意图;
图3是测量计算的25组样本对应细针穿刺结果的相对p值分布图。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。
实施例1
参看图1,本实施例的一种反映生物组织异常的参数测量方法,具体步骤如下:
1)将Vinno70型B超诊断仪(VINNO Technology(Suzhou)Co.,Ltd.)设置在二次谐波扫描模式,使用X6-16L型宽频带B超探头对组织进行扫描,获取原始RF(超声波射频)数据。
超声在非均匀组织中传播时产生的二次谐波p2(x)与组织的非线性参量B/A的关系可表示为
其中 为位置x处的非线性参量,α1(v)、α2(v)分别为基频和二次谐波的衰减系数,p0、f分别为基频声压和频率,ρ、c为组织的密度和声速。非线性参量是声波在介质传播过程中表示非线性效应的量,它能反映生物组织的结构特征以及病变状态。因此,由公式(1)可以看出,从RF信号中提取二次谐波分量,能有效保留生物组织结构的特征。而使用B超诊断仪的二次谐波模式能有效提高数据采集的信噪比。
2)对一帧图像存储的原始RF数据进行带通滤波,本实施例使用FIR带通滤波器提取RF数据中的二次谐波信号,中心频率取二次谐波的频率(10MHz)。为了确保提取二次谐波信号并避免噪声干扰,带宽需设为中心频率的40%~60%,本实施例取中心频率的50%。
3)参看图2,根据RF数据的灰度图,选取感兴趣区和参考区。
4)计算感兴趣区和参考区中每条扫描线上每N个周期二次谐波信号p2(x)的均方根值,受感兴趣区和参考区内扫描点数的限制,N可取1,2或3,本实施例中N=2,即计算每10个点的均方根值,计算的具体过程为:
其中fs为扫描频率,f2为二次谐波频率,x为扫描线上的第x个点。
从而获得每条扫描线上二次谐波均方根值数组。
5)利用统计学中假设检验的p值,对扫描线上的二次谐波的均方根值数组进行两样本Kolmogorov–Smirnov检验(two sample Kolmogorov–Smirnov test),将各区域内每条扫描线上的均方根值数组与参考区的进行比较,判断各区内每条扫描线上的均方根值数组与参考区的是否同分布,得到反映感兴趣区和参考区某扫描线上二次谐波分布差异度的p值。具体过程为:
P21(n)和P22(n)分别为两条扫描线上的二次谐波均方根值数组的累积分布函数,M为二次谐波均方根值数组长度。
6)将感兴趣区与参考区进行比较(即将组织中怀疑异常的区域与正常区域进行比较),即按公式(4)计算反映组织异常的相对p值。
其中,分别为感兴趣区和参考区内扫描线的算术平均p值。
本实施例中,区域的选取如图2所示,首先选取包涵组织异常的矩形区域为感兴趣区,在感兴趣区左右两边的水平方向选取矩形区域为参考区。为确保结果一致性,参考区与感兴趣的总面积相等。根据公式(4),计算得到相对p值为0.1753。
图3所示为使用在一段时间内采集到的25组甲状腺数据:根据B超检查后的穿刺检查结果所画的相对p值分布图。可见良性肿瘤的相对p值基本高于0.5,而恶性肿瘤的相对p值基本都低于0.5。显著性因子取0.01,使用Mann-Whitney U检验,可知穿刺结果中良性组的相对p值和恶性肿瘤组的相对p值存在统计差异,相对p值可用于描述生物组织异常。因此,从统计角度也可以得知良性肿瘤和恶性肿瘤的相对p值是不同的。
本实施例提供的一种反映生物组织异常的参数测量方法,其相对p值的测量和计算,仅需要厂家公开原始RF数据,不需要额外的仪器就能得到,操作简便,实用性强。相对目前仍处于探索阶段的计算组织具体分布(例如K分布,瑞利分布),利用分布参数反应组织异常的方法,有计算简单、通用性高的优势。在B超检查中,无需医师综合多方面(形态、边界、回声等)因素概括生物组织异常。有效的解决了B超检查中主观性强和需要有丰富临床经验的问题,该相对p值是一种反映组织异常的客观参数。
实施例2
本实施例的一种反映生物组织异常的参数及其测量方法,基本同实施例1,其不同之处在于:本实施例的步骤2)中为了确保提取二次谐波信号并避免噪声干扰,带宽设为中心频率的40%。步骤4)中N取1,即计算每5个扫描点的均方根值。
实施例3
本实施例的一种反映生物组织异常的参数及其测量方法,基本同实施例1,其不同之处在于:本实施例的步骤2)中为了确保提取二次谐波信号并避免噪声干扰,带宽设为中心频率的60%。步骤4)中N取3,即计算每15个扫描点的均方根值。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的方式及实施例,均应属于本发明的保护范围。
Claims (7)
1.一种反映生物组织异常的参数测量方法,其步骤如下:
1)将B超诊断仪设置在二次谐波扫描模式对组织进行扫描,获取原始RF数据;
2)对采集到的一帧原始RF数据进行带通滤波;
3)根据RF数据的灰度图,选取感兴趣区和参考区;
4)计算感兴趣区和参考区中每条扫描线上每N个周期二次谐波信号p2(x)的均方根值,从而获得每条扫描线上二次谐波均方根值数组;
5)将感兴趣区和参考区内每条扫描线上的均方根值数组与参考区的进行比较,得到反映感兴趣区和参考区某扫描线上二次谐波分布差异度的p值;
6)将感兴趣区与参考区进行比较,计算反映组织异常的相对p值。
2.根据权利要求1所述的一种反映生物组织异常的参数测量方法,其特征在于:步骤2)中使用FIR带通滤波器提取RF数据中的二次谐波信号,中心频率取二次谐波的频率,带宽设为中心频率的40%~60%。
3.根据权利要求1或2所述的一种反映生物组织异常的参数测量方法,其特征在于:步骤3)中首先选取包涵组织异常的矩形区域为感兴趣区,在感兴趣区左右两边的水平方向选取矩形区域为参考区,参考区与感兴趣区的总面积相等。
4.根据权利要求3所述的一种反映生物组织异常的参数测量方法,其特征在于:步骤4)中N取1,2或3,计算的具体过程为:
其中fs为扫描频率,f2为二次谐波频率,x为扫描线上的第x个点。
5.根据权利要求4所述的一种反映生物组织异常的参数测量方法,其特征在于:步骤5)中利用统计学中假设检验的p值,对扫描线上的二次谐波的均方根值数组进行两样本Kolmogorov–Smirnov检验,将各区域内每条扫描线上的均方根值数组与参考区的进行比较,得到反映感兴趣区和参考区某扫描线上二次谐波分布差异度的p值;具体过程为:
P21(n)和P22(n)分别为两条扫描线上的二次谐波均方根值数组的累积分布函数,M为二次谐波均方根值数组长度。
6.根据权利要求5所述的一种反映生物组织异常的参数测量方法,其特征在于:步骤6)按照下式计算反映组织异常的相对p值:
其中,分别为感兴趣区和参考区内扫描线的算术平均p值。
7.一种反映生物组织异常的参数,其特征在于:该参数由权利要求1~6任一项所述方法测量得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710320561.3A CN106983524A (zh) | 2017-05-09 | 2017-05-09 | 一种反映生物组织异常的参数及其测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710320561.3A CN106983524A (zh) | 2017-05-09 | 2017-05-09 | 一种反映生物组织异常的参数及其测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106983524A true CN106983524A (zh) | 2017-07-28 |
Family
ID=59418439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710320561.3A Pending CN106983524A (zh) | 2017-05-09 | 2017-05-09 | 一种反映生物组织异常的参数及其测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106983524A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110851788A (zh) * | 2019-11-07 | 2020-02-28 | 北京工业大学 | 基于神经网络的超声背散射零差k模型参数估算方法 |
CN111462077A (zh) * | 2020-03-31 | 2020-07-28 | 南京大学 | 一种利用非线性信息熵定征生物组织的方法 |
CN111616740A (zh) * | 2020-05-15 | 2020-09-04 | 北京工业大学 | 基于经验模态分解的超声背散射零差k成像方法 |
CN112469341A (zh) * | 2018-08-28 | 2021-03-09 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声图像处理方法及设备、存储介质 |
CN113344860A (zh) * | 2021-05-17 | 2021-09-03 | 武汉大学 | 胃黏膜染色放大图像微结构的异常程度量化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103479398A (zh) * | 2013-09-16 | 2014-01-01 | 华南理工大学 | 一种基于超声射频流分析的肝组织微结构的检测方法 |
CN103948402A (zh) * | 2014-05-13 | 2014-07-30 | 中国科学院深圳先进技术研究院 | 肿瘤超声成像特征提取方法和系统 |
CN105377145A (zh) * | 2013-05-24 | 2016-03-02 | 森尼布鲁克研究所 | 用定量超声参数映射的一阶和二阶统计来分类和表征组织的系统和方法 |
-
2017
- 2017-05-09 CN CN201710320561.3A patent/CN106983524A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105377145A (zh) * | 2013-05-24 | 2016-03-02 | 森尼布鲁克研究所 | 用定量超声参数映射的一阶和二阶统计来分类和表征组织的系统和方法 |
CN103479398A (zh) * | 2013-09-16 | 2014-01-01 | 华南理工大学 | 一种基于超声射频流分析的肝组织微结构的检测方法 |
CN103948402A (zh) * | 2014-05-13 | 2014-07-30 | 中国科学院深圳先进技术研究院 | 肿瘤超声成像特征提取方法和系统 |
Non-Patent Citations (2)
Title |
---|
NISHANT UNIYAL 等: "Ultrasound RF Time Series for Classification of Breast Lesions", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
胡国兵 等: "基于K-S检验的BPSK信号盲处理结果可信性评估", 《电子学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112469341A (zh) * | 2018-08-28 | 2021-03-09 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声图像处理方法及设备、存储介质 |
CN110851788A (zh) * | 2019-11-07 | 2020-02-28 | 北京工业大学 | 基于神经网络的超声背散射零差k模型参数估算方法 |
CN110851788B (zh) * | 2019-11-07 | 2023-04-07 | 北京工业大学 | 基于神经网络的超声背散射零差k模型参数估算方法 |
CN111462077A (zh) * | 2020-03-31 | 2020-07-28 | 南京大学 | 一种利用非线性信息熵定征生物组织的方法 |
CN111616740A (zh) * | 2020-05-15 | 2020-09-04 | 北京工业大学 | 基于经验模态分解的超声背散射零差k成像方法 |
CN111616740B (zh) * | 2020-05-15 | 2023-04-28 | 北京工业大学 | 基于经验模态分解的超声背散射零差k成像方法 |
CN113344860A (zh) * | 2021-05-17 | 2021-09-03 | 武汉大学 | 胃黏膜染色放大图像微结构的异常程度量化方法 |
CN113344860B (zh) * | 2021-05-17 | 2022-04-29 | 武汉大学 | 胃黏膜染色放大图像微结构的异常程度量化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106983524A (zh) | 一种反映生物组织异常的参数及其测量方法 | |
CN103720489B (zh) | 病变组织生长监测方法和系统 | |
CN101474083A (zh) | 血管力学特性超分辨成像与多参数检测的系统与方法 | |
CN105930665A (zh) | 一种基于超声衰减系数的肝脏脂肪定量测量方法 | |
CN106264573A (zh) | 便携式肌肉力学参数及肌肉力在体超声检测装置及方法 | |
DE102012108121A1 (de) | Verfahren und System für ultraschallgestützte automatische Erkennung, Quantifizierung und Nachverfolgung von Pathologien | |
CN105030279A (zh) | 一种基于超声射频时间序列的组织定征方法 | |
CN106491161B (zh) | 一种智能组织识别的方法及装置 | |
CN103356241A (zh) | 二维超声设备成像质量评估系统及评估方法 | |
WO2021023051A1 (zh) | 组织评价方法、装置、设备及计算机可读存储介质 | |
CN113781439A (zh) | 超声视频病灶分割方法及装置 | |
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 | |
CN111380957A (zh) | 一种基于频率-波数域滤波的超声导波检测方法 | |
Zhang et al. | US shear-wave elastography dispersion for characterization of chronic liver disease | |
CN107480637A (zh) | 基于心音特征的心衰分期方法 | |
CN102012466A (zh) | 数字x射线成像系统的噪声测量方法 | |
CN105748100B (zh) | 准静态超声弹性成像位移计算方法和装置 | |
JP2004321582A (ja) | 超音波診断装置及び超音波診断支援プログラム | |
Cheng et al. | Quantitative evaluation of liver fibrosis based on ultrasound radio frequency signals: An animal experimental study | |
CN112305006B (zh) | 一种基于核磁共振信号的肿瘤组织标本的识别方法及系统 | |
CN103099642B (zh) | 一种超声血流信号质量实时分析方法 | |
Granchi et al. | Multidimensional spectral analysis of the ultrasonic radiofrequency signal for characterization of media | |
CN112336369B (zh) | 一种多通道心音信号的冠心病风险指数评估系统 | |
CN111462077B (zh) | 一种利用非线性信息熵定征生物组织的方法 | |
CN112465924A (zh) | 一种基于多特征融合的快速医学图像重构方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170728 |