CN107480691A - 一种基于超声数据降维的甲状腺结构特征提取方法及系统 - Google Patents

一种基于超声数据降维的甲状腺结构特征提取方法及系统 Download PDF

Info

Publication number
CN107480691A
CN107480691A CN201710537866.XA CN201710537866A CN107480691A CN 107480691 A CN107480691 A CN 107480691A CN 201710537866 A CN201710537866 A CN 201710537866A CN 107480691 A CN107480691 A CN 107480691A
Authority
CN
China
Prior art keywords
module
compression
dimensionality reduction
thyroid
ultrasonic
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.)
Granted
Application number
CN201710537866.XA
Other languages
English (en)
Other versions
CN107480691B (zh
Inventor
罗渝昆
张明博
杜华睿
张诗杰
张珏
方竞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University
Chinese PLA General Hospital
Original Assignee
Peking University
Chinese PLA General Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking University, Chinese PLA General Hospital filed Critical Peking University
Priority to CN201710537866.XA priority Critical patent/CN107480691B/zh
Publication of CN107480691A publication Critical patent/CN107480691A/zh
Application granted granted Critical
Publication of CN107480691B publication Critical patent/CN107480691B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公布了一种基于超声数据降维的甲状腺结构特征提取方法及其系统，采用通过超声探头发射的2M‑8M Hz超声波，由超声探头采集每条扫描线得到超声回波数据，根据超声数据信号特点和特征进行降维，完成训练后不需要对采集的射频信号进行解包络均匀降采样，只需要对原来信号直接降维后用神经网络驱动不同组织信号解析。采用本发明技术方案，能够捕捉更复杂的影像特征，并可用于大规模临床应用。

Description

一种基于超声数据降维的甲状腺结构特征提取方法及系统
技术领域
本发明属于信息技术领域，涉及甲状腺超声数据的特征提取技术，特别涉及一种基于超声数据降维的甲状腺结构特征提取方法及系统。
背景技术
针对超声数据进行特征提取的现有技术中，中国发明专利201110008016.3记载了一种超声波诊断装置和超声波图像处理装置，这种装置包括超声波扫描单元和图像生成单元，其中，超声波扫描单元用于扫描被检体的包括肝脏的至少一部分在内的区域获得回波信号；图像生成单元用于生成有关肝脏的超声波图像和计算单元用于计算肝脏的凹凸特征的指标。该方案模型清晰，特征容易理解。但是，该方案存在的不足包括仅考虑简单情况，而生物医学信号较复杂，因此，采用该技术难以获取生物医学信号更为复杂的特征。
发明内容
为了克服上述现有技术的不足，本发明提供一种基于超声数据降维的甲状腺结构特征提取方法及系统，采用本发明技术方案，能够捕捉更复杂的影像特征，并可用于大规模临床应用。
本发明提供的技术方案是：
一种基于超声数据降维的甲状腺结构特征提取方法，包括训练阶段和预测阶段，具体包括如下步骤：
一)训练阶段：
1)采集获得B型超声图像对应的超声回波数据；
其中，采用的超声波具体是通过超声探头发射的2M-8M Hz超声波；通过读取超声探头采集的每条扫描线得到的超声回波数据，总扫描线数为K；
2)进行射频降维特征提取：依次读取超声探头采集的每条扫描线X得到的超声回波数据，分别进行：(1)解包络并映射到灰度空间；(2)不经过解包络，直接降维进行压缩测量，得到每根扫描线对应的超声信号压缩测量数据；具体可采用匹配追踪法进行高压缩比的伪随机测量，对接收的超声探头采集的超声回波数据X，统一进行高压缩比的伪随机测量，如使用接收观测矩阵Φ(为伪随机矩阵)规模为M×N，其中N为单根扫描线的扫描点数，M为压缩目标点数，M的范围选择为[N/50,N/10]；之后向滑窗发送每根扫描线对应的超声信号压缩测量数据Y；通过式1可获得Y；
Y＝ΦX (式1)
3)进行图像合成和压缩：分别将步骤2)得到的单扫描线解包络灰度空间数据组合成灰度图，从中勾选各个特征结构的轮廓，从而得到原尺寸(N×K)图像像素分类图L；将步骤2)得到的超声信号压缩测量数据组合成单帧压缩图像，得到压缩图像像素图C，输入到全卷积网络中；
全卷积网络是一个4-32层的全卷积神经网络；
4)全卷积网络接收步骤3)所述压缩图像像素图C和图像像素分类图L进行训练，得到固化权值的全卷积神经网络，即训练好的网络；
二)预测阶段：
1)采集获得B型超声图像对应的超声回波数据；
其中，采用的超声波具体是通过超声探头发射的2M-8M Hz超声波；通过读取超声探头采集的每条扫描线得到的超声回波数据，总扫描线数为K；
2)进行射频降维特征提取：读取超声探头采集的每条扫描线X得到的超声回波数据，不经过解包络，直接降维进行压缩测量，得到每根扫描线对应的超声信号压缩测量数据；具体可采用匹配追踪法进行高压缩比的伪随机测量，对接收的超声探头采集的超声回波数据X，统一进行高压缩比的伪随机测量，如使用接收观测矩阵Φ(为伪随机矩阵)规模为M×N，其中N为单根扫描线的扫描点数，M为压缩目标点数，M的范围选择为[N/50,N/10]；之后向滑窗发送每根扫描线对应的超声信号压缩测量数据Y；通过式1可获得Y；
Y＝ΦX (式1)
3)进行图像合成和压缩：将步骤2)得到的超声信号压缩测量数据组合成单帧压缩图像，得到压缩图像像素图，用训练好的网络进行预测；
4)接收步骤3)所述压缩图像像素图进行预测得到预测像素图；
5)利用预测像素图进行重建，得到甲状腺特征图，实现对降维的逆向重建；
重建过程具体包括：接收观测矩阵Φ，利用傅里叶变换基Ψ作为超声回波信号的稀疏域基，通过式2获得恢复矩阵T：
T＝ΦΨ′ (式2)
其中，傅里叶变换基
然后利用残差向量r初始化为Y，和恢复矩阵T，迭代10次，通过式3每次从T里找出与Y相关性最大的列i，通过式4汇总得到索引集I，然后通过式5更新残差向量r：
I＝I∪{i} (式4)
r＝Y-(ITI)-1ITY (式5)
迭代完成后由式6可得到重建图Z:
Z(I)＝[D(:,I)]TY (式6)
之后将重建的甲状腺特征图Z发送到显示模块进行可视化。
显示模块将甲状腺特征图显示给用户。
本发明具体实施中，对超声数据的全卷积网络不做限定，上述步骤4)中，建立全卷积网络的方式具体可以为：通过对超声信号包络压缩信号进行结构标识，区分出多类结构的分类图，然后映射回原信号尺度大小的分类图，采用原信号同样的压缩映射，将分类图映射到分类压缩标签图。用分类压缩标签图对降维信号进行全卷积网络的训练(采用基于VGG-16的全卷积网络)，实现对压缩图像数据的像素预测。
本发明具体实施中，对甲状腺结构分类不做限定，优选的，甲状腺结构可以包括甲状腺良恶性结节、颈动脉、甲状腺被膜等甲状腺相关结构。对甲状腺相关结构分类太细则容易产生判断失误，太粗则容易造成判断不够灵敏。
本发明还提供一种基于超声数据降维的甲状腺结构特征提取系统，包括超声探头、射频降维特征提取模块、压缩图像模块、压缩像素预测模块、重建模块和显示模块；其中：
超声探头用于发射2M-8M Hz超声波并采集超声回波数据；
射频降维特征提取模块，用于依次读取超声探头采集的每条扫描线得到的超声回波数据，不经过解包络，直接降维进行高压缩比的特征提取，并向压缩图像模块发送每根扫描线对应的超声信号压缩测量数据；
压缩图像模块，用于接收射频压缩特征提取模块传来的扫描线对应的超声压缩数据，合成单帧压缩图像，并输入到全卷积网络模块中；
压缩像素预测模块，用于接收压缩图像模块发来的压缩图像像素分类量化图，并向重建模块模块发送像素分类量化图；
重建模块，用于接收全卷积网络模块发来的像素分类量化图重建得到可视化的甲状腺特征图，向显示模块发送重建的甲状腺特征图；
显示模块，用于接收重建模块发来的甲状腺特征图，显示给用户。
作为优选，所述的射频降维特征提取模块不需要对射频数据解包络，只需对每条扫描线得到的超声回波数据统一进行高压缩比的降维处理。
作为优选，所述的基于超声数据降维的甲状腺结构特征提取系统，其特征在于，所述的超声探头采集的超声回波数据种类包括B型超声图像和造影超声图像。
作为优选，所述的基于超声数据降维的甲状腺结构特征提取系统，其特征在于，直接对射频数据处理，不需要先经过去包络的处理，所述的射频降维特征提模块包括压缩测量模块；压缩测量模块直接进行高压缩比的降维处理。
作为优选，所述的基于超声数据降维的甲状腺结构特征提取系统，其特征在于，所述的全卷积网络模块是一个4-32层的全卷积神经网络。
作为优选，所述的基于超声数据降维的甲状腺结构特征提取系统，其特征在于，所述的重建模块由恢复模块和凸规划模块组成；经过恢复模块和凸规划模块实现对降维的逆向重建。
作为优选，所述的基于超声数据降维的甲状腺结构特征提取系统，其特征在于，所述的甲状腺结构特征包括甲状腺被膜、甲状腺良恶性结节、颈动脉。
与现有技术相比，本发明的有益效果是：
本发明提供一种基于超声数据降维的甲状腺结构特征提取方法及系统，具有以下技术优势：
(一)现有传统的超声成像设备需要对采集的射频信号进行解包络均匀降采样，而本发明可以根据信号特点和特征进行降维，不需要对采集的射频信号进行解包络均匀降采样；
(二)本发明不需要像传统方法那样对超声信号进行解包络处理，只需要对原来信号直接降维后用神经网络驱动不同组织信号解析。
采用本发明技术方案，能够捕捉更复杂的影像特征，并可用于大规模临床应用。
附图说明
图1为本发明提供的甲状腺结构特征提取系统的模块结构与方法流程框图；
其中，(a)为训练阶段；(b)为预测阶段。
图2为本发明超声甲状腺组织结构的横切示意图；
其中，12—甲状腺；13—颈动脉；14—气管；15—结节。
具体实施方式
下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
本发明提供一种基于超声数据降维的甲状腺结构特征提取方法及系统，如图1所示，本发明实施例提供了一套基于超声数据压缩感知的甲状腺结构特征提取系统，甲状腺结构特征提取系统包括超声探头1、射频降维特征提取模块3、射频解包络灰度模块2、灰度图像标记模块4、压缩图像模块5、全卷积网络模块6、压缩像素预测模块7、重建模块8和显示模块9；系统采用的基于超声数据降维的甲状腺结构特征提取方法包括以下步骤：
一)训练阶段
步骤S101：通过超声探头1发射2M-8M Hz超声波并采集B型超声图像对应的超声回波数据；
步骤S102：使用射频解包络映射灰度模块2，依次读取探头1采集的每条扫描线得到的超声回波数据，经过解包络，并映射到灰度空间，之后向灰度图像标记模块4发送；
使用射频降维特征提取模块3，依次读取探头1采集的每条扫描线得到的超声回波数据，不经过解包络，直接降维，如采用匹配追踪法进行高压缩比的伪随机测量，该射频降维特征提取模块3接收探头1采集的超声回波数据X，统一进行高压缩比的伪随机测量，如使用接收观测矩阵Φ(为伪随机矩阵)规模为M×N，其中N为单根扫描线的扫描点数，M为压缩目标点数，M的范围选择为[N/50,N/10]；之后向滑窗发送每根扫描线对应的超声信号压缩测量数据Y；通过式1可获得Y；
Y＝ΦX (式1)
之后向压缩图像模块5发送每根扫描线对应的超声信号压缩测量数据T；
步骤S103：通过灰度图像标记模块4，标记甲状腺特征区域得到像素分类图，并输入到全卷积网络模块6中；
通过压缩图像模块5，接收射频压缩特征提取模块3传来的扫描线对应的超声压缩数据，组合得到单帧压缩图像，并输入到全卷积网络模块6中；
步骤S104：建立全卷积网络，全卷积网络模块6是一个4-32层的全卷积神经网络，接收压缩图像模块发来的压缩图像像素分类量化图，并向重建模块8发送固化的网络权值,激活预测模块7；
二)预测阶段
步骤S201：通过超声探头1发射2M-8M Hz超声波并采集B型超声图像对应的超声回波数据；
步骤S202：使用射频降维特征提取模块3，依次读取探头1采集的每条扫描线得到的超声回波数据X，不经过解包络，直接降维，如采用匹配追踪法进行高压缩比的伪随机测量，该射频降维特征提取模块接收探头1采集的超声回波数据X，统一进行高压缩比的伪随机测量，如使用接收观测矩阵Φ(为伪随机矩阵)规模为M×N，其中N为单根扫描线的扫描点数，M为压缩目标点数，M的范围选择为[N/50,N/10]；之后向滑窗发送每根扫描线对应的超声信号压缩测量数据Y；通过式1可获得Y；
Y＝ΦX (式1)
步骤S203：通过压缩图像模块5，接收射频压缩特征提取模块3传来的扫描线对应的超声压缩数据，组合得到单帧压缩图像，并输入到压缩像素预测模块7中；
步骤S204：压缩像素预测模块7接收步骤S203所述压缩图像像素图进行预测得到预测像素图；
步骤S205：重建模块8接收压缩像素预测模块7发来的预测像素图，进行重建得到可视化的甲状腺特征图，实现对降维的逆向重建；
重建过程具体包括：接收观测矩阵Φ，利用傅里叶变换基Ψ作为超声回波信号的稀疏域基，通过式2获得恢复矩阵T：
T＝ΦΨ′ (式2)
其中，傅里叶变换基
然后利用残差向量r初始化为Y和恢复矩阵T，迭代10次，通过式3每次从T里找出与Y相关性最大的列i，通过式4汇总得到索引集I，然后通过式5更新残差向量r：
I＝I∪{i} (式4)
r＝Y-(ITI)-1ITY (式5)
迭代完成后，由式6可得到重建图Z:
Z(I)＝[D(:,I)]TY (式6)
之后将重建的甲状腺特征图Z发送到显示模块进行可视化；
步骤S206：显示模块9接收重建模块8发来的甲状腺特征图Z，显示给用户。
本发明实施例对超声数据的全卷积网络模块6不做限定，在上述实施例的基础上，优选的，所述步骤S104中建立全卷积网络的方式可以具体为：通过对超声信号包络压缩信号进行结构标识，区分出多类结构的分类图，然后映射回原信号尺度大小的分类图，采用原信号同样的压缩映射，将分类图映射到分类压缩标签图。用分类压缩标签图对降维信号进行全卷积网络的训练(采用基于VGG-16的全卷积网络)，实现对压缩图像数据的像素预测。
本发明实施例对甲状腺结构分类不做限定，在上述任意实施例的基础上，优选的，甲状腺结构可以包括甲状腺良恶性结节、颈动脉、甲状腺被膜等甲状腺相关结构。对甲状腺相关结构分类太细则容易产生判断失误，太粗则容易造成判断不够灵敏。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (10)

1.一种基于超声数据降维的甲状腺结构特征提取方法，包括训练阶段和预测阶段，具体包括如下步骤：
(一)训练阶段：
11)采集训练数据：通过读取超声探头采集的每条扫描线X，得到B型超声图像对应的超声回波数据；扫描线的总数为K；
12)进行射频降维特征提取：依次读取超声探头采集的每条扫描线X得到的超声回波数据，解包络并映射到灰度空间；不经过解包络直接降维进行压缩测量，通过使用规模为M×N的观测矩阵Φ，其中N为单根扫描线的扫描点数，M为压缩目标点数，得到每条扫描线X对应的超声信号压缩测量数据Y；
13)进行图像合成和压缩：分别将步骤2)得到的单扫描线解包络灰度空间数据组合成灰度图，从中勾选各个特征结构的轮廓，从而得到原尺寸为N×K图像像素分类图L；将步骤2)得到的超声信号压缩测量数据组合成单帧压缩图像，得到压缩图像像素图C，输入到全卷积网络中；
14)全卷积网络接收步骤3)所述压缩图像像素图C和图像像素分类图L进行训练，得到固化权值的全卷积神经网络，为训练好的全卷积神经网络；
(二)预测阶段：
21)采集获得B型超声图像对应的超声回波数据：通过读取超声探头采集的每条扫描线得到的超声回波数据，扫描线总数为K，作为预测数据；
22)与步骤12)一样，针对步骤21)所述预测数据进行射频降维特征提取，得到超声信号压缩测量数据；
23)进行图像合成和压缩：将步骤2)得到的超声信号压缩测量数据组合成单帧压缩图像，得到压缩图像像素图；
24)用训练好的全卷积神经网络进行预测：训练好的全卷积神经网络接收步骤23)所述压缩图像像素图进行预测，得到预测像素图；
25)利用预测像素图进行重建，实现对降维的逆向重建，由此得到重建的甲状腺特征图Z；重建过程具体包括：
首先，接收观测矩阵Φ，利用傅里叶变换基Ψ作为超声回波信号的稀疏域基，获得恢复矩阵T；
然后，将残差向量r初始化为Y，和恢复矩阵T进行迭代，每次迭代从T里找出与Y相关性最大的列i，经汇总得到索引集I，再更新残差向量r；
迭代完成后得到重建的甲状腺特征图Z。
2.如权利要求1所述甲状腺结构特征提取方法，其特征是，采用的超声波具体是通过超声探头发射的2M-8M Hz超声波。
3.如权利要求1所述甲状腺结构特征提取方法，其特征是，具体通过如下方法得到每根扫描线对应的超声信号压缩测量数据：
依次读取超声探头采集的每条扫描线X得到的超声回波数据，采用匹配追踪法进行高压缩比的伪随机测量，对接收的超声探头采集的超声回波数据X，进行高压缩比的伪随机测量，通过式1获得Y；
Y＝ΦX (式1)
其中，Y为每根扫描线对应的超声信号压缩测量数据；Φ是规模为M×N观测矩阵，其中N为单根扫描线的扫描点数，M为压缩目标点数，M的范围为[N/50,N/10]。
4.如权利要求1所述甲状腺结构特征提取方法，其特征是，全卷积网络是一个4-32层的全卷积神经网络。
5.如权利要求1所述甲状腺结构特征提取方法，其特征是，步骤25)所述重建过程具体包括：
接收观测矩阵Φ，利用傅里叶变换基Ψ作为超声回波信号的稀疏域基，通过式2获得恢复矩阵T：
T＝ΦΨ′ (式2)
其中，傅里叶变换基
然后利用残差向量r初始化为Y，和恢复矩阵T，多次迭代，通过式3每次从T里找出与Y相关性最大的列i，通过式4汇总得到索引集I，然后通过式5更新残差向量r：
I＝I∪{i} (式4)
r＝Y-(ITI)-1ITY (式5)
迭代完成后由式6得到重建图Z:
Z(I)＝[D(:,I)]TY (式6)
由此得到重建的甲状腺特征图。
6.如权利要求1所述甲状腺结构特征提取方法，其特征是，步骤24)中建立全卷积网络的方式具体为：
首先，通过对超声信号包络压缩信号进行结构标识，区分出多类结构的分类图；
然后，将多类结构的分类图映射回原信号尺度大小的分类图，采用原信号同样的压缩映射，将分类图映射到分类压缩标签图；
再用分类压缩标签图对降维信号进行全卷积网络的训练，实现对压缩图像数据的像素预测。
7.如权利要求1所述甲状腺结构特征提取方法，其特征是，所述甲状腺结构包括甲状腺良恶性结节、颈动脉、甲状腺被膜结构。
8.一种基于超声数据降维的甲状腺结构特征提取系统，包括超声探头、射频降维特征提取模块、压缩图像模块、压缩像素预测模块、重建模块和显示模块；其中：
超声探头用于发射2M-8M Hz超声波并采集超声回波数据；
射频降维特征提取模块用于依次读取超声探头采集的每条扫描线得到的超声回波数据，不经过解包络，直接降维进行高压缩比的特征提取，并向压缩图像模块发送每根扫描线对应的超声信号压缩测量数据；
压缩图像模块用于接收射频压缩特征提取模块传来的扫描线对应的超声压缩数据，合成单帧压缩图像，并输入到全卷积网络模块中；
压缩像素预测模块用于接收压缩图像模块发来的压缩图像像素分类量化图，并向重建模块模块发送像素分类量化图；
重建模块用于实现对降维的逆向重建，接收全卷积网络模块发来的像素分类量化图进行重建，得到可视化的甲状腺特征图，向显示模块发送重建的甲状腺特征图；
显示模块用于接收重建模块发来的甲状腺特征图，显示给用户。
9.如权利要求8所述甲状腺结构特征提取系统，其特征是，所述超声探头采集的超声回波数据种类包括B型超声图像和造影超声图像。
10.如权利要求8所述甲状腺结构特征提取系统，其特征是，所述射频降维特征提模块包括不经过去包络处理而直接进行高压缩比降维处理的压缩测量模块；所述重建模块包括恢复模块和凸规划模块；所述全卷积网络模块是一个4-32层的全卷积神经网络。
CN201710537866.XA 2017-07-04 2017-07-04 一种基于超声数据降维的甲状腺结构特征提取方法及系统 Active CN107480691B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710537866.XA CN107480691B (zh) 2017-07-04 2017-07-04 一种基于超声数据降维的甲状腺结构特征提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710537866.XA CN107480691B (zh) 2017-07-04 2017-07-04 一种基于超声数据降维的甲状腺结构特征提取方法及系统

Publications (2)

Publication Number Publication Date
CN107480691A true CN107480691A (zh) 2017-12-15
CN107480691B CN107480691B (zh) 2020-04-03

Family

ID=60595375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710537866.XA Active CN107480691B (zh) 2017-07-04 2017-07-04 一种基于超声数据降维的甲状腺结构特征提取方法及系统

Country Status (1)

Country Link
CN (1) CN107480691B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110853738A (zh) * 2019-10-12 2020-02-28 北京量健智能科技有限公司 一种造影剂作用下的成像方法与设备
CN111767996A (zh) * 2018-02-27 2020-10-13 上海寒武纪信息科技有限公司 集成电路芯片装置及相关产品
US11937973B2 (en) 2018-05-31 2024-03-26 Mayo Foundation For Medical Education And Research Systems and media for automatically diagnosing thyroid nodules

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102665221A (zh) * 2012-03-26 2012-09-12 南京邮电大学 基于压缩感知与bp神经网络的认知无线电频谱感知方法
CN102920478A (zh) * 2012-11-22 2013-02-13 山东大学 一种合成聚焦的便携式b型超声成像方法
CN103679762A (zh) * 2013-12-13 2014-03-26 江苏大学 一种基于稀疏数据的超声信号重建方法
WO2016109890A1 (en) * 2015-01-05 2016-07-14 Innomind Technology Corporation Systems and methods for super-resolution compact ultrasound imaging
CN106373167A (zh) * 2016-11-15 2017-02-01 西安交通大学 一种基于深度神经网络的压缩传感核磁共振成像方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102665221A (zh) * 2012-03-26 2012-09-12 南京邮电大学 基于压缩感知与bp神经网络的认知无线电频谱感知方法
CN102920478A (zh) * 2012-11-22 2013-02-13 山东大学 一种合成聚焦的便携式b型超声成像方法
CN103679762A (zh) * 2013-12-13 2014-03-26 江苏大学 一种基于稀疏数据的超声信号重建方法
WO2016109890A1 (en) * 2015-01-05 2016-07-14 Innomind Technology Corporation Systems and methods for super-resolution compact ultrasound imaging
CN106373167A (zh) * 2016-11-15 2017-02-01 西安交通大学 一种基于深度神经网络的压缩传感核磁共振成像方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HUANG Y ET AL: "《Robust Bayesian Compressive Sensing for Signals in Structural Health Monitoring》", 《COMPUTER-AIDED CIVIL AND INFRASTRUCTURE ENGINEERING》 *
张琼等: "《压缩感知及其在超声成像中的应用》", 《中国医疗器械信息》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767996A (zh) * 2018-02-27 2020-10-13 上海寒武纪信息科技有限公司 集成电路芯片装置及相关产品
CN111767996B (zh) * 2018-02-27 2024-03-05 上海寒武纪信息科技有限公司 集成电路芯片装置及相关产品
US11937973B2 (en) 2018-05-31 2024-03-26 Mayo Foundation For Medical Education And Research Systems and media for automatically diagnosing thyroid nodules
CN110853738A (zh) * 2019-10-12 2020-02-28 北京量健智能科技有限公司 一种造影剂作用下的成像方法与设备
CN110853738B (zh) * 2019-10-12 2023-08-18 拜耳股份有限公司 一种造影剂作用下的成像方法与设备

Also Published As

Publication number Publication date
CN107480691B (zh) 2020-04-03

Similar Documents

Publication Publication Date Title
US20170086788A1 (en) Non-imaging low frequency ultrasonic testing and diagnostic evaluation system
US6728567B2 (en) Method and apparatus for high-resolution detection and characterization of medical pathologies
CN110325119B (zh) 卵巢卵泡计数和大小确定
CN103142251B (zh) 利用面向像素处理的超声成像系统
CN101879073B (zh) 超声波诊断装置
CN101756713A (zh) 超声造影成像、灌注参量估计和灌注参量功能成像及其集成方法
CN107480691A (zh) 一种基于超声数据降维的甲状腺结构特征提取方法及系统
CN106875372A (zh) 用于在医学图像中将结构分割的方法和系统
JP2009240464A5 (zh)
CN101036162A (zh) 在显示的图像数据中保持一致的解剖视图的方法和系统
US20060277998A1 (en) Method and device for local spectral analysis of an ultrasonic signal
CN106680825A (zh) 一种声学阵列成像系统与方法
Alessandrini et al. Simulation of realistic echocardiographic sequences for ground-truth validation of motion estimation
CN104306023A (zh) 基于压缩感知的超声成像快速实现方法
CN111297399A (zh) 一种基于超声视频的胎心定位和胎心率提取方法
CN106983524A (zh) 一种反映生物组织异常的参数及其测量方法
TWI652048B (zh) 超音波影像均勻度檢測方法及其系統
Lozenski et al. Learned full waveform inversion incorporating task information for ultrasound computed tomography
Ashikuzzaman et al. Incorporating gradient similarity for robust time delay estimation in ultrasound elastography
CN106769734A (zh) 一种超声波聚焦式河流泥沙浓度在线测量方法
Oh et al. A neural framework for multi-variable lesion quantification through b-mode style transfer
CN103985100A (zh) 一种基于自适应观测组合优化的分块压缩感知方法
US11672503B2 (en) Systems and methods for detecting tissue and shear waves within the tissue
US20180284249A1 (en) Ultrasound imaging system and method for representing rf signals therein
Gharamaleki et al. Transformer-based microbubble localization

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