CN108577844A - 基于压力分布数据的建立关系模型的方法及系统、存储介质 - Google Patents
基于压力分布数据的建立关系模型的方法及系统、存储介质 Download PDFInfo
- Publication number
- CN108577844A CN108577844A CN201810477166.0A CN201810477166A CN108577844A CN 108577844 A CN108577844 A CN 108577844A CN 201810477166 A CN201810477166 A CN 201810477166A CN 108577844 A CN108577844 A CN 108577844A
- Authority
- CN
- China
- Prior art keywords
- lump
- pressure distribution
- data
- distribution data
- pressure
- 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
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/06—Devices, other than using radiation, for detecting or locating foreign bodies ; determining position of probes within or on the body of the patient
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/43—Detecting, measuring or recording for evaluating the reproductive systems
- A61B5/4306—Detecting, measuring or recording for evaluating the reproductive systems for evaluating the female reproductive systems, e.g. gynaecological evaluations
- A61B5/4312—Breast evaluation or disorder diagnosis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Human Computer Interaction (AREA)
- Fuzzy Systems (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Gynecology & Obstetrics (AREA)
- Reproductive Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种基于压力分布数据建立关系模型的方法及系统、存储介质。包括获取若干帧压力分布数据;分别判断各帧压力分布数据是否满足预定条件并对不满足预定条件的各帧压力分布数据进行降噪滤波处理;分别对经过降噪滤波处理后的各帧压力分布数据进行背景校正;对经过背景校正后的各帧压力分布数据分别提取肿块特征,并根据肿块特征生成累积图像和肿块轮廓线;根据至少一个累积图像和肿块轮廓线,计算得到结构化特征参数;并根据其和预设的历史数据进行模型训练,以得到关系模型。可以实现通过压力分布规律信息对病变部位(例如,乳腺)中的肿块信息以及病理信息进行相对准确的测算,提高触诊成像在临床中的应用价值以及临床诊断效率。
Description
技术领域
本发明涉及医学成像和智能诊断领域,特别涉及一种基于压力分布数据的建立关系模型的方法、一种基于压力分布数据的建立关系模型的系统以及一种计算机可读存储介质。
背景技术
中国乳癌具有发病率增速高、死亡率高、治疗难度高、发病年龄早的趋势,但相比其它肿瘤,乳癌的早诊早治效果更好,如原位癌近100%可治愈。乳癌的主要检查方法有临床触诊、钼靶X线、超声、核磁、乳管镜等,他们均存在一定的局限性。
一般而言,人体乳房中不同组织具有不同的弹性模量,而且当组织发生病理学改变时,尤其是发生恶性病变时,会伴随组织弹性模量的改变。有研究表明,乳房中不同组织的弹性模量从小到大依次为:脂肪组织、乳腺腺体、乳腺纤维化、非浸润性导管癌、浸润性导管癌。因此准确地测量组织弹性模量可以对乳房中发生病变的组织进行识别,辅助临床诊断。
关于如何测量组织弹性模量,目前通常的做法有超声剪切波弹性成像,超声准静态弹性成像,磁弹性成像以及物理弹性成像方法,即触诊成像方法。乳腺触诊成像技术于上世纪90年代被提出,其相应的医疗器械产品于2003年面世,这种产品具有灵敏度高、操作方便、结果判读容易以及完全属于无创。我们认为乳腺触诊成像是一种很有市场前景和社会价值的技术。
乳腺触诊成像的一般方法为将压力传感器阵列施压于乳房表面,由于反作用力压力传感器阵列将得到压力分布的反馈,所述压力分布与乳腺中肿块弹性模量等信息存在一定关系,如何通过压力分布信息得到肿块的弹性模量等信息是一个逆问题的求解。目前国内外往往通过经验分析,通过压力分布信息对肿块信息进行估计,这种方式在准确度方面存在很大的不足,而且对乳腺触诊成像的临床操作者进行疾病判断时要求太高。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一,提出了一种基于压力分布数据的建立关系模型的方法、一种基于压力分布数据的建立关系模型的系统以及一种计算机可读存储介质。
为了实现上述目的,本发明的第一方面,提供了一种基于压力分布数据的建立关系模型的方法,包括:
步骤S110、获取若干帧压力分布数据;其中,各帧所述压力分布数据由压力传感器阵列反馈得到;
步骤S120、分别判断各帧所述压力分布数据是否满足预定条件,其中,所述预定条件包括压力分布数据为零或明显大于其他帧压力分布数据;
步骤S130、分别对不满足所述预定条件的各帧所述压力分布数据进行降噪滤波处理;
步骤S140、分别对经过降噪滤波处理后的各帧压力分布数据进行背景校正;
步骤S150、对经过背景校正后的各帧所述压力分布数据分别提取肿块特征,并根据所述肿块特征生成累积图像和肿块轮廓线;
步骤S160、根据至少一个所述累积图像和所述肿块轮廓线,计算得到结构化特征参数;
步骤S170、根据所述结构化特征参数和预设的历史数据进行模型训练,以得到所述结构化特征参数与肿块信息之间的关系模型。
可选地,所述降噪滤波处理包括下述至少一项:
邻域平均法、中值滤波、低通滤波和高斯滤波。
可选地,所述结构化特征参数包括相对弹性模量、肿块大小、形状因子和活动度中的至少一者。
可选地,所述结构化特征参数为所述相对弹性模量:
根据所述肿块轮廓线得到肿块区域压力数据的平均值和非肿块区域压力数据的平均值;
确定所述肿块区域压力数据的平均值、所述非肿块区域压力数据的平均值与肿块的相对弹性模量之间的关系,其满足下述关系式:
其中,F1为所述非肿块区域压力数据的平均值,F2为所述肿块区域压力数据的平均值,k0和k1为所述非肿块区域的弹性系数,k2为所述肿块区域的弹性系数;
其中,所述相对弹性模量正比于弹性系数。
可选地,所述结构化特征参数为所述肿块大小:
根据所述肿块区域中压力信号的数量和每个所述压力信号对应的尺寸大小的乘积得到所述肿块大小;或,
根据所述肿块轮廓线的最小外接矩形的长度和宽度,得到所述肿块大小。
可选地,所述结构化特征参数为所述形状因子,并采用单峰或多峰描述所述形状因子。
可选地,所述结构化特征参数为所述活动度,并基于压力分布数据中的最大值的相对移动状况表征所述活动度。
可选地,所述预设的历史数据包括学习数据,所述步骤S170包括:
收集大量所述学习数据,各所述学习数据包括触诊检查信息和肿块病理信息;
对各所述学习数据进行预处理,所述预处理包括消除噪声数据、处理缺失数据、消除重复数据和数据类型转换处理中的至少一者;
基于预设的基分类器模型,对预处理后的各所述学习数据进行训练,以获得智能诊断模型;其中,所述基分类器包括神经网络、逻辑回归、贝叶斯网络、决策树和支持向量机;
根据所述智能诊断模型和所述结构化特征参数,生成所述结构化特征参数与肿块信息之间的关系模型。
本发明的第二方面,提供了一种基于压力分布数据的建立关系模型的系统,用于执行前文记载的所述的基于压力分布数据的建立关系模型的方法,所述系统包括:
获取模块,用于获取若干帧压力分布数据;其中,各帧所述压力分布数据由压力传感器阵列反馈得到;
判断模块,用于分别判断各帧所述压力分布数据是否满足预定条件,其中,所述预定条件包括压力分布数据为零或明显大于其他帧压力分布数据;
处理模块,用于分别对不满足所述预定条件的各帧所述压力分布数据进行降噪滤波处理;
背景校正模块,用于分别对经过降噪滤波处理后的各帧压力分布数据进行背景校正;
特征提取模块,用于对经过背景校正后的各帧所述压力分布数据分别提取肿块特征,并根据所述肿块特征生成累积图像和肿块轮廓线;
计算模块,用于根据至少一个所述累积图像和所述肿块轮廓线,计算得到结构化特征参数;
建立模块,用于根据所述结构化特征参数和预设的历史数据进行模型训练,以得到所述结构化特征参数与肿块信息之间的关系模型。
本发明的第三方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如前文记载的所述的基于压力分布数据的建立关系模型的方法的步骤。
本发明的基于压力分布数据的建立关系模型的方法及系统、计算机可读存储介质。可以实现通过传感器阵列的压力分布规律信息对病变部位(例如,乳腺)中的肿块信息以及病理信息进行相对准确的测算,提高触诊成像在临床中的应用价值以及临床诊断效率。此外,通过对压力分布数据进行处理,可以滤除探头错误施压,探头与皮肤接触面有硬物,探头传感器单元有损伤等各种异常情况下产生的压力分布数据。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1为本发明第一实施例中基于压力分布数据的建立关系模型的方法的流程图;
图2为本发明第二实施例中基于压力分布数据的建立关系模型的系统的结构示意图。
附图标记说明
100:建立关系模型的系统;
110:获取模块;
120:判断模块;
130:处理模块;
140:背景校正模块;
150:特征提取模块;
160:计算模块;
170:建立模块。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
参考图1,本发明的第一方面,涉及一种基于压力分布数据的建立关系模型的方法S100,包括:
步骤S110、获取若干帧压力分布数据;其中,各帧所述压力分布数据由压力传感器阵列反馈得到。
具体地,在本步骤中,可以将压力传感器阵列施压于用户病变部位(例如,乳房),由于反作用力压力传感器阵列将得到压力分布的反馈,从而可以得到若干帧压力分布数据。
步骤S120、分别判断各帧所述压力分布数据是否满足预定条件,其中,所述预定条件包括压力分布数据为零或明显大于其他帧压力分布数据。
具体地,在本步骤中,某点数据为零代表压力传感器没有准确的施压于病变部位(例如,乳房)表面,某点数据明显高于其他数据代表病变部位表面或者压力传感器表面存在沙粒等硬物。因此,需要将满足预定条件的各帧压力分布数据剔除。
步骤S130、分别对不满足所述预定条件的各帧所述压力分布数据进行降噪滤波处理。
具体地,在本步骤中,例如,可以采用邻域平均法、中值滤波、低通滤波、高斯滤波等方法中的一种或多种组合的方式对压力分布数据进行降噪滤波处理。当然,除此以外,还可以采用其他方法对压力分布数据进行降噪滤波处理。
步骤S140、分别对经过降噪滤波处理后的各帧压力分布数据进行背景校正。
具体地,在本步骤中,压力分布数据的背景校正可以采用高阶曲面方程进行拟合,通过最小二乘的曲面拟合的方法求解方程,得到拟合的图像背景的校正曲面,能够有效降低噪音,同时提高信噪比。
步骤S150、对经过背景校正后的各帧所述压力分布数据分别提取肿块特征,并根据所述肿块特征生成累积图像和肿块轮廓线。
具体地,在本步骤中,可以采用最大类间方差法的图像分割技术,对各帧压力分布数据进行肿块特征提取,并据此形成累积图像和肿块轮廓线。
此外,还可以对累积图像进行双线性插值,以提高图像的平滑性。
步骤S160、根据至少一个所述累积图像和所述肿块轮廓线,计算得到结构化特征参数。
具体地,结构化特征参数,例如,可以包括相对弹性模量、肿块大小、形状因子、活动度,也可以是这些参数的各种组合形式等等。
步骤S170、根据所述结构化特征参数和预设的历史数据进行模型训练,以得到所述结构化特征参数与肿块信息之间的关系模型。
这样,医生或其他人员可以利用所建立的关系模型对病人进行诊断治疗,例如,可以根据当前病人的肿块的结构化特征参数,代入所述关系模型中,就可以得到当前病人的肿块信息,医生可以根据所得到的肿块信息对病人进行进一步干预。
本实施例中的基于压力分布数据的建立关系模型的方法S100,可以实现通过传感器阵列的压力分布规律信息对病变部位(例如,乳腺)中的肿块信息以及病理信息进行相对准确的测算,提高触诊成像在临床中的应用价值以及临床诊断效率。此外,通过对压力分布数据进行处理,可以滤除探头错误施压,探头与皮肤接触面有硬物,探头传感器单元有损伤等各种异常情况下产生的压力分布数据。
可选地,所述结构化特征参数为所述相对弹性模块:
根据所述肿块轮廓线得到肿块区域压力数据的平均值和非肿块区域压力数据的平均值。
基于弹性力学原理,得到所述肿块区域压力数据的平均值和所述非肿块区域压力数据的平均值的比值与肿块的相对弹性模量之间的关系,其满足下述关系式:
其中,F1为所述非肿块区域压力数据的平均值,F2为所述肿块区域压力数据的平均值,k0和k1为所述非肿块区域的弹性系数,k2为所述肿块区域的弹性系数;
其中,所述相对弹性模量正比于弹性系数。因此,根据弹性系数可以得到相对弹性模量。
需要说明的是,本发明阐述的是一般情况,即肿块的弹性系数大于正常组织。但严格来说,临床上也存在肿块组织的弹性系数小于正常组织,比如说乳房中渗出液形成的囊泡等,这种情况下F1/F2会大于1。
具体地,假设非肿块区域的相对弹性模量为1,k与相对弹性模量成正比,则:
k2=1/((2F1/F2)-1)。
并且,还可以对肿块区域和非肿块区域压力数据的平均值的比值进行归一化处理,得到肿块的相对弹性模量,相对弹性模量的取值范围为1-5。
所述归一化处理,可按如下方式进行,但这只是一个实施方法之一,尤其是具体的参数确定更是方法之一:
设F1/F2=M,其中,M∈(0.6,1);
假设实际F1’/F2’=M’∈(0.05,1),则需要将M’映射到M的区间,此处可以采用一次映射;
M=kM’+b,根据(0.05,0.6)和(1,1)两个点可以得出:
M=8/19M’+11/19。
当然,此处也可以采用二次映射,例如,可以采用二次过原点映射等等。
可选地,所述结构化特征参数为所述肿块大小:
根据所述肿块区域中压力信号的数量和每个所述压力信号对应的尺寸大小的乘积得到所述肿块大小;或,
根据所述肿块轮廓线的最小外接矩形的长度和宽度,得到所述肿块大小。其中,肿块大小等级的取值范围可以为1-5。
可选地,所述结构化特征参数为所述形状因子,为描述方便并结合临床诊断需要,采用单峰或多峰对肿块形状进行描述,其取值分别为1与2。
此外,当所述结构化特征参数为所述活动度时,当探头在乳房表面摆动时,病变受侧向压力会产生与乳房组织间的相对移动,通过观察压力分布数据中的最大值的相对移动状况来评价肿物的活动度,其结果分为活动度差、活动度一般及活动度好,取值分别为1,2,3。
可选地,所述预设的历史数据包括学习数据,所述步骤S170包括:
收集大量所述学习数据,各所述学习数据包括触诊检查信息和肿块病理信息。
具体地,在广泛临床应用的基础上,收集大量的数据,这些数据的每条记录至少包括触诊检查信息和肿块病理信息。触诊检查信息可以是上述的结构化特征参数,也可以是至少1帧的压力分布数据。肿块病理信息可以是简单的良性和恶性结果区分,也可以是乳腺炎、纤维腺瘤、浸润性导管癌等更细致的结果区分。肿块的病理信息还可以是肿块真实的弹性模量数值。
对各所述学习数据进行预处理,所述预处理包括消除噪声数据、处理缺失数据、消除重复数据和数据类型转换处理中的至少一者。
基于预设的基分类器模型,对预处理后的各所述学习数据进行训练,以获得智能诊断模型;其中,所述基分类器包括神经网络、逻辑回归、贝叶斯网络、决策树和支持向量机。
具体地,对结构化特征参数数据采用机器学习的基分类器模型进行参数设置,并采用所述基分类器对预处理后的学习数据集进行训练,得到机器学习训练后的模型。基分类器上可以采用,神经网络(Neural Network)、逻辑回归(Logistic Regression)、贝叶斯网络(Bayesian Network)、决策树(Decision Tree)和支持向量机(Support VectorMachine)等模型中的一种。也可以是上述中的数种基分类器的组合使用,组合使用方式为基于同样的训练数据分别采用不同的基分类器进行训练,然后基于各基分类器测试的结果对每种输出值进行组合采纳,这种组合采纳可以是求平均、加权求平均、取最优基分类器等方式生成模型进行预测。
对至少1帧的压力分布数据采用深度学习的卷积神经网络模型进行特征自提取并得出预测结果。其中卷积神经网络模型中设置若干卷积层对阵列数据进行层层卷积运算提取抽象特征,最后将这些特征通过全连接层的分类训练得出最后的预测结果。
需要说明的是,上述模型训练可以随着数据量的增加而持续训练。
根据所述智能诊断模型和所述结构化特征参数,生成所述结构化特征参数与肿块信息之间的关系模型。
本实施例中的基于压力分布数据的建立关系模型的方法S100,引入机器学习方法,可随着数据量的逐渐丰富,对模型进一步优化。相对于传统的测算方法,具有持续更新的优势。此外,可以从临床收集大量数据(每条数据包含压力分布数据至少50帧以及病理信息的良恶性区分结果),并依次对每条数据进行测算,得到相对弹性模型、肿块大小、形状因子和肿块活动度等特征参数,再采用这些结构化特征参数对模型进行训练。采用额外的1000条数据进行模型准确的测试,测试结果表明,准确性大于95%。
本发明的第二方面,提供了一种基于压力分布数据的建立关系模型的系统100,用于执行前文记载的所述的基于压力分布数据的建立关系模型的方法,所述系统包括:
获取模块110,用于获取若干帧压力分布数据;其中,各帧所述压力分布数据由压力传感器阵列反馈得到;
判断模块120,用于分别判断各帧所述压力分布数据是否满足预定条件,其中,所述预定条件包括压力分布数据为零或明显大于其他帧压力分布数据;
处理模块130,用于分别对不满足所述预定条件的各帧所述压力分布数据进行降噪滤波处理;
背景校正模块140,用于分别对经过降噪滤波处理后的各帧压力分布数据进行背景校正;
特征提取模块150,用于对经过背景校正后的各帧所述压力分布数据分别提取肿块特征,并根据所述肿块特征生成累积图像和肿块轮廓线;
计算模块160,用于根据至少一个所述累积图像和所述肿块轮廓线,计算得到结构化特征参数;
建立模块170,用于根据所述结构化特征参数和预设的历史数据进行模型训练,以得到所述结构化特征参数与肿块信息之间的关系模型。
本实施例中的基于压力分布数据的建立关系模型的系统100,可以实现通过传感器阵列的压力分布规律信息对病变部位(例如,乳腺)中的肿块信息以及病理信息进行相对准确的测算,提高触诊成像在临床中的应用价值以及临床诊断效率。此外,通过对压力分布数据进行处理,可以滤除探头错误施压,探头与皮肤接触面有硬物,探头传感器单元有损伤等各种异常情况下产生的压力分布数据。
本发明的第三方面,提供了一种计算机可读存储介质(图中并未示出),所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如前文记载的所述的基于压力分布数据的建立关系模型的方法的步骤。
本实施例中的计算机可读存储介质,可以实现通过传感器阵列的压力分布规律信息对病变部位(例如,乳腺)中的肿块信息以及病理信息进行相对准确的测算,提高触诊成像在临床中的应用价值以及临床诊断效率。此外,通过对压力分布数据进行处理,可以滤除探头错误施压,探头与皮肤接触面有硬物,探头传感器单元有损伤等各种异常情况下产生的压力分布数据。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种基于压力分布数据建立关系模型的方法,其特征在于,包括:
步骤S110、获取若干帧压力分布数据;其中,各帧所述压力分布数据由压力传感器阵列反馈得到;
步骤S120、分别判断各帧所述压力分布数据是否满足预定条件,其中,所述预定条件包括压力分布数据为零或明显大于其他帧压力分布数据;
步骤S130、分别对不满足所述预定条件的各帧所述压力分布数据进行降噪滤波处理;
步骤S140、分别对经过降噪滤波处理后的各帧压力分布数据进行背景校正;
步骤S150、对经过背景校正后的各帧所述压力分布数据分别提取肿块特征,并根据所述肿块特征生成累积图像和肿块轮廓线;
步骤S160、根据至少一个所述累积图像和所述肿块轮廓线,计算得到结构化特征参数;
步骤S170、根据所述结构化特征参数和预设的历史数据进行模型训练,以得到所述结构化特征参数与肿块信息之间的关系模型。
2.根据权利要求1所述的建立关系模型的方法,其特征在于,所述降噪滤波处理包括下述至少一项:
邻域平均法、中值滤波、低通滤波和高斯滤波。
3.根据权利要求1所述的建立关系模型的方法,其特征在于,所述结构化特征参数包括相对弹性模量、肿块大小、形状因子和活动度中的至少一者。
4.根据权利要求3所述的建立关系模型的方法,其特征在于,所述结构化特征参数为所述相对弹性模量:
根据所述肿块轮廓线得到肿块区域压力数据的平均值和非肿块区域压力数据的平均值;
确定所述肿块区域压力数据的平均值、所述非肿块区域压力数据的平均值与肿块的相对弹性模量之间的关系,其满足下述关系式:
其中,F1为所述非肿块区域压力数据的平均值,F2为所述肿块区域压力数据的平均值,k0和k1为所述非肿块区域的弹性系数,k2为所述肿块区域的弹性系数;
其中,所述相对弹性模量正比于弹性系数。
5.根据权利要求3所述的建立关系模型的方法,其特征在于,所述结构化特征参数为所述肿块大小:
根据所述肿块区域中压力信号的数量和每个所述压力信号对应的尺寸大小的乘积得到所述肿块大小;或,
根据所述肿块轮廓线的最小外接矩形的长度和宽度,得到所述肿块大小。
6.根据权利要求3所述的建立关系模型的方法,其特征在于,所述结构化特征参数为所述形状因子,并采用单峰或多峰描述所述形状因子。
7.根据权利要求3所述的建立关系模型的方法,其特征在于,所述结构化特征参数为所述活动度,并基于压力分布数据中的最大值的相对移动状况表征所述活动度。
8.根据权利要求1至7中任意一项所述的建立关系模型的方法,其特征在于,所述预设的历史数据包括学习数据,所述步骤S170包括:
收集大量所述学习数据,各所述学习数据包括触诊检查信息和肿块病理信息;
对各所述学习数据进行预处理,所述预处理包括消除噪声数据、处理缺失数据、消除重复数据和数据类型转换处理中的至少一者;
基于预设的基分类器模型,对预处理后的各所述学习数据进行训练,以获得智能诊断模型;其中,所述基分类器包括神经网络、逻辑回归、贝叶斯网络、决策树和支持向量机;
根据所述智能诊断模型,生成所述结构化特征参数与肿块信息之间的关系模型。
9.一种基于压力分布数据的建立关系模型的系统,其特征在于,用于执行权利要求1至8中任意一项所述的基于压力分布数据的建立关系模型的方法,所述系统包括:
获取模块,用于获取若干帧压力分布数据;其中,各帧所述压力分布数据由压力传感器阵列反馈得到;
判断模块,用于分别判断各帧所述压力分布数据是否满足预定条件,其中,所述预定条件包括压力分布数据为零或明显大于其他帧压力分布数据;
处理模块,用于分别对不满足所述预定条件的各帧所述压力分布数据进行降噪滤波处理;
背景校正模块,用于分别对经过降噪滤波处理后的各帧压力分布数据进行背景校正;
特征提取模块,用于对经过背景校正后的各帧所述压力分布数据分别提取肿块特征,并根据所述肿块特征生成累积图像和肿块轮廓线;
计算模块,用于根据至少一个所述累积图像和所述肿块轮廓线,计算得到结构化特征参数;
建立模块,用于根据所述结构化特征参数和预设的历史数据进行模型训练,以得到所述结构化特征参数与肿块信息之间的关系模型。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8中任意一项所述的基于压力分布数据的建立关系模型的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810477166.0A CN108577844A (zh) | 2018-05-18 | 2018-05-18 | 基于压力分布数据的建立关系模型的方法及系统、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810477166.0A CN108577844A (zh) | 2018-05-18 | 2018-05-18 | 基于压力分布数据的建立关系模型的方法及系统、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108577844A true CN108577844A (zh) | 2018-09-28 |
Family
ID=63631843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810477166.0A Pending CN108577844A (zh) | 2018-05-18 | 2018-05-18 | 基于压力分布数据的建立关系模型的方法及系统、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108577844A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109243615A (zh) * | 2018-10-12 | 2019-01-18 | 东软集团股份有限公司 | 确定叩诊信息的方法、装置和存储介质 |
CN111637115A (zh) * | 2020-05-29 | 2020-09-08 | 上海华兴数字科技有限公司 | 一种液压系统异常的检测方法、检测装置及可读存储介质 |
CN114642186A (zh) * | 2022-03-29 | 2022-06-21 | 中国农业大学 | 一种牡蛎保活运输过程中的活性检测装置与方法 |
CN116172380A (zh) * | 2023-01-06 | 2023-05-30 | 成都飞赛克斯科技有限公司 | 一种智能枕头及其控制算法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5524636A (en) * | 1992-12-21 | 1996-06-11 | Artann Corporation Dba Artann Laboratories | Method and apparatus for elasticity imaging |
US5833634A (en) * | 1995-11-09 | 1998-11-10 | Uromed Corporation | Tissue examination |
US5922018A (en) * | 1992-12-21 | 1999-07-13 | Artann Corporation | Method for using a transrectal probe to mechanically image the prostate gland |
WO2001082779A2 (en) * | 2000-04-28 | 2001-11-08 | Armed L.L.C. | Apparatus and method for mechanical imaging of breast |
CN1345203A (zh) * | 1999-02-01 | 2002-04-17 | 超触觉公司 | 检测人体组织内异常的器械和方法 |
US20030073061A1 (en) * | 2001-10-17 | 2003-04-17 | Toomey Timothy Daniel | Breast lump detection training model with feedback |
US6595933B2 (en) * | 2000-03-31 | 2003-07-22 | Artann Laboratories | Self-palpation device for examination of breast with 3-D positioning system |
US20040267165A1 (en) * | 2003-06-12 | 2004-12-30 | Sarvazyan Armen P. | Tactile breast imager and method for use |
CN1839391A (zh) * | 2003-06-25 | 2006-09-27 | 美国西门子医疗解决公司 | 用于乳房成像的自动诊断和决策支持的系统和方法 |
CN101976303A (zh) * | 2010-10-21 | 2011-02-16 | 中山大学 | 一种乳腺肿块、钙化良恶自动识别及定量化影像评价系统 |
CN102178509A (zh) * | 2011-01-28 | 2011-09-14 | 马思云 | 软组织肿瘤/结节无创检测方法及系统 |
CN102940481A (zh) * | 2012-11-15 | 2013-02-27 | 北京大学 | 一种基于压电悬臂梁接触振动的浅表组织弹性成像系统 |
CN103745227A (zh) * | 2013-12-31 | 2014-04-23 | 沈阳航空航天大学 | 一种基于多维信息的肺结节良恶性鉴别方法 |
CN106570848A (zh) * | 2016-11-04 | 2017-04-19 | 浙江大学 | 基于局部二值模式和支持向量机的乳腺癌钙化点计算机辅助检测方法 |
-
2018
- 2018-05-18 CN CN201810477166.0A patent/CN108577844A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5922018A (en) * | 1992-12-21 | 1999-07-13 | Artann Corporation | Method for using a transrectal probe to mechanically image the prostate gland |
US5524636A (en) * | 1992-12-21 | 1996-06-11 | Artann Corporation Dba Artann Laboratories | Method and apparatus for elasticity imaging |
US5833634A (en) * | 1995-11-09 | 1998-11-10 | Uromed Corporation | Tissue examination |
CN1345203A (zh) * | 1999-02-01 | 2002-04-17 | 超触觉公司 | 检测人体组织内异常的器械和方法 |
US6595933B2 (en) * | 2000-03-31 | 2003-07-22 | Artann Laboratories | Self-palpation device for examination of breast with 3-D positioning system |
WO2001082779A2 (en) * | 2000-04-28 | 2001-11-08 | Armed L.L.C. | Apparatus and method for mechanical imaging of breast |
US20030073061A1 (en) * | 2001-10-17 | 2003-04-17 | Toomey Timothy Daniel | Breast lump detection training model with feedback |
US20040267165A1 (en) * | 2003-06-12 | 2004-12-30 | Sarvazyan Armen P. | Tactile breast imager and method for use |
CN1839391A (zh) * | 2003-06-25 | 2006-09-27 | 美国西门子医疗解决公司 | 用于乳房成像的自动诊断和决策支持的系统和方法 |
CN101976303A (zh) * | 2010-10-21 | 2011-02-16 | 中山大学 | 一种乳腺肿块、钙化良恶自动识别及定量化影像评价系统 |
CN102178509A (zh) * | 2011-01-28 | 2011-09-14 | 马思云 | 软组织肿瘤/结节无创检测方法及系统 |
CN102940481A (zh) * | 2012-11-15 | 2013-02-27 | 北京大学 | 一种基于压电悬臂梁接触振动的浅表组织弹性成像系统 |
CN103745227A (zh) * | 2013-12-31 | 2014-04-23 | 沈阳航空航天大学 | 一种基于多维信息的肺结节良恶性鉴别方法 |
CN106570848A (zh) * | 2016-11-04 | 2017-04-19 | 浙江大学 | 基于局部二值模式和支持向量机的乳腺癌钙化点计算机辅助检测方法 |
Non-Patent Citations (3)
Title |
---|
EGOROV V ET AL: "Differentiation of benign and malignant breast lesions by mechanical imaging", 《BREAST CANCER RES TREAT》 * |
EGOROV V ET AL: "Mechanical imaging of the breast", 《IEEE TRANS MED IMAGING》 * |
王向鸿: "基于力学成像的乳腺癌三维可视化诊断方法", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109243615A (zh) * | 2018-10-12 | 2019-01-18 | 东软集团股份有限公司 | 确定叩诊信息的方法、装置和存储介质 |
CN111637115A (zh) * | 2020-05-29 | 2020-09-08 | 上海华兴数字科技有限公司 | 一种液压系统异常的检测方法、检测装置及可读存储介质 |
CN111637115B (zh) * | 2020-05-29 | 2022-04-01 | 上海华兴数字科技有限公司 | 一种液压系统异常的检测方法、检测装置及可读存储介质 |
CN114642186A (zh) * | 2022-03-29 | 2022-06-21 | 中国农业大学 | 一种牡蛎保活运输过程中的活性检测装置与方法 |
CN116172380A (zh) * | 2023-01-06 | 2023-05-30 | 成都飞赛克斯科技有限公司 | 一种智能枕头及其控制算法 |
CN116172380B (zh) * | 2023-01-06 | 2024-06-11 | 成都飞赛克斯科技有限公司 | 一种智能枕头及其控制算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108577844A (zh) | 基于压力分布数据的建立关系模型的方法及系统、存储介质 | |
US11089988B2 (en) | Non-invasive method and system for estimating arterial flow characteristics | |
Golemati et al. | Using the Hough transform to segment ultrasound images of longitudinal and transverse sections of the carotid artery | |
US8010187B2 (en) | Three-dimensional impedance imaging device | |
Ikedo et al. | Development of a fully automatic scheme for detection of masses in whole breast ultrasound images | |
CN108348206B (zh) | 用于无创血流储备分数(ffr)的侧支流建模 | |
US11557072B2 (en) | Clustering algorithm-based multi-parameter cumulative calculation method for lower limb vascular calcification indexes | |
CN106447645A (zh) | 增强ct图像中冠脉钙化检测及量化装置和方法 | |
CN106023200A (zh) | 一种基于泊松模型的x光胸片图像肋骨抑制方法 | |
Padmapriya et al. | Edge based image segmentation technique for detection and estimation of the bladder wall thickness | |
CN113509186B (zh) | 基于深度卷积神经网络的ecg分类系统与方法 | |
WO2022110445A1 (zh) | 一种卵圆孔未闭检测方法、系统、终端以及存储介质 | |
Kollorz et al. | Quantification of thyroid volume using 3-D ultrasound imaging | |
CN113080991A (zh) | 基于cnn模型与lstm模型的预测诊断心衰方法系统及诊断设备、存储介质 | |
US11701092B2 (en) | Automated ultrasound apparatus and methods to non-invasively monitor fluid responsiveness | |
Ma et al. | Plaque recognition of carotid ultrasound images based on deep residual network | |
Chen et al. | SE-MSCNN: a lightweight multi-scaled fusion network for sleep apnea detection using single-lead ECG signals | |
CN115587971A (zh) | 基于心脏超声节段活动的机体反应及血流动力学监测方法及系统 | |
CN110403631A (zh) | 一种基于连续超声图像的无创颅内压测量方法 | |
CN116473592A (zh) | 一种用超声定位显微镜评估乳腺癌新辅助化疗疗效的方法 | |
Kanaga et al. | 4D medical image analysis: a systematic study on applications, challenges, and future research directions | |
EP3995081A1 (en) | Diagnosis assisting program | |
CN117893539B (zh) | 一种乳腺图像识别处理方法 | |
Leadingham et al. | Quantification of spinal cord microvascular perfusion utilizing ultrasound | |
LU503428B1 (en) | Method, Device and System for Diagnosing Pulmonary Embolism Based on non-contrast chest CT Images |
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: 20180928 |