CN108986909A - 基于超声弹性成像的软组织弹性和粘弹性表征方法及装置 - Google Patents
基于超声弹性成像的软组织弹性和粘弹性表征方法及装置 Download PDFInfo
- Publication number
- CN108986909A CN108986909A CN201810714772.XA CN201810714772A CN108986909A CN 108986909 A CN108986909 A CN 108986909A CN 201810714772 A CN201810714772 A CN 201810714772A CN 108986909 A CN108986909 A CN 108986909A
- Authority
- CN
- China
- Prior art keywords
- neural network
- viscoelastic
- soft tissue
- data
- elastograph imaging
- 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
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于超声弹性成像的软组织弹性和粘弹性表征方法及装置,其中,方法包括:通过有限元方法模拟超声弹性成像,以获取人工神经网络的训练数据;对所述训练数据进行数据前处理,以使所述训练数据包含满足预设条件的有效信息,并获取前处理后的特征图;对所述前处理后的特征图进行训练,以得到满足预设神经网络效果的表征软组织弹性和粘弹性的神经网络。该方法具有表征精度高、鲁棒性能好以及优化空间大的优点,具有良好的应用前景和提升空间。
Description
技术领域
本发明涉及医学成像技术领域,特别涉及一种基于超声弹性成像的软组织弹性和粘弹性表征方法及装置。
背景技术
人体的诸多疾病如肝硬化、肿瘤等,常常伴随着人体组织力学性质的变化。在体表征人体组织的力学性质对许多疾病的诊疗具有重要意义。超声弹性成像是一种新兴的材料力学性质的表征手段,由于其非破坏性、非侵入性的特点,近年来在疾病诊断方面得到了广泛关注。由于人体组织的复杂性,该方法在某些应用场景下的具体实现还有待研究。
机器学习是利用计算机解决某种特定问题的相对通用方法。近年来,由于计算机硬件性能的不断发展及相关算法的不断优化,机器学习在解决一些实际问题上(如图像识别、语音语义识别、围棋AI等)取得了突破性进展。人工神经网络作为现代机器学习的一个主要分支,能够适应分类、拟合等各种实际问题,具有数据结构统一、可设计性强,可以使用各种成熟的开源程序框架(如TensorFlow、PyTorch)等诸多优点。
超声弹性成像在应用于人体具体组织表征的过程中,往往由于实际情况的复杂性(例如粘弹性导致的频散效应)、原始数据处理的方法不够完善,表征效果往往难以令人满意。一方面,表征结果的相对误差较大;甚至得到不合理的数值;另一方面,表征结果不稳定,对相同部位的表征结果受实际操作、环境噪声等影响波动较大。本专利拟从机器学习的角度出发,借助人工神经网络的“泛化”能力,提出一种新的基于超声弹性成像的材料性质表征方法,并以肝脏粘弹性性质表征为例,证实了该方法的有效性和可靠性。
若具体到通过基于超声弹性成像的肝脏力学性质表征方面而言,文献中提到的现有技术方案大致如下:
Step1:用超声弹性成像方法得到肝脏在声辐射力下的响应(速度时空图);
Step2:对速度时空图作二维傅立叶变换(2D-FT),得到响应的频域信息;
Step3:对频域信号进行处理,得到频散曲线。这个阶段有不同的方案,例如在二维频谱图上选取每个频率下幅值极值处的(f,k)对,连接成频散曲线或者在二维傅立叶频谱图上采用拉顿变换,从而拟合斜率信息。
Step4:根据Step3中得到的信息,反演肝脏的力学性质。
上面几种方法,都存在一定的局限性。这些局限性具体体现在:
1、表征误差较大。由于上述方法在实施过程中往往除去或忽略了大量的有效数据,实际依靠的信息量非常有限,故表征结果误差相对较大,离对疾病诊断有足够的统计意义还有一定距离。这也意味着增加有效数据利用率的方法有可能大幅提升表征的精度。
2、表征结果不够稳定。超声弹性成像在实际使用过程中往往存在着一定水平的随机噪声,这些噪声对某些表征方法可能产生不可预测的影响,导致表征结果不够稳定,对同一部位的反复测量结果波动较大。
3、方法的适用范围较窄。上述表征方法往往针对某种具体材料及具体形式的本构关系,很难迁移到其它属性的材料的表征中。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种基于超声弹性成像的软组织弹性和粘弹性表征方法,该方法具有表征精度高、鲁棒性能好以及优化空间大的优点。
本发明的另一个目的在于提出一种基于超声弹性成像的软组织弹性和粘弹性表征装置。
为达到上述目的,本发明一方面实施例提出了一种基于超声弹性成像的软组织弹性和粘弹性表征方法,包括以下步骤:通过有限元方法模拟超声弹性成像,以获取人工神经网络的训练数据;对所述训练数据进行数据前处理,以使所述训练数据包含满足预设条件的有效信息,并获取前处理后的特征图;以及对所述前处理后的特征图进行训练,以得到满足预设神经网络效果的表征软组织弹性和粘弹性的神经网络。
本发明实施例的基于超声弹性成像的软组织弹性和粘弹性表征方法,通过有限元方法模拟超声弹性成像并对训练数据进行一些列处理以进行训练,得到满足预设神经网络效果的表征软组织弹性和粘弹性的神经网络,具有有表征精度高、鲁棒性能好以及优化空间大的优点,具有良好的应用前景和提升空间。
另外,根据本发明上述实施例的基于超声弹性成像的软组织弹性和粘弹性表征方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述通过有限元方法模拟超声弹性成像,以获取人工神经网络的训练数据,进一步包括:通过有限元软件模拟在实际超声弹性成像情况下弹性波的传播过程;根据代表征材料的力学模型和参数范围进行预设数量的数值模拟,并采集软件模拟结果;根据所述软件模拟结果得到适合神经网络的所述训练数据。
进一步地,在本发明的一个实施例中,所述对所述训练数据进行数据前处理,进一步包括:对所述训练数据进行时空图截取,以截取得到二维速度场;对所述二维速度场作二维傅里叶变换,以得到速度信号的频谱图;对所述频谱图进行频谱数据截取与置零,以得到预设大小的输入数据。
进一步地,在本发明的一个实施例中,所述对所述前处理后的特征图进行训练进一步采用全连接神经网络进行训练,根据训练情况调整学习速率以达到训练过程中损失函数的值基本不变的目标。
进一步地,在本发明的一个实施例中,所述对所述前处理后的特征图进行训练,以得到满足预设神经网络效果的表征软组织弹性和粘弹性的神经网络后,对所述神经网络进行评价,包括预测误差测试和白噪声抗性测试,进一步为:
所述预测误差测试包括用训练好的所述神经网络去预测测试集上所有进行所述前处理的数据所对应的两个材料参数,并计算推断值相对于输入值的相对误差;
所述白噪声抗性测试包括对进行截取后的速度时空图添加白噪声,并定义白噪声的比例为:
定义信噪比SNR为:
SNR=-20lgR(dB),
对测试集上的所有前处理后的数据运行神经网络得到推测结果并计算相对误差。
为达到上述目的,本发明另一方面实施例提出了一种基于超声弹性成像的软组织弹性和粘弹性表征装置,包括:模拟模块,用于通过有限元方法模拟超声弹性成像,以获取人工神经网络的训练数据;前处理模块,用于对所述训练数据进行数据前处理,以使所述训练数据包含满足预设条件的有效信息,并获取前处理后的特征图;以及训练模块,用于对所述前处理后的特征图进行训练,以得到满足预设神经网络效果的表征软组织弹性和粘弹性的神经网络。
本发明实施例的基于超声弹性成像的软组织弹性和粘弹性表征装置,通过有限元方法模拟超声弹性成像并对训练数据进行一些列处理以进行训练,得到满足预设神经网络效果的表征软组织弹性和粘弹性的神经网络,具有有表征精度高、鲁棒性能好以及优化空间大的优点,具有良好的应用前景和提升空间。
另外,根据本发明上述实施例的基于超声弹性成像的软组织弹性和粘弹性表征装置还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述模拟模块还包括:传播过程模拟单元,用于通过有限元软件模拟在实际超声弹性成像情况下弹性波的传播过程;采集单元,用于根据代表征材料的力学模型和参数范围进行预设数量的数值模拟,并采集软件模拟结果;获取单元,用于根据所述软件模拟结果得到适合神经网络的所述训练数据。
进一步地,在本发明的一个实施例中,所述前处理模块进一步包括:截取单元,用于对所述训练数据进行时空图截取,以截取得到二维速度场;变换单元,用于对所述二维速度场作二维傅里叶变换,以得到速度信号的频谱图;截取与置零单元,用于对所述频谱图进行频谱数据截取与置零,以得到预设大小的输入数据。
进一步地,在本发明的一个实施例中,所述训练模块进一步采用全连接神经网络进行训练,根据训练情况调整学习速率以达到训练过程中损失函数的值基本不变的目标。
进一步地,在本发明的一个实施例中,所述训练模块进一步用于对所述神经网络进行评价,包括预测误差测试和白噪声抗性测试:
所述预测误差测试包括用训练好的所述神经网络去预测测试集上所有进行所述前处理的数据所对应的两个材料参数,并计算推断值相对于输入值的相对误差;
所述白噪声抗性测试包括对进行截取后的速度时空图添加白噪声,并定义白噪声的比例为:
定义信噪比SNR为:
SNR=-20lgR(dB),
对测试集上的所有前处理后的数据运行神经网络得到推测结果并计算相对误差。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的基于超声弹性成像的软组织弹性和粘弹性表征方法的流程图;
图2为根据本发明一个实施例的基于超声弹性成像的软组织弹性和粘弹性表征方法的肝脏超声弹性成像的有限元算例示意图。
图3为根据本发明一个实施例的基于超声弹性成像的软组织弹性和粘弹性表征方法的数据前处理流程图;
图4为根据本发明一个实施例的基于超声弹性成像的软组织弹性和粘弹性表征方法的不同输入参数所得原始数据的前处理结果汇总的示意图;
图5为根据本发明一个实施例的基于超声弹性成像的软组织弹性和粘弹性表征方法的误差分布示意图;和
图6为根据本发明实施例的基于超声弹性成像的软组织弹性和粘弹性表征装置的结构示意图。
附图说明:
图2中,(a)轴对称模型示意图,其中R=25mm,h=50mm;(b)有限元网格示意图;(c)在激励结束后5ms的y方向速度场;
图3中,(a)为模型中线的速度时空图;(b)截取速度时空场的一部分,并按需要加一定量的白噪声;(c)对时空图作二维傅立叶变换;(d)截取傅立叶变换的低频部分;(e)对频域上的数据进行归一化(最强信号归为1),并将低于某个阈值(如0.15)的信号直接用0覆盖;
图5中,(a)为测试集上初始剪切模量推断的相对误差分布;(b)为测试集上特征时间推断的相对误差分布,信噪比为26dB。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于超声弹性成像的软组织弹性和粘弹性表征方法及装置,首先将参照附图描述根据本发明实施例提出的基于超声弹性成像的软组织弹性和粘弹性表征方法。
图1是本发明一个实施例的基于超声弹性成像的软组织弹性和粘弹性表征方法的流程图。
如图1所示,该基于超声弹性成像的软组织弹性和粘弹性表征方法包括以下步骤:
在步骤S101中,通过有限元方法模拟超声弹性成像,以获取人工神经网络的训练数据。
具体而言,通过有限元软件模拟在实际超声弹性成像情况下弹性波的传播过程;根据代表征材料的力学模型和参数范围进行预设数量的数值模拟,并采集软件模拟结果;根据软件模拟结果得到适合神经网络的训练数据。
在本发明的一个实施例中,为了得到足够多的带标签数据,需要用商用有限元软件(如ABAQUS)模拟在实际超声弹性成像情况下弹性波的传播过程。根据待表征材料的力学模型和参数范围进行足够数量的数值模拟,并将软件模拟的结果进行收集整理,从而得到适合神经网络的训练数据。以表征肝脏力学性质的超声弹性成像方法为例,具体数据准备工作如下:
选定力学模型和材料参数:鉴于文献中常用Voigt模型,定义如下式:
σij=λ0εkkδij+λεkkδij+2μ0εij+2μεij,
λ/λ0=μ/μ0=τ
来描述肝脏的粘弹性行为,故在使用有限元软件进行仿真时材料属性定为Voigt模型。材料的参数应覆盖待表征材料的常见区间,故考虑实际情况将其确定为μ0∈[1KPa,10KPa],τ∈[100us,300us]。
如图2所示,计算和收集数据:在给定的参数区间内,取不同的(μ0,τ)对,做约2000个有限元算例(有限元模型如图1所示)。提取模型中线处各个节点在每个固定步长下的速度信息,保存为时空域上的二维矩阵(如图2(a)所示)。
数据分割:在所有的训练数据中随机抽取10%,作为验证神经网络效果的验证集;其余90%用于神经网络的训练。
在步骤S102中,对训练数据进行数据前处理,以使训练数据包含满足预设条件的有效信息,并获取前处理后的特征图。
具体而言,对训练数据进行数据前处理,进一步包括:对训练数据进行时空图截取,以截取得到二维速度场;对二维速度场作二维傅里叶变换,以得到速度信号的频谱图;对频谱图进行频谱数据截取与置零,以得到预设大小的输入数据。
在本发明的一个实施例中,为使训练数据中包含足够多的有效信息,需要对训练数据做合适的前处理。良好的前处理不仅能够简化人工神经网络,加快神经网络的训练过程,还能直接提升表征的抗噪能力。以针对肝脏超声弹性成像给出的速度场的信息,前处理方法如下:
如图3所示,前处理方法包括:
时空图截取:对于图1中得到的原始速度数据(如图3(a)所示),考虑到在实际的超声弹性成像过程中,靠近激励点的数据在初始几帧不可靠,且弹性波的信号随着传播距离会快速衰减;因此,截取二维时空图上的一个固定子域进行进一步处理(如图3(b)所示)。
二维傅立叶变换:对截取的二维速度场进行二维傅立叶变换,对变换后的每点取模,得到速度信号的频谱图(如图3c)所示)。
频谱数据截取与置零:由图3可见,信号在频谱上的能量主要集中在低频区域。因此选取频谱图上能够覆盖主要信号的一个子域(如图3(d)所示),并对子域信号做比例映射,使得频谱上最强的信号为1。为进一步凸显有效数据,将频谱上小于某个阈值(如0.15)的数据直接用0替换(如图3(e)所示)。由此,得到固定大小(200个元素)的输入数据。
进一步地,如图4所示,展示了一些材料参数下,利用该前处理方法得到的频谱图。可以看到,不同给定材料参数下的表征结果有比较大的差异,适合神经网络的训练。
在步骤S103中,对前处理后的特征图进行训练,以得到满足预设神经网络效果的表征软组织弹性和粘弹性的神经网络。
在本发明的一个实施例中,根据实际情况选择合适的神经网络对经过前处理的特征图进行训练。在针对肝脏粘弹性的表征方法中,我们选择最一般的全连接神经网络进行训练。用于推断初始模量μ0与特征时间τ的结构相同,如图4所示。网络结构为4层,各层大小分别为200(输入像素数量)、20、4和1(输出结果)。层与层之间的非线性映射函数均取为Sigmoid函数。为了保证网络输出的结果落在Sigmoid函数的值域中,定义神经网络输出的数据的含义为:选择损失函数作为输出结果与给定标签数据的均方误差。在训练集上循环约2000~3000次,根据实际情况调整学习速率直到训练过程中的损失函数的值基本不再下降。
进一步地,在本发明的一个实施例中,神经网络训练完成后,需要对神经网络进行一系列测试以评价其效果。针对肝脏的力学性质表征,主要进行以下几个方面的评价:
首先对神经网络进行预测误差测试,过程如下:
用训练好的神经网络去预测测试集上所有前处理后数据对应的两个材料参数,并计算推断值相对于输入值的相对误差。μ0与τ的相对误差如图5所示。数据表明,神经网络对初始模量的预测误差不超过5%,对特征时间的预测相对误差不超过10%。推断效果良好。
进一步地,对神经网络进行白噪声抗性测试,过程如下:
在实际测量中不可避免地存在噪声。为此,必须验证神经网络抵抗噪声的性能。对进行截取后的速度时空图添加白噪声,并定义白噪声的比例为:
定义信噪比SNR为:
SNR=-20lgR(dB),
表1为测试集在不同信噪比上的最大推断误差对测试集上的所有前处理后的数据运行神经网络得到推测结果并计算相对误差,结果如表1所示。数据表明,神经网络方法推断的相对误差限随着白噪声水平升高增加得比较缓慢,对白噪声有良好的抗性。
表1
进一步地,在本发明的一个实施例中,机器学习的具体实现方案:机器学习内涵十分丰富。除了最热的人工神经网络,还有随机丛林、决策树等诸多机器学习的核心结构;即便着眼于人工神经网络,本专利所用的四层全连接型人工神经网络只是无数人工神经网络中的一种。但是万变不离其宗,机器学习终归是一种精确分割/超拟合方法。因此,其它可替代的机器学习方案,或者不同结构的人工神经网络,只要用于针对超声弹性成像的材料表征,都应属于本方案的替代方案。
进一步地,在本发明的一个实施例中,表征对象的多样性:本专利所举的案例是表征肝脏的粘弹性力学性质。但该方法具有极强的拓展性,原则上,只要改变有限元模型及训练数据的参数范围,就可以用于对其它材料(如动物其它组织的力学性质)的表征。
本发明实施例的基于超声弹性成像的软组织弹性和粘弹性表征方法,通过有限元方法模拟超声弹性成像并对训练数据进行一些列处理以进行训练,得到满足预设神经网络效果的表征软组织弹性和粘弹性的神经网络,具有有表征精度高、鲁棒性能好以及优化空间大的优点,具有良好的应用前景和提升空间。
其次参照附图描述根据本发明实施例提出的基于超声弹性成像的软组织弹性和粘弹性表征装置。
图6是本发明一个实施例的基于超声弹性成像的软组织弹性和粘弹性表征装置的结构示意图。
如图2所示,该基于超声弹性成像的软组织弹性和粘弹性表征装置10包括:模拟模块100、前处理模块200和训练模块300。
其中,模拟模块100用于通过有限元方法模拟超声弹性成像,以获取人工神经网络的训练数据。前处理模块200用于对训练数据进行数据前处理,以使训练数据包含满足预设条件的有效信息,并获取前处理后的特征图。训练模块300用于对前处理后的特征图进行训练,以得到满足预设神经网络效果的表征软组织弹性和粘弹性的神经网络。该基于超声弹性成像的软组织弹性和粘弹性表征装置10具有表征精度高、鲁棒性能好以及优化空间大的优点,具有良好的应用前景和提升空间。
进一步地,在本发明的一个实施例中,模拟模块100还包括:传播过程模拟单元,用于通过有限元软件模拟在实际超声弹性成像情况下弹性波的传播过程;采集单元,用于根据代表征材料的力学模型和参数范围进行预设数量的数值模拟,并采集软件模拟结果;获取单元,用于根据软件模拟结果得到适合神经网络的训练数据。
进一步地,在本发明的一个实施例中,前处理模块200进一步包括:截取单元,用于对训练数据进行时空图截取,以截取得到二维速度场;变换单元,用于对二维速度场作二维傅里叶变换,以得到速度信号的频谱图;截取与置零单元,用于对频谱图进行频谱数据截取与置零,以得到预设大小的输入数据。
进一步地,在本发明的一个实施例中,训练模块300进一步采用全连接神经网络进行训练,根据训练情况调整学习速率以达到训练过程中损失函数的值基本不变的目标。
进一步地,在本发明的一个实施例中,训练模块300进一步用于对神经网络进行评价,包括预测误差测试和白噪声抗性测试:
预测误差测试包括用训练好的神经网络去预测测试集上所有进行前处理的数据所对应的两个材料参数,并计算推断值相对于输入值的相对误差;
白噪声抗性测试包括对进行截取后的速度时空图添加白噪声,并定义白噪声的比例为:
定义信噪比SNR为:
SNR=-20lgR(dB),
对测试集上的所有前处理后的数据运行神经网络得到推测结果并计算相对误差。
需要说明的是,前述对基于超声弹性成像的软组织弹性和粘弹性表征方法实施例的解释说明也适用于该实施例的基于超声弹性成像的软组织弹性和粘弹性表征装置,此处不再赘述。
本发明实施例的基于超声弹性成像的软组织弹性和粘弹性表征装置,通过有限元方法模拟超声弹性成像并对训练数据进行一些列处理以进行训练,得到满足预设神经网络效果的表征软组织弹性和粘弹性的神经网络,具有有表征精度高、鲁棒性能好以及优化空间大的优点,具有良好的应用前景和提升空间。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于超声弹性成像的软组织弹性和粘弹性表征方法,其特征在于,包括以下步骤:
通过有限元方法模拟超声弹性成像,以获取人工神经网络的训练数据;
对所述训练数据进行数据前处理,以使所述训练数据包含满足预设条件的有效信息,并获取前处理后的特征图;以及
对所述前处理后的特征图进行训练,以得到满足预设神经网络效果的表征软组织弹性和粘弹性的神经网络。
2.根据权利要求1所述的基于超声弹性成像的软组织弹性和粘弹性表征方法,其特征在于,所述通过有限元方法模拟超声弹性成像,以获取人工神经网络的训练数据,进一步包括:
通过有限元软件模拟在实际超声弹性成像情况下弹性波的传播过程;
根据代表征材料的力学模型和参数范围进行预设数量的数值模拟,并采集软件模拟结果;
根据所述软件模拟结果得到适合神经网络的所述训练数据。
3.根据权利要求1所述的基于超声弹性成像的软组织弹性和粘弹性表征方法,其特征在于,所述对所述训练数据进行数据前处理,进一步包括:
对所述训练数据进行时空图截取,以截取得到二维速度场;
对所述二维速度场作二维傅里叶变换,以得到速度信号的频谱图;
对所述频谱图进行频谱数据截取与置零,以得到预设大小的输入数据。
4.根据权利要求1所述的基于超声弹性成像的软组织弹性和粘弹性表征方法,其特征在于,所述对所述前处理后的特征图进行训练进一步采用全连接神经网络进行训练,根据训练情况调整学习速率以达到训练过程中损失函数的值基本不变的目标。
5.根据权利要求1所述的基于超声弹性成像的软组织弹性和粘弹性表征方法,其特征在于,所述对所述前处理后的特征图进行训练,以得到满足预设神经网络效果的表征软组织弹性和粘弹性的神经网络后,对所述神经网络进行评价,包括预测误差测试和白噪声抗性测试,进一步为:
所述预测误差测试包括用训练好的所述神经网络去预测测试集上所有进行所述前处理的数据所对应的两个材料参数,并计算推断值相对于输入值的相对误差;
所述白噪声抗性测试包括对进行截取后的速度时空图添加白噪声,并定义白噪声的比例为:
定义信噪比SNR为:
SNR=-20lg R(dB),
对测试集上的所有前处理后的数据运行神经网络得到推测结果并计算相对误差。
6.一种基于超声弹性成像的软组织弹性和粘弹性表征装置,其特征在于,包括:
模拟模块,用于通过有限元方法模拟超声弹性成像,以获取人工神经网络的训练数据;
前处理模块,用于对所述训练数据进行数据前处理,以使所述训练数据包含满足预设条件的有效信息,并获取前处理后的特征图;以及
训练模块,用于对所述前处理后的特征图进行训练,以得到满足预设神经网络效果的表征软组织弹性和粘弹性的神经网络。
7.根据权利要求6所述的基于超声弹性成像的软组织弹性和粘弹性表征装置,其特征在于,所述模拟模块还包括:
传播过程模拟单元,用于通过有限元软件模拟在实际超声弹性成像情况下弹性波的传播过程;
采集单元,用于根据代表征材料的力学模型和参数范围进行预设数量的数值模拟,并采集软件模拟结果;
获取单元,用于根据所述软件模拟结果得到适合神经网络的所述训练数据。
8.根据权利要求6所述的基于超声弹性成像的软组织弹性和粘弹性表征装置,其特征在于,所述前处理模块进一步包括:
截取单元,用于对所述训练数据进行时空图截取,以截取得到二维速度场;
变换单元,用于对所述二维速度场作二维傅里叶变换,以得到速度信号的频谱图;
截取与置零单元,用于对所述频谱图进行频谱数据截取与置零,以得到预设大小的输入数据。
9.根据权利要求6所述的基于超声弹性成像的软组织弹性和粘弹性表征装置,其特征在于,所述训练模块进一步采用全连接神经网络进行训练,根据训练情况调整学习速率以达到训练过程中损失函数的值基本不变的目标。
10.根据权利要求6所述的基于超声弹性成像的软组织弹性和粘弹性表征装置,其特征在于,所述训练模块进一步用于对所述神经网络进行评价,包括预测误差测试和白噪声抗性测试:
所述预测误差测试包括用训练好的所述神经网络去预测测试集上所有进行所述前处理的数据所对应的两个材料参数,并计算推断值相对于输入值的相对误差;
所述白噪声抗性测试包括对进行截取后的速度时空图添加白噪声,并定义白噪声的比例为:
定义信噪比SNR为:
SNR=-20lg R(dB),
对测试集上的所有前处理后的数据运行神经网络得到推测结果并计算相对误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810714772.XA CN108986909B (zh) | 2018-06-29 | 2018-06-29 | 基于超声弹性成像的软组织弹性和粘弹性表征方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810714772.XA CN108986909B (zh) | 2018-06-29 | 2018-06-29 | 基于超声弹性成像的软组织弹性和粘弹性表征方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108986909A true CN108986909A (zh) | 2018-12-11 |
CN108986909B CN108986909B (zh) | 2020-06-12 |
Family
ID=64539935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810714772.XA Active CN108986909B (zh) | 2018-06-29 | 2018-06-29 | 基于超声弹性成像的软组织弹性和粘弹性表征方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108986909B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111803128A (zh) * | 2020-07-15 | 2020-10-23 | 深圳大学 | 一种乳腺组织弹性成像方法、装置、设备和介质 |
CN111968061A (zh) * | 2020-09-02 | 2020-11-20 | 广州海兆印丰信息科技有限公司 | 脏器组织高辨识成像方法、装置、存储介质及计算机设备 |
CN112729664A (zh) * | 2020-12-07 | 2021-04-30 | 清华大学 | 确定多孔软介质中流体内压的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010014815A1 (en) * | 2008-07-30 | 2010-02-04 | Rappaport, Arthur | Method for measuring intracranial elasticity |
CN101699280A (zh) * | 2009-10-15 | 2010-04-28 | 北京索瑞特医学技术有限公司 | 超声无损检测粘弹性介质弹性的方法及其装置 |
CN105078515A (zh) * | 2014-05-22 | 2015-11-25 | 曹艳平 | 一种软组织超弹性特征表征方法 |
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
CN106175831A (zh) * | 2016-09-28 | 2016-12-07 | 重庆理工大学 | 一种基于剪切波幅度和相位检测的组织粘弹性测量方法 |
WO2017205809A1 (en) * | 2016-05-26 | 2017-11-30 | University Of Washington | Non-contact acoustic radiation force based (arf-based) generation of broad bandwidth mechanical waves using air-coupled ultrasound |
-
2018
- 2018-06-29 CN CN201810714772.XA patent/CN108986909B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010014815A1 (en) * | 2008-07-30 | 2010-02-04 | Rappaport, Arthur | Method for measuring intracranial elasticity |
CN101699280A (zh) * | 2009-10-15 | 2010-04-28 | 北京索瑞特医学技术有限公司 | 超声无损检测粘弹性介质弹性的方法及其装置 |
US20170014107A1 (en) * | 2009-10-15 | 2017-01-19 | Wuxi Hisky Medical Technologies Co., Ltd. | Method and device for detecting elasticity of viscous elastic medium |
CN105078515A (zh) * | 2014-05-22 | 2015-11-25 | 曹艳平 | 一种软组织超弹性特征表征方法 |
CN105095962A (zh) * | 2015-07-27 | 2015-11-25 | 中国汽车工程研究院股份有限公司 | 一种基于bp人工神经网络的材料动态力学性能预测方法 |
WO2017205809A1 (en) * | 2016-05-26 | 2017-11-30 | University Of Washington | Non-contact acoustic radiation force based (arf-based) generation of broad bandwidth mechanical waves using air-coupled ultrasound |
CN106175831A (zh) * | 2016-09-28 | 2016-12-07 | 重庆理工大学 | 一种基于剪切波幅度和相位检测的组织粘弹性测量方法 |
Non-Patent Citations (2)
Title |
---|
罗建文等: "超声弹性成像仿真的有限元分析", 《北京生物医学工程》 * |
陈明丽: "超声定量分析方法评价肝纤维化的动物实验和临床研究", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111803128A (zh) * | 2020-07-15 | 2020-10-23 | 深圳大学 | 一种乳腺组织弹性成像方法、装置、设备和介质 |
CN111968061A (zh) * | 2020-09-02 | 2020-11-20 | 广州海兆印丰信息科技有限公司 | 脏器组织高辨识成像方法、装置、存储介质及计算机设备 |
CN112729664A (zh) * | 2020-12-07 | 2021-04-30 | 清华大学 | 确定多孔软介质中流体内压的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108986909B (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tom et al. | Simulating patho-realistic ultrasound images using deep generative networks with adversarial learning | |
CN105929024B (zh) | 混凝土缺陷智能化检测与定量识别方法 | |
CN108986909A (zh) | 基于超声弹性成像的软组织弹性和粘弹性表征方法及装置 | |
CN110074813A (zh) | 一种超声图像重建方法及系统 | |
CN109661684A (zh) | 用于现实交互式超声模拟的射线追踪方法 | |
CN105474219A (zh) | 用于根据医学图像和临床数据来估计生理学心脏测量的系统和方法 | |
CN110010229B (zh) | 一种基于生成对抗网络的超声影像模拟方法 | |
CN105205867B (zh) | 一种微创虚拟腹主动脉血管手术中的碰撞检测方法 | |
CN101577003A (zh) | 一种基于改进交叉视觉皮质模型的图像分割方法 | |
CN107392928A (zh) | 基于MRF‑Snake分割的乳腺癌诊断系统及方法 | |
CN106073824A (zh) | 用于根据剪切波成像进行剪切模量和粘度的自动评估的方法和系统 | |
CN108053401A (zh) | 一种b超图像处理方法及装置 | |
CN109615616A (zh) | 一种基于abc-pcnn的裂缝识别方法及系统 | |
CN111275706A (zh) | 一种基于剪切波弹性成像超声组学深度分析方法及系统 | |
Sreelakshmi et al. | Fast and denoise feature extraction based ADMF–CNN with GBML framework for MRI brain image | |
CN113295702A (zh) | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 | |
CN116188452A (zh) | 医学图像层间插值及三维重建方法 | |
Prasad et al. | Dl-uct: A deep learning framework for ultrasound computed tomography | |
CN104331864B (zh) | 基于非下采样轮廓波和视觉显著模型的乳腺影像处理 | |
CN113925495B (zh) | 结合统计学习和时频分析的动静脉瘘异常震颤信号识别系统及方法 | |
Sultan et al. | Estimation of Cortical Bone Strength Using CNN-based Regression Model | |
EP3264322A1 (en) | Machine learning-based quantitative photoacoustic tomography (pat) | |
CN115239992A (zh) | 三维声场自动建模区块链分析方法 | |
CN114550260A (zh) | 一种基于对抗数据增强的三维人脸点云识别方法 | |
Chen | Research on classification of watermelon ripeness based on neural network pattern recognition |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20181211 Assignee: Beijing Xijian Technology Co.,Ltd. Assignor: TSINGHUA University Contract record no.: X2022980018767 Denomination of invention: Method and device for characterizing elasticity and viscoelasticity of soft tissues based on ultrasonic elastography Granted publication date: 20200612 License type: Common License Record date: 20221019 |