CN109118526A - 一种基于虚拟现实的老年痴呆图像分析系统及分析方法 - Google Patents
一种基于虚拟现实的老年痴呆图像分析系统及分析方法 Download PDFInfo
- Publication number
- CN109118526A CN109118526A CN201810580518.5A CN201810580518A CN109118526A CN 109118526 A CN109118526 A CN 109118526A CN 201810580518 A CN201810580518 A CN 201810580518A CN 109118526 A CN109118526 A CN 109118526A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- module
- senile dementia
- resistance
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Processing (AREA)
Abstract
本发明属于医疗技术领域,公开了一种基于虚拟现实的老年痴呆图像分析系统及分析方法,系统包括:数据采集模块、中央处理模块、数据存储模块、测试模块、评估模块、显示模块;同时公开了一种基于虚拟现实的老年痴呆图像分析系统及分析方法。本发明通过测试模块利用阵列镜头获取同一时间的阵列图像,对于动态场景,避免了帧间运动估计问题,提高测试准确性;同时通过评估模块基于MR技术中的改进促进了监控随时间由于病理进展和症状增强而发生的改变或者由于治疗方法提供了症状的改善而发生的改变;提高评估的准确性,有利于对用户针对性治疗,提升治疗效果。
Description
技术领域
本发明属于医疗技术领域,尤其涉及一种基于虚拟现实的老年痴呆图像分析系统及分析方法。
背景技术
目前,业内常用的现有技术是这样的:
老年痴呆是一种起病隐匿的进行性发展的神经系统退行性疾病。临床上以记忆障碍、失语、失用、失认、视空间技能损害、执行功能障碍以及人格和行为改变等全面性痴呆表现为特征,病因迄今未明。65岁以前发病者,称早老性痴呆;65岁以后发病者称老年性痴呆。该病可能是一组异质性疾病,在多种因素(包括生物和社会心理因素)的作用下才发病。从目前研究来看,该病的可能因素和假说多达30余种,如家族史、女性、头部外伤、低教育水平、甲状腺病、母育龄过高或过低、病毒感染等。然而,现有对老年痴呆的测量通过医生诊断进行,由于人为因素测试不准确,不能更好的进行相应治疗;同时不能进行准确的评估,不利于后期治疗。
综上所述,现有技术存在的问题是:
现有对老年痴呆的测量通过医生诊断进行,由于人为因素测试不准确,不能更好的进行相应治疗;同时不能进行准确的评估,不利于后期治疗。
现有技术推导出的行为特征模型的拉氏抠图矩阵给出邻域像素的alpha值间的线性关系,被广泛的应用在抠图算法中;拉氏抠图矩阵有其局限性,拉氏抠图矩阵表示空间邻域内像素间的关系,但不能体现非邻域间像素间的关系;拉氏抠图矩阵建立在空间连续的假设基础上,在某些前景和背景分量突变的区域,拉氏抠图矩阵难以得到理想的效果。
测量数据往往具有突发性。先将数据存储然后进行处理,能很好的解决这个问题。但是这会花大量的时间用在数据的存储与提取上,信号处理的整体时间就会拉长。数据突发性与测量实时性就存在矛盾关系,这是信号处理电路存在的一个问题。测量精度传统上采用FPGA与DSP相结合的方式采集与处理数据,能够很好地解决数据处理的精度问题。但是数据在FPGA与DSP之间的流动会耗费大量的时间,且增加数据暴露在外界的机会,数据可靠性下降。所以测量精度与测量时间、数据可靠性之间存在矛盾。传统采用FPGA与DSP相结合的方式采集与处理数据,数据流动会耗费大量时间,数据可靠性下降,测量范围较小。
发明内容
针对现有技术存在的问题,本发明提供了一种基于虚拟现实的老年痴呆图像分析系统及分析方法。
本发明是这样实现的,一种基于虚拟现实的老年痴呆图像分析方法包括:
通过数据采集模块利用集成的多模态分子成像系统中的配准软件,将计算机断层成像重建得到的三维体素数据配准到图谱中,绘制并标记待检测部位外部轮廓线的边界线;基于三维体素数据和标记的边界线,构造边界节点富集函数:其中,j是体素节点;ψj(r)是定义的内边界节点富集函数;vj(r)是线性插值基函数;是符号距离函数,定义为节点到距离其最近闭合边界的距离:其中,sign(r)用来表示点r与边界Γ的从属关系:若点在区域内部则值为负,在区域外部则为正,在边界上则为零;是符号距离函数在体素节点j上的取值;以标记的边界线为分界面,将待检测部位分解为多个器官的合集,并将待检测部位光学特性参数赋给相应器官,构建基于体素的物理模型;对构建的基于体素的物理模型;建立基于lp范数的稀疏正则化目标函数:其中,Θ(S)是基于lp范数的稀疏正则化策略建立的目标函数,0<p<1,Sinf是待检测部位内靶标能量密度的下限,Ssup是待检测部位内靶标能量密度的上限,Jm是外部边界节点上的光通量测量值,通过非接触式光学断层成像方法中的待检测部位表面三维能量重建技术将获得的多角度荧光数据映射到获得的三维体素数据的外部边界而获取;λ是稀疏正则化参数;将计算机断层成像数据中靶向目标的检测结果作为先验的初步靶标定位结果,限定系统方程的可行域范围,可行域范围限定矩阵P为:其中,R是由计算机断层成像数据重建获得的可行域范围;
将建立可行域范围限定矩阵P带入到建立的稀疏正则化目标函数,最终建立基于lp稀疏正则化策略和融合结构先验信息的目标函数:对获得的靶向目标结果和获取的三维体素数据进行图像融合,将重建的靶向目标空间位置分布在待检测部位中进行三维显示;获得与用户相关的多个脑电图数据、多个心血管风险因素数据;
将采集的脑电图数据、心血管风险因素数据进行存储;
中央处理模块根据反馈采样频率信息采样频率状态量,产生相应频率的时钟,经过模数转换生成数字信号;对数字信号进行加Hanning窗处理,并将12 位的数字信号推高到14位,同时记录此时的采样频率产生相应的采样频率状态量;对数字信号进行实时的FFT变换,同时输出运算的状态信息,状态信息包含每次FFT转换的开始与结束信号,此开始与结束信息协调整个程序的运行,采样频率状态量要延时;接收频谱信息,根据FFT转换的开始与结束状态,连续产生每组频谱相应的功率谱;根据开始与结束信息,对每组功率谱进行运算,求得功率谱的中心序号峰值序号,将此信息传递;根据运算状态信息开始与结束信息与采样频率状态量,对每组功率谱中心序号峰值序号乘以相应的系数,得到多普勒频率;控制USB通信电路,将多普勒频率传递出去;通过LABVIEW 程序接收、校验、存储、显示多普勒信息;频率反馈函数根据得到的FFT转换的开始与结束信息,由反馈的功率谱中心序号决定下一组的数据采样频率,由提供的多普勒频率决定下一运算周期的采样频率,输出下一运算周期的采样频率状态量;将反馈采样频率信息采样频率状态量进行缓存,根据读取的开始与结束信息,当一次组数据开始采集时,释放反馈采样频率信息的采样频率状态量;
建立行为特征模型对老年痴呆症状图像进行测试;式中权值ω,ωi是邻域wk中的权值;
在应用磁场梯度的情况下,沿着选择性激发的内部体积的获取轴获取空间编码的MR回声,内部体积定位在用户大脑图像中的目标区域内;对用户的老年痴呆症状图像进行评估;并进行显示采集的数据信息。
进一步,建立行为特征模型对老年痴呆症状图像进行测试中,具体包括:
构造行为特征模型的抠图拉氏矩阵时,使用移动最小二乘法替代最小二乘法得到alpha图上的线性关系;
在灰度图像中,窗口wi的邻域内alpha值满足局部线性条件,使用移动最小二乘法求解行为特征模型的局部线性关系,表示如下:
公式权值ω,ωi是邻域wk中的权值;上式表示为以下矩阵的形式:
对于每个邻域wk,Gk定义为‖wk‖×2矩阵;Gk每行包括向量(Ii,1),Wk是每行向量对应的权值ωi组成的向量,Gk’为Gk的Wk加权,对应的每行向量表示为(Wk.Ii,Wk),是邻域内所有像素对应的alpha值组成的向量;
系数ak,bk解得如下所示:
令J(α)表示为下式:
δi,j是Kronecker delta函数,μk和σ2分别是小窗口wk内的基于Wk的加权均值和方差,‖wk‖是窗口内像素的个数,L为移动拉氏抠图矩阵;
引入权值ωi,应用至彩色模型;用下式表示彩色图像各通道间的线性关系:
c为彩色图像的通道数,分析各个通道信息后,式转化为下式:
对上式进行化简后,解得彩色模型下移动拉氏矩阵如下式所示:
J(α)=αLαT;
式中,I为小邻域内所有像素对应3*1颜色向量组成的矩阵,μk为I的Wk加权平均,Σk是I在Wk加权下的协方差矩阵。
进一步,中央处理模块通过集成的由两片运算放大器构成的降压偏置模块,对输入的多普勒模拟信号进行降压与偏执偏置,使信号电压满足AD转换芯片的输入范围1-3v;采用模拟电子学的乘法器与加法器电路;
通过与降压偏置模块连接,由一片数模转换芯片构成的AD采样模块,对经过降压后的模拟信号进行模数转换,得到相应的数字信号给FPGA处理;由电容电阻简单配置后,形成单端输入模式,输出12位的数字信号,最高采样频率为 65M,电压输入范围为1V-3V;
所述降压偏置模块采用模拟电子学的乘法器与加法器电路,包括:
电阻R1连接运算放大器U1的正极,电阻R2与电阻R1并联,与运算放大器U1的输出端连接,电阻R3连接放大器U1的负极,运算放大器U1的正极和负极之间并联有两个二极管,电阻R4与其中一个二极管串联;电阻R3连接运算放大器U2的输出端,电阻R5与电阻R3并联,并连接运算放大器U2的负极,运算放大器U2的的正极连接GND端;电阻R6与电阻R5并联;电阻R6与运算放大器U3的输出端和负极连接,运算放大器U3的正极加+2V电压;
运算放大器U1、运算放大器U2和运算放大器U3都加载+5V的双电源;电阻R1=2K,电阻R2=2K,电阻R3=18K,电阻R4=2K,电阻R5=10K,电阻R6=10K。
进一步,老年痴呆症状图像测试方法包括:
首先,建立行为特征模型;
其次,利用阵列镜头采集阵列图像组,对阵列图像组进行处理,得到重建图像;
接着,根据重建图像,提取人体外形轮廓;
然后,根据人体外形轮廓,提取行为特征;
最后,将提取出的行为特征输入所述行为特征模型,输出老年痴呆的测试结果;
老年痴呆症状图像评估方法包括:
首先,在应用磁场梯度的情况下,沿着选择性激发的内部体积的获取轴获取空间编码的MR回声,内部体积定位在用户大脑图像中的目标区域内;
其次,分析沿着所述选择性激发的内部体积中的获取轴的所述空间编码的 MR回声,以得到沿着所述内部体积的空间编码轴的感兴趣区域中的肌理波长的频谱;
接着,相比较来自相同或不同用户对应的感兴趣区域中肌理波长的已知频谱,表征和评估来自所述感兴趣区域的状况或疾病以及所述感兴趣区域中肌理波长的所述频谱;
然后,在包含非各向异性的重复结构并具有所述获取轴的感兴趣区域中,沿着所述用户的皮质中的弯曲来定位所述选择性激发的内部体积,所述获取轴被定向以在正交的任意侧的角度使所述结构交叉,因此在所述选择性激发的内部体积中沿着所述获取轴的不同的感兴趣区域相对于所述磁场梯度具有不同的角度;
最后,将所述来自沿着所述选择性激发的内部体积的不同的感兴趣区域的所述肌理波长进行对比;因而提供对柱状组织引起哪部分结构频谱的验证。
进一步,得到重建图像的方法包括:
首先,对所述阵列镜头进行标定,得到阵列镜头的内参数;该阵列镜头由若干镜头模组按照N*M阵列形式排列组合而成;
其次,利用所述阵列镜头撷取阵列图像组,利用相应镜头的内参数对阵列图像中的相应图像进行校正,得到校正后的阵列图像组;
接着,对校正后的阵列图像组,进行多视立体匹配;
然后,利用多视立体匹配的结果,通过双线性插值得到初始高分辨率图像;
最后,对初始高分辨率图像进行优化。
本发明的另一目的在于提供一种实现所述基于虚拟现实的老年痴呆图像分析方法的计算机程序。
本发明的另一目的在于提供一种实现所述基于虚拟现实的老年痴呆图像分析方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如所述的基于虚拟现实的老年痴呆图像分析方法。
本发明的另一目的在于提供一种基于虚拟现实的老年痴呆图像分析系统,包括:
数据采集模块,与中央处理模块连接,用于采集与用户相关的多个脑电图数据、多个心血管风险因素数据;
中央处理模块,与数据采集模块、数据存储模块、测试模块、评估模块、显示模块连接,用于控制各个模块正常工作;
数据存储模块,与中央处理模块连接,用于将采集的脑电图数据、心血管风险因素数据进行存储;
测试模块,与中央处理模块连接,用于对用户的老年痴呆症状图像进行测试;
评估模块,与中央处理模块连接,用于对用户的老年痴呆症状图像进行评估;
显示模块,与中央处理模块连接,用于显示采集的数据信息。
本发明的另一目的在于提供一种搭载有所述基于虚拟现实的老年痴呆图像分析系统的老年痴呆图像分析设备。
本发明的优点及积极效果为:
本发明通过测试模块采用阵列镜头获取阵列图像组,对阵列图像组进行处理,将得到的重建图像输入建立的行为特征模型,可评价老年痴呆的可能性;利用阵列镜头重叠的小光圈代替单个镜头的一个大光圈,可获得更多的图像信息,利用阵列图像的相互信息可重建出分辨率更高的图像,以此可提高老年痴呆的测试准确性;利用阵列镜头获取同一时间的阵列图像,对于动态场景,避免了帧间运动估计问题,提高测试准确性;同时通过评估模块便于其在大脑病理中的使用而对现有技术的磁共振细密肌理测量技术的改进可以单独或结合使用来评估/诊断和监控响应于一系列疾病和病理的大脑中任何区域的改变、与创伤的大脑损伤相关联的改变,以及处于大脑功能研究中的改变。在基本的基于 MR技术中的改进促进了监控随时间由于病理进展和症状增强而发生的改变或者由于治疗方法提供了症状的改善而发生的改变;提高评估的准确性,有利于对用户针对性治疗,提升治疗效果。
本发明建立行为特征模型,在有复杂的前景和前景区域,以及前景和背景复杂混合的区域,都能取得较好的效果。使用最小移动二乘法替代最小二乘法推导出移动拉氏矩阵;相对于最小二乘法,移动最小二乘法求解的线性条件更为准确;使用KNN邻域替代空间邻域,使得拉氏矩阵可以反映非邻域间像素的 alpha值的关系。本发明根据矩阵求解alpha图,从而可以对复杂背景下的图像进行前景抠图处理,相比以前的方法更为有效,可以求解出更为精确的alpha图,并在图中前背景复杂的区域,特别是在前景和背景颜色混合区域,以及局部会出现空洞的区域,变化较大的区域,都能取得良好的效果。
本发明取代传统上FPGA与DSP相结合的方式,完全通过FPGA实现数据采集和数据处理的功能,省去了数据在两个核心芯片之间的流动,能有效减少数据处理时间;减小数据暴露在外界的机会,增加数据的抗干扰能力。
本发明从采集到最终完成传输,数据即刻产生即刻处理,几乎没有任何的停顿,省去了大量储存数据的时间,最大限度的减少了信号处理时间,减小了数据处理延时,提高了实时性。
本发明由输出结果反馈来调整系统采样与处理的频率,已到达自适应不同频段信号的效果,兼顾了测量精度与测量范围。
本发明的图像获取方法由于直接在计算机断层成像重建的体素数据上进行光学三维重建,克服了现有技术中必须进行器官分割和网格离散才能完成靶向目标三维重建的问题,从根本上避免了繁琐的器官分割和网格离散,简化了光学三维成像的重建过程,实现了准确、高效、易用的光学三维成像。
能够对具有不规则解剖结构和多种散射特性组织的复杂生物体的靶向目标进行准确、快速成像。
克服了现有技术中直接进行定位和重建的不准确问题,有效的实现了靶标的准确定位与定量。
附图说明
图1是本发明实施例提供的基于虚拟现实的老年痴呆评估系统结构框图。
图2是本发明实施例提供的基于虚拟现实的老年痴呆图像分析方法流程图。
图中:1、数据采集模块;2、中央处理模块;3、数据存储模块;4、测试模块;5、评估模块;6、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
如图1所示,本发明提供的基于虚拟现实的老年痴呆评估系统包括:数据采集模块1、中央处理模块2、数据存储模块3、测试模块4、评估模块5、显示模块6。
数据采集模块1,与中央处理模块2连接,用于采集与用户相关的多个脑电图数据、多个心血管风险因素数据;
中央处理模块2,与数据采集模块1、数据存储模块3、测试模块4、评估模块5、显示模块6连接,用于控制各个模块正常工作;
数据存储模块3,与中央处理模块2连接,用于将采集的脑电图数据、心血管风险因素数据进行存储;
测试模块4,与中央处理模块2连接,用于对用户的老年痴呆症状图像进行测试;
评估模块5,与中央处理模块2连接,用于对用户的老年痴呆症状图像进行评估;
显示模块6,与中央处理模块2连接,用于显示采集的数据信息。
下面结合具体分析对本发明作进一步描述。
如图2所示,本发明实施例提供的基于虚拟现实的老年痴呆图像分析方法,包括:
S101:获取与用户相关的多个脑电图数据、多个心血管风险因素数据;
S102:将采集的脑电图数据、心血管风险因素数据进行存储;
S103:中央处理模块根据反馈采样频率信息采样频率状态量,产生相应频率的时钟,经过模数转换生成数字信号;对数字信号进行加Hanning窗处理,并将12位的数字信号推高到14位,同时记录此时的采样频率产生相应的采样频率状态量;对数字信号进行实时的FFT变换,同时输出运算的状态信息,状态信息包含每次FFT转换的开始与结束信号,此开始与结束信息协调整个程序的运行,采样频率状态量要延时;接收频谱信息,根据FFT转换的开始与结束状态,连续产生每组频谱相应的功率谱;根据开始与结束信息,对每组功率谱进行运算,求得功率谱的中心序号峰值序号,将此信息传递;根据运算状态信息开始与结束信息与采样频率状态量,对每组功率谱中心序号峰值序号乘以相应的系数,得到多普勒频率;控制USB通信电路,将多普勒频率传递出去;通过 LABVIEW程序接收、校验、存储、显示多普勒信息;频率反馈函数根据得到的 FFT转换的开始与结束信息,由反馈的功率谱中心序号决定下一组的数据采样频率,由提供的多普勒频率决定下一运算周期的采样频率,输出下一运算周期的采样频率状态量;将反馈采样频率信息采样频率状态量进行缓存,根据读取的开始与结束信息,当一次组数据开始采集时,释放反馈采样频率信息的采样频率状态量;采集与用户相关的多个脑电图数据、多个心血管风险因素数据;
S104:建立行为特征模型对老年痴呆症状图像进行测试;在应用磁场梯度的情况下,沿着选择性激发的内部体积的获取轴获取空间编码的MR回声,内部体积定位在用户大脑图像中的目标区域内;对用户的老年痴呆症状图像进行评估;并进行显示采集的数据信息。
步骤S101获取与用户相关的多个脑电图数据、多个心血管风险因素数据中,
通过数据采集模块利用集成的多模态分子成像系统中的配准软件,将计算机断层成像重建得到的三维体素数据配准到图谱中,绘制并标记待检测部位外部轮廓线的边界线;基于三维体素数据和标记的边界线,构造边界节点富集函数:其中,j是体素节点;ψj(r)是定义的内边界节点富集函数;vj(r)是线性插值基函数;是符号距离函数,定义为节点到距离其最近闭合边界的距离:其中,sign(r)用来表示点r与边界Γ的从属关系:若点在区域内部则值为负,在区域外部则为正,在边界上则为零;是符号距离函数在体素节点j上的取值;以标记的边界线为分界面,将待检测部位分解为多个器官的合集,并将待检测部位光学特性参数赋给相应器官,构建基于体素的物理模型;对构建的基于体素的物理模型;建立基于lp范数的稀疏正则化目标函数:其中,Θ(S)是基于lp范数的稀疏正则化策略建立的目标函数,0<p<1,Sinf是待检测部位内靶标能量密度的下限,Ssup是待检测部位内靶标能量密度的上限,Jm是外部边界节点上的光通量测量值,通过非接触式光学断层成像方法中的待检测部位表面三维能量重建技术将获得的多角度荧光数据映射到获得的三维体素数据的外部边界而获取;λ是稀疏正则化参数;将计算机断层成像数据中靶向目标的检测结果作为先验的初步靶标定位结果,限定系统方程的可行域范围,可行域范围限定矩阵P为:其中,R是由计算机断层成像数据重建获得的可行域范围;
将建立可行域范围限定矩阵P带入到建立的稀疏正则化目标函数,最终建立基于lp稀疏正则化策略和融合结构先验信息的目标函数:对获得的靶向目标结果和获取的三维体素数据进行图像融合,将重建的靶向目标空间位置分布在待检测部位中进行三维显示;获得与用户相关的多个脑电图数据、多个心血管风险因素数据。
步骤S104中,建立行为特征模型对老年痴呆症状图像进行测试中,具体包括:
构造行为特征模型的抠图拉氏矩阵时,使用移动最小二乘法替代最小二乘法得到alpha图上的线性关系;
在灰度图像中,窗口wi的邻域内alpha值满足局部线性条件,使用移动最小二乘法求解行为特征模型的局部线性关系,表示如下:
公式权值ω,ωi是邻域wk中的权值;上式表示为以下矩阵的形式:
对于每个邻域wk,Gk定义为‖wk‖×2矩阵;Gk每行包括向量(Ii,1),Wk是每行向量对应的权值ωi组成的向量,Gk’为Gk的Wk加权,对应的每行向量表示为 (Wk.Ii,Wk),是邻域内所有像素对应的alpha值组成的向量;
系数ak,bk解得如下所示:
令J(α)表示为下式:
δi,j是Kronecker delta函数,μk和σ2分别是小窗口wk内的基于Wk的加权均值和方差,‖wk‖是窗口内像素的个数,L为移动拉氏抠图矩阵;
引入权值ωi,应用至彩色模型;用下式表示彩色图像各通道间的线性关系:
c为彩色图像的通道数,分析各个通道信息后,式转化为下式:
对上式进行化简后,解得彩色模型下移动拉氏矩阵如下式所示:
J(α)=αLαT;
式中,I为小邻域内所有像素对应3*1颜色向量组成的矩阵,μk为I的Wk加权平均,Σk是I在Wk加权下的协方差矩阵。
中央处理模块通过集成的由两片运算放大器构成的降压偏置模块,对输入的多普勒模拟信号进行降压与偏执偏置,使信号电压满足AD转换芯片的输入范围1-3v;采用模拟电子学的乘法器与加法器电路;
通过与降压偏置模块连接,由一片数模转换芯片构成的AD采样模块,对经过降压后的模拟信号进行模数转换,得到相应的数字信号给FPGA处理;由电容电阻简单配置后,形成单端输入模式,输出12位的数字信号,最高采样频率为 65M,电压输入范围为1V-3V;
所述降压偏置模块采用模拟电子学的乘法器与加法器电路,包括:
电阻R1连接运算放大器U1的正极,电阻R2与电阻R1并联,与运算放大器U1的输出端连接,电阻R3连接放大器U1的负极,运算放大器U1的正极和负极之间并联有两个二极管,电阻R4与其中一个二极管串联;电阻R3连接运算放大器U2的输出端,电阻R5与电阻R3并联,并连接运算放大器U2的负极,运算放大器U2的的正极连接GND端;电阻R6与电阻R5并联;电阻R6与运算放大器U3的输出端和负极连接,运算放大器U3的正极加+2V电压;
运算放大器U1、运算放大器U2和运算放大器U3都加载+5V的双电源;电阻R1=2K,电阻R2=2K,电阻R3=18K,电阻R4=2K,电阻R5=10K,电阻R6=10K。
老年痴呆症状图像测试方法包括:
首先,建立行为特征模型;
其次,利用阵列镜头采集阵列图像组,对阵列图像组进行处理,得到重建图像;
接着,根据重建图像,提取人体外形轮廓;
然后,根据人体外形轮廓,提取行为特征;
最后,将提取出的行为特征输入所述行为特征模型,输出老年痴呆的测试结果;
老年痴呆症状图像评估方法包括:
首先,在应用磁场梯度的情况下,沿着选择性激发的内部体积的获取轴获取空间编码的MR回声,内部体积定位在用户大脑图像中的目标区域内;
其次,分析沿着所述选择性激发的内部体积中的获取轴的所述空间编码的 MR回声,以得到沿着所述内部体积的空间编码轴的感兴趣区域中的肌理波长的频谱;
接着,相比较来自相同或不同用户对应的感兴趣区域中肌理波长的已知频谱,表征和评估来自所述感兴趣区域的状况或疾病以及所述感兴趣区域中肌理波长的所述频谱;
然后,在包含非各向异性的重复结构并具有所述获取轴的感兴趣区域中,沿着所述用户的皮质中的弯曲来定位所述选择性激发的内部体积,所述获取轴被定向以在正交的任意侧的角度使所述结构交叉,因此在所述选择性激发的内部体积中沿着所述获取轴的不同的感兴趣区域相对于所述磁场梯度具有不同的角度;
最后,将所述来自沿着所述选择性激发的内部体积的不同的感兴趣区域的所述肌理波长进行对比;因而提供对柱状组织引起哪部分结构频谱的验证。
进一步,得到重建图像的方法包括:
首先,对所述阵列镜头进行标定,得到阵列镜头的内参数;该阵列镜头由若干镜头模组按照N*M阵列形式排列组合而成;
其次,利用所述阵列镜头撷取阵列图像组,利用相应镜头的内参数对阵列图像中的相应图像进行校正,得到校正后的阵列图像组;
接着,对校正后的阵列图像组,进行多视立体匹配;
然后,利用多视立体匹配的结果,通过双线性插值得到初始高分辨率图像;
最后,对初始高分辨率图像进行优化。
本发明通过数据采集模块1采集与用户相关的多个脑电图数据、多个心血管风险因素数据;中央处理模块2调度数据存储模块3将采集的脑电图数据、心血管风险因素数据进行存储;通过测试模块4对用户的老年痴呆症状图像进行测试;接着,通过评估模块5对用户的老年痴呆症状图像进行评估;最后,通过显示模块6显示采集的数据信息。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (10)
1.一种基于虚拟现实的老年痴呆图像分析方法,其特征在于,所述基于虚拟现实的老年痴呆图像分析方法包括:
通过数据采集模块利用集成的多模态分子成像系统中的配准软件,将计算机断层成像重建得到的三维体素数据配准到图谱中,绘制并标记待检测部位外部轮廓线的边界线;基于三维体素数据和标记的边界线,构造边界节点富集函数:其中,j是体素节点;ψj(r)是定义的内边界节点富集函数;vj(r)是线性插值基函数;是符号距离函数,定义为节点到距离其最近闭合边界的距离:其中,sign(r)用来表示点r与边界Γ的从属关系:若点在区域内部则值为负,在区域外部则为正,在边界上则为零;是符号距离函数在体素节点j上的取值;以标记的边界线为分界面,将待检测部位分解为多个器官的合集,并将待检测部位光学特性参数赋给相应器官,构建基于体素的物理模型;对构建的基于体素的物理模型;建立基于lp范数的稀疏正则化目标函数:其中,Θ(S)是基于lp范数的稀疏正则化策略建立的目标函数,0<p<1,Sinf是待检测部位内靶标能量密度的下限,Ssup是待检测部位内靶标能量密度的上限,Jm是外部边界节点上的光通量测量值,通过非接触式光学断层成像方法中的待检测部位表面三维能量重建技术将获得的多角度荧光数据映射到获得的三维体素数据的外部边界而获取;λ是稀疏正则化参数;将计算机断层成像数据中靶向目标的检测结果作为先验的初步靶标定位结果,限定系统方程的可行域范围,可行域范围限定矩阵P为:其中,R是由计算机断层成像数据重建获得的可行域范围;将建立可行域范围限定矩阵P带入到建立的稀疏正则化目标函数,最终建立基于lp稀疏正则化策略和融合结构先验信息的目标函数:对获得的靶向目标结果和获取的三维体素数据进行图像融合,将重建的靶向目标空间位置分布在待检测部位中进行三维显示;获得与用户相关的多个脑电图数据、多个心血管风险因素数据;
将采集的脑电图数据、心血管风险因素数据进行存储;
中央处理模块根据反馈采样频率信息采样频率状态量,产生相应频率的时钟,经过模数转换生成数字信号;对数字信号进行加Hanning窗处理,并将12位的数字信号推高到14位,同时记录此时的采样频率产生相应的采样频率状态量;对数字信号进行实时的FFT变换,同时输出运算的状态信息,状态信息包含每次FFT转换的开始与结束信号,此开始与结束信息协调整个程序的运行,采样频率状态量要延时;接收频谱信息,根据FFT转换的开始与结束状态,连续产生每组频谱相应的功率谱;根据开始与结束信息,对每组功率谱进行运算,求得功率谱的中心序号峰值序号,将此信息传递;根据运算状态信息开始与结束信息与采样频率状态量,对每组功率谱中心序号峰值序号乘以相应的系数,得到多普勒频率;控制USB通信电路,将多普勒频率传递出去;通过LABVIEW程序接收、校验、存储、显示多普勒信息;频率反馈函数根据得到的FFT转换的开始与结束信息,由反馈的功率谱中心序号决定下一组的数据采样频率,由提供的多普勒频率决定下一运算周期的采样频率,输出下一运算周期的采样频率状态量;将反馈采样频率信息采样频率状态量进行缓存,根据读取的开始与结束信息,当一次组数据开始采集时,释放反馈采样频率信息的采样频率状态量;
建立行为特征模型对老年痴呆症状图像进行测试;式中权值ω,ωi是邻域wk中的权值;
在应用磁场梯度的情况下,沿着选择性激发的内部体积的获取轴获取空间编码的MR回声,内部体积定位在用户大脑图像中的目标区域内;对用户的老年痴呆症状图像进行评估;并进行显示采集的数据信息。
2.如权利要求1所述基于虚拟现实的老年痴呆图像分析方法,其特征在于,
建立行为特征模型对老年痴呆症状图像进行测试中,具体包括:
构造行为特征模型的抠图拉氏矩阵时,使用移动最小二乘法替代最小二乘法得到alpha图上的线性关系;
在灰度图像中,窗口wi的邻域内alpha值满足局部线性条件,使用移动最小二乘法求解行为特征模型的局部线性关系,表示如下:
公式权值ω,ωi是邻域wk中的权值;上式表示为以下矩阵的形式:
对于每个邻域wk,Gk定义为‖wk‖×2矩阵;Gk每行包括向量(Ii,1),Wk是每行向量对应的权值ωi组成的向量,Gk’为Gk的Wk加权,对应的每行向量表示为(Wk.Ii,Wk),是邻域内所有像素对应的alpha值组成的向量;
系数ak,bk解得如下所示:
令J(α)表示为下式:
δi,j是Kronecker delta函数,μk和σ2分别是小窗口wk内的基于Wk的加权均值和方差,‖wk‖是窗口内像素的个数,L为移动拉氏抠图矩阵;
引入权值ωi,应用至彩色模型;用下式表示彩色图像各通道间的线性关系:
c为彩色图像的通道数,分析各个通道信息后,式转化为下式:
对上式进行化简后,解得彩色模型下移动拉氏矩阵如下式所示:
J(α)=αLαT;
式中,I为小邻域内所有像素对应3*1颜色向量组成的矩阵,μk为I的Wk加权平均,Σk是I在Wk加权下的协方差矩阵。
3.如权利要求1所述基于虚拟现实的老年痴呆图像分析方法,其特征在于,中央处理模块通过集成的由两片运算放大器构成的降压偏置模块,对输入的多普勒模拟信号进行降压与偏执偏置,使信号电压满足AD转换芯片的输入范围1-3v;采用模拟电子学的乘法器与加法器电路;
通过与降压偏置模块连接,由一片数模转换芯片构成的AD采样模块,对经过降压后的模拟信号进行模数转换,得到相应的数字信号给FPGA处理;由电容电阻简单配置后,形成单端输入模式,输出12位的数字信号,最高采样频率为65M,电压输入范围为1V-3V;
所述降压偏置模块采用模拟电子学的乘法器与加法器电路,包括:
电阻R1连接运算放大器U1的正极,电阻R2与电阻R1并联,与运算放大器U1的输出端连接,电阻R3连接放大器U1的负极,运算放大器U1的正极和负极之间并联有两个二极管,电阻R4与其中一个二极管串联;电阻R3连接运算放大器U2的输出端,电阻R5与电阻R3并联,并连接运算放大器U2的负极,运算放大器U2的的正极连接GND端;电阻R6与电阻R5并联;电阻R6与运算放大器U3的输出端和负极连接,运算放大器U3的正极加+2V电压;
运算放大器U1、运算放大器U2和运算放大器U3都加载+5V的双电源;电阻R1=2K,电阻R2=2K,电阻R3=18K,电阻R4=2K,电阻R5=10K,电阻R6=10K。
4.如权利要求1所述基于虚拟现实的老年痴呆图像分析方法,其特征在于,老年痴呆症状图像测试方法具体包括:
首先,建立行为特征模型;
其次,利用阵列镜头采集阵列图像组,对阵列图像组进行处理,得到重建图像;
接着,根据重建图像,提取人体外形轮廓;
然后,根据人体外形轮廓,提取行为特征;
最后,将提取出的行为特征输入所述行为特征模型,输出老年痴呆的测试结果;
老年痴呆症状图像评估方法包括:
首先,在应用磁场梯度的情况下,沿着选择性激发的内部体积的获取轴获取空间编码的MR回声,内部体积定位在用户大脑图像中的目标区域内;
其次,分析沿着所述选择性激发的内部体积中的获取轴的所述空间编码的MR回声,以得到沿着所述内部体积的空间编码轴的感兴趣区域中的肌理波长的频谱;
接着,相比较来自相同或不同用户对应的感兴趣区域中肌理波长的已知频谱,表征和评估来自所述感兴趣区域的状况或疾病以及所述感兴趣区域中肌理波长的所述频谱;
然后,在包含非各向异性的重复结构并具有所述获取轴的感兴趣区域中,沿着所述用户的皮质中的弯曲来定位所述选择性激发的内部体积,所述获取轴被定向以在正交的任意侧的角度使所述结构交叉,因此在所述选择性激发的内部体积中沿着所述获取轴的不同的感兴趣区域相对于所述磁场梯度具有不同的角度;
最后,将所述来自沿着所述选择性激发的内部体积的不同的感兴趣区域的所述肌理波长进行对比;因而提供对柱状组织引起哪部分结构频谱的验证。
5.如权利要求4所述基于虚拟现实的老年痴呆图像分析方法,其特征在于,得到重建图像的方法包括:
首先,对所述阵列镜头进行标定,得到阵列镜头的内参数;该阵列镜头由若干镜头模组按照N*M阵列形式排列组合而成;
其次,利用所述阵列镜头撷取阵列图像组,利用相应镜头的内参数对阵列图像中的相应图像进行校正,得到校正后的阵列图像组;
接着,对校正后的阵列图像组,进行多视立体匹配;
然后,利用多视立体匹配的结果,通过双线性插值得到初始高分辨率图像;
最后,对初始高分辨率图像进行优化。
6.一种实现权利要求1~5任意一项所述基于虚拟现实的老年痴呆图像分析方法的计算机程序。
7.一种实现权利要求1~5任意一项所述基于虚拟现实的老年痴呆图像分析方法的信息数据处理终端。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的基于虚拟现实的老年痴呆图像分析方法。
9.一种基于虚拟现实的老年痴呆图像分析系统,其特征在于,所述基于虚拟现实的老年痴呆图像分析系统包括:
数据采集模块,与中央处理模块连接,用于采集与用户相关的多个脑电图数据、多个心血管风险因素数据;
中央处理模块,与数据采集模块、数据存储模块、测试模块、评估模块、显示模块连接,用于控制各个模块正常工作;
数据存储模块,与中央处理模块连接,用于将采集的脑电图数据、心血管风险因素数据进行存储;
测试模块,与中央处理模块连接,用于对用户的老年痴呆症状图像进行测试;
评估模块,与中央处理模块连接,用于对用户的老年痴呆症状图像进行评估;
显示模块,与中央处理模块连接,用于显示采集的数据信息。
10.一种搭载有权利要求9所述基于虚拟现实的老年痴呆图像分析系统的老年痴呆图像分析设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810580518.5A CN109118526B (zh) | 2018-06-07 | 2018-06-07 | 一种基于虚拟现实的老年痴呆图像分析系统及分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810580518.5A CN109118526B (zh) | 2018-06-07 | 2018-06-07 | 一种基于虚拟现实的老年痴呆图像分析系统及分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109118526A true CN109118526A (zh) | 2019-01-01 |
CN109118526B CN109118526B (zh) | 2023-07-14 |
Family
ID=64822713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810580518.5A Active CN109118526B (zh) | 2018-06-07 | 2018-06-07 | 一种基于虚拟现实的老年痴呆图像分析系统及分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109118526B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270650A (zh) * | 2020-10-12 | 2021-01-26 | 西南大学 | 基于稀疏自编码器的图像处理方法、系统、介质、设备 |
CN116402906A (zh) * | 2023-06-08 | 2023-07-07 | 四川省医学科学院·四川省人民医院 | 一种基于肾脏回声的信号等级编码方法和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1426871A1 (en) * | 2002-11-27 | 2004-06-09 | Communications Research Laboratory, Independent Administrative Institution | Method and apparatus for analyzing brain functions |
CN102930286A (zh) * | 2012-09-18 | 2013-02-13 | 重庆大学 | 老年痴呆症图像早期诊断系统 |
-
2018
- 2018-06-07 CN CN201810580518.5A patent/CN109118526B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1426871A1 (en) * | 2002-11-27 | 2004-06-09 | Communications Research Laboratory, Independent Administrative Institution | Method and apparatus for analyzing brain functions |
CN102930286A (zh) * | 2012-09-18 | 2013-02-13 | 重庆大学 | 老年痴呆症图像早期诊断系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270650A (zh) * | 2020-10-12 | 2021-01-26 | 西南大学 | 基于稀疏自编码器的图像处理方法、系统、介质、设备 |
CN116402906A (zh) * | 2023-06-08 | 2023-07-07 | 四川省医学科学院·四川省人民医院 | 一种基于肾脏回声的信号等级编码方法和系统 |
CN116402906B (zh) * | 2023-06-08 | 2023-08-11 | 四川省医学科学院·四川省人民医院 | 一种基于肾脏回声的信号等级编码方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109118526B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9858665B2 (en) | Medical imaging device rendering predictive prostate cancer visualizations using quantitative multiparametric MRI models | |
Chun et al. | MRI super‐resolution reconstruction for MRI‐guided adaptive radiotherapy using cascaded deep learning: In the presence of limited training data and unknown translation model | |
CN106709967B (zh) | 一种内窥成像算法及控制系统 | |
Gan et al. | Extracting three-dimensional orientation and tractography of myofibers using optical coherence tomography | |
KR20160058812A (ko) | 질환을 진단하기 위한 영상 분석 기법 | |
Zhang et al. | Can signal-to-noise ratio perform as a baseline indicator for medical image quality assessment | |
Alessandrini et al. | Simulation of realistic echocardiographic sequences for ground-truth validation of motion estimation | |
CN107468250B (zh) | 基于多尺度熵的生物组织太赫兹成像方法、系统和设备 | |
CN103957784A (zh) | 对脑功能磁共振数据进行处理的方法 | |
Kouame et al. | Super-resolution in medical imaging: An illustrative approach through ultrasound | |
Pham et al. | Joint blind deconvolution and robust principal component analysis for blood flow estimation in medical ultrasound imaging | |
CN110163877A (zh) | 一种mri心室结构分割的方法与系统 | |
CN109118526A (zh) | 一种基于虚拟现实的老年痴呆图像分析系统及分析方法 | |
US11950877B2 (en) | System and method for fully automatic LV segmentation of myocardial first-pass perfusion images | |
CN116230239A (zh) | 用于磁共振弥散加权成像的多参数后处理模型的构建方法 | |
CN109646044B (zh) | 一种心音信号质量评价方法及装置 | |
CN109741439A (zh) | 一种二维mri胎儿图像的三维重建方法 | |
CN111445553B (zh) | 基于深度学习的体素内不相干运动成像加速方法及装置 | |
CN109087284A (zh) | 一种心血管插管影像辅助检测装置及检测方法 | |
Behnami et al. | Automatic cine-based detection of patients at high risk of heart failure with reduced ejection fraction in echocardiograms | |
EP3710848B1 (en) | Methods for estimating mechanical properties from magnetic resonance elastography data using artificial neural networks | |
Chen et al. | Preserving-texture generative adversarial networks for fast multi-weighted MRI | |
CN114419375A (zh) | 图像分类方法、训练方法、装置、电子设备以及存储介质 | |
TWI477798B (zh) | 自動化分析大腦纖維資訊的方法 | |
Bandyopadhyay | Image enhancement technique applied to low-field MR brain 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |