CN109567872B - 基于机器学习的血管导波弹性成像方法及系统 - Google Patents

基于机器学习的血管导波弹性成像方法及系统 Download PDF

Info

Publication number
CN109567872B
CN109567872B CN201811305937.4A CN201811305937A CN109567872B CN 109567872 B CN109567872 B CN 109567872B CN 201811305937 A CN201811305937 A CN 201811305937A CN 109567872 B CN109567872 B CN 109567872B
Authority
CN
China
Prior art keywords
neural network
finite element
blood vessel
guided wave
obtaining
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.)
Active
Application number
CN201811305937.4A
Other languages
English (en)
Other versions
CN109567872A (zh
Inventor
曹艳平
郑阳
李国洋
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN201811305937.4A priority Critical patent/CN109567872B/zh
Publication of CN109567872A publication Critical patent/CN109567872A/zh
Application granted granted Critical
Publication of CN109567872B publication Critical patent/CN109567872B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
    • 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
    • A61B8/485—Diagnostic techniques involving measuring strain or elastic properties
    • 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
    • A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
    • 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
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Vascular Medicine (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种基于机器学习的血管导波弹性成像方法及系统，其中，该方法包括：通过有限元软件对血管的薄层体系中剪切波的传播进行数值模拟，并获取有限元分析结果；根据有限元分析结果得到全场节点的运动速度分布，并提取薄层中线上节点的运动速度，获取频散曲线以作为神经网络的输入信号；根据频散曲线得到神经网络的训练集和测试集，并采用神经网络方法进行训练，直至训练集上的误差小于预设值，以最终神经网络得到血管导波弹性成像图像。该方法可以提高血管力学性质的测量精度，具有良好的拓展性，实现血管弹性性质的在体无创快速测量，操作简单便，且测量误差小。

Description

基于机器学习的血管导波弹性成像方法及系统
技术领域
本发明涉及医学成像技术领域，特别涉及一种基于机器学习的血管导波弹性成像方法及系统。
背景技术
心血管系统疾病在许多国家与地区都是人类健康的头号杀手，心血管系统疾病，如动脉硬化、血管斑块等都会伴随着血管力学性质的显著变化。此外，已有一些研究证实了糖尿病会导致血管力学性质的变化。因此，在体测量血管的力学性质对许多疾病的早期筛查与诊断有非常重要的意义。相关技术中，临床一般通过测定脉搏波波速(Pulse WaveVelocity，简称PWV)来评估血管的力学性质。但该方法只能大致计算一段比较长的血管的平均力学性质，测量结果比较粗略，难以反映血管局部属性。其它表征血管力学性质的方法，如血管内超声(Intravascular Ultrasound，简称IU)等，往往难以同时达到无创、准确、快速的要求。
在相关技术中，如图1所示，(a)脉搏波波速概念，(b)临床中常用的两种脉搏波波速的种类：肱-踝关节脉搏波波速；手指-脚趾脉搏波波速。临床中常用PWV来对血管的力学性质进行表征。心脏的搏动会产生沿着血管传播的脉搏波，通过测量人体血管上两点的距离及脉搏波到达的时间差，即可算得脉搏波的波速。对于同一个个体来说，其血管越硬，脉搏波的波速越高。
脉搏波波速具有测量方便、成本低的特点。但是，采用脉搏波波速存在诸多问题，具体体现在如下几个方面：脉搏波波速反映的是测量两点之间的血管的平均软硬，对于血管的局部病变不敏感；脉搏波所测两点之间的距离较长，对两点之间血管的真实长度的估计往往不准。上述问题会对脉搏波波速测量结果带来很大的误差。脉搏波波速实际上会受到血管周围组织等因素的影响，而尚未有方法能够消除这些影响。
相关技术中，还有其它血管力学性质表征方法，例如，如图2所示，应变弹性成像(Strain Elastography，简称SE)方法，在一个心脏跳动周期内，血压会在一定范围内波动，导致血管的半径发生变化。体外超声、介入式超声和磁共振成像(Magnetic ResonanceImaging，简称MRI)可以对血管的半径变化进行测量，从而反映血管的软硬。但是该方法存在一定局限性，由于血压的波动引起的血管变形相对较小，因此对其位移估计不准，MRI费用比较昂贵并且成像时间较长。
再如，如图3所示，导波弹性成像(Guided Wave Elastography，简称GWE)方法，血管属于薄壁体系，剪切波在薄壁结构中传播时伴有强烈的频散行为，简谐剪切波的相速度与波的频率和薄板尺寸均有关系，该关系可由导波相关理论给出。在剪切波弹性成像(Shear Wave Elastography，简称SWE)的基础上，通过引入导波的分析方法，即可对薄壁结构的局部力学性质进行表征。该方法具有无损、快速(整个测量仅需数秒)的特点，能够较准确地反映薄壁结构的局部性质，在血管的无创局部检测中具有良好的应用前景。但是，该方法的应用前提是对薄板的厚度有足够好的估计，否则测量结果会受到影响，且扩展性不够好，在更复杂的情况下无法给出解析的结果。文献中一般使用B超成像对血管的厚度进行测量。由于B超的波长在量级上与血管的厚度相当，实际用B超测量血管厚度时往往误差较大，从而限制了该方法的进一步应用。
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机器学习的血管导波弹性成像方法，该方法可以提高血管力学性质的测量精度，具有良好的拓展性，实现血管弹性性质的在体无创快速测量，操作简单便，且测量误差小。
本发明的另一个目的在于提出一种基于机器学习的血管导波弹性成像系统。
为达到上述目的，本发明一方面实施例提出了一种基于机器学习的血管导波弹性成像方法，包括：通过有限元软件对血管的薄层体系中剪切波的传播进行数值模拟，并获取有限元分析结果；根据所述有限元分析结果得到全场节点的运动速度分布，并提取薄层中线上节点的运动速度，获取频散曲线以作为神经网络的输入信号；根据所述频散曲线得到所述神经网络的训练集和测试集，并采用神经网络方法进行训练，直至所述训练集上的误差小于预设值，以最终神经网络得到血管导波弹性成像图像。
本发明实施例的基于机器学习的血管导波弹性成像方法，通过对剪切波的处理，可以提高血管力学性质的测量精度，具有良好的可拓展性，而并且可以考虑周围介质、血管几何等因素对结果的影响，能够实现血管弹性性质的在体无创快速测量，无需对血管的厚度进行测量，操作简便，且测量误差小，有利于临床应用的推广。
另外，根据本发明上述实施例的基于机器学习的血管导波弹性成像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，所述通过有限元软件对血管的薄层体系中剪切波的传播进行数值模拟，进一步包括：根据模拟目标调整所述有限元模型的几何尺寸和材料，以得到所述有限元分析结果。
进一步地，在本发明的一个实施例中，所述提取薄层中线上节点的运动速度，其特征在于，通过有限元算例获取所述薄层体系中线上节点的运动速度分布。
进一步地，在本发明的一个实施例中，所述获取频散曲线以作为神经网络的输入信号，进一步包括：获取不同的所述神经网络的输入信号下采样范围，对所述下采样信号添加随机噪声，再进行数据集增强处理，使得所述有限元算例生成多条不同的频散曲线。
进一步地，在本发明的一个实施例中，所述神经网络为双隐层的全连接人工神经网络，且所述双隐层的全连接人工神经网络包括支持向量机、决策树和随机森林。
为达到上述目的，本发明另一方面实施例提出了一种基于机器学习的血管导波弹性成像系统，包括：第一获取模块，用于通过有限元软件对血管的薄层体系中剪切波的传播进行数值模拟，并获取有限元分析结果；第二获取模块，用于本根据所述有限元分析结果得到全场节点的运动速度分布，并提取薄层中线上节点的运动速度，获取频散曲线以作为神经网络的输入信号；成像模块，用于根据所述频散曲线得到所述神经网络的训练集和测试集，并采用神经网络方法进行训练，直至所述训练集上的误差小于预设值，以最终神经网络得到血管导波弹性成像图像。
本发明实施例的基于机器学习的血管导波弹性成像系统，通过对剪切波的处理，可以提高血管力学性质的测量精度，具有良好的可拓展性，而并且可以考虑周围介质、血管几何等因素对结果的影响，能够实现血管弹性性质的在体无创快速测量，无需对血管的厚度进行测量，操作简便，且测量误差小，有利于临床应用的推广。
另外，根据本发明上述实施例的基于机器学习的血管导波弹性成像系统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，所述第一获取模块进一步用于，根据模拟目标调整所述有限元模型的几何尺寸和材料，以得到所述有限元分析结果。
进一步地，在本发明的一个实施例中，所述第二获取模块进一步用于，通过有限元算例获取所述薄层体系中线上节点的运动速度分布。
进一步地，在本发明的一个实施例中，所述获取频散曲线以作为神经网络的输入信号，进一步包括：获取不同的所述神经网络的输入信号下采样范围，对所述下采样信号添加随机噪声，再进行数据集增强处理，使得所述有限元算例生成多条不同的频散曲线。
进一步地，在本发明的一个实施例中，所述神经网络为双隐层的全连接人工神经网络，且所述双隐层的全连接人工神经网络包括支持向量机、决策树和随机森林。
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为脉搏波表征血管弹性性质图；
图2为血管内应变弹性成像图；
图3为根据本发明一个实施例的血管中剪切波的传播图；
图4为根据本发明一个实施例的剪切波弹性成像技术概念图；
图5为根据本发明一个实施例的基于机器学习的血管导波弹性成像方法流程图；
图6为根据本发明一个实施例的血管超声弹性成像仿真图；
图7为根据本发明一个实施例的有限元训练数据的生成流程图；
图8为根据本发明一个实施例的有限元验证集上的误差随训练过程的变化图；
图9为根据本发明一个实施例的基于机器学习的血管导波弹性成像系统结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述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于机器学习的血管导波弹性成像方法及系统，首先将参照附图描述根据本发明实施例提出的于机器学习的血管导波弹性成像方法。
剪切波弹性成像技术受到医学领域的广泛关注，该技术通过分析剪切波在组织内的传播，可以对人体组织的力学性质进行在体测量。如图4所示，主要流程可以分为以下四个步骤：
(1)通过超声探头聚焦超声声束，在软材料内部激发出剪切波；
(2)利用超声探头的B超模式对剪切波的传播进行检测；
(3)利用相关算法，计算剪切波传播过程中的质点速度；
(4)分析剪切波传播特性(如波速、頻散效应等)，结合力学原理。对组织性质进行定量表征。
剪切波弹性成像方法具有快速、无创的特点，在人体诸浅表器官的力学性质表征中具有良好的应用前景。在相关文献中对该方法在肝脏、乳腺、血管等方面的应用进行了一系列探讨。但是该方法仍存在一些问题，本发明实施例对其进行优化，下面将进行详细描述。
图5为根据本发明一个实施例的基于机器学习的血管导波弹性成像方法流程图；
如图5所示，该基于机器学习的血管导波弹性成像方法包括以下步骤：
在步骤S101中，通过有限元软件对血管的薄层体系中剪切波的传播进行数值模拟，并获取有限元分析结果。
进一步地，在本发明的一个实施例中，可以根据模拟目标调整限元模型的几何尺寸和材料，以得到有限元分析结果。
为保证模拟结果与实验足够接近，需要保证载荷分布、加载时间、采样频率逼近实际实验。可以通过改变有限元模型的几何尺寸及材料等参数得到一系列有限元分析结果。
在本发明的具体实施例中，如图6所示，(a)由流体-薄板-基底构成的血管简化模型示意图；(b)有限元仿真中的网格分布，其中，红色线标识了质点速度的采样区域；(c)采样域内仿真得到的速度时空图。用一个由内部流体—血管壁—周围组织的三层体系对血管弹性成像的整个过程进行模拟。考虑到血管的几何参数与力学参数范围，取膜厚度HW变化范围为0.5mm～2mm，抽样间隔0.1mm，血管杨氏模量EL的变化范围为50KPa～300KPa，抽样间隔5KPa。考虑到基底的模量EB是可以通过超声弹性成像方法进行估计的，因此不将其作为需要计算机识别的参数，其变化范围定为10KPa～30KPa，间隔5KPa，一共计算了16×51×5＝4080个有限元算例。
在步骤S102中，根据有限元分析结果得到全场节点的运动速度分布，并提取薄层中线上节点的运动速度，获取频散曲线以作为神经网络的输入信号。
具体地，可以通过有限元算例获取薄层体系中线上节点的运动速度分布。提取薄层中线上节点的运动速度，并对该信息进行一定处理，得到用于神经网络输入的信号，为扩充有效数据的量，同时降低人工神经网络对噪声的敏感程度，需要人工进行一些数据集增强操作。
在本发明的具体实施例中，如图7所示，①有限元给出的原始速度场；②对速度场进行下采样；③对下采样数据添加一定比例的白噪声；④速度场的2D-FFT变换幅值；⑤频散曲线及其等距采样；⑥人工神经网络的输入。数据提取及增强的流程提取施加激励一侧的一条线上的所有节点的运动速度，得到线上的质点速度时空图。按照实际实验的技术指标，对速度时空图进行下采样(采样帧频10000Hz，空间分辨率0.25mm)，对下采样后的速度时空图进行数据集增强处理，通过二维Fourier变换并提取每个频率下的最强信号，得到一条频散曲线。
其中，数据集增强处理的具体方式包括：选取不同的信号下采样范围(下采样的起点在小范围内变化)，对下采样的信号添加一定比例的随机噪声(控制信噪比分别为25dB、20dB)。
在进行数据集增强处理流程后，每个有限元算例产生27条相互之间有一定差别的频散曲线。
在步骤S103中，根据频散曲线得到神经网络的训练集和测试集，并采用神经网络方法进行训练，直至训练集上的误差小于预设值，以最终神经网络得到血管导波弹性成像图像。
其中，神经网络为双隐层的全连接人工神经网络，且双隐层的全连接人工神经网络包括支持向量机(SVM)、决策树(DT)和随机森林(RF)等。
在本发明的具体实施例中，将步骤S102产生的頻散曲线划分成训练集和测试集两部分，采用神经网络训练方法对训练集进行训练直至训练集上的误差足够低，小于设定的预设值以满足应用需求。
具体地，对于每个EB下的16×51＝816个算例，通过数据增强后，共得到22,032条频散曲线。将得到的频散曲线与对应的EL和HL绑定，对所有的频散曲线进行随机编号，取0～20,000号算例作为训练集；20001～22032号算例作为测试集。考虑到问题本身的复杂度，采用一个双隐层的全连接人工神经网络对训练集进行训练。该网络以经过下采样的频散曲线作为输入，以EL和HL的预测值作为输出，在训练集上进行迭代以最小化EL与HL的预测值与标签之间的相对误差。如图8所示，(a)神经网络对薄层厚度识别的相对误差；(b)神经网络对薄层模量识别的相对误差。在训练集上迭代约2,000次后，训练集上的相对误差趋于稳定，测试集上的平均相对误差约为3％，满足应用的需求。
需要说明的是，由于整个模型的数据集是基于数值模拟的数据得到的，而数值模拟本身与实际实验本身存在一定的偏差，因此，在将训练得到的模型用于实际情况时，必须用真实实验对模型进行验证。
在本发明的具体实施例中，用不同质量分数的明胶来模拟薄壁材料和基底材料，其中，明胶的弹性模量随其质量分数的升高而增大。基底材料统一使用质量分数5％的明胶，薄膜材料使用质量分数12％和15％的两种明胶。硬件平台为Verasonics弹性成像系统，其中，中心频率6.87MHz的超声探头发射持续170μs的聚焦长脉冲，在薄膜的中层激励出剪切波，超声探头随即切换成B超模式，以10,000帧/秒的帧频对探头所在的平面进行超快成像，再将实验中获取的速度时空图按照与数值模拟算例完全相同的数据提取方式提取频散曲线，然后将频散曲线输入训练好的神经网络，得到EL和HL的计算结果。
进一步地，使用光学显微镜对薄膜的真实厚度HL进行测量，使用超声弹性成像方法对相应质量分数的明胶材料的材料参数EL进行测量。表1为明胶仿体实验结果，其中，两种方法的测量结果对比如表1所示。通过表1可以发现基于机器学习的方法对材料的真实厚度和材料参数都有较好的估计。
表1
Figure BDA0001853611770000071
需要说明的是，本发明实施例是使用机器学习的方法来对有限元产生的数据集合进行拟合，在本发明实施例中，采用的是含双隐层的人工神经网络对数据集进行拟合，也可以使用其他的机器学习方法进行拟合，例如，支持向量机(SVM)、决策树(DT)和随机森林(RF)等机器学习方法也都可以获得良好的拟合模型。机器学习方法对数据处理的适应性非常强，结合数值模拟提供的大量数据集，可以有效地拓展超声弹性成像的适用范围，例如血管局部几何复杂几何形状、血管力学性质的非均匀性等。
本发明实施例的弹性成像应用在人体不同部位，能反映材料属性的数据也不完全相同。在本发明的实施例中，提取薄膜中层的频散曲线作为供给机器学习进行分析的原始数据，但在人体的其它部位，超声弹性成像给出的剪切波波速、剪切波幅值的衰减程度、波在遇到界面的透射/反射系数、B超图像给出的变形场信息等，也可以作为供给机器学习方法的输入参数。
根据本发明实施例提出的基于机器学习的血管导波弹性成像方法，通过对剪切波的处理，可以提高血管力学性质的测量精度，具有良好的可拓展性，而并且可以考虑周围介质、血管几何等因素对结果的影响，能够实现血管弹性性质的在体无创快速测量，无需对血管的厚度进行测量，操作简便，且测量误差小，有利于临床应用的推广。
其次参照附图描述根据本发明实施例提出的基于机器学习的血管导波弹性成像系统。
图9为根据本发明一个实施例的基于机器学习的血管导波弹性成像系统结构示意图。
如图9所示，该基于机器学习的血管导波弹性成像系统10包括：第一获取模块100、第二获取模块200和成像模块300。
其中，第一成像模块100用于通过有限元软件对血管的薄层体系中剪切波的传播进行数值模拟，并获取有限元分析结果。第二获取模块200用于本根据有限元分析结果得到全场节点的运动速度分布，并提取薄层中线上节点的运动速度，获取频散曲线以作为神经网络的输入信号。成像模块300用于根据频散曲线得到神经网络的训练集和测试集，并采用神经网络方法进行训练，直至训练集上的误差小于预设值，以最终神经网络得到血管导波弹性成像图像。该血管导波弹性成像系统10可以提高血管力学性质的测量精度，具有良好的拓展性，实现血管弹性性质的在体无创快速测量，操作简单便，且测量误差小。
进一步地，在本发明的一个实施例中，第一获取模块进一步用于，根据模拟目标调整有限元模型的几何尺寸和材料，以得到有限元分析结果。
进一步地，在本发明的一个实施例中，第二获取模块进一步用于，通过有限元算例获取薄层体系中线上节点的运动速度分布。
进一步地，在本发明的一个实施例中，获取频散曲线以作为神经网络的输入信号，进一步包括：获取不同的神经网络的输入信号下采样范围，对下采样信号添加随机噪声，再进行数据集增强处理，使得有限元算例生成多条不同的频散曲线。
进一步地，在本发明的一个实施例中，神经网络为双隐层的全连接人工神经网络，且双隐层的全连接人工神经网络包括支持向量机、决策树和随机森林。
需要说明的是，前述对基于机器学习的血管导波弹性成像方法实施例的解释说明也适用于该实施例的系统，此处不再赘述。
根据本发明实施例提出的基于机器学习的血管导波弹性成像系统，通过对剪切波的处理，可以提高血管力学性质的测量精度，具有良好的可拓展性，而并且可以考虑周围介质、血管几何等因素对结果的影响，能够实现血管弹性性质的在体无创快速测量，无需对血管的厚度进行测量，操作简便，且测量误差小，有利于临床应用的推广。
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 (8)

1.一种基于机器学习的血管导波弹性成像方法，其特征在于，包括以下步骤：
通过有限元软件对血管的薄层体系中剪切波的传播进行数值模拟，并获取有限元分析结果；
根据所述有限元分析结果得到全场节点的运动速度分布，并提取薄层中线上节点的运动速度，获取频散曲线以作为神经网络的输入信号；
其中，所述获取频散曲线以作为神经网络的输入信号，包括：
获取不同的所述神经网络的输入信号下采样范围，对下采样信号添加随机噪声，再进行数据集增强处理，使得有限元算例生成多条不同的频散曲线；以及
根据所述频散曲线得到所述神经网络的训练集和测试集，并采用神经网络方法进行训练，直至所述训练集上的误差小于预设值，以最终神经网络得到血管导波弹性成像图像。
2.根据权利要求1所述的基于机器学习的血管导波弹性成像方法，其特征在于，所述通过有限元软件对血管的薄层体系中剪切波的传播进行数值模拟，进一步包括：
根据模拟目标调整有限元模型的几何尺寸和材料，以得到所述有限元分析结果。
3.根据权利要求1所述的基于机器学习的血管导波弹性成像方法，所述提取薄层中线上节点的运动速度，其特征在于，
通过有限元算例获取所述薄层体系中线上节点的运动速度分布。
4.根据权利要求1所述的基于机器学习的血管导波弹性成像方法，所述神经网络为双隐层的全连接人工神经网络，且所述双隐层的全连接人工神经网络包括支持向量机、决策树和随机森林。
5.一种基于机器学习的血管导波弹性成像系统，其特征在于，包括：
第一获取模块，用于通过有限元软件对血管的薄层体系中剪切波的传播进行数值模拟，并获取有限元分析结果；
第二获取模块，用于本根据所述有限元分析结果得到全场节点的运动速度分布，并提取薄层中线上节点的运动速度，获取频散曲线以作为神经网络的输入信号，其中，所述获取频散曲线以作为神经网络的输入信号，包括：
获取不同的所述神经网络的输入信号下采样范围，对下采样信号添加随机噪声，再进行数据集增强处理，使得有限元算例生成多条不同的频散曲线；以及
成像模块，用于根据所述频散曲线得到所述神经网络的训练集和测试集，并采用神经网络方法进行训练，直至所述训练集上的误差小于预设值，以最终神经网络得到血管导波弹性成像图像。
6.根据权利要求5所述的基于机器学习的血管导波弹性成像系统，其特征在于，所述第一获取模块进一步用于，
根据模拟目标调整有限元模型的几何尺寸和材料，以得到所述有限元分析结果。
7.根据权利要求5所述的基于机器学习的血管导波弹性成像系统，其特征在于，所述第二获取模块进一步用于，
通过有限元算例获取所述薄层体系中线上节点的运动速度分布。
8.根据权利要求5所述的基于机器学习的血管导波弹性成像系统，其特征在于，所述神经网络为双隐层的全连接人工神经网络，且所述双隐层的全连接人工神经网络包括支持向量机、决策树和随机森林。
CN201811305937.4A 2018-11-05 2018-11-05 基于机器学习的血管导波弹性成像方法及系统 Active CN109567872B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811305937.4A CN109567872B (zh) 2018-11-05 2018-11-05 基于机器学习的血管导波弹性成像方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811305937.4A CN109567872B (zh) 2018-11-05 2018-11-05 基于机器学习的血管导波弹性成像方法及系统

Publications (2)

Publication Number Publication Date
CN109567872A CN109567872A (zh) 2019-04-05
CN109567872B true CN109567872B (zh) 2020-04-24

Family

ID=65921566

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811305937.4A Active CN109567872B (zh) 2018-11-05 2018-11-05 基于机器学习的血管导波弹性成像方法及系统

Country Status (1)

Country Link
CN (1) CN109567872B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023104489A1 (en) * 2021-12-09 2023-06-15 Medtronic Ireland Manufacturing Unlimited Company Identifying suitable candidates for denervation therapy

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111134635B (zh) * 2019-12-31 2021-08-20 清华大学 血管弹性的检测方法、装置、电子设备和存储介质
CN112842287B (zh) * 2021-01-05 2022-05-17 清华大学 测量血管硬化参数装置和方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104055541A (zh) * 2014-06-26 2014-09-24 中国科学院苏州生物医学工程技术研究所 一种用于血管内超声多断层剪切波弹性成像方法
CN106408562B (zh) * 2016-09-22 2019-04-09 华南理工大学 基于深度学习的眼底图像视网膜血管分割方法及系统
CN106618635B (zh) * 2017-01-12 2019-11-08 清华大学 剪切波弹性成像方法和装置
CN108573491A (zh) * 2017-03-10 2018-09-25 南京大学 一种基于机器学习的三维超声图像分割方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023104489A1 (en) * 2021-12-09 2023-06-15 Medtronic Ireland Manufacturing Unlimited Company Identifying suitable candidates for denervation therapy

Also Published As

Publication number Publication date
CN109567872A (zh) 2019-04-05

Similar Documents

Publication Publication Date Title
Maksuti et al. Arterial stiffness estimation by shear wave elastography: validation in phantoms with mechanical testing
Li et al. Mechanics of ultrasound elastography
Kijanka et al. Local phase velocity based imaging: A new technique used for ultrasound shear wave elastography
CN102641137B (zh) 使用幅度-相位调制超声波的粘弹性测量
CN109567872B (zh) 基于机器学习的血管导波弹性成像方法及系统
JP2012081295A (ja) 改良された軟部組織の超音波歪測定のための方法及び装置
EP2073713B1 (en) Method and apparatus for acoustoelastic extraction of strain and material properties
Liu et al. Viscoelastic property measurement in thin tissue constructs using ultrasound
Behler et al. Acoustic radiation force beam sequence performance for detection and material characterization of atherosclerotic plaques: preclinical, ex vivo results
Cao et al. Elastodiagnosis of diseases: A review
Guertler et al. Estimation of anisotropic material properties of soft tissue by MRI of ultrasound-induced shear waves
Caenen et al. Investigating shear wave physics in a generic pediatric left ventricular model via in vitro experiments and finite element simulations
Girnyk et al. The estimation of elasticity and viscosity of soft tissues in vitro using the data of remote acoustic palpation
Liu et al. Four-dimensional (4D) phase velocity optical coherence elastography in heterogeneous materials and biological tissue
Hosseini et al. Modeling and simulation and imaging of blood flow in the human body
Benech et al. Surface wave elastography: device and method
JP2022513520A (ja) 物質の非線形バルク弾性の超音波推定
Lee et al. Experimental investigation of guided wave imaging in thin soft media under various coupling conditions
Soleimani et al. Estimation of biomechanical properties of normal and atherosclerotic common carotid arteries
EP4358854A1 (en) Methods, systems and computer program products for tissue analysis using ultrasonic backscatter coherence
Pi et al. Viscoelasticity measured by shear wave elastography in a rat model of nonalcoholic fatty liver disease: comparison with dynamic mechanical analysis
CN111202519B (zh) 一种在体血栓软硬度检测的方法及其系统
Gorce et al. Processing radio frequency ultrasound images: A robust method for local spectral features estimation by a spatially constrained parametric approach
Kennedy et al. Introduction to optical coherence elastography
Nagaoka et al. Modified high-resolution wavenumber analysis for detection of pulse wave velocity using coefficient of variation of arterial wall acceleration waveforms

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