CN111374645A - 一种热消融实时监控的呼吸伪像校正方法及系统 - Google Patents

一种热消融实时监控的呼吸伪像校正方法及系统 Download PDF

Info

Publication number
CN111374645A
CN111374645A CN202010213165.2A CN202010213165A CN111374645A CN 111374645 A CN111374645 A CN 111374645A CN 202010213165 A CN202010213165 A CN 202010213165A CN 111374645 A CN111374645 A CN 111374645A
Authority
CN
China
Prior art keywords
input data
real
breathing
thermal ablation
ablation
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
Application number
CN202010213165.2A
Other languages
English (en)
Inventor
肖梦楠
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.)
Jurong Medical Technology Hangzhou Co ltd
Original Assignee
Jurong Medical Technology Hangzhou Co ltd
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 Jurong Medical Technology Hangzhou Co ltd filed Critical Jurong Medical Technology Hangzhou Co ltd
Priority to CN202010213165.2A priority Critical patent/CN111374645A/zh
Publication of CN111374645A publication Critical patent/CN111374645A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • 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
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • A61B5/721—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts using a separate sensor to detect motion or using motion information derived from signals other than the physiological signal to be measured
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/04—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating
    • A61B18/12—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by heating by passing a current through the tissue to be heated, e.g. high-frequency current
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/18—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by applying electromagnetic radiation, e.g. microwaves
    • A61B18/1815—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by applying electromagnetic radiation, e.g. microwaves using microwaves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B18/18—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by applying electromagnetic radiation, e.g. microwaves
    • A61B18/20—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body by applying electromagnetic radiation, e.g. microwaves using laser
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00696—Controlled or regulated parameters
    • A61B2018/00714—Temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00773—Sensed parameters
    • A61B2018/00791—Temperature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61N—ELECTROTHERAPY; MAGNETOTHERAPY; RADIATION THERAPY; ULTRASOUND THERAPY
    • A61N7/00—Ultrasound therapy
    • A61N7/02—Localised ultrasound hyperthermia

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Pulmonology (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供一种热消融实时监控的呼吸伪像校正方法及系统。其中涉及的一种热消融实时监控的呼吸伪像校正方法，包括步骤：S1.采集热消融实时监控的原始数据，对所述采集到的原始数据进行预训练，并提取患者的呼吸运动特征；S2.根据所述提取患者的呼吸运动特征，得到特定呼吸相位的热消融原始输入数据；S3.根据所述得到的特定呼吸相位的热消融原始输入数据，对热消融温度进行估计，得到估计结果。本发明通过独立成分分析自适应提取患者的呼吸运动曲线，然后门控获取特定呼吸时相的实时监控原始输入数据，最后根据热消融温度和特定物理参数之间的关系进行温度估计，从而使得热消融的实时监控结果更加准确。

Description

一种热消融实时监控的呼吸伪像校正方法及系统
技术领域
本发明涉及超声监控成像的技术领域，尤其涉及一种热消融实时监控的呼吸伪像校正方法及系统。
背景技术
射频消融(radiofrequency ablation，RFA)、微波消融(microwave ablation，MWA)、激光消融(laser ablation)和高强度聚焦超声(high-intensity focusedultrasound，HIFU)都属于热消融。经皮热消融技术可以用于治疗小的、不可切除的肿瘤，或者治疗那些不适合进行手术的病人，其原理为基于高温效应对肿瘤细胞进行灭活从而达到治疗的目的。然而在治疗过程中为了避免对正常组织的损害就需要对热消融的温度进行实时监控。
目前已有众多学者致力于研究热消融温度和各种物理参数之间的关系，但在实际的应用场景中，物理信号一般都是在人体自由呼吸的状态下采集的，因而不可避免地会在最终的温度估计结果中引入呼吸运动伪像。
目前临床上为了减小患者自由呼吸运动的影响，可以采用屏息法、植入金属标记物运动追踪法、在线和离线门控法、呼吸运动模型法。但上述方法均存在显著缺点，屏息法的数据采集时间有限、植入金属标记物为有创法、门控法操作复杂耗时较长、运动模型的拟合效果不佳。
发明内容
本发明的目的是针对现有技术的缺陷，提供了一种热消融实时监控的呼吸伪像校正方法及系统，通过独立成分分析自适应提取患者的呼吸运动曲线，然后门控获取特定呼吸时相的实时监控原始输入数据，最后根据热消融温度和特定物理参数之间的关系进行温度估计，从而使得热消融的实时监控结果更加准确。
为了实现以上目的，本发明采用以下技术方案：
一种热消融实时监控的呼吸伪像校正方法，包括步骤：
S1.采集热消融实时监控的原始数据，对所述采集到的原始数据进行预训练，并提取患者的呼吸运动特征；
S2.根据所述提取患者的呼吸运动特征，得到特定呼吸相位的热消融原始输入数据；
S3.根据所述得到的特定呼吸相位的热消融原始输入数据，对热消融温度进行估计，得到估计结果。
进一步的，所述步骤S1具体为：
S11.采集热消融实时监控的原始输入数据X；
S12.对所述采集到的原始输入数据X进行重排，得到重排后的原始输入数据X；
S13.设置待求解的独立成分的个数；
S14.对重排后的原始输入数据X进行中心化处理、白化处理；
S15.选择具有单位范数的初始化随机向量；
S16.更新所述选取的随机向量，并对所述更新后的随机向量进行标准化处理；
S17.判断所述标准化处理后的随机向量是否收敛，若否，则执行步骤S16；若是，则执行步骤S18；
S18.输出所有的独立成分；
S19.选取所有独立成分中具有周期性运动特征的成分，得到患者的呼吸运动曲线。
进一步的，所述步骤S12中对采集到的原始输入数据X进行重排具体为：重排前的原始输入数据X是由热消融过程的空间采样和时间采样构成的图像序列，其中，重排前原始输入数据X的空间采样点数记为SampleDot，时间采样点数记为SampleTime，原始输入数据X的一帧对应一个采样时刻，帧内数据对应所有空间采样点；重排后的原始输入数据X的一行代表当前空间采样点对应的时间序列，一列代表当前帧的所有空间采样点，其中，重排后原始输入数据X的行数RowNum等于SampleDot，列数ColNum等于SampleTime。
进一步的，所述步骤S14中对重排后的原始输入数据X进行中心化处理具体为：将重排后的原始输入数据X的每一行数据xi减去该行的均值；其中i＝1,2,...,RowNum。
进一步的，所述步骤S14中，对重排后的原始输入数据X进行白化处理，表示为：
Z＝VXcentered
其中，Z表示白化处理后的向量；Xcentered表示中心化处理后的数据；V表示白化矩阵；V＝PD-1/2PT，P表示
Figure BDA0002423506270000031
特征向量的正交矩阵；D表示相应的特征向量的对角矩阵，D＝diag(d1,…,dn)。
进一步的，所述步骤S16中更新所述选取的随机向量的更新规则为：
w＝E{Zg(wTZ)}-E{g'(wTZ)}w
其中，w表示随机向量；β表示常量；
Figure BDA0002423506270000032
w0表示w的初始值；函数g表示为：
g1(y)＝tanh(a1y)
g2(y)＝yexp(-y2/2)
g3(y)＝y3
其中，a1的取值范围为1≤a1≤2；
所述对更新后的随机向量进行标准化处理，表示为：
Figure BDA0002423506270000033
其中，w表示随机向量。
进一步的，所述步骤S2具体为：
S21.根据患者的呼吸运动曲线对患者进行呼吸分期；
S22.根据患者的呼吸运动曲线计算患者的呼吸频率；
S23.根据所述呼吸分期以及呼吸频率得到特定呼吸相位的热消融数据。
进一步的，所述步骤S3具体为：
S31.根据得到的特定呼吸相位的热消融数据以及热消融温度、热消融物理参数之间的关系计算空间温度分布，得到温度估计结果；
S32.对所述得到的温度估计结果进行时域插值，得到最终结果。
进一步的，所述步骤S32中时域插值的方法包括直线插值、曲线插值；插值的倍数范围为1-3倍。
相应的，还提供一种热消融实时监控的呼吸伪像校正系统，包括：
提取模块，用于采集热消融实时监控的原始数据，对所述采集到的原始数据进行预训练，并提取患者的呼吸运动特征；
第一获取模块，用于根据所述提取患者的呼吸运动特征，得到特定呼吸相位的热消融原始输入数据；
估计模块，用于根据所述得到的特定呼吸相位的热消融原始输入数据，对热消融温度进行估计，得到估计结果。
与现有技术相比，本发明具有以下优点：
1.基于独立成分分析可以自适应获取每个患者的呼吸运动曲线，从而使得呼吸运动曲线能够最大程度反映患者的呼吸运动特征。
2.基于呼吸门控的运动伪像校正方法一方面能够减少温度估计的运算量，另一方面能够最大程度地抑制呼吸运动引起的伪像。
3.考虑到相邻呼吸周期内温度变化的相对连续性，对温度估计结果进行时域插值能够提高温度估计的时间精度。
附图说明
图1是实施例一提供的一种热消融实时监控的呼吸伪像校正方法流程图；
图2是实施例二提供的一种热消融实时监控的呼吸伪像校正系统结构图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
本发明的目的是针对现有技术的缺陷，提供一种热消融实时监控的呼吸伪像校正方法及系统。
实施例一
本实施例提供一种热消融实时监控的呼吸伪像校正方法，如图1所示，包括步骤：
S1.采集热消融实时监控的原始数据，对所述采集到的原始数据进行预训练，并提取患者的呼吸运动特征；
S2.根据所述提取患者的呼吸运动特征，得到特定呼吸相位的热消融原始输入数据；
S3.根据所述得到的特定呼吸相位的热消融原始输入数据，对热消融温度进行估计，得到估计结果。
在步骤S1中，采集热消融实时监控的原始数据，对所述采集到的原始数据进行预训练，并提取患者的呼吸运动特征。具体包括：
S11.采集热消融实时监控的原始输入数据X；
具体为，待患者的呼吸状态稳定后，采集热消融实时监控的原始输入数据X，采集时间记为period，单位为呼吸周期数。正常状态下，患者的自由呼吸频率为12-20次/min，但行全麻或局部麻醉后呼吸频率可能发生变化。为了在不同情况下都能达到比较理想的运动特征提取效果，period一般取值在5-20之间。在本实施例中，设period的值为10。
S12.对所述采集到的原始输入数据X进行重排，得到重排后的原始输入数据X；
具体为，对原始输入数据X进行重排。重排前原始输入数据X为图像序列，由热消融过程的空间采样和时间采样构成，空间采样点数记为SampleDot，时间采样点数记为SampleTime，原始输入数据X的一帧对应一个采样时刻，帧内数据对应所有空间采样点；重排后的原始输入数据X的一行代表当前空间采样点对应的时间序列，一列代表当前帧的所有空间采样点，其中，重排后原始输入数据X的行数RowNum等于SampleDot，列数ColNum等于SampleTime。
S13.设置待求解的独立成分的个数；
在本实施例中，设待求解的独立成分的个数为1(不仅限于本实施例设置的个数)。
S14.对重排后的原始输入数据X进行中心化处理、白化处理；
对重排后的原始输入数据X进行中心化处理，具体为：
将重排后的原始输入数据X的每一行数据xi(i＝1,2,...,RowNum)减去该行的均值，中心化处理后得到的数据即为Xcentered。
对中心化处理后得到的数据Xcentered进行白化处理，表示为：
Z＝VXcentered
其中，Z表示白化处理后的向量；Xcentered表示中心化处理后的数据；V表示白化矩阵；V＝PD-1/2PT，P表示
Figure BDA0002423506270000061
特征向量的正交矩阵；D表示相应的特征向量的对角矩阵，D＝diag(d1,…,dn)。
S15.选择具有单位范数的初始化随机向量；
具体为，选择一个具有单位范数的初始化随机向量w。
S16.更新所述选取的随机向量，并对所述更新后的随机向量进行标准化处理；
具体为，按照如下规则更新w：
w＝E{Zg(wTZ)}-E{g'(wTZ)}w
其中，w表示随机向量；β表示常量；
Figure BDA0002423506270000062
w0表示w的初始值；函数g表示为：
g1(y)＝tanh(a1y)
g2(y)＝yexp(-y2/2)
g3(y)＝y3
其中，a1的取值范围为1≤a1≤2，通常取为1；
所述对更新后的随机向量进行标准化处理，表示为：
Figure BDA0002423506270000063
其中，w表示随机向量。
S17.判断所述标准化处理后的随机向量是否收敛，若否，则执行步骤S16；若是，则执行步骤S18；
具体为，如果w尚未收敛则跳转至步骤S16，否则结束循环进入下一步。
S18.输出所有的独立成分y＝wTZ；
在本实施例中，输出唯一的独立成分y＝wTZ。
S19.选取所有独立成分中具有周期性运动特征的成分，得到患者的呼吸运动曲线，并将其作为患者的呼吸运动曲线。
在本实施例中，由于呼吸运动特征是原始输入数据中最显著的特征，因而唯一的一个独立成分即代表呼吸运动曲线。
在步骤S2中，根据所述提取患者的呼吸运动特征，得到特定呼吸相位的热消融原始输入数据。具体包括：
S21.根据患者的呼吸运动曲线对患者进行呼吸分期；
具体为，基于呼吸运动曲线对患者进行呼吸分期，可以将一个呼吸周期分解为N个呼吸时相。N越小呼吸分期的精度越差，N越大呼吸分期的误差越大。N的取值范围一般为10-20。
在本实施例中，设N＝15(不仅限于本实施例设置的个数)。
S22.根据患者的呼吸运动曲线计算患者的呼吸频率；
S23.根据所述呼吸分期以及呼吸频率得到特定呼吸相位的热消融数据。
具体为，基于呼吸分期和呼吸频率可以实现对N个呼吸时相中某个特定时相的数据采集。考虑到呼吸末期的运动状态相对稳定，因而建议提取呼气末期或吸气末期的热消融原始输入数据用于温度估计。
在步骤S3中，根据所述得到的特定呼吸相位的热消融原始输入数据，对热消融温度进行估计，得到估计结果。具体包括：
S31.根据得到的特定呼吸相位的热消融数据以及热消融温度、热消融物理参数之间的关系计算空间温度分布，得到温度估计结果；
具体为，基于特定时相的原始输入数据并根据热消融温度和特定物理参数之间的对应关系计算空间温度分布。
S32.对所述得到的温度估计结果进行时域插值，得到最终结果。
具体为，对温度估计结果进行时域插值，插值倍数设为I。考虑到某些情况下患者的呼吸频率可能较低，此时为了增加温度估计的时间精度，可以对相邻的温度估计结果进行插值。插值方法有直线和曲线两种方法。I的取值范围为1-3。
在本实施例中，将插值倍数I设为2，插值方法设为三次样条方法。
本实施例充分考虑了人体自由呼吸对热消融实时监控结果的影响，通过独立成分分析和门控数据获取最大程度抑制呼吸运动伪像，此外，通过时域插值提高温度估计的时间精度。整体来说，本发明提供了一种简单有效的热消融实时监控运动伪像校正方法。
与现有技术相比，本实施例具有以下优点：
1.基于独立成分分析可以自适应获取每个患者的呼吸运动曲线，从而使得呼吸运动曲线能够最大程度反映患者的呼吸运动特征。
2.基于呼吸门控的运动伪像校正方法一方面能够减少温度估计的运算量，另一方面能够最大程度地抑制呼吸运动引起的伪像。
3.考虑到相邻呼吸周期内温度变化的相对连续性，对温度估计结果进行时域插值能够提高温度估计的时间精度。
实施例二
本实施例提供一种热消融实时监控的呼吸伪像校正系统，如图2所示，包括：
提取模块11，用于采集热消融实时监控的原始数据，对所述采集到的原始数据进行预训练，并提取患者的呼吸运动特征；
第一获取模块12，用于根据所述提取患者的呼吸运动特征，得到特定呼吸相位的热消融原始输入数据；
估计模块13，用于根据所述得到的特定呼吸相位的热消融原始输入数据，对热消融温度进行估计，得到估计结果。
需要说明的是，本实施例提供的一种热消融实时监控的呼吸伪像校正系统与实施例一类似，在此不多做赘述。
与现有技术相比，本发明具有以下优点：
1.基于独立成分分析可以自适应获取每个患者的呼吸运动曲线，从而使得呼吸运动曲线能够最大程度反映患者的呼吸运动特征。
2.基于呼吸门控的运动伪像校正方法一方面能够减少温度估计的运算量，另一方面能够最大程度地抑制呼吸运动引起的伪像。
3.考虑到相邻呼吸周期内温度变化的相对连续性，对温度估计结果进行时域插值能够提高温度估计的时间精度。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种热消融实时监控的呼吸伪像校正方法，其特征在于，包括步骤：
S1.采集热消融实时监控的原始数据，对所述采集到的原始数据进行预训练，并提取患者的呼吸运动特征；
S2.根据所述提取患者的呼吸运动特征，得到特定呼吸相位的热消融原始输入数据；
S3.根据所述得到的特定呼吸相位的热消融原始输入数据，对热消融温度进行估计，得到估计结果。
2.根据权利要求1所述的一种热消融实时监控的呼吸伪像校正方法，其特征在于，所述步骤S1具体为：
S11.采集热消融实时监控的原始输入数据X；
S12.对所述采集到的原始输入数据X进行重排，得到重排后的原始输入数据X；
S13.设置待求解的独立成分的个数；
S14.对重排后的原始输入数据X进行中心化处理、白化处理；
S15.选择具有单位范数的初始化随机向量；
S16.更新所述选取的随机向量，并对所述更新后的随机向量进行标准化处理；
S17.判断所述标准化处理后的随机向量是否收敛，若否，则执行步骤S16；若是，则执行步骤S18；
S18.输出所有的独立成分；
S19.选取所有独立成分中具有周期性运动特征的成分，得到患者的呼吸运动曲线。
3.根据权利要求2所述的一种热消融实时监控的呼吸伪像校正方法，其特征在于，所述步骤S12中对采集到的原始输入数据X进行重排具体为：重排前的原始输入数据X是由热消融过程的空间采样和时间采样构成的图像序列，其中，重排前原始输入数据X的空间采样点数记为SampleDot，时间采样点数记为SampleTime，原始输入数据X的一帧对应一个采样时刻，帧内数据对应所有空间采样点；重排后的原始输入数据X的一行代表当前空间采样点对应的时间序列，一列代表当前帧的所有空间采样点，其中，重排后原始输入数据X的行数RowNum等于SampleDot，列数ColNum等于SampleTime。
4.根据权利要求2所述的一种热消融实时监控的呼吸伪像校正方法，其特征在于，所述步骤S14中对重排后的原始输入数据X进行中心化处理具体为：将重排后的原始输入数据X的每一行数据xi减去该行的均值；其中i＝1,2,...,RowNum。
5.根据权利要求2所述的一种热消融实时监控的呼吸伪像校正方法，其特征在于，所述步骤S14中，对重排后的原始输入数据X进行白化处理，表示为：
Z＝VXcentered
其中，Z表示白化处理后的向量；Xcentered表示中心化处理后的数据；V表示白化矩阵；V＝PD-1/2PT，P表示
Figure FDA0002423506260000021
特征向量的正交矩阵；D表示相应的特征向量的对角矩阵，D＝diag(d1,…,dn)。
6.根据权利要求2所述的一种热消融实时监控的呼吸伪像校正方法，其特征在于，所述步骤S16中更新所述选取的随机向量的更新规则为：
w＝E{Zg(wTZ)}-E{g'(wTZ)}w
其中，w表示随机向量；β表示常量；
Figure FDA0002423506260000022
w0表示w的初始值；函数g表示为：
g1(y)＝tanh(a1y)
g2(y)＝yexp(-y2/2)
g3(y)＝y3
其中，a1的取值范围为1≤a1≤2；
所述对更新后的随机向量进行标准化处理，表示为：
Figure FDA0002423506260000023
其中，w表示随机向量。
7.根据权利要求1所述的一种热消融实时监控的呼吸伪像校正方法，其特征在于，所述步骤S2具体为：
S21.根据患者的呼吸运动曲线对患者进行呼吸分期；
S22.根据患者的呼吸运动曲线计算患者的呼吸频率；
S23.根据所述呼吸分期以及呼吸频率得到特定呼吸相位的热消融数据。
8.根据权利要求1所述的一种热消融实时监控的呼吸伪像校正方法，其特征在于，所述步骤S3具体为：
S31.根据得到的特定呼吸相位的热消融数据以及热消融温度、热消融物理参数之间的关系计算空间温度分布，得到温度估计结果；
S32.对所述得到的温度估计结果进行时域插值，得到最终结果。
9.根据权利要求8所述的一种热消融实时监控的呼吸伪像校正系统，其特征在于，所述步骤S32中时域插值的方法包括直线插值、曲线插值；插值的倍数范围为1-3倍。
10.一种热消融实时监控的呼吸伪像校正系统，其特征在于，包括：
提取模块，用于采集热消融实时监控的原始数据，对所述采集到的原始数据进行预训练，并提取患者的呼吸运动特征；
第一获取模块，用于根据所述提取患者的呼吸运动特征，得到特定呼吸相位的热消融原始输入数据；
估计模块，用于根据所述得到的特定呼吸相位的热消融原始输入数据，对热消融温度进行估计，得到估计结果。
CN202010213165.2A 2020-03-24 2020-03-24 一种热消融实时监控的呼吸伪像校正方法及系统 Pending CN111374645A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010213165.2A CN111374645A (zh) 2020-03-24 2020-03-24 一种热消融实时监控的呼吸伪像校正方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010213165.2A CN111374645A (zh) 2020-03-24 2020-03-24 一种热消融实时监控的呼吸伪像校正方法及系统

Publications (1)

Publication Number Publication Date
CN111374645A true CN111374645A (zh) 2020-07-07

Family

ID=71213704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010213165.2A Pending CN111374645A (zh) 2020-03-24 2020-03-24 一种热消融实时监控的呼吸伪像校正方法及系统

Country Status (1)

Country Link
CN (1) CN111374645A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114764133A (zh) * 2021-02-08 2022-07-19 华科精准（北京）医疗科技有限公司 一种消融计算方法及消融计算系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104602754A (zh) * 2012-01-26 2015-05-06 奥托诺米克斯医药有限公司 受控的交感神经切除术以及微-消融系统和方法
US20150327835A1 (en) * 2012-07-03 2015-11-19 University Of Pittsburgh - Of The Commonwealth System Of Higher Education Method and apparatus to detect lipid contents in tissues using ultrasound
CN106056589A (zh) * 2016-05-24 2016-10-26 西安交通大学 一种呼吸运动补偿的超声造影灌注参量成像方法
CN106963415A (zh) * 2015-10-08 2017-07-21 通用电气公司 供热影响区域使用的超声系统和方法
CN107106123A (zh) * 2014-12-30 2017-08-29 皇家飞利浦有限公司 患者特异性超声热应变到温度校准
US20180078170A1 (en) * 2016-03-15 2018-03-22 Advanced Cardiac Therapeutics, Inc. Methods of determining catheter orientation

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104602754A (zh) * 2012-01-26 2015-05-06 奥托诺米克斯医药有限公司 受控的交感神经切除术以及微-消融系统和方法
US20150327835A1 (en) * 2012-07-03 2015-11-19 University Of Pittsburgh - Of The Commonwealth System Of Higher Education Method and apparatus to detect lipid contents in tissues using ultrasound
CN107106123A (zh) * 2014-12-30 2017-08-29 皇家飞利浦有限公司 患者特异性超声热应变到温度校准
CN106963415A (zh) * 2015-10-08 2017-07-21 通用电气公司 供热影响区域使用的超声系统和方法
US20180078170A1 (en) * 2016-03-15 2018-03-22 Advanced Cardiac Therapeutics, Inc. Methods of determining catheter orientation
CN106056589A (zh) * 2016-05-24 2016-10-26 西安交通大学 一种呼吸运动补偿的超声造影灌注参量成像方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
田甜: "独立成分分析及其在特征提取中的应用研究", 《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114764133A (zh) * 2021-02-08 2022-07-19 华科精准（北京）医疗科技有限公司 一种消融计算方法及消融计算系统
CN114764133B (zh) * 2021-02-08 2023-08-08 华科精准（北京）医疗科技有限公司 一种消融计算方法及消融计算系统

Similar Documents

Publication Publication Date Title
US10335051B2 (en) Beat alignment and selection for cardiac mapping
US8352013B2 (en) Method and system for motion compensation in magnetic resonance (MR) imaging
Sornmo Vectorcardiographic loop alignment and morphologic beat-to-beat variability
US20220179030A1 (en) Fast diffusion tensor mri using deep learning
JP2007185250A (ja) 磁気共鳴イメージング装置
US12004882B2 (en) Method and device for magnetic resonance imaging data acquisition guided by physiologic feedback
US8975892B2 (en) Method of optimizing magnetic resonance image contrast with MRI relaxation time scanning parameters correlated to age of a subject
US11457834B2 (en) System and method for generating ECG reference data for MR imaging triggering
Hersek et al. A globalized model for mapping wearable seismocardiogram signals to whole-body ballistocardiogram signals based on deep learning
KR101967240B1 (ko) 피검체의 움직임을 보정하여 mri 영상을 획득하는 방법 및 mri 장치
CN111374645A (zh) 一种热消融实时监控的呼吸伪像校正方法及系统
Lin et al. Energy-efficient blood pressure monitoring based on single-site photoplethysmogram on wearable devices
Laguna et al. Eigenvalue-based time delay estimation of repetitive biomedical signals
de Senneville et al. Atlas-based motion correction for online MR temperature mapping
US20160143590A1 (en) Electrocardiography system
EP4141465A1 (en) Assignment of mr images to cardiac phases
JP2022168851A (ja) ３ｄモデル構築のための自動フレーム選択
Sundaram et al. A dynamic model of average lung deformation using capacity-based reparameterization and shape averaging of lung MR images
Koçanaoğulları et al. Learning the regularization in dce-mr image reconstruction for functional imaging of kidneys
CN108784681B (zh) 一种心电特征的识别方法
CN111951346A (zh) 一种联合运动估计与时空张量增强表示的4d-cbct重建方法
Ozenne et al. Magnetic Resonance Imaging guided cardiac radiofrequency ablation
EP4176796A1 (en) Multi-session breathing guidance
Prins et al. AU-Net Deep Learning Model for Infant Heart Rate Estimation from Ballistography
JP2017521213A (ja) 電気生理信号からの磁気共鳴画像傾斜磁場誘導電圧の推定と除去のためのシステムと方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200707