CN112869768A - 基于多模态成像的身体机能多参数量化方法和装置 - Google Patents
基于多模态成像的身体机能多参数量化方法和装置 Download PDFInfo
- Publication number
- CN112869768A CN112869768A CN202110034796.2A CN202110034796A CN112869768A CN 112869768 A CN112869768 A CN 112869768A CN 202110034796 A CN202110034796 A CN 202110034796A CN 112869768 A CN112869768 A CN 112869768A
- Authority
- CN
- China
- Prior art keywords
- imaging
- photoacoustic
- algorithm
- parameters
- absorption coefficient
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 212
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000011002 quantification Methods 0.000 title claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 73
- 230000011218 segmentation Effects 0.000 claims abstract description 58
- 238000006073 displacement reaction Methods 0.000 claims abstract description 30
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 17
- 238000010521 absorption reaction Methods 0.000 claims description 65
- 230000006870 function Effects 0.000 claims description 58
- 206010028980 Neoplasm Diseases 0.000 claims description 44
- 210000004204 blood vessel Anatomy 0.000 claims description 37
- 230000004907 flux Effects 0.000 claims description 23
- 230000002093 peripheral effect Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000000877 morphologic effect Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012285 ultrasound imaging Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 14
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000003287 optical effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 238000002604 ultrasonography Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000003902 lesion Effects 0.000 description 7
- 230000031700 light absorption Effects 0.000 description 7
- 230000001902 propagating effect Effects 0.000 description 7
- 238000013139 quantization Methods 0.000 description 7
- 102000001554 Hemoglobins Human genes 0.000 description 5
- 108010054147 Hemoglobins Proteins 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 210000005259 peripheral blood Anatomy 0.000 description 5
- 239000011886 peripheral blood Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 239000002131 composite material Substances 0.000 description 4
- 150000002632 lipids Chemical class 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008557 oxygen metabolism Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000002366 time-of-flight method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002091 elastography Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000004867 photoacoustic spectroscopy Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 208000037260 Atherosclerotic Plaque Diseases 0.000 description 1
- 206010011732 Cyst Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000015624 blood vessel development Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 208000031513 cyst Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/48—Diagnostic techniques
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0093—Detecting, measuring or recording by applying one single type of energy and measuring its conversion into another type of energy
- A61B5/0095—Detecting, measuring or recording by applying one single type of energy and measuring its conversion into another type of energy by applying light and detecting acoustic waves, i.e. photoacoustic measurements
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Acoustics & Sound (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提供一种基于多模态成像的身体机能多参数量化方法和装置,包括:从多模态成像中提取超声成像,对所述超声成像采用预设分割算法,获取结构形态信息参数;从所述多模态成像中提取光声成像,对所述光声成像采用预设蒙特卡罗仿真迭代算法,获取生理信息参数;从所述多模态成像中提取剪切波,对所述剪切波进行组织位移估计、方向性滤波器和波速估计,获取弹性硬度信息参数。本发明提供的方法和装置,实现了从多模态成像的超声信号、光声信号和弹性信号中提取各类身体机能参数数值,为病灶提供全面完整的诊断依据。
Description
技术领域
本发明涉及多模态成像技术领域,尤其涉及一种基于多模态成像的身体机能多参数量化方法和装置。
背景技术
目前的生物医学单一成像模态获取的信息存在一定的局限性,无法完整反映生物体的全面特性。如何更全面、更准确的获取生物体内部的各项信息是影像学发展的重要问题。结合超声、光声、弹性成像技术的多模态成像方法及结构形态信息、生理功能信息、弹性硬度信息等参数信息的量化方法为解决这一重要问题的提供有效途径。
超声成像具有安全无辐射、实时快速、操作简便以及经济便携等优点。光声成像具有光学高对比度和超声大穿透深度与高分辨率优势,同时可以获取组织吸收分布、发色团浓度、血红蛋白、脂质成分、血氧代谢等分子和功能信息。弹性成像通过获取组织弹性进行成像定量地描述组织的硬度/弹性信息。因此,结合超声、光声、弹性成像技术相互补充,结合纳米探针及多光谱技术可量化分析肿瘤微环境组分变化,能够提供更全面、可信度更高的信息,对临床医学诊断具有重要的意义。
然而在当前的成像技术中,由于单一模态成像导致只能提取单一种类的身体机能参数,不能对医护人员对病灶做出综合准确的诊断提供全面帮助。因此,急需一种能利用多模态成像提供的多种类型信号提取各种身体机能参数的方法,可以一次性为医护人员对病灶的诊断治疗提供全面完整的参考参数。
因此,如何避免现有的基于单一模态成像中提取的身体机能参数太过单一导致的无法提供全面完整的诊断依据,仍然是本领域技术人员亟待解决的问题。
发明内容
本发明提供一种基于多模态成像的身体机能多参数量化方法和装置,用以解决现有的基于单一模态成像中提取的身体机能参数太过单一导致的无法提供全面完整的诊断依据的缺陷,通过从多模态成像中提取的超声信号、光声信号和弹性信号确定的结构性参数、生理性参数和硬度参数为病灶提供全面完整的诊断依据。
本发明提供一种基于多模态成像的身体机能多参数量化方法,该方法包括:
从多模态成像中提取超声成像,对所述超声成像采用预设分割算法,获取结构形态信息参数;
从所述多模态成像中提取光声成像,对所述光声成像采用预设蒙特卡罗仿真迭代算法,获取生理信息参数;
从所述多模态成像中提取剪切波,对所述剪切波进行组织位移估计、方向性滤波器和波速估计,获取弹性硬度信息参数。
根据本发明提供的一种基于多模态成像的身体机能多参数量化方法,所述对所述超声成像采用预设分割算法,获取结构形态信息参数,具体包括:
采用基于边缘的主动轮廓模型算法处理所述超声成像,得到目标区域第一分割图像;
采用基于多尺度Hessian滤波器算法处理所述超声成像,得到所述目标区域第二分割图像;
基于所述第一分割图像和所述第二分割图像复合出最终分割图像;
基于所述最终分割图像确定肿瘤位置和深度,以及所述肿瘤周边血管形态参数。
根据本发明提供的一种基于多模态成像的身体机能多参数量化方法,所述肿瘤周边血管形态参数包括血管的密度、血管长度分数和血管分形维数。
根据本发明提供的一种基于多模态成像的身体机能多参数量化方法,基于所述最终分割图像确定所述肿瘤周边血管形态参数,具体包括:
通过如下公式计算所述肿瘤周边血管的密度值VD:
其中,Iout(i,j)为所述最终分割图像Iout中位置(i,j)像素点的像素值,m和n分别为Iout水平方向和垂直方向的像素点总数;
通过如下公式计算所述肿瘤周边血管的长度分数值VLF:
其中,Iskel为基于所述最终分割图像确定的骨架化图像,Iskel(i,j)为所述骨架化图像Iskel中位置(i,j)像素点的像素值,m,和n,分别为Iskel水平方向和垂直方向的像素点总数;
通过如下公式计算所述肿瘤周边血管的分形维数FD:
其中,N(l)为需要覆盖整幅所述最终分割图像的窗口的数目,l为所述窗口的宽度。
根据本发明提供的一种基于多模态成像的身体机能多参数量化方法,所述对所述光声成像采用预设蒙特卡罗仿真迭代算法,获取生理信息参数,具体包括:
基于所述光声成像中的光声信号和所述结构形态信息参数构建的Monte Carlo模型,设置吸收系数初始值;
在任一迭代轮次中,基于所述Monte Carlo模型仿真得到光通量和当前所述任一迭代轮次的吸收系数计算当前所述任一迭代轮次的光声信号,若所述光声信号与实际测量光声信号之间误差超过预设阈值,则基于预设更新算法更新用于所述任一迭代轮次的下一迭代轮次计算的吸收系数,否则,输出所述任一迭代轮次中的吸收系数为最终吸收系数;
基于所述最终吸收系数确定发色团浓度,基于所述发色团浓度确定生理信息参数。
根据本发明提供的一种基于多模态成像的身体机能多参数量化方法,所述基于预设更新算法更新用于所述任一迭代轮次的下一迭代轮次计算的吸收系数,具体包括:
根据如下关系式计算所述任一迭代轮次k的下一迭代轮次k+1的吸收系数μak+1:
lgμak+1=lgPzxk-lg(Fzxk+σ),Pzxk=μak×Fzxk
其中,Pzxk为基于所述Monte Carlo模型和当前所述任一迭代轮次k的吸收系数μak计算当前所述任一迭代轮次的光声信号,Fzxk为基于所述Monte Carlo模型和当前所述任一迭代轮次k的吸收系数μak计算当前所述任一迭代轮次的光通量,σ为可调系数。
根据本发明提供的一种基于多模态成像的身体机能多参数量化方法,对所述剪切波进进行波速估计,具体包括:
采用TOF算法对所述剪切波进行波速估计。
本发明还提供的一种基于多模态成像的身体机能多参数量化装置,该装置包括:
结构单元,用于从多模态成像中提取超声成像,对所述超声成像采用预设分割算法,获取结构形态信息参数;
生理单元,用于从所述多模态成像中提取光声成像,对所述光声成像采用预设蒙特卡罗仿真迭代算法,获取生理信息参数;
弹性单元,用于从所述多模态成像中提取剪切波,对所述剪切波进行组织位移估计、方向性滤波器和波速估计,获取弹性硬度信息参数。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述的基于多模态成像的身体机能多参数量化方法的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的基于多模态成像的身体机能多参数量化方法的步骤。
本发明提供的基于多模态成像的身体机能多参数量化方法和装置,通过从多模态成像中提取超声成像,对所述超声成像采用预设分割算法,获取结构形态信息参数;从所述多模态成像中提取光声成像,对所述光声成像采用预设蒙特卡罗仿真迭代算法,获取生理信息参数;从所述多模态成像中提取剪切波,对所述剪切波进行组织位移估计、方向性滤波器和波速估计,获取弹性硬度信息参数。由于从多模态成像中提取的超声信号、光声信号和弹性信号确定的结构性参数、生理性参数和硬度参数为病灶提供全面完整的诊断依据。因此,本发明提供的方法和装置,实现了从多模态成像的超声信号、光声信号和弹性信号中提取各类身体机能参数数值,为病灶提供全面完整的诊断依据。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的基于多模态成像的身体机能多参数量化方法的流程示意图;
图2为本发明提供的超声剪切波弹性图像重建流程示意图;
图3为本发明提供的基于多模态成像的身体机能多参数量化装置的结构示意图;
图4为本发明提供的基于多模态成像的多参数量化的流程框架图;
图5为本发明提供的一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有的基于单一模态成像中提取的身体机能参数普遍存在提取的身体机能参数类型太过单一导致的无法提供全面完整的诊断依据的问题。下面结合图1描述本发明的一种基于多模态成像的身体机能多参数量化方法。图1为本发明提供的基于多模态成像的身体机能多参数量化方法的流程示意图,如图1所示,该方法的执行主体为基于多模态成像的身体机能多参数量化装置,该方法包括:
步骤110,从多模态成像中提取超声成像,对所述超声成像采用预设分割算法,获取结构形态信息参数。
可选的,本发明提供的基于多模态成像的身体机能多参数量化方法的执行主体是基于多模态成像的身体机能多参数量化装置,而该方法的执行前提是可以获取多模态成像,此处需要说明的是多模态成像是指对病人待测区域组织采集多种模态类型的成像,其中,多种模态通常包括超声模态、光声模态和弹性模态,即传统的成像是单一成像,例如超声成像或光声成像,而本发明进行身体机能参数量化的数据源是多模态成像,即可以提取多种模态信号的数据源。因此,从多模态成像中提取的各种模态的信号分别可以用于提取不同种类的身体机能参数数值。其中,步骤110,首先从多模态成像中分离出超声成像,然后基于超声成像的结构特性,可以对病变组织(例如肿瘤区域)进行定位测量,测出病变区域的位置和深度,并对病变区域周边的血管进行结构参数数值的获取,上述结构性参数都是基于适用于图像分割处理的超声图像获取的。
步骤120,从所述多模态成像中提取光声成像,对所述光声成像采用预设蒙特卡罗仿真迭代算法,获取生理信息参数。
具体地,此处通过从多模态成像中提取的光声成像获取的光声信号中提取生理信息参数。此处需要说明的是,生理性参数为微观到分子层面的描述身体机能的参数,光声成像可获取组织吸收分布、发色团浓度、血红蛋白、脂质成分、血氧代谢等分子和功能信息,结合光声光谱技术及分子影像技术,可对与肿瘤密切相关的生理参数进行定量功能成像。通过光声成像系统直接获得的光声图像本质上是生物组织的光吸收密度图像,它是组织光吸收系数,光通量和Gruneisien参数共同作用的结果。传统方法在求解光吸收系数时通常假设光通量为不变量,但实际上光通量随深度变化而变化。本发明中通过对采集到的光声信号进行光通量补偿,矫正光通量变化对功能信息的影响,结合结构量化提供的先验知识,实现更精确的量化肿瘤组织的相关功能参数。基于Monte Carlo模型,应用形态结构的量化参数及生物组织作为Monte Carlo模型初始化先验知识,采用迭代算法从光吸收能量图中提取吸收系数,并结合光强补偿得到初始化参数。在迭代算法中,计算每次迭代时被检测到的能量分布与计算得到的吸收能量分布之间的偏差。通过减小吸收能量的偏差,恢复值收敛到真实的吸收分布。
步骤130,从所述多模态成像中提取剪切波,对所述剪切波进行组织位移估计、方向性滤波器和波速估计,获取弹性硬度信息参数。
具体地,对所述剪切波进行组织位移估计、方向性滤波器和波速估计得到最终的硬度分布图像。若对于截断的某一时段内的信号,基于所述设置的触发参数、同步参数和延时参数确定的接收回波的规律可以确定当前时段内的信号类型,若当前时段内的信号类型为弹性模态类型,则采用超声剪切波弹性成像重建算法,目的是对超声回波中携带的组织在剪切波作用下产生的位移信息进行估计,并以此作为重建剪切波传播过程的依据,利用剪切波波速与杨氏模量的关系进而得到杨氏模量的值。主要包括基于自相关方法的组织位移估计、基于k空间(k-space)的方向性滤波器以及基于TOF方法的剪切波波速估计。
本发明提供的基于多模态成像的身体机能多参数量化方法,通过从多模态成像中提取超声成像,对所述超声成像采用预设分割算法,获取结构形态信息参数;从所述多模态成像中提取光声成像,对所述光声成像采用预设蒙特卡罗仿真迭代算法,获取生理信息参数;从所述多模态成像中提取剪切波,对所述剪切波进行组织位移估计、方向性滤波器和波速估计,获取弹性硬度信息参数。由于从多模态成像中提取的超声信号、光声信号和弹性信号确定的结构性参数、生理性参数和硬度参数为病灶提供全面完整的诊断依据。因此,本发明提供的方法,实现了从多模态成像的超声信号、光声信号和弹性信号中提取各类身体机能参数数值,为病灶提供全面完整的诊断依据。
在上述实施例的基础上,该方法中,所述对所述超声成像采用预设分割算法,获取结构形态信息参数,具体包括:
采用基于边缘的主动轮廓模型算法处理所述超声成像,得到目标区域第一分割图像;
采用基于多尺度Hessian滤波器算法处理所述超声成像,得到所述目标区域第二分割图像;
基于所述第一分割图像和所述第二分割图像复合出最终分割图像;
基于所述最终分割图像确定肿瘤位置和深度,以及所述肿瘤周边血管形态参数。
具体地,超声成像提供形态结构信息,包括待测组织中块状的肿瘤的位置及深度,肿瘤周边血管网络的直径、密度和弯曲度等。对于测得的超声图像应用形态结构信息量化算法。具体的,利用基于边缘的主动轮廓模型及基于多尺度Hessian滤波器的复合肿瘤及血管分割算法,对目标区域进行组织边缘分割,提取血管直径、血管密度、血管长度及分形维数这四个与肿瘤血管发展变化密切相关的重要形态信息。
两种分割方法得到的第一分割图像和所述第二分割图像复合出最终分割图像的复合方法优选采用的是线性加权融合算法,因为线性加权融合算法简单且计算量小。
采用加权平均机制进行复合,即
Iout=αIJ+(1-α)IH
其中,Iout为最终的分割结果,IJ为基于边缘的主动轮廓模型算法分割结果,IH为多尺度Hessian滤波器的图像分割结果,α为权值因子,为0到1之间的标量值。
实际操作中,α可由用户给定,以确保分割技术能够给出最佳结果。当α取1时,其最终结果为基于边缘的主动轮廓模型方法所得到的分割结果。当α取0时,最终的分割结果为Hessian滤波器的分割结果,只要在确保复合结果不会出现过分割的情况时,α应尽量小。
其中主动轮廓模型的主要原理通过构造能量泛函,在能量函数最小值驱动下,轮廓曲线逐渐向待检测物体的边缘逼近,最终分割出目标。其优点是在高噪声的情况下,也能得到连续、光滑的闭合分割边界。基于边缘的主动轮廓模型算法根据目标边缘的梯度跳变来检测目标。主动轮廓模型的能量函数为如下公式计算:
其中,C为为图像内的演化曲线,α(s)为弹性系数,控制轮廓曲线向目标延伸并保持连续性,β(s)为刚性系数,控制轮廓曲线随着目标的形状发生的凹凸程度,并且保持轮廓曲线的光滑性,γ(s)用以调整收敛的步长,▽I为图像的梯度信息。
对于图像I在尺度s下的Hessian矩阵H(I)s的计算公式为:
其中,I(x)为超声图像在位置x处的强度值,γ为正则化参数。
尺度s下的高斯核函数G(x,s)的表达式为:
在上述实施例的基础上,该方法中,所述肿瘤周边血管形态参数包括血管的密度、血管长度分数和血管分形维数。
具体地,此处将需要测量的结构性参数进行了进一步的限定,除了前文中提到的通过分割算法获取的待测组织区域的位置和深度,还需要对待测组织区域周围的血管的结构参数进行测量,而此处进一步限定需要测量的周边血管的结构参数包括血管的密度、血管长度分数和血管分形维数。
在上述实施例的基础上,该方法中,基于所述最终分割图像确定所述肿瘤周边血管形态参数,具体包括:
通过如下公式计算所述肿瘤周边血管的密度值VD:
其中,Iout(i,j)为所述最终分割图像Iout中位置(i,j)像素点的像素值,m和n分别为Iout水平方向和垂直方向的像素点总数;
通过如下公式计算所述肿瘤周边血管的长度分数值VLF:
其中,Iskel为基于所述最终分割图像确定的骨架化图像,Iskel(i,j)为所述骨架化图像Iskel中位置(i,j)像素点的像素值,m’和n’分别为Iskel水平方向和垂直方向的像素点总数;
通过如下公式计算所述肿瘤周边血管的分形维数FD:
其中,N(l)为需要覆盖整幅所述最终分割图像的窗口的数目,l为所述窗口的宽度。
具体地,计算肿瘤及血管的四个量化指标,包括分形维度、血管长度分数和血管密度,以从强度、位置及形态多个角度对血管进行表征。血管的密度(VD)和血管长度分数(VLF)分别表示血管所占面积与血管长度所占面积在整幅血管图像的相对值。血管密度通过分割后的图像直接计算,其计算方法为所有表征血管的像素点数与整幅图像像素点数之比,即
其中,m、n分别为Iout(i,j)的水平和垂直方向的像素点数;VD为血管密度值。
对于血管长度分数(VLF),首先计算表征血管长度的骨架化图像。骨架化后得到的图像代表了血管的中心线。血管长度分数的计算方法为血管骨架化图像中值为1的像素点之和与整幅图像像素总数之比,即
其中,VLF为血管的长度分数值;Iskel为骨架化图像。此处需要说明的是骨架化图像为模式识别中常见的一个概念,相当于图像的细化,即将原本信息量巨大“臃肿”的像素简化为单像素相连接的二值化图像,骨架化算法目前已有多种,此处不作具体限定使用哪种。
分形维数(FD)用于量化血管形态及弯曲程度,其计算公式为:
其中,N(l)为需要覆盖整幅图像的窗口的数目,l为窗口的尺寸。
在上述实施例的基础上,该方法中,所述对所述光声成像采用预设蒙特卡罗仿真迭代算法,获取生理信息参数,具体包括:
基于所述光声成像中的光声信号和所述结构形态信息参数构建的Monte Carlo模型,设置吸收系数初始值;
在任一迭代轮次中,基于所述Monte Carlo模型仿真得到光通量和当前所述任一迭代轮次的吸收系数计算当前所述任一迭代轮次的光声信号,若所述光声信号与实际测量光声信号之间误差超过预设阈值,则基于预设更新算法更新用于所述任一迭代轮次的下一迭代轮次计算的吸收系数,否则,输出所述任一迭代轮次中的吸收系数为最终吸收系数;
基于所述最终吸收系数确定发色团浓度,基于所述发色团浓度确定生理信息参数。
具体地,光声成像可获取组织吸收分布、发色团浓度、血红蛋白、脂质成分、血氧代谢等分子和功能信息,结合光声光谱技术及分子影像技术,可对与肿瘤密切相关的生理参数进行定量功能成像。通过光声成像系统直接获得的光声图像本质上是生物组织的光吸收密度图像,它是组织光吸收系数,光通量和Gruneisien参数共同作用的结果。对于采集到的光声信号,可用如下的公式描述:
P=kΓμaF
其中,P为采集到的光声信号,Γ为格日尼森系数,μa为组织的光吸收系数,F为对应光通量分布。在一定条件下,格日尼森系数和光通量均为常数。
然而,与疾病各种功能和生理参数(如:氧饱和度,血红蛋白浓度,脂肪含量)直接相关的是组织光吸收系数。因此,通过量化光声成像技术,提取生物组织光学系数图像,是获取生物组织重要功能参数的前提条件。
传统方法在求解光吸收系数时通常假设光通量为不变量,但实际上光通量随深度变化而变化。本发明中通过对采集到的光声信号进行光通量补偿,矫正光通量变化对功能信息的影响,结合结构量化提供的先验知识,实现更精确的量化肿瘤组织的相关功能参数。选用光吸收系数作为组织功能量化参数,结合超声成像提供形态结构信息,包括待测组织中块状的肿瘤的位置及深度,肿瘤周边血管网络的直径、密度和弯曲度等信息。本发明针对非均匀光通量分布对吸收分布重建的限制问题,提出了一种定量重建组织光学吸收系数分布的新方法。该方法基于Monte Carlo模型,应用形态结构的量化参数及生物组织作为Monte Carlo模型初始化先验知识,采用迭代算法从光吸收能量图中提取吸收系数,并结合光强补偿得到初始化参数。在迭代算法中,计算每次迭代时被检测到的能量分布与计算得到的吸收能量分布之间的偏差。通过减小吸收能量的偏差,恢复值收敛到真实的吸收分布。
迭代算法实现步骤:
(1)测量得到光声信号,记为Pzx0;
(2)结合结构量化提供的先验知识初始化Monte Carlo模型,预设吸收系数迭代初始值μa0,μak=μa0;
(3)根据吸收系数值,由Monte carlo计算得到光通量fluence(k),记为Fzxk;
(4)计算第k次迭代得到的光声信号Pzxk,Pzxk=μak×Fzxk;
(5)计算测量得到的光能量沉积与迭代计算得到的光能量之间的误差ε,若误差足够小则停止迭代,输出此时的吸收系数,否则,更新吸收系数μak,转至步骤(3)继续迭代。
在上述实施例的基础上,该方法中,所述基于预设更新算法更新用于所述任一迭代轮次的下一迭代轮次计算的吸收系数,具体包括:
根据如下关系式计算所述任一迭代轮次k的下一迭代轮次k+1的吸收系数μak+1:
lgμak+1=lgPzxk-lg(Fzxk+σ),Pzxk=μak×Fzxk
其中,Pzxk为基于所述Monte Carlo模型和当前所述任一迭代轮次k的吸收系数μak计算当前所述任一迭代轮次的光声信号,Fzxk为基于所述Monte Carlo模型和当前所述任一迭代轮次k的吸收系数μak计算当前所述任一迭代轮次的光通量,σ为可调系数。
具体地,在前文所述的步骤(5)中在“否则”之后的关系更新为更新吸收系数μak,其中,更新关系lgμak+1=lgPzxk-lg(Fzxk+σ),转至步骤(3)继续迭代。
组织的光吸收系数可直接反应组织的生理学信息,进一步的,吸收系数分布与组织中发色团的浓度直接相关,通过如下公式描述光吸收系数与组织中发色团的浓度的关系:
其中,μa为组织光吸收系数,e为常量,C为发色团的浓度,α为摩尔吸收系数。鉴于吸收系数与发色团浓度的关系,结合多光谱技术在不同波长下可求得相应发色团的浓度。通过获取对比剂在组织的浓度分布有助于实现疾病的病灶定位和诊断。
在上述实施例的基础上,该方法中,对所述剪切波进进行波速估计,具体包括:
采用TOF算法对所述剪切波进行波速估计。
具体地,此处对从所述多模态成像中提取剪切波,对所述剪切波进行组织位移估计、方向性滤波器和波速估计,获取弹性硬度信息参数进行具体说明,说明如下:
通过弹性重建算法对系统接收到的信号进行处理,就能够得到组织的弹性分布,图2为本发明提供的超声剪切波弹性图像重建流程示意图,如图2所示,其提供了弹性成像方法信号处理过程。通过将主控装置接收到的原始信号进行解调和低通滤波处理后得到基带信号,去除杂波后对基带信号进行数据结构重建,在采用基于相位域的自相关方法估计组织的位移,获取剪切波传播的过程,对剪切波波速进行求解,利用剪切波波速和组织弹性模量的关系重建弹性模量,实现组织的弹性成像。
为了获取相对精准的弹性测量结果,需要通过观测剪切波的传播过程估计剪切波的传播速度,而剪切波在传播过程中会使组织发生轴向运动,因此追踪剪切波传播过程实质上就是对组织的轴向形变进行追踪,准确监测剪切波传播诱发的组织形变至关重要。
在基于剪切波的弹性成像系统中,当脉冲激光照射到组织上激发出剪切波时,线阵超声换能器通过发射和接收平面脉冲超声波对组织的轴向位移进行检测。仅考虑轴向维度,与剪切波激发之前收集的射频信号相比,在剪切波激发之后收集到的射频信号会因组织形变而发生相对偏移。在基于剪切波的弹性成像方法中,本发明使用自相关算法对采集的数据进行计算实现组织的位移估计。求解简单,计算速度快。
对信号相位差进行求解,需要对原始RF信号进行正交(in-phase/quadrature,IQ)解调(即将原始RF信号与正弦和余弦信号混合,然后采用低通滤波去除无用信号),得到复数RF信号,表示为以下形式:
其中,r(t)为复数RF信号,a(t)为信号幅值,ω0=2πf0,f0为RF信号的中心频率,θ0为信号初始相位。当剪切波经过组织某一位置,该位置发生轴向位移,所以在该点接收到的发生位移前和发生位移时的信号具有相位差,使用频域自相关函数R(τ)来求解超声信号的相位差:
其中,r(t)是超声信号,τ为信号时延,*表示卷积运算,(·)*表示信号复数共轭,θ(τ)就是信号的相位差,组织该点在该时刻的位移u为:
其中,λ为超声信号波长,c为超声信号声速。
具体地,采用距离门的长度M表示用于位移估计的深度样本数,整体长度N表示发射脉冲的数目,假设原始RF信号为r(m,n),m和n分别对应于第m个距离门和第n个发射脉冲,则r(m,n)经过正交解调后得到的IQ信号z(m,n)可以表示为如下形式:
z(m,n)=I(m,n)+jQ(m,n)
其中,I(m,n)为同相支路的基带信号,Q(m,n)为正交支路的基带信号。
对于频率为f0的RF信号,在给定距离门长度M和总体长度N上的平均轴向位移u为:
利用上述方法,对组织每一点在采样时间内的位移进行估计,就可以得到组织的位移-时间图像,即剪切波的传播图像。
在得到一系列不同时刻组织的位移图像后,获取到剪切波在组织中的传播情况,下面就可以从收集到的轴向位移信息中计算剪切波速度,量化组织的弹性模量了。早期的方法是Helmholtz方程的代数反演,由于该方法需要对数据进行二阶微分,并且二阶微分要求数据非常平滑,但是平面波捕捉到的位移本身具有干扰,所以该方法分辨率较差,并且该方法的抗干扰能力也不是很好。因此,通常采用飞行时间(time of flight,TOF)方法,对剪切波到达时间和横向距离进行线性回归来估计剪切波波速,从而实现弹性的定量。在组织上选取同一深度的两个位置点,位置点之间的距离为dx,利用上文所述的互相关方法,对这两个位置点进行计算求取剪切波经过两点的时间间隔为dt,将距离除以时间就可以计算出剪切波波速大小:
其中,cs为剪切波波速(m/s)。
通过上述对cs的计算,即可得到d(x1,t1),d(x2,t2)两个位置间的平均杨氏模量E,由此可见飞行时间方法的分辨率取决于dx。对整个感兴趣区域进行上述操作,则可绘制整个区域的杨氏模量分布图。
杨氏模量的表达式如下:
E=3ρcs 2,ρ为组织密度
由此可知在组织密度近似恒定的条件下,杨氏模量与剪切波波速的平方成正比;因此通过估算剪切波的波速即可定量表示组织的弹性信息。
当剪切波在组织内部从声阻抗小的部分传播到声阻抗大的部分时,剪切波在具有声阻抗差异部分的边界发生反射。在使用TOF方法进行剪切波速度估计时,由于入射波和反射波传播的方向相反,反射的剪切波会影响波速估计,导致剪切波速度的估计结果中出现伪影。这是基于剪切波速度的弹性成像技术的一个潜在缺陷,特别是在组织硬度反差大的情况下,如动脉粥样硬化斑块或僵硬的病变。为了解决这个问题,本发明还提供一种基于剪切波弹性成像的方向性滤波器,将前向传播波和后向传播波进行分离减小反射剪切波对波速估计的影响,提高成像质量。
在散射较小且局部均匀的组织中,认为剪切波传播形态为局部平面波。在此前提下,基于上述步骤1中确定的各时刻的位移u可以将剪切波的传播方程可以写成前向传播波Ui和后向传播波Ur之和,如下式所示:
对剪切波传播的空间-时间图,进行二维快速傅里叶变换将其变换到k-space。k-space的横坐标为剪切波角频率w,纵坐标为剪切波波数k,剪切波的频域信息分布在四个象限中(k>0,w>0、k>0,w<0、k<0,w>0、k<0,w<0)。其中一、三象限中表示前向传播的剪切波,二、四象限中表示反向传播的剪切波。设置一个滤波器,其与剪切波传播空间-时间图的k-space中一、三象限对应的值均为1,与二、四象限对应的值均为0,滤波器中心频率为对应0频率,将其对k-space中的对应象限进行滤波即可保留前向传播的剪切波,去除反向传播的剪切波。
下面对本发明提供的基于多模态成像的身体机能多参数量化装置进行描述,下文描述的基于多模态成像的身体机能多参数量化装置与上文描述的第一种基于多模态成像的身体机能多参数量化方法可相互对应参照。
图3为本发明提供的基于多模态成像的身体机能多参数量化装置的结构示意图,如图3所示,该基于多模态成像的身体机能多参数量化装置包括结构单元310、生理单元320和弹性单元330,其中,
所述结构单元310,用于从多模态成像中提取超声成像,对所述超声成像采用预设分割算法,获取结构形态信息参数;
所述生理单元320,用于从所述多模态成像中提取光声成像,对所述光声成像采用预设蒙特卡罗仿真迭代算法,获取生理信息参数;
所述弹性单元330,用于从所述多模态成像中提取剪切波,对所述剪切波进行组织位移估计、方向性滤波器和波速估计,获取弹性硬度信息参数。
本发明提供的基于多模态成像的身体机能多参数量化装置,通过从多模态成像中提取超声成像,对所述超声成像采用预设分割算法,获取结构形态信息参数;从所述多模态成像中提取光声成像,对所述光声成像采用预设蒙特卡罗仿真迭代算法,获取生理信息参数;从所述多模态成像中提取剪切波,对所述剪切波进行组织位移估计、方向性滤波器和波速估计,获取弹性硬度信息参数。由于从多模态成像中提取的超声信号、光声信号和弹性信号确定的结构性参数、生理性参数和硬度参数为病灶提供全面完整的诊断依据。因此,本发明提供的装置,实现了从多模态成像的超声信号、光声信号和弹性信号中提取各类身体机能参数数值,为病灶提供全面完整的诊断依据。
在上述实施例的基础上,该基于多模态成像的身体机能多参数量化装置中,所述对所述超声成像采用预设分割算法,获取结构形态信息参数,具体包括:
采用基于边缘的主动轮廓模型算法处理所述超声成像,得到目标区域第一分割图像;
采用基于多尺度Hessian滤波器算法处理所述超声成像,得到所述目标区域第二分割图像;
基于所述第一分割图像和所述第二分割图像复合出最终分割图像;
基于所述最终分割图像确定肿瘤位置和深度,以及所述肿瘤周边血管形态参数。
在上述实施例的基础上,该基于多模态成像的身体机能多参数量化装置中,所述肿瘤周边血管形态参数包括血管的密度、血管长度分数和血管分形维数。
在上述实施例的基础上,该基于多模态成像的身体机能多参数量化装置中,基于所述最终分割图像确定所述肿瘤周边血管形态参数,具体包括:
通过如下公式计算所述肿瘤周边血管的密度值VD:
其中,Iout(i,j)为所述最终分割图像Iout中位置(i,j)像素点的像素值,m和n分别为Iout水平方向和垂直方向的像素点总数;
通过如下公式计算所述肿瘤周边血管的长度分数值VLF:
其中,Iskel为基于所述最终分割图像确定的骨架化图像,Iskel(i,j)为所述骨架化图像Iskel中位置(i,j)像素点的像素值,m,和n,分别为Iskel水平方向和垂直方向的像素点总数;
通过如下公式计算所述肿瘤周边血管的分形维数FD:
其中,N(l)为需要覆盖整幅所述最终分割图像的窗口的数目,l为所述窗口的宽度。
在上述实施例的基础上,该基于多模态成像的身体机能多参数量化装置中,所述对所述光声成像采用预设蒙特卡罗仿真迭代算法,获取生理信息参数,具体包括:
基于所述光声成像中的光声信号和所述结构形态信息参数构建的Monte Carlo模型,设置吸收系数初始值;
在任一迭代轮次中,基于所述Monte Carlo模型仿真得到光通量和当前所述任一迭代轮次的吸收系数计算当前所述任一迭代轮次的光声信号,若所述光声信号与实际测量光声信号之间误差超过预设阈值,则基于预设更新算法更新用于所述任一迭代轮次的下一迭代轮次计算的吸收系数,否则,输出所述任一迭代轮次中的吸收系数为最终吸收系数;
基于所述最终吸收系数确定发色团浓度,基于所述发色团浓度确定生理信息参数。
在上述实施例的基础上,该基于多模态成像的身体机能多参数量化装置中,所述基于预设更新算法更新用于所述任一迭代轮次的下一迭代轮次计算的吸收系数,具体包括:
根据如下关系式计算所述任一迭代轮次k的下一迭代轮次k+1的吸收系数μak+1:
lgμak+1=lgPzxk-lg(Fzxk+σ),Pzxk=μak×Fzxk
其中,Pzxk为基于所述Monte Carlo模型和当前所述任一迭代轮次k的吸收系数μak计算当前所述任一迭代轮次的光声信号,Fzxk为基于所述Monte Carlo模型和当前所述任一迭代轮次k的吸收系数μak计算当前所述任一迭代轮次的光通量,σ为可调系数。
在上述实施例的基础上,该基于多模态成像的身体机能多参数量化装置中,对所述剪切波进进行波速估计,具体包括:
采用TOF算法对所述剪切波进行波速估计。
基于上述实施例,本发明提供一种基于多模态成像的多参数量化的操作流程,图4为本发明提供的基于多模态成像的多参数量化的流程框架图,如图4所示,从多模态成像中提取出其包含的三种成像模态,分别是超声成像、光声成像和弹性成像,其中,超声成像作为图4中从左往右数第一支处理分支,采用的是基于边缘的主动轮廓模型及基于多尺度Hessian滤波器的复合分割算法进行图像分割处理,分割出目标区域(即包含病灶的组织区域,例如肿瘤或囊肿等等),然后基于分割出的目标区域的结构参数最终测量出肿瘤结构、位置、深度、肿瘤周边血管直径、密度和弯曲度;图4中第二个分支处理的是光声成像,采用基于Monte Carlo模型的光通量补偿及量化算法,最终得到组织吸收系数,发色团浓度参数,最终推导出组织周边血红蛋白、脂质成分、血氧代谢等分子和功能信息;图4中第三个分支处理的是弹性成像,具体地,基于自相关估计算法对组织位移进行估计及Time-of-flight算法进行剪切波波速估计,最终得到病灶组织周围的组织弹性分布图,获取硬度和粘性信息。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行基于多模态成像的身体机能多参数量化方法,该方法包括:从多模态成像中提取超声成像,对所述超声成像采用预设分割算法,获取结构形态信息参数;从所述多模态成像中提取光声成像,对所述光声成像采用预设蒙特卡罗仿真迭代算法,获取生理信息参数;从所述多模态成像中提取剪切波,对所述剪切波进行组织位移估计、方向性滤波器和波速估计,获取弹性硬度信息参数。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的基于多模态成像的身体机能多参数量化方法,该方法包括:从多模态成像中提取超声成像,对所述超声成像采用预设分割算法,获取结构形态信息参数;从所述多模态成像中提取光声成像,对所述光声成像采用预设蒙特卡罗仿真迭代算法,获取生理信息参数;从所述多模态成像中提取剪切波,对所述剪切波进行组织位移估计、方向性滤波器和波速估计,获取弹性硬度信息参数。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的另一基于多模态成像的身体机能多参数量化方法,该方法包括:从多模态成像中提取超声成像,对所述超声成像采用预设分割算法,获取结构形态信息参数;从所述多模态成像中提取光声成像,对所述光声成像采用预设蒙特卡罗仿真迭代算法,获取生理信息参数;从所述多模态成像中提取剪切波,对所述剪切波进行组织位移估计、方向性滤波器和波速估计,获取弹性硬度信息参数。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于多模态成像的身体机能多参数量化方法,其特征在于,包括:
从多模态成像中提取超声成像,对所述超声成像采用预设分割算法,获取结构形态信息参数;
从所述多模态成像中提取光声成像,对所述光声成像采用预设蒙特卡罗仿真迭代算法,获取生理信息参数;
从所述多模态成像中提取剪切波,对所述剪切波进行组织位移估计、方向性滤波器和波速估计,获取弹性硬度信息参数。
2.根据权利要求1所述的基于多模态成像的身体机能多参数量化方法,其特征在于,所述对所述超声成像采用预设分割算法,获取结构形态信息参数,具体包括:
采用基于边缘的主动轮廓模型算法处理所述超声成像,得到目标区域第一分割图像;
采用基于多尺度Hessian滤波器算法处理所述超声成像,得到所述目标区域第二分割图像;
基于所述第一分割图像和所述第二分割图像复合出最终分割图像;
基于所述最终分割图像确定肿瘤位置和深度,以及所述肿瘤周边血管形态参数。
3.根据权利要求2所述的基于多模态成像的身体机能多参数量化方法,其特征在于,所述肿瘤周边血管形态参数包括血管的密度、血管长度分数和血管分形维数。
4.根据权利要求3所述的基于多模态成像的身体机能多参数量化方法,其特征在于,基于所述最终分割图像确定所述肿瘤周边血管形态参数,具体包括:
通过如下公式计算所述肿瘤周边血管的密度值VD:
其中,Iout(i,j)为所述最终分割图像Iout中位置(i,j)像素点的像素值,m和n分别为Iout水平方向和垂直方向的像素点总数;
通过如下公式计算所述肿瘤周边血管的长度分数值VLF:
其中,Iskel为基于所述最终分割图像确定的骨架化图像,Iskel(i,j)为所述骨架化图像Iskel中位置(i,j)像素点的像素值,m’和n’分别为Iskel水平方向和垂直方向的像素点总数;
通过如下公式计算所述肿瘤周边血管的分形维数FD:
其中,N(l)为需要覆盖整幅所述最终分割图像的窗口的数目,l为所述窗口的宽度。
5.根据权利要求1-4中任一项所述的基于多模态成像的身体机能多参数量化方法,其特征在于,所述对所述光声成像采用预设蒙特卡罗仿真迭代算法,获取生理信息参数,具体包括:
基于所述光声成像中的光声信号和所述结构形态信息参数构建的Monte Carlo模型,设置吸收系数初始值;
在任一迭代轮次中,基于所述Monte Carlo模型仿真得到光通量和当前所述任一迭代轮次的吸收系数计算当前所述任一迭代轮次的光声信号,若所述光声信号与实际测量光声信号之间误差超过预设阈值,则基于预设更新算法更新用于所述任一迭代轮次的下一迭代轮次计算的吸收系数,否则,输出所述任一迭代轮次中的吸收系数为最终吸收系数;
基于所述最终吸收系数确定发色团浓度,基于所述发色团浓度确定生理信息参数。
6.根据权利要求5所述的基于多模态成像的身体机能多参数量化方法,其特征在于,所述基于预设更新算法更新用于所述任一迭代轮次的下一迭代轮次计算的吸收系数,具体包括:
根据如下关系式计算所述任一迭代轮次k的下一迭代轮次k+1的吸收系数μak+1:
lgμak+1=lgPzxk-lg(Fzxk+σ),Pzxk=μak×Fzxk
其中,Pzxk为基于所述Monte Carlo模型和当前所述任一迭代轮次k的吸收系数μak计算当前所述任一迭代轮次的光声信号,Fzxk为基于所述Monte Carlo模型和当前所述任一迭代轮次k的吸收系数μak计算当前所述任一迭代轮次的光通量,σ为可调系数。
7.根据权利要求1-4中任一项所述的基于多模态成像的身体机能多参数量化方法,其特征在于,对所述剪切波进进行波速估计,具体包括:
采用TOF算法对所述剪切波进行波速估计。
8.一种基于多模态成像的身体机能多参数量化装置,其特征在于,包括:
结构单元,用于从多模态成像中提取超声成像,对所述超声成像采用预设分割算法,获取结构形态信息参数;
生理单元,用于从所述多模态成像中提取光声成像,对所述光声成像采用预设蒙特卡罗仿真迭代算法,获取生理信息参数;
弹性单元,用于从所述多模态成像中提取剪切波,对所述剪切波进行组织位移估计、方向性滤波器和波速估计,获取弹性硬度信息参数。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7中任一项所述的基于多模态成像的身体机能多参数量化方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于多模态成像的身体机能多参数量化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110034796.2A CN112869768A (zh) | 2021-01-12 | 2021-01-12 | 基于多模态成像的身体机能多参数量化方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110034796.2A CN112869768A (zh) | 2021-01-12 | 2021-01-12 | 基于多模态成像的身体机能多参数量化方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112869768A true CN112869768A (zh) | 2021-06-01 |
Family
ID=76045114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110034796.2A Pending CN112869768A (zh) | 2021-01-12 | 2021-01-12 | 基于多模态成像的身体机能多参数量化方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112869768A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399562A (zh) * | 2021-12-30 | 2022-04-26 | 山东格诠信息科技有限公司 | 一种结合光通量补偿的迭代量化光声成像算法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040133085A1 (en) * | 2003-01-07 | 2004-07-08 | Art Advanced Research Technologies Inc. | Continuous wave optical imaging assuming a scatter-law |
WO2004064626A1 (en) * | 2003-01-22 | 2004-08-05 | Art, Advanced Research Technologies, Inc. | Choice of wavelengths for multiwavelength optical imaging |
US20060015021A1 (en) * | 2004-06-29 | 2006-01-19 | Xuefeng Cheng | Optical apparatus and method of use for non-invasive tomographic scan of biological tissues |
CN102580260A (zh) * | 2010-12-17 | 2012-07-18 | 通用电气公司 | 超声图像中自动识别和分割不同组织类型的系统和方法 |
CN102737382A (zh) * | 2012-06-22 | 2012-10-17 | 刘怡光 | 一种前列腺超声图像自动精确分割方法 |
CN104867151A (zh) * | 2015-05-26 | 2015-08-26 | 沈阳市第四人民医院 | 一种基于延展性主动轮廓模型的眼底图像血管分割方法 |
US20150351722A1 (en) * | 2013-03-14 | 2015-12-10 | The Regents Of The University Of California | Integrated Multimodality Intravascular Imaging System that Combines Optical Coherence Tomography, Ultrasound Imaging, and Acoustic Radiation Force Optical Coherence Elastography |
CN105225237A (zh) * | 2015-09-22 | 2016-01-06 | 哈尔滨工业大学(威海) | 光声显微血管图像分割和量化方法及装置 |
US20160000368A1 (en) * | 2014-07-01 | 2016-01-07 | University Of Washington | Systems and methods for in vivo visualization of lymphatic vessels with optical coherence tomography |
CN205758513U (zh) * | 2016-04-26 | 2016-12-07 | 中国科学院苏州生物医学工程技术研究所 | 一种皮肤疾病多模态成像检测系统 |
US20170209089A1 (en) * | 2016-01-22 | 2017-07-27 | The Regents Of The University Of California | Predicting Weight Loss and Fat Metabolism Using Optical Signal Changes in Fat |
US20170231602A1 (en) * | 2015-10-08 | 2017-08-17 | Zmk Medical Technologies Inc. | 3d multi-parametric ultrasound imaging |
WO2018016709A2 (ko) * | 2016-07-21 | 2018-01-25 | 주식회사 인핏앤컴퍼니 | 주파수 도메인 기반의 다파장 생체신호 분석 장치 및 그 방법 |
US20190117197A1 (en) * | 2015-11-02 | 2019-04-25 | Purdue Research Foundation | Method and device for in situ cancer margin detection |
US20190142366A1 (en) * | 2016-06-10 | 2019-05-16 | Koninklijke Philips N.V. | Using reflected shear waves for monitoring lesion growth in thermal ablations |
US20200121242A1 (en) * | 2018-10-22 | 2020-04-23 | Wayne State University | Ultrasound, photoacoustic, and viscoelastic imaging systems and methods for cervical analysis to assess risk of preterm delivery |
-
2021
- 2021-01-12 CN CN202110034796.2A patent/CN112869768A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040133085A1 (en) * | 2003-01-07 | 2004-07-08 | Art Advanced Research Technologies Inc. | Continuous wave optical imaging assuming a scatter-law |
WO2004064626A1 (en) * | 2003-01-22 | 2004-08-05 | Art, Advanced Research Technologies, Inc. | Choice of wavelengths for multiwavelength optical imaging |
US20060015021A1 (en) * | 2004-06-29 | 2006-01-19 | Xuefeng Cheng | Optical apparatus and method of use for non-invasive tomographic scan of biological tissues |
CN102580260A (zh) * | 2010-12-17 | 2012-07-18 | 通用电气公司 | 超声图像中自动识别和分割不同组织类型的系统和方法 |
CN102737382A (zh) * | 2012-06-22 | 2012-10-17 | 刘怡光 | 一种前列腺超声图像自动精确分割方法 |
US20150351722A1 (en) * | 2013-03-14 | 2015-12-10 | The Regents Of The University Of California | Integrated Multimodality Intravascular Imaging System that Combines Optical Coherence Tomography, Ultrasound Imaging, and Acoustic Radiation Force Optical Coherence Elastography |
US20160000368A1 (en) * | 2014-07-01 | 2016-01-07 | University Of Washington | Systems and methods for in vivo visualization of lymphatic vessels with optical coherence tomography |
CN104867151A (zh) * | 2015-05-26 | 2015-08-26 | 沈阳市第四人民医院 | 一种基于延展性主动轮廓模型的眼底图像血管分割方法 |
CN105225237A (zh) * | 2015-09-22 | 2016-01-06 | 哈尔滨工业大学(威海) | 光声显微血管图像分割和量化方法及装置 |
US20170231602A1 (en) * | 2015-10-08 | 2017-08-17 | Zmk Medical Technologies Inc. | 3d multi-parametric ultrasound imaging |
US20190117197A1 (en) * | 2015-11-02 | 2019-04-25 | Purdue Research Foundation | Method and device for in situ cancer margin detection |
US20170209089A1 (en) * | 2016-01-22 | 2017-07-27 | The Regents Of The University Of California | Predicting Weight Loss and Fat Metabolism Using Optical Signal Changes in Fat |
CN205758513U (zh) * | 2016-04-26 | 2016-12-07 | 中国科学院苏州生物医学工程技术研究所 | 一种皮肤疾病多模态成像检测系统 |
US20190142366A1 (en) * | 2016-06-10 | 2019-05-16 | Koninklijke Philips N.V. | Using reflected shear waves for monitoring lesion growth in thermal ablations |
WO2018016709A2 (ko) * | 2016-07-21 | 2018-01-25 | 주식회사 인핏앤컴퍼니 | 주파수 도메인 기반의 다파장 생체신호 분석 장치 및 그 방법 |
US20200121242A1 (en) * | 2018-10-22 | 2020-04-23 | Wayne State University | Ultrasound, photoacoustic, and viscoelastic imaging systems and methods for cervical analysis to assess risk of preterm delivery |
Non-Patent Citations (3)
Title |
---|
YANG LIU,MINGJIAN SUN等: "Quantitative Reconstruction of Absorption Coefficients for Photoacoustic Tomography", 《APPLIED SCIENCES》 * |
付颖: "基于剪切波的光声弹性成像方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 基础科学辑》 * |
刘婷: "基于稀疏采样的光声显微成像方法研究", 《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399562A (zh) * | 2021-12-30 | 2022-04-26 | 山东格诠信息科技有限公司 | 一种结合光通量补偿的迭代量化光声成像算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gröhl et al. | Deep learning for biomedical photoacoustic imaging: A review | |
Tang et al. | Kalman filter-based microbubble tracking for robust super-resolution ultrasound microvessel imaging | |
Yang et al. | Local statistics and non-local mean filter for speckle noise reduction in medical ultrasound image | |
Balocco et al. | SRBF: Speckle reducing bilateral filtering | |
Ouahabi | A review of wavelet denoising in medical imaging | |
Karamalis et al. | Ultrasound confidence maps using random walks | |
Ukwatta et al. | Three‐dimensional ultrasound of carotid atherosclerosis: semiautomated segmentation using a level set‐based method | |
Tsui et al. | Effects of estimators on ultrasound Nakagami imaging in visualizing the change in the backscattered statistics from a Rayleigh distribution to a pre-Rayleigh distribution | |
de Ruijter et al. | Automated 3D geometry segmentation of the healthy and diseased carotid artery in free‐hand, probe tracked ultrasound images | |
Fradi et al. | Improved USCT of paired bones using waveletbased image processing | |
Kollorz et al. | Quantification of thyroid volume using 3-D ultrasound imaging | |
Shi et al. | Improving needle visibility in LED-based photoacoustic imaging using deep learning with semi-synthetic datasets | |
Vegas-Sanchez-Ferrero et al. | A gamma mixture model for IVUS imaging | |
Kutbay et al. | A computer-aided diagnosis system for measuring carotid artery intima-media thickness (IMT) using quaternion vectors | |
CN112869768A (zh) | 基于多模态成像的身体机能多参数量化方法和装置 | |
Haq et al. | Sparse-representation-based denoising of photoacoustic images | |
Liu et al. | High frame rate multi-perspective cardiac ultrasound imaging using phased array probes | |
Lok et al. | Improved ultrasound microvessel imaging using deconvolution with total variation regularization | |
Pialot et al. | A simplified and accelerated implementation of SVD for filtering ultrafast power Doppler images | |
Kim et al. | Learning-based attenuation quantification in abdominal ultrasound | |
CN116342444A (zh) | 一种双通道多模态图像融合方法及融合成像终端机 | |
Shen et al. | Deep learning-based wavelet threshold function optimization on noise reduction in ultrasound images | |
Hopp et al. | Experimental analysis of ray-based sound speed reconstruction algorithms for phase aberration corrected USCT SAFT imaging | |
Wifstad et al. | Quantifying Valve Regurgitation Using 3-D Doppler Ultrasound Images and Deep Learning | |
Slimi et al. | Improvement of displacement estimation of breast tissue in ultrasound elastography using the monogenic signal |
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 |
Application publication date: 20210601 |
|
RJ01 | Rejection of invention patent application after publication |