CN113100823A - 一种无创脑血流检测系统 - Google Patents

一种无创脑血流检测系统 Download PDF

Info

Publication number
CN113100823A
CN113100823A CN202110378054.1A CN202110378054A CN113100823A CN 113100823 A CN113100823 A CN 113100823A CN 202110378054 A CN202110378054 A CN 202110378054A CN 113100823 A CN113100823 A CN 113100823A
Authority
CN
China
Prior art keywords
image
target tissue
blood flow
cerebral blood
speckle
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.)
Withdrawn
Application number
CN202110378054.1A
Other languages
English (en)
Inventor
卢扬建
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.)
Suzhou Susui Lvmeng Biotechnology Co ltd
Original Assignee
Suzhou Susui Lvmeng Biotechnology 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 Suzhou Susui Lvmeng Biotechnology Co ltd filed Critical Suzhou Susui Lvmeng Biotechnology Co ltd
Priority to CN202110378054.1A priority Critical patent/CN113100823A/zh
Publication of CN113100823A publication Critical patent/CN113100823A/zh
Withdrawn legal-status Critical Current

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
    • A61B8/06—Measuring blood flow
    • 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
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Hematology (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

本发明公开了一种无创脑血流检测系统，其特征在于，包括如下模块：超声发射模块、成像模块、通讯模块、主机模块以及显示模块；本无创脑血流检测系统通过发射模块中的近红外激光器提供信号激励，激光器发出的光通过一系列胶合透镜照射到目标组织上，同时成像模块采集脑血流动态变化图像信息将所述图像信息进行数字化处理，通讯模块将所采集到的脑血流动态变化图像信息发送到主机模块，主机模块将所述图像信息进行图像重建，生成激光散斑图像，计算所述激光散斑图像信息的散斑衬比值，分析得到脑血流变化情况。

Description

一种无创脑血流检测系统
技术领域
本发明涉及生理学领域，更具体的，涉及一种无创脑血流检测系统。
背景技术
颅脑创伤是神经外科常见病和多发病，特别是中重型颅脑创伤病情凶险，死残率高，一直是神经外科的重点和难点。创伤、感染和肿瘤等是引起脑损伤的常见原因。导致脑损伤的危险因素包括创伤部位的直接损伤，创伤后相关各种病理生理过程引起的继发性损伤，其中应激反应可持续相当一段时间，可能达到数日甚至数月,各种研究报道显示，脑损伤是一个持续进展的病理损伤过程。
研究发现，颅内压力和血流动力学改变对颅脑损伤后神经系统功能的改变发挥至关重要的作用，为了能够更加便捷、准确的检测脑血流变化，需要开发一款系统进行实现，该脑血流检测系统可实现无创检测，根据卷积神经网络模型识别目标组织血管直径变化情况，通过近红外光谱照射目标组织，采集目标对象脑血流分布图像，生成激光散斑衬比图像，计算得到散斑图像的衬比值，将衬比值与脑血流变化情况相匹配，通过对比不同时刻的散斑图形衬比值，得到脑血流的相对变化值。在该脑血流检测系统实现过程中，如何对目标组织血管直径变化进行识别与捕捉，如何通过散斑图像衬比值得到脑血流的相对变化值都是亟不可待需要解决的问题。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种无创脑血流检测系统。
一种无创脑血流检测系统，其特征在于，包括如下模块：超声发射模块、成像模块、通讯模块、主机模块以及显示模块；
所述超声发射模块用于为系统提供信号激励；
所述成像模块用于采集目标组织的图像信息，并进行数字化处理，同时将所述目标组织的图像信息输入到所述通讯模块；
所述通讯模块用于将所接收到的经过数字化处理的所述目标组织的图像信息传输到所述主机模块；
所述主机模块对接收到的经过数字化处理的所述目标组织的图像信息进行处理分析，通过卷积神经网络模型根据所诉目标组织的图像信息识别血管直径变化，同时生成激光散斑图像，分析得到脑血流变化情况，并将所述的脑血流变化情况信息传输到所述显示模块；
所述显示模块用于接收脑血流变化情况信息，并按预设方式显示。
本方案中，所述的超声发射模块包括近红外激光器、数字信号发生器、线性功率放大器、超声换能器、准直透镜；
所述近红外激光器作为激光源，配合所述数字信号发生器提供脉冲激光；
所述数字信号发生器用于控制超声波的基本频率，同时为所述红外激光器提供方波触发信号；
所述超声换能器将信号源发出的电功率转换为机械功率，通过超声波的形式表现；
所述线性功率放大器用于放大光声信号；
所述准直透镜将扩散光变为平行光，并用于改变激光传播方向。
本方案中，所述的成像模块包括CCD图像传感器、体视显微镜、图像采集卡；
所述CCD图像传感器用于获取目标组织图像信息，并将所述的图像信息转化为数字信号；
所述体视显微镜用于配合所述CCD相机获取目标组织脑血流图像信息；
所述图像采集卡用于存储CCD图像传感器获取的所述目标组织图像信息。
本方案中，所述的主机模块为能够快速处理成像模块所采集到的数据并进行及时保存的PC端或笔记本电脑。
本方案中，所述的主机模块包括PCI卡槽、接口、CPU主控单元、数据处理单元、数据存储单元、通信单元。
本方案中，还包括，所述CDD图像传感器获取目标组织图像信息后通过灰度变换使目标组织图像动态范围增大，预设目标组织图像像素点灰度值阈值；当目标组织图像像素点灰度值小于预设阈值时按照灰度变换计算公式得到新的灰度值；当目标组织图像像素点灰度值大于预设阈值时，取灰度值为预设灰度值阈值。
本方案中，所述的通过卷积神经网络模型根据所诉目标组织的图像信息识别血管直径变化，具体为：
建立识别血管直径变化的卷积神经网络模型；
将所述卷积神经网络模型连接血管变化图像相关数据库，使用血管直径变化图像数据对所述卷积神经网络模型进行训练；
采集目标组织的图像信息，将所述图像信息进行预处理导入所述卷积神经网络模型；
通过所述卷积神经网络模型识别并采集血管直径变化信息。
本方案中，还包括：
成像模块采集目标组织的帧图像数据；
将所述的目标组织的帧图像数据进行预处理，导入卷积神经网络模型；
经过预处理后的所述目标组织帧图像数据通过卷积神经网络的卷积层、线性整流层、池化层、全连接层进行特征提取，得到输出值；
将所得输出值与预设输出值进行比较，得到输出值偏差率；
判断所述输出值偏差率是否大于预设的输出值偏差率阈值；
若大于，则判断目标组织区域血管直径存在变化，生成激光散斑衬比图像，通过计算得到脑血流相对变化值。
本方案中，所述主机模块对接收到的经过数字化处理的所述目标组织的图像信息进行处理分析，生成激光散斑图像，分析得到脑血流变化情况，具体为：采集目标对象脑血流分布图像，生成激光散斑衬比图像，计算得到散斑图像的衬比值，将衬比值与脑血流变化情况相匹配，关联散射粒子的速度，通过对比不同时刻的散斑图形衬比值，得到脑血流的相对变化值。
本方案中，所述的的散斑图像衬比值是散斑强度的标准偏差与散斑强度平均值的比值，所述的散射粒子是血液中的血红细胞，血红细胞的速度与散斑图像衬比值通过积分时间关联，血红细胞的速度与散斑图像衬比值的平方成反比。
本方案中，所述的通过对比不同时刻的散斑图形衬比值，得到脑血流的相对变化值，具体为：获取第一激光散斑衬比图像，经过预设时间间隔后获取第二激光散斑衬比图像，计算得到两次散斑图像衬比值；计算第一激光散斑衬比图像的衬比值的平方R1 2与第二激光散斑衬比图像的衬比值的平方R2 2的比值，所得比值为脑血流相对变化值，计算比值公式具体为:
Figure BDA0003011591580000041
其中，F为所求脑血量相对变化值，R为激光散斑衬比图像的衬比值，γk为k幅原始图像所获得的激光散斑图像的散斑强度的标准偏差，uk为为k幅原始图像所获得的激光散斑图像的散斑强度的平均值。
附图说明
图1示出了本发明一种无创脑血流检测系统的示意图；
图2示出了本发明通过卷积神经网络模型根识别血管直径变化方法流程图。
具体实施方法
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
术语“第一”、“第二”、“第三”等在本文中可用于描述各种元件、组件和/或层，这些元件、组件和/或层不应受这些术语的限制。这些术语用于将一个元件、组件或层与另一个元件、组件或层区分开来。因此，下面描述的第一元件、组件或层可以被称为第二元件、组件或层，而不脱离本公开的范围。
图1示出了本发明一种无创脑血流检测系统的示意图。
一种无创脑血流检测系统，包括如下模块：超声发射模块10、成像模块20、通讯模块30、主机模块40以及显示模块50；
所述超声发射模块10用于为系统提供信号激励；
所述成像模块20用于采集目标组织的图像信息，并进行数字化处理，同时将所述目标组织的图像信息输入到所述通讯模块30；
所述通讯模块30用于将所接收到的经过数字化处理的所述目标组织的图像信息传输到所述主机模块40；
所述主机模块40对接收到的经过数字化处理的所述目标组织的图像信息进行处理分析，通过卷积神经网络模型根据所诉目标组织的图像信息识别血管直径变化，同时生成激光散斑图像，分析得到脑血流变化情况，并将所述的脑血流变化情况信息传输到所述显示模块50；
所述显示模块50用于接收脑血流变化情况信息，并按预设方式显示。
需要说明的是，所述的超声发射模块包括近红外激光器、数字信号发生器、线性功率放大器、超声换能器、准直透镜；
所述近红外激光器作为激光源，配合所述数字信号发生器提供脉冲激光；
所述数字信号发生器用于控制超声波的基本频率，同时为所述红外激光器提供方波触发信号；
所述超声换能器将信号源发出的电功率转换为机械功率，通过超声波的形式表现；
所述线性功率放大器用于放大光声信号；
所述准直透镜将扩散光变为平行光，并用于改变激光传播方向。
需要说明的是，所述的成像模块包括CCD图像传感器、体视显微镜、图像采集卡；
所述CCD图像传感器用于获取目标组织图像信息，并将所述的图像信息转化为数字信号；
所述图像采集卡用于存储CCD图像传感器获取的所述目标组织图像信息。
需要说明的是，所述的主机模块为能够快速处理成像模块所采集到的数据并进行及时保存的PC端或笔记本电脑。
需要说明的是，所述的主机模块包括PCI卡槽、接口、CPU主控单元、数据处理单元、数据存储单元、通信单元。
需要说明的是，所述CDD图像传感器获取目标组织图像信息后通过灰度变换使目标组织图像动态范围增大，预设目标组织图像像素点灰度值阈值；当目标组织图像像素点灰度值小于预设阈值时按照灰度变换计算公式得到新的灰度值；当目标组织图像像素点灰度值大于预设阈值时，取灰度值为预设灰度值阈值。
需要说明的是，所述的通过卷积神经网络模型根据所诉目标组织的图像信息识别血管直径变化，具体为：
建立识别血管直径变化的卷积神经网络模型；
将所述卷积神经网络模型连接血管变化图像相关数据库，使用血管直径变化图像数据对所述卷积神经网络模型进行训练；
采集目标组织的图像信息，将所述图像信息进行预处理导入所述卷积神经网络模型；
通过所述卷积神经网络模型识别并采集血管直径变化信息。
需要说明的是，所述的使用直径变化图像数据对所述卷积神经网络模型进行训练，具体为：获取足够数量的血管直径变化图像或者接入相关数据库，将所获取的图像数据处理为训练集输入卷积神经网络模型，卷积神经网络模型中的各级卷积层使用各级卷积层的初始卷积核和初始偏置矩阵，对输入卷积神经网络模型的图像数据进行卷积计算和最大池化，得到训练集中训练图像的第一特征图像，将所得的训练图像的第一特征图像再次进行池化操作，得到训练图像的第二特征图像，根据训练集中训练图像的第二特征图确定每个训练图像的特征向量，通过初始初始偏置矩阵和初始权重矩阵对所得特征向量进行处理，得到训练集中训练图像的分类向量，根据所述训练集中训练图像的分类向量和每个训练图像的初始类别，计算得到类别误差，根据所得类别误差对卷积神经网络模型的卷积核进行相关调整，根据多个训练图像以及调整后的卷积核参数继续对卷积神经网络模型进行相关参数的调整，进行多次迭代直到误差达到理想值后停止对卷积神经网络的训练，即卷积神经网络模型训练完毕。
图2示出了本发明通过卷积神经网络模型根识别血管直径变化方法流程图。
需要说明的是，本发明还包括：
S202，成像模块采集目标组织的帧图像数据；
S204，将所述的目标组织的帧图像数据进行预处理，导入卷积神经网络模型；
S206，经过预处理后的所述目标组织帧图像数据通过卷积神经网络的卷积层、线性整流层、池化层、全连接层进行特征提取，得到输出值；
S208，将所得输出值与预设输出值进行比较，得到输出值偏差率；
S210，判断所述输出值偏差率是否大于预设的输出值偏差率阈值；
S212，若大于，则判断目标组织区域血管直径存在变化，生成激光散斑衬比图像，通过计算得到脑血流相对变化值。
需要说明的是，在采集目标组织图像的过程中，由于呼吸带来的抖动以及外界各种噪声原因，极易造成血管图像的错位，通过对卷积神经网络模型进行相关训练，使神经网络模型进行血管错位图像识别并进行矫正；将卷积神经网络模型接入相关数据库，将所述图像信息进行预处理生成初始训练集，初始训练集经过多层卷积层的卷积和池化处理，提取特征向量，将特征向量传入到全连接层，得到类别概率结果，当输出的结果与目标值相符，得到输出结果；例如输入一个二维4*4矩阵的血管图像信息图像，卷积核的权值为W1,W2,W3,W4，卷积核为2*2，通过卷积计算获取矩阵中的像素值，第一次卷积计算结束后，4*4矩阵变成3*3的输出，再次卷积得到的像素值越来越小，因此在输入矩阵周围进行填0处理，避免了图像信息在卷积过程中因维度减少造成信息丢失。
需要说明的是，所述主机模块对接收到的经过数字化处理的所述目标组织的图像信息进行处理分析，生成激光散斑图像，分析得到脑血流变化情况，具体为：采集目标对象脑血流分布图像，生成激光散斑衬比图像，计算得到散斑图像的衬比值，将衬比值与脑血流变化情况相匹配，关联散射粒子的速度，通过对比不同时刻的散斑图形衬比值，得到脑血流的相对变化值。
需要说明的是，当激光照射到目标组织表面上，目标组织表面上的每一个点都被看做成散射粒子，单个的散射粒子使入射光发生背向散射，由于激光具有较高的光程差，不同散射光到达相机成像面的光程差不同，散射光波动发生随机的干涉现象，在空间分布上表现为明暗变化的颗粒图样，入射光照射到血管中的血红细胞发生方向各异的背向散射，血红细胞的运动造成像面散斑强度的波动，散斑强度的波动导致散斑的模糊，使局部散斑比下降，即计算散斑衬比度的比值表征血红细胞的速度变化情况。
需要说明的是，所述的的散斑图像衬比值是散斑强度的标准偏差与散斑强度平均值的比值，所述的散射粒子是血液中的血红细胞，血红细胞的速度与散斑图像衬比值通过积分时间关联，血红细胞的速度与散斑图像衬比值的平方成反比，散斑衬比值计算的具体公式为：
Figure BDA0003011591580000091
其中，R表示所求散斑衬比值，γ表示散斑强度的标准偏差，u表示散斑强度平均值；
在散斑衬比值计算中，γ可以分为散斑强度的空域标准差和时域标准差，对应的散斑衬比值有空间散斑衬比和时间散斑衬比，在理想状态下，散斑衬比值在0-1之间，当散斑衬比值接近于0时，散射粒子快速运动，造成散斑图像模糊，当散射粒子静止，不存在散斑模糊效应，散斑衬比值为1。在计算得到散斑衬比值之后，利用最小二乘法拟合得到反应电场强度波动快慢的相关时间，最后得到散射粒子的相对运动速度，在一定范围内，散斑图像衬比值与血红细胞运动速度的关系式具体为：
Figure BDA0003011591580000092
其中，R表示散斑衬比值，α表示比例系数，λ表示激光波长，T表示积分时间，v表示血红细胞运动速度；
由上述关系式可知，在一定的范围内，散斑图像衬比值的平方与血红细胞运动速度成反比。
需要说明的是，对于大多数的生理测量的临床应用而言，更重要的是测量相对变化量。特别是血流循环对外界相关条件的变化，外加刺激等。并且相对变化量的测量，可以减少噪声和其他不确定因素引起的变化，本发明通过测量脑血流相对变化值得到脑血流变化情况。
需要说明的是，所述的通过对比不同时刻的散斑图形衬比值，得到脑血流的相对变化值，具体为：获取第一激光散斑衬比图像，经过预设时间间隔后获取第二激光散斑衬比图像，计算得到两次散斑图像衬比值；计算第一激光散斑衬比图像的衬比值的平方R1 2与第二激光散斑衬比图像的衬比值的平方R2 2的比值，所得比值为脑血流相对变化值，计算比值公式具体为:
Figure BDA0003011591580000101
其中，F为所求脑血量相对变化值，R为激光散斑衬比图像的衬比值，γk为k幅原始图像所获得的激光散斑图像的散斑强度的标准偏差，uk为为k幅原始图像所获得的激光散斑图像的散斑强度的平均值。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种无创脑血流检测系统，其特征在于，包括如下模块：超声发射模块、成像模块、通讯模块、主机模块以及显示模块；
所述超声发射模块用于为系统提供信号激励；
所述成像模块用于采集目标组织的图像信息，并进行数字化处理，同时将所述目标组织的图像信息输入到所述通讯模块；
所述通讯模块用于将所接收到的经过数字化处理的所述目标组织的图像信息传输到所述主机模块；
所述主机模块对接收到的经过数字化处理的所述目标组织的图像信息进行处理分析，通过卷积神经网络模型根据所诉目标组织的图像信息识别血管直径变化，同时生成激光散斑图像，分析得到脑血流变化情况，并将所述的脑血流变化情况信息传输到所述显示模块；
所述显示模块用于接收脑血流变化情况信息，并按预设方式显示。
2.根据权利要求1所述的一种无创脑血流检测系统，其特征在于，所述的超声发射模块包括近红外激光器、数字信号发生器、线性功率放大器、超声换能器、准直透镜；
所述近红外激光器作为激光源，配合所述数字信号发生器提供脉冲激光；
所述数字信号发生器用于控制超声波的基本频率，同时为所述红外激光器提供方波触发信号；
所述超声换能器将信号源发出的电功率转换为机械功率，通过超声波的形式表现；
所述线性功率放大器用于放大光声信号；
所述准直透镜将扩散光变为平行光，并用于改变激光传播方向。
3.根据权利要求1所述的一种无创脑血流检测系统，其特征在于，所述的成像模块包括CCD图像传感器、体视显微镜、图像采集卡；
所述CCD图像传感器用于获取目标组织图像信息，并将所述的图像信息转化为数字信号；
所述体视显微镜用于配合所述CCD相机获取目标组织脑血流图像信息；
所述图像采集卡用于存储CCD图像传感器获取的所述目标组织图像信息。
4.根据权利要求1所述的一种无创脑血流检测系统，其特征在于，所述的主机模块为能够快速处理所述成像模块采集到的数据并进行及时保存的PC端，包括PCI卡槽、接口、CPU主控单元、数据处理单元、数据存储单元、通信单元。
5.根据权利要求1所述的一种无创脑血流检测系统，其特征在于，还包括，所述CDD图像传感器获取目标组织图像信息后通过灰度变换使目标组织图像动态范围增大，预设目标组织图像像素点灰度值阈值；当目标组织图像像素点灰度值小于预设阈值时按照灰度变换计算公式得到新的灰度值；当目标组织图像像素点灰度值大于预设阈值时，取灰度值为预设灰度值阈值。
6.根据权利要求1所述的一种无创脑血流检测系统，其特征在于，所述的通过卷积神经网络模型根据所诉目标组织的图像信息识别血管直径变化，具体为：
建立识别血管直径变化的卷积神经网络模型；
将所述卷积神经网络模型连接血管变化图像相关数据库，使用血管直径变化图像数据对所述卷积神经网络模型进行训练；
采集目标组织的图像信息，将所述图像信息进行预处理导入所述卷积神经网络模型；
通过所述卷积神经网络模型识别并采集血管直径变化信息。
7.根据权利要求6所述的一种无创脑血流检测系统，其特征在于，还包括：
成像模块采集目标组织的帧图像数据；
将所述的目标组织的帧图像数据进行预处理，导入卷积神经网络模型；
经过预处理后的所述目标组织帧图像数据通过卷积神经网络的卷积层、线性整流层、池化层、全连接层进行特征提取，得到输出值；
将所得输出值与预设输出值进行比较，得到输出值偏差率；
判断所述输出值偏差率是否大于预设的输出值偏差率阈值；
若大于，则判断目标组织区域血管直径存在变化，生成激光散斑衬比图像，通过计算得到脑血流相对变化值。
8.根据权利要求1所述的一种无创脑血流检测系统，其特征在于，所述主机模块对接收到的经过数字化处理的所述目标组织的图像信息进行处理分析，生成激光散斑图像，分析得到脑血流变化情况，具体为：采集目标对象脑血流分布图像，生成激光散斑衬比图像，计算得到散斑图像的衬比值，将衬比值与脑血流变化情况相匹配，关联散射粒子的速度，通过对比不同时刻的散斑图形衬比值，得到脑血流的相对变化值。
9.根据权利要求8所述的一种无创脑血流检测系统，其特征在于，所述的的散斑图像衬比值是散斑强度的标准偏差与散斑强度平均值的比值，所述的散射粒子是血液中的血红细胞，血红细胞的速度与散斑图像衬比值通过积分时间关联，血红细胞的速度与散斑图像衬比值的平方成反比。
10.根据权利要求8所述的一种无创脑血流检测系统，其特征在于，所述的通过对比不同时刻的散斑图形衬比值，得到脑血流的相对变化值，具体为：获取第一激光散斑衬比图像，经过预设时间间隔后获取第二激光散斑衬比图像，计算得到两次散斑图像衬比值；计算第一激光散斑衬比图像的衬比值与第二激光散斑衬比图像的衬比值的比值，所得比值为脑血流相对变化值。
CN202110378054.1A 2021-04-08 2021-04-08 一种无创脑血流检测系统 Withdrawn CN113100823A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110378054.1A CN113100823A (zh) 2021-04-08 2021-04-08 一种无创脑血流检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110378054.1A CN113100823A (zh) 2021-04-08 2021-04-08 一种无创脑血流检测系统

Publications (1)

Publication Number Publication Date
CN113100823A true CN113100823A (zh) 2021-07-13

Family

ID=76714847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110378054.1A Withdrawn CN113100823A (zh) 2021-04-08 2021-04-08 一种无创脑血流检测系统

Country Status (1)

Country Link
CN (1) CN113100823A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114569105A (zh) * 2022-04-29 2022-06-03 天津工业大学 一种基于扩散相干光谱图像的脑血流量检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114569105A (zh) * 2022-04-29 2022-06-03 天津工业大学 一种基于扩散相干光谱图像的脑血流量检测方法

Similar Documents

Publication Publication Date Title
CN105050492B (zh) 用于确定对象的生命体征的设备和方法
US7965876B2 (en) Systems and methods for image segmentation with a multi-stage classifier
CN101784227B (zh) 激光散斑成像系统和方法
US20160228008A1 (en) Image diagnosis device for photographing breast by using matching of tactile image and near-infrared image and method for aquiring breast tissue image
US20160338603A1 (en) Signal processing device, signal processing method, and computer-readable recording medium
KR20170009085A (ko) 레이저 스펙클 대조도 이미징 시스템 및 방법, 이를 적용한 장치
JP2017108769A (ja) 画像処理装置、画像処理方法、および、画像処理装置を備える超音波診断装置
CN114820494A (zh) 用于可视化流动的使用机器学习的散斑对比度分析
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
CN111820870B (zh) 生物影像处理方法以及生理信息检测装置
Przybyło A deep learning approach for remote heart rate estimation
US11596361B2 (en) Systems, devices, and methods for developing a model for use when performing oximetry and/or pulse oximetry and systems, devices, and methods for using a fetal oximetry model to determine a fetal oximetry value
Iqbal et al. An infrared high classification accuracy hand-held machine learning based breast-cancer detection system
CN113100823A (zh) 一种无创脑血流检测系统
Treacher et al. Deep learning convolutional neural networks for the estimation of liver fibrosis severity from ultrasound texture
Paquit et al. Combining near-infrared illuminants to optimize venous imaging
Wu et al. Diffuse optical imaging using decomposition methods
TWI722297B (zh) 醫學影像之體內邊緣偵測處理系統及其方法
US20120078114A1 (en) System and method for real-time perfusion imaging
EP4312721A1 (en) Method and system for heart rate extraction from rgb images
US8116545B2 (en) Method and system for analysis of bone density
Venkatapathiah et al. Deep learning based object detection in nailfold capillary images
WO2024181188A1 (ja) 超音波診断装置および超音波診断装置の制御方法
TWM600595U (zh) 結合光學影像與熱影像的檢查判斷系統
US20230157661A1 (en) Ultrasound image analysis apparatus, ultrasound diagnostic apparatus, and control method for ultrasound image analysis apparatus

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210713