CN113288214B - 超声多普勒频谱数据的处理方法、设备及可读存储介质 - Google Patents

Abstract

本公开涉及一种超声多普勒频谱数据的处理方法、设备及可读存储介质，其中处理方法包括：获取超声多普勒频谱数据；为所述超声多普勒频谱数据中的各组频谱数据检测尖峰信号，其中，一组频谱数据包括相邻的数列频谱数据；利用所述尖峰信号所在列的前面邻近列的频谱数据，替换所述尖峰信号，获得平滑后的频谱数据；以及基于平滑后的频谱数据，逐组地提取频谱轮廓。利用根据本公开的各个实施例的超声多普勒频谱数据的处理方法及检测设备，为超声多普勒频谱数据中的各组频谱数据检测尖峰信号，并依据在先产生的频谱数据替换尖峰信号，由此能够自动提取超声多普勒频谱数据中的信号轮廓，并且能有效去除尖峰杂波信号的干扰。

Description

超声多普勒频谱数据的处理方法、设备及可读存储介质

技术领域

本公开涉及信号处理技术，更具体地，涉及一种超声多普勒频谱数据的处理方法、设备及可读存储介质。

背景技术

脉冲多普勒图像在临床医学中有着重要的作用，是测量血管参数的重要载体。许多重要的医学指标可以从脉搏信号中分析和计算而来，进而帮助医生更好的分析病人的身体情况。目前临床测量血流速度的方法为手动测量，手动测量需要医生先冻结当前图像，利用超声设备的轨迹球手动描绘包络线，再利用超声软件自动的测量功能计算血流的各种参数。

现有的手动测量方法有很多的弊端，主要是操作时间长如果操作失误，需要重新绘制，其次，描记精度无法保障。

发明内容

提出本公开以解决现有技术中存在的问题。旨在提供一种超声多普勒频谱数据的处理方法、设备及可读存储介质，其能够自动提取超声多普勒频谱数据中的信号轮廓，并且能迅速高效地去除尖峰杂波信号的干扰。

在第一方面，本公开的实施例提供了一种超声多普勒频谱数据的处理方法，包括：获取超声多普勒频谱数据；为所述超声多普勒频谱数据中的各组频谱数据检测尖峰信号，其中，一组频谱数据包括相邻的数列频谱数据；利用所述尖峰信号所在列的前面邻近列的频谱数据，替换所述尖峰信号，获得平滑后的频谱数据；以及基于平滑后的频谱数据，逐组地提取频谱轮廓。

在第二方面，本公开的实施例提供了一种超声多普勒检测设备，包括处理器、存储器及通信总线；所述通信总线用于实现处理器和存储器之间的连接通信；所述处理器用于执行存储器中存储的一个或者多个计算机程序，以实现如前述的超声多普勒频谱数据的处理方法的步骤。

在第三方面，本公开的实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的超声多普勒频谱数据的处理方法的步骤。

利用根据本公开的各个实施例的超声多普勒频谱数据的处理方法及检测设备，为超声多普勒频谱数据中的频谱数据逐组(每个组包括相邻的几列多普勒频谱数据)地检测尖峰信号，并依据在先产生的频谱数据替换尖峰信号，由此能够自动提取超声多普勒频谱数据中的信号轮廓，并且能迅速高效地去除尖峰杂波信号的干扰。

附图说明

在不一定按比例绘制的附图中，相同的附图标记可以在不同的视图中描述相似的部件。具有字母后缀或不同字母后缀的相同附图标记可以表示相似部件的不同实例。附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书以及权利要求书一起用于对所公开的实施例进行说明。这样的实施例是例证性的，而并非旨在作为本装置或方法的穷尽或排他实施例。

图1示出根据本公开实施例的超声多普勒频谱数据的处理方法的基本流程图。

图2(A)-2(B)示出根据本公开实施例的噪声候选频率区域示意图。

图3示出根据本公开实施例的逐组提取频谱轮廓的流程图。

图4示出根据本公开实施例的聚类算法的二分类结果示意图。

图5(A)-5(B)示出根据将本公开实施例的处理方法应用于超声多普勒信号后的轮廓提取效果的示意图。

图6示出根据本公开实施例的检测设备的架构示意图。

具体实施方式

为使本领域技术人员更好的理解本公开的技术方案，下面结合附图和具体实施方式对本公开作详细说明。下面结合附图和具体实施例对本公开的实施例作进一步详细描述，但不作为对本公开的限定。

本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分。“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。

针对现有技术中存在的缺陷，本公开的实施例提供一种超声多普勒频谱数据的处理方法。如图1所示，本公开的超声多普勒频谱数据的处理方法可以首先在步骤S101中获取超声多普勒频谱数据。例如可以通过检测设备实时检测获取超声多普勒频谱数据，当然也可以是预先存储的超声多普勒频谱数据。然后在步骤S102中可以为所述超声多普勒频谱数据中的各组频谱数据检测尖峰信号，其中，一组频谱数据包括相邻的数列频谱数据。本示例中超声多普勒频率数据可以是实时一列一列获取的。然后可以将获取的超声多普勒频谱数据中，当前列频谱数据以及其相邻数列频谱数据作为一组频谱数据，在该组频谱数据中检测当前列频谱数据的尖峰信号。也即可以将依据超声多普勒频谱数据的产生的前后顺序将超声多普勒频谱数据分为若干组，相邻的多列数据为一组，然后在该组频谱数据中检测当前列频谱数据的尖峰信号。例如在实时获取到一列频谱数据后，可以将该列频谱数据作为当前列频谱数据，然后联合产生于当前列频谱数据之前的若干列频谱数据作为一组，从而在该组频谱数据中检测当前列频谱数据的尖峰信号。在输出该组频谱数据的信号轮廓后，继续获取下一列频谱数据，并联合其相邻的若干列频谱数据作为一组检测其中的尖峰信号。以此来实现将获取的超声多普勒频谱数据分为若干组，并进行尖峰信号检测。当然在一些实施方式中，对于实时性要求不高的处理方式，利用本公开方法可以直接将超声多普勒频谱数据一次性分为若干组，相邻的多列数据为一组，然后针对每一组频谱数据检测其中的尖峰信号，进而实现对每组数据单独处理。接着在步骤S103中可以利用所述尖峰信号所在列的前面邻近列的频谱数据，替换所述尖峰信号，获得平滑后的频谱数据。本示例中可以利用尖峰信号所在列的前面邻近列的频谱数据，替换所述尖峰信号，由此在降低运算量的前提下满足实时计算的要求，易于实现和推广应用。最后在步骤104中可以基于平滑后的频谱数据，逐组地提取频谱轮廓。例如可以直接提取平滑后的频谱数据中的频谱轮廓，也可以基于平滑后的包含前景信号和噪声信号的观测信号中来提取频谱轮廓。

在多数情况下，频谱轮廓检测需要自动、实时，考虑到频谱数据的刷新是单线实时更新，所以以二维图像处理的角度出发往往不现实。本公开处理方法可以实时获取当前列频谱数据，并联合当前列频谱数据相邻数列频谱数据作为一组频谱数据，检测包含当前列频谱数据的一组频谱数据中的尖峰信号，从而实现实时自动检测异常尖峰信号。对于实时性要求不高的频谱数据的处理方式，还可以将频谱数据依序地分为若干组，每组包含若干相邻列的频谱数据，进而对每列数据单独处理，由此能够实现自动检测异常尖峰信号。发现异常尖峰信号位置后自动替换该位置的异常信号，从而保证提取的超声多普勒频谱数据的真实性，并且能够显著降低处理负荷，并满足实时处理的要求。

在一些实施例中，为所述超声多普勒频谱数据中的各组频谱数据检测尖峰信号进一步包括，对于该组中的各列频谱数据：确定强度高于强度阈值的频谱数据为前景频谱数据；在该组中的前景频谱数据中的最大强度相对于最小强度的偏差高于偏差阈值的情况下，确定具有最大强度的前景频谱数据所在列中存在所述尖峰信号。由于尖峰信号属于真实信号，因此无法通过背景降噪的方式去除。基于此本示例中可以对于任一组的中的各列频谱数据，指定一强度阈值，若该组中的前景频谱数据中的最大强度相对于最小强度的偏差高于偏差阈值的情况下，则可以认为该组的所在列存在尖峰信号。本示例中所指的前景频谱数据中的最大强度相对于最小强度的偏差可以通过计算前景频谱数据中的最大强度与最小强度的差值来确定，例如在最大强度与最小强度的差值超过某个阈值的情况下，则可以认为所在列存在尖峰信号。当然也可以最大强度与最小强度之间的比值，例如在最大强度与最小强度的比值超过某个阈值的情况下，则可以认为所在列存在尖峰信号。通过对该组中的各列频谱数据的最值比较能够快速确定该组的频谱数据中是否包含尖峰信号，从而提高信号的处理效率。

在一些实施例中，该组中的前景频谱数据中的最大强度相对于最小强度的偏差通过如下方式得到：对于各组中的各列，对所述前景频谱数据的强度进行归一化处理；基于该组中的归一化处理后的前景频谱数据的强度，确定最大强度相对于最小强度的差值，作为所述偏差。本示例中为了方便设定比较的阈值，可以进一步对于各组中的各列的前景频谱数据的强度进行归一化处理，从而根据该组中的归一化处理后的前景频谱数据的最大强度和最小强度计算差值。例如给定的偏差阈值为0.6，则在任一组中的归一化处理后的前景频谱数据的最大强度和最小强度的差值大于0.6的情况下，认为该组中频谱数据存在尖峰信号。具体的阈值设置可以根据实际需要设定，在此不一一列举。本示例中将频谱数据进行归一化处理，然后进行求差，可以降低系统的运算量，并且处理结果真实有效，有利于快速确定出任一组的若干列频谱数据中是否包含尖峰信号，有利于提高信号的处理速度。

在一些实施例中，还包括为各列频谱数据确定背景噪声。具体可以如下执行。对于各列频谱数据：提取噪声候选频率区域内中的频谱数据；在所提取的噪声候选频率区域中的频谱数据中，确定低强度的频谱数据，并在所述低强度的频谱数据的周围选取第一数量的频谱数据；确定所述第一数量的频谱数据的强度的中值作为所述背景噪声。如此，可以更快速地确定出背景噪声，以及便于去除背景噪声，并在其他处理(例如但不限于尖峰信号处理)中受益于背景噪声的准确迅速的确定。

本示例中，先以背景噪声的类型为高斯白噪声为例进行举例说明。在一些实施例中，所述噪声候选频率区域为基于所述超声多普勒频谱数据的半采样频率与当前列频谱的峰值频率确定的频率区域。在一些实施例中，一组频谱数据包括相邻的3-5列频谱数据。具体的说，本公开的处理方法可以包括检测异常尖峰杂波信号以及计算峰值信号和背景噪声的过程。因此需要同时对每相邻3-5列数据同时进行处理，可以联合组内的多列频谱数据，统计最大强度值作为该列频谱数据的峰值信号。以正方向的频谱数据为例，如图2(A)所示，可以将超声多普勒频谱数据的半采样频率PRF/2到该组频率数据的最高频率为Fmax的区域作为噪声候选频率区域。如图2(B)所示负方向上的频谱数据的噪声候选频率区域确定方式类似，在此不做赘述。当然具体的噪声候选频率区域可以根据实际情况进行调整，不仅限于半采样频率与信号峰值频率之间的区域。本示例中背景噪声属于高频成分，往往聚集在高频区域，本示例中可以在列频谱数据的高频区域估计噪声强度，准确且高效。

在一些实施例中，所述低强度的频谱数据为强度最小的频谱数据，所述第一数量的频谱数据设置为以所述最小强度的频谱数据为中心在上下方向上的若干个频谱数据。可以将强度最小的频谱数据作为低强度的频谱数据，具体操作中可以从PRF/2位置向下在噪声候选频率区域统计频谱数据中最小强度的位置，以该位置作为低强度的频谱数据。然后在该位置的上下方向上圈取若干个频谱数据。最后确定所选取若干的频谱数据的强度的中值作为背景噪声。如图2(A)所示，由于真实信号处于Fmax以下，若低强度的频谱数据原本已经靠近Fmax，则选取到的频谱数据可能混入真实信号(前景信号)。或者选取的频谱数据较多也可能在所选取的数据中混入真实信号。本示例中通过将选取若干的频谱数据的强度的中值来作为背景噪声，即使若干的频谱数据中混入了真实信号，通过取中值也能去除真实信号的干扰。因此本公开方法不仅能避免零值空洞的干扰，也能排除该区域混入的真实信号。相比现有假设噪声的理想化建模模态并且计算负担较重，本示例中通过将所选取到的若干的频谱数据的强度的中值作为背景噪声，从而能够简单高效确定背景噪声。

在一些实施例中，选择的频谱数据的数量可以是15-20个。示例性的，例如一列完整的数据一共可以包含256个数据点，而基准线以上的数据点则可以有128个，若选取的数量过多，则容易混入真实信号，而选取的数量过少，则数据不具备普遍的代表性，本示例中，可以选取15-20个频谱数据，由此获得的频谱数据不失一般性。

在一些实施例中，可以将背景噪声用作所述强度阈值来识别出前景频谱数据。与正常的心动信号相比，尖峰信号变化剧烈并且持续时间短。因此，可以在针对各组频谱数据检测尖峰信号的过程中，利用背景噪声作为强度阈值，来剔除背景频谱数据，由此将尖峰信号的检测运算限于前景频谱数据(也就是真实信号)，从而可以摒除背景噪声对尖峰信号检测的干扰。

在一些实施例中，如图3所示，基于平滑后的频谱数据，逐组地提取频谱轮廓可以在步骤104a中从各组的平滑后的频谱数据，提取各列的峰值信号。在前述已经将尖峰信号替换之后的平滑频谱数据的基础上，提取各列的峰值信号。然后在步骤104b中基于所提取的峰值信号和前述确定的背景噪声，利用聚类算法对所述频谱数据进行二分类，来提取出各组的频谱轮廓。具体的说可以将提取的峰值信号和前述背景噪声作为聚类算法的输入，由此来通过聚类算法进行二分类，从而来确定噪声和真实信号。在一些实施方式中，所述聚类算法可以是K均值聚类算法，层次类聚算法和谱类聚算法中的一种。通过具体实践应用K均值聚类算法具有良好的分类效果和较小的运算资源的占用，当然还可以使用层次类聚算法或者谱类聚算法也能达到良好的分类效果。在检测时间允许或者算力允许的情况下，可以通过K均值聚类算法进行多次迭代，从而获得的聚类结果更接近真实的噪声和真实信号。

在一些实施例中，可以在步骤104c中基于聚类算法的二分类结果，利用掩模板来检出并去除噪声，其中，掩模板的长度与噪声的代表长度对应地设置。请参见图4，二分类结果为0或1组成的若干列的二值数据，可以设置一指定规格的掩模板，掩模板的长度与噪声的代表长度对应地设置。由此可以在掩模板覆盖的区域内，对该区域的二值结果进行统计。若统计结果低于某一值，则可以认为该区域内不存在信号边界点，从而有效排除点噪声或小尺寸线噪声的干扰，避免边界勾勒出现瑕疵。在一些实施例中，所述掩模板的长度为8-16，所去除的噪声包括孤立的点噪声或小尺寸的线噪声，小尺寸的线噪声例如可以是长度为2-5的短线噪声。在多数情况下，不会存在长的噪声，因此掩模板的长度可以根据实际情况设置为8-16中的一个整数值。

在一些实施例中，基于聚类算法的二分类结果，利用掩模板来检出并去除噪声具体包括：在二分类结果上沿着列方向滑动所述掩模板；在滑动所述掩模板的过程中，在确定掩模板覆盖区域的二元数值之和大于预设阈值的情况下，确定所述覆盖区域为边界区域。若在二值分类结果中的非边界区域存在非0数值，若不经过掩模板去噪，也可能在输出的信号轮廓中包含点噪声。因此为了去除点噪声在该掩模板下，可以统计掩模板覆盖区域的元素的和。请继续参见图4，图4中给出了一8*1的掩模板，非边界区域存在非0数值，但经过掩模板的判定，可以清楚的确定元素值之和为2的情况下是非边界区域，由此可以将相应的短线噪声去除。而边界区域的掩模板覆盖区域的元素值之和为8，由此可以确定出边界区域。当掩模板覆盖的区域的元素值和大于5-9的情况下，可以确定该位置是边界点。当然具体的阈值设置可以根据实际情况给出，在此不一一列举。

利用本公开的超声多普勒频谱数据的处理方法应用于具有显著不同的信噪比的超声多普勒信号，如图5(A)和图5(B)所示，均能够获得理想的频谱轮廓。通过本公开超声多普勒频谱数据的处理方法，能够自动检测频谱轮廓的同时筛选剔除异常尖峰杂波信号。将平滑频谱信号和背景噪声作为初始值代入聚类算法迭代优化，实现自动将频谱数据二值化分类以及将背景噪声和真实信号有效分离，制作掩模版检测轮廓边界能够有效避免孤立的点或者短线类噪声的干扰。

本公开的实施例还提供一种超声多普勒检测设备，如图6所示超声多普勒检测设备可以包括：若干I/O接口，任一I/O接口可以连接一I/O设备。I/O设备可以是例如键盘鼠标等输入设备，也可以是连接的检测组件，可以通过检测组件来对患者进行检测。若干I/O接口可以连接到相应的通信总线上，例如可以连接到地址总线，数据总线以及控制总线中的至少一种。当然I/O接口也可以接入南桥芯片，具体可以根据实际情况设定。处理器601可以通信地耦合到存储器602并且被配置为处理器用于执行存储器中存储的一个或者多个计算机程序，以实现如前述的超声多普勒频谱数据的处理方法的步骤。例如处理器601可以被配置为获取超声多普勒频谱数据，检测各组频谱数据检测尖峰信号以及替换尖峰信号的方法过程。在一些实施方式中处理器601可以获取超声多普勒频谱数据，为所述超声多普勒频谱数据中的各组频谱数据检测尖峰信号，其中，一组频谱数据包括相邻的数列频谱数据；利用所述尖峰信号所在列的前面邻近列的频谱数据，替换所述尖峰信号，获得平滑后的频谱数据，以及基于平滑后的频谱数据，逐组地提取频谱轮廓。本示例中处理器601可以包括一个以上通用处理设备的处理设备，诸如微处理器、中央处理单元(CPU)、图形处理单元(GPU)等，在此不一一列举。

本示例的超声多普勒检测设备还可以利用独立的图形处理单元来基于平滑后的频谱数据，逐组地提取频谱轮廓。当然在算力符合要求的情况下图形处理单元可以是例如独立的CPU或者内置的GPU。可以直接提取平滑后的频谱数据中的频谱轮廓，也可以基于平滑后的包含前景信号和噪声信号的观测信号中来提取频谱轮廓。

在一些实施例中，所述一组频谱数据包括相邻的3-5列频谱数据。设置相邻的3-5列频谱数据为一组能够有效保证轮廓输出的实时性要求，同时也能方便地计算前景信号中的峰值信号，从而快速确定该组中是否包含尖峰信号。对于该组中的各列频谱数据，所述处理器601进一步被配置为：确定强度高于强度阈值的频谱数据为前景频谱数据；以及在该组中的前景频谱数据中的最大强度相对于最小强度的偏差高于偏差阈值的情况下，确定具有最大强度的前景频谱数据所在列存在所述尖峰信号。在一些实施例中，背景噪声用作所述强度阈值。由于尖峰信号属于真实信号，因此无法通过背景降噪的方式去除。基于此本示例中可以对于任一组的中的各列频谱数据，然后基于背景噪声确定的强度阈值来对该组的频谱数据进行检测，从而判定该组频谱数据是否包含尖峰信号。例如可以计算确定的前景频谱数据中的最大强度与最小强度的差值来确定，在最大强度与最小强度的差值超过某个阈值的情况下，则可以认为所在列存在尖峰信号。

在一些实施例中，对于各组中的各列，所述处理器601进一步可以被配置为：对所述前景频谱数据的强度进行归一化处理；以及基于该组中的归一化处理后的前景频谱数据的强度，确定最大强度相对于最小强度的差值，作为所述偏差。通过归一化处理能够便于与设定的阈值进行比较，从而极大提高数据的处理效率。

在一些实施例中，所述处理器601还可以被配置为为各列频谱数据确定背景噪声，对于各列频谱数据，所述处理器具体可以被配置为：提取噪声候选频率区域内中的频谱数据；在所提取的噪声候选频率区域中的频谱数据中，确定低强度的频谱数据，并在所述低强度的频谱数据的周围选取第一数量的频谱数据；确定所述第一数量的频谱数据的强度的中值作为所述背景噪声。在一些实施例中，所述噪声候选频率区域可以是基于所述超声多普勒频谱数据的半采样频率与当前列频谱的峰值频率确定的频率区域。在一些实施例中，所述低强度的频谱数据为最小强度的频谱数据，所述第一数量的频谱数据设置为以所述最小强度的频谱数据为中心在上下方向上的15-20个频谱数据。

在一些实施例中，所述处理器601还可以具体被配置为从各组的平滑后的频谱数据，提取各列的峰值信号；以及基于所提取的峰值信号和背景噪声，利用聚类算法对所述频谱数据进行二分类，来提取出各组的频谱轮廓。在一些实施例中，所述聚类算法可以是K均值聚类算法，层次类聚算法或谱类聚算法。当然也可以是其他的二分类算法，在此不一一列举。

在一些实施例中，所述处理器601还可以还被配置为基于聚类算法的二分类结果，利用掩模板来检出并去除噪声，其中，掩模板的长度与噪声的代表长度对应地设置。在一些实施例中，所述掩模板的长度为8-16，所去除的噪声包括点噪声或小尺寸的线。本示例中，设置一定规格的掩模板能够有效过滤掉点噪声和短线噪声。

在一些实施例中，所述处理器601还可以具体被配置为在二分类结果上沿着列方向滑动所述掩模板；以及在滑动所述掩模板的过程中，在确定掩模板覆盖区域的二元数值之和大于预设阈值的情况下，确定所述覆盖区域为边界区域。作为示例性的对该组的频谱数据进行处理可以通过求和的方式来确定当前掩模板范围内的元素是否为点噪声或者短线噪声，由此避免最终勾勒出的边界出现瑕疵。

通过本公开超声多普勒检测设备，能够自动检测频谱轮廓的同时筛选剔除异常尖峰杂波信号。将平滑频谱信号和背景噪声作为初始值代入聚类算法迭代优化，实现自动将频谱数据二值化分类以及将背景噪声和真实信号有效分离，制作掩模版检测轮廓边界能够有效避免孤立的点或者短线类噪声的干扰。

本公开的实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的超声多普勒频谱数据的处理方法的步骤。

在一些实施例中，计算机可读存储介质可以是诸如只读存储器(ROM)、随机存取存储器(RAM)、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、电可擦除可编程只读存储器(EEPROM)、其他类型的随机存取存储器(RAM)、闪存盘或其他形式的闪存、缓存、寄存器、静态存储器、光盘只读存储器(CD-ROM)、数字通用光盘(DVD)或其他光学存储器、盒式磁带或其他磁存储设备，或被用于储存能够被计算机设备访问的信息或指令的任何其他可能的非暂时性的介质等。

此外，尽管已经在本文中描述了示例性实施例，其范围包括任何和所有基于本公开的具有等同元件、修改、省略、组合(例如，各种实施例交叉的方案)、改编或改变的实施例。权利要求书中的元件将被基于权利要求中采用的语言宽泛地解释，并不限于在本说明书中或本申请的实施期间所描述的示例，其示例将被解释为非排他性的。因此，本说明书和示例旨在仅被认为是示例，真正的范围和精神由以下权利要求以及其等同物的全部范围所指示。

以上描述旨在是说明性的而不是限制性的。例如，上述示例(或其一个或更多方案)可以彼此组合使用。例如本领域普通技术人员在阅读上述描述时可以使用其它实施例。另外，在上述具体实施方式中，各种特征可以被分组在一起以简单化本公开。这不应解释为一种不要求保护的公开的特征对于任一权利要求是必要的意图。相反，本公开的主题可以少于特定的公开的实施例的全部特征。从而，以下权利要求书作为示例或实施例在此并入具体实施方式中，其中每个权利要求独立地作为单独的实施例，并且考虑这些实施例可以以各种组合或排列彼此组合。本发明的范围应参照所附权利要求以及这些权利要求赋权的等同形式的全部范围来确定。

以上实施例仅为本公开的示例性实施例，不用于限制本发明，本发明的保护范围由权利要求书限定。本领域技术人员可以在本公开的实质和保护范围内，对本发明做出各种修改或等同替换，这种修改或等同替换也应视为落在本发明的保护范围内。

Claims (6)

1.一种超声多普勒频谱数据的处理方法，其特征在于，包括：

获取超声多普勒频谱数据；

确定各列频谱数据的背景噪声，包括：提取噪声候选频率区域内的频谱数据，在所提取的噪声候选频率区域内的频谱数据中，确定低强度的频谱数据，并在所述低强度的频谱数据的周围选取第一数量的频谱数据，确定所述第一数量的频谱数据的强度的中值作为该列频谱数据的背景噪声，其中，所述噪声候选频率区域基于所述超声多普勒频谱数据的半采样频率与当前列频谱的峰值频率来确定；

为所述超声多普勒频谱数据中的各组频谱数据检测尖峰信号，包括，对于一组中的各列频谱数据：确定强度高于强度阈值的频谱数据为前景频谱数据，在该组中的前景频谱数据中的最大强度相对于最小强度的偏差高于偏差阈值的情况下，确定具有最大强度的前景频谱数据所在列存在所述尖峰信号；其中，一组频谱数据包括实时获取的当前列频谱数据及当前列频谱数据之前的若干列频谱数据；

利用所述尖峰信号所在列的前面邻近列的频谱数据，替换所述尖峰信号，获得平滑后的频谱数据；以及

基于平滑后的频谱数据，逐组地提取频谱轮廓，包括：从各组的平滑后的频谱数据，提取各列的峰值信号；基于所提取的峰值信号和背景噪声，利用聚类算法对所述频谱数据进行二分类；将掩模板在聚类算法的二分类结果上沿着列方向滑动，在确定所述掩模板覆盖区域的二元数值之和大于预设阈值的情况下，确定所述覆盖区域为边界区域，以提取各组频谱数据的频谱轮廓，其中，所述掩模板的长度与点噪声或小尺寸线噪声的代表长度对应地设置。

2.根据权利要求1所述的超声多普勒频谱数据的处理方法，其特征在于，背景噪声用作所述强度阈值。

3.根据权利要求1所述的超声多普勒频谱数据的处理方法，其特征在于，该组中的前景频谱数据中的最大强度相对于最小强度的偏差通过如下方式得到：

对于各组中的各列，对所述前景频谱数据的强度进行归一化处理；

基于该组中的归一化处理后的前景频谱数据的强度，确定最大强度相对于最小强度的差值，作为所述偏差。

4.如权利要求1所述的超声多普勒频谱数据的处理方法，其特征在于，所述低强度的频谱数据为强度最小的频谱数据，所述第一数量的频谱数据设置为以所述最小强度的频谱数据为中心在上下方向上的15-20个频谱数据。

5.一种超声多普勒检测设备，其特征在于，所述超声多普勒检测设备包括处理器、存储器及通信总线；

所述通信总线用于实现处理器和存储器之间的连接通信；

所述处理器用于执行存储器中存储的一个或者多个计算机程序，以实现如权利要求1-4中任一项所述的超声多普勒频谱数据的处理方法的步骤。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的超声多普勒频谱数据的处理方法的步骤。

Images