CN113440167B - 一种基于rf信号的肺部超声信号特征的识别方法 - Google Patents

一种基于rf信号的肺部超声信号特征的识别方法 Download PDF

Info

Publication number
CN113440167B
CN113440167B CN202110717974.1A CN202110717974A CN113440167B CN 113440167 B CN113440167 B CN 113440167B CN 202110717974 A CN202110717974 A CN 202110717974A CN 113440167 B CN113440167 B CN 113440167B
Authority
CN
China
Prior art keywords
ultrasonic
signal
signals
variance
curve
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
CN202110717974.1A
Other languages
English (en)
Other versions
CN113440167A (zh
Inventor
屠娟
章东
宋人杰
薛洪惠
朱逸斐
张国峰
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.)
Nanjing University
Original Assignee
Nanjing 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 Nanjing University filed Critical Nanjing University
Priority to CN202110717974.1A priority Critical patent/CN113440167B/zh
Publication of CN113440167A publication Critical patent/CN113440167A/zh
Application granted granted Critical
Publication of CN113440167B publication Critical patent/CN113440167B/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
    • 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
    • A61B8/5269—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving detection or reduction of artifacts

Landscapes

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

Abstract

本发明提供一种基于RF信号的肺部超声信号特征的识别方法，属于信号处理领域，本发明的一种基于RF信号的肺部超声信号特征的识别方法，首先采集超声RF信号，将采集到的信号转换为二维频谱图，而后通过逐行处理二维频谱图得到方差平滑曲线的特征参数，并通过特征参数识别肺部超声信号特征。本发明利用超声RF信号做数据处理，能够保留更多有效信息，增加结果的准确度；并且通过分析超声RF信号的频谱图，得到不同频率分量的分布情况，从中选择很好体现信号条纹特征的高频区域进行计算，保证了本发明方法在肺部超声信号特征识别上的科学性以及创新性。

Description

一种基于RF信号的肺部超声信号特征的识别方法
技术领域
本发明属于信号处理领域，具体涉及一种基于RF信号的肺部超声信号特征的识别方法。
背景技术
肺部超声中，健康人的肺部图像较为均匀，无明显纵向条纹。而肺部疾病患者的超声图像中，会出现从胸膜线延伸至屏幕底部的离散垂直混响伪像，称为B线，是肺部超声一个非常重要的特征。显示大量B线是肺间质综合征的征象，其数量随着空气含量的降低和肺组织密度的增加而增多。
目前医学上存在一些半定量方法识别B线的特征，如B线的数量、B线的宽度、B线间的间隔等。通过给这些特征打分，可以评估肺部疾病的种类和严重性。然而，此类方法非常依赖医生的主观判断和B超机显示屏能够显示的精度范围。对于亮度较浅的B线、极细密的B线等显示屏上人眼难以分辨的B线特征，往往无法很好识别出来。另外，现在一些基于深度学习的评估方法显示出很大潜力和较好的效果，但此类评估方法非常依赖大量一致规范的肺部超声图像进行前期训练，临床上难以实现，同时也缺乏解释性。
相比周围肺部组织，通常B线较为明亮。因此包含B线的图像呈现出明暗相间的条纹，反映在超声信号频谱上是一种包含多种频率成分的特征。然而，目前尚不存在从频谱数据角度出发的提取相关参数来识别肺部超声信号的条纹特征的方法。
因此，亟待一种定量的肺部超声信号特征识别方法。
发明内容
针对上述问题，本发明从频谱数据提取有效信息得到特征参数，以此提供一种定量的肺部超声信号特征的识别方法，用以帮助识别肺部超声信号的条纹特征。
本发明采取的技术方案是：一种基于RF信号的肺部超声信号特征的识别方法，首先采集超声RF信号，将采集到的信号转换为二维频谱图，然后对二维频谱图进行计算得到方差曲线及其特征参数，并通过特征参数识别肺部超声信号特征。
进一步地，所述识别方法，具体包括如下步骤：
步骤一、数据采集；
采集一帧超声RF信号；
步骤二、转换到频域处理数据；
对一帧超声RF信号进行逐列直流滤波，将滤波后的信号转换到频域，得到超声RF信号的二维频谱图；
步骤三、得到平滑方差曲线；
对二维频谱图上的每一行数据计算方差，得到方差随频率变化的曲线，再将该曲线做高斯平滑，得到平滑的方差曲线；
步骤四、计算特征参数；
在平滑方差曲线的高频区域找到方差最低值对应的点，与曲线最高频率处对应的点连接成一条直线，然后计算直线的斜率作为特征参数K；
步骤五、识别超声信号的特征；
根据该帧超声RF信号对应的特征参数K识别肺部超声信号特征。
更进一步地，所述步骤二的具体步骤为：先设计一个合适的高通滤波器对超声RF信号进行逐列滤波，滤去信号直流分量；再将滤波后的信号通过二维傅里叶变换得到超声RF信号的二维频谱图。其中，二维傅里叶变换时坐标轴的频率范围为
Figure BDA0003135646030000021
fs为超声RF信号数据的采样率。
更进一步地，所述步骤四的具体步骤为：在平滑方差曲线的高频区域找到方差最低值对应的点P1(f1,u1)，找到曲线最高频率处对应的点P2(f2,u2)；然后利用下列公式计算特征参数K：
Figure BDA0003135646030000022
其中，f1,u1分别表示方差最低值对应点的频率和方差；f2,u2分别表示曲线最高频率处对应点的频率和方差。
更进一步地，所述步骤五的具体步骤为：对特征参数K的值设置合理阈值a，若特征参数K；大于阈值a，识别该帧超声RF信号具有一定条纹特征；若特征参数K小于阈值a，则识别该帧超声RF信号无明显条纹特征。这里的阈值a范围为-1<＝a<＝1，优先选择0.05。
本发明的有益效果是：本发明的一种基于RF信号的肺部超声信号特征的识别方法，利用超声RF信号做数据处理，相比使用超声图像直接处理的方法，能够保留更多有效信息，增加结果的准确度；本发明分析超声RF信号的频谱图，得到不同频率分量的分布情况，从中选择很好体现信号条纹特征的高频区域进行计算，保证了本发明方法在肺部超声信号特征识别上的科学性以及创新性。
本发明的附加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
图1为本发明的方法流程示意图；
图2为一帧超声RF信号的二维频谱图；
图3为一帧超声RF信号二维频谱的方差-频率曲线图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例1
结合图1所示，本发明的一种基于RF信号的肺部超声信号特征的识别方法，首先采集超声RF信号，将采集到的信号转换为二维频谱图，而后通过逐行处理二维频谱图得到方差平滑曲线的特征参数，并通过特征参数识别肺部超声信号特征。
具体的，本发明的一种基于RF信号的肺部超声信号特征的识别方法，包括如下步骤：
步骤一、数据采集；
利用信号采集器采集一帧超声RF信号。
步骤二、转换到频域处理数据；
结合图2所示，先设计一个合适的高通滤波器对采集到的超声RF信号进行逐列滤波，滤去信号直流分量；再将滤波后的信号通过二维傅里叶变换得到超声RF信号的二维频谱图。其中，二维傅里叶变换时坐标轴的频率范围为
Figure BDA0003135646030000031
fs为超声RF信号数据的采样率。
步骤三、得到平滑方差曲线；
对频谱图上的每一行数据计算方差，得到方差随频率变化的曲线。将方差曲线相邻每100个点做一维高斯平滑，得到平滑的方差曲线。
步骤四、计算特征参数；
结合图3所示，由于频谱图是中心对称的，故只用取方差曲线在
Figure BDA0003135646030000032
频率范围内的部分计算。在平滑方差曲线的高频区域找到方差最低值对应的点，与曲线最高频率处对应的点连接成一条直线，计算直线的斜率作为特征参数K。具体方法为：在平滑方差曲线的高频区域找到方差最低值对应的点P1(f1,u1)，找到曲线最高频率处对应的点P2(f2,u2)。利用下列公式计算特征参数K：
Figure BDA0003135646030000033
其中，f1,u1分别表示方差最低值对应点的频率和方差；f2,u2分别表示曲线最高频率处对应点的频率和方差。
步骤五、识别超声信号的特征；
根据该帧超声RF信号对应的特征参数K识别肺部超声信号特征。对特征参数K的值设置合理阈值a，若特征参数K大于阈值a，识别该帧超声RF信号具有一定条纹特征；若特征参数K小于阈值a，则识别该帧超声RF信号无明显条纹特征。其中，阈值a范围为-1<＝a<＝1,具体可以选择0.05；其计算方法是通过大量数据测试，对大量病例的K值进行统计，得到结论：阈值取0.05时划分效果最好。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的普通技术人员应该了解，上述实施例不以任何形式限制本发明的保护范围，凡采用等同替换等方式所获得的技术方案，均落于本发明的保护范围内。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。

Claims (4)

1.一种基于RF信号的肺部超声信号特征的识别方法，其特征在于，首先采集超声RF信号，将采集到的信号转换为二维频谱图，然后对二维频谱图进行计算得到方差曲线及其特征参数，并通过特征参数识别肺部超声信号特征；具体的步骤如下：
步骤一、数据采集；
采集一帧超声RF信号；
步骤二、转换到频域处理数据；
对一帧超声RF信号进行逐列直流滤波，将滤波后的信号转换到频域，得到超声RF信号的二维频谱图；
步骤三、得到平滑方差曲线；
对二维频谱图上的每一行数据计算方差，得到方差随频率变化的曲线，再将该曲线做高斯平滑，得到平滑的方差曲线；
步骤四、计算特征参数；
在平滑方差曲线的高频区域找到方差最低值对应的点P1(f1,u1)，找到曲线最高频率处对应的点P2(f2,u2)；然后利用下列公式计算特征参数K：
Figure FDA0003607570100000011
其中，f1,u1分别表示方差最低值对应点的频率和方差；f2,u2分别表示曲线最高频率处对应点的频率和方差；
步骤五、识别超声信号的特征；
对特征参数K的值设置合理阈值a，若特征参数K大于阈值a，识别该帧超声RF信号具有一定条纹特征；若特征参数K小于阈值a，则识别该帧超声RF信号无明显条纹特征。
2.根据权利要求1所述的一种基于RF信号的肺部超声信号特征的识别方法，其特征在于，所述步骤二的具体步骤为：先设计一个合适的高通滤波器对超声RF信号进行逐列滤波，滤去信号直流分量；再将滤波后的信号通过二维傅里叶变换得到超声RF信号的二维频谱图。
3.根据权利要求2所述的一种基于RF信号的肺部超声信号特征的识别方法，其特征在于，所述二维傅里叶变换时坐标轴的频率范围为
Figure FDA0003607570100000012
其中，fs为超声RF信号数据的采样率。
4.根据权利要求1所述的一种基于RF信号的肺部超声信号特征的识别方法，其特征在于，所述阈值a范围为-1<＝a<＝1。
CN202110717974.1A 2021-06-28 2021-06-28 一种基于rf信号的肺部超声信号特征的识别方法 Active CN113440167B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110717974.1A CN113440167B (zh) 2021-06-28 2021-06-28 一种基于rf信号的肺部超声信号特征的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110717974.1A CN113440167B (zh) 2021-06-28 2021-06-28 一种基于rf信号的肺部超声信号特征的识别方法

Publications (2)

Publication Number Publication Date
CN113440167A CN113440167A (zh) 2021-09-28
CN113440167B true CN113440167B (zh) 2022-06-10

Family

ID=77813209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110717974.1A Active CN113440167B (zh) 2021-06-28 2021-06-28 一种基于rf信号的肺部超声信号特征的识别方法

Country Status (1)

Country Link
CN (1) CN113440167B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972294A (zh) * 2022-06-13 2022-08-30 南京大学 一种基于Gabor滤波器的肺部超声图像条纹特征的识别方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049766A (zh) * 2012-12-27 2013-04-17 中国科学院遥感应用研究所 超声图像肾动脉血流频谱信号曲线分类方法
CN103637820A (zh) * 2013-11-27 2014-03-19 华南理工大学 基于超声rf时间序列的肝纤维化程度相对偏差识别方法
CN106491161A (zh) * 2016-11-15 2017-03-15 乐普（北京）医疗器械股份有限公司 一种智能组织识别的方法及装置
CN106659472A (zh) * 2014-07-11 2017-05-10 奥林巴斯株式会社 超声波观测装置、超声波观测装置的工作方法以及超声波观测装置的工作程序
CN106815840A (zh) * 2017-01-22 2017-06-09 飞依诺科技(苏州)有限公司 一种肝部扫查图像的处理方法及装置
CN109310398A (zh) * 2016-03-24 2019-02-05 皇家飞利浦有限公司 用于检测肺部滑动的超声系统和方法
WO2021048834A1 (ja) * 2019-09-12 2021-03-18 テルモ株式会社 診断支援装置、診断支援システム、及び診断支援方法
CN112819773A (zh) * 2021-01-28 2021-05-18 清华大学 一种超声图像定量评估方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4768315B2 (ja) * 2005-05-20 2011-09-07 テルモ株式会社 超音波信号処理装置及び超音波信号処理方法
GB0916634D0 (en) * 2009-09-22 2009-11-04 Isis Innovation Ultrasound systems

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049766A (zh) * 2012-12-27 2013-04-17 中国科学院遥感应用研究所 超声图像肾动脉血流频谱信号曲线分类方法
CN103637820A (zh) * 2013-11-27 2014-03-19 华南理工大学 基于超声rf时间序列的肝纤维化程度相对偏差识别方法
CN106659472A (zh) * 2014-07-11 2017-05-10 奥林巴斯株式会社 超声波观测装置、超声波观测装置的工作方法以及超声波观测装置的工作程序
CN109310398A (zh) * 2016-03-24 2019-02-05 皇家飞利浦有限公司 用于检测肺部滑动的超声系统和方法
CN106491161A (zh) * 2016-11-15 2017-03-15 乐普（北京）医疗器械股份有限公司 一种智能组织识别的方法及装置
CN106815840A (zh) * 2017-01-22 2017-06-09 飞依诺科技(苏州)有限公司 一种肝部扫查图像的处理方法及装置
WO2021048834A1 (ja) * 2019-09-12 2021-03-18 テルモ株式会社 診断支援装置、診断支援システム、及び診断支援方法
CN112819773A (zh) * 2021-01-28 2021-05-18 清华大学 一种超声图像定量评估方法

Also Published As

Publication number Publication date
CN113440167A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
Loizou A review of ultrasound common carotid artery image and video segmentation techniques
JP4634418B2 (ja) 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置
US20080159604A1 (en) Method and system for imaging to identify vascularization
JP2011514822A (ja) Ｃｔスキャンデータをセグメント化する方法とシステム
CN112819773B (zh) 一种超声图像定量评估系统
CN111667467B (zh) 基于聚类算法的下肢血管钙化指数多参数累积计算方法
JP2008520345A (ja) 超音波画像における病変の検出及び分類方法、及びそのシステム
CN110269600A (zh) 基于多元经验模态分解与联合盲源分离的非接触式视频心率检测方法
CN108186051B (zh) 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理系统
US20080130964A1 (en) Methods and Apparatus for Analysing Ultrasound Images
GB2490477A (en) Processing ultrasound images to determine diameter of vascular tissue lumen and method of segmenting an image of a tubular structure comprising a hollow core
JPH11312234A (ja) 多次元画像のセグメンテ―ション処理を含む画像処理方法及び医用映像装置
CN106530294A (zh) 一种对睑板腺图像进行处理以获得腺体参数的信息的方法
CN113440167B (zh) 一种基于rf信号的肺部超声信号特征的识别方法
Wisaeng et al. Automatic detection of exudates in retinal images based on threshold moving average models
Piantanelli et al. Fractal characterisation of boundary irregularity in skin pigmented lesions
CN117529282A (zh) 通过超声图像的分析诊断肺炎的设备和方法
KR101162599B1 (ko) 흉부 방사선 이미지 분석을 통한 심비대 자동탐지 방법 및 그 기록매체
Ogiela et al. Computer analysis of gallbladder ultrasonic images towards recognition of pathological lesions
CN106937864B (zh) 皮肤组织估计方法及应用其的系统
KR100461264B1 (ko) 명암도와 밝기의 변화에 독립적인 초음파 종괴영상을 검색하는 방법
EP3995081A1 (en) Diagnosis assisting program
US20100284586A1 (en) Segmentation of microcalcifications in a mammographic image
CN110892448B (zh) 用于动脉钙化的检测和量化的方法
JP4252744B2 (ja) 異常陰影検出装置

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