CN115797263A - 一种基于全卷积网络的三维超声颅脑成像方法 - Google Patents
一种基于全卷积网络的三维超声颅脑成像方法 Download PDFInfo
- Publication number
- CN115797263A CN115797263A CN202211390515.8A CN202211390515A CN115797263A CN 115797263 A CN115797263 A CN 115797263A CN 202211390515 A CN202211390515 A CN 202211390515A CN 115797263 A CN115797263 A CN 115797263A
- Authority
- CN
- China
- Prior art keywords
- ultrasonic
- craniocerebral
- network
- full convolution
- imaging
- 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 34
- 238000000034 method Methods 0.000 claims abstract description 22
- 210000004556 brain Anatomy 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 210000003625 skull Anatomy 0.000 claims abstract description 11
- 210000001519 tissue Anatomy 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims description 19
- 208000007536 Thrombosis Diseases 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 210000004872 soft tissue Anatomy 0.000 claims description 6
- 238000002604 ultrasonography Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 108091006146 Channels Proteins 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000007917 intracranial administration Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000002249 digestive system Anatomy 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005865 ionizing radiation Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
Images
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提出了一种基于全卷积网络的三维超声颅脑成像方法，用于解决现有超声成像方法无法满足颅骨超高分辨率和3D实时成像的技术问题。其步骤为：首先，根据生物组织和颅脑超声信号传播的物理特性计算时域超声信号，构建数值模拟数据库；并对数值模拟数据库中的超声信号数据进行数据预处理；其次，搭建全卷积网络，并利用数据预处理后的超声信号数据进行网络训练，得到最优网络超参数组合的网络模型；最后，将待预测的颅脑超声信号输入网络模型中进行超声颅脑成像。本发明的超声颅脑成像技术容易实现、分辨率高、速度快。
Description
技术领域
本发明涉及颅脑成像技术领域，特别是指一种基于全卷积网络的三维超声颅脑成像方法。
背景技术
颅脑影像学在临床医学应用中具有不可替代的作用，有助于对颅脑病变进行早期、全面的诊断和评估，以及早期确定其治疗方案，对世界人口具有重要影响。传统的影像医学技术，如磁共振成像和计算机断层扫描，由于其软组织分辨率高，被广泛应用于临床成像，但磁共振成像不适用于肥胖或患有肥胖症的人。体内有磁性异物，计算机断层扫描涉及将身体暴露于有害的电离辐射；传统的B型超声成像和超声反射断层扫描可用于心脏、腹部、泌尿系统和消化系统的断层成像，但超声与颅骨软组织相互作用的机制：超声信号通过颅骨会产生严重的反射、折射、散射等复杂的物理现象，导致颅内波场复杂而扭曲。来自颅骨的强烈高振幅反射会淹没从软组织反射的微小脉冲，无法实现高分辨率颅脑成像。同时，所有这些技术都需要庞大且昂贵的设备，并且必须由医疗专业人员进行操作。
解决颅骨引起的波场相位和波前失真的一种可行方法是通过颅骨的开放囟门激发和接收经颅超声，但该方法仅适用于婴儿，开放囟门随着年龄的增长逐渐关闭。另一种方法是通过用光声探头刺穿颅骨来捕获颅内组织的信号，以监测和成像大脑中的各种信号，但这种侵入性方法在临床应用中难以操作，如果稍有错误可能会产生不可逆转的后果。另一种成像技术是全波形反演技术，通过监测大脑周围的波场，解决非线性局部参数优化问题，对模型参数进行迭代模拟，以减少实验未知模型波场与模拟已知模型波场的差异，实现对物理模型结构的预测，然而，全波形反演技术中模型梯度和Hessian矩阵和向量积的迭代求解过程会消耗大量的计算资源和时间，不具备常规超声成像的实时优势，因此不能应用于临床实时医学成像。目前，没有一种超声成像方法可以同时满足颅骨超高分辨率和3D实时成像，这是颅脑成像面临的挑战。
发明内容
针对上述背景技术中存在的不足，本发明提出了一种基于全卷积网络的三维超声颅脑成像方法，解决了现有超声成像方法无法满足颅骨超高分辨率和3D实时成像的技术问题。
本发明的技术方案是这样实现的：
一种基于全卷积网络的三维超声颅脑成像方法，其步骤如下：
步骤一：根据生物组织和颅脑超声信号传播的物理特性计算时域超声信号，构建数值模拟数据库；
步骤二：对数值模拟数据库中的超声信号数据进行数据预处理；
步骤三：搭建全卷积网络，并利用数据预处理后的超声信号数据进行网络训练，得到最优网络超参数组合的网络模型；
步骤四：将待预测的颅脑超声信号输入网络模型中进行超声颅脑成像。
步骤一的实现方法为：
考虑到生物组织和颅脑超声信号传播的物理特性，用各向同性介质的3D超声波动方程描述超声波在人脑中的传播，如式(1)所示：
其中，p(r,t)为t时刻点源r处的压力波场；ρ(r)是点源r的密度，c(r)是点源r的速度；将式(1)转换至空频域，得到声波方程：
其中，kr＝2πf/cr表示点源r处的背景波数；f为频率，cr为点源r处的背景速度，ψ是空频域的压力场；O(r)是散射体的数学表达式，定义为：
其中，cu表示背景中没有散射体的速度；在超声信号采集中，以颅骨和软组织为背景模型，血块作为超声信号正演建模的干扰项，将背景超声信号和扰动超声信号分别定义为：
其中，δ为狄拉克函数；
为中间变量，i为虚数单位，ψr表示背景波场；
根据式(2-5)利用正演算法建立数值模拟数据库。
所述数据预处理为信号处理算法，用于提取优选频率信号。
步骤三的实现方法为：
对优选频率信号采用全卷积网络进行特征提取，计算过程如下：
其中，F(m.n)表示特征，R表示激活函数，wu,v表示特征提取器在第v行和第u列上的权重，S为输入层，B为偏置；m和n分别表示特征的第m行和第n列，L表示特征提取器执行次数；
对特征进行降维操作：
其中，n'代表特征序号，c代表通道序号，r'为行号，h为列号，kr∈[1,k]为降维窗口的长度，kw∈[1,k]为降维窗口的宽度；P(·)表示降维结果，X表示特征，rs为降维窗口的起始行号，ws为降维窗口的起始列号；
定义目标函数，通过迭代法来优化参数与结构以达到误差最小：
其中，
代表三维模型的二维横截面平面速度图，
代表预测的三维模型的二维横截面平面速度图，n”为二维横截面平面速度图数量，[·]表示矩阵。
与现有技术相比，本发明产生的有益效果为：本发明的超声颅脑成像技术容易实现、分辨率高、速度快。
附图说明
为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明的流程图。
图2为本发明的全卷积网络结构图。
图3为本发明的全卷积网络的训练和验证损失比较。
图4为本发明的已知先验模型的成像结果。
图5为本发明中全数据集真实颅脑与全卷积网络预测颅脑的结果统计。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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付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。
如图1所示，本发明实施例提供了一种基于全卷积网络的三维超声颅脑成像方法，建立颅脑超声与三维颅脑声速模型一一对应的数据库；对颅脑超声和三维颅脑声速模型分别进行数据预处理；搭建全卷积神经网络并将预处理后的颅脑超声信号和三维颅脑声速模型分别作为全卷积神经网络的输入与输出；对全卷积神经网络进行训练得到最优网络超参数组合的网络模型；该网络模型即可用于颅脑成像。具体步骤如下：
步骤一：根据生物组织和颅脑超声信号传播的物理特性计算时域超声信号，构建数值模拟数据库；
考虑到生物组织和颅脑超声信号传播的物理特性，用各向同性介质的3D超声波动方程描述超声波在人脑中的传播，如式(1)所示：
其中，p(r,t)为t时刻点源r处的压力波场；ρ(r)是点源r的密度，c(r)是点源r的速度；将式(1)转换至空频域，得到声波方程：
其中，kr＝2πf/cr表示点源r处的背景波数；f为频率，cr为点源r处的背景速度，ψ是空频域的压力场；O(r)是散射体的数学表达式，定义为：
其中，cu表示背景中没有散射体的速度；在超声信号采集中，以颅骨和软组织为背景模型，血块作为超声信号正演建模的干扰项，将背景超声信号和扰动超声信号分别定义为：
其中，δ为狄拉克函数；
为中间变量，i为虚数单位，ψr表示背景波场；
根据式(2-5)利用正演算法建立数值模拟数据库，正演算法优选有限差分法。
步骤二：对数值模拟数据库中的超声信号数据进行数据预处理；所述数据预处理为信号处理算法，用于提取优选频率信号。信号处理算法优选傅里叶变换和归一化操作，归一化的频域幅值对应优选频率信号。
步骤三：搭建全卷积网络，并利用数据预处理后的超声信号数据进行网络训练，得到最优网络超参数组合的网络模型；
如图2所示，本发明中的全卷积网络结构包含输入层、卷积层、池化层、输出层。将颅脑超声信号输入全卷积网络的输入层，然后由卷积层对颅脑超声信号提取特征，通过池化层对特征图进行下采样和降维，简化网络复杂度，提高网络结构的泛化能力，减少计算量，节省计算资源。
训练方法为：
将优选频率信号输入全卷积网络的输入层，卷积层连接在输入层之后，用于从优选频率信号中提取特征，计算过程如下：
其中，F(m.n)表示特征，R表示激活函数，wu,v表示特征提取器在第v行和第u列上的权重，S为输入层，B为偏置；m和n分别表示特征的第m行和第n列，L表示特征提取器执行次数；
对特征进行降维操作：
其中，n'代表特征序号，c代表通道序号，r'为行号，h为列号，kr∈[1,k]为降维窗口的长度，kw∈[1,k]为降维窗口的宽度；P(·)表示降维结果，X表示特征，rs为降维窗口的起始行号，ws为降维窗口的起始列号；
定义目标函数，通过迭代法来优化参数与结构以达到误差最小：
其中，
代表三维模型的二维横截面平面速度图，
代表预测的三维模型的二维横截面平面速度图，n”为二维横截面平面速度图数量，[·]表示矩阵。
步骤四：将待预测的颅脑超声信号输入网络模型中进行超声颅脑成像。
图3给出了本发明中的全卷积网络的训练和验证损失比较。最优网络模型保存在第2760次迭代，网络模型的均方根误差在训练和验证过程中下降，在训练开始时呈快速下降趋势，在训练中期和结束时呈稳定下降趋势。与验证集相比，训练集的均方根误差变化趋势更稳定，数值波动较小。最优模型的训练集和验证集均方根误差分别为2.398×10-4和2.429×10-4，满足临床医学中3D成像的分辨率要求。
图4给出了本发明中已知先验模型的成像结果，通过2D切片来显示3D颅脑模型。其中图4(a)和(b)所示分别为真实颅脑2D切片和全卷积网络预测的颅脑2D切片。由图4可见，全卷积网络可以很好地将血块与颅脑组织区分开来。图4(e)-(f)为图4(c)-(d)血块竖线和横线处剖面的成像结果，可以看出血块和组织之间的分界明确，可以血块可以被预测出，真实颅脑与全卷积网络预测的颅脑的重合度为97.88％。
图5给出了全数据集真实颅脑与全卷积网络预测颅脑的结果统计。全数据集上的真实颅脑与全卷积网络预测的颅脑平均重合度大于92％，证明了该网络结构的鲁棒性与稳定性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于全卷积网络的三维超声颅脑成像方法，其特征在于，其步骤如下：
步骤一：根据生物组织和颅脑超声信号传播的物理特性计算时域超声信号，构建数值模拟数据库；
步骤二：对数值模拟数据库中的超声信号数据进行数据预处理；
步骤三：搭建全卷积网络，并利用数据预处理后的超声信号数据进行网络训练，得到最优网络超参数组合的网络模型；
步骤四：将待预测的颅脑超声信号输入网络模型中进行超声颅脑成像。
2.根据权利要求1所述的基于全卷积网络的三维超声颅脑成像方法，其特征在于，步骤一的实现方法为：
考虑到生物组织和颅脑超声信号传播的物理特性，用各向同性介质的3D超声波动方程描述超声波在人脑中的传播，如式(1)所示：
其中，p(r,t)为t时刻点源r处的压力波场；ρ(r)是点源r的密度，c(r)是点源r的速度；
将式(1)转换至空频域，得到声波方程：
其中，kr＝2πf/cr表示点源r处的背景波数；f为频率，cr为点源r处的背景速度，ψ是空频域的压力场；O(r)是散射体的数学表达式，定义为：
其中，cu表示背景中没有散射体的速度；在超声信号采集中，以颅骨和软组织为背景模型，血块作为超声信号正演建模的干扰项，将背景超声信号和扰动超声信号分别定义为：
其中，δ为狄拉克函数；
为中间变量，i为虚数单位，ψr表示背景波场；
根据式(2-5)利用正演算法建立数值模拟数据库。
3.根据权利要求1所述的基于全卷积网络的三维超声颅脑成像方法，其特征在于，所述数据预处理为信号处理算法，用于提取优选频率信号。
4.根据权利要求3所述的基于全卷积网络的三维超声颅脑成像方法，其特征在于，步骤三的实现方法为：
对优选频率信号采用全卷积网络进行特征提取，计算过程如下：
其中，F(m.n)表示特征，R表示激活函数，wu,v表示特征提取器在第v行和第u列上的权重，S为输入层，B为偏置；m和n分别表示特征的第m行和第n列，L表示特征提取器执行次数；
对特征进行降维操作：
其中，n'代表特征序号，c代表通道序号，r'为行号，h为列号，kr∈[1,k]为降维窗口的长度，kw∈[1,k]为降维窗口的宽度；P(·)表示降维结果，X表示特征，rs为降维窗口的起始行号，ws为降维窗口的起始列号；
定义目标函数，通过迭代法来优化参数与结构以达到误差最小：
其中，
代表三维模型的二维横截面平面速度图，
代表预测的三维模型的二维横截面平面速度图，n”为二维横截面平面速度图数量，[·]表示矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211390515.8A CN115797263A (zh) | 2022-11-08 | 2022-11-08 | 一种基于全卷积网络的三维超声颅脑成像方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211390515.8A CN115797263A (zh) | 2022-11-08 | 2022-11-08 | 一种基于全卷积网络的三维超声颅脑成像方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115797263A true CN115797263A (zh) | 2023-03-14 |
Family
ID=85436013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211390515.8A Pending CN115797263A (zh) | 2022-11-08 | 2022-11-08 | 一种基于全卷积网络的三维超声颅脑成像方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115797263A (zh) |
-
2022
- 2022-11-08 CN CN202211390515.8A patent/CN115797263A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Feigin et al. | A deep learning framework for single-sided sound speed inversion in medical ultrasound | |
| CN109978778A (zh) | 基于残差学习的卷积神经网络医学ct图像去噪方法 | |
| Sengur | An expert system based on linear discriminant analysis and adaptive neuro-fuzzy inference system to diagnosis heart valve diseases | |
| Aydin et al. | Embolic Doppler ultrasound signal detection using discrete wavelet transform | |
| US10451587B2 (en) | Methods, systems and computer program products for estimating shear wave speed using statistical inference | |
| CN105030279A (zh) | 一种基于超声射频时间序列的组织定征方法 | |
| WO2015131453A1 (zh) | 一种基于宽波束造影成像及提取灌注时间强度曲线的方法 | |
| CN106618635A (zh) | 剪切波弹性成像方法和装置 | |
| CN111956180A (zh) | 一种重建光声内窥层析图像的方法 | |
| Prasad et al. | Dl-uct: A deep learning framework for ultrasound computed tomography | |
| Heller et al. | Deep learning-based speed-of-sound reconstruction for single-sided pulse-echo ultrasound using a coherency measure as input feature | |
| Oh et al. | A learned representation for multi-variable ultrasonic lesion quantification | |
| Maneas et al. | Deep learning for instrumented ultrasonic tracking: From synthetic training data to in vivo application | |
| CN111370120A (zh) | 一种基于心音信号的心脏舒张功能障碍的检测方法 | |
| Vegas-Sanchez-Ferrero et al. | A gamma mixture model for IVUS imaging | |
| CN114492519A (zh) | 一种基于超声回波射频信号的肺超声特殊征象b线识别分类方法 | |
| Sun et al. | A deep learning method for limited-view intravascular photoacoustic image reconstruction | |
| CN114864095B (zh) | 一种结合多运动强度下的狭窄冠脉血运变化的分析方法 | |
| CN115797263A (zh) | 一种基于全卷积网络的三维超声颅脑成像方法 | |
| Shen et al. | Accelerating model-based photoacoustic image reconstruction in vivo based on s-wave | |
| CN109584322A (zh) | 基于频域方向平滑Shearlet医学PET图像去噪方法 | |
| Lyu et al. | Photoacoustic digital brain: numerical modelling and image reconstruction via deep learning | |
| Balamurugan et al. | USDL: Inexpensive medical imaging using deep learning techniques and ultrasound technology | |
| CN114171045A (zh) | 一种音频降噪方法和系统 | |
| Khan et al. | Ultrasound estimation of strain time constant and vascular permeability in tumors using a CEEMDAN and linear regression-based method |
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 |