CN116584977A - 一种用于脑血管疾病分析的计算机辅助诊断系统和方法 - Google Patents
一种用于脑血管疾病分析的计算机辅助诊断系统和方法 Download PDFInfo
- Publication number
- CN116584977A CN116584977A CN202310792336.5A CN202310792336A CN116584977A CN 116584977 A CN116584977 A CN 116584977A CN 202310792336 A CN202310792336 A CN 202310792336A CN 116584977 A CN116584977 A CN 116584977A
- Authority
- CN
- China
- Prior art keywords
- blood vessel
- representing
- cerebral
- signal
- wavelet
- 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
- 208000026106 cerebrovascular disease Diseases 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004195 computer-aided diagnosis Methods 0.000 title claims abstract description 21
- 230000002490 cerebral effect Effects 0.000 claims abstract description 98
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 94
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000017531 blood circulation Effects 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 230000036541 health Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 210000004556 brain Anatomy 0.000 claims description 49
- 239000000523 sample Substances 0.000 claims description 33
- 238000000354 decomposition reaction Methods 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000003727 cerebral blood flow Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 230000005855 radiation Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000002591 computed tomography Methods 0.000 description 8
- 230000000391 smoking effect Effects 0.000 description 6
- 230000002792 vascular Effects 0.000 description 6
- 230000035622 drinking Effects 0.000 description 5
- 206010008132 Cerebral thrombosis Diseases 0.000 description 3
- 201000001429 Intracranial Thrombosis Diseases 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 3
- 238000013170 computed tomography imaging Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 201000008450 Intracranial aneurysm Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 206010008118 cerebral infarction Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000019553 vascular disease Diseases 0.000 description 2
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000008344 brain blood flow Effects 0.000 description 1
- 230000005978 brain dysfunction Effects 0.000 description 1
- 210000001715 carotid artery Anatomy 0.000 description 1
- 229910010293 ceramic material Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006438 vascular health Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 235000012431 wafers Nutrition 0.000 description 1
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
- A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Vascular Medicine (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种用于脑血管疾病分析的计算机辅助诊断系统和方法，涉及脑血管疾病分析领域。本发明主要包括信号采集模块、信号预处理模块、信号处理模块、分类检测模块、结果输出模块；其中信号采集模块将超声波信号转化为电信号，信号预处理模块对电信号进行去噪处理，信号处理模块获取脑血管血流速度，分类检测模块获取脑血管实际直径距离，结果输出模块输出健康风险报告。整个诊断系统无辐射，安全性、准确性高，可以实现对脑血管疾病高危人群的监控预警，对于保护人类脑血管健康具有非常重大的现实意义。
Description
技术领域
本发明涉脑血管疾病分析领域，具体为一种用于脑血管疾病分析的计算机辅助诊断系统和方法。
背景技术
针对脑血管疾病的诊断和治疗一直是医学领域的热门话题。脑血管疾病是指发生于脑血管系统中的各种疾病，例如脑中风、脑血栓和脑出血等。这些疾病可能会导致不同程度的脑功能障碍，严重者可能会危及生命。
目前，医生在诊断和治疗脑血管疾病时主要依赖于影像学检查，例如计算机断层扫描（CT）等。申请公开号为CN101766477A的中国专利公开了一种检测脑血管健康状况的仪器，该仪器包含图像检测系统，数据检测系统以及计算分析显示系统。其中图像检测系统的微型CT包裹于CT支架内部，CT支架可在使用时套于病人颈部。该仪器采用的微型CT操作简单携带方便，并提供定性且直观的颈动脉脑血管图像对比。但是此种仪器使用CT成像技术，患者常常暴露于辐射，如果接受多次CT扫描，辐射暴露可能会增加，增加患癌风险。由于CT扫描成像比较细致，可能会发现一些小的异常，但这些异常可能是良性的，因此会导致不必要的检查和治疗。这时就需要一种安全且准确的检测脑血管疾病分析的仪器，能够适合于脑血管疾病的高危人群经常检测。
发明内容
本发明的主要目的在于提供一种用于脑血管疾病分析的计算机辅助诊断系统和方法，能够有效解决背景技术中的问题：在脑血管疾病诊断领域，多数采用CT成像来诊断脑血管疾病，CT成像扫描会增加患癌风险，且误诊率高，因此需要一种安全且准确的检测脑血管疾病分析的仪器。
为实现上述目的，本发明采取的技术方案为：
一种用于脑血管疾病分析的计算机辅助诊断系统，包括以下具体模块：
信号采集模块，采用超声探头用于向脑血管发送超声波信号，接收脑血管反射的超声波信号，并将反射后的超声波信号转化为电信号；
信号预处理模块，采用多级小波变换用于处理电信号噪声，并增强电信号的强度；
信号处理模块，采用模数转化器将去噪后的电信号转换为数字信号获取脑血管灰度图像，采用傅里叶变换将去噪后的电信号转换为脑血管频谱获取脑血管血流速度；
分类检测模块，采用Fast-CNN目标检测算法和区域分割算法检测分割脑血管灰度图像，获取脑血管实际直径距离；
结果输出模块，根据脑血管血流速度和脑血管实际直径距离，参照脑血管正常指标，输出健康风险报告。
一种用于脑血管疾病分析的计算机辅助诊断方法，包括以下具体步骤：
在信号采集模块中配备接收脑血管反射超声波信号的超声探头，超声探头将超声波信号转化为电信号；
在信号预处理模块中使用多级小波变换处理技术增强电信号的强度，并消除噪声；
在信号处理模块中使用模数转换器将去噪后的电信号转化为数字信号，根据数字信号获取脑血管灰度图像，同时运用傅里叶变换和多普勒技术将去噪后的电信号转换为脑血管的频谱，根据频谱评估脑血管血流速度；
在分类检测模块中使用Fast-CNN算法和区域分割算法，两种算法分别对脑血管灰度图像进行检测、分割，计算脑血管实际直径距离；
结果输出模块根据脑血管血流速度和脑血管实际直径距离，并参照正常脑血管的指标特征，输出健康风险报告，供医生参考。
本发明的进一步改进在于，所述信号采集模块步骤如下：
信号采集模块使用多个探头，包括KJ-PW-2MHz超声探头、KJ-CW-4MHz超声探头和KJ-CW-8MHz超声探头。
本发明的进一步改进在于，所述信号预处理模块步骤如下：
信号处理模块采用多级小波处理技术，令去噪前的电信号为，其中表示样本点的序号，令小波变换后得到的小波系数序列为，其中表示尺度，表示位置，电信号进行软阈值去噪后得到小波系数序列，记作，公式如下：
；
其中表示符号函数，表示软阈值，根据信噪比因素确定；
将去噪后的小波系数序列重构，得到第一电信号并记作，公式如下：
；
其中表示小波分解的最大尺度，表示尺度，表示位置，表示尺度为，位置为的小波基函数；
采用多级小波处理技术分解第一电信号提高去噪效果，以得到更加平滑和干净的第二电信号，多级小波分解如下式所示：
；
其中表示多级分解后小波系数序列，和分别表示低通滤波器和高通滤波器的系数，表示第一电信号的长度，表示取遍到之间的所有整数，表示尺度为，位置为的第一电信号；分解完毕后，将中不同级别的小波系数重构，得到第二电信号并记作，公式如下：
；
其中表示小波分解的最大尺度，表示第级，尺度为，位置为的小波基函数，在中包含不同级别的小波系数，表示中第级，尺度为，位置为的小波系数。
本发明的进一步改进在于，所述信号处理模块步骤如下：
信号处理模块采用模数转换器将重构后的第二电信号转换为数字信号，并对数字信号进行图像压缩存储，最终获取脑血管灰度图像；将第二电信号进行傅里叶变换，记作，公式如下：
；
其中，表示频率，表示虚数单位，表示自然常数；将实部和虚部的平方和开平方，得到振幅谱序列，公式如下：
；
其中和分别表示的实部和虚部，记序列中的最大值为，此时对应的的频率记作，根据多普勒技术，脑血管血流速度计算公式如下：
；
其中，表示超声波在人体内传播的速度，表示超声波的发射频率，表示超声波声束与血液流动方向的夹角。
本发明的进一步改进在于，所述分类检测模块步骤如下：
分类检测模块中使用Fast-CNN算法和区域分割算法，自动对脑血管灰度图像进行检测定位，并从脑血管灰度图像中分离脑血管，由此判断脑血管实际直径距离，具体步骤如下：
（a）使用Fast-CNN目标检测算法检测出脑血管的位置和形状，得到脑血管的边界框；
（b）对脑血管边界框进行区域分割处理，将脑血管内部的像素从背景像素中分离，得到脑血管的灰度图像；
（c）在脑血管的灰度图像中，计算脑血管内部所有像素到脑血管边缘的距离，并取距离最大值和最小值的平均值作为脑血管直径像素距离，计算公式如下：
；
其中，表示脑血管直径像素距离，表示脑血管内所有像素的集合，表示脑血管边缘的集合，表示像素到脑血管边缘像素的距离；
（d）脑血管直径由像素距离计算获得，根据图像分辨率参数，将脑血管直径像素距离转换为脑血管实际直径距离，实际直径距离计算公式如下：
；
其中表示脑血管直径像素距离，表示图像分辨率。
本发明的进一步改进在于，所述结果输出模块步骤如下：
结果输出模块根据脑血管血流速度和脑血管实际直径距离，并参照正常脑血管直径距离和血流速度指标，结合用户生活习惯等，输出健康报告。
与现有技术相比，本发明具有如下有益效果：
本发明提出了一种用于脑血管疾病分析的计算机辅助诊断系统和方法，其中信号采集模块将超声波信号转化为电信号，信号预处理模块对电信号进行去噪处理，信号处理模块获取脑血管血流速度，分类检测模块获取脑血管实际直径距离，结果输出模块输出健康风险报告。整个诊断系统无辐射，安全性，准确性高，可以实现对脑血管疾病高危人群的监控预警，对于保护人类脑血管健康具有非常重大的现实意义。
附图说明
图1为一种用于脑血管疾病分析的计算机辅助诊断系统的框架图；
图2为一种用于脑血管疾病分析的计算机辅助诊断方法的流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
本实施例提出一种用于脑血管疾病分析的计算机辅助诊断系统，可以实现对脑血管疾病定量风险评估，对于保护人类脑血管健康，具有非常重大的现实意义，如图1所示，一种用于脑血管疾病分析的计算机辅助诊断系统，包括以下具体模块：
信号采集模块，采用超声探头用于向脑血管发送超声波信号，接收脑血管反射的超声波信号，并将反射后的超声波信号转化为电信号；超声探头包含一个KJ-PW-2MHz超声探头、KJ-CW-4MHz超声探头和KJ-CW-8MHz超声探头，所有超声探头采用复合陶瓷材料晶片、采用匹配层技术及切割工艺，具有较高的信噪比和灵敏度；
信号预处理模块，采用多级小波变换用于处理电信号噪声，并增强电信号的强度；令去噪前的电信号为，其中表示样本点的序号，令小波变换后得到的小波系数序列为，其中表示尺度，表示位置，电信号进行软阈值去噪后得到小波系数序列，记作，公式如下：
；
其中表示符号函数，表示软阈值，根据信噪比因素确定；
将去噪后的小波系数序列重构，得到第一电信号并记作，公式如下：
；
其中表示小波分解的最大尺度，表示尺度，表示位置，表示尺度为，位置为的小波基函数；
采用多级小波处理技术分解第一电信号提高去噪效果，以得到更加平滑和干净的第二电信号，多级小波分解如下式所示：
；
其中表示多级分解后小波系数序列，和分别表示低通滤波器和高通滤波器的系数，表示第一电信号的长度，表示取遍到之间的所有整数，表示尺度为，位置为的第一电信号；分解完毕后，将中不同级别的小波系数重构，得到第二电信号并记作，公式如下：
；
其中表示小波分解的最大尺度，表示第级，尺度为，位置为的小波基函数，在中包含不同级别的小波系数，表示中第级，尺度为，位置为的小波系数；
信号处理模块，采用模数转换器将重构后的第二电信号转换为数字信号，并对数字信号进行图像压缩存储，最终获取脑血管灰度图像；采用傅里叶变换将第二电信号转换为脑血管频谱获取脑血管血流速度；
将第二电信号进行傅里叶变换，记作，公式如下：
；
其中，表示频率，表示虚数单位，表示自然常数；将实部和虚部的平方和开平方，得到振幅谱序列，公式如下：
；
其中和分别表示的实部和虚部，记序列中的最大值为，此时对应的的频率记作，根据多普勒技术，脑血管血流速度计算公式如下：
；
其中，表示超声波在人体内传播的速度，表示超声波的发射频率，表示超声波声束与血液流动方向的夹角；
分类检测模块，采用Fast-CNN目标检测算法和区域分割算法检测分割脑血管灰度图像，获取脑血管实际直径距离；
（a）使用Fast-CNN目标检测算法检测出血管的位置和形状，得到脑血管的边界框；
（b）对脑血管边界框进行区域分割处理，将脑血管内部的像素从背景像素中分离，得到脑血管的灰度图像；
（c）在脑血管的灰度图像中，计算脑血管内部所有像素到脑血管边缘的距离，并取距离最大值和最小值的平均值作为脑血管直径像素距离，计算公式如下：
；
其中，表示脑血管直径像素距离，表示脑血管内所有像素的集合，表示脑血管边缘的集合，表示像素到脑血管边缘像素的距离；
（d）脑血管直径由像素距离计算获得，根据图像分辨率参数，将脑血管直径像素距离转换为脑血管实际直径距离，实际直径距离计算公式如下：
；
其中表示脑血管直径像素距离，表示图像分辨率；
结果输出模块，根据脑血管血流速度和脑血管实际直径距离，参照脑血管正常指标，输出健康风险报告。
实施例2
如图2所示，一种用于脑血管疾病分析的计算机辅助诊断方法，包括以下具体步骤：
在信号采集模块中配备接收脑血管反射超声波信号的超声探头，超声探头将超声波信号转化为电信号。需要说明的是：
信号采集模块中使用多个探头，包含一个KJ-PW-2MHz超声探头、KJ-CW-4MHz超声探头和KJ-CW-8MHz超声探头，超声探头通过向脑血管发送2MHz到10MHz范围内的超声波信号；超声探头接收脑血管反射的超声波信号，其频率与发射的超声波信号频率相同，接收到的超声波信号经超声探头内部的压电晶体转换为电信号，值得注意的是，电信号频率和超声波频率相同。
在信号预处理模块中使用小波变换处理技术消除噪声，并增强电信号的强度。需要说明的是：
信号预处理模块使用多级小波变换处理技术消除噪声，令去噪前的电信号为，其中表示样本点的序号，令小波变换后得到的小波系数序列为，其中表示尺度，表示位置，电信号进行软阈值去噪后得到小波系数序列，记作，公式如下：
；
其中表示符号函数，表示软阈值，根据信噪比因素确定；
将去噪后的小波系数序列重构，得到第一电信号并记作，公式如下：
；
其中表示小波分解的最大尺度，表示尺度，表示位置，表示尺度为，位置为的小波基函数；
采用多级小波处理技术分解第一电信号提高去噪效果，以得到更加平滑和干净的第二电信号，多级小波分解如下式所示：
；
其中表示多级分解后小波系数序列，和分别表示低通滤波器和高通滤波器的系数，表示第一电信号的长度，表示取遍到之间的所有整数，表示尺度为，位置为的第一电信号；分解完毕后，将中不同级别的小波系数重构，得到第二电信号并记作，公式如下：
；
其中表示小波分解的最大尺度，表示第级，尺度为，位置为的小波基函数，在中包含不同级别的小波系数，表示中第级，尺度为，位置为的小波系数。
在信号处理模块中，使用模数转换器将去噪后的电信号转化为数字信号，根据数字信号获取脑血管灰度图像，同时运用傅里叶变换和多普勒技术将去噪后的电信号转换为脑血管的频谱，根据频谱评估脑血管血流速度。需要说明的是：
信号处理模块采用8位模数转换器将重构后的第二电信号转换为0-255的数字信号，将0-255的数字信号映射到像素的灰度值获取脑血管灰度图像，其中0代表黑色，255代表白色，中间的值表示不同的灰度级别，较小的值表示较暗的像素，较大的值表示较亮的像素，具体转化过程如下：
（a）创建一个长度和宽度均为100的图像矩阵；
（b）对于图像中的每个像素，将数字信号的值作为像素的灰度值。例如，数字信号的值为128，则将对应像素的灰度值设置为128；
（c）将所有像素按照其位置排列在图像矩阵中，形成最终的脑血管灰度图像；
将第二电信号进行傅里叶变换，记作，公式如下：
；
其中，表示频率，表示虚数单位，表示自然常数；将实部和虚部的平方和开平方，得到振幅谱序列，公式如下：
；
其中和分别表示的实部和虚部，记序列中的最大值为，此时对应的的频率记作，根据多普勒技术，脑血管血流速度计算公式如下：
；
其中，表示超声波在人体内传播的速度，表示超声波的发射频率，表示超声波声束与血液流动方向的夹角。
分类检测模块使用Fast-CNN算法和区域分割算法，自动对脑血管灰度图像进行检测定位，并从脑血管灰度图像中分离脑血管，由此判断脑血管实际直径距离。需要说明的是：
分类检测模块包含Fast-CNN算法和区域分割算法，具体步骤如下：
（a）使用Fast-CNN目标检测算法检测出脑血管的位置和形状，得到脑血管的边界框；
（b）对脑血管边界框进行区域分割处理，将脑血管内部的像素从背景像素中分离，得到脑血管的灰度图像；
（c）在脑血管灰度图像中，计算脑血管内部所有像素到脑血管边缘的距离，并取距离最大值和最小值的平均值作为脑血管直径像素距离，计算公式如下：
；
其中，表示脑血管直径像素距离，表示脑血管内所有像素的集合，表示脑血管边缘的集合，表示像素到脑血管边缘像素的距离；
（d）脑血管直径由像素距离计算获得，根据图像分辨率参数，将脑血管直径像素距离转换为脑血管实际直径距离，实际直径距离计算公式如下：
；
其中表示脑血管直径像素距离，表示图像分辨率。
结果输出模块分别从信号提取模块和分类检测模块中获取脑血管血流速度和脑血管实际直径距离，并参照正常脑血管血流速度和正常脑血管直径距离指标，并结合用户生活习惯等，输出健康报告。需要说明的是：
健康报告内容包括脑血管灰度图像、脑血管实际直径距离、脑血管血流速度、正常脑血管直径距离和正常脑血管血流速度指标；其中正常脑血管直径距离在之间，正常脑血管血流速度在之间；
若且，且有长期吸烟熬夜酗酒史，则判定该用户为脑血栓，脑动脉瘤高风险人群，并提示用户改变不良生活习惯，加强锻炼，给出用药建议；
若且，且无长期吸烟熬夜酗酒史，则判定该用户为脑血栓，脑动脉瘤中风险人群，并提示用户合理饮食，加强锻炼，并及时复查；
若且，且无长期吸烟熬夜酗酒史，则判定该用户为脑血管疾病低风险人群，并提示用户继续保持健康生活习惯；
若且，且有长期吸烟熬夜酗酒史，则判定该用户为脑梗塞高风险人群，并提示用户改变不良生活习惯，加强锻炼，给出用药建议；
若且，且无长期吸烟熬夜酗酒史，则判定该用户为脑梗塞中风险人群，并提示用户合理饮食，加强锻炼，并及时复查。
通过本实施例能够实现：构建了一种脑血管疾病评估分析模型，该模型无辐射，安全性，准确性高，可以实现对脑血管疾病高危人群的监控预警，对于保护人类脑血管健康具有非常重大的现实意义。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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 (7)
1.一种用于脑血管疾病分析的计算机辅助诊断系统，其特征在于：包括，
信号采集模块，采用超声探头用于向脑血管发送超声波信号，接收脑血管反射的超声波信号，并将反射后的超声波信号转化为电信号；
信号预处理模块，采用多级小波变换用于处理电信号噪声，并增强电信号的强度；
信号处理模块，采用模数转化器将去噪后的电信号转换为数字信号获取脑血管灰度图像，采用傅里叶变换将去噪后的电信号转换为脑血管频谱获取脑血管血流速度；
分类检测模块，采用Fast-CNN目标检测算法和区域分割算法检测分割脑血管灰度图像，获取脑血管实际直径距离；
结果输出模块，根据脑血管血流速度和脑血管实际直径距离，参照脑血管正常指标，输出健康风险报告。
2.一种用于脑血管疾病分析的计算机辅助诊断方法，基于权利要求1所述的一种用于脑血管疾病分析的计算机辅助诊断系统实现，其特征在于：包括以下具体步骤：
在信号采集模块中配备接收脑血管反射超声波信号的超声探头，超声探头将超声波信号转化为电信号；
在信号预处理模块中使用多级小波变换处理技术增强电信号的强度，并消除噪声；
在信号处理模块中使用模数转换器将去噪后的电信号转化为数字信号，根据数字信号获取脑血管灰度图像，同时运用傅里叶变换和多普勒技术将去噪后的电信号转换为脑血管的频谱，根据频谱评估脑血管血流速度；
在分类检测模块中使用Fast-CNN算法和区域分割算法，两种算法分别对脑血管灰度图像进行检测、分割，计算脑血管实际直径距离；
结果输出模块根据脑血管血流速度和脑血管实际直径距离，并参照正常脑血管的指标特征，输出健康风险报告，供医生参考。
3.根据权利要求2所述的一种用于脑血管疾病分析的计算机辅助诊断方法，其特征在于：所述超声探头包括KJ-PW-2MHz超声探头、KJ-CW-4MHz超声探头和KJ-CW-8MHz超声探头。
4.根据权利要求3所述的一种用于脑血管疾病分析的计算机辅助诊断方法，其特征在于：所述信号处理模块采用多级小波处理技术，令去噪前的电信号为，其中表示样本点的序号，令小波变换后得到的小波系数序列为，其中表示尺度，表示位置，电信号进行软阈值去噪后得到小波系数序列，记作，公式如下：
；
其中表示符号函数，表示软阈值，根据信噪比因素确定；
将去噪后的小波系数序列重构，得到第一电信号并记作，公式如下：
；
其中表示小波分解的最大尺度，表示尺度，表示位置，表示尺度为，位置为的小波基函数；
采用多级小波处理技术分解第一电信号提高去噪效果，以得到更加平滑和干净的第二电信号，多级小波分解如下式所示：
；
其中表示多级分解后小波系数序列，和分别表示低通滤波器和高通滤波器的系数，表示第一电信号的长度，表示取遍到之间的所有整数，表示尺度为，位置为的第一电信号；分解完毕后，将中不同级别的小波系数重构，得到第二电信号并记作，公式如下：
；
其中表示小波分解的最大尺度，表示第级，尺度为，位置为的小波基函数，在中包含不同级别的小波系数，表示中第级，尺度为，位置为的小波系数。
5.根据权利要求4所述的一种用于脑血管疾病分析的计算机辅助诊断方法，其特征在于：所述信号处理模块采用模数转换器将重构后的第二电信号转换为数字信号，并对数字信号进行图像压缩存储，最终获取脑血管灰度图像；将第二电信号进行傅里叶变换，记作，公式如下：
；
其中，表示频率，表示虚数单位，表示自然常数；将实部和虚部的平方和开平方，得到振幅谱序列，公式如下：
；
其中和分别表示的实部和虚部，记序列中的最大值为，此时对应的频率记作，根据多普勒技术，脑血管血流速度计算公式如下：
；
其中，表示超声波在人体内传播的速度，表示超声波的发射频率，表示超声波声束与血液流动方向的夹角。
6.根据权利要求5所述的一种用于脑血管疾病分析的计算机辅助诊断方法，其特征在于：所述分类检测模块中使用Fast-CNN算法和区域分割算法，自动对脑血管灰度图像进行检测定位，并从脑血管灰度图像中分离脑血管，由此判断脑血管实际直径距离，具体步骤如下：
（a）使用Fast-CNN目标检测算法检测出脑血管的位置和形状，得到脑血管的边界框；
（b）对脑血管边界框进行区域分割处理，将脑血管内部的像素从背景像素中分离，得到脑血管的灰度图像；
（c）在脑血管的灰度图像中，计算脑血管内部所有像素到脑血管边缘的距离，并取距离最大值和最小值的平均值作为脑血管直径像素距离，计算公式如下：
；
其中，表示脑血管直径像素距离，表示脑血管内所有像素的集合，表示脑血管边缘的集合，表示像素到脑血管边缘像素的距离；
（d）脑血管直径由像素距离计算获得，根据图像分辨率参数，将脑血管直径像素距离转换为脑血管实际直径距离，实际直径距离计算公式如下：
；
其中表示脑血管直径像素距离，表示图像分辨率。
7.根据权利要求6所述的一种用于脑血管疾病分析的计算机辅助诊断方法，其特征在于：所述结果输出模块根据脑血管血流速度和脑血管实际直径距离，并参照正常脑血管直径距离和血流速度指标，结合用户生活习惯，输出健康报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310792336.5A CN116584977A (zh) | 2023-06-30 | 2023-06-30 | 一种用于脑血管疾病分析的计算机辅助诊断系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310792336.5A CN116584977A (zh) | 2023-06-30 | 2023-06-30 | 一种用于脑血管疾病分析的计算机辅助诊断系统和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116584977A true CN116584977A (zh) | 2023-08-15 |
Family
ID=87604659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310792336.5A Pending CN116584977A (zh) | 2023-06-30 | 2023-06-30 | 一种用于脑血管疾病分析的计算机辅助诊断系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116584977A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117197096A (zh) * | 2023-09-13 | 2023-12-08 | 广州麦笛亚医疗器械有限公司 | 一种基于血管图像的血管功能评估方法和系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN2764305Y (zh) * | 2005-01-10 | 2006-03-15 | 上海德安生物医学工程有限公司 | 脑血管系统功能及脑循环动力学分析仪器 |
| CN101766477A (zh) * | 2010-01-14 | 2010-07-07 | 复旦大学 | 一种检测脑血管健康状况的仪器 |
| CN103784164A (zh) * | 2014-02-18 | 2014-05-14 | 飞依诺科技(苏州)有限公司 | 超声信号的预处理方法及系统 |
| CN105534549A (zh) * | 2016-03-01 | 2016-05-04 | 南京澳思泰生物科技有限公司 | 一种超声骨密度仪探头位置监测系统及其监测方法 |
| CN107595247A (zh) * | 2017-08-29 | 2018-01-19 | 深圳市德力凯医疗设备股份有限公司 | 一种基于脑电信号的麻醉深度的监测方法及系统 |
| CN108186050A (zh) * | 2018-01-03 | 2018-06-22 | 声泰特（成都）科技有限公司 | 一种基于超声通道数据的多普勒血流速度成像方法和系统 |
| CN108433742A (zh) * | 2018-03-29 | 2018-08-24 | 东南大学 | 一种便携式模数全深度频移搜索型经颅多普勒检测装置及方法 |
| CN114820587A (zh) * | 2022-06-01 | 2022-07-29 | 深圳市德力凯医疗设备股份有限公司 | 一种超声检查中智能测量血管管径的方法及系统 |
| CN114901154A (zh) * | 2019-12-10 | 2022-08-12 | 皇家飞利浦有限公司 | 基于管腔内图像的血管直径确定以及相关联的设备、系统和方法 |
-
2023
- 2023-06-30 CN CN202310792336.5A patent/CN116584977A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN2764305Y (zh) * | 2005-01-10 | 2006-03-15 | 上海德安生物医学工程有限公司 | 脑血管系统功能及脑循环动力学分析仪器 |
| CN101766477A (zh) * | 2010-01-14 | 2010-07-07 | 复旦大学 | 一种检测脑血管健康状况的仪器 |
| CN103784164A (zh) * | 2014-02-18 | 2014-05-14 | 飞依诺科技(苏州)有限公司 | 超声信号的预处理方法及系统 |
| CN105534549A (zh) * | 2016-03-01 | 2016-05-04 | 南京澳思泰生物科技有限公司 | 一种超声骨密度仪探头位置监测系统及其监测方法 |
| CN107595247A (zh) * | 2017-08-29 | 2018-01-19 | 深圳市德力凯医疗设备股份有限公司 | 一种基于脑电信号的麻醉深度的监测方法及系统 |
| CN108186050A (zh) * | 2018-01-03 | 2018-06-22 | 声泰特（成都）科技有限公司 | 一种基于超声通道数据的多普勒血流速度成像方法和系统 |
| CN108433742A (zh) * | 2018-03-29 | 2018-08-24 | 东南大学 | 一种便携式模数全深度频移搜索型经颅多普勒检测装置及方法 |
| CN114901154A (zh) * | 2019-12-10 | 2022-08-12 | 皇家飞利浦有限公司 | 基于管腔内图像的血管直径确定以及相关联的设备、系统和方法 |
| CN114820587A (zh) * | 2022-06-01 | 2022-07-29 | 深圳市德力凯医疗设备股份有限公司 | 一种超声检查中智能测量血管管径的方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘文艺: "《风力发电机组振动监测与故障诊断技术》", pages: 34 - 37 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117197096A (zh) * | 2023-09-13 | 2023-12-08 | 广州麦笛亚医疗器械有限公司 | 一种基于血管图像的血管功能评估方法和系统 |
| CN117197096B (zh) * | 2023-09-13 | 2024-02-20 | 广州麦笛亚医疗器械有限公司 | 一种基于血管图像的血管功能评估方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Conversano et al. | A novel ultrasound methodology for estimating spine mineral density | |
| JP5453401B2 (ja) | 後方散乱超音波の準同型デコンボリューション解析により組織性状を判別するシステムおよび方法 | |
| EP1904971B1 (en) | Method and computer program for spatial compounding of images | |
| CN116584977A (zh) | 一种用于脑血管疾病分析的计算机辅助诊断系统和方法 | |
| TWI652048B (zh) | 超音波影像均勻度檢測方法及其系統 | |
| CN110507364B (zh) | 一种眼科晶状体超声成像方法及装置 | |
| CN109674493B (zh) | 医用超声自动追踪颈动脉血管的方法、系统及设备 | |
| Kim et al. | Robust single-probe quantitative ultrasonic imaging system with a target-aware deep neural network | |
| EP1515640A1 (en) | System and method for analysis of a tissue | |
| Dhinagar et al. | Ultrasound medical image enhancement and segmentation using adaptive homomorphic filtering and histogram thresholding | |
| US11302438B2 (en) | Analyzing apparatus and analyzing method | |
| Fakhr et al. | Automatic diagnosis of liver diseases from ultrasound images | |
| JP6934100B1 (ja) | モデル学習方法、装置、電子機器及び媒体 | |
| CN108720870A (zh) | 一种基于超声衰减系数的脂肪肝检测系统 | |
| Ling et al. | An efficient framework for estimation of muscle fiber orientation using ultrasonography | |
| Balamurugan et al. | USDL: Inexpensive medical imaging using deep learning techniques and ultrasound technology | |
| CN116433560A (zh) | 基于超声双模态影像的肌肉疾病识别方法、装置及设备 | |
| CN113951930A (zh) | 一种三维颈部超声自动扫查与评估系统及方法 | |
| Nesovic et al. | Ultrasound image quality evaluation using a structural similarity based autoencoder | |
| Xie et al. | Spectral analysis enhanced net (SAE-Net) to classify breast lesions with BI-RADS category 4 or higher | |
| Tamilkudimagal | Squeeze box filter for contrast enhancement in ultrasound despeckling | |
| Lam et al. | Measurement and analysis of the diameter of appendix based on ultrasound images | |
| CN110084772A (zh) | 基于弯曲波的mri/ct融合方法 | |
| CN117455779B (zh) | 一种医疗超声影像仪辅助增强系统 | |
| CN117197096B (zh) | 一种基于血管图像的血管功能评估方法和系统 |
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 |