CN116831620A - 一种基于深度学习的多普勒缺失数据填充方法 - Google Patents
一种基于深度学习的多普勒缺失数据填充方法 Download PDFInfo
- Publication number
- CN116831620A CN116831620A CN202310859909.1A CN202310859909A CN116831620A CN 116831620 A CN116831620 A CN 116831620A CN 202310859909 A CN202310859909 A CN 202310859909A CN 116831620 A CN116831620 A CN 116831620A
- Authority
- CN
- China
- Prior art keywords
- data
- mode
- filling
- missing
- prediction model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000005070 sampling Methods 0.000 claims abstract description 50
- 230000001360 synchronised effect Effects 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000003384 imaging method Methods 0.000 claims abstract description 16
- 239000000523 sample Substances 0.000 claims description 37
- 238000003062 neural network model Methods 0.000 claims description 23
- 125000004122 cyclic group Chemical group 0.000 claims description 22
- 230000017531 blood circulation Effects 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 206010057469 Vascular stenosis Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000005986 heart dysfunction Effects 0.000 description 1
- 201000011066 hemangioma Diseases 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 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
- A61B8/48—Diagnostic techniques
- A61B8/488—Diagnostic techniques involving Doppler signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/48—Diagnostic techniques
- A61B8/486—Diagnostic techniques involving arbitrary m-mode
-
- 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
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
本发明公开了一种基于深度学习的多普勒缺失数据填充方法,包括:基于深度神经网络技术构建预测模型;获得同步成像模式下的PW采样数据;所述PW采样数据包括:按照时序的排列的有效数据和缺失数据间隔存在的数据;将PW采样数据输入至所述预测模型,通过所述预测模型的预测,针对每一段的缺失数据输出对应的填充数据;将所述填充数据填充至相应的缺失数据中,构成连续的完整的PW数据。采集人体不同部位的PW信号数据,形成训练样本,进行深度学习模型有监督训练。通过真实采集数据进行训练,进而基于训练得到的深度网络,利用缺失数据前和/或缺失数据后的信号特征对缺失数据进行估计,有效提升缺失数据填充的准确性。
Description
技术领域
本发明涉及多普勒测量技术领域,具体涉及一种基于深度学习的多普勒缺失数据填充方法。
背景技术
医用超声多普勒频谱是一种医学图像技术,用于测量血流速度和方向。它基于多普勒效应,通过发送高频声波并接收回波来衡量血液的速度和流向。多普勒频谱可以帮助医生检测血管狭窄、血管瘤、心脏功能异常等病症。在医学中,多普勒频谱也被广泛用于产前检查、心脏病诊断和手术中的血流监测。
B模式是一种二维超声成像模式,可以显示人体内部的组织结构和器官形态。B模式成像通过在人体内部扫描超声波,将回波信号转换成灰度图像,从而呈现出人体内部组织和器官的形态和结构。PW模式是一种脉冲多普勒模式,可以测量血流速度和方向。在PW模式下,超声探头发送一个短脉冲,然后接收反射回来的信号。根据多普勒效应,可以通过分析信号频率的变化来计算血流速度和方向。
同步则是指在超声成像过程中,多种成像模式,如B模式、彩色模式和PW模式可以同时显示。这样,医生可以在B模式下观察人体内部结构和器官形态,同时在PW模式下测量血流速度和方向,从而更全面地了解病情并作出准确的诊断。由于硬件系统限制,B模式和PW模式无法同时进行信号采集,必须采用时分复用的方式。这就导致当B模式进行信号采集的时候,有些情况下PW模式的数据会出现缺失。
针对数据缺失的问题,现有技术一般使用数据插值、模型估计等基于模型的方法,传统方法通常需要手工设计特征和规则,需要专业的知识设计和提取特征,但在一些特定的场景下,传统方法的准确度可能会更高。但是模型的适应性不强,对于不同条件、不同受试者、不同部位采集的频谱无法很好的满足。
例如,专利US5891036使用缺失数据段前、后的两段有效序列,分别用信号的实部和虚部对缺失数据进行正反序加权填充。专利US8206302提取缺失信号前后数据,采用频率分析和补偿的方法对缺失信号进行填充。专利CN104783836则采用时间序列补偿和频率分析补偿结合的方法,对两段信号中间的信号间隙进行插值补偿。专利US5642732对缺失信号前后两段信号,分别用自回归模型方法进行参数估计,利用估计后的参数构建IIR滤波器,对缺失信号进行估计。
上述几种方法由于采用固定模型和参数对缺失数据进行估计,对缺失数据的估计存在不平滑、不连续等现象。特别对于缺失部分数据频率变化比较剧烈的情况,很难准确进行估计。
发明内容
本发明提供一种基于深度学习的多普勒缺失数据填充方法,以解决现有技术中存在的上述问题。
本发明提供一种基于深度学习的多普勒缺失数据填充方法,包括:
S100,基于深度神经网络技术构建预测模型;
S200,获得同步成像模式下的PW采样数据;所述PW采样数据包括:按照时序的排列的有效数据和缺失数据间隔存在的数据;
S300,将PW采样数据输入至所述预测模型,通过所述预测模型的预测,针对每一段的缺失数据输出对应的填充数据;
S400,将所述填充数据填充至相应的缺失数据中,构成连续的完整的PW数据。
优选的,所述S100包括:
S101,获取脉冲多普勒超声设备采集的多个完整血流信号数据作为原始训练样本;
S102,将完整血流信号数据采用预设方式删除部分数据,形成缺失段,缺失段部分没有数据,将具有缺失段的数据作为实际训练样本;
S103,采用深度神经网络模型提取所述实际训练样本中缺失段的前段数据和/或后段数据进行训练预测,获得填充数据;
S104,将所述填充数据作为所述预测模型的输出。
优选的,所述S103还包括:
S1031,采用随机方式删除一段数据后,将删除的一段数据作为反馈数据进行存储;
S1032,训练预测获得的填充数据与所述反馈数据进行比对,获得预测模型的误差评价值;
S1033,若所述误差评价值大于等于设定的评价阈值时,采用监督训练的方式基于所述反馈数据获得预测模型的修正参数,基于所述修正参数对所述预测模型进行优化处理。
优选的,所述S101包括:
S1011,对采集部位进行划分,划分为多个采集部位,每个采集部位对应相应的部位标识;将预测模型划分为按照部位标识的子预测模型;
S1012,针对每个采集部位基于脉冲多普勒超声设备采集的多个完整血流信号数据作为局部的原始训练样本;
S1013,将局部的原始训练样本按照所述部位标识进行数据存储;
S1014,每一个局部的原始训练样本获取完成后,按照步骤S102至步骤S104,获得子预测模型的输出。
优选的,所述S300步骤之前,还包括:
判断PW采样数据所属的采集部位;
根据采集部位对应的部位标识确定PW采样数据对应的子预测模型,将PW采样数据输入至所述子预测模型。
优选的,所述S102中,将完整血流信号数据采用预设方式删除部分数据,包括:
S1021,采用随机选择的方式删除一段数据或多段数据,删除的多段数据为不连续的;
S1022,设置删除数据的长度和对应的时间起始点;所述删除的数据的长度大于等于第一长度阈值,且小于等于第二长度阈值,所述第一长度阈值小于第二长度阈值;
S1023,将删除的多段数据按照时间序列进行标记,并将删除的数据按照同样的时间序列进行记录存储。
优选的,所述S100还包括:
S105,构建循环神经网络模型RNN,将所述循环神经网络模型RNN作为预测模型;所述循环神经网络模型RNN包括:长短时记忆神经网络LSTM或门控循环神经网络GRU;
S106,获取需要进行数据填充的PW采样数据,PW采样数据中包括多段有效数据和多段缺失数据,两段有效数据之间为空缺部分,需要进行数据填充;
S107,将PW采样数据输入至所述循环神经网络模型RNN,基于循环神经网络模型RNN通过对有效数据进行分析,获得基于有效数据的预测数据,将预测数据作为填充数据,将空缺部分的数据补充完整。
优选的,所述S200包括:
S201,设置同步成像模式下的不同组合模式,组合模式包括:B模式+PW模式、B模式+彩色模式+PW模式;
S202,扫描序列按照设置的不同组合模式进行扫描采集;组合模式中采用与PW模式交替扫描的方式呈现;
S203,当PW模式进行扫描采集时,形成有效数据,B模式或彩色模式进行扫描采集时,PW采样数据对应的数据为缺失的,形成缺失数据。
优选的,所述S1033包括:
S1033-1,根据反馈数据获得最有数据参数;
S1033-2,对预测模型中的优化器和初始学习率、样本数量参数、epoch参数进行模型参数优化,形成多个优化模型;
S1033-3,获取误差最小的优化模型对应的参数,基于该参数进行预测模型的优化。
本发明还提供一种多普勒同步成像模式的系统,包括:波束形成控制单元、发射波束形成模块、发射单元、超声探头、A/D模拟数字转换模块、接收波束形成单元、PW模式图像形成单元、缺失数据填充单元、同步模式图像形成单元和显示单元;
波束形成控制单元控制发射波束形成模块,激发发射单元,激励超声探头发出激励脉冲信号;超声探头发射后开始接收回波数据,通过A/D模拟数字转换模块转为数字信号,经过接收波束形成单元的相应处理后,经过同步模式图像形成单元形成同步模式图像,以及经过PW模式图像形成单元形成PW模式图像,PW模式图像通过缺失数据填充单元进行缺失数据填充,形成完整连续数据,完整连续数据通过显示单元进行显示;同步模式图像直接通过显示单元进行显示;
所述缺失数据填充单元具体用于通过执行所述的多普勒缺失数据填充方法完成缺失数据的填充,构成连续的完整的PW数据。
与现有技术相比,本发明具有以下优点:
本发明提供一种基于深度学习的多普勒缺失数据填充方法,包括:基于深度神经网络技术构建预测模型;获得同步成像模式下的PW采样数据;所述PW采样数据包括:按照时序的排列的有效数据和缺失数据间隔存在的数据;将PW采样数据输入至所述预测模型,通过所述预测模型的预测,针对每一段的缺失数据输出对应的填充数据;将所述填充数据填充至相应的缺失数据中,构成连续的完整的PW数据。采集人体不同部位的PW信号数据,进行深度学习模型训练。使用训练得到的深度网络,利用缺失数据前后的双向信号特征,或者仅使用缺失信号前或后的单侧特征,对缺失数据进行估计,能够有效提升缺失数据填充的准确性。随着训练数据的进一步扩充,模型方法的准确性也进一步提升。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于深度学习的多普勒缺失数据填充方法的流程图;
图2为本发明实施例中PW采样数据产生的结构示意图;
图3为本发明实施例中一种多普勒同步成像模式的系统的结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提供了一种基于深度学习的多普勒缺失数据填充方法,请参照图1,该基于深度学习的多普勒缺失数据填充方法包括:
S100,基于深度神经网络技术构建预测模型;
S200,获得同步成像模式下的PW采样数据;所述PW采样数据包括:按照时序的排列的有效数据和缺失数据间隔存在的数据;
S300,将PW采样数据输入至所述预测模型,通过所述预测模型的预测,针对每一段的缺失数据输出对应的填充数据;
S400,将所述填充数据填充至相应的缺失数据中,构成连续的完整的PW数据。
上述技术方案的工作原理为:本实施例采用的方案是基于深度神经网络技术构建预测模型;获得同步成像模式下的PW采样数据;所述PW采样数据包括:按照时序的排列的有效数据和缺失数据间隔存在的数据;将PW采样数据输入至所述预测模型,通过所述预测模型的预测,针对每一段的缺失数据输出对应的填充数据;将所述填充数据填充至相应的缺失数据中,构成连续的完整的PW数据。
本发明采用PW采样数据结合深度学习方法,采集人体不同部位的PW信号数据,进行深度学习模型训练。使用训练得到的深度网络,利用缺失数据前后的双向信号特征,或者仅使用缺失信号前或后的单侧特征,对缺失数据进行估计,能够有效提升缺失数据填充的准确性。随着训练数据的进一步扩充,模型方法的准确性也进一步提升。
上述技术方案的有益效果为:采用本实施例提供的方案使用深度学习技术方法,在超声PW同步模式下,对缺失数据进行补偿填充,使得补充的数据尽可能接近真实情况。减少数据缺失或者补偿效果不好带来的PW图像噪声和伪像。
在另一实施例中,所述S200包括:
S201,设置同步成像模式下的不同组合模式,组合模式包括:B模式+PW模式、B模式+彩色模式+和PW模式;
S202,扫描序列按照设置的不同组合模式进行扫描采集;组合模式中采用与PW模式交替扫描的方式呈现;;
S203,当PW模式进行扫描采集时,形成有效数据,B模式或彩色模式进行扫描采集时,PW采样数据对应的数据为缺失的,形成缺失数据。
上述技术方案的工作原理为:本实施例采用的方案是如B模式、C模式和PW模式同时进行数据采集时,智能采用时分复用的方式,在某个时间段采用B模式,或C模式或PW模式,组合模式中采用与PW模式交替扫描的方式呈现,例如,图2所示,扫描顺序依次为:PW模式、B模式、PW模式、C模式、PW模式,因此,产生的PW采样数据即为在PW模式扫描时,产生有效数据,在B模式、C模式扫描时,PW采样数据并没有数据,为缺失数据。
在另一实施例中,所述S100包括:
S101,获取脉冲多普勒超声设备采集的多个完整血流信号数据作为原始训练样本;
S102,将完整血流信号数据采用预设方式删除部分数据,形成缺失段,缺失段部分没有数据,将具有缺失段的数据作为实际训练样本;
S103,采用深度神经网络模型提取所述实际训练样本中缺失段的前段数据和/或后段数据进行训练预测,获得填充数据;
S104,将所述填充数据作为所述预测模型的输出。
上述技术方案的工作原理为:本实施例采用的方案如下:
数据样本采集和扩充,具体采用的方案如下:
利用现有超声设备实际采集人体完整血流信号(无gap),作为我们的训练样本。我们在采集到的一维信号中,随机擦除一段数据,用以模拟出现gap时候的缺失数据情况。抹除的数据作为模型的输出,监督训练模型。使用这种方式,我们可以简单并且准确的模拟在不同信号时间点、不同长度gap的情况,降低了收集数据和标记数据的难度。
模型和训练步骤,具体实现的方式如下:
利用成熟的基于深度学习的时间序列信号预测技术,从模型选择上,可以采用循环神经网络的模型RNN,包括但不限于长短时记忆神经网络LSTM(Long-short termmemory)以及门控循环神经网络GRU(gated recurrent neural network)等,利用gap前后的数据综合预测中间缺失的信号,具体的,采用LSTM或GRU是为了更好地捕捉时序数据之间的依赖关系,对空缺部分的数据进行预测,获得填充空缺部分的预测数据,用于填充相应的空缺部分,与空缺部分前后的数据进行衔接,形成完整数据。另外一种可行的方案是使用流行的Transformer结构(注意力机制),该方案可以直接实现长程连接,考虑到我们采集和生成训练数据的方式,使用Transformer训练需要的大量数据可以轻松获取。
模型优化和实施所采用的方案如下:
考虑到模型需要实时生成gap数据,因此我们在设计模型的时候,首要采用轻量级的设计,降低推理过程中的计算量,例如降低中间层神经元的个数,减少多头注意力机制中头的数量等等。另外一方面,我们使用深度学习框架和Nvidia提供的部署工具,将模型部署到机器上,进一步加快模型推理速度,满足我们设备上的硬件需求。
在另一实施例中,所述S103还包括:
S1031,采用随机方式删除一段数据后,将删除的一段数据作为反馈数据进行存储;
S1032,训练预测获得的填充数据与所述反馈数据进行比对,获得预测模型的误差评价值;
S1033,若所述误差评价值大于等于设定的评价阈值时,采用监督训练的方式基于所述反馈数据获得预测模型的修正参数,基于所述修正参数对所述预测模型进行优化处理。
上述技术方案的工作原理为:本实施例采用的方案是所述S103还包括:S1031,采用随机方式删除一段数据后,将删除的一段数据作为反馈数据进行存储;S1032,训练预测获得的填充数据与所述反馈数据进行比对,获得预测模型的误差评价值;S1033,若所述误差评价值大于等于设定的评价阈值时,采用监督训练的方式基于所述反馈数据获得预测模型的修正参数,基于所述修正参数对所述预测模型进行优化处理。
上述技术方案的有益效果为:采用本实施例提供的方案通过反馈数据,也就是真实采集到的数据(反馈数据)作为有监督训练过程中的真实值,采用这样的监督训练方式,得到的填充数据更加接近真实值,因此,对缺失数据的预估也就更加准确。
在另一实施例中,所述S101包括:
S1011,对采集部位进行划分,划分为多个采集部位,每个采集部位对应相应的部位标识;将预测模型划分为按照部位标识的子预测模型;
S1012,针对每个采集部位基于脉冲多普勒超声设备采集的多个完整血流信号数据作为局部的原始训练样本;
S1013,将局部的原始训练样本按照所述部位标识进行数据存储;
S1014,每一个局部的原始训练样本获取完成后,按照步骤S102至步骤S104,获得子预测模型的输出。
上述技术方案的工作原理为:本实施例采用的方案是所述S101包括:S1011,对采集部位进行划分,划分为多个采集部位,每个采集部位对应相应的部位标识;将预测模型划分为按照部位标识的子预测模型;S1012,针对每个采集部位基于脉冲多普勒超声设备采集的多个完整血流信号数据作为局部的原始训练样本;S1013,将局部的原始训练样本按照所述部位标识进行数据存储;S1014,每一个局部的原始训练样本获取完成后,按照步骤S102至步骤S104,获得子预测模型的输出。
在另一实施例中,所述S300步骤之前,还包括:
判断PW采样数据所属的采集部位;
根据采集部位对应的部位标识确定PW采样数据对应的子预测模型,将PW采样数据输入至所述子预测模型。
上述技术方案的工作原理为:本实施例采用的方案是所述S300步骤之前,还包括:判断PW采样数据所属的采集部位;根据采集部位对应的部位标识确定PW采样数据对应的子预测模型,将PW采样数据输入至所述子预测模型。
上述技术方案的有益效果为:采用本实施例提供的方案采用采集部位的划分方式,针对不同的部位,可以采用不同的子预测模型进行填充数据的获得,由于可能存在每个部位的预测模型的参数有稍微的不同,为了将不同部位的影响降到最小,可以针对不同的采集部位设置不同参数的子预测模型,提升模型预估的准确性。
在另一实施例中,所述S102中,将完整血流信号数据采用预设方式删除部分数据,包括:
S1021,采用随机选择的方式删除一段数据或多段数据,删除的多段数据为不连续的;
S1022,设置删除数据的长度和对应的时间起始点;所述删除的数据的长度大于等于第一长度阈值,且小于等于第二长度阈值,所述第一长度阈值小于第二长度阈值;
S1023,将删除的多段数据按照时间序列进行标记,并将删除的数据按照同样的时间序列进行记录存储。
上述技术方案的工作原理为:本实施例采用的方案是所述S102中,将完整血流信号数据采用预设方式删除部分数据,包括:S1021,采用随机选择的方式删除一段数据或多段数据,删除的多段数据为不连续的;S1022,设置删除数据的长度和对应的时间起始点;所述删除的数据的长度大于等于第一长度阈值,且小于等于第二长度阈值,所述第一长度阈值小于第二长度阈值;S1023,将删除的多段数据按照时间序列进行标记,并将删除的数据按照同样的时间序列进行记录存储。
上述技术方案的有益效果为:采用本实施例提供的方案将删除的数据对应的时间段进行记录,保证填充数据与有效数据的精准对接,保证数据的完整精准性。
在另一实施例中,所述S100还包括:
S105,构建循环神经网络模型RNN,将所述循环神经网络模型RNN作为预测模型;所述循环神经网络模型RNN包括:长短时记忆神经网络LSTM或门控循环神经网络GRU;
S106,获取需要进行数据填充的PW采样数据,PW采样数据中包括多段有效数据和多段缺失数据,两段有效数据之间为空缺部分,需要进行数据填充;
S107,将PW采样数据输入至所述循环神经网络模型RNN,基于循环神经网络模型RNN通过对有效数据进行分析,获得基于有效数据的预测数据,将预测数据作为填充数据,将空缺部分的数据补充完整。
上述技术方案的工作原理为:本实施例采用的方案是所述S100还包括:S105,构建循环神经网络模型RNN,将所述循环神经网络模型RNN作为预测模型;所述循环神经网络模型RNN包括:长短时记忆神经网络LSTM或门控循环神经网络GRU;S106,获取需要进行数据填充的PW采样数据,PW采样数据中包括多段有效数据和多段缺失数据,两段有效数据之间为空缺部分,需要进行数据填充;S107,将PW采样数据输入至所述循环神经网络模型RNN,基于循环神经网络模型RNN通过对有效数据进行分析,获得基于有效数据的预测数据,将预测数据作为填充数据,将空缺部分的数据补充完整。采用LSTM和GRU这两种网络的结构不具备编码、解码结构,但是更适用于时间序列信号。结合本实施例中PW采样数据是时间序列数据,因此,采用LSTM和GRU可以对PW采样数据中的空缺部分的数据进行更精确的预测,预测得到的填充数据也更加准确,与实际数据更贴合准确。
上述技术方案的有益效果为:采用本实施例提供的方案类似于编码器和解码器的结构降低了U-net模型对数据量的要求,即使是小样本的情况下U-net模型依然可以获得精度较高的预测结果。
在另一实施例中,所述S1033包括:
S1033-1,根据反馈数据获得最有数据参数;
S1033-2,对预测模型中的优化器和初始学习率、样本数量参数、epoch参数进行模型参数优化,形成多个优化模型;
S1033-3,获取误差最小的优化模型对应的参数,基于该参数进行预测模型的优化。
上述技术方案的工作原理为:本实施例采用的方案是所述S1033包括:S1033-1,根据反馈数据获得最有数据参数;S1033-2,对预测模型中的优化器和初始学习率、样本数量参数、epoch参数进行模型参数优化,形成多个优化模型;S1033-3,获取误差最小的优化模型对应的参数,基于该参数进行预测模型的优化。
上述技术方案的有益效果为:采用本实施例提供的方案保证优化后的预测模型可以预估出更准确的填充数据。
在另一实施例中,本实施例还提供一种多普勒同步成像模式的系统,请参照图3,该系统包括:波束形成控制单元、发射波束形成模块、发射单元、超声探头、A/D模拟数字转换模块、接收波束形成单元、PW模式图像形成单元、缺失数据填充单元、同步模式图像形成单元和显示单元;
波束形成控制单元控制发射波束形成模块,激发发射单元,激励超声探头发出激励脉冲信号;超声探头发射后开始接收回波数据,通过A/D模拟数字转换模块转为数字信号,经过接收波束形成单元的相应处理后,经过同步模式图像形成单元形成同步模式图像,以及经过PW模式图像形成单元形成PW模式图像,PW模式图像通过缺失数据填充单元进行缺失数据填充,形成完整连续数据,完整连续数据通过显示单元进行显示;同步模式图像直接通过显示单元进行显示;
所述缺失数据填充单元具体用于通过执行多普勒缺失数据填充方法完成缺失数据的填充,构成连续的完整的PW数据。
上述技术方案的工作原理为:本实施例采用的方案是利用深度学习可以通过多层神经网络来学习数据的高阶特征,从而提高数据的表征能力。相比传统方法,深度学习可以更准确地描述数据的复杂特征,从而提高了数据的处理效果。深度学习可以根据数据的特点自适应地调整模型参数,从而更好地适应不同的数据分布和任务需求。相比传统方法,深度学习可以更好地适应不同的应用场景,提高了模型的泛化能力。
上述技术方案的有益效果为:采用本实施例提供的方案采用PW采样数据结合深度学习方法,采集人体不同部位的PW信号数据,进行深度学习模型训练。使用训练得到的深度网络,利用缺失数据前后的双向信号特征,或者仅使用缺失信号前或后的单侧特征,对缺失数据进行估计,能够有效提升缺失数据填充的准确性。随着训练数据的进一步扩充,模型方法的准确性也进一步提升。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于深度学习的多普勒缺失数据填充方法,其特征在于,包括:
S100,基于深度神经网络技术构建预测模型;
S200,获得同步成像模式下的PW采样数据;所述PW采样数据包括:按照时序的排列的有效数据和缺失数据间隔存在的数据;
S300,将PW采样数据输入至所述预测模型,通过所述预测模型的预测,针对每一段的缺失数据输出对应的填充数据;
S400,将所述填充数据填充至相应的缺失数据中,构成连续的完整的PW数据。
2.根据权利要求1所述的基于深度学习的多普勒缺失数据填充方法,其特征在于,所述S100包括:
S101,获取脉冲多普勒超声设备采集的多个完整血流信号数据作为原始训练样本;
S102,将完整血流信号数据采用预设方式删除部分数据,形成缺失段,缺失段部分没有数据,将具有缺失段的数据作为实际训练样本;
S103,采用深度神经网络模型提取所述实际训练样本中缺失段的前段数据和/或后段数据进行训练预测,获得填充数据;
S104,将所述填充数据作为所述预测模型的输出。
3.根据权利要求2所述的基于深度学习的多普勒缺失数据填充方法,其特征在于,所述S103还包括:
S1031,采用随机方式删除部分数据后,将删除的部分数据作为反馈数据进行存储;
S1032,训练预测获得的填充数据与所述反馈数据进行比对,获得预测模型的误差评价值;
S1033,若所述误差评价值大于等于设定的评价阈值时,采用监督训练的方式基于所述反馈数据获得预测模型的修正参数,基于所述修正参数对所述预测模型进行优化处理。
4.根据权利要求2所述的基于深度学习的多普勒缺失数据填充方法,其特征在于,所述S101包括:
S1011,对采集部位进行划分,划分为多个采集部位,每个采集部位对应相应的部位标识;将预测模型划分为按照部位标识的子预测模型;
S1012,针对每个采集部位基于脉冲多普勒超声设备采集的多个完整血流信号数据作为局部的原始训练样本;
S1013,将局部的原始训练样本按照所述部位标识进行数据存储;
S1014,每一个局部的原始训练样本获取完成后,按照步骤S102至步骤S104,获得子预测模型的输出。
5.根据权利要求4所述的基于深度学习的多普勒缺失数据填充方法,其特征在于,所述S300步骤之前,还包括:
判断PW采样数据所属的采集部位;
根据采集部位对应的部位标识确定PW采样数据对应的子预测模型,将PW采样数据输入至所述子预测模型。
6.根据权利要求2所述的基于深度学习的多普勒缺失数据填充方法,其特征在于,所述S102中,将完整血流信号数据采用预设方式删除部分数据,包括:
S1021,采用随机选择的方式删除一段数据或多段数据,删除的多段数据为不连续的;
S1022,设置删除数据的长度和对应的时间起始点;所述删除的数据的长度大于等于第一长度阈值,且小于等于第二长度阈值,所述第一长度阈值小于第二长度阈值;
S1023,将删除的多段数据按照时间序列进行标记,并将删除的数据按照同样的时间序列进行记录存储。
7.根据权利要求1所述的基于深度学习的多普勒缺失数据填充方法,其特征在于,所述S100还包括:
S105,构建循环神经网络模型RNN,将所述循环神经网络模型RNN作为预测模型;所述循环神经网络模型RNN包括:长短时记忆神经网络LSTM或门控循环神经网络GRU;
S106,获取需要进行数据填充的PW采样数据,PW采样数据中包括多段有效数据和多段缺失数据,两段有效数据之间为空缺部分,需要进行数据填充;
S107,将PW采样数据输入至所述循环神经网络模型RNN,基于循环神经网络模型RNN通过对有效数据进行分析,获得基于有效数据的预测数据,将预测数据作为填充数据,将空缺部分的数据补充完整。
8.根据权利要求1所述的基于深度学习的多普勒缺失数据填充方法,其特征在于,所述S200包括:
S201,设置同步成像模式下的不同组合模式,组合模式包括:B模式+PW模式、B模式+彩色模式+PW模式;
S202,扫描序列按照设置的不同组合模式进行扫描采集;组合模式中采用与PW模式交替扫描的方式呈现;
S203,当PW模式进行扫描采集时,形成有效数据,B模式或彩色模式进行扫描采集时,PW采样数据对应的数据为缺失的,形成缺失数据。
9.根据权利要求3所述的基于深度学习的多普勒缺失数据填充方法,其特征在于,所述S1033包括:
S1033-1,根据反馈数据获得最有数据参数;
S1033-2,对预测模型中的优化器和初始学习率、样本数量参数、epoch参数进行模型参数优化,形成多个优化模型;
S1033-3,获取误差最小的优化模型对应的参数,基于该参数进行预测模型的优化。
10.一种多普勒同步成像模式的系统,其特征在于,包括:波束形成控制单元、发射波束形成模块、发射单元、超声探头、A/D模拟数字转换模块、接收波束形成单元、PW模式图像形成单元、缺失数据填充单元、同步模式图像形成单元和显示单元;
波束形成控制单元控制发射波束形成模块,激发发射单元,激励超声探头发出激励脉冲信号;超声探头发射后开始接收回波数据,通过A/D模拟数字转换模块转为数字信号,经过接收波束形成单元的相应处理后,经过同步模式图像形成单元形成同步模式图像,以及经过PW模式图像形成单元形成PW模式图像,PW模式图像通过缺失数据填充单元进行缺失数据填充,形成完整连续数据,完整连续数据通过显示单元进行显示;同步模式图像直接通过显示单元进行显示;
所述缺失数据填充单元具体用于通过执行权利要求1-9任一项所述的多普勒缺失数据填充方法完成缺失数据的填充,构成连续的完整的PW数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310859909.1A CN116831620A (zh) | 2023-07-13 | 2023-07-13 | 一种基于深度学习的多普勒缺失数据填充方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310859909.1A CN116831620A (zh) | 2023-07-13 | 2023-07-13 | 一种基于深度学习的多普勒缺失数据填充方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116831620A true CN116831620A (zh) | 2023-10-03 |
Family
ID=88161487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310859909.1A Pending CN116831620A (zh) | 2023-07-13 | 2023-07-13 | 一种基于深度学习的多普勒缺失数据填充方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116831620A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120053461A1 (en) * | 2010-08-26 | 2012-03-01 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Method and system for simultaneously displaying a doppler image, a b-mode image, and a color blood flow image |
CN107273429A (zh) * | 2017-05-19 | 2017-10-20 | 哈工大大数据产业有限公司 | 一种基于深度学习的缺失值填充方法及系统 |
CN112513674A (zh) * | 2018-07-26 | 2021-03-16 | 皇家飞利浦有限公司 | 基于器官检测自动动态设置成像参数的超声系统 |
CN112634208A (zh) * | 2020-12-09 | 2021-04-09 | 浙江求是数理医学研究院 | 基于深度学习的超声影像混合训练方法 |
-
2023
- 2023-07-13 CN CN202310859909.1A patent/CN116831620A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120053461A1 (en) * | 2010-08-26 | 2012-03-01 | Shenzhen Mindray Bio-Medical Electronics Co., Ltd. | Method and system for simultaneously displaying a doppler image, a b-mode image, and a color blood flow image |
CN107273429A (zh) * | 2017-05-19 | 2017-10-20 | 哈工大大数据产业有限公司 | 一种基于深度学习的缺失值填充方法及系统 |
CN112513674A (zh) * | 2018-07-26 | 2021-03-16 | 皇家飞利浦有限公司 | 基于器官检测自动动态设置成像参数的超声系统 |
CN112634208A (zh) * | 2020-12-09 | 2021-04-09 | 浙江求是数理医学研究院 | 基于深度学习的超声影像混合训练方法 |
Non-Patent Citations (1)
Title |
---|
应嘉龙;: "基于Burg算法的自回归多普勒信号预测", 科协论坛(下半月), no. 01, 31 December 2010 (2010-12-31), pages 59 - 60 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9445787B2 (en) | Systems and methods for capture and display of blood pressure and ultrasound data | |
CN110381845B (zh) | 具有用于导出成像数据和组织信息的神经网络的超声成像系统 | |
US11364013B2 (en) | Ultrasound imaging system with a neural network for image formation and tissue characterization | |
CN101166474B (zh) | 同步呼吸信号与超声波数据的获取的方法 | |
EP2437666B1 (en) | Method and apparatus for measuring heart contractility | |
US8094893B2 (en) | Segmentation tool for identifying flow regions in an image system | |
JPH10127638A (ja) | 運動部分を含む対象に関する信号処理方法及びこの方法を実施するエコーグラフィック装置 | |
JPH11316180A (ja) | 血管中の粘度及び圧勾配を決定するエコ―検査方法及び装置 | |
US20210161508A1 (en) | Ultrasound imaging system and method | |
WO2007100804A2 (en) | Feature tracing process for m- mode images | |
US6159151A (en) | Method for the processing of signals relating to an object having moving parts and echographic device for carrying out this method | |
CN113382685B (zh) | 用于研究血管特性的方法和系统 | |
CN116831620A (zh) | 一种基于深度学习的多普勒缺失数据填充方法 | |
WO2019192970A1 (en) | Ultrasonic shear wave imaging with improved accuracy and reliability | |
CN113015490A (zh) | 用于同时呈现多门多普勒信号的对应于不同解剖结构的多普勒信号的方法和系统 | |
JP4050707B2 (ja) | 超音波計測装置 | |
JP2023168940A (ja) | 超音波時系列データ処理装置及び超音波時系列データ処理プログラム | |
CN113576532A (zh) | 超声波诊断装置以及脐带长度测定方法 |
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 |