CN117314785A - 基于ai的超声造影诊断辅助系统 - Google Patents

基于ai的超声造影诊断辅助系统 Download PDF

Info

Publication number
CN117314785A
CN117314785A CN202311416732.4A CN202311416732A CN117314785A CN 117314785 A CN117314785 A CN 117314785A CN 202311416732 A CN202311416732 A CN 202311416732A CN 117314785 A CN117314785 A CN 117314785A
Authority
CN
China
Prior art keywords
image
individual
value
ultrasonic contrast
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.)
Granted
Application number
CN202311416732.4A
Other languages
English (en)
Other versions
CN117314785B (zh
Inventor
黄伟
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.)
Almad Smart Medical Huzhou Co ltd
Original Assignee
Almad Smart Medical Huzhou Co ltd
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 Almad Smart Medical Huzhou Co ltd filed Critical Almad Smart Medical Huzhou Co ltd
Priority to CN202311416732.4A priority Critical patent/CN117314785B/zh
Publication of CN117314785A publication Critical patent/CN117314785A/zh
Application granted granted Critical
Publication of CN117314785B publication Critical patent/CN117314785B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了基于AI的超声造影诊断辅助系统，系统包括：图像采集模块、图像去噪模块、图像分割模块、特征提取模块、构建辅助模型模块和分类模块。本发明属于图像处理技术领域，具体是指基于AI的超声造影诊断辅助系统，使用形状调整参数定义阈值函数，基于定义的阈值函数对超声造影图像进行小波变换，得到去噪超声造影图像；基于对数正态分布计算平均值，并结合平均值、类间方差和熵值计算最佳分割阈值，使用最佳分割阈值进行图像分割；基于控制值和sin函数初始化个体位置，使用自适应惯性权重更新个体位置，并基于改进的高斯扰动策略优化全局最优位置，找到最优模型参数构建辅助模型。

Description

基于AI的超声造影诊断辅助系统
技术领域
本发明属于图像处理技术领域，具体是指基于AI的超声造影诊断辅助系统。
背景技术
通过超声造影诊断辅助系统将超声造影图像进行分类，可以将分类结果作为辅助参考，提高诊断效率和准确性。但是现有的图像去噪方法存在软阈值和硬阈值去噪效果不足，在图像重建时误差较大的问题；传统的图像分割方法存在只考虑了目标和背景分割的最大化，导致对于目标和背景灰度值接近的图像，获得的分割阈值准确性低，分割效果差的问题；现有的辅助模型在参数搜索时存在初始化位置多样性低，全局搜索能力较低，模型过早收敛并陷入局部最优解的问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了基于AI的超声造影诊断辅助系统，针对现有的图像去噪方法存在软阈值和硬阈值去噪效果不足，在图像重建时误差较大的问题，本方案使用形状调整参数定义阈值函数，基于定义的阈值函数对超声造影图像进行小波变换，得到去噪超声造影图像，准确去除噪声，最大限度的减少有效信息的损失，增强图像，使重构后的图像更接近实际；针对传统的图像分割方法存在只考虑了目标和背景分割的最大化，导致对于目标和背景灰度值接近的图像，获得的分割阈值准确性低，分割效果差的问题，本方案基于对数正态分布计算平均值，并结合平均值、类间方差和熵值计算最佳分割阈值，使用最佳分割阈值进行图像分割，提高找到最佳分割阈值的效率，增强分割效果；针对现有的辅助模型在参数搜索时存在初始化位置多样性低，全局搜索能力较低，模型过早收敛并陷入局部最优解的问题，本方案基于控制值和sin函数初始化个体位置，更好地探索搜索空间，使用自适应惯性权重更新个体位置，并基于改进的高斯扰动策略优化全局最优位置，找到最优模型参数构建辅助模型，避免陷入局部最优，有效提高辅助模型的性能。
本发明提供的基于AI的超声造影诊断辅助系统，包括图像采集模块、图像去噪模块、图像分割模块、特征提取模块、构建辅助模型模块和分类模块；
所述图像采集模块采集超声造影图像并构建超声造影图像数据集；
所述图像去噪模块使用形状调整参数定义阈值函数，基于定义的阈值函数对超声造影图像进行小波变换，得到去噪超声造影图像；
所述图像分割模块基于对数正态分布计算平均值，并结合平均值、类间方差和熵值计算最佳分割阈值，使用最佳分割阈值进行图像分割；
所述特征提取模块提取图像特征数据并构建特征数据集；
所述构建辅助模型模块基于控制值和sin函数初始化个体位置，使用自适应惯性权重更新个体位置，并基于改进的高斯扰动策略优化全局最优位置，找到最优模型参数构建辅助模型；
所述分类模块将从实时超声造影图像中提取的图像特征数据输入至辅助模型中进行分类，将辅助模型输出的分类结果作为诊断的辅助参考。
进一步地，所述图像采集模块是采集超声造影图像，并基于超声造影图像和超声造影图像的类别构建超声造影图像数据集。
进一步地，所述图像去噪模块具体包括以下内容：
小波分解，以db8为母小波，对超声造影图像数据集中的超声造影图像进行2层小波分解，得到小波低频系数和小波高频系数；
计算噪声方差，所用公式如下：
；
式中，是小波分解第i层的噪声方差，Ai，j是小波分解第i层第j个小波高频系数，i是小波分解层数索引，j是小波高频系数索引，median（|Ai，j|）是小波分解第i层中所有小波高频系数的绝对值构成的集合的中位数；
计算阈值，所用公式如下：
；
式中，Bi是小波分解第i层的阈值，Ei是小波分解第i层小波高频系数的长度；
定义阈值函数，所用公式如下：
；
；
式中，Hi，j是Ai，j阈值化后的小波高频系数，sgn（）是符号函数，δ是第一形状调整参数，γ是第二形状调整参数，ρ是第三形状调整参数，|Ai，j|是Ai，j的绝对值；
逆小波变换，基于定义的阈值函数对各层的小波高频系数Ai，j进行阈值化操作，结合进行小波分解后得到的小波低频系数和阈值化后的小波高频系数进行逆小波变换；
图像重建，使用逆小波变换得到的小波低频系数和小波高频系数重新构建超声造影图像，得到去噪超声造影图像。
进一步地，所述图像分割模块具体包括以下内容：
计算直方图，计算去噪超声造影图像的灰度直方图；
初始化，预先设定分割阈值u为0；
分割，基于灰度直方图，使用分割阈值u将去噪超声造影图像分割为目标图像和背景图像；
计算平均值，所用公式如下：
；
；
；
式中，是目标图像的平均值，/>是背景图像的平均值，/>是去噪超声造影图像的总均值，G是最大灰度级别，f是灰度级别索引，c（f）是灰度级别f在去噪超声造影图像中的像素数量；
计算类间方差，所用公式如下：
；
式中，是类间方差，Nx是整个去噪超声造影图像中的像素总数量；
计算熵值，所用公式如下：
；
式中，th（u）是熵值；
迭代，在当前分割阈值u的值基础上加1，按增加后的分割阈值u进行分割，并计算相应的平均值、类间方差和熵值，直至分割阈值u=G-1；
计算最佳分割阈值，所用公式如下：
；
式中，u*是最佳分割阈值；
构建分割超声造影图像数据集，使用最佳分割阈值u*对去噪超声造影图像进行图像分割，基于分割后得到的目标图像构建分割超声造影图像数据集。
进一步地，所述特征提取模块是对分割超声造影图像数据集中的目标图像进行特征提取，得到图像特征数据，图像特征数据包括形状特征、纹理特征、统计特征、频域特征和形态学特征，并基于图像特征数据构建特征数据集。
进一步地，所述构建辅助模型模块具体包括以下内容：
构建训练数据集和测试数据集，从特征数据集中随机选取70%的样本数据作为训练数据集，其余30%的样本数据作为测试数据集，将诊断结果作为分类标签，并用辅助模型参数代表个体的位置；
初始化个体位置，所用公式如下：
；
式中，是第a+1个个体的初始位置，ε是控制值，/>是基于个体搜索空间随机生成的不为零的第1个个体初始位置，/>是第a个个体的初始位置，a是个体索引，Na是个体数量，×是乘法运算符；
训练辅助模型，基于辅助模型参数和训练数据集训练辅助模型，将基于参数建立的辅助模型性能作为个体适应度值；
计算最优适应度值和全局最优位置，选择最高的适应度值作为最优适应度值Zbest，将最优适应度值Zbest对应的个体位置作为全局最优位置Qbest；
位置更新，步骤如下：
基于自适应惯性权重更新个体位置，所用公式如下：
；
；
式中，ωa（t）是第t次迭代时第a个个体的自适应惯性权重，t是当前迭代次数，Za（t）是第t次迭代时第a个个体的适应度值，Qa（t+1）是第t+1次迭代时第a个个体的位置，Qa（t）是第t次迭代时第a个个体的位置，exp（）是以自然常数e为底的指数函数，λrand是[0，1]内的随机数，λ（t-1）是第t-1次迭代时的个体步长，D是个体搜索空间的维度，rand（）是随机函数，是第t次迭代时在最右边位置的个体的适应度值，/>是第t次迭代时在最左边位置的个体的适应度值，||rand（D，1）||是对rand（D，1）进行范数运算；
基于改进的高斯扰动策略优化全局最优位置，更新个体的适应度值和全局最优位置Qbest（t+1），所用公式如下：
；
式中，是Qbest（t+1）优化后的位置，T是最大迭代次数；
模型确定，预先设定适应度值评估阈值β，更新最优适应度值和全局最优位置，当最优适应度值Zbest高于适应度值评估阈值β时，则基于当前模型参数构建辅助模型；否则，若达到最大迭代次数T，则重新初始化个体位置；否则继续迭代进行位置更新。
进一步地，所述分类模块是采集实时超声造影图像，从实时超声造影图像中提取图像特征数据，将图像特征数据输入至辅助模型中进行分类，将辅助模型输出的分类结果作为诊断的辅助参考。
采用上述方案本发明取得的有益效果如下：
（1）针对现有的图像去噪方法存在软阈值和硬阈值去噪效果不足，在图像重建时误差较大的问题，本方案使用形状调整参数定义阈值函数，基于定义的阈值函数对超声造影图像进行小波变换，得到去噪超声造影图像，准确去除噪声，最大限度的减少有效信息的损失，增强图像，使重构后的图像更接近实际。
（2）针对传统的图像分割方法存在只考虑了目标和背景分割的最大化，导致对于目标和背景灰度值接近的图像，获得的分割阈值准确性低，分割效果差的问题，本方案基于对数正态分布计算平均值，并结合平均值、类间方差和熵值计算最佳分割阈值，使用最佳分割阈值进行图像分割，提高找到最佳分割阈值的效率，增强分割效果。
（3）针对现有的辅助模型在参数搜索时存在初始化位置多样性低，全局搜索能力较低，模型过早收敛并陷入局部最优解的问题，本方案基于控制值和sin函数初始化个体位置，更好地探索搜索空间，使用自适应惯性权重更新个体位置，并基于改进的高斯扰动策略优化全局最优位置，找到最优模型参数构建辅助模型，避免陷入局部最优，有效提高辅助模型的性能。
附图说明
图1为本发明提供的基于AI的超声造影诊断辅助系统的示意图；
图2为图像去噪模块的示意图；
图3为图像分割模块的示意图；
图4为构建辅助模型模块的示意图。
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。
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做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。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的基于AI的超声造影诊断辅助系统，包括图像采集模块、图像去噪模块、图像分割模块、特征提取模块、构建辅助模型模块和分类模块；
所述图像采集模块采集超声造影图像并构建超声造影图像数据集；
所述图像去噪模块使用形状调整参数定义阈值函数，基于定义的阈值函数对超声造影图像进行小波变换，得到去噪超声造影图像；
所述图像分割模块基于对数正态分布计算平均值，并结合平均值、类间方差和熵值计算最佳分割阈值，使用最佳分割阈值进行图像分割；
所述特征提取模块提取图像特征数据并构建特征数据集；
所述构建辅助模型模块基于控制值和sin函数初始化个体位置，使用自适应惯性权重更新个体位置，并基于改进的高斯扰动策略优化全局最优位置，找到最优模型参数构建辅助模型；
所述分类模块将从实时超声造影图像中提取的图像特征数据输入至辅助模型中进行分类，将辅助模型输出的分类结果作为诊断的辅助参考。
实施例二，参阅图1，该实施例基于上述实施例，图像采集模块是采集超声造影图像，并基于超声造影图像和超声造影图像的类别构建超声造影图像数据集。
实施例三，参阅图1和图2，该实施例基于上述实施例，图像去噪模块具体包括以下内容：
小波分解，以db8为母小波，对超声造影图像数据集中的超声造影图像进行2层小波分解，得到小波低频系数和小波高频系数；
计算噪声方差，所用公式如下：
；
式中，是小波分解第i层的噪声方差，Ai，j是小波分解第i层第j个小波高频系数，i是小波分解层数索引，j是小波高频系数索引，median（|Ai，j|）是小波分解第i层中所有小波高频系数的绝对值构成的集合的中位数；
计算阈值，所用公式如下：
；
式中，Bi是小波分解第i层的阈值，Ei是小波分解第i层小波高频系数的长度；
定义阈值函数，所用公式如下：
；
；
式中，Hi，j是Ai，j阈值化后的小波高频系数，sgn（）是符号函数，δ是第一形状调整参数，γ是第二形状调整参数，ρ是第三形状调整参数，|Ai，j|是Ai，j的绝对值；
逆小波变换，基于定义的阈值函数对各层的小波高频系数Ai，j进行阈值化操作，结合进行小波分解后得到的小波低频系数和阈值化后的小波高频系数进行逆小波变换；
图像重建，使用逆小波变换得到的小波低频系数和小波高频系数重新构建超声造影图像，得到去噪超声造影图像。
通过执行上述操作，针对现有的图像去噪方法存在软阈值和硬阈值去噪效果不足，在图像重建时误差较大的问题，本方案使用形状调整参数定义阈值函数，基于定义的阈值函数对超声造影图像进行小波变换，得到去噪超声造影图像，准确去除噪声，最大限度的减少有效信息的损失，增强图像，使重构后的图像更接近实际。
实施例四，参阅图1和图3，该实施例基于上述实施例，图像分割模块具体包括以下内容：
计算直方图，计算去噪超声造影图像的灰度直方图；
初始化，预先设定分割阈值u为0；
分割，基于灰度直方图，使用分割阈值u将去噪超声造影图像分割为目标图像和背景图像；
计算平均值，所用公式如下：
；
；
；
式中，是目标图像的平均值，/>是背景图像的平均值，/>是去噪超声造影图像的总均值，G是最大灰度级别，f是灰度级别索引，c（f）是灰度级别f在去噪超声造影图像中的像素数量；
计算类间方差，所用公式如下：
；
式中，是类间方差，Nx是整个去噪超声造影图像中的像素总数量；
计算熵值，所用公式如下：
；
式中，th（u）是熵值；
迭代，在当前分割阈值u的值基础上加1，按增加后的分割阈值u进行分割，并计算相应的平均值、类间方差和熵值，直至分割阈值u=G-1；
计算最佳分割阈值，所用公式如下：
；
式中，u*是最佳分割阈值；
构建分割超声造影图像数据集，使用最佳分割阈值u*对去噪超声造影图像进行图像分割，基于分割后得到的目标图像构建分割超声造影图像数据集。
通过执行上述操作，针对传统的图像分割方法存在只考虑了目标和背景分割的最大化，导致对于目标和背景灰度值接近的图像，获得的分割阈值准确性低，分割效果差的问题，本方案基于对数正态分布计算平均值，并结合平均值、类间方差和熵值计算最佳分割阈值，使用最佳分割阈值进行图像分割，提高找到最佳分割阈值的效率，增强分割效果。
实施例五，参阅图1，该实施例基于上述实施例，特征提取模块是对分割超声造影图像数据集中的目标图像进行特征提取，得到图像特征数据，图像特征数据包括形状特征、纹理特征、统计特征、频域特征和形态学特征，并基于图像特征数据构建特征数据集。
实施例六，参阅图1和图4，该实施例基于上述实施例，构建辅助模型模块具体包括以下内容：
构建训练数据集和测试数据集，从特征数据集中随机选取70%的样本数据作为训练数据集，其余30%的样本数据作为测试数据集，将诊断结果作为分类标签，并用辅助模型参数代表个体的位置；
初始化个体位置，所用公式如下：
；
式中，是第a+1个个体的初始位置，ε是控制值，/>是基于个体搜索空间随机生成的不为零的第1个个体初始位置，/>是第a个个体的初始位置，a是个体索引，Na是个体数量，×是乘法运算符；
训练辅助模型，基于辅助模型参数和训练数据集训练辅助模型，将基于参数建立的辅助模型性能作为个体适应度值；
计算最优适应度值和全局最优位置，选择最高的适应度值作为最优适应度值Zbest，将最优适应度值Zbest对应的个体位置作为全局最优位置Qbest；
位置更新，步骤如下：
基于自适应惯性权重更新个体位置，所用公式如下：
；
；
式中，ωa（t）是第t次迭代时第a个个体的自适应惯性权重，t是当前迭代次数，Za（t）是第t次迭代时第a个个体的适应度值，Qa（t+1）是第t+1次迭代时第a个个体的位置，Qa（t）是第t次迭代时第a个个体的位置，exp（）是以自然常数e为底的指数函数，λrand是[0，1]内的随机数，λ（t-1）是第t-1次迭代时的个体步长，D是个体搜索空间的维度，rand（）是随机函数，是第t次迭代时在最右边位置的个体的适应度值，/>是第t次迭代时在最左边位置的个体的适应度值，||rand（D，1）||是对rand（D，1）进行范数运算；
基于改进的高斯扰动策略优化全局最优位置，更新个体的适应度值和全局最优位置Qbest（t+1），所用公式如下：
；
式中，是Qbest（t+1）优化后的位置，T是最大迭代次数；
模型确定，预先设定适应度值评估阈值β，更新最优适应度值和全局最优位置，当最优适应度值Zbest高于适应度值评估阈值β时，则基于当前模型参数构建辅助模型；否则，若达到最大迭代次数T，则重新初始化个体位置；否则继续迭代进行位置更新。
通过执行上述操作，针对现有的辅助模型在参数搜索时存在初始化位置多样性低，全局搜索能力较低，模型过早收敛并陷入局部最优解的问题，本方案基于控制值和sin函数初始化个体位置，更好地探索搜索空间，使用自适应惯性权重更新个体位置，并基于改进的高斯扰动策略优化全局最优位置，找到最优模型参数构建辅助模型，避免陷入局部最优，有效提高辅助模型的性能。
实施例七，参阅图1，该实施例基于上述实施例，分类模块是采集实时超声造影图像，从实时超声造影图像中提取图像特征数据，将图像特征数据输入至辅助模型中进行分类，将辅助模型输出的分类结果作为诊断的辅助参考。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (7)

1.基于AI的超声造影诊断辅助系统，其特征在于：包括图像采集模块、图像去噪模块、图像分割模块、特征提取模块、构建辅助模型模块和分类模块；
所述图像采集模块采集超声造影图像并构建超声造影图像数据集；
所述图像去噪模块使用形状调整参数定义阈值函数，基于定义的阈值函数对超声造影图像进行小波变换，得到去噪超声造影图像；
所述图像分割模块基于对数正态分布计算平均值，并结合平均值、类间方差和熵值计算最佳分割阈值，使用最佳分割阈值进行图像分割；
所述特征提取模块提取图像特征数据并构建特征数据集；
所述构建辅助模型模块基于控制值和sin函数初始化个体位置，使用自适应惯性权重更新个体位置，并利用改进的高斯扰动策略优化全局最优位置，找到最优模型参数构建辅助模型；
所述分类模块将从实时超声造影图像中提取的图像特征数据输入至辅助模型中进行分类，将辅助模型输出的分类结果作为诊断的辅助参考。
2.根据权利要求1所述的基于AI的超声造影诊断辅助系统，其特征在于：所述构建辅助模型模块具体包括以下内容：
构建训练数据集和测试数据集，从特征数据集中随机选取70%的样本数据作为训练数据集，其余30%的样本数据作为测试数据集，将诊断结果作为分类标签，并用辅助模型参数代表个体的位置；
初始化个体位置，所用公式如下：
；
式中，是第a+1个个体的初始位置，ε是控制值，/>是基于个体搜索空间随机生成的不为零的第1个个体初始位置，/>是第a个个体的初始位置，a是个体索引，Na是个体数量，×是乘法运算符；
训练辅助模型，基于辅助模型参数和训练数据集训练辅助模型，将基于参数建立的辅助模型性能作为个体适应度值；
计算最优适应度值和全局最优位置，选择最高的适应度值作为最优适应度值Zbest，将最优适应度值Zbest对应的个体位置作为全局最优位置Qbest；
位置更新，步骤如下：
基于自适应惯性权重更新个体位置，所用公式如下：
；
；
式中，ωa（t）是第t次迭代时第a个个体的自适应惯性权重，t是当前迭代次数，Za（t）是第t次迭代时第a个个体的适应度值，Qa（t+1）是第t+1次迭代时第a个个体的位置，Qa（t）是第t次迭代时第a个个体的位置，exp（）是以自然常数e为底的指数函数，λrand是[0，1]内的随机数，λ（t-1）是第t-1次迭代时的个体步长，D是个体搜索空间的维度，rand（）是随机函数，是第t次迭代时在最右边位置的个体的适应度值，/>是第t次迭代时在最左边位置的个体的适应度值，||rand（D，1）||是对rand（D，1）进行范数运算；
基于改进的高斯扰动策略优化全局最优位置，更新个体的适应度值和全局最优位置Qbest（t+1），所用公式如下：
；
式中，是Qbest（t+1）优化后的位置，T是最大迭代次数；
模型确定，预先设定适应度值评估阈值β，更新最优适应度值和全局最优位置，当最优适应度值Zbest高于适应度值评估阈值β时，则基于当前模型参数构建辅助模型；否则，若达到最大迭代次数T，则重新初始化个体位置；否则继续迭代进行位置更新。
3.根据权利要求1所述的基于AI的超声造影诊断辅助系统，其特征在于：所述图像去噪模块具体包括以下内容：
小波分解，以db8为母小波，对超声造影图像数据集中的超声造影图像进行2层小波分解，得到小波低频系数和小波高频系数；
计算噪声方差，所用公式如下：
；
式中，是小波分解第i层的噪声方差，Ai，j是小波分解第i层第j个小波高频系数，i是小波分解层数索引，j是小波高频系数索引，median（|Ai，j|）是小波分解第i层中所有小波高频系数的绝对值构成的集合的中位数；
计算阈值，所用公式如下：
；
式中，Bi是小波分解第i层的阈值，Ei是小波分解第i层小波高频系数的长度；
定义阈值函数，所用公式如下：
；
；
式中，Hi，j是Ai，j阈值化后的小波高频系数，sgn（）是符号函数，δ是第一形状调整参数，γ是第二形状调整参数，ρ是第三形状调整参数，|Ai，j|是Ai，j的绝对值；
逆小波变换，基于定义的阈值函数对各层的小波高频系数Ai，j进行阈值化操作，结合进行小波分解后得到的小波低频系数和阈值化后的小波高频系数进行逆小波变换；
图像重建，使用逆小波变换得到的小波低频系数和小波高频系数重新构建超声造影图像，得到去噪超声造影图像。
4.根据权利要求1所述的基于AI的超声造影诊断辅助系统，其特征在于：所述图像分割模块具体包括以下内容：
计算直方图，计算去噪超声造影图像的灰度直方图；
初始化，预先设定分割阈值u为0；
分割，基于灰度直方图，使用分割阈值u将去噪超声造影图像分割为目标图像和背景图像；
计算平均值，所用公式如下：
；
；
；
式中，是目标图像的平均值，/>是背景图像的平均值，/>是去噪超声造影图像的总均值，G是最大灰度级别，f是灰度级别索引，c（f）是灰度级别f在去噪超声造影图像中的像素数量；
计算类间方差，所用公式如下：
；
式中，是类间方差，Nx是整个去噪超声造影图像中的像素总数量；
计算熵值，所用公式如下：
；
式中，th（u）是熵值；
迭代，在当前分割阈值u的值基础上加1，按增加后的分割阈值u进行分割，并计算相应的平均值、类间方差和熵值，直至分割阈值u=G-1；
计算最佳分割阈值，所用公式如下：
；
式中，u*是最佳分割阈值；
构建分割超声造影图像数据集，使用最佳分割阈值u*对去噪超声造影图像进行图像分割，基于分割后得到的目标图像构建分割超声造影图像数据集。
5.根据权利要求1所述的基于AI的超声造影诊断辅助系统，其特征在于：所述图像采集模块是采集超声造影图像，并基于超声造影图像和超声造影图像的类别构建超声造影图像数据集。
6.根据权利要求1所述的基于AI的超声造影诊断辅助系统，其特征在于：所述特征提取模块是对分割超声造影图像数据集中的目标图像进行特征提取，得到图像特征数据，图像特征数据包括形状特征、纹理特征、统计特征、频域特征和形态学特征，并基于图像特征数据构建特征数据集。
7.根据权利要求1所述的基于AI的超声造影诊断辅助系统，其特征在于：所述分类模块是采集实时超声造影图像，从实时超声造影图像中提取图像特征数据，将图像特征数据输入至辅助模型中进行分类，将辅助模型输出的分类结果作为诊断的辅助参考。
CN202311416732.4A 2023-10-30 2023-10-30 基于ai的超声造影诊断辅助系统 Active CN117314785B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311416732.4A CN117314785B (zh) 2023-10-30 2023-10-30 基于ai的超声造影诊断辅助系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311416732.4A CN117314785B (zh) 2023-10-30 2023-10-30 基于ai的超声造影诊断辅助系统

Publications (2)

Publication Number Publication Date
CN117314785A true CN117314785A (zh) 2023-12-29
CN117314785B CN117314785B (zh) 2024-05-24

Family

ID=89288390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311416732.4A Active CN117314785B (zh) 2023-10-30 2023-10-30 基于ai的超声造影诊断辅助系统

Country Status (1)

Country Link
CN (1) CN117314785B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110926477A (zh) * 2019-12-17 2020-03-27 湘潭大学 一种无人机航路规划及避障方法
CN113222854A (zh) * 2021-05-24 2021-08-06 北京理工大学 一种小波变换的ct图像去噪方法
CN114375079A (zh) * 2020-10-14 2022-04-19 武汉市金叶云景观科技有限公司 一种私家花园的智能照明系统
CN114511926A (zh) * 2022-01-17 2022-05-17 江苏大学 一种基于改进支持向量机和光流法相结合的猪的采食行为识别方法
CN115455821A (zh) * 2022-09-13 2022-12-09 中国计量大学 一种改进型pso-ga算法的离心泵透平性能预测方法
CN115543004A (zh) * 2022-06-29 2022-12-30 湖北工业大学 一种基于改进粒子群优化算法的mppt控制方法及系统
CN116935133A (zh) * 2023-07-31 2023-10-24 湖南中医药大学第一附属医院((中医临床研究所)) 一种基于spect图像识别的心血管病分类方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110926477A (zh) * 2019-12-17 2020-03-27 湘潭大学 一种无人机航路规划及避障方法
CN114375079A (zh) * 2020-10-14 2022-04-19 武汉市金叶云景观科技有限公司 一种私家花园的智能照明系统
CN113222854A (zh) * 2021-05-24 2021-08-06 北京理工大学 一种小波变换的ct图像去噪方法
CN114511926A (zh) * 2022-01-17 2022-05-17 江苏大学 一种基于改进支持向量机和光流法相结合的猪的采食行为识别方法
CN115543004A (zh) * 2022-06-29 2022-12-30 湖北工业大学 一种基于改进粒子群优化算法的mppt控制方法及系统
CN115455821A (zh) * 2022-09-13 2022-12-09 中国计量大学 一种改进型pso-ga算法的离心泵透平性能预测方法
CN116935133A (zh) * 2023-07-31 2023-10-24 湖南中医药大学第一附属医院((中医临床研究所)) 一种基于spect图像识别的心血管病分类方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BIN WANG ET AL.: "A Symmetric Sine Cosine Algorithm With Adaptive Probability Selection", 《IEEE》, 10 February 2020 (2020-02-10), pages 25272 - 25285 *
苏菲: "基于改进蝙蝠算法的无人机三维路径规划", 《工程与应用》, 31 December 2022 (2022-12-31), pages 2229 - 2236 *

Also Published As

Publication number Publication date
CN117314785B (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
CN111476292B (zh) 医学图像分类处理人工智能的小样本元学习训练方法
CN106940816B (zh) 基于3d全卷积神经网络的ct图像肺结节检测系统
CN103049892B (zh) 基于相似块矩阵秩最小化的非局部图像去噪方法
CN109461495A (zh) 一种医学图像的识别方法、模型训练的方法及服务器
CN111080675B (zh) 一种基于时空约束相关滤波的目标跟踪方法
CN104156918B (zh) 基于联合稀疏表示与残差融合的sar图像噪声抑制方法
CN103164855A (zh) 一种结合反射光照的贝叶斯决策前景提取方法
CN107403438A (zh) 改进模糊聚类算法的超声图像病灶区分割方法
JP2009517163A (ja) 画像内の参照構造に関連付けられた構造をセグメント化する方法、システム及びコンピュータ・プログラム
CN105809175A (zh) 一种基于支持向量机算法的脑水肿分割方法及系统
CN114842238B (zh) 一种嵌入式乳腺超声影像的识别方法
CN113191968B (zh) 三维超声图像盲去噪模型的建立方法及其应用
CN109708658B (zh) 一种基于卷积神经网络的视觉里程计方法
CN110675379A (zh) 一种融合空洞卷积的u形脑肿瘤分割网络
CN112820399A (zh) 自动诊断甲状腺结节良恶性的方法及装置
CN115641583B (zh) 一种基于自监督和主动学习的点云检测方法、系统及介质
CN113705371A (zh) 一种水上视觉场景分割方法及装置
CN108305268B (zh) 一种图像分割方法及装置
Abas et al. Multi-focus image fusion with multi-scale transform optimized by metaheuristic algorithms
Qiu et al. Self-training with dual uncertainty for semi-supervised medical image segmentation
CN117314785B (zh) 基于ai的超声造影诊断辅助系统
CN116993947A (zh) 一种三维场景可视化展示方法及系统
Kulkarni et al. Echocardiography image segmentation using semi‐automatic numerical optimisation method based on wavelet decomposition thresholding
CN108765384B (zh) 一种联合流形排序和改进凸包的显著性检测方法
CN116228570A (zh) 一种基于bm3d模型的乳腺超声图像去噪方法

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
GR01 Patent grant