CN118078330B - 基于深度学习的超声影像血流识别分析方法及系统 - Google Patents
基于深度学习的超声影像血流识别分析方法及系统 Download PDFInfo
- Publication number
- CN118078330B CN118078330B CN202410497356.4A CN202410497356A CN118078330B CN 118078330 B CN118078330 B CN 118078330B CN 202410497356 A CN202410497356 A CN 202410497356A CN 118078330 B CN118078330 B CN 118078330B
- Authority
- CN
- China
- Prior art keywords
- flow
- blood flow
- interval
- value
- flow velocity
- 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
Links
- 230000017531 blood circulation Effects 0.000 title claims abstract description 215
- 238000004458 analytical method Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 24
- 238000013136 deep learning model Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000003384 imaging method Methods 0.000 claims description 9
- 238000002604 ultrasonography Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 5
- 208000024172 Cardiovascular disease Diseases 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 210000001715 carotid artery Anatomy 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 210000001835 viscera Anatomy 0.000 description 2
- 208000010496 Heart Arrest Diseases 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000748 cardiovascular system Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000002249 digestive system Anatomy 0.000 description 1
- 230000000762 glandular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000002485 urinary effect Effects 0.000 description 1
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了基于深度学习的超声影像血流识别分析方法及系统,涉及超声图像处理技术领域,包括获取彩色多普勒图像,对彩色标尺进行分析,得到多个流速区间;对彩色取样框进行血流提取处理,对流速数量进行分析,输出拥堵判断信息;拥堵判断信息包括血流通畅信息、血流拥堵信息和严重拥堵信息;计算血管直径;当输出血流拥堵信息和严重拥堵信息时,利用深度学习模型对血管直径、流速区间、流速区间对应的流速数量以及患者的特征信息进行计算分析输出单位血流量;本发明用于解决现有技术中因缺少对彩色多普勒图像进行分析、判断血管是否存在拥堵以及对计算结果进行验算的处理,在计算血流速度以及血流量时会影响计算结果的准确性的问题。
Description
技术领域
本发明涉及超声图像处理技术领域,具体为基于深度学习的超声影像血流识别分析方法及系统。
背景技术
超声成像是利用超声声束扫描人体,通过对反射信号的接收、处理,以获得体内器官的图像;超声成像方法常用来判断脏器的位置、大小、形态,确定病灶的范围和物理性质,提供一些腺体组织的解剖图,在眼科、妇产科及心血管系统、消化系统、泌尿系统的应用十分广泛。
现有的用于血流识别分析的改进,通常是利用彩色多普勒成像仪对测量部位进行成像,基于彩色多普勒图像中的彩色标尺直接得到血流速度,在发明公开号为CN117243634A的专利中,公开了基于超声颈动脉血流的心脏骤停识别分析评判系统,该方案就是通过直接利用彩色多普勒成像仪进行血流识别后直接使用深度模型进行分析,实现对心脏骤停原因的判断,而现有的改进方法中缺少对彩色多普勒图像进行分析、判断血管是否存在拥堵以及对计算结果进行验算的处理,导致在计算血流速度以及血流量时,仅能依靠深度学习模型,对深度学习模型计算的结果无法进行验证,在计算血流速度以及血流量时会影响计算结果的准确性,鉴于此,有必要对现有的血流识别分析进行改进。
发明内容
本发明旨在至少在一定程度上解决现有技术中的技术问题之一,通过对血流识别分析进行改进,用于解决现有技术中因缺少对彩色多普勒图像进行分析、判断血管是否存在拥堵以及对计算结果进行验算的处理,导致在计算血流速度以及血流量时,仅能依靠深度学习模型,对深度学习模型计算的结果无法进行验证,在计算血流速度以及血流量时会影响计算结果的准确性的问题。
为实现上述目的,第一方面,本发明提供基于深度学习的超声影像血流识别分析方法,包括:
获取彩色多普勒图像,所述彩色多普勒图像包括彩色取样框以及彩色标尺;对彩色标尺进行分析,得到多个流速区间;
基于流速区间对彩色取样框进行血流提取处理,得到多个流速数量以及血流图像;对流速数量进行分析,基于分析结果输出拥堵判断信息;拥堵判断信息包括血流通畅信息、血流拥堵信息和严重拥堵信息;
基于血流图像计算血管直径;当输出血流通畅信息时,通过血管直径、流速区间以及流速区间对应的流速数量进行计算输出单位血流量;当输出血流拥堵信息和严重拥堵信息时,利用深度学习模型对血管直径、流速区间、流速区间对应的流速数量以及患者的特征信息进行计算分析输出单位血流量。
进一步地,获取彩色多普勒图像包括:
利用彩色多普勒血流成像技术获取彩色多普勒图像,所述彩色标尺包括综合流速以及与综合流速对应的不同颜色值,所述综合流速包括正向流速以及反向流速。
进一步地,对彩色标尺进行处理,得到多个流速区间包括:
利用n个线段对综合流速进行划分,得到m个标尺区间;获取每个线段位于彩色标尺上的颜色值,标记为第n区间值,其中n为线段的编号;
获取最大的反向流速以及最大的正向流速对应的色彩值,分别标记为最大反向值以及最大正向值;
获取最小的反向流速以及最小的正向流速对应的色彩值,分别标记为最小反向值以及最小正向值。
进一步地,对彩色标尺进行处理,得到多个流速区间还包括:
对反向流速进行第一流速划分处理,所述第一流速划分处理包括:
将最大反向值至第1区间值的闭区间标记为第一流速区间;将第1区间值至第2区间值的左开右闭区间标记为第二流速区间,以此类推,将第[(n/2)-1]区间值至第(n/2)区间值的左开右闭区间标记为第(m/2)流速区间;
对正向流速进行第二流速划分处理,所述第二流速划分处理包括:
将最小正向值至第[(n/2)+1]区间值的闭区间标记为第[(m/2)+1]流速区间;将第[(n/2)+1]区间值至第[(n/2)+2]区间值的左开右闭区间标记为第[(m/2)+2]流速区间,以此类推,将第n-1区间值至第n区间值的左开右闭区间标记为第m流速区间。
进一步地,基于流速区间对彩色取样框进行血流提取处理,得到多个流速数量以及血流图像包括:
对彩色取样框内每个像素点用RGB[R(a1)、G(a2)、B(a3)]进行色彩标记,输出每个像素点的色彩值,标记为像素值;其中,R(a1)表示像素点在红色上的分量,G(a2)表示像素点在绿色上的分量,B(a3)表示像素点在蓝色上的分量,a1、a2以及a3的取值范围均为0-255;
为每个流速区间设置初始值为0的流速数量,执行像素判断循环,所述像素判断循环包括:
判断像素值与m个流速区间的关系,将像素值位于的流速区间的像素数进行加一处理,将像素值进行删除处理;若像素值不位于任意一个流速区间时,将像素值对应的像素点进行删除处理;
重复像素判断循环,当彩色取样框内不存在像素值时,将剩余的彩色多普勒图像标记为血流图像,输出每个流速区间对应的流速数量以及血流图像。
进一步地,对流速数量进行分析,基于分析结果输出拥堵判断信息包括:
将第1流速至第(m/2)流速区间标记为反向流速区间,计算反向流速区间的流速数量的和,标记为反向数量;
当反向数量不为0时,输出严重拥堵信息;
当反向数量为0时,进行血管拥堵判断,所述血管拥堵判断包括:
将第[(m/2)+1]流速区间至第m流速区间标记为正向流速区间;
对正向流速区间的流速数量按递增的方式进行排序,得到流速数序列;
计算流速数序列的序列中值,将位于序列中值右侧的流速区间标记为右侧区间;
利用拥堵判断公式计算得到拥堵判断值,所述拥堵判断公式配置为:dp=|mx-m1|;其中dp为拥堵判断值,m1为第一个右侧区间对应的流速区间编号,mx为第x个右侧区间对应的流速区间编号;
若dp与拥堵阈值相等,输出血流通畅信息;若dp与拥堵阈值不相等,输出血流拥堵信息。
进一步地,基于拥堵判断信息计算单位血流量包括:
获取彩色多普勒图像的放大倍数,计算血流图像的高,计算血流图像的高与放大倍数的比值,标记为血管直径;
当接收到血流通畅信息时,计算右侧区间的流速的平均值,标记为平均流速;利用流量计算公式对血管直径以及平均流速进行计算得到单位血流量;流量计算公式配置为:;其中L为单位血流量,π为圆周率,zv为平均流速,d为血管直径。
进一步地,基于拥堵判断信息计算单位血流量还包括:
当接收到血流拥堵信息或严重拥堵信息时,利用深度学习模型对血管直径、流速区间以及流速区间对应的流速数量进行计算,输出预测血流量。
进一步地,基于拥堵判断信息计算单位血流量还包括:
获取患者的特征信息,所述特征信息包括性别、年龄以及心血管疾病史;
利用深度学习模型对特征信息以及预测血流量进行分析,基于分析结果输出预测准确信息或预测有误信息;
当接收到预测准确信息时,将预测血流量标记为单位血流量并输出;当接收到预测有误信息时,输出重新计算信息。
第二方面,本发明还提供基于深度学习的超声影像血流识别分析系统,包括图像处理模块、参数分析模块以及血流计算模块;所述图像处理模块用于获取彩色多普勒图像,所述彩色多普勒图像包括彩色取样框以及彩色标尺;对彩色标尺进行分析,得到多个流速区间;还用于基于流速区间对彩色取样框进行血流提取处理,得到多个流速数量以及血流图像,基于血流图像计算血管直径;
所述参数分析模块用于对流速数量进行分析,基于分析结果输出拥堵判断信息;拥堵判断信息包括血流通畅信息、血流拥堵信息和严重拥堵信息;
所述血流计算模块用于当输出血流通畅信息时,通过血管直径、流速区间以及流速区间对应的流速数量进行计算输出单位血流量;当输出血流拥堵信息和严重拥堵信息时,利用深度学习模型对血管直径、流速区间、流速区间对应的流速数量以及患者的特征信息进行计算分析输出单位血流量。
本发明的有益效果:本发明通过获取彩色多普勒图像,对彩色标尺进行划分,得到多个流速区间,基于流速区间计算流速数量以及提取血流图像,再基于流速数量计算并输出拥堵判断信息;在划分流速区间时,对于不同的流速采用不同的划分方法,这样的好处在于,对于低速的区间,使其区间值足够大,能够更加准确地判断血管内是否存在轻微拥堵的情况,当判断存在拥堵时,使用深度学习模型计算血流量;提高了血流量计算的准确性以及拥堵判断的智能性;
本发明还通过对血管通畅的血流速度直接计算血流量,对血管拥堵的血流速度利用深度学习模型计算血流量,并获取患者的病理信息,再次利用深度学习模型对血流量以及病理信息进行验算,判断计算结果是否准确,进一步地提高了对血流量计算的准确性。
附图说明
图1为本发明的系统的原理框图;
图2为本发明的方法的步骤流程图;
图3为本发明的彩色多普勒图像的示意图。
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。
实施例1,第一方面,请参阅图1所示,本发明提供基于深度学习的超声影像血流识别分析系统,包括图像处理模块、参数分析模块以及血流计算模块;
图像处理模块用于获取彩色多普勒图像,彩色多普勒图像包括彩色取样框以及彩色标尺;对彩色标尺进行分析,得到多个流速区间;还用于基于流速区间对彩色取样框进行血流提取处理,得到多个流速数量以及血流图像,基于血流图像计算血管直径;
请参阅图3所示,图3中,T1为彩色标尺,T2为彩色取样框,T2中不同颜色的灰度值对应为不同流速的血流;
图像处理模块配置有图像采集策略,图像采集策略包括:利用彩色多普勒血流成像技术获取彩色多普勒图像,彩色标尺包括综合流速以及与综合流速对应的不同颜色值,综合流速包括正向流速以及反向流速;
需要说明的是,在利用彩色多普勒血流成像技术获取彩色多普勒图像时,彩色标尺的大小要与所测血流速度相匹配,例如血流速度为40cm/s时,彩色标尺最小需要设置为40cm/s,若彩色标尺设置小于40cm/s时,会导致信号溢出,无法看清血管壁;当彩色标尺设置过大时会导致信号稀疏,没有充满整个血管腔,可能会造成管腔内充盈缺损的误判。
在调节彩色标尺与血流速度匹配后,通过调节彩色增益以及使用滤波器使信号充满管腔;
正向流速表示朝向探头的正向血流的流速,在彩色标尺中以红色表示;反向流速表示背离探头的反向血流的流速,在彩色标尺中以蓝色表示;通过调整红色以及蓝色的RGB值使得不同流速对应不同的色彩值。
图像处理模块还配置有标尺处理策略,标尺处理策略包括:利用n个线段对综合流速进行划分,得到m个标尺区间;获取每个线段位于彩色标尺上的颜色值,标记为第n区间值,其中n为线段的编号;
需要说明的是,在设置n的取值时,需要设置为偶数;使用二分之n的线段对正向流速进行划分得到二分之m个标尺区间;使用二分之n的线段对反向流速进行划分得到二分之m个标尺区间;其中m等于n+2;
在具体实施时,n设置为18,对综合流速进行划分时,若彩色标尺对应的血流速度小于或等于20cm/s时,划分的方法为对正向流速以及反向流速进行均分,即相邻的两个流速区间内血流速度相差2cm/s;当彩色标尺对应的血流速度大于20cm/s时,例如测量颈动脉时,彩色标尺对应的血流速度为80cm/s,则利用第一条线段对80cm/s进行均分,得到0~40cm/s的流速区间,再使用第二条线段对40~80cm/s的区间进行均分,得到40~60cm/s的流速区间,然后再使用剩余的7条线段将60~80cm/s的区间均分成8个流速区间;最终划分得到的后8个流速区间,相邻的流速区间血流速度相差2.5cm/s;
这样划分的目的在于,以颈动脉为例,当血管不存在拥堵时,正向血流的速度均位于60~80cm/s流速区间内,而后8个流速区间对60~80cm/s进行了较为细致的划分;当流速小于60cm/s时,能够判断血流速度为低速流速,进而判断血管内存在拥堵;
需要说明的是,以测量颈动脉为例,彩色标尺对应的血流速度为80cm/s,第一条线段位于彩色标尺的40cm/s处,获取每个线段位于彩色标尺上的颜色值表示获取40cm/s对应的颜色值,最终可能获取到颜色值为(255,50,0);
获取最大的反向流速以及最大的正向流速对应的色彩值,分别标记为最大反向值以及最大正向值;
获取最小的反向流速以及最小的正向流速对应的色彩值,分别标记为最小反向值以及最小正向值。
图像处理模块还配置有标尺划分策略,标尺划分策略包括:对反向流速进行第一流速划分处理,第一流速划分处理包括:
将最大反向值至第1区间值的闭区间标记为第一流速区间;将第1区间值至第2区间值的左开右闭区间标记为第二流速区间,以此类推,将第[(n/2)-1]区间值至第(n/2)区间值的左开右闭区间标记为第(m/2)流速区间;
对正向流速进行第二流速划分处理,第二流速划分处理包括:
将最小正向值至第[(n/2)+1]区间值的闭区间标记为第[(m/2)+1]流速区间;将第[(n/2)+1]区间值至第[(n/2)+2]区间值的左开右闭区间标记为第[(m/2)+2]流速区间,以此类推,将第n-1区间值至第n区间值的左开右闭区间标记为第m流速区间。
图像处理模块还配置有流速分析策略,流速分析策略包括:对彩色取样框内每个像素点用RGB[R(a1)、G(a2)、B(a3)]进行色彩标记,输出每个像素点的色彩值,标记为像素值;其中,R(a1)表示像素点在红色上的分量,G(a2)表示像素点在绿色上的分量,B(a3)表示像素点在蓝色上的分量,a1、a2以及a3的取值范围均为0-255;
为每个流速区间设置初始值为0的流速数量,执行像素判断循环,像素判断循环包括:
判断像素值与m个流速区间的关系,将像素值位于的流速区间的像素数进行加一处理,将像素值进行删除处理;若像素值不位于任意一个流速区间时,将像素值对应的像素点进行删除处理;需要说明的是,以一种可能的正向流速的流速区间的像素数为例,具体为(255,0,0)至(255,100,0),当像素值的R,G,B任意一个值超出像素数区间时,判断像素值不位于流速区间;例如像素值为(250,0,0),(255,110,0),(255,100,10)时,均判断为不位于流速区间;
重复像素判断循环,当彩色取样框内不存在像素值时,将剩余的彩色多普勒图像标记为血流图像,输出每个流速区间对应的流速数量以及血流图像。
图像处理模块还配置有直径计算策略,直径计算策略包括:获取彩色多普勒图像的放大倍数,计算血流图像的高,计算血流图像的高与放大倍数的比值,标记为血管直径;
需要说明的是,计算血流图像的高是利用像素点数来计算的,一个像素点为0.04cm,例如血流图像的高经过了25个像素点,则放大后的血管直径为1cm,若放大倍数为2倍,则实际血管直径为0.5cm。
参数分析模块用于对流速数量进行分析,基于分析结果输出拥堵判断信息;参数分析模块配置有参数分析策略,参数分析策略包括:将第1流速至第(m/2)流速区间标记为反向流速区间,计算反向流速区间的流速数量的和,标记为反向数量;
当反向数量不为0时,输出严重拥堵信息;需要说明的是,当血流通道有严重狭窄时,血流的流线将发生改变,狭窄处流线集中,当通过狭窄处后,血流进入大的空腔,此时部分血流的流线向前,部分血流的流线偏向旁侧,部分血流的流线向后或出现回旋,当血流的流线向后或出现回旋时,此时血流背离探针方向,在彩色多普勒图像中表现为蓝色,因此,当计算得到反向流量不为0时,能够判断血管内存在严重的血流拥堵,输出严重拥堵信息;
而当血管存在轻微狭窄时,血流的流线在狭窄处集中,在通过狭窄处后,由于不存在大的空腔,部分血流的流线向前,部分血流的流线偏向旁侧,不存在向后或回旋的流线,在彩色多普勒图像上表示为不存在蓝色,因此当反向数量不为0时,需要对血管进行普通拥堵的判断;
当反向数量为0时,进行血管拥堵判断,血管拥堵判断包括:将第[(m/2)+1]流速区间至第m流速区间标记为正向流速区间;
对正向流速区间的流速数量按递增的方式进行排序,得到流速数序列;
计算流速数序列的序列中值,将位于序列中值右侧的流速区间标记为右侧区间;
利用拥堵判断公式计算得到拥堵判断值,拥堵判断公式配置为:dp=|mx-m1|;其中dp为拥堵判断值,m1为第一个右侧区间对应的流速区间编号,mx为第x个右侧区间对应的流速区间编号;
若dp与拥堵阈值相等,输出血流通畅信息;若dp与拥堵阈值不相等,输出血流拥堵信息;
需要说明的是,当血流在内腔前后径相似的血管中前进时,中心处血流最快,边缘处血流最慢,中心与边缘之间血流速度依次递减;由于中心与边缘之间血流速度依次递减,则流速数量最多的流速区间应为相邻的,当发生拥堵时,不满足中心与边缘之间血流速度依次递减,此时流速数量最多的流速区间不相邻;拥堵判断公式用于计算流速数量最多的流速区间是否相邻;
在具体实施时,拥堵阈值设置为4,拥堵判断公式由|(m2-m1)+...+[mx-m(x-1)]|化简而来,由于n设置为18,m为20,因此x为5,最终计算公式为m5-m1;当血管通畅时,m1至m5表现为公差为1的递增数列,或公差为1的递减数列,由于单调性未知,因此公式需要进行绝对值计算。
血流计算模块用于当输出血流通畅信息时,通过血管直径、流速区间以及流速区间对应的流速数量进行计算输出单位血流量;当输出血流拥堵信息和严重拥堵信息时,利用深度学习模型对血管直径、流速区间、流速区间对应的流速数量以及患者的特征信息进行计算分析输出单位血流量;血流计算模块配置有直接计算策略,直接计算策略包括:当接收到血流通畅信息时,计算右侧区间的流速的平均值,标记为平均流速;利用流量计算公式对血管直径以及平均流速进行计算得到单位血流量;流量计算公式配置为:;其中L为单位血流量,π为圆周率,zv为平均流速,d为血管直径;
需要说明的是,流量计算公式是由化简而来,60表示60s,即一分钟内血管内的血流量。
血流计算模块还配置有辅助计算策略,辅助计算策略包括:当接收到血流拥堵信息或严重拥堵信息时,利用深度学习模型对血管直径、流速区间以及流速区间对应的流速数量进行计算,输出预测血流量;
需要说明的是,当血管情况复杂时,仅通过超声识别的方式较难获得准确的单位血流量,此时需要借助通过深度学习模型进行血流量计算。
获取患者的特征信息,特征信息包括性别、年龄以及心血管疾病史;利用深度学习模型对特征信息以及预测血流量进行分析,基于分析结果输出预测准确信息或预测有误信息;
当接收到预测准确信息时,将预测血流量标记为单位血流量并输出;当接收到预测有误信息时,输出重新计算信息。
实施例2,第二方面,请参阅图2所示,本发明还提供基于深度学习的超声影像血流识别分析方法,包括:步骤S1,获取彩色多普勒图像,所述彩色多普勒图像包括彩色取样框以及彩色标尺;对彩色标尺进行分析,得到多个流速区间;步骤S1包括如下子步骤:
步骤S101,利用彩色多普勒血流成像技术获取彩色多普勒图像,所述彩色标尺包括综合流速以及与综合流速对应的不同颜色值,所述综合流速包括正向流速以及反向流速。
步骤S1021,利用n个线段对综合流速进行划分,得到m个标尺区间;获取每个线段位于彩色标尺上的颜色值,标记为第n区间值,其中n为线段的编号;
步骤S1022,获取最大的反向流速以及最大的正向流速对应的色彩值,分别标记为最大反向值以及最大正向值;
步骤S1023,获取最小的反向流速以及最小的正向流速对应的色彩值,分别标记为最小反向值以及最小正向值。
步骤S1031,对反向流速进行第一流速划分处理,所述第一流速划分处理包括:
将最大反向值至第1区间值的闭区间标记为第一流速区间;将第1区间值至第2区间值的左开右闭区间标记为第二流速区间,以此类推,将第[(n/2)-1]区间值至第(n/2)区间值的左开右闭区间标记为第(m/2)流速区间;
步骤S1032,对正向流速进行第二流速划分处理,所述第二流速划分处理包括:
将最小正向值至第[(n/2)+1]区间值的闭区间标记为第[(m/2)+1]流速区间;将第[(n/2)+1]区间值至第[(n/2)+2]区间值的左开右闭区间标记为第[(m/2)+2]流速区间,以此类推,将第n-1区间值至第n区间值的左开右闭区间标记为第m流速区间。
步骤S2,基于流速区间对彩色取样框进行血流提取处理,得到多个流速数量以及血流图像;对流速数量进行分析,基于分析结果输出拥堵判断信息;步骤S2包括如下子步骤:
步骤S2011,对彩色取样框内每个像素点用RGB[R(a1)、G(a2)、B(a3)]进行色彩标记,输出每个像素点的色彩值,标记为像素值;其中,R(a1)表示像素点在红色上的分量,G(a2)表示像素点在绿色上的分量,B(a3)表示像素点在蓝色上的分量,a1、a2以及a3的取值范围均为0-255;
步骤S2012为每个流速区间设置初始值为0的流速数量,执行像素判断循环,所述像素判断循环包括:
判断像素值与m个流速区间的关系,将像素值位于的流速区间的像素数进行加一处理,将像素值进行删除处理;若像素值不位于任意一个流速区间时,将像素值对应的像素点进行删除处理;
重复像素判断循环,当彩色取样框内不存在像素值时,将剩余的彩色多普勒图像标记为血流图像,输出每个流速区间对应的流速数量以及血流图像。
步骤S2021,将第1流速至第(m/2)流速区间标记为反向流速区间,计算反向流速区间的流速数量的和,标记为反向数量;
步骤S2022,当反向数量不为0时,输出严重拥堵信息;
当反向数量为0时,进行血管拥堵判断,所述血管拥堵判断包括:
将第[(m/2)+1]流速区间至第m流速区间标记为正向流速区间;
对正向流速区间的流速数量按递增的方式进行排序,得到流速数序列;
计算流速数序列的序列中值,将位于序列中值右侧的流速区间标记为右侧区间;
利用拥堵判断公式计算得到拥堵判断值,所述拥堵判断公式配置为:dp=|mx-m1|;其中dp为拥堵判断值,m1为第一个右侧区间对应的流速区间编号,mx为第x个右侧区间对应的流速区间编号;
步骤S2023,若dp与拥堵阈值相等,输出血流通畅信息;若dp与拥堵阈值不相等,输出血流拥堵信息;拥堵判断信息包括血流通畅信息、血流拥堵信息和严重拥堵信息。
步骤S3,基于血流图像计算血管直径;当输出血流通畅信息时,通过血管直径、流速区间以及流速区间对应的流速数量进行计算输出单位血流量;当输出血流拥堵信息和严重拥堵信息时,利用深度学习模型对血管直径、流速区间、流速区间对应的流速数量以及患者的特征信息进行计算分析输出单位血流量;步骤S3包括如下子步骤:
步骤S3011,获取彩色多普勒图像的放大倍数,计算血流图像的高,计算血流图像的高与放大倍数的比值,标记为血管直径;
步骤S3012,当接收到血流通畅信息时,计算右侧区间的流速的平均值,标记为平均流速;利用流量计算公式对血管直径以及平均流速进行计算得到单位血流量;所述流量计算公式配置为:;其中L为单位血流量,π为圆周率,zv为平均流速,d为血管直径。
步骤S3021,当接收到血流拥堵信息或严重拥堵信息时,利用深度学习模型对血管直径、流速区间以及流速区间对应的流速数量进行计算,输出预测血流量。
步骤S3022,获取患者的特征信息,所述特征信息包括性别、年龄以及心血管疾病史;
步骤S3023,利用深度学习模型对特征信息以及预测血流量进行分析,基于分析结果输出预测准确信息或预测有误信息;
步骤S3024,当接收到预测准确信息时,将预测血流量标记为单位血流量并输出;当接收到预测有误信息时,输出重新计算信息。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random AccessMemory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable ProgrammableRead Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-OnlyMemory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
Claims (8)
1.基于深度学习的超声影像血流识别分析方法,其特征在于,包括:
获取彩色多普勒图像,所述彩色多普勒图像包括彩色取样框以及彩色标尺;对彩色标尺进行分析,得到多个流速区间;
基于流速区间对彩色取样框进行血流提取处理,得到多个流速数量以及血流图像;对流速数量进行分析,基于分析结果输出拥堵判断信息;拥堵判断信息包括血流通畅信息、血流拥堵信息和严重拥堵信息;
基于流速区间对彩色取样框进行血流提取处理,得到多个流速数量以及血流图像包括:
对彩色取样框内每个像素点用RGB[R(a1)、G(a2)、B(a3)]进行色彩标记,输出每个像素点的色彩值,标记为像素值;其中,R(a1)表示像素点在红色上的分量,G(a2)表示像素点在绿色上的分量,B(a3)表示像素点在蓝色上的分量,a1、a2以及a3的取值范围均为0-255;
为每个流速区间设置初始值为0的流速数量,执行像素判断循环,所述像素判断循环包括:
判断像素值与m个流速区间的关系,将像素值位于的流速区间的像素数进行加一处理,将像素值进行删除处理;若像素值不位于任意一个流速区间时,将像素值对应的像素点进行删除处理;
重复像素判断循环,当彩色取样框内不存在像素值时,将剩余的彩色多普勒图像标记为血流图像,输出每个流速区间对应的流速数量以及血流图像;
对流速数量进行分析,基于分析结果输出拥堵判断信息包括:
将第1流速至第(m/2)流速区间标记为反向流速区间,计算反向流速区间的流速数量的和,标记为反向数量;
当反向数量不为0时,输出严重拥堵信息;
当反向数量为0时,进行血管拥堵判断,所述血管拥堵判断包括:
将第[(m/2)+1]流速区间至第m流速区间标记为正向流速区间;
对正向流速区间的流速数量按递增的方式进行排序,得到流速数序列;
计算流速数序列的序列中值,将位于序列中值右侧的流速区间标记为右侧区间;
利用拥堵判断公式计算得到拥堵判断值,所述拥堵判断公式配置为:dp=|mx-m1|;其中dp为拥堵判断值,m1为第一个右侧区间对应的流速区间编号,mx为第x个右侧区间对应的流速区间编号;
若dp与拥堵阈值相等,输出血流通畅信息;若dp与拥堵阈值不相等,输出血流拥堵信息;
基于血流图像计算血管直径;当输出血流通畅信息时,通过血管直径、流速区间以及流速区间对应的流速数量进行计算输出单位血流量;当输出血流拥堵信息和严重拥堵信息时,利用深度学习模型对血管直径、流速区间、流速区间对应的流速数量以及患者的特征信息进行计算分析输出单位血流量。
2.根据权利要求1所述的基于深度学习的超声影像血流识别分析方法,其特征在于,获取彩色多普勒图像包括:
利用彩色多普勒血流成像技术获取彩色多普勒图像,所述彩色标尺包括综合流速以及与综合流速对应的不同颜色值,所述综合流速包括正向流速以及反向流速。
3.根据权利要求2所述的基于深度学习的超声影像血流识别分析方法,其特征在于,对彩色标尺进行处理,得到多个流速区间包括:
利用n个线段对综合流速进行划分,得到m个标尺区间;获取每个线段位于彩色标尺上的颜色值,标记为第n区间值,其中n为线段的编号;
获取最大的反向流速以及最大的正向流速对应的色彩值,分别标记为最大反向值以及最大正向值;
获取最小的反向流速以及最小的正向流速对应的色彩值,分别标记为最小反向值以及最小正向值。
4.根据权利要求2所述的基于深度学习的超声影像血流识别分析方法,其特征在于,对彩色标尺进行处理,得到多个流速区间还包括:
对反向流速进行第一流速划分处理,所述第一流速划分处理包括:
将最大反向值至第1区间值的闭区间标记为第一流速区间;将第1区间值至第2区间值的左开右闭区间标记为第二流速区间,以此类推,将第[(n/2)-1]区间值至第(n/2)区间值的左开右闭区间标记为第(m/2)流速区间;
对正向流速进行第二流速划分处理,所述第二流速划分处理包括:
将最小正向值至第[(n/2)+1]区间值的闭区间标记为第[(m/2)+1]流速区间;将第[(n/2)+1]区间值至第[(n/2)+2]区间值的左开右闭区间标记为第[(m/2)+2]流速区间,以此类推,将第n-1区间值至第n区间值的左开右闭区间标记为第m流速区间。
5.根据权利要求4所述的基于深度学习的超声影像血流识别分析方法,其特征在于,基于拥堵判断信息计算单位血流量包括:
获取彩色多普勒图像的放大倍数,计算血流图像的高,计算血流图像的高与放大倍数的比值,标记为血管直径;
当接收到血流通畅信息时,计算右侧区间的流速的平均值,标记为平均流速;利用流量计算公式对血管直径以及平均流速进行计算得到单位血流量;所述流量计算公式配置为:;其中L为单位血流量,π为圆周率,zv为平均流速,d为血管直径。
6.根据权利要求5所述的基于深度学习的超声影像血流识别分析方法,其特征在于,基于拥堵判断信息计算单位血流量还包括:
当接收到血流拥堵信息或严重拥堵信息时,利用深度学习模型对血管直径、流速区间以及流速区间对应的流速数量进行计算,输出预测血流量。
7.根据权利要求6所述的基于深度学习的超声影像血流识别分析方法,其特征在于,基于拥堵判断信息计算单位血流量还包括:
获取患者的特征信息,所述特征信息包括性别、年龄以及心血管疾病史;
利用深度学习模型对特征信息以及预测血流量进行分析,基于分析结果输出预测准确信息或预测有误信息;
当接收到预测准确信息时,将预测血流量标记为单位血流量并输出;当接收到预测有误信息时,输出重新计算信息。
8.基于深度学习的超声影像血流识别分析系统,适用于权利要求1-7任意一项所述的基于深度学习的超声影像血流识别分析方法,其特征在于,包括图像处理模块、参数分析模块以及血流计算模块;所述图像处理模块用于获取彩色多普勒图像,所述彩色多普勒图像包括彩色取样框以及彩色标尺;对彩色标尺进行分析,得到多个流速区间;还用于基于流速区间对彩色取样框进行血流提取处理,得到多个流速数量以及血流图像,基于血流图像计算血管直径;
所述参数分析模块用于对流速数量进行分析,基于分析结果输出拥堵判断信息;拥堵判断信息包括血流通畅信息、血流拥堵信息和严重拥堵信息;
所述血流计算模块用于当输出血流通畅信息时,通过血管直径、流速区间以及流速区间对应的流速数量进行计算输出单位血流量;当输出血流拥堵信息和严重拥堵信息时,利用深度学习模型对血管直径、流速区间、流速区间对应的流速数量以及患者的特征信息进行计算分析输出单位血流量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410497356.4A CN118078330B (zh) | 2024-04-24 | 2024-04-24 | 基于深度学习的超声影像血流识别分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410497356.4A CN118078330B (zh) | 2024-04-24 | 2024-04-24 | 基于深度学习的超声影像血流识别分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118078330A CN118078330A (zh) | 2024-05-28 |
CN118078330B true CN118078330B (zh) | 2024-06-21 |
Family
ID=91152233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410497356.4A Active CN118078330B (zh) | 2024-04-24 | 2024-04-24 | 基于深度学习的超声影像血流识别分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118078330B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105559810A (zh) * | 2015-12-10 | 2016-05-11 | 上海交通大学 | 血管单位时间血流量与血流速度的计算方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6101048B2 (ja) * | 2012-02-20 | 2017-03-22 | キヤノン株式会社 | 画像処理装置及び画像処理方法 |
TW201431536A (zh) * | 2013-02-07 | 2014-08-16 | Univ Nat Yunlin Sci & Tech | 以影像處理技術判斷血液阻力指數之方法 |
WO2019218076A1 (en) * | 2018-05-17 | 2019-11-21 | London Health Sciences Centre Research Inc. | Dynamic angiographic imaging |
KR20200072155A (ko) * | 2018-12-12 | 2020-06-22 | 연세대학교 산학협력단 | 2D X-ray영상 기반 관상동맥 혈류속도 근사방법 |
CN112711831B (zh) * | 2020-12-07 | 2022-10-28 | 上海联影医疗科技股份有限公司 | 血管仿真分析方法、设备、装置、计算机设备和存储介质 |
CN115954103A (zh) * | 2022-12-16 | 2023-04-11 | 佛山科学技术学院 | 基于多模态医学影像数据的供血功能异常评估方法及装置 |
CN117078698B (zh) * | 2023-08-22 | 2024-03-05 | 山东第一医科大学第二附属医院 | 一种基于深度学习的外周血管影像辅助分割方法及系统 |
-
2024
- 2024-04-24 CN CN202410497356.4A patent/CN118078330B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105559810A (zh) * | 2015-12-10 | 2016-05-11 | 上海交通大学 | 血管单位时间血流量与血流速度的计算方法 |
Non-Patent Citations (1)
Title |
---|
激光散斑衬比成像在脑血流检测中的应用;傅雪年;吴思进;司娟宁;李伟仙;科技创新与应用;20221231(第29期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN118078330A (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109087703B (zh) | 基于深度卷积神经网络的腹腔ct图像腹膜转移标记方法 | |
CN111476757A (zh) | 一种冠脉斑块数据检测方法、系统、存储介质、终端 | |
CN110197713B (zh) | 一种医疗影像的处理方法、装置、设备和介质 | |
US11854194B2 (en) | Method and system for analyzing image | |
KR101072452B1 (ko) | 심장질환 진단장치 및 방법 | |
US20210103797A1 (en) | Method and system for analyzing image | |
CN116912255B (zh) | 一种用于卵巢组织分析的卵泡区域分割方法 | |
CN112597982B (zh) | 基于人工智能的图像分类方法、装置、设备和介质 | |
CN112690813B (zh) | 基于分形理论的肿瘤异质性分析方法、系统、终端及介质 | |
CN111145200B (zh) | 结合卷积神经网络与循环神经网络的血管中心线追踪方法 | |
CN117437236B (zh) | 一种胃肠镜图像异常检测方法及系统 | |
CN111461065B (zh) | 管状结构识别方法、装置、计算机设备和可读存储介质 | |
CN113674291A (zh) | 一种全类型主动脉夹层真假腔图像分割方法及系统 | |
CN118078330B (zh) | 基于深度学习的超声影像血流识别分析方法及系统 | |
CN116649925A (zh) | 颅内动脉狭窄功能学评估的方法和装置 | |
CN113456033B (zh) | 生理指标特征值数据处理方法、系统及计算机设备 | |
CN117503206A (zh) | 心功能指标的计算方法、计算机可读介质及超声设备 | |
CN112914610B (zh) | 基于深度学习的对比增强超声心动图室壁厚度自动分析系统与方法 | |
CN114494100A (zh) | 脉搏波速度的测量方法及超声设备 | |
CN117954083B (zh) | 一种基于机器学习算法的子痫前期预测方法 | |
US20200375550A1 (en) | Method, apparatus and computer program for measuring and analysis of blood pressure using photoplethysmography | |
US11449995B2 (en) | Method of providing diagnosis assistance information and method of performing the same | |
KR20230153166A (ko) | 초음파 이미지 분석 장치 및 방법 | |
CN117954083A (zh) | 一种基于机器学习算法的子痫前期预测方法 | |
CN116416193A (zh) | 超声图像处理方法、装置、设备及可读存储介质 |
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 |