专利汇可以提供一种基于连续超声图像的无创颅内压测量方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于连续超声图像的无创颅内压测量方法,属于无创颅内压测量技术领域。所述方法通过测量视神经鞘 刚度 的方法来实现颅内压的测量;具体包括第一步,自动标记视神经鞘 位置 ;第二步,自动检测视神经鞘平面外运动;第三步,估计视神经鞘运动幅度。本发明实现了基于连续超声图像的自动识别并标记视神经鞘位置、自动检测视神经鞘平面外运动并重构 图像序列 ,基于欠阻尼运动模型对视神经鞘周围组织运动都做了估计,并结合人工标记视神经鞘运动的幅度,将两者的幅度进行线性拟合,从而实现了进一步更精确的计算出视神经鞘刚度。,下面是一种基于连续超声图像的无创颅内压测量方法专利的具体信息内容。
1.一种基于连续超声图像的无创颅内压测量方法,其特征在于:所述方法包括如下步骤,
第一步,自动标记视神经鞘位置;具体为:
步骤1.1,基于K折交叉验证思想,使用带权重的最小二乘估计方法,得到视神经鞘的通用模板;
(1.1.1)通过超声方法获得1000份连续超声图像,从每份连续超声图像中,选择1帧质量较好的图像,标记出视神经鞘位置,视神经鞘位置的大小为200*100像素,作为学习模板;
将1000个学习模板随机分成10组,每组100个学习模板,用其中的9组作为监督学习的训练集,剩余的1组作为验证集;
(1.1.2)对训练集中的900个学习模板进行基于灰度的线性归一化处理:
In(x,y)=(I(x,y)-Imin)/(Imax-Imin) (1)
公式(1)中,I(x,y)表示原图像中在位置(x,y)像素灰度,In(x,y)表示归一化后的图像在位置(x,y)像素灰度,Imin、Imax分别代表原图中灰度的最小值和最大值;
每个学习模板的视神经鞘位置图像大小为200*100像素,将其视为100个200维的列向量;记第j个学习模板的第i列为fji,将通用模板的第i列记gi;
式(2)中,kj为每个学习模板在训练学习中的超参数,且满足式(3)的约束条件,初始值设为kj=1.00,j=1,2,...,900;i=1,2,…,100;
基于代价函数E学习通用模板,确定每一列的权重系数α1,α2,...,α100的值,代价函数E定义为:
用最小二乘法求得式(4)中权重系数α1,α2,...,α100,从而得到通用模板Imodel,用矩阵形式表示如下:
Imodel=[α1*g1,...,αi*gi,...,α100*g100] (5)
(1.1.3)将通用模板Imodel应用于验证集,计算匹配度M;
(1.1.4)如果匹配度M小于90%,则调整超参数kj重新训练通用模板,进而改变公式(4)中的权重系数α1,α2,...,α100,得到新的通用模板;
(1.1.5)重复步骤(1.1.2)~(1.1.4),使得10组学习模板的每一组作为验证集时,Imodel均满足匹配度M要求,则Imodel作为视神经鞘的通用模板;
步骤1.2,基于SSDA算法,使用步骤1.1获得的通用模板Imodel,为每一份连续超声图像进行自动标记;
(1.2.1)随机选取一份连续超声图像,基于通用模板Imodel,使用SSDA算法,为每份连续超声图像标记剩余帧;
(1.2.2)对自动标记的帧进行核对,挑选出标记不正确的帧,总和记为Ferror,连续超声图像的总帧数即总图像数是Ftotal,若错误率:Ferror/Ftotal*100%≤1.00%,认为标记合格,符合要求;否则对标记不正确的帧进行分析,判定当前帧图像质量,若确定质量差,删除此帧;返回步骤(1.2.1),修改阈值取值th1=th0+εth,εth为学习的步长,设为0.8;
(1.2.3)重复(1.2.1)~(1.2.2),直至对全部1000份连续超声图像自动标记的错误率均符合要求。
第二步,自动检测视神经鞘平面外运动;
平面外运动是指超声探头的运动,在垂直于采集平面的方向上的分量;若图像序列存在平面外运动,则视神经鞘的运动分析会产生误差,因此必须将其剔除;
设计并验证平面外运动的判别准则,以此判断存在平面外运动的帧;基于判别准则,设计并验证图像序列重构准则,评估图像序列中被剔除的图像比例为多少时,导致对视神经鞘的运动分析误差过大;
第三步,估计视神经鞘运动;
视神经鞘运动的过程中,周围组织也会受迫运动,因此在检测视神经鞘运动的同时,为周围组织建立运动模型,将两者结合在一起,给出视神经鞘的运动估计。
2.根据权利要求1所述的一种基于连续超声图像的无创颅内压测量方法,其特征在于:
步骤(1.1.4)中所述调整超参数的方法如下:
(1.1.4.1)选出影响最大和最小的超参数kmax和kmin;
具体为:从900个学习模板中,依次删除学习模板f1i,f2i,...,f900i得到新的通用模板的第i列gi,记为gi_reduced,用的gi_reduced代替gi重新计算匹配度M,从而得出对匹配度影响最大和最小的学习模板,记为fmax,和fmin;
(1.1.4.2)调整超参数:将学习模板fmax和fmin对应的超参数kmax和kmin的初始值1,分别调整为1+ε和1-ε,ε为学习的步长,当有n个学习模板对匹配度的影响为0时,将超参数的容量调整为900-n,即j=1,2,…,(900-n);
(1.1.4.3)基于调整后的超参数kj,返回步骤(1.1.2),直至验证集满足匹配度要求。
3.根据权利要求1所述的一种基于连续超声图像的无创颅内压测量方法,其特征在于:
步骤(1.2.1)中所述的使用SSDA算法,为每份连续超声图像标记剩余帧,具体如下:
设S(x,y)是待搜索的超声图像,大小为m*n;Imodel(x,y)是M*N的通用模板,Sij是待搜索的超声图像中的一个子图,左上角起始位置为(i,j),1≤i≤m-M-1,1≤j≤n-N-1;
(A)定义绝对误差:
其中, 分别表示子图和通用模板的均值:
Imodel(s,t)表示通用模板上位置(s,t)处的像素灰度;
绝对误差的含义是,子图与通用模板图去掉各自均值后,对应像素点做差后的绝对值;
(B)阈值Th取值设置为Th=th0;
(C)在通用模板图中随机选取不重复的像素点,计算与当前子图的绝对误差,将绝对误差累加,当绝对误差累加和超过了阈值Th时,记下累加次数H,所有子图的累加次数H用一个表R(i,j)来表示;SSDA检测定义为:
(D)在计算过程中,如果当前子图的绝对误差累加和超过了阈值后,则放弃当前子图转而对下一个子图进行计算;遍历完所有子图后,选取累加次数H的最大R(i,j)值所对应的子图Sij作为匹配图像,实现对连续超声图像中各图像帧的自动标记。
4.根据权利要求1所述的一种基于连续超声图像的无创颅内压测量方法,其特征在于:
第二步中所述的平面外运动的判别准则和重构准则的建立过程如下:
步骤2.1:基于SURF计算缩放因子;
从1000份连续超声图像中,选取医师或专家确认过的有平面外运动和无平面外运动的各300份共计600份;各分为10组,每组有30份连续超声图像,将有平面外运动的图像帧标记出;随机选择各9组270份连续超声图像,作为训练集,进行模型训练;剩余的各1组作为验证集;基于SURF特征点对视神经鞘进行匹配后,得到缩放因子,用来判断是否有平面外运动;
步骤2.2:获得缩放因子的统计量;
对于每份连续超声图像的图像序列,选取第一帧为基准,计算后续帧相对于第一帧中视神经鞘的缩放因子Ki,对于n帧图像,得到n个缩放因子,K1K2...Kn,计算缩放因子的均值Kmean和标准差Kstd:
步骤2.3:建立平面外运动判别准则及图像序列重构准则:
建立图像序列比例缩放因子,分析其统计规律与平面外运动的关系,得出判别准则,剔除有平面外运动的图像,令,
KH=Kmean-Kstd*A (10)
KL=Kmean+Kstd*B (11)
其中,KH和KL分别表示自适应判别准则的缩放因子的上限系数和下限系数,A为上限调整系数,B为下限调整系数;通过训练A和B的值,确定KH和KL,从而得到自适应的判别准则,用于剔除有平面外运动的帧;
建立平面外运动判别准则如下:
其中,E表示能量函数,期望取最小值,Aij表示无平面外运动的训练集中第i个连续超声图像的第j帧,Bij表示有平面外运动的训练集中第i个连续超声图像的第j帧;KAimean、KBimean分别表示图像帧Aij和Bij的缩放因子的均值;训练得出KH、KL;KAij∈(KH*KAimean,KL*KAimean)表示图像帧Aij无平面外运动,而 表示图像帧Bij
有平面外运动,应从图像序列中予以剔除;
步骤2.4:应用步骤2.3得到的平面外运动判别准则,在验证集图像序列上进行验证,准确率高于99%时认为平面外运动判别准则正确;否则重新构建平面外运动判别准则,调整A和B以确定新的KH和KL。;
误判断有两种情况,弃真和存伪;平面外运动判别准则将准确率定义为存伪;
式中,Ffault代表没有被剔除的有平面外运动的帧数,Ftotal代表初始连续超声图像的图像序列的总帧数;
步骤2.5:得到正确的平面外运动判别准则的KH和KL后,需要判定剔除的帧数对视神经鞘运动分析的影响:经过分析及计算,确定图像序列重构准则;
剔除的帧数对视神经鞘运动分析无影响的准则是:给定一份连续超声图像,对比剔除帧前后,计算得出视神经鞘运动幅度之比的绝对值在100%±5%内;
剔除因子Kt定义为:
式中,Fremoved表示被剔除的总帧数;Ftotal表示初始连续超声图像的图像序列的总帧数;
定义一个包含4个元素的向量Kc:
式中,Fnc表示根据判别准则剔除帧并重构后的连续超声图像的图像序列中连续帧的组数;Fnmax表示被剔除的最大的连续帧数,Fnmin表示被剔除的最小的连续帧数;
基于K-折交叉验证思想,以及支持向量机,训练如下分类器:
T
f(Kc)=ω*Kc+b (16)
式中, 表示实数空间, 表示四维实数空间;
使得f(Kc)≥+1时,Kc∈Gtest{26},f(Kc)≤-1时,Kc∈NGtest{4};
基于K-折交叉验证思想,若进行10次验证,分类器均正确分类,则完成了分类器的训练;否则调整 和 直至满足要求。
5.根据权利要求1所述的一种基于连续超声图像的无创颅内压测量方法,其特征在于:
第三步中所述的估计视神经鞘运动,具体为:
视神经鞘主体的运动估计,采用块匹配算法及光流算法,得出运动估计如下:
M(t)=a0+a1cos(ωft)+b1cos(ωft) (17)
式中,M(t)表示t时刻视神经鞘的位置;a0表示视神经鞘的中心位置;a1表示正弦基频分量的振幅;b1表示余弦基频分量的振幅;ωf=2πm/60;已知心跳率为m,单位是bpm,即每分钟搏动次数;
步骤3.1:在重构后的图像序列中,基于SURF特征点匹配,得出重构后的前后两帧对应点的运动矢量;
步骤3.2:拟用二阶阻尼运动模型拟合视神经鞘周围组织的运动;结合人工标记的连续超声图像,对二阶阻尼运动模型进行参数的训练;设二阶阻尼运动模型运动遵循如下特征方程:
欠阻尼状态下,解为:
x(t)=ce-βtsin(ωt+θ) (19)
式中,c表示阻尼运动的初始幅度,ω为脉搏波动的频率,β=2ξω0,ξ为阻尼比,ω0为自然频率; 和 分别表示x(t)的一阶导数和二阶导数;θ表示阻尼运动的初始相位;
步骤3.3:随机选取医生或专家标记的100份连续超声图像,基于分析图像得出的视神经鞘运动结果,用线性拟合K=(k1,k2,k3)T,求解如下超定方程:
k1*ai+k2*bi+k3*ci=Ai (21)
式中,ai表示第i份连续超声图像中视神经鞘位置的正弦基频分量的振幅;bi表示第i份连续超声图像中视神经鞘位置的余弦基频分量的振幅;ci表示视神经鞘周围组织阻尼运动的初始幅度;
令b=(A1,A2,...,A100)T,表示经医生或专家确认过的视神经鞘位移;K=(k1,k2,k3)T;令则公式(23)的矩阵形式为:
G*K=b (22)
得出最小二乘解:
K=(GT*G)-1*GTb (23)
步骤3.4:给定一份新的连续超声图像,结合式(19)式(21)和式(23),得出视神经鞘的运动估计A;视神经鞘有左右之分,计算方法一样;因此同样方法得到Aleft和Aright,分别表示左右视神经鞘的位移,并用如下公式表示视神经鞘刚度Δ:
步骤3.5:将K=(k1,k2,k3)T应用到剩余的900份连续超声图像中验证,确认视神经鞘刚度Δ的计算是否满足要求,否则按照步骤1.1的方法,调整参数。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种基于类Haar视觉特征感知的运动估计方法 | 2020-05-08 | 874 |
用于红外图像序列的背景运动估计方法、装置及存储介质 | 2020-05-11 | 112 |
一种语义驱动的相机定位与地图重建方法和系统 | 2020-05-15 | 328 |
一种视频图像超分辨率重建方法及装置 | 2020-05-11 | 422 |
一种智能监控机器人 | 2020-05-11 | 1040 |
一种基于连续超声图像的无创颅内压测量方法 | 2020-05-14 | 763 |
一种纹理图整数运动估计并行实现方法 | 2020-05-08 | 640 |
用于兴趣区编码的运动约束图块集合 | 2020-05-15 | 572 |
基于自适应步长和Levenberg-Marquardt优化的视频弹性运动估计方法 | 2020-05-11 | 344 |
一种连续图像的目标检测方法、装置、设备及存储介质 | 2020-05-08 | 943 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。