CN109034259A - 肿瘤介入装置的图像控制***、方法、终端、储存介质 - Google Patents
肿瘤介入装置的图像控制***、方法、终端、储存介质 Download PDFInfo
- Publication number
- CN109034259A CN109034259A CN201810882198.9A CN201810882198A CN109034259A CN 109034259 A CN109034259 A CN 109034259A CN 201810882198 A CN201810882198 A CN 201810882198A CN 109034259 A CN109034259 A CN 109034259A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- tumor
- matrix
- image data
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明属于医疗技术领域,公开了一种肿瘤介入装置的图像控制***、方法、终端、储存介质,肿瘤介入装置的图像控制***包括:肿瘤判定模块、影像采集模块、主控模块、图像分析模块、注药模块、数据存储模块、显示模块。本发明通过肿瘤判定模块能够更迅速、简便且高精度地判定肿瘤图像类型,因此能够为患者选择适当的治疗方法;本发明有助于提高患者的生存率;同时,通过图像分析模块将超声成像的硬度信息与光声成像提供的血氧信息结合,以对肿瘤图像进行分析,成像信息与超声技术提供的组织形态与结构、硬度信息能够形成重要的互补,二者结合实现对肿瘤结构和功能的全面观测。
Description
技术领域
本发明属于医疗技术领域,尤其涉及一种肿瘤介入装置的图像控制***、方法、终端、储存介质。
背景技术
目前,业内常用的现有技术是这样的:
肿瘤(tumour)是指机体在各种致瘤因子作用下,局部组织细胞增生所形成的新生物(neogrowth),因为这种新生物多呈占位性块状突起,也称赘生物(neoplasm)。介入放射学又称介入治疗学,是近年迅速发展起来的一门融合了影像诊断和临床治疗于一体的新兴学科。它是在数字减影血管造影机、CT、超声和磁共振等影像设备的引导和监视下,利用穿刺针、导管及其他介入器材,通过人体自然孔道或微小的创口将特定的器械导入人体病变部位进行微创治疗的一系列技术的总称。目前已经成为与传统的内科、外科并列的临床三大支柱性学科。肿瘤介入微创疗法又名微创介入疗法,疗法具有创伤小,皮肤切口仅为2mm左右;靶向性即针对性强,可有的放矢直接作用于肿瘤,对正常组织损伤小;康复快,通常在术后12小时可正常活动,5~7天即可出院。然而,现有对肿瘤判定复杂、麻烦;同时对肿瘤采集的图像不能急进行更深层次、更全面的观测,不利于对肿瘤的治疗。
综上所述,现有技术存在的问题是:
对肿瘤采集的图像不能急进行更深层次、更全面的观测,不利于对肿瘤的治疗。
传统超声***不能满足剪切波的采集。
肿瘤采集的图像不能快速精确定位。获得图像不清晰,失真度大。
现有技术的图像数据不能为合理的治疗方案提供理论支持。
发明内容
针对现有技术存在的问题,本发明提供了肿瘤介入装置的图像控制***、方法、终端、储存介质。
本发明是这样实现的,一种肿瘤介入装置的图像控制方法,所述肿瘤介入装置的图像控制方法包括:
肿瘤判定模块通过粒子的位移更新方法获得图像最优解,进而判定肿瘤图像类型;粒子的位移更新方法获得图像最优解中,按照xi,j=vi,j+wvi,j对xi,j进行更改;
以概率c1h(e,g)修改(pi,j-xi,j)的交换序,得到xi,j(1)为xi,j与c1h(e,g)(pi,j-xi,j)的和,pi,j-xi,j(t)表示每个粒子与个体最优位置的交换序;
以概率c2h(e,g)修改(pg,j-xi,j)的交换序,得到xi,j(2)为xi,j(1)与c2h(e,g)(pg,j-xi,j)的和,,pg,j-xi,j(t)表示群体最优位置与个***置的交换序,更新位移完毕;
获得优解公式为:
xi,j表示第i个粒子第j个路径所需要更新的位移,xi,j(1)表示的是xi,j的下一个,每次都在变化,下一次就为xi,j(2);
影像采集模块利用超声剪切波弹性成像技术获取被检测部位的弹性图像;超声剪切波弹性成像技术运行中,声源振动产生声波,声波有纵波、横波和表面波3种形式;当声波在传播途径上被反射或吸收时,产生声辐射力,声辐射力使肿瘤组织粒子产生横向振动,产生剪切波,为横波;然后通过测量传播速度直接计算组织的弹性值;剪切波在一种介质中的传播速度与生物组织的纵向模量相关,组织的弹性模量通过测量传播速度进行推算;
剪切波与肿瘤组织硬度相关,杨氏模量(E)与剪切波的传播速度(c)之间直接相关:
E=3ρv
杨氏模量(E)是施加的应力与所产生的应变之间的比值,表达组织的硬度:
E=s/e’
上式中,ρ即肿瘤组织的密度(kg/m3),一般认为等于水的密度,为1000kg/m3,测量剪切波的传播速度v,计算出肿瘤组织的弹性值;获得被检测部位的弹性图像;
主控模块通过图像分析模块对采集的图像数据进行分析处理;具体有:
肿瘤图像数据的预处理及分组;
构建近邻图G及相应的关联矩阵S;
计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入;
分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器对其进行判别分类;
肿瘤图像数据的预处理及分组,包括下面几个步骤:
a)选用SPM8软件对肿瘤图像数据进行预处理:包括时间片校正、空间校正、配准图像、图像标准化和平滑处理步骤;
b)数据的分组:将预处理后的图像数据按照扫描时间序列以及认知行为实验类别进行重新组合,每个类别选取一定的样本点构成试验数据,即为训练数据,剩下的样本点作为测试数据。
构建近邻图G及相应的关联矩阵S,其具体步骤如下:
假设有n个样本点A1,...,An,其中Ik是张量的k模式维数,采用k近邻方式构建近邻图G来表示M的局部几何结构;根据构造的近邻图G,得到其相应的关联矩阵S=[si,j]n×n,其中S是基于热核方法来定义的;k近邻方式即当且仅当张量空间两点中,一点在另一点的最近的k个点中,两点之间有边相连;
肿瘤图像数据的预处理及分组进一步包括:
对获取到的原始肿瘤图像数据进行预处理,以减少伪迹干扰;
创建滤波器,将预处理后的肿瘤图像数据滤波到所需的频段;
利用相位同步分析方法,计算各频段的肿瘤图像数据在各个时间点每两个通道之间的相位关系,获得动态功能连接矩阵;
逐个计算两个通道之间相位关系值的时域熵,得到每条边的信息熵,以度量脑电功能网络各边时间域的复杂度;
利用各频段的动态功能连接熵分别作为脑电功能网络的分类特征,训练自适应提高分类器,得到多个自适应提高分类器以及对应的分类正确率;
利用训练好的多个自适应提高分类器以投票的方式对样本进行组合分类;
通过数据存储模块存储采集的肿瘤图像数据;
通过显示模块显示采集的肿瘤图像。
进一步,计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入,其具体步骤如下:
假设为相应的转换矩阵,根据近邻图G和相关矩阵S,基于张量的局部保留映射算法的最优化问题表示为:
基于张量和矩阵迹的特征,将上面的最优化问题重新改写为:
转换矩Uf通过求解广义特征值方程对应的lf个最小的特征值所对应的特征向量来获得;其他维度上对应的转换矩阵可以按照此方法依次进行,直到计算出所有的转换矩阵;最后,训练样本的嵌入表示为:
进一步,分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器对其进行判别分类,其具体步骤如下:
假设测试样本数为m个,样本集为(X1,X2,...,Xm),通过步骤3)中所得到的转换矩阵计算测试样本的嵌入:
进一步,对采集的肿瘤图像数据进行0.5-30Hz带通滤波,再去除其他干扰数据、剔除伪迹数据以得到所需的肿瘤图像数据;
滤波器的创建方法为:肿瘤图像数据使用小波包分解为五个频段,即δ(1-3Hz)、θ(4-7Hz)、α(8-13Hz)、β(14-30Hz)γ(31-50Hz);
采用相位锁定值PLV来计算各频段的肿瘤图像数据在各个时间点上每两个通道之间的相位关系,具体的计算公式如下:
PLV=|<exp(j{Φi(t)-Φj(t)})>|;
其中,Φi(t)和Φj(t)分别为电极i和j的瞬时相位;
信号的相位值可以采用希尔伯特变换来计算,具体公式如下:
xi(τ)是电极i的连续时间信号,τ是一个时间变量,t表示时间点,PV为柯西主值;
瞬时相位按如下计算:
同样地,可以计算瞬时相位Φj(t);
设选定的脑电通道数为M,脑电时间点数为T,利用两两通道构建不同的通道对,计算所有通道对的PLV值,此时得到一个M×M×T的三维矩阵K,其中M×M是一个时间点的上三角矩阵:
K的每个元素Kijt为在t时间点上第i个电极和第j个电极之间的PLV值,该矩阵为动态功能连接矩阵,它不仅包含了不同脑电通道两两之间的相位关系,还包含了脑电通道的空间信息和时间信息。
进一步,逐个计算两个通道之间相位关系值的信息熵,即动态功能连接熵,按照以下步骤进行:
首先,将每个脑电时间点数T的M×M的上三角矩阵各个PLV值提取出来,得到一个(M*(M-1)/2)×T的二维矩阵;然后对(M*(M-1)/2)×T这个PLV矩阵各条边计算信息熵,得到一个(M*(M-1)/2)×1的熵值矩阵。
本发明另一目的在于提供一种计算机程序,其特征在于,所述计算机程序实现所述的肿瘤介入装置的图像控制方法。
本发明另一目的在于提供一种终端,所述终端实现所述的肿瘤介入装置的图像控制方法。
本发明另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的肿瘤介入装置的图像控制方法。
本发明另一目的在于提供一种肿瘤介入装置的图像控制***,所述肿瘤介入装置的图像控制***包括:
肿瘤判定模块,与主控模块连接,用于判定肿瘤图像类型;
影像采集模块,与主控模块连接,用于通过超声剪切波弹性成像技术获取被检测部位的弹性图像;
主控模块,与肿瘤判定模块、影像采集模块、图像分析模块、注药模块、数据存储模块、显示模块连接,用于控制各个模块正常工作;
图像分析模块,与主控模块连接,用于对采集的图像数据进行分析处理;
注药模块,与主控模块连接,用于对肿瘤部位图像信息分析后与药物信息进行对比;
数据存储模块,与主控模块连接,用于存储采集的肿瘤图像数据;
显示模块,与主控模块连接,用于通过显示器显示采集的肿瘤图像;
所述图像分析模块包括图像融合模块、特征参数提取模块、验证模块;
图像融合模块,用于获取被检测部位的B超图像,提取B超图像中肿瘤的边缘轮廓信息,融合到弹性图像上分割出病变区域;
特征参数提取模块,用于从融合后的图像中量化和提取出用以评价肿瘤的属性的弹性特征参数群;
验证模块,用于通过光声成像技术对检测部位进行探测,根据探测结果与弹性特征参数群评价的属性互相验证。
本发明另一目的在于提供一种肿瘤介入装置信息处理终端,所述肿瘤介入装置信息处理终端至少搭载所述的肿瘤介入装置的图像控制***。
本发明的优点及积极效果为:
本发明通过肿瘤判定模块能够更迅速、简便且高精度地判定肿瘤类型,因此能够为患者选择适当的治疗方法;因此本发明有助于提高患者的生存率;同时,通过图像分析模块将超声成像的硬度信息与光声成像提供的血氧信息结合,以对肿瘤图像进行分析,光声技术提供的重要功能与分子成像信息与超声技术提供的组织形态与结构、硬度信息能够形成重要的互补,二者结合实现对肿瘤结构和功能的全面观测。
本发明肿瘤判定模块通过粒子的位移更新方法获得图像最优解,进而判定肿瘤图像类型;可获得准确的图像信息,相比于现有技术的图像清晰度提高很多。
本发明利用TLPP算法直接对多维张量进行降维和特征提取,克服了传统降维方法单纯的进行降维而破坏了原始图像的结构和相关性,不能完全保持原始图像中的冗余和结构的不足,考虑了数据在张量空间的几何和拓扑结构特性,保留了成像数据的空间结构信息,数据降维后,可以有效的对肿瘤图像进行识别分类。
本发明相对于其他的先进行矢量化再进行降维的方法来说,不仅继承了传统方法的优点,而且还大大减少了空间和时间的复杂度,克服了维数灾难,计算量较小,内存消耗小,耗时较短。
本发明利用基于张量距离的近邻分类器进行判别分类,对于一些高阶的数据,由于其特殊的几何和拓扑结构特性,传统的欧式距离并不能真正地反应两个张量之间的距离,因此采用此分类器,提高了图像识别分类的准确性。
主控模块通过图像分析模块对采集的图像数据进行分析处理;具体有:
肿瘤图像数据的预处理及分组;
构建近邻图G及相应的关联矩阵S;
计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入;
分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器对其进行判别分类;
本发明的肿瘤图像数据的预处理及分组,包括下面几个步骤:
a)选用SPM8软件对肿瘤图像数据进行预处理:包括时间片校正、空间校正、配准图像、图像标准化和平滑处理步骤;
b)数据的分组:将预处理后的图像数据按照扫描时间序列以及认知行为实验类别进行重新组合,每个类别选取一定的样本点构成试验数据,即为训练数据,剩下的样本点作为测试数据。
构建近邻图G及相应的关联矩阵S,其具体步骤如下:
假设有n个样本点A1,...,An,其中Ik是张量的k模式维数,采用k近邻方式构建近邻图G来表示M的局部几何结构;根据构造的近邻图G,得到其相应的关联矩阵S=[si,j]n×n,其中S是基于热核方法来定义的;k近邻方式即当且仅当张量空间两点中,一点在另一点的最近的k个点中,两点之间有边相连;
肿瘤图像数据的预处理及分组进一步包括:
对获取到的原始肿瘤图像数据进行预处理,以减少伪迹干扰;
创建滤波器,将预处理后的肿瘤图像数据滤波到所需的频段;
利用相位同步分析方法,计算各频段的肿瘤图像数据在各个时间点每两个通道之间的相位关系,获得动态功能连接矩阵;
逐个计算两个通道之间相位关系值的时域熵,得到每条边的信息熵,以度量脑电功能网络各边时间域的复杂度;
利用各频段的动态功能连接熵分别作为脑电功能网络的分类特征,训练自适应提高分类器,得到多个自适应提高分类器以及对应的分类正确率;
利用训练好的多个自适应提高分类器以投票的方式对样本进行组合分类;
可获得准确肿瘤图像,为准确的治疗方案提供依据。
附图说明
图1是本发明实施例提供的肿瘤介入装置的图像控制***结构图。
图中:1、肿瘤判定模块;2、影像采集模块;3、主控模块;4、图像分析模块;5、注药模块;6、数据存储模块;7、显示模块。
图2是本发明实施例提供的图像分析模块示意图。
图中:8、图像融合模块;9、特征参数提取模块;10、验证模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明实施例提供的肿瘤介入装置的图像控制***包括:肿瘤判定模块1、影像采集模块2、主控模块3、图像分析模块4、注药模块5、数据存储模块6、显示模块7。
肿瘤判定模块1,与主控模块3连接,用于判定肿瘤图像类型;
影像采集模块2,与主控模块3连接,用于通过超声剪切波弹性成像技术获取被检测部位的弹性图像;
主控模块3,与肿瘤判定模块1、影像采集模块2、图像分析模块4、注药模块5、数据存储模块6、显示模块7连接,用于控制各个模块正常工作;
图像分析模块4,与主控模块3连接,用于对采集的图像数据进行分析处理;
注药模块5,与主控模块3连接,用于对肿瘤部位图像信息分析后与药物信息进行对比;
数据存储模块6,与主控模块3连接,用于存储采集的肿瘤图像数据;
显示模块7,与主控模块3连接,用于通过显示器显示采集的肿瘤图像。
如图2,图像分析模块包括图像融合模块8、特征参数提取模块9、验证模块10;
图像融合模块,用于获取被检测部位的B超图像,提取B超图像中肿瘤的边缘轮廓信息,融合到弹性图像上分割出病变区域;
特征参数提取模块,用于从融合后的图像中量化和提取出用以评价肿瘤的属性的弹性特征参数群;
验证模块,用于通过光声成像技术对检测部位进行探测,根据探测结果与弹性特征参数群评价的属性互相验证。
下面结合具体分析对本发明作进一步描述。
本发明实施例提供的肿瘤介入装置的图像控制方法,包括:
肿瘤判定模块通过粒子的位移更新方法获得图像最优解,进而判定肿瘤图像类型;粒子的位移更新方法获得图像最优解中,按照xi,j=vi,j+wvi,j对xi,j进行更改;
以概率c1h(e,g)修改(pi,j-xi,j)的交换序,得到xi,j(1)为xi,j与c1h(e,g)(pi,j-xi,j)的和,pi,j-xi,j(t)表示每个粒子与个体最优位置的交换序;
以概率c2h(e,g)修改(pg,j-xi,j)的交换序,得到xi,j(2)为xi,j(1)与c2h(e,g)(pg,j-xi,j)的和,,pg,j-xi,j(t)表示群体最优位置与个***置的交换序,更新位移完毕;
获得优解公式为:
xi,j表示第i个粒子第j个路径所需要更新的位移,xi,j(1)表示的是xi,j的下一个,每次都在变化,下一次就为xi,j(2);
影像采集模块利用超声剪切波弹性成像技术获取被检测部位的弹性图像;超声剪切波弹性成像技术运行中,声源振动产生声波,声波有纵波、横波和表面波3种形式;当声波在传播途径上被反射或吸收时,产生声辐射力,声辐射力使肿瘤组织粒子产生横向振动,产生剪切波,为横波;然后通过测量传播速度直接计算组织的弹性值;剪切波在一种介质中的传播速度与生物组织的纵向模量相关,组织的弹性模量通过测量传播速度进行推算;
剪切波与肿瘤组织硬度相关,杨氏模量(E)与剪切波的传播速度(c)之间直接相关:
E=3ρv
杨氏模量(E)是施加的应力与所产生的应变之间的比值,表达组织的硬度:
E=s/e’
上式中,ρ即肿瘤组织的密度(kg/m3),一般认为等于水的密度,为1000kg/m3,测量剪切波的传播速度v,计算出肿瘤组织的弹性值;获得被检测部位的弹性图像;
主控模块通过图像分析模块对采集的图像数据进行分析处理;具体有:
肿瘤图像数据的预处理及分组;
构建近邻图G及相应的关联矩阵S;
计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入;
分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器对其进行判别分类;
肿瘤图像数据的预处理及分组,包括下面几个步骤:
a)选用SPM8软件对肿瘤图像数据进行预处理:包括时间片校正、空间校正、配准图像、图像标准化和平滑处理步骤;
b)数据的分组:将预处理后的图像数据按照扫描时间序列以及认知行为实验类别进行重新组合,每个类别选取一定的样本点构成试验数据,即为训练数据,剩下的样本点作为测试数据。
构建近邻图G及相应的关联矩阵S,其具体步骤如下:
假设有n个样本点A1,...,An,其中Ik是张量的k模式维数,采用k近邻方式构建近邻图G来表示M的局部几何结构;根据构造的近邻图G,得到其相应的关联矩阵S=[si,j]n×n,其中S是基于热核方法来定义的;k近邻方式即当且仅当张量空间两点中,一点在另一点的最近的k个点中,两点之间有边相连;
肿瘤图像数据的预处理及分组进一步包括:
对获取到的原始肿瘤图像数据进行预处理,以减少伪迹干扰;
创建滤波器,将预处理后的肿瘤图像数据滤波到所需的频段;
利用相位同步分析方法,计算各频段的肿瘤图像数据在各个时间点每两个通道之间的相位关系,获得动态功能连接矩阵;
逐个计算两个通道之间相位关系值的时域熵,得到每条边的信息熵,以度量脑电功能网络各边时间域的复杂度;
利用各频段的动态功能连接熵分别作为脑电功能网络的分类特征,训练自适应提高分类器,得到多个自适应提高分类器以及对应的分类正确率;
利用训练好的多个自适应提高分类器以投票的方式对样本进行组合分类;
通过数据存储模块存储采集的肿瘤图像数据;
通过显示模块显示采集的肿瘤图像。
计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入,其具体步骤如下:
假设为相应的转换矩阵,根据近邻图G和相关矩阵S,基于张量的局部保留映射算法的最优化问题表示为:
基于张量和矩阵迹的特征,将上面的最优化问题重新改写为:
转换矩Uf通过求解广义特征值方程对应的lf个最小的特征值所对应的特征向量来获得;其他维度上对应的转换矩阵可以按照此方法依次进行,直到计算出所有的转换矩阵;最后,训练样本的嵌入表示为:
分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器对其进行判别分类,其具体步骤如下:
假设测试样本数为m个,样本集为(X1,X2,...,Xm),通过步骤3)中所得到的转换矩阵计算测试样本的嵌入:
对采集的肿瘤图像数据进行0.5-30Hz带通滤波,再去除其他干扰数据、剔除伪迹数据以得到所需的肿瘤图像数据;
滤波器的创建方法为:肿瘤图像数据使用小波包分解为五个频段,即δ(1-3Hz)、θ(4-7Hz)、α(8-13Hz)、β(14-30Hz)γ(31-50Hz);
采用相位锁定值PLV来计算各频段的肿瘤图像数据在各个时间点上每两个通道之间的相位关系,具体的计算公式如下:
PLV=|<exp(j{Φi(t)-Φj(t)})>|;
其中,Φi(t)和Φj(t)分别为电极i和j的瞬时相位;
信号的相位值可以采用希尔伯特变换来计算,具体公式如下:
xi(τ)是电极i的连续时间信号,τ是一个时间变量,t表示时间点,PV为柯西主值;
瞬时相位按如下计算:
同样地,可以计算瞬时相位Φj(t);
设选定的脑电通道数为M,脑电时间点数为T,利用两两通道构建不同的通道对,计算所有通道对的PLV值,此时得到一个M×M×T的三维矩阵K,其中M×M是一个时间点的上三角矩阵:
K的每个元素Kijt为在t时间点上第i个电极和第j个电极之间的PLV值,该矩阵为动态功能连接矩阵,它不仅包含了不同脑电通道两两之间的相位关系,还包含了脑电通道的空间信息和时间信息。
逐个计算两个通道之间相位关系值的信息熵,即动态功能连接熵,按照以下步骤进行:
首先,将每个脑电时间点数T的M×M的上三角矩阵各个PLV值提取出来,得到一个(M*(M-1)/2)×T的二维矩阵;然后对(M*(M-1)/2)×T这个PLV矩阵各条边计算信息熵,得到一个(M*(M-1)/2)×1的熵值矩阵。
本发明提供的图像分析模块4包括图像融合模块、特征参数提取模块、验证模块;
图像融合模块,用于获取被检测部位的B超图像,提取B超图像中肿瘤的边缘轮廓信息,融合到弹性图像上分割出病变区域;
特征参数提取模块,用于从融合后的图像中量化和提取出用以评价肿瘤的属性的弹性特征参数群;
验证模块,用于通过光声成像技术对检测部位进行探测,根据探测结果与弹性特征参数群评价的属性互相验证。
本发明工作时,通过肿瘤判定模块1于判定肿瘤图像类型;影像采集模块2利用超声剪切波弹性成像技术获取被检测部位的弹性图像;主控模块3通过图像分析模块4对采集的图像数据进行分析处理;通过注药模块5利用治疗针对肿瘤部位进行注入抗癌药物操作;通过数据存储模块6存储采集的肿瘤图像数据;通过显示模块7显示采集的肿瘤图像。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (10)
1.一种肿瘤介入装置的图像控制方法,其特征在于,所述肿瘤介入装置的图像控制方法包括:
肿瘤判定模块通过粒子的位移更新方法获得图像最优解,进而判定肿瘤图像类型;粒子的位移更新方法获得图像最优解中,按照xi,j=vi,j+wvi,j对xi,j进行更改;
以概率c1h(e,g)修改(pi,j-xi,j)的交换序,得到xi,j(1)为xi,j与
c1h(e,g)(pi,j-xi,j)的和,pi,j-xi,j(t)表示每个粒子与个体最优位置的交换序;
以概率c2h(e,g)修改(pg,j-xi,j)的交换序,得到xi,j(2)为xi,j(1)与c1h(e,g)(pi,j-xi,j)的和,,pg,j-xi,j(t)表示群体最优位置与个***置的交换序,更新位移完毕;
获得优解公式为:
xi,j表示第i个粒子第j个路径所需要更新的位移,xi,j(1)表示的是xi,j的下一个,每次都在变化,下一次就为xi,j(2);
影像采集模块利用超声剪切波弹性成像技术获取被检测部位的弹性图像;超声剪切波弹性成像技术运行中,声源振动产生声波,声波有纵波、横波和表面波3种形式;当声波在传播途径上被反射或吸收时,产生声辐射力,声辐射力使肿瘤组织粒子产生横向振动,产生剪切波,为横波;然后通过测量传播速度直接计算组织的弹性值;剪切波在一种介质中的传播速度与生物组织的纵向模量相关,组织的弹性模量通过测量传播速度进行推算;
剪切波与肿瘤组织硬度相关,杨氏模量(E)与剪切波的传播速度(c)之间直接相关:
E=3ρv
杨氏模量(E)是施加的应力与所产生的应变之间的比值,表达组织的硬度:
E=s/e’
上式中,ρ即肿瘤组织的密度(kg/m3),一般认为等于水的密度,为1000kg/m3,测量剪切波的传播速度v,计算出肿瘤组织的弹性值;获得被检测部位的弹性图像;
主控模块通过图像分析模块对采集的图像数据进行分析处理;具体有:
肿瘤图像数据的预处理及分组;
构建近邻图G及相应的关联矩阵S;
计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入;
分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器对其进行判别分类;
肿瘤图像数据的预处理及分组,包括下面几个步骤:
a)选用SPM8软件对肿瘤图像数据进行预处理:包括时间片校正、空间校正、配准图像、图像标准化和平滑处理步骤;
b)数据的分组:将预处理后的图像数据按照扫描时间序列以及认知行为实验类别进行重新组合,每个类别选取一定的样本点构成试验数据,即为训练数据,剩下的样本点作为测试数据。
构建近邻图G及相应的关联矩阵S,其具体步骤如下:
假设有n个样本点A1,...,An,其中Ik是张量的k模式维数,采用k近邻方式构建近邻图G来表示M的局部几何结构;根据构造的近邻图G,得到其相应的关联矩阵S=[si,j]n×n,其中S是基于热核方法来定义的;k近邻方式即当且仅当张量空间两点中,一点在另一点的最近的k个点中,两点之间有边相连;
肿瘤图像数据的预处理及分组进一步包括:
对获取到的原始肿瘤图像数据进行预处理,以减少伪迹干扰;
创建滤波器,将预处理后的肿瘤图像数据滤波到所需的频段;
利用相位同步分析方法,计算各频段的肿瘤图像数据在各个时间点每两个通道之间的相位关系,获得动态功能连接矩阵;
逐个计算两个通道之间相位关系值的时域熵,得到每条边的信息熵,以度量脑电功能网络各边时间域的复杂度;
利用各频段的动态功能连接熵分别作为脑电功能网络的分类特征,训练自适应提高分类器,得到多个自适应提高分类器以及对应的分类正确率;
利用训练好的多个自适应提高分类器以投票的方式对样本进行组合分类;
通过数据存储模块存储采集的肿瘤图像数据;
通过显示模块显示采集的肿瘤图像。
2.如权利要求1所述的肿瘤介入装置的图像控制方法,其特征在于,
计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入,其具体步骤如下:
假设为相应的转换矩阵,根据近邻图G和相关矩阵S,基于张量的局部保留映射算法的最优化问题表示为:
基于张量和矩阵迹的特征,将上面的最优化问题重新改写为:
转换矩Uf通过求解广义特征值方程对应的lf个最小的特征值所对应的特征向量来获得;其他维度上对应的转换矩阵可以按照此方法依次进行,直到计算出所有的转换矩阵;最后,训练样本的嵌入表示为:
3.如权利要求1所述的肿瘤介入装置的图像控制方法,其特征在于,分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器对其进行判别分类,其具体步骤如下:
假设测试样本数为m个,样本集为(X1,X2,...,Xm),通过步骤3)中所得到的转换矩阵计算测试样本的嵌入:
4.如权利要求1所述的肿瘤介入装置的图像控制方法,其特征在于,
对采集的肿瘤图像数据进行0.5-30Hz带通滤波,再去除其他干扰数据、剔除伪迹数据以得到所需的肿瘤图像数据;
滤波器的创建方法为:肿瘤图像数据使用小波包分解为五个频段,即6(1-3Hz)、θ(4-7Hz)、α(8-13Hz)、β(14-30Hz)γ(31-50Hz);
采用相位锁定值PLV来计算各频段的肿瘤图像数据在各个时间点上每两个通道之间的相位关系,具体的计算公式如下:
PLV=|(exp(j{Φi(t)-Φj(t)}))|;
其中,Φi(t)和Φj(t)分别为电极i和j的瞬时相位;
信号的相位值可以采用希尔伯特变换来计算,具体公式如下:
xi(τ)是电极i的连续时间信号,τ是一个时间变量,t表示时间点,PV为柯西主值;
瞬时相位按如下计算:
同样地,可以计算瞬时相位Φj(t);
设选定的脑电通道数为M,脑电时间点数为T,利用两两通道构建不同的通道对,计算所有通道对的PLV值,此时得到一个M×M×T的三维矩阵K,其中M×M是一个时间点的上三角矩阵:
K的每个元素Kijt为在t时间点上第i个电极和第j个电极之间的PLV值,该矩阵为动态功能连接矩阵,它不仅包含了不同脑电通道两两之间的相位关系,还包含了脑电通道的空间信息和时间信息。
5.如权利要求1所述的肿瘤介入装置的图像控制方法,其特征在于,逐个计算两个通道之间相位关系值的信息熵,即动态功能连接熵,按照以下步骤进行:
首先,将每个脑电时间点数T的M×M的上三角矩阵各个PLV值提取出来,得到一个(M*(M-1)/2)×T的二维矩阵;然后对(M*(M-1)/2)×T这个PLV矩阵各条边计算信息熵,得到一个(M*(M-1)/2)×1的熵值矩阵。
6.一种计算机程序,其特征在于,所述计算机程序实现权利要求1~5任意一项所述的肿瘤介入装置的图像控制方法。
7.一种终端,其特征在于,所述终端实现权利要求1~5任意一项所述的肿瘤介入装置的图像控制方法。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的肿瘤介入装置的图像控制方法。
9.一种肿瘤介入装置的图像控制***,其特征在于,所述肿瘤介入装置的图像控制***包括:
肿瘤判定模块,与主控模块连接,用于判定肿瘤图像类型;
影像采集模块,与主控模块连接,用于通过超声剪切波弹性成像技术获取被检测部位的弹性图像;
主控模块,与肿瘤判定模块、影像采集模块、图像分析模块、注药模块、数据存储模块、显示模块连接,用于控制各个模块正常工作;
图像分析模块,与主控模块连接,用于对采集的图像数据进行分析处理;
注药模块,与主控模块连接,用于对肿瘤部位图像信息分析后与药物信息进行对比;
数据存储模块,与主控模块连接,用于存储采集的肿瘤图像数据;
显示模块,与主控模块连接,用于通过显示器显示采集的肿瘤图像;
所述图像分析模块包括图像融合模块、特征参数提取模块、验证模块;
图像融合模块,用于获取被检测部位的B超图像,提取B超图像中肿瘤的边缘轮廓信息,融合到弹性图像上分割出病变区域;
特征参数提取模块,用于从融合后的图像中量化和提取出用以评价肿瘤的属性的弹性特征参数群;
验证模块,用于通过光声成像技术对检测部位进行探测,根据探测结果与弹性特征参数群评价的属性互相验证。
10.一种肿瘤介入装置信息处理终端,其特征在于,所述肿瘤介入装置信息处理终端至少搭载权利要求9所述的肿瘤介入装置的图像控制***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810882198.9A CN109034259A (zh) | 2018-07-30 | 2018-07-30 | 肿瘤介入装置的图像控制***、方法、终端、储存介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810882198.9A CN109034259A (zh) | 2018-07-30 | 2018-07-30 | 肿瘤介入装置的图像控制***、方法、终端、储存介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109034259A true CN109034259A (zh) | 2018-12-18 |
Family
ID=64649413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810882198.9A Pending CN109034259A (zh) | 2018-07-30 | 2018-07-30 | 肿瘤介入装置的图像控制***、方法、终端、储存介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034259A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670472A (zh) * | 2018-12-28 | 2019-04-23 | 广东省心血管病研究所 | 脐带间充质干细胞体外培养和扩增的图像处理***及方法 |
CN109767844A (zh) * | 2018-12-28 | 2019-05-17 | 郑州大学第一附属医院 | 靶向肿瘤介入治疗剂及其制备方法和智能检测*** |
CN110232332A (zh) * | 2019-05-23 | 2019-09-13 | 中国人民解放军国防科技大学 | 动态功能连接局部线性嵌入特征的提取及脑状态分类方法和*** |
CN112560931A (zh) * | 2020-12-09 | 2021-03-26 | 中南民族大学 | 一种基于多通道fNIRS信号的***成瘾者检测方法及*** |
-
2018
- 2018-07-30 CN CN201810882198.9A patent/CN109034259A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670472A (zh) * | 2018-12-28 | 2019-04-23 | 广东省心血管病研究所 | 脐带间充质干细胞体外培养和扩增的图像处理***及方法 |
CN109767844A (zh) * | 2018-12-28 | 2019-05-17 | 郑州大学第一附属医院 | 靶向肿瘤介入治疗剂及其制备方法和智能检测*** |
CN110232332A (zh) * | 2019-05-23 | 2019-09-13 | 中国人民解放军国防科技大学 | 动态功能连接局部线性嵌入特征的提取及脑状态分类方法和*** |
CN112560931A (zh) * | 2020-12-09 | 2021-03-26 | 中南民族大学 | 一种基于多通道fNIRS信号的***成瘾者检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230210499A1 (en) | 3-d ultrasound imaging device and methods | |
Zhu et al. | Stroke classification in simulated electromagnetic imaging using graph approaches | |
CN109034259A (zh) | 肿瘤介入装置的图像控制***、方法、终端、储存介质 | |
JP7218215B2 (ja) | 画像診断装置、画像処理方法及びプログラム | |
US9678189B2 (en) | Mapping cardiac tissue architecture systems and methods | |
KR20170021189A (ko) | 의료영상 표시장치 및 의료영상 처리방법 | |
JP2021536328A (ja) | 医療用イメージングのための装置及び処理 | |
JP2015198672A (ja) | 医用画像診断装置 | |
CN102496156A (zh) | 基于协同量子粒子群算法的医学图像分割方法 | |
WO2020187700A1 (en) | Device and method for analyzing optoacoustic data, optoacoustic system and computer program | |
US11672503B2 (en) | Systems and methods for detecting tissue and shear waves within the tissue | |
JP2023505924A (ja) | 解剖学的構造をモニタする自動化システム及び方法 | |
CN109561875A (zh) | 用于超声脊椎阴影特征检测及其成像的***和方法 | |
CN114176616A (zh) | 静脉血栓的检测方法、电子设备和存储介质 | |
CN112914544A (zh) | 一种内脏脂肪测量方法、装置、设备及存储介质 | |
Li et al. | Towards enabling cardiac digital twins of myocardial infarction using deep computational models for inverse inference | |
KR20220006363A (ko) | 인공지능 기반의 초음파 영상 실시간 해석 시스템과 초음파 판독 결과지 자동화 생성 기술 개발 시스템 | |
CN110084772A (zh) | 基于弯曲波的mri/ct融合方法 | |
US20040243019A1 (en) | Weighted gradient method and system for diagnosing disease | |
Joseph et al. | Lungecho-resource constrained lung ultrasound video analysis tool for faster triaging and active learning | |
Mesri et al. | A multidimensional signal processing approach for classification of microwave measurements with application to stroke type diagnosis | |
Wang et al. | Classification of Thyroid Standard Planes in Ultrasound Images based on Multi-feature Fusion | |
Schenone et al. | A Multifrequency Electromagnetic Imaging Approach for the Detection of Brain Injuries | |
Li et al. | Parameters Optimization of Dynamic CT Pulmonary Perfusion Imaging Analysis Technology Based on Artificial Intelligence | |
Persson et al. | Advances in neuro diagnostic based on microwave technology, transcranial magnetic stimulation and EEG source localization |
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 |