[发明专利]基于超声弹性成像的软组织弹性和粘弹性表征方法及装置

权利要求书

1.一种基于超声弹性成像的软组织弹性和粘弹性表征方法，其特征在于，包括以下步骤：

通过有限元方法模拟超声弹性成像，以获取人工神经网络的训练数据；

对所述训练数据进行数据前处理，以使所述训练数据包含满足预设条件的有效信息，并获取前处理后的特征图；所述对所述训练数据进行数据前处理，进一步包括：

对所述训练数据进行时空图截取，以截取得到二维速度场；

对所述二维速度场作二维傅里叶变换，以得到速度信号的频谱图；

对所述频谱图进行频谱数据截取与置零，以得到预设大小的输入数据；以及

对所述前处理后的特征图进行训练，以得到满足预设神经网络效果的表征软组织弹性和粘弹性的神经网络。

2.根据权利要求1所述的基于超声弹性成像的软组织弹性和粘弹性表征方法，其特征在于，所述通过有限元方法模拟超声弹性成像，以获取人工神经网络的训练数据，进一步包括：

通过有限元软件模拟在实际超声弹性成像情况下弹性波的传播过程；

根据代表征材料的力学模型和参数范围进行预设数量的数值模拟，并采集软件模拟结果；

根据所述软件模拟结果得到适合神经网络的所述训练数据。

3.根据权利要求1所述的基于超声弹性成像的软组织弹性和粘弹性表征方法，其特征在于，所述对所述前处理后的特征图进行训练进一步采用全连接神经网络进行训练，根据训练情况调整学习速率以达到训练过程中损失函数的值基本不变的目标。

4.根据权利要求1所述的基于超声弹性成像的软组织弹性和粘弹性表征方法，其特征在于，所述对所述前处理后的特征图进行训练，以得到满足预设神经网络效果的表征软组织弹性和粘弹性的神经网络后，对所述神经网络进行评价，包括预测误差测试和白噪声抗性测试，进一步为：

所述预测误差测试包括用训练好的所述神经网络去预测测试集上所有进行所述前处理的数据所对应的两个材料参数，并计算推断值相对于输入值的相对误差；

所述白噪声抗性测试包括对进行截取后的速度时空图添加白噪声，并定义白噪声的比例为：

定义信噪比SNR为：

SNR＝-20lgR(dB)，

对测试集上的所有前处理后的数据运行神经网络得到推测结果并计算相对误差。

5.一种基于超声弹性成像的软组织弹性和粘弹性表征装置，其特征在于，包括：

模拟模块，用于通过有限元方法模拟超声弹性成像，以获取人工神经网络的训练数据；

前处理模块，用于对所述训练数据进行数据前处理，以使所述训练数据包含满足预设条件的有效信息，并获取前处理后的特征图；所述前处理模块进一步包括：

截取单元，用于对所述训练数据进行时空图截取，以截取得到二维速度场；

变换单元，用于对所述二维速度场作二维傅里叶变换，以得到速度信号的频谱图；

截取与置零单元，用于对所述频谱图进行频谱数据截取与置零，以得到预设大小的输入数据；以及

训练模块，用于对所述前处理后的特征图进行训练，以得到满足预设神经网络效果的表征软组织弹性和粘弹性的神经网络。

6.根据权利要求5所述的基于超声弹性成像的软组织弹性和粘弹性表征装置，其特征在于，所述模拟模块还包括：

传播过程模拟单元，用于通过有限元软件模拟在实际超声弹性成像情况下弹性波的传播过程；

采集单元，用于根据代表征材料的力学模型和参数范围进行预设数量的数值模拟，并采集软件模拟结果；

获取单元，用于根据所述软件模拟结果得到适合神经网络的所述训练数据。

7.根据权利要求5所述的基于超声弹性成像的软组织弹性和粘弹性表征装置，其特征在于，所述训练模块进一步采用全连接神经网络进行训练，根据训练情况调整学习速率以达到训练过程中损失函数的值基本不变的目标。

8.根据权利要求5所述的基于超声弹性成像的软组织弹性和粘弹性表征装置，其特征在于，所述训练模块进一步用于对所述神经网络进行评价，包括预测误差测试和白噪声抗性测试：

所述预测误差测试包括用训练好的所述神经网络去预测测试集上所有进行所述前处理的数据所对应的两个材料参数，并计算推断值相对于输入值的相对误差；

所述白噪声抗性测试包括对进行截取后的速度时空图添加白噪声，并定义白噪声的比例为：

定义信噪比SNR为：

SNR＝-20lgR(dB)，

对测试集上的所有前处理后的数据运行神经网络得到推测结果并计算相对误差。