[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

说明书

本发明公开了一种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，其中，方法包括：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；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。该方法具有表征精度高、鲁棒性能好以及优化空间大的优点，具有良好的应用前景和提升空间。

技术领域

本发明涉及医学成像技术领域，特别涉及一种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。

背景技术

人体的诸多疾病如肝硬化、肿瘤等，常常伴随着人体组织力学性质的变化。在体表征人体组织的力学性质对许多疾病的诊疗具有重要意义。超声弹性成像是一种新兴的材料力学性质的表征手段，由于其非破坏性、非侵入性的特点，近年来在疾病诊断方面得到了广泛关注。由于人体组织的复杂性，该方法在某些应用场景下的具体实现还有待研究。

机器学习是利用计算机解决某种特定问题的相对通用方法。近年来，由于计算机硬件性能的不断发展及相关算法的不断优化，机器学习在解决一些实际问题上(如图像识别、语音语义识别、围棋AI等)取得了突破性进展。人工神经网络作为现代机器学习的一个主要分支，能够适应分类、拟合等各种实际问题，具有数据结构统一、可设计性强，可以使用各种成熟的开源程序框架(如TensorFlow、PyTorch)等诸多优点。

超声弹性成像在应用于人体具体组织表征的过程中，往往由于实际情况的复杂性(例如粘弹性导致的频散效应)、原始数据处理的方法不够完善，表征效果往往难以令人满意。一方面，表征结果的相对误差较大；甚至得到不合理的数值；另一方面，表征结果不稳定，对相同部位的表征结果受实际操作、环境噪声等影响波动较大。本专利拟从机器学习的角度出发，借助人工神经网络的“泛化”能力，提出一种新的基于超声弹性成像的材料性质表征方法，并以肝脏粘弹性性质表征为例，证实了该方法的有效性和可靠性。

若具体到通过基于超声弹性成像的肝脏力学性质表征方面而言，文献中提到的现有技术方案大致如下：

Step1：用超声弹性成像方法得到肝脏在声辐射力下的响应(速度时空图)；

Step2:对速度时空图作二维傅立叶变换(2D-FT)，得到响应的频域信息；

Step3:对频域信号进行处理，得到频散曲线。这个阶段有不同的方案，例如在二维频谱图上选取每个频率下幅值极值处的(f,k)对，连接成频散曲线或者在二维傅立叶频谱图上采用拉顿变换，从而拟合斜率信息。

Step4：根据Step3中得到的信息，反演肝脏的力学性质。

上面几种方法，都存在一定的局限性。这些局限性具体体现在：

1、表征误差较大。由于上述方法在实施过程中往往除去或忽略了大量的有效数据，实际依靠的信息量非常有限，故表征结果误差相对较大，离对疾病诊断有足够的统计意义还有一定距离。这也意味着增加有效数据利用率的方法有可能大幅提升表征的精度。

2、表征结果不够稳定。超声弹性成像在实际使用过程中往往存在着一定水平的随机噪声，这些噪声对某些表征方法可能产生不可预测的影响，导致表征结果不够稳定，对同一部位的反复测量结果波动较大。

3、方法的适用范围较窄。上述表征方法往往针对某种具体材料及具体形式的本构关系，很难迁移到其它属性的材料的表征中。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于超声弹性成像的软组织弹性和粘弹性表征方法，该方法具有表征精度高、鲁棒性能好以及优化空间大的优点。