[发明专利]基于超声深度学习的热消融区域识别监测成像方法与系统

权利要求书

1.一种基于超声深度学习的热消融区域识别监测成像系统，其特征在于，包括：

原始超声射频数据以及光学图像获取模块，用于获取热消融过程中的原始超声射频数据、超声图像以及光学图像；所述原始超声射频数据包括多个超声射频数据点；所述超声射频数据点为超声成像设备采集的超声散射回波信号；多个所述超声射频数据点组成超声射频数据矩阵；所述光学图像由手机或摄像机拍摄；

空间位置对应关系确定模块，用于将所述超声射频数据点以及所述光学图像中的像素点一一对应，确定所述超声射频数据点以及所述光学图像之间的空间位置对应关系；

热消融区域图像确定模块，用于根据所述空间位置对应关系确定热消融区域图像；

卷积神经网络搭建模块，用于根据所述热消融区域图像搭建深度学习模型；所述深度学习模型包括卷积神经网络、循环神经网络以及深度神经网络；

热消融分类图像确定模块，用于根据所述深度学习模型确定热消融分类图像；

热消融识别图像确定模块，用于将所述热消融分类图像叠加到所述超声图像，确定热消融识别图像；

识别模块，用于根据所述热消融识别图像对所述超声图像中热消融区域进行识别。

2.根据权利要求1所述的识别监测成像系统，其特征在于，所述热消融区域图像确定模块具体包括：

裁剪单元，用于对所述光学图像进行裁剪，确定裁剪后的光学图像；

消融辐射器位置确定单元，用于获取所述裁剪后的光学图像中消融辐射器位置以及所述超声图像中消融辐射器位置；

消融辐射器重合位置确定单元，用于将所述裁剪后的光学图像中消融辐射器位置以及所述超声图像中消融辐射器位置相重合，确定消融辐射器重合位置；

热消融区域图像确定单元，用于以所述消融辐射器重合位置为中心，对所述裁剪后的光学图像进行插值处理，确定热消融区域图像。

3.根据权利要求2所述的识别监测成像系统，其特征在于，还包括：

二值化处理模块，用于对所述热消融区域图像进行二值化处理，确定二值化图像；所述二值化图像内的热消融区域所对应的分类标签为1，所述热消融区域的周围区域所对应的分类标签为0；所述二值化图像包括多个超声射频数据点以及所述超声射频数据点所对应的分类标签；

遍历模块，用于遍历所述超声射频数据矩阵将所述超声射频数据点分为训练样本以及测试样本；

第一分类标签确定模块，用于根据所述二值化图像，确定所述训练样本所对应的训练分类标签以及所述测试样本所对应的测试分类标签。

4.根据权利要求3所述的识别监测成像系统，其特征在于，所述卷积神经网络搭建模块具体包括：

第二分类标签确定单元，用于获取所述二值化图像对应的超声射频数据矩阵以及所述超声射频数据点所对应的分类标签；

参量获取单元，用于根据所述超声射频数据矩阵确定超声散射回波谱估计参量以及超声散射回波统计参量；所述超声散射回波谱估计参量包括超声衰减参量、超声背向散射参量以及超声散射子特性参量，所述超声散射回波统计参量包括超声Nakagami参量、超声熵参量以及超声散射密度参量；

卷积神经网络参数获取单元，用于获取卷积神经网络参数；所述卷积神经网络参数包括卷积核尺寸、隐藏层数量以及各层特征图谱个数；

卷积神经网络搭建单元，用于根据所述卷积神经网络参数，依次输入所述训练样本、超声散射回波谱估计参量、超声散射回波统计参量以及所述超声射频数据点所对应的分类标签搭建深度学习模型；所述深度学习模型包括卷积神经网络、循环神经网络以及深度神经网络。