[发明专利]一种基于超声数据降维的甲状腺结构特征提取方法及系统

摘要

本发明公布了一种基于超声数据降维的甲状腺结构特征提取方法及其系统，采用通过超声探头发射的2M‑8M Hz超声波，由超声探头采集每条扫描线得到超声回波数据，根据超声数据信号特点和特征进行降维，完成训练后不需要对采集的射频信号进行解包络均匀降采样，只需要对原来信号直接降维后用神经网络驱动不同组织信号解析。采用本发明技术方案，能够捕捉更复杂的影像特征，并可用于大规模临床应用。

主权项

一种基于超声数据降维的甲状腺结构特征提取方法，包括训练阶段和预测阶段，具体包括如下步骤：(一)训练阶段：11)采集训练数据：通过读取超声探头采集的每条扫描线X，得到B型超声图像对应的超声回波数据；扫描线的总数为K；12)进行射频降维特征提取：依次读取超声探头采集的每条扫描线X得到的超声回波数据，解包络并映射到灰度空间；不经过解包络直接降维进行压缩测量，通过使用规模为M×N的观测矩阵Φ，其中N为单根扫描线的扫描点数，M为压缩目标点数，得到每条扫描线X对应的超声信号压缩测量数据Y；13)进行图像合成和压缩：分别将步骤2)得到的单扫描线解包络灰度空间数据组合成灰度图，从中勾选各个特征结构的轮廓，从而得到原尺寸为N×K图像像素分类图L；将步骤2)得到的超声信号压缩测量数据组合成单帧压缩图像，得到压缩图像像素图C，输入到全卷积网络中；14)全卷积网络接收步骤3)所述压缩图像像素图C和图像像素分类图L进行训练，得到固化权值的全卷积神经网络，为训练好的全卷积神经网络；(二)预测阶段：21)采集获得B型超声图像对应的超声回波数据：通过读取超声探头采集的每条扫描线得到的超声回波数据，扫描线总数为K，作为预测数据；22)与步骤12)一样，针对步骤21)所述预测数据进行射频降维特征提取，得到超声信号压缩测量数据；23)进行图像合成和压缩：将步骤2)得到的超声信号压缩测量数据组合成单帧压缩图像，得到压缩图像像素图；24)用训练好的全卷积神经网络进行预测：训练好的全卷积神经网络接收步骤23)所述压缩图像像素图进行预测，得到预测像素图；25)利用预测像素图进行重建，实现对降维的逆向重建，由此得到重建的甲状腺特征图Z；重建过程具体包括：首先，接收观测矩阵Φ，利用傅里叶变换基Ψ作为超声回波信号的稀疏域基，获得恢复矩阵T；然后，将残差向量r初始化为Y，和恢复矩阵T进行迭代，每次迭代从T里找出与Y相关性最大的列i，经汇总得到索引集I，再更新残差向量r；迭代完成后得到重建的甲状腺特征图Z。