一种基于深度复数神经网络的超声血流测速方法及系统技术方案

本发明专利技术公开了一种基于深度复数神经网络的超声血流测速方法及系统。该方法包括：根据设定好的仿真参数搭建物理血管模型，并通过所述物理血管模型采集原始数据；所述原始数据为原始血流多普勒回波信号；将所述原始数据划分为训练集、验证集和测试集，并对所述训练集进行标注；构建深度复数神经网络模型；通过标注后的训练集对所述深度复数神经网络模型进行训练；通过训练好的深度复数神经网络模型进行血流测速。本发明专利技术使用深度复数神经网络将滤波与血流测速两步融合，提高了血流测速的准确性，降低了算法运行时间，提高了效率。提高了效率。提高了效率。

【技术实现步骤摘要】
一种基于深度复数神经网络的超声血流测速方法及系统


[0001]本专利技术涉及超声血流测速
，特别是涉及一种基于深度复数神经网络的超声血流测速方法及系统。

技术介绍

[0002]目前，计算血流速度主要分为参数化和非参数两类方法。参数化的方法直接从解调的超声回波信号中计算血流流速。其首先对超声回波信号进行数学建模，然后依据实际采样数据估计模型的参数。通过对估计的参数进行分析和筛选，最终得到期望的血流流速。早期采用的信号模型为零极点模型，其中最为常用的是自回归(Autoregressive，AR)模型，AR模型将输入信号表达为过去时刻的采样值和白噪声的线性组合，并通过Burg等算法求解其模型参数。由于成像帧率的限制，提供给AR模型的信号采样个数有限，导致参数估计精度不高。因为如果数学模型与回波数据之间存在较大差距，参数估计算法仍会引起很大的估计误差。此外，即使建立的模型能够逼近输入信号，经典的谱估计算法由于短数据的限制也往往不能精确地提取血流信号而估计血流速度。
[0003]由于参数化方法在血流信号提取上受到所建立数学模型的限制，由杂波滤波器和自相关技术组成的非参数化血流信号提取方法在实际中应用更广泛，如图2所示。即接收的超声回波首先通过一个杂波滤波器，滤波后的信号由自相关技术计算得到血流信号的多普勒频率，该频率最终转换为血流流速并用于成像。目前最为流行的杂波滤波器为基于特征分解的方法，该方法通过事先选定一个特征值阈值或者频率阈值，对应特征值大于给定特征值阈值的特征向量或者其自身频率低于频率阈值的特征向量被用于构建杂波子空间。输入信号在杂波子空间上的投影则被认为是杂波成分。最终，估计的杂波成分从输入信号中被移除。但此类方法存在如下缺点：一是基于经验选定的特征值阈值没有自适应性，导致杂波子空间的维数难以确定；二是对滤波器的参数设置不合理会导致错误滤除血流信号，进而导致计算的血流速度剖面不完整，使得估计精度大打折扣；三是先对整个回波信号进行壁滤波后使用自相关技术计算血流速度的方法大大增加了计算复杂度，实时性不高，这与临床诊断所需的高实时性不符。

技术实现思路

[0004]本专利技术的目的是提供一种基于深度复数神经网络的超声血流测速方法及系统，以解决传统非参数化方法错误滤除低速血流而导致测速精度低的问题。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于深度复数神经网络的超声血流测速方法，包括：
[0007]根据设定好的仿真参数搭建物理血管模型，并通过所述物理血管模型采集原始数据；所述原始数据为原始血流多普勒回波信号；
[0008]将所述原始数据划分为训练集、验证集和测试集，并对所述训练集进行标注；
[0009]构建深度复数神经网络模型；
[0010]通过标注后的训练集对所述深度复数神经网络模型进行训练；
[0011]通过训练好的深度复数神经网络模型进行血流测速。
[0012]可选地，在将所述原始数据划分为训练集、验证集和测试集之前，还包括：
[0013]对所述原始数据进行希尔伯特变换。
[0014]可选地，所述对所述训练集进行标注，具体包括：
[0015]通过设定好的仿真参数计算最大血流速度；
[0016]根据所述最大血流速度进行不同位置的血流速度；
[0017]基于所述不同位置的血流速度对所述训练集进行标注。
[0018]可选地，所述最大血流速度的计算公式如下：
[0019][0020]其中，V
max
为最大血流速度，c为声速，f
prf
为脉冲重复频率，f0为中心频率，θ为束流角。
[0021]可选地，所述不同位置的血流速的计算公式如下：
[0022][0023]其中，v(d)为不同位置的血流速度，d为距离管腔中心线的距离，R为血管半径，V
max
为最大血流速度。
[0024]可选地，所述深度复数神经网络模型由Pytorch深度学习框架搭建一个三层卷积层和两层全连接层构成。
[0025]可选地，还包括：
[0026]通过所述验证集和所述测试集对训练好的深度复数神经网络模型进行验证和测试。
[0027]本专利技术还提供了一种基于深度复数神经网络的超声血流测速系统，包括：
[0028]原始数据采集模块，用于根据设定好的仿真参数搭建物理血管模型，并通过所述物理血管模型采集原始数据；所述原始数据为原始血流多普勒回波信号；
[0029]划分及标注模块，用于将所述原始数据划分为训练集、验证集和测试集，并对所述训练集进行标注；
[0030]模型构建模块，用于构建深度复数神经网络模型；
[0031]训练模块，用于通过标注后的训练集对所述深度复数神经网络模型进行训练；
[0032]血流测速模块，用于通过训练好的深度复数神经网络模型进行血流测速。
[0033]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0034]本专利技术提供了一种基于深度复数神经网络的超声血流测速方法，包括：根据设定好的仿真参数搭建物理血管模型，并通过所述物理血管模型采集原始数据；所述原始数据为原始血流多普勒回波信号；将所述原始数据划分为训练集、验证集和测试集，并对所述训练集进行标注；构建深度复数神经网络模型；通过标注后的训练集对所述深度复数神经网络模型进行训练；通过训练好的深度复数神经网络模型进行血流测速。本专利技术使用深度复数神经网络将滤波与血流测速两步融合，提高了血流测速的准确性，降低了算法运行时间，提高了效率。解决了传统非参数化方法(即先滤波后使用自相关法测量血流速度的方法)易
导致血流速度准确性低、算法运行时间长、自适应性差的问题。
附图说明
[0035]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0036]图1为本专利技术基于深度复数神经网络的超声血流测速方法的流程图；
[0037]图2为非参数化血流测速法示意图；
[0038]图3为本专利技术深度复数神经网络模型结构图；
[0039]图4为本专利技术深度复数神经网络模型的复数卷积运算示意图；
[0040]图5为本专利技术实施例提供的深度复数神经网络模型效果评估图；
[0041]图6为本专利技术实施例提供的血流模型示意图；
[0042]图7为本专利技术实施例提供的血流速度成像结果示意图。
具体实施方式
[0043]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度复数神经网络的超声血流测速方法，其特征在于，包括：根据设定好的仿真参数搭建物理血管模型，并通过所述物理血管模型采集原始数据；所述原始数据为原始血流多普勒回波信号；将所述原始数据划分为训练集、验证集和测试集，并对所述训练集进行标注；构建深度复数神经网络模型；通过标注后的训练集对所述深度复数神经网络模型进行训练；通过训练好的深度复数神经网络模型进行血流测速。2.根据权利要求1所述的基于深度复数神经网络的超声血流测速方法，其特征在于，在将所述原始数据划分为训练集、验证集和测试集之前，还包括：对所述原始数据进行希尔伯特变换。3.根据权利要求1所述的基于深度复数神经网络的超声血流测速方法，其特征在于，所述对所述训练集进行标注，具体包括：通过设定好的仿真参数计算最大血流速度；根据所述最大血流速度进行不同位置的血流速度；基于所述不同位置的血流速度对所述训练集进行标注。4.根据权利要求3所述的基于深度复数神经网络的超声血流测速方法，其特征在于，所述最大血流速度的计算公式如下：其中，V
max
为最大血流速度，c为声速，f
prf
为脉冲重复频率，f0为中心频率，θ为束流角。5.根据...

【专利技术属性】
技术研发人员：郎恂，雷建，何冰冰，刘淞华，李支尧，张榆锋，
申请(专利权)人：云南大学，
类型：发明
国别省市：