【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于神经网络的组织参数生成方法、系统、终端及计算机可读存储介质。
技术介绍
1、组织生理和结构参数的准确计算对于理解和评估肌肉功能至关重要。现有的计算方法通常包括图像处理、机器学习和深度学习等技术，用于自动测量和分析肌肉组织在收缩过程中的变化。这些方法能够测量肌肉厚度、羽状角、肌束长度等关键生理参数。这些参数的测量对于评估肌肉的健康状况、力量产生能力和运动效率至关重要。例如，羽状角的大小影响肌肉的力量和速度，而肌束长度则关系到肌肉的收缩能力。
2、但是，对于组织生理和结构参数的计算，现有的自动量化分析方法和深度学习方法都存在一些局限，自动量化分析方法在处理带有斑点噪声的图像时容易受到影响，因为它们对图像质量高度敏感，这导致测量准确性和鲁棒性降低；深度学习方法依赖于大量的数据训练和复杂的模型结构，使得它们难以满足实时处理的需求。此外，这些技术对图像质量高度敏感，可能在低质量或斑点多的图像上表现不佳。
3、因此，现有技术还有待于改进和发展。
技术实现思路
1、本专利技术的主要目的在于提供一种基于神经网络的组织参数生成方法、系统、终端及计算机可读存储介质，旨在解决现有技术中计算组织的生理参数和结构参数时，计算成本较高，依赖大量数据，且准确率不高的问题。
2、为实现上述目的，本专利技术提供一种基于神经网络的组织参数生成方法，所述一种基于神经网络的组织参数生成方法包括如下步骤：
3、采集组织信息的第一超声视频
4、将所述第二超声视频数据作为样本数据，将所述组织信息的生理参数和所述组织信息的结构参数作为标签，根据所述样本数据和所述标签建立数据集；
5、构建组织参数计算模型，根据所述数据集对所述组织参数计算模型进行训练，得到目标网络模型；
6、获取待处理的目标组织信息，得到所述目标组织信息的目标超声视频数据，将所述目标超声视频数据输入到所述目标网络模型进行计算，得到所述目标组织信息的目标生理参数和目标结构参数；
7、根据所述目标生理参数和所述目标结构参数生成所述目标组织信息的组织参数评估结果。
8、可选地，所述的基于神经网络的组织参数生成方法，其中，所述对所述第一超声视频数据进行预处理，得到预处理后的超声视频数据，具体包括：
9、对所述第一超声视频数据使用迭代反投影技术，得到提高分辨率后的超声视频数据；
10、对所述超声视频数据进行去噪处理和对比度增强处理，得到第二超声视频数据。
11、可选地，所述的基于神经网络的组织参数生成方法，其中，所述根据所述数据集对所述组织参数计算模型进行训练，之前还包括：
12、根据波动的传导情况得到组织的散射方程，所述组织的散射方程用于优化超声波在组织中传递时的相关参数。
13、可选地，所述的基于神经网络的组织参数生成方法，其中，所述根据所述数据集对所述组织参数计算模型进行训练，得到目标网络模型，具体包括：
14、将所述样本数据输入到所述组织参数计算模型进行特征提取，输出相关参数；
15、其中，所述样本数据为连续帧图像，所述样本数据包括超声图像的横向信息x，超声图像的纵向信息y和时间t，所述相关参数包括质量密度ρ，波数k和声压分布p；
16、将所述相关参数输入到所述散射方程中进行求解，得到高阶参数，对所述高阶参数进行处理得到生理结构参数；
17、根据所述高阶参数、所述生理结构参数和所述标签计算总损失函数，根据所述总损失函数修正所述组织参数计算模型的参数，得到目标网络模型。
18、可选地，所述的基于神经网络的组织参数生成方法，其中，所述散射方程包括：对应皮肤的非均质亥姆霍兹方程、对应测量组织的齐次版本的亥姆霍兹方程、对应皮肤外部的齐次版本的亥姆霍兹方程、皮肤外边界耦合界面处的连续性条件方程、皮肤内边界耦合界面处的连续性条件方程和索末菲辐射条件方程。
19、可选地，所述的基于神经网络的组织参数生成方法，其中，所述将所述相关参数输入到所述散射方程中进行求解，得到高阶参数，具体包括：
20、将所述相关参数输入到对应皮肤的非均质亥姆霍兹方程、对应测量组织的齐次版本的亥姆霍兹方程、对应皮肤外部的齐次版本的亥姆霍兹方程和索末菲辐射条件方程中进行求解，得到第一波传递高阶参数；
21、将所述相关参数输入到皮肤外边界耦合界面处的连续性条件方程中，得到第二波传递高阶参数；
22、将所述相关参数输入到皮肤内边界耦合界面处的连续性条件方程中，得到第三波传递高阶参数。
23、可选地，所述的基于神经网络的组织参数生成方法，其中，所述根据所述高阶参数、所述生理结构参数和所述标签计算总损失函数，具体包括：
24、根据所述第一波传递高阶参数和所述标签得到损失函数msepde，根据所述第二波传递高阶参数和所述标签得到损失函数mses1，根据所述第三波传递高阶参数和所述标签得到损失函数msebc，根据所述生理结构参数和所述标签得到损失函数mses；
25、根据所述损失函数msepde、所述损失函数mses1、所述损失函数msebc和所述损失函数mses计算出总损失函数mse(θ)：
26、mse(θ)＝λpdemsepde+λs1mses1+λbcmsebc+λsmses；
27、其中，λpde,λs1,λs2,λbc,λs分别为五个收敛到正确解的损失函数的权重，θ表示网络中所有权重和损失的并集。
28、此外，为实现上述目的，本专利技术还提供一种基于神经网络的组织参数生成系统，其中，所述基于神经网络的组织参数生成系统包括：
29、数据采集模块，用于采集组织信息的第一超声视频数据，对所述第一超声视频数据进行预处理，得到第二超声视频数据、所述组织信息的生理参数和所述组织信息的结构参数；
30、数据集建立模块，用于将所述第二超声视频数据作为样本数据，将所述组织信息的生理参数和所述组织信息的结构参数作为标签，根据所述样本数据和所述标签建立数据集；
31、模型训练模块，用于构建组织参数计算模型，根据所述数据集对所述组织参数计算模型进行训练，得到目标网络模型；
32、目标参数生成模块，用于获取待处理组织信息，根据待处理组织信息得到目标超声视频数据，将所述目标超声视频数据输入到所述目标网络模型进行计算，得到所述目标组织信息的目标生理参数和目标结构参数；
33、组织评估模块，用于根据所述目标生理参数和所述目标结构参数生成所述目标组织信息的组织参数评估结果。
34、此外，为实现上述目的，本专利技术还提供一种终端，其中，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于神经网络的组织参本文档来自技高网...
【技术保护点】
1.一种基于神经网络的组织参数生成方法，其特征在于，所述的基于神经网络的组织参数生成方法包括：
2.根据权利要求1所述的基于神经网络的组织参数生成方法，其特征在于，所述对所述第一超声视频数据进行预处理，得到预处理后的超声视频数据，具体包括：
3.根据权利要求1所述的基于神经网络的组织参数生成方法，其特征在于，所述根据所述数据集对所述组织参数计算模型进行训练，之前还包括：
4.根据权利要求3所述的基于神经网络的组织参数生成方法，其特征在于，所述根据所述数据集对所述组织参数计算模型进行训练，得到目标网络模型，具体包括：
5.根据权利要求4所述的基于神经网络的组织参数生成方法，其特征在于，所述散射方程包括：对应皮肤的非均质亥姆霍兹方程、对应测量组织的齐次版本的亥姆霍兹方程、对应皮肤外部的齐次版本的亥姆霍兹方程、皮肤外边界耦合界面处的连续性条件方程、皮肤内边界耦合界面处的连续性条件方程和索末菲辐射条件方程。
6.根据权利要求5所述的基于神经网络的组织参数生成方法，其特征在于，所述将所述相关参数输入到所述散射方程中进行求解，得到高
7.根据权利要求6所述的基于神经网络的组织参数生成方法，其特征在于，所述根据所述高阶参数、所述生理结构参数和所述标签计算总损失函数，具体包括：
8.一种基于神经网络的组织参数生成系统，其特征在于，所述基于神经网络的组织参数生成系统包括：
9.一种终端，其特征在于，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于神经网络的组织参数生成程序，所述基于神经网络的组织参数生成程序被所述处理器执行时实现如权利要求1-7任一项所述的基于神经网络的组织参数生成方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有基于神经网络的组织参数生成程序，所述基于神经网络的组织参数生成程序被处理器执行时实现如权利要求1-7任一项所述的基于神经网络的组织参数生成方法的步骤。
...【技术特征摘要】
1.一种基于神经网络的组织参数生成方法，其特征在于，所述的基于神经网络的组织参数生成方法包括：
2.根据权利要求1所述的基于神经网络的组织参数生成方法，其特征在于，所述对所述第一超声视频数据进行预处理，得到预处理后的超声视频数据，具体包括：
3.根据权利要求1所述的基于神经网络的组织参数生成方法，其特征在于，所述根据所述数据集对所述组织参数计算模型进行训练，之前还包括：
4.根据权利要求3所述的基于神经网络的组织参数生成方法，其特征在于，所述根据所述数据集对所述组织参数计算模型进行训练，得到目标网络模型，具体包括：
5.根据权利要求4所述的基于神经网络的组织参数生成方法，其特征在于，所述散射方程包括：对应皮肤的非均质亥姆霍兹方程、对应测量组织的齐次版本的亥姆霍兹方程、对应皮肤外部的齐次版本的亥姆霍兹方程、皮肤外边界耦合界面处的连续性条件方程、皮肤内边界耦合界面处的连续性条件方程和索末菲辐射条件方程。
6.根据权利要求...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。