本发明专利技术公开了基于光流分析的肌骨超声超微血流量化分级方法与系统，该方法包括：获取待检测对象的原始超微血流图像序列；从原始超微血流图像序列进行预处理；从预处理之后的超微血流图像序列中提取感兴趣区域，即ROI区域；对ROI区域进行超微血管形态提取；对ROI区域的超微血流进行动态分析，所述动态分析包括：超微血流量计算、运动光流场估计和融合微血流形态学特征；根据动态分析结果，生成超微血流的运动密度和超微血管的弹性密度两项指标；根据运动密度和弹性密度，对感兴趣区域的血流信号进行分级。本发明专利技术的方法提高了肌骨超声超微血流量化分级的准确性。
1、超微血流成像（superb microvascular imaging，smi）作为一种新型超声影像技术，通过优化组织运动的检测，有效减少了由于血流信号较弱和运动伪影引起的图像干扰，使得微血流在超声影像中得以清晰可视化。与传统的血流成像技术（如彩色多普勒、能量多普勒）相比，smi在低速血流的检测能力上有了显著提升，尤其在显示微小血管中的血流活动时，具有更高的空间和时间分辨率。具体而言，smi技术在评估关节滑膜炎症的低度血流信号方面，显示出比常规超声成像方法更好的敏感性和准确性。
2、关节滑膜的血流信号是关节炎症诊断中的一个重要指标，而基于smi的超微血流分析能够提供比传统技术更精确的定量评估。研究表明，smi能比能量多普勒更好地检测关节滑膜低度炎症，并且与x线影像特征及mri检测结果有显著相关性。尤其是在类风湿关节炎、骨关节炎和其他炎性关节病的诊断中，smi展现出了较高的临床价值。
3、然而，传统的超微血流成像技术在应用中仍面临一些挑战，主要体现在对血流信号的定量分析和自动化分级的不足。当前的超微血流量化方法大多依赖于半定量的评级系统，例如szkudlarek半定量分级系统，该系统将超微血流信号划分为0到3级，主要依赖医师的经验判断，具有较大的主观性，影响了结果的一致性和可重复性。此外，关节超微血流的动态变化常伴随着动静脉搏动，静态图像的分析容易忽视这一变化，从而影响血流量化的准确性。
>4、为了克服这些问题，近年来基于运动估计和光流分析的动态血流量化方法开始受到关注。光流模型作为一种基于图像序列的运动估计方法，能够较为精确地捕捉到血流在不同时间点的动态变化。通过计算图像中的光流场，能够提取出血流的运动信息，从而实现超微血流信号的实时动态量化。光流分析不仅可以提高血流量化的精度，还能有效减轻噪声和伪影对图像质量的影响，尤其在低信噪比的情况下，展现了优异的抗干扰能力。5、在关节骨性关节炎的自动分级方面，近年来的研究主要集中在基于机器学习和深度学习的方法，这些方法通过结合超声影像特征和临床数据取得了一定进展。然而，尽管深度学习方法在图像分析中取得了显著进展，传统的光流模型在运动估计和动态血流分析中依然具有重要地位。光流模型能够精确捕捉超微血流的动态变化，并为炎症分级提供量化指标。与机器学习方法相比，传统光流模型在噪声抑制、处理效率以及临床环境中的稳定性和实时性方面具有显著优势。
技术实现思路
1、有鉴于此，本专利技术的目的是提供一种基于光流分析的肌骨超声超微血流量化分级方法与系统。
2、本专利技术的目的是通过以下技术方案实现的：
3、一种基于光流分析的肌骨超声超微血流量化分级方法，包括：
4、获取待检测对象的原始超微血流图像序列；
5、从原始超微血流图像序列进行预处理；
6、从预处理之后的超微血流图像序列中提取感兴趣区域，即roi区域；
7、对roi区域进行超微血管形态提取；
8、对roi区域的超微血流进行动态分析，所述动态分析包括：超微血流量计算和运动光流场估计和融合微血流形态学特征；
9、根据动态分析结果，生成超微血流的运动密度和超微血管的弹性密度两项指标，其中，超微血流的运动密度指平行于血流信号骨架的光流分量在相邻两帧的所有像素点的运动光流量和超微血流量的比值，超微血管的弹性密度指垂直于血流信号骨架的光流分量在相邻两帧所有像素点上的运动光流量与超微血流量的比值；
10、根据运动密度和弹性密度，对感兴趣区域的血流信号进行分级。
11、进一步地，超微血管形态提取计算包括：
12、对原始超微血流图像序列中的每帧图像进行灰度转换并进行二值化处理，将灰度值大于预设灰度阈值的像素点的像素值设为1，其余设为0，从而生成二值化图像；
13、从每个二值化图像中提取roi区域，以保留目标血流信号；
14、对每个二值化图像进行血流区域的分割与聚类；
15、对分割与聚类得到的血流区域进行边缘检测与骨架提取，生成骨架图像；
16、对骨架图像中的骨架进行曲线拟合，得到微血管参数。
17、进一步地，对二值化图像进行血流区域的分割包括：
18、步骤11：初始化队列；
19、步骤12：遍历roi区域的每个像素点，将像素值为1的像素点标记为目标像素；
20、步骤13：并将目标像素加入队列；
21、步骤14：当队列非空时，移除队列中的第一个元素，并将移除的元素作为当前像素，接着，执行步骤15；
22、步骤15：获取当前像素的预设范围的邻域像素，对于每一个邻域像素，如果所述邻域像素值为1，且尚未被标记，则将所述邻域像素标记为目标像素，并将所述邻域像素加入队列，直至所有的邻域像素都被检查；
23、步骤16：当队列为空时，将联通的目标像素组成一个独立的血流区域；
24、步骤17：重复执行步骤12-16，直至所有的目标像素被处理完毕。
25、进一步地，血流区域聚类包括：
26、步骤21：获取血流区域集合；
27、步骤22：计算血流区域集合中每两个血流区域之间的距离；
28、步骤23：当血流区域集合中存在两个或两个以上的血流区域时，即可进行聚类合并时，执行步骤24-25；
29、步骤24：如果血流区域之间的距离小于预设阈值，则将这两个血流区域合并为一个血流区域；
30、步骤25：利用合并后的血流区域对血流区域集合进行更新，并返回步骤23；
31、步骤26：当不再有可以合并的血流区域时，得到聚类后的血流区域集合。
32、进一步地，边缘检测与骨架提取包括：
33、对于分割与聚类得到的血流区域中的每个像素点，如果所述像素点的像素值为1，且该像素点的预设范围内的邻域内的像素点的像素值均为1，则表示该像素点为完全包围，并将该像素点的像素值改为0，即，对该像素进行腐蚀处理；
34、对二值化图像中的每个像素点都处理完之后，得到骨架图像。
35、进一步地，运动光流场估计包括：
36、在确定了每个二值图像的血流区域之后，将前后连续的两张二值图像分为一组，对每组二值图像进行光流计算，得到与每组二值图像对应的光流量；
37、确定与每组二值图像对应的超微血流的运动密度和超微血管的弹性密度，从而得到超微血流的运动密度的集合以及超微血管的弹性密度的集合。
38、进一步地，根据运动密度和弹性密度，对感兴趣区域的血流信号进行分级包括：
39、根据超微血流的运动密度集合得到超微血流的运动密度的平均值和最大值；
40、根据超微血管的弹性密度集合得到超微血管的弹性密度的平均值和最大值；...
【技术保护点】
1.一种基于光流分析的肌骨超声超微血流量化分级方法，其特征在于，包括：
2.根据权利要求1所述的基于光流分析的肌骨超声超微血流量化分级方法，其特征在于，超微血管形态提取计算包括：
3.根据权利要求2所述的基于光流分析的肌骨超声超微血流量化分级方法，其特征在于，对二值化图像进行血流区域的分割包括：
4.根据权利要求2所述的基于光流分析的肌骨超声超微血流量化分级方法，其特征在于，血流区域聚类包括：
5.根据权利要求2所述的基于光流分析的肌骨超声超微血流量化分级方法，其特征在于，边缘检测与骨架提取包括：
6.根据权利要求2所述的基于光流分析的肌骨超声超微血流量化分级方法，其特征在于，运动光流场估计包括：
7.根据权利要求6所述的基于光流分析的肌骨超声超微血流量化分级方法，其特征在于，根据运动密度和弹性密度，对感兴趣区域的血流信号进行分级包括：
8.一种基于光流分析的肌骨超声超微血流量化分级系统，其特征在于，包括：
9.根据权利要求8所述的基于光流分析的肌骨超声超微血流量化分级系统，其特征在于，超微血管形态提取模块还用于：
10.根据权利要求9所述的基于光流分析的肌骨超声超微血流量化分级系统，其特征在于，分级模块根据运动密度和弹性密度，对感兴趣区域的血流信号进行分级包括：
...
【技术特征摘要】
1.一种基于光流分析的肌骨超声超微血流量化分级方法，其特征在于，包括：
2.根据权利要求1所述的基于光流分析的肌骨超声超微血流量化分级方法，其特征在于，超微血管形态提取计算包括：
3.根据权利要求2所述的基于光流分析的肌骨超声超微血流量化分级方法，其特征在于，对二值化图像进行血流区域的分割包括：
4.根据权利要求2所述的基于光流分析的肌骨超声超微血流量化分级方法，其特征在于，血流区域聚类包括：
5.根据权利要求2所述的基于光流分析的肌骨超声超微血流量化分级方法，其特征在于，边缘检测与骨架提取包括：
6.根据权利要求2所述的基于光...
【专利技术属性】
技术研发人员：朱新建，刘姗娜，商博，周庆利，闫俊梁，丁元昊，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
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。