CN110517249A

CN110517249A - 超声弹性图像的成像方法、装置、设备及介质

Info

Publication number: CN110517249A
Application number: CN201910797347.6A
Authority: CN
Inventors: 张贺晔; 刘子龙; 李吉平; 吴万庆
Original assignee: Sun Yat Sen University
Current assignee: Sun Yat Sen University
Priority date: 2019-08-27
Filing date: 2019-08-27
Publication date: 2019-11-29

Abstract

本申请提供了一种超声弹性图像的成像方法、装置、设备及介质，包括：利用人工神经网络的自学习能力，建立超声弹性图像中的射频数据与病变特征之间的对应关系；获取患者的当前超声弹性图像的当前射频数据；通过所述对应关系，确定与所述当前射频数据对应的当前病变特征；具体地，确定与所述射频数据对应的当前病变特征，包括：将所述对应关系中与所述当前射频数据相同的射频数据所对应的病变特征，确定为所述当前病变特征。通过本方法可以直接通过射频信号重建超声弹性成像；并且仅以计算模拟为训练数据就可以从真实的射频数据中推断出真实的弹性成像分布；本方法的神经网络框架可以直接从超声射频数据产生位移场和应变场。

Description

超声弹性图像的成像方法、装置、设备及介质

技术领域

本申请涉及医学检测领域，特别是超声弹性图像的成像方法、装置、设备及介质。

背景技术

超声弹性成像是1991年由Ophir首先提出的，作为一种全新的成像技术，它弥补了常规超声的不足，更能更生动地显示、定位病变及鉴别病变性质。超声弹性成像能够研究传统超声无法探测的肿瘤及扩散疾病成像。该项技术的基础是组织的硬度或者弹性与病变组织的病理密切相关。其基本原理为：根据不同靶组织(正常及病变)的弹性系数不同，在加外力或者交变震动后其应变(主要为形态改变)的不同，收集靶组织在指定时间段内的各个片断信号，通过处理，再以黑白、伪彩或者彩色编码的方式显示，最终通过对弹性图像的判读诊断靶组织的良恶性质或者组织的特性。在相同外力作用下，弹性系数大，引起的应变小；反之，弹性系数小，相应的应变大。即，在同等压力条件下柔软的正常组织变形超过坚硬的肿瘤组织。施加一个外力以后，比较加压(用超声探头紧压病变)前后靶组织弹性信息的超声图像、前后病变的应变来说明靶组织的硬度，后者说鉴别病变组织性质的重要参数。超声弹性图像即是利用生物组织的弹性信息帮助疾病的诊断。

现有弹性成像的技术包括归一化互相关等。归一化互相关是基于灰度信息的匹配方法。NCC算法的基础理论是将图像的相似性归结为2个向量的相似性。用于归一化待测目标的相关程度。可以用于提取二维射频数据中的组织位移特征信息，进而推测组织的应变。

然而，归一化相关等方法的信噪比和RMSE并不高；归一化互相关和光流等方法容易受到噪声或者特征信息不足的干扰；归一化互相关等方法只能提供与二维射频数据有关的局部变化的低级信息。

发明内容

鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的超声弹性图像的成像方法、装置、设备及介质，包括：

一种超声弹性图像的成像方法，包括：

利用人工神经网络的自学习能力，建立超声弹性图像中的射频数据与病变特征之间的对应关系；

获取患者的当前超声弹性图像的当前射频数据；

通过所述对应关系，确定与所述当前射频数据对应的当前病变特征；具体地，确定与所述射频数据对应的当前病变特征，包括：将所述对应关系中与所述当前射频数据相同的射频数据所对应的病变特征，确定为所述当前病变特征。

进一步地，

所述射频数据，包括：一维射频数据或二维射频数据；

和/或，

所述对应关系，包括：函数关系；所述射频数据为所述函数关系的输入参数，所述病变特征为所述函数关系的输出参数；

确定与所述当前射频数据对应的当前病变特征，还包括：

当所述对应关系包括函数关系时，将所述当前射频数据输入所述函数关系中，确定所述函数关系的输出参数为当前病变特征。

进一步地，所述建立超声弹性图像中的射频数据与病变特征之间的对应关系的步骤，包括：

获取用于建立所述射频数据与所述病变特征之间的对应关系的样本数据；

分析所述射频数据的特性及其规律，根据所述特性及其规律，确定所述人工神经网络的网络结构及其网络参数；

使用所述样本数据，对所述网络结构和所述网络参数进行训练和测试，确定所述射频数据与所述病变特征的所述对应关系。

进一步地，所述获取用于建立所述射频数据与所述病变特征之间的对应关系的样本数据的步骤，包括：

收集不同健康状况的患者的所述射频数据和所述病变特征；

对所述射频数据进行分析、并结合预存的专家经验信息，选取与所述病变特征相关的数据作为所述射频数据；

将所述病变特征、以及选取的所述射频数据构成的数据对，作为样本数据。

进一步地，

所述网络结构，包括：BP神经网络，CNN神经网络，RNN神经网络，以及，残差神经网络中的至少之一；

和/或，

所述网络参数，包括：密集块数，输出层数，卷积层数，过度层数，初始权值，以及，偏置值中的至少之一。

进一步地，

对所述网络结构和所述网络参数进行训练，包括：

选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述射频数据输入到所述网络结构，通过所述网络结构的激活函数和所述网络参数进行训练，得到实际训练结果；

确定所述实际训练结果与所述训练样本中的相应病变特征之间的实际训练误差是否满足预设训练误差；

当所述实际训练误差满足所述预设训练误差时，确定对所述网络结构和所述网络参数的所述训练完成；

和/或，

对所述网络结构和所述网络参数进行测试，包括：

选取所述样本数据中的另一部分数据作为测试样本，将所述测试样本中的所述射频数据输入到所述训练完成的所述网络结构中，以所述激活函数和所述训练完成的所述网络参数进行测试，得到实际测试结果；

确定所述实际测试结果与所述测试样本中的相应病变特征之间的实际测试误差是否满足设定测试误差；

当所述实际测试误差满足所述设定测试误差时，确定对所述网络结构和所述网络参数的所述测试完成。

进一步地，

对所述网络结构和所述网络参数进行训练，还包括：

当所述实际训练误差不满足所述设定训练误差时，通过所述网络结构的误差能量函数更新所述网络参数；

通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练，直至所述重新训练后的实际训练误差满足所述设定训练误差；

和/或，

对所述网络结构和所述网络参数进行测试，还包括：

当所述实际测试误差不满足所述设定测试误差时，对所述网络结构和所述网络参数进行重新训练，直至所述重新训练后的实际测试误差慢速所述设定测试误差。

一种超声弹性图像的成像装置，包括：

建立模块，用于利用人工神经网络的自学习能力，建立超声弹性图像中的射频数据与病变特征之间的对应关系；

获取模块，用于获取患者的当前超声弹性图像的当前射频数据；

确定模块，用于通过所述对应关系，确定与所述当前射频数据对应的当前病变特征；具体地，确定与所述射频数据对应的当前病变特征，包括：将所述对应关系中与所述当前射频数据相同的射频数据所对应的病变特征，确定为所述当前病变特征。

一种设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的超声弹性图像的成像方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的超声弹性图像的成像方法的步骤。

本申请具有以下优点：

在本申请的实施例中，通过利用人工神经网络的自学习能力，建立超声弹性图像中的射频数据与病变特征之间的对应关系；获取患者的当前超声弹性图像的当前射频数据；通过所述对应关系，确定与所述当前射频数据对应的当前病变特征；具体地，确定与所述射频数据对应的当前病变特征，包括：将所述对应关系中与所述当前射频数据相同的射频数据所对应的病变特征，确定为所述当前病变特征，通过本方法可以直接通过射频信号重建超声弹性成像；并且仅以计算模拟为训练数据就可以从真实的射频数据中推断出真实的弹性成像分布；本方法的神经网络框架可以直接从超声射频数据产生位移场和应变场。

附图说明

为了更清楚地说明本申请的技术方案，下面将对本申请的描述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申请的一些实施例，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。

图1是本申请一实施例提供的一种超声弹性图像的成像方法的步骤流程图；

图2是本申请一实施例提供的一种超声弹性图像的成像方法的人工网络结构示意图；

图3是本申请一实施例提供的随机失活过程示意图；

图4-a是本申请一具体实施例提供的模型数据的应变场推测结果示意图；

图4-b是本申请一具体实施例提供的模型数据的应变场推测结果示意图；

图5-a是本申请一具体实施例提供的模型数据的应变场推测结果示意图；

图5-b是本申请一具体实施例提供的模型数据的应变场推测结果示意图；

图6是本申请一具体实施例提供的病人数据的应变场推测结果示意图；

图7是本申请一实施例提供的一种超声弹性图像的成像装置的结构框图；

图8是本发明一实施例的一种计算机设备的结构示意图。

具体实施方式

为使本申请的所述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

如图1所示，示出了本申请一实施例提供的一种超声弹性图像的成像方法，包括：

S110、利用人工神经网络的自学习能力，建立超声弹性图像中的射频数据与病变特征之间的对应关系；

S120、获取患者的当前超声弹性图像的当前射频数据；

S130、通过所述对应关系，确定与所述当前射频数据对应的当前病变特征；具体地，确定与所述射频数据对应的当前病变特征，包括：将所述对应关系中与所述当前射频数据相同的射频数据所对应的病变特征，确定为所述当前病变特征。

下面，将对本示例性实施例中超声弹性图像的成像方法作进一步地说明。

如上述步骤S110所述，利用人工神经网络的自学习能力，建立超声弹性图像中的射频数据与病变特征之间的对应关系。

例如：利用人工神经网络算法来分析病变特征对应的超声弹性图像中的显示状态规律，通过人工神经网络的自学习、自适应特性找到患者超声弹性图像中的射频数据与病变特征间的映射规律。

例如：可以利用人工神经网络算法，通过对大量不同志愿者(包括但不限于如下的一种或多种：年龄，是否有病情，性别，病况等)的超声弹性图像中的射频数据汇总收集，选取若干志愿者的超声弹性图像中的射频数据及病变特征作为样本数据，对神经网络进行学习和训练，通过调整网络结构及网络节点间的权值，使神经网络拟合超声弹性图像中的射频数据及病变特征之间的关系，最终使神经网络能准确拟合出不同患者的超声弹性图像中的射频数据及病变特征的对应关系。

在一实施例中，所述射频数据，包括：一维射频数据或二维射频数据；

可选地，所述对应关系，包括：函数关系；所述射频数据为所述函数关系的输入参数，所述病变特征为所述函数关系的输出参数；

优选地，所述射频数据为所述函数关系的输入参数，所述病变特征为所述函数关系的输出参数；

由此，通过多种形式的对应关系，可以提升对当前病变特征确定的灵活性和便捷性。

在一实施例中，可以结合下列描述进一步说明步骤S110中“建立超声弹性图像中的射频数据与病变特征之间的对应关系”的具体过程。

如下列步骤所述：获取用于建立所述射频数据与所述病变特征之间的对应关系的样本数据；

在一进阶实施例中，可以结合下列描述进一步说明“获取用于建立所述射频数据与所述病变特征之间的对应关系的样本数据”的具体过程。

如下列步骤所述：收集不同健康状况的患者的所述射频数据和所述病变特征；

例如：数据搜集：搜集不同健康状况的患者的射频数据及对应的病变特征；以及，搜集不同年龄的患者的射频数据及对应的病变特征；以及，搜集不同性别的患者的射频数据及对应的病变特征。

由此，通过多种途径收集运行数据，有利于增加运行数据的量，提升人工神经网络的学习能力，进而提升确定的对应关系的精准性和可靠性。

如下列步骤所述：对所述射频数据进行分析、并结合预存的专家经验信息，选取与所述病变特征相关的数据作为所述射频数据(例如：选取对病变特征有影响的射频数据作为输入参数，将指定参数作为输出参数)；

例如：通过将已确诊的志愿者的相关数据中的射频数据作为输入参数，将其相关数据中的病变特征作为输出参数。

如下列步骤所述：将所述病变特征、以及选取的所述射频数据构成的数据对，作为样本数据。

例如：将得到的输入、输出参数对，一部分用作训练本样数据，一部分用作测试样本数据。

由此，通过对收集到的射频数据进行分析及处理，进而得到样本数据，操作过程简单，操作结果可靠性高。

如下列步骤所述：分析所述射频数据的特性及其规律，根据所述特性及其规律，确定所述人工神经网络的网络结构及其网络参数；

例如：根据不同的年龄、病情、性别等对健康情况具有影响的数据特性及其所蕴含的规律，可初步确定网络的基本结构、网络的输入、输出节点数、网络隐层数、隐节点数、网络初始权值等。

如图2所示，在一具体实现中，神经网络的架构是由两个阶段组成。第一个阶段，从二维射频数据中推测组织位移。神经网络的第二阶段，通过位移场去预测组织应变。这个方法可以直接得到组织的位移场和应变场。

在第一阶段中，收集软组织在受到压力前、后的二维射频数据集，分别记为I₁和I₂。两次2D射频数据集的相位时间间隔与组织的位移有极大的联系。在对压缩后的射频数据进行较小的全局扩展后，我们得到了作为输入的先利用一个可分离的卷积来提取和连接I₁和I₂的混合特征。

然后创建一个五层的卷积神经网络来提取I₁和I₂之间差值的语境信息。为了去除空间关联性，提高卷积核表达和空间位置有关的高级信息的能力，采用局部连接卷积来代替常用的全连通卷积。有助于区分弹性不同的组织的相位时间间隔。

进一步处理所有层输出特征图的组件(从低到高)分别为随机失活，Batch正则化，Batch正则化+随机失活，Batch正则化，Batch正则化+随机失活。

需要说明的是，如图3所示，随机失活是通过遍历神经网络每一层的节点，然后通过对该层的神经网络设置一个Keep_prob(节点保留概率)，即该层的节点有Keep_prob的概率被保留。Keep_prob的取值范围在0到1之间。通过设置神经网络该层节点的保留概率，使得神经网络不会去偏向某一个节点，从而使得每一个节点的权重都不会过大，以此减轻神经网络的过拟合。

具体地，随机失活的工作过程如下：

遍历神经网络的每一层节点，设置节点保留概率Keep_prob；删除神经网络的节点，并删除网络与移除节点之间的连接；输入样本，使用简化后的网络进行训练。

优选的，在每次输入样本时重复以上过程。

需要说明的是，上述训练采用的神经网络公式包括：

无随机失活的神经网络公式：

存在随机失活的神经网络公式：

需要说明的是，Batch正则化：深层神经网络在做非线性变换前的激活输入值随着网络深度加深或者训练过程中，其分布逐渐发生偏移或者变动，之所以训练收敛慢，一般是整体分布逐渐往非线性函数的取值区间的上下限两端靠近，所以导致反向传播时底层神经网络的梯度消失。对于每个隐层神经元，把逐渐向非线性函数映射后取值区间极限饱和区靠拢的输入分布强制拉回到均值为0方差为1的比较标准的正态分布，使得非线性变换函数的输入值，落入对输入比较敏感的区域，以此避免梯度消失问题。

具体过程如下：

上述公式步骤中，γ和β为通过学习得到的调节参数，μ_B为mini-batch的平均值，σ_B ²为mini-batch的方差。

将上述卷积神经网络产生的特征图调整为一个向量，用于后续的三层全连通网络。此网络层数的单位数分别为64，32和1。这个三层的网络可以得到因压力导致的组织位移的分布。

在第二阶段中，用另一个三层的卷积网络来提取组织位移的高层语义信息。由这三层产生的特征图会分别被批标准化，批标准化和随机失活，批标准化，随机失活进一步处理。和预测组织位移相似，一个全连通的网络将被用于从局部位移场推出的向量特征图预测组织的应变。

作为一种示例，所有作为输入的图片的大小都被调整为2608×128。位移预测阶段和应变预测阶段的面片大小分别为71×9和61×9。使用一个动量设为0.9的ADAM优化器作为优化算法。学习速率设为10e-4，损失方程设定为绝对平均误差。

伪代码如下：

上述描述中，m₀代表初始第一力矩向量，v₀代表初始第二力矩向量，t代表初始时间步，θ₀代表初始参数向量，α代表学习速率。

计算t时间步的梯度：

首先，计算梯度的指数移动平均数，m₀初始化为0。类似于Momentum算法，综合考虑之前时间步的梯度动量。β₁系数为指数衰减率，控制权重分配，通常取接近1的值。

m_t＝β₁m_t-1+(1-β₁)g_t

然后，计算梯度平方的指数移动平均数，v₀初始化为0。β₂为指数衰减率，控制之前的梯度平方影响情况。类似于RMSprop算法，对梯度平方进行加权均值。

第三、由于m₀初始化为0，会导致m_t偏向于0，尤其是在初期训练阶段。所以对梯度均值m_t进行偏差纠正，降低偏差对训练初期的影响。

第四、与m₀类似，因为v₀初始化为0导致训练初始阶段v_t偏向0，对其进行纠正。

最后、更新参数，初始的学习率α乘以梯度均值与梯度方差的平方根之比。由表达式可以看出，对更新的步长计算，能够从梯度均值及梯度平方两个角度进行自适应地调节，而不是由当前梯度决定的。

优选地，所述网络结构，包括：BP神经网络，CNN神经网络，RNN神经网络，以及，残差神经网络中的至少之一。

优选地，所述网络参数，包括：密集块数，输出层数，卷积层数，过度层数，初始权值，以及，偏置值中的至少之一。

如下列步骤所述：使用所述样本数据，对所述网络结构和所述网络参数进行训练和测试，确定所述射频数据与所述病变特征的所述对应关系。

例如：网络设计完成后，需用训练样本数据对设计完成的神经网络进行训练。训练方法可根据实际的网络结构及训练中发现的问题进行调整。

由此，通过收集图像数据，从中选取样本数据，并基于样本数据进行训练和测试，确定射频数据与病变特征之间的对应关系，有利于提升对指定参数生成的精准性。

可选地，可以结合下列描述进一步说明步骤“使用所述样本数据，对所述网络结构和所述网络参数进行训练和测试，确定所述射频数据与所述病变特征的所述对应关系”中对所述网络结构和所述网络参数进行训练的具体过程。

如下列步骤所述，选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述射频数据输入到所述网络结构，通过所述网络结构的激活函数和所述网络参数进行训练，得到实际训练结果；确定所述实际训练结果与所述训练样本中的相应病变特征之间的实际训练误差是否满足预设训练误差；当所述实际训练误差满足所述预设训练误差时，确定对所述网络结构和所述网络参数的所述训练完成；

更可选地，对所述网络结构和所述网络参数进行训练，还包括：

当所述实际训练误差不满足所述设定训练误差时，通过所述网络结构的误差能量函数更新所述网络参数；通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练，直至所述重新训练后的实际训练误差满足所述设定训练误差；

例如：若测试误差满足要求，则网络训练测试完成。

由此，通过将测试样本用于训练得到的网络结构和网络参数进行测试，以进一步验证网络结构及网络参数的可靠性。

可选地，可以结合下列描述进一步说明步骤“使用所述样本数据，对所述网络结构和所述网络参数进行训练和测试，确定所述射频数据与所述病变特征的所述对应关系”中对所述网络结构和所述网络参数进行测试的具体过程。

如下列步骤所述，选取所述样本数据中的另一部分数据作为测试样本，将所述测试样本中的所述射频数据输入到所述训练完成的所述网络结构中，以所述激活函数和所述训练完成的所述网络参数进行测试，得到实际测试结果；确定所述实际测试结果与所述测试样本中的相应病变特征之间的实际测试误差是否满足设定测试误差；当所述实际测试误差满足所述设定测试误差时，确定对所述网络结构和所述网络参数的所述测试完成。

在步骤S120处，获取患者的当前超声弹性图像的当前射频数据。

在步骤S130处，通过所述对应关系，确定与所述当前射频数据对应的当前病变特征。

例如：实时识别出患者的超声弹性图像中的病变特征。

由此，通过基于对应关系，根据当前射频数据有效地识别出超声弹性图像中当前的病变特征，从而为医生的诊断提供准确的判断依据，且判断结果精准性好。

在一个可选例子中，步骤S130中确定与所述射频数据对应的当前病变特征，可以包括：将所述对应关系中与所述当前射频数据相同的射频数据所对应的病变特征，确定为所述当前病变特征。

在一个可选例子中，步骤S130中确定与所述射频数据对应的当前病变特征，还可以包括：当所述对应关系可以包括函数关系时，将所述当前射频数据输入所述函数关系中，确定所述函数关系的输出参数为当前病变特征。

由此，通过基于对应关系或函数关系，根据当前射频数据确定当前病变特征，确定方式简便，确定结果可靠性高。

在一个可选实施方式中，还可以包括：验证所述当前病变特征与实际病变特征是否相符的过程。

可选地，可以接收到所述当前病变特征与实际病变特征不符的验证结果、和/或确定所述对应关系中没有与所述当前射频数据相同的射频数据时，对所述对应关系进行更新、修正、再学习中的至少一种维护操作。

例如：设备本身无法获知到实际病变特征，需要有医生的反馈操作才行，即如果设备智能判断出病变特征，医生通过操作反馈其与实际的状态不符，设备才能获知。

验证所述当前病变特征与实际病变特征是否相符(例如：可以通过AR显示模块对实际病变特征进行显示，以验证确定的所述当前病变特征与实际病变特征是否相符)。

当所述当前病变特征与实际病变特征不符、和/或所述对应关系中没有与所述当前射频数据相同的射频数据时，对所述对应关系进行更新、修正、再学习中的至少一种维护操作。

例如：可以根据维护后的对应关系，根据所述当前射频数据确定当前病变特征。例如：将维护后的所述对应关系中与所述当前射频数据相同的射频数据对应的病变特征，确定为当前病变特征。

由此，通过对确定的射频数据与病变特征之间的对应关系的维护，有利于提升对病变特征确定的精准性和可靠性。

如图4-a～5所示，通过与现有方案的对比，对比条件如下：

表1

表1为本发明方案和现有的方案在模拟数据上的对比条件。

表2

表2为本发明方案和现有的方案在模型数据和病人数据上的对比对比条件。

图4-a和图4-b为8次模拟数据的应变场推测结果，同一组推测中，左边图为通过现有技术方案生成的超声弹性图像，右边图像为通过本发明技术方案生成的超声弹性图像；

图5-a和图5-b为另外8次模型数据的应变场推测结果，同一组推测中，左边图为通过现有技术方案生成的超声弹性图像，右边图像为通过本发明技术方案生成的超声弹性图像；

图6为4次病人数据的应变场推测结果，同一组推测中，左边图为通过现有技术方案生成的超声弹性图像，右边图像为通过本发明技术方案生成的超声弹性图像；

通过以上实验结果，在模拟数据中，本发明比现有的方案在应变预测上，有着更好的表现，而在临床上，应变作为重要的参数，所以本发明的要更好。在模型数据和病人数据的实验中，本发明的方案有着更高的信噪比和对比噪声比，预测效果更好。因此，采用本实施例的技术方案，通过利用神经网络的自学习功能，建立的射频数据与病变特征之间的对应关系；根据当前射频数据，通过该对应关系可以确定当前病变特征，确定方式可靠，确定结果精准性好。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

如图7所示，示出了本申请一实施例提供的一种病变特征的检测装置，应用于通过无造影剂获取的超声弹性图像的病变特征检测，包括：

建立模块310，用于利用人工神经网络的自学习能力，建立超声弹性图像中的射频数据与病变特征之间的对应关系；

获取模块320，用于获取患者的当前超声弹性图像的当前射频数据；

确定模块330，用于通过所述对应关系，确定与所述当前射频数据对应的当前病变特征；具体地，确定与所述射频数据对应的当前病变特征，包括：将所述对应关系中与所述当前射频数据相同的射频数据所对应的病变特征，确定为所述当前病变特征。

在一实施例中，所述射频数据，包括：兴趣区图像序列中按设定规律提取的用于表示每个像素的运动模式；其中，

所述射频数据，包括：颜色特征和/或纹理特征，和/或由按设定规律自所述颜色特征、所述纹理特征中提取的特征组成的一维或两维以上的数组；其中，

所述颜色特征，包括：将所述超声弹性图像通过小波变换提取得到的颜色特征向量；

和/或，

所述纹理特征，包括：通过小波变换计算所述超声弹性图像的共生矩阵特征值，并通过所述共生矩阵特征值构造的纹理特征向量；

和/或，

确定与所述当前射频数据对应的当前病变特征，还包括：

在一实施例中，所述建立模块310，包括：

获取子模块，用于获取用于建立所述射频数据与所述病变特征之间的对应关系的样本数据；

分析子模块，用于分析所述射频数据的特性及其规律，根据所述特性及其规律，确定所述人工神经网络的网络结构及其网络参数；

训练子模块，用于使用所述样本数据，对所述网络结构和所述网络参数进行训练和测试，确定所述射频数据与所述病变特征的所述对应关系。

在一实施例中，所述获取子模块，包括：

收集子模块，用于收集不同健康状况的患者的所述射频数据和所述病变特征；

分析子模块，用于对所述射频数据进行分析、并结合预存的专家经验信息，选取与所述病变特征相关的数据作为所述射频数据；

样本数据生成子模块，用于将所述病变特征、以及选取的所述射频数据构成的数据对，作为样本数据。

在一实施例中，

和/或，

在一实施例中，

所述训练子模块，包括：

训练结果生成子模块，用于选取所述样本数据中的一部分数据作为训练样本，将所述训练样本中的所述射频数据输入到所述网络结构，通过所述网络结构的激活函数和所述网络参数进行训练，得到实际训练结果；

训练结果误差判断子模块，用于确定所述实际训练结果与所述训练样本中的相应病变特征之间的实际训练误差是否满足预设训练误差；

训练完成判定子模块，用于当所述实际训练误差满足所述预设训练误差时，确定对所述网络结构和所述网络参数的所述训练完成；

和/或，

测试子模块，用于对所述网络结构和所述网络参数进行测试，所述测试子模块，包括：

测试结果生成子模块，用于选取所述样本数据中的另一部分数据作为测试样本，将所述测试样本中的所述射频数据输入到所述训练完成的所述网络结构中，以所述激活函数和所述训练完成的所述网络参数进行测试，得到实际测试结果；

测试结果误差判断子模块，用于确定所述实际测试结果与所述测试样本中的相应病变特征之间的实际测试误差是否满足设定测试误差；

测试完成判定子模块，用于当所述实际测试误差满足所述设定测试误差时，确定对所述网络结构和所述网络参数的所述测试完成。

在一实施例中，

所述训练子模块，还包括：

网络参数更新子模块，用于当所述实际训练误差不满足所述设定训练误差时，通过所述网络结构的误差能量函数更新所述网络参数；

第一重训练子模块，用于通过所述网络结构的所述激活函数和更新后的所述网络参数进行重新训练，直至所述重新训练后的实际训练误差满足所述设定训练误差；

和/或，

所述测试子模块，还包括：

第二重训练子模块，用于当所述实际测试误差不满足所述设定测试误差时，对所述网络结构和所述网络参数进行重新训练，直至所述重新训练后的实际测试误差慢速所述设定测试误差。

参照图8，示出了本发明的一种超声弹性图像的成像方法的计算机设备，具体可以包括如下：

上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线18结构中的一种或多种，包括存储器总线18或者存储器控制器，外围总线18，图形加速端口，处理器或者使用多种总线18结构中的任意总线18结构的局域总线18。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线18，微通道体系结构(MAC)总线18，增强型ISA总线18、音视频电子标准协会(VESA)局域总线18以及外围组件互连(PCI)总线18。

计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)界面22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/或公共网络(例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图8中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的超声弹性图像的成像方法。

也即，上述处理单元16执行上述程序时实现：利用人工神经网络的自学习能力，建立超声弹性图像中的射频数据与病变特征之间的对应关系；获取患者的当前超声弹性图像的当前射频数据；通过所述对应关系，确定与所述当前射频数据对应的当前病变特征；具体地，确定与所述射频数据对应的当前病变特征，包括：将所述对应关系中与所述当前射频数据相同的射频数据所对应的病变特征，确定为所述当前病变特征。

在本发明实施例中，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有实施例提供的超声弹性图像的成像方法：

也即，给程序被处理器执行时实现：利用人工神经网络的自学习能力，建立超声弹性图像中的射频数据与病变特征之间的对应关系；获取患者的当前超声弹性图像的当前射频数据；通过所述对应关系，确定与所述当前射频数据对应的当前病变特征；具体地，确定与所述射频数据对应的当前病变特征，包括：将所述对应关系中与所述当前射频数据相同的射频数据所对应的病变特征，确定为所述当前病变特征。

可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机克顿信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPOM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本申请所提供的超声弹性图像的成像方法、装置、设备及介质，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims

1.一种超声弹性图像的成像方法，其特征在于，包括：

获取患者的当前超声弹性图像的当前射频数据；

2.根据权利要求1所述的方法，其特征在于，

所述射频数据，包括：一维射频数据或二维射频数据；

和/或，

确定与所述当前射频数据对应的当前病变特征，还包括：

3.根据权利要求1所述的方法，其特征在于，所述建立超声弹性图像中的射频数据与病变特征之间的对应关系的步骤，包括：

4.根据权利要求3所述的方法，其特征在于，所述获取用于建立所述射频数据与所述病变特征之间的对应关系的样本数据的步骤，包括：

收集不同健康状况的患者的所述射频数据和所述病变特征；

5.根据权利要求4所述的方法，其特征在于，

和/或，

6.根据权利要求3-5任一项所述的方法，其特征在于，

对所述网络结构和所述网络参数进行训练，包括：

和/或，

对所述网络结构和所述网络参数进行测试，包括：

7.根据权利要求6所述的方法，其特征在于，

对所述网络结构和所述网络参数进行训练，还包括：

和/或，

对所述网络结构和所述网络参数进行测试，还包括：

8.一种超声弹性图像的成像装置，其特征在于，包括：

9.一种设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的方法。

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上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。