[发明专利]一种基于剪切波弹性成像超声组学深度分析方法及系统

权利要求书

1.一种基于剪切波弹性成像超声组学深度分析方法，其特征在于，包括：

步骤S11，针对不同疾病，利用超声医学声学经验获取标准化剪切波弹性图像；

步骤S12，针对相应疾病模型，利用剪切波图像获取所在器官相应弹性超声组学数据；

步骤S13，将所述弹性超声组学数据输入训练好的深度学习网络，并根据所述弹性超声组学数据调整神经元的连接权重、配比卷积和池化层，得到调整后的弹性超声组学数据，通过深度学习获取每个病变的分类评分；

步骤S14，基于患者临床信息，检验指标，对结果深度学习弹性分类评分，通过机器学习分析，构建深度分析决策系统；

所述步骤S11中，获取标准化剪切波弹性图像包括：

获取浅表占位病变标准图像，将超声探头轻置于病变表面，使切面为病变病灶最大切面，切换至剪切波弹性成像模式，使剪切波弹性成像取样框包含整个病灶，获取剪切波弹性成像彩色区域充满整个取样框；

获取腹部实质器官占位病变标准图像，将超声探头轻置于病变表面，使切面为病变病灶最大切面，切换至剪切波弹性成像模式，使剪切波弹性成像取样框包含整个病灶，获取剪切波弹性成像彩色区域大于整个取样框的三分之二；

所述步骤S12中，所述剪切波弹性成像取样框内全病灶的边缘为感兴趣区域；

对所述剪切波图像的处理包括将彩色剪切波图像分解为RGB三通道灰阶图像，连同原彩色剪切波图像，分别获取弹性超声组学数据。

2.根据权利要求1所述的基于剪切波弹性成像超声组学深度分析方法，其特征在于，所述步骤S12中，所述相应的弹性超声组学数据包括纹理转换特征、灰度分布、转换矩阵特征以及滤过转换特征。

3.根据权利要求1所述的基于剪切波弹性成像超声组学深度分析方法，其特征在于，所述步骤S13中，所述深度学习及所述深度学习的衍生算法包括CNN、RNN、迁移学习、GAN、基于GAN的迁移学习。

4.根据权利要求1所述的基于剪切波弹性成像超声组学深度分析方法，其特征在于，所述步骤S13中，所述深度学习网络的训练方法包括：

采集相应的弹性超声组学数据，输入卷积神经网络后，提取对应的特征图层；

通过卷积运算，增加偏置，激活函数输出对所述特征图层进行处理，并通过全连接层对所述特征图层进行调整分类后，通过反向传播算法和随机梯度下降法，训练深度学习网络。

5.根据权利要求1所述的基于剪切波弹性成像超声组学深度分析方法，其特征在于，所述步骤S14中，所述患者相关临床信息及所述检验指标包括：

与疾病相关的临床基本信息、实验室检查数据、病理组织结果、基因组学及蛋白组学信息、放化疗敏感性。

6.根据权利要求1所述的基于剪切波弹性成像超声组学深度分析方法，其特征在于，所述机器学习分析采用以下模型：逻辑回归法、决策树、Adaboost、支持向量机。

7.一种基于剪切波弹性成像超声组学深度分析系统，其特征在于，包括：

标准化剪切波弹性图像获取模块，用于针对不同疾病，利用超声医学声学经验获取标准化剪切波弹性图像；

弹性超声组学数据获取模块，用于针对相应疾病模型，利用剪切波图像获取所在器官相应弹性超声组学数据；

深度学习模块，用于将所述弹性超声组学数据输入训练好的深度学习网络，并根据所述弹性超声组学数据调整神经元的连接权重、配比卷积和池化层，得到调整后的弹性超声组学数据，通过深度学习获取每个病变的分类评分；

机器学习分析模块，用于基于患者临床信息，检验指标，对结果深度学习弹性分类评分，通过机器学习分析，构建深度分析决策系统；

在所述标准化剪切波弹性图像获取模块中，获取标准化剪切波弹性图像包括：

获取浅表占位病变标准图像，将超声探头轻置于病变表面，使切面为病变病灶最大切面，切换至剪切波弹性成像模式，使剪切波弹性成像取样框包含整个病灶，获取剪切波弹性成像彩色区域充满整个取样框；

获取腹部实质器官占位病变标准图像，将超声探头轻置于病变表面，使切面为病变病灶最大切面，切换至剪切波弹性成像模式，使剪切波弹性成像取样框包含整个病灶，获取剪切波弹性成像彩色区域大于整个取样框的三分之二；

在所述弹性超声组学数据获取模块中，所述剪切波弹性成像取样框内全病灶的边缘为感兴趣区域；

对所述剪切波图像的处理包括将彩色剪切波图像分解为RGB三通道灰阶图像，连同原彩色剪切波图像，分别获取弹性超声组学数据。