本發(fā)明涉及數(shù)據(jù)處理領(lǐng)域，特別涉及一種便攜式智能非酒精脂肪肝檢測方法及系統(tǒng)。

背景技術(shù)：

1、非酒精脂肪肝作為最常見的肝臟疾病之一，在早期的檢測和定量評估上是十分重要的，但是目前對非酒精脂肪肝的檢測往往依賴于價格昂貴且操作復(fù)雜的影像學(xué)設(shè)備，如大型核磁共振設(shè)備和超聲設(shè)備，而這些價格昂貴且操作復(fù)雜的影像學(xué)設(shè)備，又需要專業(yè)人員進(jìn)行操作，導(dǎo)致非酒精脂肪肝的檢測在區(qū)域普及性和檢測便捷性上存在明顯局限，非酒精脂肪肝檢測的便攜化成為了重要的一環(huán)。

2、現(xiàn)有技術(shù)中，非酒精脂肪肝檢測通常是基于超聲檢測，獲取超聲數(shù)據(jù)，以進(jìn)行定量分析，但是現(xiàn)有超聲檢測方法往往根據(jù)剪切應(yīng)力法獲取超聲成像數(shù)據(jù)，這樣導(dǎo)致整體檢測所需的能量較高且超聲成像清晰度不足，對于便攜式設(shè)備而言，難以維持長期使用的目的，并且對于便攜式設(shè)備的操作人員而言，智能性不足導(dǎo)致無法直觀且清楚的獲取檢測結(jié)果和變化趨勢，使得檢測仍依賴于操作人員的專業(yè)知識，影響了便攜式檢測的準(zhǔn)確性。

3、因此，如何設(shè)計一種非酒精脂肪肝檢測方法，能滿足便攜式檢測要求的同時，提高檢測的準(zhǔn)確性和智能性，成為了亟待解決的問題。

技術(shù)實現(xiàn)思路

1、基于此，本發(fā)明提出的一種便攜式智能非酒精脂肪肝檢測方法及系統(tǒng)，通過線性最小二乘法和一維卷積神經(jīng)網(wǎng)絡(luò)，對衰減系數(shù)和背向散射系數(shù)進(jìn)行優(yōu)化提取，以獲取更準(zhǔn)確的肝臟脂肪狀態(tài)信息，進(jìn)一步提高了檢測的準(zhǔn)確性，再通過設(shè)計一種非線性回歸模型進(jìn)行定量關(guān)系分析，基于能量吸收法對超聲脂肪分?jǐn)?shù)進(jìn)行定量分析，節(jié)約了檢測所需的能量，滿足了便攜檢測的要求，又結(jié)合不同的超聲系數(shù)并提高了分析的準(zhǔn)確性，又設(shè)計一種肝臟綜合驗證模型進(jìn)行仿真驗證處理，實現(xiàn)了分析結(jié)果的智能化驗證和智能化評估，避免了對專業(yè)技術(shù)和專業(yè)知識的依賴，使得檢測結(jié)果更符合實際情況，將優(yōu)化后的結(jié)果進(jìn)行可視化展示處理，使得檢測結(jié)果更直觀更清晰，提高了檢測的便捷性，本發(fā)明提高了非酒精脂肪肝檢測方法的準(zhǔn)確性和便捷性。

2、本發(fā)明提出的一種便攜式智能非酒精脂肪肝檢測方法，包括：

3、獲取基礎(chǔ)超聲信號參數(shù)并提取超聲綜合系數(shù)，所述超聲綜合系數(shù)包括衰減系數(shù)和背向散射系數(shù)，所述提取超聲綜合系數(shù)基于線性最小二乘法和一維卷積神經(jīng)網(wǎng)絡(luò)；

4、根據(jù)所述超聲綜合系數(shù)進(jìn)行定量關(guān)系分析，以獲取超聲脂肪分?jǐn)?shù)，所述定量關(guān)系分析基于能量吸收法，所述超聲脂肪分?jǐn)?shù)基于非線性回歸模型計算；

5、根據(jù)現(xiàn)場可編程門陣列架構(gòu)進(jìn)行b-mode超聲成像處理，以獲取目標(biāo)基礎(chǔ)超聲圖像；

6、根據(jù)肝臟綜合驗證模型進(jìn)行仿真驗證處理，以獲取目標(biāo)優(yōu)化超聲圖像，所述肝臟綜合驗證模型包括基礎(chǔ)仿真模型和多系數(shù)驗證模型；

7、根據(jù)所述超聲綜合系數(shù)、所述超聲脂肪分?jǐn)?shù)和所述目標(biāo)優(yōu)化超聲圖像進(jìn)行可視化評估報告，所述可視化評估報告基于圖像分割模型，所述圖像分割模型包括形態(tài)學(xué)修正優(yōu)化和連通域分析優(yōu)化。

8、綜上，根據(jù)上述的一種便攜式智能非酒精脂肪肝檢測方法，通過線性最小二乘法和一維卷積神經(jīng)網(wǎng)絡(luò)，對衰減系數(shù)和背向散射系數(shù)進(jìn)行優(yōu)化提取，以獲取更準(zhǔn)確的肝臟脂肪狀態(tài)信息，進(jìn)一步提高了檢測的準(zhǔn)確性，再通過設(shè)計一種非線性回歸模型進(jìn)行定量關(guān)系分析，基于能量吸收法對超聲脂肪分?jǐn)?shù)進(jìn)行定量分析，節(jié)約了檢測所需的能量，滿足了便攜檢測的要求，又結(jié)合不同的超聲系數(shù)并提高了分析的準(zhǔn)確性，又設(shè)計一種肝臟綜合驗證模型進(jìn)行仿真驗證處理，實現(xiàn)了分析結(jié)果的智能化驗證和智能化評估，避免了對專業(yè)技術(shù)和專業(yè)知識的依賴，使得檢測結(jié)果更符合實際情況，將優(yōu)化后的結(jié)果進(jìn)行可視化展示處理，使得檢測結(jié)果更直觀更清晰，提高了檢測的便捷性，本發(fā)明提高了非酒精脂肪肝檢測方法的準(zhǔn)確性和便捷性。具體為，獲取基礎(chǔ)超聲信號參數(shù)并提取超聲綜合系數(shù)，所述超聲綜合系數(shù)包括衰減系數(shù)和背向散射系數(shù)，所述提取超聲綜合系數(shù)基于線性最小二乘法和一維卷積神經(jīng)網(wǎng)絡(luò)，以獲取更準(zhǔn)確的肝臟脂肪狀態(tài)信息，進(jìn)一步提高了檢測的準(zhǔn)確性，根據(jù)所述超聲綜合系數(shù)進(jìn)行定量關(guān)系分析，以獲取超聲脂肪分?jǐn)?shù)，所述定量關(guān)系分析基于能量吸收法，所述超聲脂肪分?jǐn)?shù)基于非線性回歸模型計算，基于能量吸收法對超聲脂肪分?jǐn)?shù)進(jìn)行定量分析，節(jié)約了檢測所需的能量，滿足了便攜檢測的要求，又結(jié)合不同的超聲系數(shù)并提高了分析的準(zhǔn)確性，根據(jù)現(xiàn)場可編程門陣列架構(gòu)進(jìn)行b-mode超聲成像處理，以獲取目標(biāo)基礎(chǔ)超聲圖像，根據(jù)肝臟綜合驗證模型進(jìn)行仿真驗證處理，以獲取目標(biāo)優(yōu)化超聲圖像，所述肝臟綜合驗證模型包括基礎(chǔ)仿真模型和多系數(shù)驗證模型，實現(xiàn)了分析結(jié)果的智能化驗證和智能化評估，避免了對專業(yè)技術(shù)和專業(yè)知識的依賴，使得檢測結(jié)果更符合實際情況，根據(jù)所述超聲綜合系數(shù)、所述超聲脂肪分?jǐn)?shù)和所述目標(biāo)優(yōu)化超聲圖像進(jìn)行可視化評估報告，所述可視化評估報告基于圖像分割模型，所述圖像分割模型包括形態(tài)學(xué)修正優(yōu)化和連通域分析優(yōu)化，使得檢測結(jié)果更直觀更清晰，提高了檢測的便捷性，本發(fā)明提高了非酒精脂肪肝檢測方法的準(zhǔn)確性和便捷性。

9、進(jìn)一步的，所述獲取基礎(chǔ)超聲信號參數(shù)并提取超聲綜合系數(shù)的步驟，具體包括：

10、獲取基礎(chǔ)超聲信號參數(shù)，對所述基礎(chǔ)超聲信號參數(shù)中的深度范圍進(jìn)行數(shù)據(jù)截取，以確定深度軸區(qū)域；

11、根據(jù)滑動窗口分析所述基礎(chǔ)超聲信號參數(shù)，以獲取包絡(luò)信號參數(shù)，根據(jù)目標(biāo)動態(tài)進(jìn)行滑動窗口調(diào)節(jié)，在所述深度軸區(qū)域的滑動窗口進(jìn)行所述包絡(luò)信號參數(shù)求解，所述深度軸區(qū)域的滑動窗口的中心確定深度值，根據(jù)所述深度值和所述基礎(chǔ)超聲信號參數(shù)的頻率值獲取二維矩陣；

12、根據(jù)弱散射玻恩近似對所述深度值和所述頻率值進(jìn)行衰減系數(shù)和背向散射系數(shù)估計，再根據(jù)線性最小二乘法進(jìn)行求解提取，以獲取衰減系數(shù)和背向散射系數(shù)；

13、將所述衰減系數(shù)和背向散射系數(shù)輸入一維卷積神經(jīng)網(wǎng)絡(luò)中，以進(jìn)行系數(shù)增強(qiáng)提取。

14、進(jìn)一步的，所述將所述衰減系數(shù)和背向散射系數(shù)輸入一維卷積神經(jīng)網(wǎng)絡(luò)中，以進(jìn)行系數(shù)增強(qiáng)提取的步驟，具體包括：

15、對基礎(chǔ)超聲信號參數(shù)進(jìn)行時間軸-深度軸轉(zhuǎn)換，以截取所述基礎(chǔ)超聲信號參數(shù)中rf信號段的時間軸信息，根據(jù)互相關(guān)算法進(jìn)行感興趣區(qū)域跟蹤調(diào)節(jié)，以動態(tài)調(diào)節(jié)時間軸區(qū)域的滑動窗口；

16、將衰減系數(shù)和背向散射系數(shù)輸入一維卷積神經(jīng)網(wǎng)絡(luò)，所述一維卷積神經(jīng)網(wǎng)絡(luò)基于檢測目標(biāo)的歷史相關(guān)檢測參數(shù)構(gòu)建；

17、根據(jù)深度可分離卷積提取基礎(chǔ)超聲特征，將基礎(chǔ)超聲特征按照特征尺度劃分為多個不同尺度的特征組，對每個所述特征組進(jìn)行通道注意力增強(qiáng)處理，以獲取多個不同尺度的注意力增強(qiáng)特征組，根據(jù)從低到高的特征尺度順序?qū)⑺鲎⒁饬υ鰪?qiáng)特征組進(jìn)行逐級融合，以獲取多尺度超聲特征；

18、將所述多尺度超聲特征分別輸入衰減系數(shù)支路和背向散射系數(shù)支路進(jìn)行系數(shù)提取，以分別獲取增強(qiáng)衰減系數(shù)和增強(qiáng)背向散射系數(shù)。

19、進(jìn)一步的，所述根據(jù)所述超聲綜合系數(shù)進(jìn)行定量關(guān)系分析，以獲取超聲脂肪分?jǐn)?shù)的步驟，具體包括：

20、對超聲綜合系數(shù)進(jìn)行薩維茨基-戈萊平滑處理，以排除呼吸運動偽影；

21、根據(jù)基礎(chǔ)超聲信號參數(shù)中感興趣區(qū)域內(nèi)的聲場深度分布，對超聲綜合系數(shù)進(jìn)行深度加權(quán)校正；

22、將深度加權(quán)校正后的超聲綜合系數(shù)的原始值和交互項輸入非線性回歸模型，以獲取超聲脂肪分?jǐn)?shù)，所述非線性回歸模型的具體算法如下：

23、，

24、，

25、其中，udff表示原始超聲脂肪分?jǐn)?shù)，、、表示擬合系數(shù)，ac表示超聲綜合系數(shù)中的衰減系數(shù)，bsc表示超聲綜合系數(shù)中的背向散射系數(shù)，(ac·bsc)表示超聲綜合系數(shù)交互項， c表示常數(shù)項，表示標(biāo)化映射后的超聲脂肪分?jǐn)?shù)，表示映射系數(shù)，表示映射常數(shù)。

26、進(jìn)一步的，所述根據(jù)肝臟綜合驗證模型進(jìn)行仿真驗證處理，以獲取目標(biāo)優(yōu)化超聲圖像的步驟，具體包括：

27、根據(jù)肝臟綜合驗證模型進(jìn)行仿真驗證處理，所述肝臟綜合驗證模型包括基礎(chǔ)仿真模型和多系數(shù)驗證模型；

28、所述基礎(chǔ)仿真模型包括基礎(chǔ)散射體模型和全局衰減約束，所述基礎(chǔ)散射體模型包括規(guī)則散射體和彌散散射體，所述規(guī)則散射體的分布基于卡方分布規(guī)則，所述規(guī)則散射體的幅值基于均勻分布規(guī)則，所述彌散散射體的分布和幅值均基于均勻分布規(guī)則，所述規(guī)則散射體用于調(diào)節(jié)生物軟組織散射點空間分布的各向同性，以將一維散射點分布映射到三維空間，所述分布映射基于希爾伯特空間填充曲線；

29、所述多系數(shù)驗證模型包括基礎(chǔ)散射體模型、全局衰減約束和背向散射約束，所述多系數(shù)驗證模型的基礎(chǔ)散射體模型為彈性球體模型，所述彈性球體模型基于干預(yù)理論模型進(jìn)行散射體大小和分布調(diào)節(jié)，并計算單個彈性球體模型的散射強(qiáng)度，基于肝臟生物特性信息對所述多系數(shù)驗證模型的基礎(chǔ)散射體模型進(jìn)行數(shù)密度計算，所述散射強(qiáng)度基于所有彈性球體模型的散射強(qiáng)度進(jìn)行線性疊加，將所述散射強(qiáng)度與超聲換能器的空間脈沖進(jìn)行響應(yīng)卷積，以獲取超聲射頻回波信號；

30、根據(jù)所述超聲射頻回波信號進(jìn)行仿真驗證優(yōu)化，以獲取目標(biāo)優(yōu)化超聲圖像。

31、進(jìn)一步的，所述根據(jù)所述超聲綜合系數(shù)、所述超聲脂肪分?jǐn)?shù)和所述目標(biāo)優(yōu)化超聲圖像進(jìn)行可視化評估報告的步驟，具體包括：

32、對目標(biāo)優(yōu)化超聲圖像進(jìn)行預(yù)處理，所述預(yù)處理包括斑點噪聲抑制處理和對比度增強(qiáng)處理，所述斑點噪聲抑制處理基于非局部均值濾波，所述對比度增強(qiáng)處理基于局部對比度限制的自適應(yīng)直方圖均衡化算法；

33、根據(jù)圖像分割模型對預(yù)處理后的目標(biāo)優(yōu)化超聲圖像進(jìn)行分割處理，以獲取肝臟區(qū)域掩膜，再對所述肝臟區(qū)域掩膜進(jìn)行干擾結(jié)構(gòu)去除處理，所述干擾結(jié)構(gòu)包括血管結(jié)構(gòu)和腫塊結(jié)構(gòu)；

34、對所述肝臟區(qū)域掩膜進(jìn)行后處理，所述后處理包括形態(tài)學(xué)修正優(yōu)化和連通域分析優(yōu)化，根據(jù)形態(tài)學(xué)修正優(yōu)化算法進(jìn)行閉運算，以進(jìn)行空洞區(qū)域填充，再根據(jù)連通域分析優(yōu)化進(jìn)行最大區(qū)域保留，以獲取肝臟區(qū)域優(yōu)化分割結(jié)果；

35、根據(jù)超聲脂肪分?jǐn)?shù)和超聲綜合系數(shù)對所述肝臟區(qū)域優(yōu)化分割結(jié)果進(jìn)行熱力圖顏色映射，再通過透明度融合將所述肝臟區(qū)域優(yōu)化分割結(jié)果的轉(zhuǎn)換為顏色圖層，以疊加在目標(biāo)優(yōu)化超聲圖像上，以獲取可視化展示結(jié)果；

36、根據(jù)所述超聲脂肪分?jǐn)?shù)和超聲綜合系數(shù)對所述可視化展示結(jié)果進(jìn)行參數(shù)及評估標(biāo)注，以獲取可視化評估報告。

37、本發(fā)明提出的一種便攜式智能非酒精脂肪肝檢測系統(tǒng)，包括：

38、系數(shù)提取模塊，用于獲取基礎(chǔ)超聲信號參數(shù)并提取超聲綜合系數(shù)，所述超聲綜合系數(shù)包括衰減系數(shù)和背向散射系數(shù)，所述提取超聲綜合系數(shù)基于線性最小二乘法和一維卷積神經(jīng)網(wǎng)絡(luò)；

39、定量關(guān)系分析模塊，用于根據(jù)所述超聲綜合系數(shù)進(jìn)行定量關(guān)系分析，以獲取超聲脂肪分?jǐn)?shù)，所述定量關(guān)系分析基于能量吸收法，所述超聲脂肪分?jǐn)?shù)基于非線性回歸模型計算；

40、超聲成像模塊，用于根據(jù)現(xiàn)場可編程門陣列架構(gòu)進(jìn)行b-mode超聲成像處理，以獲取目標(biāo)基礎(chǔ)超聲圖像；

41、仿真驗證模塊，用于根據(jù)肝臟綜合驗證模型進(jìn)行仿真驗證處理，以獲取目標(biāo)優(yōu)化超聲圖像，所述肝臟綜合驗證模型包括基礎(chǔ)仿真模型和多系數(shù)驗證模型；

42、可視化展示模塊，用于根據(jù)所述超聲綜合系數(shù)、所述超聲脂肪分?jǐn)?shù)和所述目標(biāo)優(yōu)化超聲圖像進(jìn)行可視化評估報告，所述可視化評估報告基于圖像分割模型，所述圖像分割模型包括形態(tài)學(xué)修正優(yōu)化和連通域分析優(yōu)化。

43、進(jìn)一步的，所述超聲成像模塊具體包括：超聲換能器、前端信號收發(fā)處理器和后端超聲圖像處理器；

44、所述前端信號收發(fā)處理器包括發(fā)射前端單元、接收前端單元、波束處理單元、信號處理單元，所述發(fā)射前端單元用于產(chǎn)生高壓激勵脈沖、聚焦數(shù)字電子、波束掃描調(diào)節(jié)和孔徑尺寸控制，所述接收前端單元用于前端放大回波信號、模數(shù)轉(zhuǎn)換、高速傳輸，所述波束處理單元用于數(shù)字信號處理、變孔徑接收、動態(tài)變跡、波束合成，所述信號處理單元用于增益控制、動態(tài)濾波、包絡(luò)檢波、二次采樣、對數(shù)壓縮、坐標(biāo)轉(zhuǎn)換處理，并將最終生成信號傳輸至后端超聲圖像處理器。

45、本發(fā)明還提供一種存儲介質(zhì)，所述存儲介質(zhì)存儲一個或多個程序，所述程序被處理器執(zhí)行時實現(xiàn)如上述的便攜式智能非酒精脂肪肝檢測方法。

46、本發(fā)明還提供一種計算機(jī)設(shè)備，所述計算機(jī)設(shè)備包括存儲器和處理器，其中：

47、所述存儲器用于存放計算機(jī)程序；

48、所述處理器用于執(zhí)行所述存儲器中存放的所述計算機(jī)程序時，實現(xiàn)如上述的便攜式智能非酒精脂肪肝檢測方法。