本發(fā)明涉及醫(yī)學(xué)影像處理，具體為一種醫(yī)用超聲圖像分析系統(tǒng)及方法。

背景技術(shù)：

1、醫(yī)用超聲成像技術(shù)作為現(xiàn)代醫(yī)學(xué)診斷的重要手段之一，因其無創(chuàng)、實時、低成本等特性而被廣泛應(yīng)用于臨床實踐中，在醫(yī)學(xué)影像分析領(lǐng)域，特別是在對超聲圖像進行診斷時，醫(yī)生往往需要根據(jù)圖像中的多種特征以及患者的個人信息和病史來綜合判斷疾病的類型和嚴(yán)重程度，因此，開發(fā)一種能夠自動化、智能化地分析醫(yī)用超聲圖像，并準(zhǔn)確診斷疾病的系統(tǒng)顯得尤為重要。

2、然而，目前一些使用基于機器學(xué)習(xí)和人工智能技術(shù)的醫(yī)用超聲圖像分析系統(tǒng)，在處理復(fù)雜多變的超聲圖像時存在局限性，僅依賴于單一的圖像特征進行診斷，忽略了不同特征之間的關(guān)聯(lián)性和互補性，導(dǎo)致診斷結(jié)果的準(zhǔn)確性和可靠性不足，并且在構(gòu)建診斷模型時未能充分考慮患者信息的影響，使得診斷結(jié)果偏離實際情況，無法為醫(yī)生提供全面的診斷參考信息，增加了診斷決策的難度和風(fēng)險。

3、綜上所述，現(xiàn)有技術(shù)在超聲圖像的自動化分析和不確定性量化方面存在局限性，因此，開發(fā)一種通過引入基于貝葉斯網(wǎng)絡(luò)的診斷模型，提供更為全面和精確的超聲圖像分析解決方案，以滿足現(xiàn)代醫(yī)學(xué)發(fā)展的趨勢。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的就是為了彌補現(xiàn)有技術(shù)的不足，提供了一種醫(yī)用超聲圖像分析系統(tǒng)及方法，它能夠通過構(gòu)建基于貝葉斯網(wǎng)絡(luò)的診斷模型，能夠有效地整合超聲圖像特征和患者信息，提供更為精確的疾病發(fā)生概率，并利用置信區(qū)間和熵值來評估結(jié)果的可靠性，從而為醫(yī)生提供更全面的診斷參考信息，這種量化不確定性的能力，使得醫(yī)生能夠在診斷過程中更好地評估風(fēng)險，做出更加合理的治療決策。

2、本發(fā)明為解決上述技術(shù)問題，提供如下技術(shù)方案：一方面，一種醫(yī)用超聲圖像分析系統(tǒng)，該系統(tǒng)的組成包括：超聲圖像采集模塊、圖像特征提取模塊、貝葉斯網(wǎng)絡(luò)診斷模型構(gòu)建模塊、概率推理計算模塊和診斷結(jié)果輸出模塊；

3、所述超聲圖像采集模塊與醫(yī)用超聲成像設(shè)備連接，用于采集醫(yī)用超聲圖像，并對圖像進行預(yù)處理，優(yōu)化干擾因素對診斷的影響；

4、所述圖像特征提取模塊從采集到的超聲圖像中提取多種特征，并將提取的特征作為貝葉斯網(wǎng)絡(luò)診斷模型的輸入信息，所述特征包括邊緣梯度特征、區(qū)域?qū)Ρ榷忍卣?、頻譜特征，其中：

5、所述邊緣梯度特征的提取過程為：通過圖像中像素點處的灰度值，使用sobel算子計算水平梯度和垂直梯度，即水平梯度算子為，垂直梯度算子為，則，邊緣梯度幅值，對于整幅圖像，其圖像像素點總數(shù)為，則邊緣梯度特征值，其中m、n為圖像的行列數(shù)，該值用于描述圖像中組織邊界的總體變化程度信息輸入到貝葉斯網(wǎng)絡(luò)診斷模型；

6、所述區(qū)域?qū)Ρ榷忍卣鞯奶崛∵^程為：將圖像劃分為個互不重疊的子區(qū)域，其中，，設(shè)置子區(qū)域的平均灰度值為，整幅圖像的平均灰度值為，則子區(qū)域與整幅圖像的對比度值，區(qū)域?qū)Ρ榷忍卣?，其中為子區(qū)域的權(quán)重，該特征用于反映不同區(qū)域間灰度差異情況并輸入貝葉斯網(wǎng)絡(luò)診斷模型；

7、所述頻譜特征的提取過程為：對超聲圖像進行二維離散傅里葉變換2d-dft，即，其中和分別為圖像的行數(shù)和列數(shù)，，，頻譜特征包括峰值頻率，即頻譜幅值最大時對應(yīng)的頻率坐標(biāo)，以及帶寬，對應(yīng)的頻譜能量函數(shù)為，計算總能量，從低頻開始累計能量，當(dāng)累計能量達到時對應(yīng)的頻率范圍即為帶寬，該頻譜特征用于分析超聲反射信號的頻率特性與組織特性的關(guān)系并作為模型輸入，記頻譜特征值為；

8、所述貝葉斯網(wǎng)絡(luò)診斷模型構(gòu)建模塊用于構(gòu)建貝葉斯網(wǎng)絡(luò)診斷模型，并確定網(wǎng)絡(luò)的節(jié)點和節(jié)點之間的概率關(guān)系，將提取的圖像特征以及患者信息設(shè)定為網(wǎng)絡(luò)節(jié)點，并根據(jù)臨床數(shù)據(jù)確定節(jié)點之間的條件概率分布得到疾病節(jié)點，從而構(gòu)建完整的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，同時，在模型中引入不確定性量化指標(biāo)，即置信區(qū)間和熵值，以量化概率結(jié)果的不確定性程度，其中，所述貝葉斯網(wǎng)絡(luò)診斷模型的具體構(gòu)建過程為：

9、確定節(jié)點類型：根據(jù)圖像特征提取模塊得到的邊緣梯度特征值、區(qū)域?qū)Ρ榷忍卣?、頻譜特征值為，以及患者的年齡和性別信息，分別作為圖像特征節(jié)點和患者信息節(jié)點，得到貝葉斯網(wǎng)絡(luò)中的基礎(chǔ)節(jié)點集合為，其中圖像特征節(jié)點包括邊緣梯度特征節(jié)點、區(qū)域?qū)Ρ榷忍卣鞴?jié)點、頻譜特征節(jié)點，患者信息節(jié)點包括年齡節(jié)點、性別節(jié)點；

10、確定節(jié)點之間的概率關(guān)系：收集臨床病例數(shù)據(jù)，包括患者的超聲圖像數(shù)據(jù)、對應(yīng)的圖像特征計算結(jié)果、患者的年齡、性別信息以及最終確診的疾病類型，通過條件概率分布確定節(jié)點之間的概率分布，即對于疾病節(jié)點和基礎(chǔ)節(jié)點集合，計算條件概率分布，即考慮疾病和一組特征值與患者信息值的組合，在數(shù)據(jù)集中統(tǒng)計同時出現(xiàn)疾病和該特征組合的次數(shù)，以及該特征組合單獨出現(xiàn)的次數(shù)，則條件概率，通過此條件概率方式將基礎(chǔ)節(jié)點集合中的所有圖像特征節(jié)點和患者信息節(jié)點都與疾病節(jié)點關(guān)聯(lián)；

11、構(gòu)建貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)：根據(jù)確定的節(jié)點和節(jié)點之間的概率關(guān)系，構(gòu)建貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，網(wǎng)絡(luò)中的每個節(jié)點都表示一個隨機變量，節(jié)點之間的有向邊表示變量之間的依賴關(guān)系；

12、引入不確定性量化指標(biāo)：在貝葉斯網(wǎng)絡(luò)診斷模型中引入不確定性量化指標(biāo)，包括置信區(qū)間和熵值，用于量化概率結(jié)果的不確定性程度；

13、所述概率推理計算模塊將圖像特征提取模塊得到的特征數(shù)據(jù)輸入到貝葉斯網(wǎng)絡(luò)診斷模型中，通過貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)計算疾病的發(fā)生概率，在計算過程中，實時更新不確定性量化指標(biāo)的值，隨著新數(shù)據(jù)的輸入和概率推理的進行，動態(tài)調(diào)整置信區(qū)間和熵值的指標(biāo)；

14、所述診斷結(jié)果輸出模塊將概率推理計算模塊得到的疾病發(fā)生概率以概率數(shù)值列表的形式呈現(xiàn)給醫(yī)生，同時提供相應(yīng)的診斷建議，輔助醫(yī)生做出最終的診斷決策。

15、進一步地，所述貝葉斯網(wǎng)絡(luò)診斷模型構(gòu)建模塊在構(gòu)建貝葉斯網(wǎng)絡(luò)診斷模型過程中，對于圖像特征節(jié)點的邊緣梯度特征節(jié)點與疾病節(jié)點的關(guān)聯(lián)確定過程為：對臨床超聲圖像樣本進行邊緣梯度特征提取，得到各樣本圖像的邊緣梯度特征值集合，其中為第個樣本圖像的邊緣梯度特征值，對于每種疾病類型，統(tǒng)計在該疾病存在的樣本圖像中邊緣梯度特征值的分布情況，即疾病對應(yīng)的邊緣梯度特征值子集為，計算疾病與邊緣梯度特征節(jié)點的條件概率分布為：，其中，表示疾病且邊緣梯度特征值為的樣本數(shù)量，表示邊緣梯度特征值為的樣本總數(shù)。

16、更進一步地，所述貝葉斯網(wǎng)絡(luò)診斷模型構(gòu)建模塊在構(gòu)建貝葉斯網(wǎng)絡(luò)診斷模型過程中，對于圖像特征節(jié)點的區(qū)域?qū)Ρ榷忍卣鞴?jié)點與疾病節(jié)點的關(guān)聯(lián)確定過程為：針對臨床超聲圖像樣本計算區(qū)域?qū)Ρ榷忍卣髦担玫絽^(qū)域?qū)Ρ榷忍卣髦导?，對于疾病，確定其對應(yīng)的區(qū)域?qū)Ρ榷忍卣髦底蛹癁?，計算疾病與區(qū)域?qū)Ρ榷忍卣鞴?jié)點的條件概率分布為：，其中，表示疾病且區(qū)域?qū)Ρ榷忍卣髦禐榈臉颖緮?shù)量，表示區(qū)域?qū)Ρ榷忍卣髦禐榈臉颖究倲?shù)。

17、更進一步地，所述貝葉斯網(wǎng)絡(luò)診斷模型構(gòu)建模塊在構(gòu)建貝葉斯網(wǎng)絡(luò)診斷模型過程中，對于圖像特征節(jié)點的頻譜特征節(jié)點與疾病節(jié)點的關(guān)聯(lián)確定過程為：從臨床超聲圖像樣本的頻譜分析中獲取頻譜特征值，包括峰值頻率和帶寬，形成頻譜特征值集合，針對疾病，確定其對應(yīng)的頻譜特征值子集，計算疾病與頻譜特征節(jié)點的條件概率分布為：，其中，count函數(shù)用于統(tǒng)計疾病與頻譜特征值組合的樣本數(shù)量。

18、更進一步地，所述貝葉斯網(wǎng)絡(luò)診斷模型構(gòu)建模塊在構(gòu)建貝葉斯網(wǎng)絡(luò)診斷模型過程中，對于患者信息節(jié)點的年齡節(jié)點與疾病節(jié)點的關(guān)聯(lián)確定過程為：收集臨床病例數(shù)據(jù)中的患者年齡信息和疾病診斷結(jié)果，將年齡劃分為不同區(qū)間，統(tǒng)計各年齡區(qū)間內(nèi)每種疾病的發(fā)病數(shù)量以及各年齡區(qū)間內(nèi)的總樣本數(shù)量，計算疾病與年齡節(jié)點的條件概率分布為：，其中，表示年齡區(qū)間中的第個區(qū)間。

19、更進一步地，所述貝葉斯網(wǎng)絡(luò)診斷模型構(gòu)建模塊在構(gòu)建貝葉斯網(wǎng)絡(luò)診斷模型過程中，對于患者信息節(jié)點的性別節(jié)點與疾病節(jié)點的關(guān)聯(lián)確定過程為：統(tǒng)計臨床病例數(shù)據(jù)中男性和女性患者中每種疾病的發(fā)病數(shù)量和，以及男性和女性患者的總樣本數(shù)量和，計算疾病與性別節(jié)點的條件概率分布為：

20、。

21、更進一步地，所述貝葉斯網(wǎng)絡(luò)診斷模型構(gòu)建模塊在構(gòu)建貝葉斯網(wǎng)絡(luò)診斷模型過程中引入不確定性置信區(qū)間和熵值的量化指標(biāo)，其中：

22、對于置信區(qū)間：針對疾病發(fā)生概率，計算樣本均值和樣本標(biāo)準(zhǔn)差，采用正態(tài)近似法中的無偏估計公式，其中是第個樣本的疾病發(fā)生概率估計值，為樣本數(shù)量，在置信水平為下，通過查標(biāo)準(zhǔn)正態(tài)分布表得到分位數(shù)，則置信區(qū)間為，該置信區(qū)間能夠直觀地展示疾病發(fā)生概率估計值的范圍；

23、對于熵值：根據(jù)疾病發(fā)生概率分布，為疾病的發(fā)生概率，計算熵值為：，其中，為疾病類型的總數(shù)量，熵值結(jié)果大，表示概率分布分散，不確定性高；熵值結(jié)果小，表示概率集中在其中一個疾病類型上，不確定性低，通過熵值以量化疾病發(fā)生概率結(jié)果的不確定性程度，為醫(yī)生提供更全面的診斷參考信息，幫助其評估診斷結(jié)果的可信度。

24、更進一步地，所述概率推理計算模塊采用貝葉斯推理公式，動態(tài)調(diào)整置信區(qū)間和熵值的指標(biāo)，其中為疾病節(jié)點，為證據(jù)節(jié)點集，即圖像特征和患者信息節(jié)點，為在疾病發(fā)生條件下證據(jù)出現(xiàn)的概率，為疾病的先驗概率，為在證據(jù)下疾病的后驗概率，在迭代計算過程中，每次新數(shù)據(jù)輸入后，根據(jù)貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)和條件概率分布更新和的參數(shù)，重新計算后驗概率，同時更新置信區(qū)間和熵值，即當(dāng)新的圖像特征數(shù)據(jù)和患者信息加入后，根據(jù)新的證據(jù)組合計算新的條件概率分布，進而更新疾病發(fā)生概率的估計值及其置信區(qū)間和熵值，設(shè)置新的證據(jù)節(jié)點加入，計算，更新為再重新計算，對于置信區(qū)間更新，根據(jù)新的樣本數(shù)據(jù)重新計算和，進而得到新的置信區(qū)間，熵值更新則由新的后驗概率組成新的概率分布，重新計算。

25、另一方面，一種醫(yī)用超聲圖像分析方法，該方法的具體步驟為：

26、s1、啟動超聲圖像采集模塊，建立與超聲成像設(shè)備的連接，實時接收并存儲采集到的超聲圖像數(shù)據(jù)，同時記錄采集時間、患者信息的元數(shù)據(jù)；

27、s2、將采集到的超聲圖像傳輸至圖像特征提取模塊，對圖像進行邊緣梯度特征、區(qū)域?qū)Ρ榷忍卣?、頻譜特征，將處理后的特征數(shù)據(jù)存儲在特征數(shù)據(jù)庫中，并建立與患者信息的關(guān)聯(lián)索引；

28、s3、構(gòu)建貝葉斯網(wǎng)絡(luò)診斷模型，確定貝葉斯網(wǎng)絡(luò)的節(jié)點類型和數(shù)量，收集臨床病例數(shù)據(jù)，基于臨床數(shù)據(jù)計算節(jié)點之間的條件概率分布，在模型中集成不確定性量化指標(biāo)的計算模型，使模型在計算疾病發(fā)生概率的同時能夠同步輸出不確定性量化結(jié)果；

29、s4、從特征數(shù)據(jù)庫中讀取當(dāng)前患者的圖像特征數(shù)據(jù)以及患者基本信息，將數(shù)據(jù)輸入到已構(gòu)建的貝葉斯網(wǎng)絡(luò)診斷模型中，啟動概率推理計算過程，進行迭代計算，輸出疾病發(fā)生概率結(jié)果以及對應(yīng)的不確定性量化值；

30、s5、將計算得到的各種疾病發(fā)生概率及其不確定性量化信息傳輸至診斷結(jié)果輸出模塊，生成可視化的診斷結(jié)果報告。

31、與現(xiàn)有技術(shù)相比，該一種醫(yī)用超聲圖像分析系統(tǒng)及方法具備如下有益效果：

32、一、本發(fā)明的醫(yī)用超聲圖像分析系統(tǒng)通過構(gòu)建貝葉斯網(wǎng)絡(luò)診斷模型，能夠綜合考慮圖像中的多種特征以及患者的個人信息和病史，從而實現(xiàn)對疾病的全面、準(zhǔn)確診斷，不僅提高了診斷的準(zhǔn)確性和可靠性，還大大減少了醫(yī)生的主觀判斷對診斷結(jié)果的影響，降低了誤診和漏診的風(fēng)險，同時，由于貝葉斯網(wǎng)絡(luò)具有強大的推理能力和自學(xué)習(xí)能力，本系統(tǒng)能夠隨著臨床數(shù)據(jù)的積累不斷優(yōu)化和完善診斷模型，提高診斷的精度和效率。

33、二、本發(fā)明還引入了不確定性量化指標(biāo)，為醫(yī)生提供了更全面的診斷參考信息，通過計算置信區(qū)間和熵值的不確定性量化指標(biāo)，本發(fā)明能夠量化診斷結(jié)果的不確定性程度，幫助醫(yī)生更準(zhǔn)確地評估疾病的嚴(yán)重性和可能的發(fā)展趨勢，增強了診斷結(jié)果的客觀性和科學(xué)性，為醫(yī)生制定個性化的治療方案提供了有力的支持。

34、本發(fā)明的其他優(yōu)點、目標(biāo)和特征在某種程度上將在隨后的說明書中進行闡述，并且在某種程度上，基于對下文的考察研究對本領(lǐng)域技術(shù)人員而言將是顯而易見的，或者可以從本發(fā)明的實踐中得到教導(dǎo)。