一种组织力学特征生成方法、系统及终端

本发明涉及图像处理，尤其涉及一种组织力学特征生成方法、系统、终端及计算机可读存储介质。

背景技术：

1、先进的计算技术，如机器学习和深度学习，正在改变肌肉功能评估领域。这些技术通过自动化分析医学图像，精确测量组织的力学特征信息，对于理解人体状况和功能至关重要。以组织弹性模量测量为例，在组织弹性模量的评估中，结合pinns(physical-informedneural network，pinns)和超声成像技术的应用，正成为研究的前沿。

2、但是，现在传统的量化组织弹性模量的方法，如基于剪切波弹性成像和灰度超声的方法，虽然在技术上取得了进展，但仍面临着对图像质量的高度敏感性以及在处理带有斑点噪声的图像时的准确性和鲁棒性挑战。此外，这些技术倾向于采用简化的几何假设，如将组织视为各向同性材料或遵循简单的弹性模量应变分布关系函数，这可能不足以描述组织在最大收缩或复杂动作时的复杂变形。而基于深度学习的医学成像方法中，尽管在某些方面取得了进展，但在疾病的不同阶段准确性仍需提高。这些方法依赖于大量的数据训练和复杂的模型结构，使得它们难以满足实时处理的需求。此外，这些技术对图像质量高度敏感，可能在低质量或斑点多的图像上表现不佳。

3、因此，现有技术还有待于改进和发展。

技术实现思路

1、本发明的主要目的在于提供一种组织力学特征生成方法、系统、终端及计算机可读存储介质，旨在解决现有技术中传统的深度学习方法在处理不同质量图形或者噪点多的图形时，鲁棒性不高，不能全面地得到组织力学特性，导致得到的力学特征准确性较低，且计算效率不高的问题。

2、为实现上述目的，本发明提供一种组织力学特征生成方法，所述一种组织力学特征生成方法包括如下步骤：

3、获取对组织进行采样得到的组织信息图像，对所述组织信息图像进行预处理，得到预处理信息图像，并获取所述预处理信息图像的力学特征信息；

4、构建组织力学特征生成模型，根据所述预处理信息图像和所述力学特征信息对所述组织力学特征生成模型进行训练，得到目标网络模型；

5、获取待处理组织的目标组织信息图像，将所述目标组织信息图像输入到所述目标网络模型进行计算，得到所述待处理组织的目标组织力学特征；

6、根据所述目标组织力学特征对所述待处理组织进行分析评估，得到所述待处理组织的分析结果。

7、可选地，所述的组织力学特征生成方法，其中，所述获取对组织进行采样得到的组织信息图像，对所述组织信息图像进行预处理，得到预处理信息图像，具体包括：

8、获取通过成像设备对多个组织特定位置进行扫描得到的多个组织信息；

9、对多个所述组织信息进行取包络、对数拉伸和区域选取处理，得到多个所述组织信息图像；

10、将多个所述组织信息图像进行采样和重采样，得到多个调整后组织信息图像；

11、对多个所述调整后组织信息图像进行迭代反投影和去噪处理，得到多个所述预处理信息图像。

12、可选地，所述的组织力学特征生成方法，其中，所述获取所述预处理信息图像的力学特征信息，具体包括：

13、通过使用自动图像处理技术和高分辨率的超声成像技术对所述预处理信息图像进行处理，得到中间特征信息；

14、使用时间序列分析和频域分析方法对所述中间特征信息进行验证，将验证通过后的中间特征信息作为所述预处理信息图像的力学特征信息。

15、可选地，所述的组织力学特征生成方法，其中，所述根据所述预处理信息图像和所述力学特征信息对所述组织力学特征生成模型进行训练，得到目标网络模型，具体包括：

16、将所述预处理信息图像作为样本数据，将所述力学特征信息作为标签，根据所述样本数据和所述标签建立数据集；

17、将所述数据集按照预设比例划分为训练集和测试集，使用所述训练集对所述组织力学特征生成模型进行训练，得到训练后组织力学特征生成模型，并使用所述测试集对所述训练后组织力学特征生成模型进行性能评估，得到满足要求的所述目标网络模型。

18、可选地，所述的组织力学特征生成方法，其中，所述使用所述训练集对所述组织力学特征生成模型进行训练，得到训练后组织力学特征生成模型，具体包括：

19、将所述预处理信息图像输入到所述组织力学特征生成模型，输出无量纲应力和无量纲形式的参数；

20、根据无量纲应力、所述无量纲形式的参数和所述力学特征信息计算损失函数，根据所述损失函数对所述组织力学特征生成模型进行调整，直至所述损失函数满足预设要求为止，得到所述训练后组织力学特征生成模型；

21、其中，所述无量纲应力包括：横向正应力sxx、纵向正应力syy、剪切应力sxy，所述无量纲形式的参数包括：无量纲形式的拉梅第一参数λ和无量纲形式的拉梅第二参数m。

22、可选地，所述的组织力学特征生成方法，其中，所述根据无量纲应力、所述无量纲形式的参数和所述力学特征信息计算损失函数，具体包括：

23、根据所述横向正应力sxx、所述纵向正应力syy、所述剪切应力sxy、所述无量纲形式的拉梅第一参数λ、所述无量纲形式的拉梅第二参数m和所述力学特征信息计算损失函数cost function：

24、

25、其中，nω表示主要区域参与网络训练的坐标点个数，表示上下边界区域参与网络训练的坐标点个数，表示左右边界区域参与网络训练的坐标点个数，i表示x或者y，j表示x或者y，x、y分别表示横坐标和纵坐标，δij表示克罗内克符号，sij表示无量纲应力，εkk表示所有应变张量的迹，six,x表示应力张量six相对于x坐标的偏导数，siy,y表示应力张量siy相对于y坐标的偏导数，表示已知的左右两边的应力分量，表示已知的顶部和底端的应力分布，εij表示无量纲应力对应的所述力学特征信息。

26、可选地，所述的组织力学特征生成方法，其中，所述目标组织力学特征包括：弹性模量、泊松比、横向法向应力、纵向法向应力和剪切应力；

27、所述将所述目标组织信息图像输入到所述目标网络模型进行计算，得到所述待处理组织的目标组织力学特征，具体包括：

28、将所述目标组织信息图像输入到所述目标网络模型，得到目标无量纲应力和目标无量纲形式的参数；

29、根据平均解剖学数据得到顶部边界的最大法向应力，根据所述最大法向应力和所述目标无量纲形式的参数计算得到拉梅第一参数和拉梅第二参数，根据所述拉梅第一参数和所述拉梅第二参数计算得到所述弹性模量和所述泊松比；

30、根据所述最大法向应力和所述目标无量纲应力计算得到所述横向法向应力、所述纵向法向应力和所述剪切应力。

31、此外，为实现上述目的，本发明还提供一种组织力学特征生成系统，其中，所述组织力学特征生成系统包括：

32、数据采集模块，用于获取对组织进行采样得到的组织信息图像，对所述组织信息图像进行预处理，得到预处理信息图像，并获取所述预处理信息图像的力学特征信息；

33、模型训练模块，用于构建组织力学特征生成模型，根据所述预处理信息图像和所述力学特征信息对所述组织力学特征生成模型进行训练，得到目标网络模型；

34、模型预测模块，用于获取待处理组织的目标组织信息图像，将所述目标组织信息图像输入到所述目标网络模型进行计算，得到所述待处理组织的目标组织力学特征；

35、分析评估模块，用于根据所述目标组织力学特征对所述待处理组织进行分析评估，得到所述待处理组织的分析结果。

36、此外，为实现上述目的，本发明还提供一种终端，其中，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的组织力学特征生成程序，所述组织力学特征生成程序被所述处理器执行时实现如上所述的组织力学特征生成方法的步骤。

37、此外，为实现上述目的，本发明还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有组织力学特征生成程序，所述组织力学特征生成程序被处理器执行时实现如上所述的组织力学特征生成方法的步骤。

38、本发明中，获取组织信息图像，对组织信息图像进行预处理，得到预处理信息图像，并获取预处理信息图像的力学特征信息，构建组织力学特征生成模型，根据预处理信息图像和力学特征信息对组织力学特征生成模型进行训练，得到目标网络模型；获取待处理组织的目标组织信息图像，将目标组织信息图像输入到目标网络模型进行计算，得到待处理组织的目标组织力学特征；根据目标组织力学特征得到待处理组织的分析结果。本发明融合物理原理和深度学习进行组织力学特征信息的推理计算，在处理图像质量差和斑点多的情况下能表现出更高的鲁棒性和准确性，提高了组织力学特征推理的精确度和可靠性。