一种多囊卵巢综合征诊断的卵巢超声影像自动分析系统的制作方法
本发明涉及医学影像处理与辅助诊断,具体而言,涉及一种多囊卵巢综合征诊断的卵巢超声影像自动分析系统。
背景技术:
1、多囊卵巢综合征是育龄期女性常见的一种复杂的内分泌及代谢异常所致的疾病。在超声影像学检查中,pcos的典型特征表现为多囊卵巢形态,即单侧或双侧卵巢内存在大量直径在2-9毫米的细小卵泡,同时常伴有卵巢体积的异常增大。随着医学人工智能的快速发展,利用计算机视觉技术对卵巢超声影像进行自动化分析与辅助诊断已成为当前的研究热点。
2、在现有的自动化分析技术方案中,通常采用基于深度学习的卷积神经网络对图像中的卵泡进行像素级分割与计数。然而,这类技术方案在面对pcos真实的临床超声影像时,存在若干具体的底层技术局限。首先,pcos患者卵巢内的微小卵泡在有限的包膜空间内呈现极高密度的聚集与相互挤压。这种物理挤压导致超声影像上相邻卵泡之间的物理间隙被严重压缩,原本应有的组织边界在像素灰度梯度上发生彻底融合。传统的卷积神经网络高度依赖清晰的灰度边缘梯度特征来进行形态学分割,当局部梯度变化率下降或消失时,算法逻辑容易发生坍塌,极易将多个互相粘连的小卵泡错误地合并识别为一个巨大的背景囊肿,从而导致最终输出的卵泡计数结果严重低于实际病理数值。
3、其次,超声成像的物理机制决定了其不可避免地伴随高频乘性散斑噪声。超声探头在发射与接收声波时,组织内部的细小散射体会引起声波的相干叠加与相消干涉,在图像上形成颗粒状的明暗斑点。这些散斑噪声在视觉特征上与微小生理卵泡极为相似。现有的预处理技术多采用各向同性的高斯滤波或均值滤波,这类方法在平滑噪声颗粒的同时,也不可避免地模糊甚至摧毁了真实卵泡的锐利边界以及卵巢间质内部的结构纹理,导致假阳性囊性暗区的误判率居高不下。
4、最后,现有的超声影像自动分析系统大多存在“特征关注单一化”的技术偏见。临床病理学表明,pcos不仅表现为卵泡数量的增加,长期的雄激素过高暴露还会导致卵泡周边的结缔组织发生显著的纤维化增生,这在声学上表现为“间质面积增大及回声增强”。现有的自动分割模型仅仅聚焦于寻找代表液性暗区的黑点(卵泡),而将充满高回声亮区的卵巢间质单纯视为背景干扰直接予以剔除。这种处理逻辑直接丢弃了蕴含重要内分泌异常信息的器质性指标,导致系统对卵泡数量处于临界状态但间质已发生明显病变的边缘不典型pcos病例缺乏足够的敏感度,极大限制了自动化诊断系统的综合准确率与临床应用价值。
技术实现思路
1、为了解决上述技术问题,本发明提供了一种多囊卵巢综合征诊断的卵巢超声影像自动分析系统,包括超声影像获取模块和预处理模块,所述超声影像获取模块用于获取目标对象的卵巢超声二维影像数据或者三维影像数据,所述预处理模块用于对所述卵巢超声二维影像数据或者三维影像数据进行滤波去噪处理得到基础灰度影像;该系统还包括:
2、拓扑特征提取模块,用于将所述基础灰度影像的像素灰度值作为连续高度函数进行灰度级扫描,基于拓扑学不变量计算提取出存活周期超过预设持久度阈值的独立孔洞节点集作为卵泡候选特征集;
3、图网络构建模块,用于将所述独立孔洞节点集中的每个孔洞定义为图节点,并提取任意两个所述图节点在所述基础灰度影像上连线路径区域的灰度统计量,基于所述灰度统计量以及两个所述图节点的空间距离计算连接边权重,构建得到卵泡间质微环境拓扑图;
4、综合诊断模块,用于将所述卵泡间质微环境拓扑图输入预先训练的图卷积神经网络进行节点特征与所述连接边权重的特征聚合,输出多囊卵巢综合征的预测结果。
5、所述预处理模块通过以下操作步骤进行滤波去噪处理:计算所述卵巢超声二维影像数据或者三维影像数据中每一个像素点的结构张量矩阵;对每一个所述结构张量矩阵进行特征值分解处理,计算得到表征局部纹理方向的主特征值和次特征值;基于所述主特征值和所述次特征值构建扩散张量模型;在垂直于组织边缘梯度的方向分配第一扩散系数,在平行于组织边缘梯度的方向分配第二扩散系数,所述第二扩散系数的数值大于所述第一扩散系数的数值;根据分配系数后的扩散张量模型对原始影像数据进行各向异性扩散滤波迭代输出所述基础灰度影像。
6、所述拓扑特征提取模块在进行灰度级扫描时,具体执行以下操作步骤:设置灰度扫描范围并按照预设灰度步长从最低灰度值向最高灰度值逐步增加扫描阈值;在每个灰度步长增加时,提取所述基础灰度影像中灰度值低于当前扫描阈值的像素点集合,生成由按扫描顺序递增的像素点集合构成的单纯复形嵌套序列。计算所述单纯复形嵌套序列在每个扫描阈值下的一维贝蒂数;记录每一个一维贝蒂数对应的拓扑孔洞产生时的第一灰度阈值以及该拓扑孔洞闭合消失时的第二灰度阈值;将所述第二灰度阈值与所述第一灰度阈值作差计算得到每个拓扑孔洞的持久度。剔除持久度小于所述预设持久度阈值的拓扑孔洞,提取剩余保留的拓扑孔洞的空间中心坐标作为所述独立孔洞节点集中图节点的特征坐标向量。
7、所述图网络构建模块中提取的所述连线路径区域的灰度统计量包括两个图节点连线路径上的像素平均灰度值以及像素灰度方差;将所述像素平均灰度值与所述像素灰度方差进行相乘计算得到间质阻力特征值;将两个图节点之间的欧氏几何距离与所述间质阻力特征值进行线性加权求和,生成包含局部节点连通性的连接边权重矩阵。
8、所述综合诊断模块提取目标对象的人体生化指标向量;将所述图卷积神经网络最后一层输出的图全局特征向量与所述人体生化指标向量进行维度拼接,生成多模态融合特征向量;将所述多模态融合特征向量输入全连接网络层映射计算分类概率数值。
9、该系统还包括逆向映射解释模块;所述逆向映射解释模块用于读取所述图卷积神经网络中分类权重贡献值大于预设数值的目标图节点以及目标连接边;提取所述目标图节点和目标连接边的原始空间坐标,在所述基础灰度影像的对应坐标位置生成具有伪彩色像素叠加层的标示热力图并输出至显示终端。
10、本发明的有益效果:
11、1、 本发明通过引入代数拓扑学中的持久同调理论,将基础灰度影像映射为单纯复形嵌套序列并提取一维贝蒂数。该方案不再依赖对连续像素梯度的实体边缘分割,即使在致密微环境挤压导致卵泡边缘在视觉上完全融合的极端病理状态下,系统依然能够在高维拓扑空间中将各个卵泡精准识别为具有独立生命周期的液性孔洞特征(即提取持久度),从根本上解决了密集粘连状态下的漏诊与计数坍塌难题。
12、2、本发明颠覆了传统算法将非卵泡区域直接剔除的固有逻辑,创新性地提取孔洞节点之间的像素平均灰度值与灰度方差并计算出间质阻力特征值。该方案将卵巢间质的异常纤维化及高回声病理特征结构化量化为图卷积神经网络的连接边权重,完美映射了pcos局部的异常高压微环境。结合人体生化指标的多模态融合,实现了对孤立结构异常与全局环境异常的联合评估,显著提升了对不典型病例的诊断特异性。
13、3、预处理模块通过计算像素点的结构张量矩阵并提取主次特征值,构建了具备高度智能方向选择性的扩散张量模型。该方案在垂直于组织边缘梯度的方向利用指数级衰减的第一扩散系数强制阻断平滑,在平行于组织边缘梯度的方向利用第二扩散系数彻底消融散斑噪声。在毫无信息折损的前提下,为下游计算提供了纯净的底层矩阵,有效避免了将高频噪声误判为假阳性孔洞。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com