买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京凯普顿医药科技开发有限公司

申请日：2024-12-26

公开（公告）日：2025-01-24

公开（公告）号：CN119359729A

专利技术分类：

专利摘要：本发明公开了一种医用超声图像分析系统及方法，涉及医学影像处理技术领域，该系统的组成包括：超声图像采集模块、图像特征提取模块、贝叶斯网络诊断模型构建模块、概率推理计算模块和诊断结果输出模块，本发明的医用超声图像分析系统通过构建贝叶斯网络诊断模型，能够综合考虑图像中的多种特征以及患者的个人信息和病史，从而实现对疾病的全面、准确诊断，不仅提高了诊断的准确性和可靠性，还大大减少了医生的主观判断对诊断结果的影响，降低了误诊和漏诊的风险，同时，由于贝叶斯网络具有强大的推理能力和自学习能力，本系统能够随着临床数据的积累不断优化和完善诊断模型，提高诊断的精度和效率。

专利权项：1.一种医用超声图像分析系统，其特征在于，该系统的组成包括：超声图像采集模块、图像特征提取模块、贝叶斯网络诊断模型构建模块、概率推理计算模块和诊断结果输出模块；所述超声图像采集模块与医用超声成像设备连接，用于采集医用超声图像，并对图像进行预处理，优化干扰因素对诊断的影响；所述图像特征提取模块从采集到的超声图像中提取多种特征，并将提取的特征作为贝叶斯网络诊断模型的输入信息，所述特征包括边缘梯度特征、区域对比度特征、频谱特征，其中：所述边缘梯度特征的提取过程为：通过图像中像素点处的灰度值，使用Sobel算子计算水平梯度和垂直梯度，即水平梯度算子为，垂直梯度算子为，则，边缘梯度幅值，对于整幅图像，其图像像素点总数为，则边缘梯度特征值，其中M、N为图像的行列数，该值用于描述图像中组织边界的总体变化程度信息输入到贝叶斯网络诊断模型；所述区域对比度特征的提取过程为：将图像划分为个互不重叠的子区域，其中，，设置子区域的平均灰度值为，整幅图像的平均灰度值为，则子区域与整幅图像的对比度值，区域对比度特征，其中为子区域的权重，该特征用于反映不同区域间灰度差异情况并输入贝叶斯网络诊断模型；所述频谱特征的提取过程为：对超声图像进行二维离散傅里叶变换2D-DFT，即，其中和分别为图像的行数和列数，，，频谱特征包括峰值频率，即频谱幅值最大时对应的频率坐标，以及带宽，对应的频谱能量函数为，计算总能量，从低频开始累计能量，当累计能量达到时对应的频率范围即为带宽，该频谱特征用于分析超声反射信号的频率特性与组织特性的关系并作为模型输入，记频谱特征值为；所述贝叶斯网络诊断模型构建模块用于构建贝叶斯网络诊断模型，并确定网络的节点和节点之间的概率关系，将提取的图像特征以及患者信息设定为网络节点，并根据临床数据确定节点之间的条件概率分布得到疾病节点，从而构建完整的贝叶斯网络结构，同时，在模型中引入不确定性量化指标，即置信区间和熵值，以量化概率结果的不确定性程度，其中，所述贝叶斯网络诊断模型的具体构建过程为：确定节点类型：根据图像特征提取模块得到的边缘梯度特征值、区域对比度特征、频谱特征值为，以及患者的年龄和性别信息，分别作为图像特征节点和患者信息节点，得到贝叶斯网络中的基础节点集合为，其中图像特征节点包括边缘梯度特征节点、区域对比度特征节点、频谱特征节点，患者信息节点包括年龄节点、性别节点；确定节点之间的概率关系：收集临床病例数据，包括患者的超声图像数据、对应的图像特征计算结果、患者的年龄、性别信息以及最终确诊的疾病类型，通过条件概率分布确定节点之间的概率分布，即对于疾病节点和基础节点集合，计算条件概率分布，即考虑疾病和一组特征值与患者信息值的组合，在数据集中统计同时出现疾病和该特征组合的次数，以及该特征组合单独出现的次数，则条件概率，通过此条件概率方式将基础节点集合中的所有图像特征节点和患者信息节点都与疾病节点关联；构建贝叶斯网络结构：根据确定的节点和节点之间的概率关系，构建贝叶斯网络结构，网络中的每个节点都表示一个随机变量，节点之间的有向边表示变量之间的依赖关系；引入不确定性量化指标：在贝叶斯网络诊断模型中引入不确定性量化指标，包括置信区间和熵值，用于量化概率结果的不确定性程度；所述概率推理计算模块将图像特征提取模块得到的特征数据输入到贝叶斯网络诊断模型中，通过贝叶斯网络结构计算疾病的发生概率，在计算过程中，实时更新不确定性量化指标的值，随着新数据的输入和概率推理的进行，动态调整置信区间和熵值的指标；所述诊断结果输出模块将概率推理计算模块得到的疾病发生概率以概率数值列表的形式呈现给医生，同时提供相应的诊断建议，辅助医生做出最终的诊断决策。

百度查询： 北京凯普顿医药科技开发有限公司 一种医用超声图像分析系统及方法