CN118587209A - 基于光声成像的甲状旁腺血运状态分析系统及方法 - Google Patents

Abstract

本发明公开了基于光声成像的甲状旁腺血运状态分析系统及方法，涉及图像分析领域，本发明通过采集多个甲状旁腺样品对应的甲状旁腺显像，以及测定对应的血运状态等级，为后续获取甲状旁腺显像的特征数据的分类中心数据提供了数据支持；采集甲状旁腺显像的特征数据进行分析，使得分类更加准确；通过对待分析甲状旁腺在未来时刻的特征数据进行预测操作，再对未来时刻的特征数据进行分类，从而判定待分析甲状旁腺是否存在隐含的风险；进行采取相应的措施进行预防；最后将待分析甲状旁腺的实时特征数据与待分析甲状旁腺的未来特征数据进行比较分析，得到待分析甲状旁腺的血运状态等级数据。

Description

基于光声成像的甲状旁腺血运状态分析系统及方法

技术领域

本发明属于图像分析领域，具体来说，特别涉及基于光声成像的甲状旁腺血运状态分析系统及方法。

背景技术

光声成像是一种非入侵式和非电离式的生物医学成像方法。其原理是利用脉冲激光照射生物组织，当激光被组织中的光吸收域吸收后，部分光能转化为热能，导致周围组织发生热弹性膨胀，进而产生宽带（兆赫兹级）的超声波发射；这些超声波随后被超声换能器检测，通过探测这些光声信号，可以重建出组织中的光吸收分布图像。光声成像结合了纯光学成像的高选择特性和纯超声成像的深穿透特性，能够提供高分辨率和高对比度的组织图像，突破了高分辨率光学成像的深度限制，实现了深层活体内组织的高质量成像；

多光谱光声层析成像和超声技术相结合已被用于无创地表征一系列甲状腺疾病；

目前对甲状旁腺血运状态进行分析的系统有申请号为202121407683.4的专利文献中提出的一种甲状旁腺功能成像系统及内镜；该系统通过在内镜内应用近红外荧光技术用以定位甲状旁腺，激光散斑技术显示甲状旁腺的散斑对比度图像，进而了解其血运是否丧失、是否需要移植，用以指导甲状腺手术中对甲状旁腺功能的诊断。

中国专利申请CN117710325A公开了内镜甲状腺手术中甲状旁腺自动识别及追踪方法，通过获取内镜甲状腺术中原图像，对其进行轮廓提取及像素值调整，得到标注后的增强图像，再利用该图像及原始图像对预构建的识别模型进行训练，最终利用训练后的模型对实时内镜视频进行甲状旁腺的识别追踪。该发明能够实现甲状旁腺的自动识别和实时追踪，有助于降低甲状旁腺损伤的风险。

目前，甲状旁腺血运状态的分析需要专业的设备和技术人员进行操作，对设备以及操作人员的要求较高，不同操作人员的经验和技术水平可能会对结果产生影响，使得分析的结果可能因各种人为因素而存在差异，通过这样的分析结果不能判定甲状旁腺血运状态是否为正常状态。

发明内容

针对相关技术中的问题，本发明提出甲状旁腺血运状态分析系统及方法，以克服现有相关技术所存在的上述技术问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为甲状旁腺血运状态分析方法，包括以下步骤：

S1、采集多个甲状旁腺样品的实时图像并进行预处理，得到最终甲状旁腺显像集；并对多个甲状旁腺样品的血运状态等级进行测试，得到第一血运状态等级数据集；

S2、提取所述最终甲状旁腺显像集的特征数据，得到甲状旁腺特征数据矩阵；

S3、对所述甲状旁腺特征数据矩阵中的每个特征数据进行迭代优化分类，得到最优分类中心数据矩阵；

S4、采集所述多个甲状旁腺样品的历史图像并进行预处理，再对所述历史图像进行特征提取，得到历史甲状旁腺特征数据矩阵集；

采用所述历史甲状旁腺特征数据矩阵对初始BP神经网络模型进行训练以及测试，得到最终BP神经网络模型；

S5、采集待分析甲状旁腺的实时显像的特征数据、历史显像的特征数据，得到实时甲状旁腺特征数据集和历史待分析甲状旁腺特征数据矩阵；

将所述历史待分析甲状旁腺特征数据矩阵输入实时最终BP神经网络模型中进行预测，得到待分析甲状旁腺未来特征数据矩阵；

S6、计算所述待分析甲状旁腺未来特征数据矩阵和实时甲状旁腺特征数据集中各个特征数据到最优分类中心数据矩阵中各个中心数据的欧式距离并配合所述第一血运状态等级数据集，得到待分析甲状旁腺的血运状态等级数据。

首先采集多个甲状旁腺样品的图像，以及测定对应的血运状态等级，从而构成了训练样本以及训练样本数据标签；为后续获取甲状旁腺显像的特征数据的分类中心数据提供了数据支持；对甲状旁腺显像进行预处理，使得后续对甲状旁腺显像的特征数据进行提取更加方便；通过提取甲状旁腺显像中与血运状态相关的特征数据，便于后续通过分类找到特征数据与血运状态等级数据之间的关联性，因此采集甲状旁腺显像的特征数据进行分析，在分析过程中考虑更多的影响因素，使得分类更加准确；由于甲状旁腺在未来的血运状态也是显示甲状旁腺在目前的血运状态的一个重要因素，因此通过构建BP神经网络模型对待分析甲状旁腺在未来时刻的特征数据进行预测操作，从而得到对待分析甲状旁腺在未来时刻的特征数据，再对未来时刻的特征数据进行分类，从而判定待分析甲状旁腺是否存在隐含的风险；进行采取相应的措施进行预防；最后将待分析甲状旁腺的实时特征数据与待分析甲状旁腺的未来特征数据进行比较分析，得到待分析甲状旁腺的血运状态等级数据。

优选地，所述S1包括以下步骤：

S11、采集多个甲状旁腺样品，得到甲状旁腺样品集；表示采集得到的第个甲状旁腺样品，表示采集的甲状旁腺样品的总个数；

再设定甲状旁腺血运状态等级集，表示设定的第个甲状旁腺血运状态等级，表示设定的甲状旁腺血运状态等级的总个数；

配合所述甲状旁腺血运状态等级集分析与甲状旁腺样品集中各个甲状旁腺样品的血运状态等级，得到第一血运状态等级数据集，表示第个甲状旁腺样品的血运状态等级数据；

优选的，S11中配合所述甲状旁腺血运状态等级集分析与甲状旁腺样品集中各个甲状旁腺样品的血运状态等级采用的分析方法包括激光散斑技术；

S12、采集所述甲状旁腺样品集中各个甲状旁腺样品的显像图像，得到初始甲状旁腺显像集，表示第个甲状旁腺样品的显像图像；

优选的，采集所述甲状旁腺样品集中各个甲状旁腺样品的显像图像的方式包括自体荧光显像技术或者光声成像技术或者激光散斑技术。

当然也能采用其他现有技术的方式得到各个甲状旁腺样品的显像图像。

S13、对所述初始甲状旁腺显像集中的各个甲状旁腺显像进行预处理操作，得到最终甲状旁腺显像集；

激光散斑技术是通过对区域散斑衬比图中散斑对比度的大小来判定甲状旁腺的血运状态是否正常；因此，甲状旁腺血运状态等级集中的各个等级是根据区域散斑衬比图中散斑对比度的大小来进行划分，因此可以通过甲状旁腺血运状态等级来判断甲状旁腺的血运状态的正常程度。

优选地，所述S13包括以下步骤：

S131、对所述初始甲状旁腺显像集中的各个甲状旁腺显像进行去噪操作，得到去噪后的甲状旁腺显像集，表示对进行去噪后得到的甲状旁腺显像；具体包括以下步骤：

S1311、对所述初始甲状旁腺显像集中的各个甲状旁腺显像进行遍历，对每个甲状旁腺显像先后进行形态学开运算和形态学闭运算，得到开运算后的甲状旁腺显像集和闭运算后的甲状旁腺显像集；

S1312、设定噪声阈值，根据所述噪声阈值、开运算后的甲状旁腺显像集以及闭运算后的甲状旁腺显像集设定噪声检测公式；如下，

；

式中，和分别表示闭运算后的甲状旁腺显像集中每个甲状旁腺显像的像素横坐标和像素纵坐标；表示所述开运算后的甲状旁腺显像集中每个甲状旁腺显像上的像素点与初始甲状旁腺显像集中对应甲状旁腺显像上的像素点之间像素的差值；表示所述闭运算后的甲状旁腺显像集中每个甲状旁腺显像上的像素点与初始甲状旁腺显像集中对应甲状旁腺显像上的像素点之间像素的差值；

当的值为1或-1时，所述闭运算后的甲状旁腺显像集中甲状旁腺显像的像素点为噪声点，得到噪声点集；所述闭运算后的甲状旁腺显像集中甲状旁腺显像的像素点不是噪声点；

S1313、对所述噪声点集中的每个噪声点进行去噪处理，去噪公式如下，

；

式中，表示所述噪声点集的噪声点；和分别表示对进行一步形态学计算和二步形态学计算；和均表示方形结构元素；表示闭运算；表示黑点运算符，用于突出显示图像中的暗区域或与结构元素不匹配的部分；

对和求均值；至此完成对所述噪声点集中的每个噪声点的去噪处理，得到去噪后的甲状旁腺显像集；

S132、对所述去噪后的甲状旁腺显像集中的各个甲状旁腺显像进行增强对比度操作，得到最终甲状旁腺显像集，表示对进行增强对比度操作之后得到的甲状旁腺显像；

优选地，S132中所述增强对比度操作采用ACE算法；

通过对甲状旁腺显像进行去噪以及增强对比度操作，使得甲状旁腺显像中的特征更加清晰，从而方便后续进行提取。

优选地，所述S2包括以下步骤：

S21、设定甲状旁腺显像特征类型集，表示设定的第个甲状旁腺显像特征类型，表示设定的甲状旁腺显像特征类型的总个数；

根据所述甲状旁腺显像特征类型集对最终甲状旁腺显像集中的每个甲状旁腺显像进行特征提取，得到甲状旁腺特征数据矩阵；如下，

；

其中，表示最终甲状旁腺显像集中第个甲状旁腺显像的第个特征数据。

优选地，所述S3包括以下步骤：

S31、构建第一雄性蜉蝣种群以及第一雌性蜉蝣种群，和分别表示第一雄性蜉蝣种群中的第个雄性蜉蝣以及第一雌性蜉蝣种群中的第个雌性蜉蝣，和分别表示第一雄性蜉蝣种群和第一雌性蜉蝣种群的规模；再设定所述第一雄性蜉蝣种群和第一雌性蜉蝣种群的最大迭代次数为、当前迭代次数为以及搜索空间的维度数为；

S32、根据所述甲状旁腺特征数据矩阵设定第一雄性蜉蝣种群中各个雄性蜉蝣的初始位置以及第一雌性蜉蝣种群中各个雌性蜉蝣的初始位置；具体包括以下步骤：

S321、从所述甲状旁腺特征数据矩阵中随机选择行数据作为第一雄性蜉蝣种群中第一个雄性蜉蝣的初始位置矩阵；再从所述甲状旁腺特征数据矩阵中随机选择行数据作为第一雌性蜉蝣种群中第一个雌性蜉蝣的初始位置矩阵；

S322、重复S321，直至所述第一雄性蜉蝣种群中各个雄性蜉蝣的初始位置以及第一雌性蜉蝣种群中各个雌性蜉蝣的初始位置全部初始化完成，得到第一雄性蜉蝣初始位置矩阵集和第一雌性蜉蝣初始位置矩阵集，和分别表示第一雄性蜉蝣种群中第个雄性蜉蝣的初始位置矩阵以及第一雌性蜉蝣种群中第个雌性蜉蝣的初始位置矩阵；分别如下，

；

；

其中，和分别表示中代表第次随机选出的数据集中的第个特征数据的位置分量以及中代表第次随机选出的数据集中的第个特征数据的位置分量；

S33、计算所述甲状旁腺特征数据矩阵中每条数据到各个蜉蝣的初始位置中每行数据的欧式距离，得到欧式距离矩阵；如下，

；

其中，表示所述甲状旁腺特征数据矩阵中第行数据到每个蜉蝣的初始位置中第行数据的欧式距离；

选取所述欧式距离矩阵中每行最小的欧式距离数据对应的甲状旁腺特征数据矩阵中数据归类到每个蜉蝣的初始位置中对应行的数据中，得到初始甲状旁腺特征数据分类矩阵集，表示第个初始甲状旁腺特征数据分类矩阵；如下，

；

其中，表示第个初始甲状旁腺特征数据分类矩阵中第个甲状旁腺的第个特征数据，表示第个初始甲状旁腺特征数据分类中甲状旁腺特征数据的总个数；；

设定所述第一雄性蜉蝣种群和第一雌性蜉蝣种群的适应度函数；如下，

；

式中，表示第个初始甲状旁腺特征数据分类中甲状旁腺特征数据的总个数，表示第个初始甲状旁腺特征数据分类中的第个甲状旁腺的特征数据集到蜉蝣的对应行的数据之间的欧式矩阵；

S34、开始进行迭代操作，每轮迭代过程中根据所述适应度函数对第一雄性蜉蝣种群和第一雌性蜉蝣种群中的各个蜉蝣的适应度值进行计算；选取所述第一雄性蜉蝣种群以及第一雌性蜉蝣种群中适应度最高的蜉蝣个体的位置，分别记为第一最佳适应度、第二最佳适应、第一最佳位置和第二最佳位置；根据所述第一最佳适应度、第二最佳适应、第一最佳位置和第二最佳位置对每只雄性蜉蝣以及雌性蜉蝣的位置以及速度进行更新；同时将所述第一雄性蜉蝣种群中适应度最高的雄性蜉蝣个体与第一雌性蜉蝣种群中随机的雌性蜉蝣个体进行交配；

S35、当时，停止迭代，得到第一最优位置矩阵以及第一最优分类矩阵集，表示第一最优分类矩阵集中第个甲状旁腺特征数据分类矩阵；和分别如下，

；；

其中，表示最优位置矩阵中对应第个甲状旁腺特征数据分类的分类中心数据集中的第个特征数据，表示第个最优分类矩阵第个甲状旁腺的第个特征数据，表示第个最优分类中甲状旁腺特征数据的总个数；；

S36、根据第一血运状态等级数据集判定第一最优分类矩阵集中各个最优分类矩阵中的甲状旁腺的特征数据集对应血运状态等级数据是否相同；

若相同，将所述第一最优位置矩阵作为最优分类中心数据矩阵；否则，继续S34中的迭代操作，直到第一最优分类矩阵集中各个最优分类矩阵中的甲状旁腺的特征数据集对应血运状态等级数据均相同，得到最优分类中心数据矩阵；

蜉蝣优化算法具有收敛速度快、全局搜索能力强等特点，在多领域中有着广泛的应用；通过构建蜉蝣种群对甲状旁腺特征数据矩阵的各个分类中心进行不断迭代和优化，由于初始特征数据的分类中心数据是随机选取的，使得蜉蝣种群的最优解空间的数据更加丰富，使得寻优的效率更高最终使得分到每个分类的各个特征数据对应的血运状态数据均相同，从而得到一组最佳分类中心数据，从而为后续对待分析的甲状旁腺的特征数据进行分类提供了判定依据。

优选地，所述S4包括以下步骤：

S41、设定历史时间点集；表示第个历史时间点，表示设定的历史时间点的总个数；

S42、采集所述历史时间点集中每个时间点时的最终甲状旁腺显像集中的每个甲状旁腺显像的特征数据，得到历史甲状旁腺综合数据矩阵集，表示第个历史时间点的甲状旁腺综合数据矩阵；

S43、构建初始BP神经网络模型；采用所述历史甲状旁腺特征数据矩阵集对初始BP神经网络模型进行训练和测试，得到最终BP神经网络模型；

通过采集待分析甲状旁腺的历史特征数据对初始BP神经网络模型进行训练以及测试，使得BP神经网络模型对于甲状旁腺的特征数据具有了较好的预测效果，为后续对待分析甲状旁腺在未来时刻的特征数据进行预测提供了模型支持。

优选地，所述S43包括以下步骤：

S431、构建初始BP神经网络模型并设定训练数据比例、训练误差阈值以及测试准确率阈值；

S432、根据所述训练数据比例对历史甲状旁腺特征数据矩阵集进行数据划分，得到历史甲状旁腺综合训练数据矩阵集和历史甲状旁腺综合测试数据矩阵集；

S433、将所述历史甲状旁腺综合训练数据矩阵集输入至初始BP神经网络模型中进行训练；当训练过程中训练误差小于所述训练误差阈值时，停止训练，得到训练好的BP神经网络模型；

S434、将所述历史甲状旁腺综合测试数据矩阵集输入至训练好的BP神经网络模型中进行测试，得到测试准确率；当所述测试准确率大于或者等于测试准确率阈值时，将所述训练好的BP神经网络模型作为最终BP神经网络模型；否则，返回S433中继续对所述训练好的BP神经网络模型进行训练，直到所述测试准确率大于或者等于测试准确率阈值为止，得到最终BP神经网络模型；

通过对历史甲状旁腺特征数据矩阵集进行数据划分、设置训练误差阈值以及测试准确率阈值，为后续的训练和测试过程的效果进行判定。

优选地，所述S5包括以下步骤：

S51、对待分析甲状旁腺图像进行实时采集，再采用S13的方式进行去噪并提取特征，得到实时甲状旁腺特征数据集，表示第个待分析甲状旁腺的实时特征数据；

S52、根据所述历史时间点集采用光声成像设备对待分析的甲状旁腺的进行图像采集、再采用S13的方式进行去噪并提取特征，得到历史待分析甲状旁腺特征数据矩阵；如下，

；

其中，表示第个历史时间点的待分析甲状旁腺的第个特征数据；

S53、设定未来时间点集，表示第个未来时间点，表示设定的未来时间点的总个数；

根据未来时间点集将所述历史待分析甲状旁腺特征数据矩阵输入至最终BP神经网络模型中进行预测，得到待分析甲状旁腺未来特征数据矩阵；如下，

；

其中，表示第个未来时间点的待分析甲状旁腺的第个特征数据；

通过采集待分析甲状旁腺的实时数据，以对待分析甲状旁腺的实时血运情况进行分析，一旦出现异常情况，可及时发现；在通过采用最终BP神经网络模型对待分析甲状旁腺的未来特征数据进行预测，再对预测得到的未来特征数据进行分类，一旦出现异常情况，可以及时采取相关措施进行预防。

优选地，所述S6包括以下步骤：

S61、计算实时甲状旁腺特征数据集到最优分类中心数据矩阵中各行数据的欧式距离，得到第一欧式距离集；将所述第一欧式距离集中最小的欧式距离对应的最优分类中心数据矩阵的行数据的血运状态等级数据作为实时甲状旁腺特征数据集的血运状态等级数据，记为第一血运状态等级数据；

S62、计算待分析甲状旁腺未来特征数据矩阵中的每行数据到最优分类中心数据矩阵中各行数据的欧式距离，得到第二欧式距离矩阵；将所述第二欧式距离矩阵中每行中最小的欧式距离对应的最优分类中心数据矩阵的行数据的血运状态等级数据作为待分析甲状旁腺未来特征数据矩阵中对应行的特征数据集的血运状态等级数据，得到第二血运状态等级数据集；

S63、将所述第二血运状态等级数据集与第一血运状态等级数据进行合并，得到第三血运状态等级数据集；将所述第三血运状态等级数据集中血运状态等级最低的数据作为待分析甲状旁腺的血运状态等级数据；

最后将待分析甲状旁腺的实时特征数据与待分析甲状旁腺的未来特征数据两个方面的数据进行比较分析，使得分析更加全面且准确。

一种甲状旁腺血运状态分析系统，包括甲状旁腺实时显像数据采集模块、预处理模块、特征提取模块、优化分类模块、待分析甲状旁腺数据采集模块、预测模块以及最终血运状态判定模块。

优选地，甲状旁腺实时显像数据采集模块采用现有技术的光声成像装置，具体为一种基于光声成像的甲状旁腺血运状态分析系统。

当然甲状旁腺实时显像数据采集模块也可以是其他现有技术的自体荧光显像装置或者激光散斑成像装置，其他现有技术的方式得到各个甲状旁腺样品的显像图像也适用于本发明。

本发明具有以下有益效果：

1.本发明中通过采集甲状旁腺显像的特征数据进行分析，使得分类更加准确；通过对未来时刻的特征数据进行分类，判定待分析甲状旁腺是否存在隐含的风险；进行采取相应的措施进行预防；最后将待分析甲状旁腺的实时特征数据与待分析甲状旁腺的未来特征数据进行比较分析，得到待分析甲状旁腺的血运状态等级数据；通过采用本发明中技术方案，采用自动图像特征识别以及固定的标准对甲状旁腺的特征数据进行分类分析，使得分析流程更加固定，进而使得分析结果更加准确。

2.本发明中通过构建蜉蝣种群对甲状旁腺特征数据矩阵的各个分类中心进行不断迭代和优化，由于初始特征数据的分类中心数据是随机选取的，使得寻优的效率更高，得到一组最佳分类中心数据，从而为后续对待分析的甲状旁腺的特征数据进行分类提供了判定依据。

3.本发明中通过采集待分析甲状旁腺的历史特征数据对初始BP神经网络模型进行训练以及测试，使得BP神经网络模型对于甲状旁腺的特征数据具有了较好的预测效果，为后续对待分析甲状旁腺在未来时刻的特征数据进行预测提供了模型支持。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得的附图。

图1为本发明甲状旁腺血运状态分析系统对甲状旁腺血运状态进行分析的流程示意图；

图2为本发明甲状旁腺血运状态分析系统中待分析甲状旁腺未来特征数据的预测流程示意图。

具体实施方式

下面将结合发明实施例中的附图，对发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是发明一部分实施例，而不是全部的实施例。基于发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于发明保护的范围。

在本发明的描述中，需要理解的是，术语“开孔”、“上”、“下”、“顶”、“中”、“内”等指示方位或位置关系，仅是为了便于描述发明和简化描述，而不是指示或暗示所指的组件或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对发明的限制。

实施例1

本实施例为甲状旁腺血运状态分析方法，包括以下步骤：

S1、采集多个甲状旁腺样品的实时图像并进行预处理，得到最终甲状旁腺显像集；并对多个甲状旁腺样品的血运状态等级进行测试，得到第一血运状态等级数据集；

所述S1包括以下步骤：

S11、采集多个甲状旁腺样品，得到甲状旁腺样品集；表示采集得到的第个甲状旁腺样品，表示采集的甲状旁腺样品的总个数；

再设定甲状旁腺血运状态等级集，表示设定的第个甲状旁腺血运状态等级，表示设定的甲状旁腺血运状态等级的总个数；

配合所述甲状旁腺血运状态等级集分析与甲状旁腺样品集中各个甲状旁腺样品的血运状态等级，得到第一血运状态等级数据集，表示第个甲状旁腺样品的血运状态等级数据；

优选的，S11中配合所述甲状旁腺血运状态等级集分析与甲状旁腺样品集中各个甲状旁腺样品的血运状态等级采用的分析方法包括激光散斑技术；

S12、采集所述甲状旁腺样品集中各个甲状旁腺样品的显像图像，得到初始甲状旁腺显像集，表示第个甲状旁腺样品的显像图像；

S13、对所述初始甲状旁腺显像集中的各个甲状旁腺显像进行预处理操作，得到最终甲状旁腺显像集；

所述S13包括以下步骤：

S131、对所述初始甲状旁腺显像集中的各个甲状旁腺显像进行去噪操作，得到去噪后的甲状旁腺显像集，表示对进行去噪后得到的甲状旁腺显像；具体包括以下步骤：

S1311、对所述初始甲状旁腺显像集中的各个甲状旁腺显像进行遍历，对每个甲状旁腺显像先后进行形态学开运算和形态学闭运算，得到开运算后的甲状旁腺显像集和闭运算后的甲状旁腺显像集；

S1312、设定噪声阈值，根据所述噪声阈值、开运算后的甲状旁腺显像集以及闭运算后的甲状旁腺显像集设定噪声检测公式；如下，

；

式中，和分别表示闭运算后的甲状旁腺显像集中每个甲状旁腺显像的像素横坐标和像素纵坐标；表示所述开运算后的甲状旁腺显像集中每个甲状旁腺显像上的像素点与初始甲状旁腺显像集中对应甲状旁腺显像上的像素点之间像素的差值；

表示所述闭运算后的甲状旁腺显像集中每个甲状旁腺显像上的像素点与初始甲状旁腺显像集中对应甲状旁腺显像上的像素点之间像素的差值；

当的值为1或-1时，所述闭运算后的甲状旁腺显像集中甲状旁腺显像的像素点为噪声点，得到噪声点集；所述闭运算后的甲状旁腺显像集中甲状旁腺显像的像素点不是噪声点；

S1313、对所述噪声点集中的每个噪声点进行去噪处理，去噪公式如下，

；；

式中，表示所述噪声点集的噪声点；和分别表示对进行一步形态学计算和二步形态学计算；和均表示方形结构元素；表示闭运算；表示黑点运算符，用于突出显示图像中的暗区域或与结构元素不匹配的部分；

对和求均值；至此完成对所述噪声点集中的每个噪声点的去噪处理，得到去噪后的甲状旁腺显像集；

S132、对所述去噪后的甲状旁腺显像集中的各个甲状旁腺显像进行增强对比度操作，得到最终甲状旁腺显像集，表示对进行增强对比度操作之后得到的甲状旁腺显像；

S2、提取所述最终甲状旁腺显像集的特征数据，得到甲状旁腺特征数据矩阵；

所述S2包括以下步骤：

S21、设定甲状旁腺显像特征类型集，表示设定的第个甲状旁腺显像特征类型，表示设定的甲状旁腺显像特征类型的总个数；

根据所述甲状旁腺显像特征类型集对最终甲状旁腺显像集中的每个甲状旁腺显像进行特征提取，得到甲状旁腺特征数据矩阵；如下，

；

其中，表示最终甲状旁腺显像集中第个甲状旁腺显像的第个特征数据；

S3、对所述甲状旁腺特征数据矩阵中的每个特征数据进行迭代优化分类，得到最优分类中心数据矩阵；

所述S3包括以下步骤：

S31、构建第一雄性蜉蝣种群以及第一雌性蜉蝣种群，和分别表示第一雄性蜉蝣种群中的第个雄性蜉蝣以及第一雌性蜉蝣种群中的第个雌性蜉蝣，和分别表示第一雄性蜉蝣种群和第一雌性蜉蝣种群的规模；再设定所述第一雄性蜉蝣种群和第一雌性蜉蝣种群的最大迭代次数为、当前迭代次数为以及搜索空间的维度数为；

S32、根据所述甲状旁腺特征数据矩阵设定第一雄性蜉蝣种群中各个雄性蜉蝣的初始位置以及第一雌性蜉蝣种群中各个雌性蜉蝣的初始位置；具体包括以下步骤：

S321、从所述甲状旁腺特征数据矩阵中随机选择行数据作为第一雄性蜉蝣种群中第一个雄性蜉蝣的初始位置矩阵；再从所述甲状旁腺特征数据矩阵中随机选择行数据作为第一雌性蜉蝣种群中第一个雌性蜉蝣的初始位置矩阵；

S322、重复S321，直至所述第一雄性蜉蝣种群中各个雄性蜉蝣的初始位置以及第一雌性蜉蝣种群中各个雌性蜉蝣的初始位置全部初始化完成，得到第一雄性蜉蝣初始位置矩阵集和第一雌性蜉蝣初始位置矩阵集，和分别表示第一雄性蜉蝣种群中第个雄性蜉蝣的初始位置矩阵以及第一雌性蜉蝣种群中第个雌性蜉蝣的初始位置矩阵；分别如下，

；

；

其中，和分别表示中代表第次随机选出的数据集中的第个特征数据的位置分量以及中代表第次随机选出的数据集中的第个特征数据的位置分量；

S33、计算所述甲状旁腺特征数据矩阵中每条数据到各个蜉蝣的初始位置中每行数据的欧式距离，得到欧式距离矩阵；如下，

；

其中，表示所述甲状旁腺特征数据矩阵中第行数据到每个蜉蝣的初始位置中第行数据的欧式距离；

选取所述欧式距离矩阵中每行最小的欧式距离数据对应的甲状旁腺特征数据矩阵中数据归类到每个蜉蝣的初始位置中对应行的数据中，得到初始甲状旁腺特征数据分类矩阵集，表示第个初始甲状旁腺特征数据分类矩阵；如下，

；

其中，表示第个初始甲状旁腺特征数据分类矩阵中第个甲状旁腺的第个特征数据，表示第个初始甲状旁腺特征数据分类中甲状旁腺特征数据的总个数；；

设定所述第一雄性蜉蝣种群和第一雌性蜉蝣种群的适应度函数；如下，

；

式中，表示第个初始甲状旁腺特征数据分类中甲状旁腺特征数据的总个数，表示第个初始甲状旁腺特征数据分类中的第个甲状旁腺的特征数据集到蜉蝣的对应行的数据之间的欧式矩阵；

S34、开始进行迭代操作，每轮迭代过程中根据所述适应度函数对第一雄性蜉蝣种群和第一雌性蜉蝣种群中的各个蜉蝣的适应度值进行计算；选取所述第一雄性蜉蝣种群以及第一雌性蜉蝣种群中适应度最高的蜉蝣个体的位置，分别记为第一最佳适应度、第二最佳适应、第一最佳位置和第二最佳位置；根据所述第一最佳适应度、第二最佳适应、第一最佳位置和第二最佳位置对每只雄性蜉蝣以及雌性蜉蝣的位置以及速度进行更新；同时将所述第一雄性蜉蝣种群中适应度最高的雄性蜉蝣个体与第一雌性蜉蝣种群中随机的雌性蜉蝣个体进行交配；

S35、当时，停止迭代，得到第一最优位置矩阵以及第一最优分类矩阵集，表示第一最优分类矩阵集中第个甲状旁腺特征数据分类矩阵；和分别如下，

；；

其中，表示最优位置矩阵中对应第个甲状旁腺特征数据分类的分类中心数据集中的第个特征数据，表示第个最优分类矩阵第个甲状旁腺的第个特征数据，表示第个最优分类中甲状旁腺特征数据的总个数；；

S36、根据第一血运状态等级数据集判定第一最优分类矩阵集中各个最优分类矩阵中的甲状旁腺的特征数据集对应血运状态等级数据是否相同；

若相同，将所述第一最优位置矩阵作为最优分类中心数据矩阵；否则，继续S34中的迭代操作，直到第一最优分类矩阵集中各个最优分类矩阵中的甲状旁腺的特征数据集对应血运状态等级数据均相同，得到最优分类中心数据矩阵；

S4、采集所述多个甲状旁腺样品的历史图像并进行预处理，再对所述历史图像进行特征提取，得到历史甲状旁腺特征数据矩阵集；

采用所述历史甲状旁腺特征数据矩阵对初始BP神经网络模型进行训练以及测试，得到最终BP神经网络模型；

所述S4包括以下步骤：

S41、设定历史时间点集；表示第个历史时间点，表示设定的历史时间点的总个数；

S42、采集所述历史时间点集中每个时间点时的最终甲状旁腺显像集中的每个甲状旁腺显像的特征数据，得到历史甲状旁腺综合数据矩阵集，表示第个历史时间点的甲状旁腺综合数据矩阵；

S43、构建初始BP神经网络模型；采用所述历史甲状旁腺特征数据矩阵集对初始BP神经网络模型进行训练和测试，得到最终BP神经网络模型；

所述S43包括以下步骤：

S431、构建初始BP神经网络模型并设定训练数据比例、训练误差阈值以及测试准确率阈值；

S432、根据所述训练数据比例对历史甲状旁腺特征数据矩阵集进行数据划分，得到历史甲状旁腺综合训练数据矩阵集和历史甲状旁腺综合测试数据矩阵集；

S433、将所述历史甲状旁腺综合训练数据矩阵集输入至初始BP神经网络模型中进行训练；当训练过程中训练误差小于所述训练误差阈值时，停止训练，得到训练好的BP神经网络模型；

S434、将所述历史甲状旁腺综合测试数据矩阵集输入至训练好的BP神经网络模型中进行测试，得到测试准确率；当所述测试准确率大于或者等于测试准确率阈值时，将所述训练好的BP神经网络模型作为最终BP神经网络模型；否则，返回S433中继续对所述训练好的BP神经网络模型进行训练，直到所述测试准确率大于或者等于测试准确率阈值为止，得到最终BP神经网络模型；

S5、采集待分析甲状旁腺的实时显像的特征数据、历史显像的特征数据，得到实时甲状旁腺特征数据集和历史待分析甲状旁腺特征数据矩阵；

将所述历史待分析甲状旁腺特征数据矩阵输入实时最终BP神经网络模型中进行预测，得到待分析甲状旁腺未来特征数据矩阵；

所述S5包括以下步骤：

S51、对待分析甲状旁腺图像进行实时采集，再采用S13的方式进行去噪并提取特征，得到实时甲状旁腺特征数据集，表示第个待分析甲状旁腺的实时特征数据；

S52、根据所述历史时间点集采用光声成像设备对待分析的甲状旁腺的进行图像采集、再采用S13的方式进行去噪并提取特征，得到历史待分析甲状旁腺特征数据矩阵；如下，

；

其中，表示第个历史时间点的待分析甲状旁腺的第个特征数据；

S53、设定未来时间点集，表示第个未来时间点，表示设定的未来时间点的总个数；

根据未来时间点集将所述历史待分析甲状旁腺特征数据矩阵输入至最终BP神经网络模型中进行预测，得到待分析甲状旁腺未来特征数据矩阵；如下，

；

其中，表示第个未来时间点的待分析甲状旁腺的第个特征数据；

S6、计算所述待分析甲状旁腺未来特征数据矩阵和实时甲状旁腺特征数据集中各个特征数据到最优分类中心数据矩阵中各个中心数据的欧式距离并配合所述第一血运状态等级数据集，得到待分析甲状旁腺的血运状态等级数据；

所述S6包括以下步骤：

S61、计算实时甲状旁腺特征数据集到最优分类中心数据矩阵中各行数据的欧式距离，得到第一欧式距离集；将所述第一欧式距离集中最小的欧式距离对应的最优分类中心数据矩阵的行数据的血运状态等级数据作为实时甲状旁腺特征数据集的血运状态等级数据，记为第一血运状态等级数据；

S62、计算待分析甲状旁腺未来特征数据矩阵中的每行数据到最优分类中心数据矩阵中各行数据的欧式距离，得到第二欧式距离矩阵；将所述第二欧式距离矩阵中每行中最小的欧式距离对应的最优分类中心数据矩阵的行数据的血运状态等级数据作为待分析甲状旁腺未来特征数据矩阵中对应行的特征数据集的血运状态等级数据，得到第二血运状态等级数据集；

S63、将所述第二血运状态等级数据集与第一血运状态等级数据进行合并，得到第三血运状态等级数据集；将所述第三血运状态等级数据集中血运状态等级最低的数据作为待分析甲状旁腺的血运状态等级数据。

实施例2

本实施例公开一种甲状旁腺血运状态分析系统，所述系统能实现上述实施例的方法，包括甲状旁腺实时显像数据采集模块、预处理模块、特征提取模块、优化分类模块、甲状旁腺数据采集模块、预测模块以及最终血运状态判定模块；

所述甲状旁腺实时显像数据采集模块用于采集多个甲状旁腺样品的甲状旁腺的实时图像；

优选地，甲状旁腺实时显像数据采集模块采用现有技术的光声成像装置或者自体荧光显像装置或者激光散斑成像装置。另外，其他现有技术的方式得到各个甲状旁腺样品的显像图像也适用于本发明。

所述预处理模块对多个甲状旁腺样品的甲状旁腺的实时图像进行预处理，得到最终甲状旁腺显像集；

所述特征提取模块用于提取所述最终甲状旁腺显像集的特征数据，得到甲状旁腺特征数据矩阵；

所述优化分类模块对所述甲状旁腺特征数据矩阵中的每个特征数据进行迭代优化分类，得到最优分类中心数据矩阵；

所述甲状旁腺数据采集模块用于采集待分析甲状旁腺的实时甲状旁腺特征数据和历史待分析甲状旁腺特征数据；

所述预测模块用于采用最终BP神经网络模型对待分析甲状旁腺的实时甲状旁腺特征数据集和历史待分析甲状旁腺特征数据矩阵进行预测得到待分析甲状旁腺未来特征数据矩阵；

所述最终血运状态判定模块用于根据所述待分析甲状旁腺未来特征数据矩阵、实时甲状旁腺特征数据集以及最优分类中心数据矩阵得到待分析甲状旁腺的血运状态等级数据。

优选地，还包括预测模型构建模块，所述预测模型构建模块用于通过最优分类中心数据矩阵构建最终BP神经网络模型。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的发明优选实施例只是用于帮助阐述发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用发明。

Claims (10)

1.基于光声成像的甲状旁腺血运状态分析系统，其特征在于，包括：

实时显像数据采集模块，用于采集多个甲状旁腺样品的实时图像；

预处理模块，用于对多个甲状旁腺样品的实时图像进行预处理，得到最终甲状旁腺显像集；

特征提取模块，用于提取所述最终甲状旁腺显像集的特征数据，得到甲状旁腺特征数据矩阵；

优化分类模块，用于对甲状旁腺特征数据矩阵进行迭代优化分类，得到最优分类中心数据矩阵；

甲状旁腺数据采集模块，用于采集待分析甲状旁腺的实时甲状旁腺特征数据和历史待分析甲状旁腺特征数据；

预测模块，采用通过最优分类中心数据矩阵构建的最终BP神经网络模型对实时甲状旁腺特征数据和历史待分析甲状旁腺特征数据进行预测操作，得到待分析甲状旁腺未来特征数据矩阵；

最终血运状态判定模块，用于根据所述待分析甲状旁腺未来特征数据矩阵、实时甲状旁腺特征数据集以及最优分类中心数据矩阵得到待分析甲状旁腺的血运状态等级数据。

2.根据权利要求1所述的基于光声成像的甲状旁腺血运状态分析系统，其特征在于，所述多个甲状旁腺样品的实时图像的采集方法包括：

采集多个甲状旁腺样品，得到甲状旁腺样品集；再设定甲状旁腺血运状态等级集；配合所述甲状旁腺血运状态等级集分析与甲状旁腺样品集中各个甲状旁腺样品的血运状态等级，得到第一血运状态等级数据集；

采集所述甲状旁腺样品集中各个甲状旁腺样品的显像图像，得到初始甲状旁腺显像集。

3.根据权利要求2所述的基于光声成像的甲状旁腺血运状态分析系统，其特征在于，多个甲状旁腺样品的实时图像的预处理方法包括：

对所述初始甲状旁腺显像集中的各个甲状旁腺显像进行去噪操作，得到去噪后的甲状旁腺显像集；

对所述去噪后的甲状旁腺显像集中的各个甲状旁腺显像进行增强对比度操作，得到最终甲状旁腺显像集。

4.根据权利要求3所述的基于光声成像的甲状旁腺血运状态分析系统，其特征在于，对甲状旁腺特征数据矩阵进行迭代优化分类的方法包括：

构建第一雄性蜉蝣种群以及第一雌性蜉蝣种群；再设定所述第一雄性蜉蝣种群和第一雌性蜉蝣种群的最大迭代次数为、当前迭代次数为；

根据所述甲状旁腺特征数据矩阵设定第一雄性蜉蝣种群中各个雄性蜉蝣的初始位置以及第一雌性蜉蝣种群中各个雌性蜉蝣的初始位置；

计算所述甲状旁腺特征数据矩阵中每条数据到各个蜉蝣的初始位置中每行数据的欧式距离，得到欧式距离矩阵；选取所述欧式距离矩阵中每行最小的欧式距离数据对应的甲状旁腺特征数据矩阵中数据归类到每个蜉蝣的初始位置中对应行的数据中，得到初始甲状旁腺特征数据分类矩阵集；设定所述第一雄性蜉蝣种群和第一雌性蜉蝣种群的适应度函数；

开始进行迭代操作，每轮迭代过程中根据所述适应度函数对第一雄性蜉蝣种群和第一雌性蜉蝣种群中的各个蜉蝣的适应度值进行计算；选取所述第一雄性蜉蝣种群以及第一雌性蜉蝣种群中适应度最高的蜉蝣个体的位置，分别记为第一最佳适应度、第二最佳适应、第一最佳位置和第二最佳位置；根据所述第一最佳适应度、第二最佳适应、第一最佳位置和第二最佳位置对每只雄性蜉蝣以及雌性蜉蝣的位置以及速度进行更新；同时将所述第一雄性蜉蝣种群中适应度最高的雄性蜉蝣个体与第一雌性蜉蝣种群中随机的雌性蜉蝣个体进行交配；

当时，停止迭代，得到第一最优位置矩阵以及第一最优分类矩阵集；

根据第一血运状态等级数据集判定第一最优分类矩阵集中各个最优分类矩阵中的甲状旁腺的特征数据集对应血运状态等级数据是否相同；若相同，将所述第一最优位置矩阵作为最优分类中心数据矩阵；否则，继续S34中的迭代操作，直到第一最优分类矩阵集中各个最优分类矩阵中的甲状旁腺的特征数据集对应血运状态等级数据均相同，得到最优分类中心数据矩阵。

5.根据权利要求4所述的基于光声成像的甲状旁腺血运状态分析系统，其特征在于，通过最优分类中心数据矩阵构建最终BP神经网络模型的方法包括：

设定历史时间点集；采集所述历史时间点集中每个时间点时的最终甲状旁腺显像集中的每个甲状旁腺显像的特征数据，得到历史甲状旁腺特征数据矩阵集；

构建初始BP神经网络模型；采用所述历史甲状旁腺特征数据矩阵集对初始BP神经网络模型进行训练和测试，得到最终BP神经网络模型。

6.根据权利要求5所述的基于光声成像的甲状旁腺血运状态分析系统，其特征在于，采用所述历史甲状旁腺特征数据矩阵集对初始BP神经网络模型进行训练和测试的方法包括：

构建初始BP神经网络模型并设定训练数据比例、训练误差阈值以及测试准确率阈值；

根据所述训练数据比例对历史甲状旁腺特征数据矩阵集进行数据划分，得到历史甲状旁腺综合训练数据矩阵集和历史甲状旁腺综合测试数据矩阵集；

将所述历史甲状旁腺综合训练数据矩阵集输入至初始BP神经网络模型中进行训练；当训练过程中训练误差小于所述训练误差阈值时，停止训练，得到训练好的BP神经网络模型；

将所述历史甲状旁腺综合测试数据矩阵集输入至训练好的BP神经网络模型中进行测试，得到测试准确率；当所述测试准确率大于或者等于测试准确率阈值时，将所述训练好的BP神经网络模型作为最终BP神经网络模型；否则，返回，继续对所述训练好的BP神经网络模型进行训练，直到所述测试准确率大于或者等于测试准确率阈值为止，得到最终BP神经网络模型。

7.根据权利要求6所述的基于光声成像的甲状旁腺血运状态分析系统，其特征在于，采集待分析甲状旁腺的实时甲状旁腺特征数据和历史待分析甲状旁腺特征数据的方法包括：

对待分析甲状旁腺的图像进行实时采集，再对实时采集的待分析甲状旁腺的图像进行去噪、提取特征，得到实时待分析甲状旁腺显像特征数据集；

根据所述历史时间点集对待分析的甲状旁腺进行图像采集、再对采集的待分析的甲状旁腺历史图像进行去噪、提取特征，得到历史待分析甲状旁腺特征数据矩阵。

8.根据权利要求7所述的基于光声成像的甲状旁腺血运状态分析系统，其特征在于，所述预测操作的方法包括：

设定未来时间点集；根据未来时间点集将所述历史待分析甲状旁腺特征数据矩阵输入至最终BP神经网络模型中进行预测，得到待分析甲状旁腺未来特征数据矩阵。

9.根据权利要求8所述的基于光声成像的甲状旁腺血运状态分析系统，其特征在于，根据所述待分析甲状旁腺未来特征数据矩阵、实时甲状旁腺特征数据集以及最优分类中心数据矩阵得到待分析甲状旁腺的血运状态等级数据的方法包括：

计算实时甲状旁腺特征数据集到最优分类中心数据矩阵中各行数据的欧式距离，得到第一欧式距离集；将所述第一欧式距离集中最小的欧式距离对应的最优分类中心数据矩阵的行数据的血运状态等级数据作为实时甲状旁腺特征数据集的血运状态等级数据，记为第一血运状态等级数据；

计算待分析甲状旁腺未来特征数据矩阵中的每行数据到最优分类中心数据矩阵中各行数据的欧式距离，得到第二欧式距离矩阵；将所述第二欧式距离矩阵中每行中最小的欧式距离对应的最优分类中心数据矩阵的行数据的血运状态等级数据作为待分析甲状旁腺未来特征数据矩阵中对应行的特征数据集的血运状态等级数据，得到第二血运状态等级数据集；

将所述第二血运状态等级数据集与第一血运状态等级数据进行合并，得到第三血运状态等级数据集；将所述第三血运状态等级数据集中血运状态等级最低的数据作为待分析甲状旁腺的血运状态等级数据。

10.一种甲状旁腺血运状态分析系统的方法，其特征在于，包括以下步骤，

S1、采集多个甲状旁腺样品的实时图像并进行预处理，得到最终甲状旁腺显像集；并对多个甲状旁腺样品的血运状态等级进行测试，得到第一血运状态等级数据集；

S2、提取所述最终甲状旁腺显像集的特征数据，得到甲状旁腺特征数据矩阵；

S3、对所述甲状旁腺特征数据矩阵中的每个特征数据进行迭代优化分类，得到最优分类中心数据矩阵；

S4、采集所述多个甲状旁腺样品的历史图像并进行预处理，再对所述历史图像进行特征提取，得到历史甲状旁腺特征数据矩阵集；

采用所述历史甲状旁腺特征数据矩阵对初始BP神经网络模型进行训练以及测试，得到最终BP神经网络模型；

S5、采集待分析甲状旁腺的实时显像的特征数据、历史显像的特征数据，得到实时甲状旁腺特征数据集和历史待分析甲状旁腺特征数据矩阵；

将所述历史待分析甲状旁腺特征数据矩阵输入实时最终BP神经网络模型中进行预测，得到待分析甲状旁腺未来特征数据矩阵；

S6、计算所述待分析甲状旁腺未来特征数据矩阵和实时甲状旁腺特征数据集中各个特征数据到最优分类中心数据矩阵中各个中心数据的欧式距离并配合所述第一血运状态等级数据集，得到待分析甲状旁腺的血运状态等级数据。