智能信息感知技术 课件 第八章 智能医学传感技术

智能传感技术——第八章

智能医学传感技术目 录28.1

智能医学传感技术基础典型智能医学传感器智能医学数据处理技术智能医学传感技术典型应用8.1

智能医学传感技术基础8.1.1

医学传感器医用传感器，顾名思义，它是应用于生物医学领域的那一部分传感器，它所拾取的信息是人体的生理信息，而它的输出常以电信号来表现，因此，医用传感器可以定义为：把人体的生理信息转换成为与之有确定函数关系的电信息的变换装置。38.1

智能医学传感技术基础48.1.1

医学传感器人体生理信息有

电信息（心电、细胞膜电位）非电信息（血压、温度）从分布来说有

体内的（如血压等各类压力）体表的（如心电等各类生物电)体外的(如红外、生物磁等）8.1

智能医学传感技术基础8.1.1

医学传感器5生物传感器生理参数利用生物活性物质选择性识别来测定生化物质利用材料的物理变化物理传感器非电学量参数机体的各种生物电（心电、脑电、肌电、神经元放电等）生物电电极电学量参数利用化学反应原理，把化学成分、浓度转换成电信号化学传感器8.1

智能医学传感技术基础8.1.1

医学传感器常见的医学传感器？68.1

智能医学传感技术基础78.1.1

医学传感器医用传感器用于人体生理信息检测时，具有以下主要特点：被测量生理参数均为低频或超低频信息，频率分布范围在直流～300Hz。生理参数的信号微弱，测量范围分布在uV～mV数量级。被测量的信噪比低，且噪声来源可能是多方面的。由于人体是一导电体，体外的电场、磁场感应都会在人体内形成测量噪声，干扰生理信息的检测。人体是一有机整体，各器官功能密切相关，传感器所拾取信息往往是由多种参数综合而形成的。8.1

智能医学传感技术基础88.1.1

生物医学传感器生物医学传感器定义为“

使用固定化的生物分子 (immobilizedbiomolecules)

结合换能器,

用来侦测生体内或生体外的环境化学物质或与之起特异性交互作用后产生响应的一种装置”。生物传感器由两个主要关键部分所构成，一为来自于生物体分子、组织部分或个体细胞的分子辨认组件，此一组为生物传感器信号接收或产生部分，另一为属于硬件仪器组建部分，主要为物理信号转换组件，主要是由电化学或光学检测元件（如电流、电位测量电极，离子敏场效应晶体管，压电晶体等）。8.1

智能医学传感技术基础8.1.1

生物医学传感器电极热→电光→电压→电FET阀值电位被测物质酶微生物细胞或组织抗原或抗体测量或控制装置识别部件9转换部件生物传感器生物传感器结构框图8.1

智能医学传感技术基础8.1.2

新型医学传感器新型传感技术，比如微机电系统（MEMS）、生物化学传感器、免疫传感器等的陆续出现，加速了医疗保健的发展。传感技术使得健康状态定期或连续监控成为可能，这反过来使得新型积极护理模式的实现成为可能。因为干预治疗更为有效并且成本更为低廉，病症会更早地得到诊断，所以从长远来看，病人的未来会得到改善。108.1

智能医学传感技术基础8.1.2

新型医学传感器在疾病监测中的应用在监测慢性疾病的远程医疗领域中，已经找到了用于持续监测的解决方案，比如慢性阻塞性肺病（COPD）、充血性心力衰竭（CHF）和糖尿病。这种监测方式为疾病状态提供持续的观测，通过预测和防止疾病的急性发作，从而降低身体和经济上的成本。在急性发作后治疗病人，目前常采用应急护理模式，这种模式可能导致患者的健康和幸福毁灭性和不可逆转的改变，并且加速病人的身体衰弱。118.1

智能医学传感技术基础128.1.2

新型医学传感器在疾病监测中的应用传感技术会逐渐应用于普通人口筛查，成为国家卫生保健计划的一部分，以提高公共卫生水平。个体，尤其是那些没病找病的“疑病症”个体（那些身体健康，但是担心生病，并且通过拜访他们的医生、检测自身或者没有医学根据而服用药物以寻求安慰的个体），也很有可能会使用传感技术来积极地监测和维持他们自身的健康。随着流行的传感技术成为医疗规范，它们会显著地增加我们在疾病风险和干预治疗有效性方面的知识。现有的技术方案能帮助我们更好地理解衰老的过程，包括识别认知能力下降、衰弱的早期迹象，以及运动和神经系统的问题。传感器技术通过建立对人体健康状态变化的详尽的认知使得在个体水平上了解人体的健康状况成为可能。这些数据能提供对人体健康影响最大的病症的早期预警信号。8.1

智能医学传感技术基础138.1.3

智能医学传感技术的作用（1）改变我们医疗工作的方式随着非处方诊断性测试、直接面向消费者的基因检测试剂盒、生理监测传感器以及生育能力监控的普及，正在朝着“量化自我”和“生命记录”的网上在线方式发展。寻求治疗方法或者尝试一个已知疾病风险的预防性措施。一滴血验病”的检测芯片8.1

智能医学传感技术基础418.1.3

智能医学传感技术的作用（1）改变我们医疗工作的方式医疗是我们理解和治疗个人疾病方式改变的关键。我们开始远离基于经验和人群的医学，而接受精确的个性化医学。由于“OMIC"

技术(即基因组学、转录组学、蛋白质组学和代谢组学)的进步，病理学研究已经开始在分子水平上进行。这种分子水平上的分类意味着我们可以根据疾病的分子水平行为和个体的DNA来选择最佳的治疗方法。传感技术在个性化医疗中起着关键的作用。基于传感器的配套试验决定一个病人能否从基因靶向药物治疗中获益，并且传感器会在治疗的过程中监控病人(比如，监控与药物的靶向代谢途径相关联的生化副产物)。在接下来的数十年里很有可能从根本上改变我们的疾病诊断、预后和治疗干预的方法。8.1

智能医学传感技术基础8.1.3

智能医学传感技术的作用（2）传感器检测的背景信息在医疗中的应用背景信息在决定传感器数据的价值中起到很重要的作用。比如，一些在孤立环境中获取到的传感器读数可能会有局限。这些局限至少可以通过采集检测相关背景信息得到部分解决。当测量数据采集的时候，这个人正在干什么?他处于什么环境中?所处位置的什么环境条件会影响测量结果呢?在获取生理测量数据的时候，检测相关背景信息特别重要，比如心率测量前的活动量。检测相关背景信息一般可以通过使用其他的传感器、加速度计获得，比如，确定-个人在生理测量进行时是否移动。定性的方法，比如每周的健康调查问卷。这些方法通常在慢性病管理体系中使用。但是，自我汇报的信息的质量是取决于病人反馈信息的准确性的，这一般是很难做出判定的。在采集检测背景信息来进行临床传感器读数或者观察的时候，保证任何数据都有适当的时间分辨率和空间特征也是十分重要的。如果没有准确地匹配的话，额外的信息会使得获得的数据变得模棱两可。 158.1

智能医学传感技术基础8.1.3

智能医学传感技术的作用（2）传感器检测的背景信息在医疗中的应用传感检测背景信息一般可以通过以下三种方式使用:常见的方法是临床医生在一个特定的基础上人工地检查背景传感器信息来进行解析过程。另外，背景信息也可以用测量传感器得到的相同或相关的图形或表格重叠的部分表示，这种图形重叠可视化对于理解分析过程非常有帮助。最后，最复杂的步骤就是测量背景数据和感兴趣的数据源的智能化和自动化的融合过程。在减少数据维度和推断更高级别的信息中，数据融合算法是非常实用的，数据融合算法对于判定背景信息测量是否有效是很有帮助的。检测背景信息在确定传感器网络的安全性、隐私、性能和访问需求等16方面起到很重要的作用。8.1

智能医学传感技术基础8.1.3

智能医学传感技术的作用（3）基于医院和社区的传感技术用于评估和诊断传感技术渗透在医院护理的各个方面，从最简单地数字式温度计到复杂的激光制导的外科手术工具。成像传感器，比如X光、磁共振成像(

MRI)、计算机断层扫描(CT)、正电子放射断层造影术(PET)

以及超声成像，在非侵入的条件下使医生能够了解人体以及它是如何运转的。这些传感器从根本上改变了诊断医学。在内科，这些图片使医生能够精确定位受伤或是异常区域、做微创手术，以及评估医疗过程的成功或失败。在产科护理，超声成像使得医生可以监测胎儿发育并且鉴别可能影响母亲或胎儿健康的任何胎儿的或其他的异常情况。178.1

智能医学传感技术基础188.1.3

智能医学传感技术的作用（3）基于医院和社区的传感技术用于评估和诊断临床病理学家每天在医院实验室使用复杂的传感设备来执行血液学、生物化学、免疫学、病理学、微生物学的研究功能。这些大型的非离散的传感器需要经过训练的专业人员进行细致的样品制备才能保证准确的结果。传感器在治疗技术中也起到关键的作用。它们可以记录到一些特殊情况，比如一些异常的心跳信号，可以由医生或者传感器来判别。它们可以通过鉴别最佳服用药物时间来优化给药设备，并且它们可以持续追踪病人生命体征以保证治疗过程安全地进行，比如透析。成像、侵入式设备以及给药设备都广泛地使用传感器。8.1

智能医学传感技术基础198.1.3

智能医学传感技术的作用（4）社区应用的传感技术人口模式转变正在使目前的护理反应模型变得不可维持，并且迫使医疗实现的方式发生一些巨大的变化。第一，医疗必须变得具有前瞻性和预测性以避免高代价的急性健康事件。第二，医疗必须个性化，而不是以人群为基础的，以确保最佳的治疗得以实现。第三，提供的服务必须是去中心化的，从医院转移到社区和家庭。8.1

智能医学传感技术基础208.1.3

智能医学传感技术的作用（5）基于家庭的临床应用面向临床护理的技术可以分为两类:病人监测传感器和病人运动传感器，病人监测传感器测量一个人的生理和生物特性，并且存储或对数据做出反应，从而体现支持应用程序的功能。这种形式的传感需要直接与人体接触，或者通过采集样品，如血液，从而用于测试。病人运动传感器，如被动红外(PIR)

运动传感器(可以检测一个人进入或离开一个房间)和计步器(计算步数)观察动作。行为模式可以从这些数据做出推断，异常的模式则会触发警报。运动数据可以通过与人体直接接触检测到，例如计步器，或是通过使用环境传感器，如被动红外运动传感器，将其连接到目标所在的环境。可穿戴式运动传感器是与人直接接触的，因此可以准确地测量人的运动，不用考虑位置或他人的存在。在人们忘记连接传感器或是连接不正确的情况下，环境解决方案是比较理想的。但是，环境传感器安装在固定位置，如果一个人在另外的位置,它就不能传感到这个人的情况。8.1

智能医学传感技术基础1病人的监测测量的对象病人的监测检测的对象红外测温仪体温喷雾器/药物输送喷雾器吸入模式用过可控的喷雾器输送药物肺功能-肺活量计-峰流速仪FVC（用力肺活量），FEV（用力呼气量），PEF（呼气流量峰值）无线电频率识别（RFID）对象的交互——日常生活活动脉搏血氧仪血液氧合压力传感器床位使用血压计收缩压/舒张压加速计加速度——跌倒监测四肢运动——康复

计步——计步器脂肪测量器体脂百分比体重秤体重陀螺仪角速度——跌倒监测四肢运动——康复血红蛋白光度计血红蛋白浓度——测量贫血磁力仪体位——跌倒监测PT/INR仪表前凝血酶时间（PT）以及其衍生的凝血酶原比率（PR）测量和国际标准化比值（INR）；长期被华法林（warfarin）使用者使用PIR房间占用情况28.1

智能医学传感技术基础8.1.3

智能医学传感技术的作用家用慢性疾病管理系统的体系结构228.2典型智能医学传感器238.2.1

智能医学传感技术的作用8.2.1超声医学超声成像是指以超声波为声源，以声波的传播特性为物理基础，对人体内部组织器官进行成像。与其他成像技术（如

CT、MRI、PET

和

SPECT）相比，超声成像具有无辐射、成像快速、检查费用低等优点；同时超声成像设备可以做到非常轻巧便携，所以以超声成像为基础的临床检查手段越来越受到医生的青睐，在临床中得到广泛使用。本章首先介绍超声成像的物理基础，随后分别介绍超声成像系统及成像模式。8.2典型智能医学传感器但是对骨的穿透性较差。248.2.1

智能医学传感技术的作用8.2.1超声1．超声波的物理特性超声波是指物体在介质中进行机械振动，产生频率高于

20kHz

的一种声波。在临床应用中，超声波的频率一般为

1～20MHz。

同其他频率的声波一样，超声波可以在固体、气体和液体中传播；同时又由于超

声波固有的高频特性，使它不同于低频声波，具有以下特点。（1）能量高：声波的能量正比于频率的平方；此外，功率正比于能量。因此，超声波具有较高的能量和功率。（2）方向性强：超声波在介质中沿直线传播。（3）穿透能力：声波在介质中传播时，依据传播方向的不同可分为横波和纵波。超声波是一种纵波，且穿透力很强，能够穿透较厚的生物组织，8.2典型智能医学传感器式中，

为质点密度；

为质点振动速度；

为声速。258.2.1

智能医学传感技术的作用一、超声超声成像中的重要参数（1）声速声速是指声波在介质中单位时间内传播的距离，常用

表示。可认为声波在各软组织中的传播速度近似相等，一般取 =1540m/s

。（2）声压和声强度声波在介质中传播时，介质中不同区域会受到不同的压力。将单位面积上介质受

到的压力称为声压（P），可用式(8-1)表示。P

vc8.2典型智能医学传感器268.2.1

智能医学传感技术的作用声强度（

I

）是指在单位时间内垂直于单位面积的超声能量，它是超声诊断学中的一个重要参数，如式(8-2)所示。2P2I

c式中，P

为声压；

为质点密度；

为质点振动速度；c

为声速。（3）声阻抗声阻抗（Z

）是指超声声场中某一位置上的声压（P

）与该处质点振动速度（

）的比值，如式(8-3)所示。Z

P将式(8-1)代入式(8-3)可以得到：

Z

c从式(8-4)可以看出，声阻抗等于质点密度与声速的乘积。8.2典型智能医学传感器278.2.1

智能医学传感技术的作用根据阻抗和声速的关系，通常可以把人体组织分为三类：气体组织——肺；液体组织——软组织和血液；固体组织——骨骼和矿物化后的组织。由于声波在液体组织中传播时声速和声阻抗变化不大，从而能够保证声波传播的方向性，进而能够使回波的接收时延与探测深度近似成正比关系，基于此能够获取高质量的超声图像。因而，在临床应用中，超声通常应用于液体组织成像。8.2典型智能医学传感器二、超声成像系统具体而言，超声成像设备主要由超声换能器和基础电路两部分构成超声成像系统的基本结构示意图超声换能器——超声换能器又称为超声探头，它主要用于超声波的发射和接收。探头的核心部件

是压电晶片，在晶片的前端使用由硅橡胶（或环氧树脂）制成的薄膜进行防护，同时，使用有机玻璃（或硬塑料）制作的外壳进行保护。基础电路——基础电路是超声成像系统的核心部分，主要由主控电路、扫描发生器、信号处理电路及电源构成。其中，主控电路用于控制电脉冲产生的时间，并对扫描发生器进行

初始化；扫描发生器主要对获取的信号进行坐标转换；信号处理电路主要对28信号进行稳定和平滑；电源为整个系统提供能量。8.2典型智能医学传感器29三、B型超声成像原理目前医用超声成像设备可分为

A

型、B

型、C型、D

型和

M

型

5

种类型。B型（Brightness

Mode）超声为灰度调制型超声，简称

B

超，因其可通过点、线扫描出人体组织（器官）的解剖切面，故又称为二维超声。在超声成像系统中，传感器系统其实就是一个阵列装置，它可以对信号进行发射和接收。一个传感器也可以成为阵元，而多个阵元能组成一个阵列。空间中每一个点的场强会受到各阵元辐射场的影响，所以为了形成不同的辐射场，会对各个阵元进行加权处理，从而使各个阵元发射的信号大小和时间不同。在成像过程中，之所以在一个阵列中采用多个阵元，就是为了尽可能地合成所需要的辐射场，从而达到提高成像分辨的目的。

当一个阵列产生在一定区域内发射信号，产生一个辐射场，那么在辐射场的物理对象通过与发射信号的相互作用而产生了反射信号。因为反射信号包含了物理对象的相关信息，为了得到它，就需要对反射信号进行逆求解。所以，成像的关键就在于产生所需要的辐射模式。辐射模式又可以称之为波束形成8.2典型智能医学传感器三、B型超声成像原理1．波束形成延迟叠加波束形成，是目前超声成像在实际应用中最广泛的成像方式。超声传感器阵列对发射信号进行适当的延迟，使每个阵元发射的超声信号到达场中某点的时间正好一致，从而形成聚焦点。由于人体内部媒介的非均匀性而产生的反射回波，超声传感器阵列对接收信号进行适当的延迟，最后生成图像。308.2典型智能医学传感器31三、B型超声成像原理2．波束控制方法（1）动态聚焦不同于定点聚焦，当深度r变化时，动态聚焦的聚焦延时会随深度变化。在进行超声成像时，理论上所有的点都作为聚焦点，并且在发射和接收阶段都使用动态聚焦，会使得成像的质量大大提高。但是考虑到声束的传播在传统的延时叠加波束形成中的影响，如果对所有的点都进行聚焦，那么需要大量的数据采集时间来实现发射时的动态聚焦，所以在实际应用中只有通过接收时的动态聚焦来实现，但是因为在发射阶段无法实现动态聚焦，使得成像结果会出现一点偏差。当使用合成孔径成像技术时，因为它是对没有进行过聚焦处理的数据进行后处理，所以能够同时且简单地实现发射和接收时的动态聚焦，使得图像的质量有所提高。8.2典型智能医学传感器32三、B型超声成像原理2．波束控制方法（2）动态孔径当有效孔径越大，即阵元数越多时，生成波束的旁瓣越小，主瓣越宽，所以不同阵元数目会使得生成的波束有所差异。

所谓动态孔径，就是在波束形成阶段，只有位于接收子阵中

心的少数通道在接收开始时是激活的状态，而其余都处于关闭状态。随着接收深度的增加，越来越多的接收通道被打开，接收孔径逐渐增大。（3）幅度变迹超声传感器发射的声束是具有方向性的，它向组织内辐射的能量根据方向的不同而不同。超声阵列产生的波束是由不同阵元产生的不同声场相干叠加而产生的，当每个阵元的激励信号的幅度相同时，那么阵元产生的声场之间会等幅相干叠加，其中旁瓣幅度比较大，严重影响了成像的质量。通过对发射和接收通道的幅度加权，使得每个阵元发射和接收信号的幅度改变，从而对旁瓣的幅度进行控制，这种方法被称为幅度变迹。目前应用得比较多的幅度变迹函数有Hamming

函数、Hanning

函数和Blackman

函数。8.2典型智能医学传感器三、B型超声成像原理3.回波信号处理（1）模数转换在超声探头接收信号后，该信号为模拟信号，因为不便于分析，所以通过模数转换把该信号转化为数字信号。数字信号可以看作是很多不同频率的简谐波的叠加，在这些简谐波中的最高频率即为信号的最高频率。由

Nyquist定理可知，

采样频率必须大于最高频率的两倍，才能得到信号完整的信息。（2）增益补偿在超声成像过程中，增益补偿是一个重要的组成部分。增益补偿又称为

TGC，是一种根据组织的衰减特性，对接收到的超声信号进行增强处理，从而使获得的超声图像变得均匀的方法。在发射一个超声信号时，它具有一定的能量，由于人体组织的衰减特性，使得信号的能量随着探测深度的增减而减弱，从而导致在深度大的地方，超声的图像会比较暗，而深度浅的地方超声的图像会比较亮。如果不进行任何处理，那么所形成的图像上面的位置和下面位置的反差会比较强。338.2典型智能医学传感器34三、B型超声成像原理3.回波信号处理（3）Log压缩在超声成像系统中，它所能显示的灰度级为8（256的灰度级别）。然而当像素点的值在16以下时，并不能被显示出来，从而导致只能显示23dB的动态范围。在超声系统中获取的

B

模式数据是15位的，这远远超出了系统所能显示的级别，所以我们要经过Log压缩来使该数据限制在这个范围内。由于经过

Log

压缩后，大幅度压缩了图像的动态范围，从而使得本来的弱信号得以显示出来。（4）扫描转换当获得经过处理后的回波数据后，那就需要把回波数据中点和它的物理空间信息一一对应起来，称之为扫描转换（Digital

Scan

Converter，DSC）。扫描转换分为两种方式：扇形扫描和线阵扫描。扇形扫描的

DSC

算法，因为采样点是通过极坐标的方式显示的，所以需要把极坐标转换成直角坐标，再进行插补运算输出为在屏幕上显示的信号。而线阵扫描方式则相对简单，因为它的采样点本身就是以直角坐标系为参照，信号上各个采样点可以根据简单的速度和时间的计算，就能得出正确的物理位置信息，再经过插补运算后就可以在屏幕上显示扫描信息。8.2典型智能医学传感器358.2.1

智能医学传感技术的作用8.2.2

MRIMRI

检查技术是在物理学领域发现磁共振现象的基础上，于

20

世纪70

年代继

CT

之后，借助电子计算机技术和图像重建数学的进展与成果而发展起来的一种新型医学影像检查技术。

通过对静磁场中的人体施加某种特定频率的视频脉冲，使人体组织中的氢质子受到激励而发生磁共振现象，当终止射频脉冲后，质子在弛豫过程中感应出

MR

信号；经过对

MR

信号的接收、空间编码和图像重建等处理过程，即产生

MR

图像，这种成像技术就是

MRI

技术。8.2典型智能医学传感器368.2.1

智能医学传感技术的作用8.2.2

MRI一、MRI成像的物理基础磁共振成像的物理基础是核磁共振现象（

Nuclear MagneticResonance，NMR），其本质为处于静磁场中的原子核受到射频激发后，将在其能级间产生共振跃迁。1946 年， 美国物理学家 F. Bloch 和 E.Purcell 各自独立发现了该现象，并因此荣获了 1952 年的诺贝尔物理奖。以此为基础，1973

年，美国化学家

Paul

C.

Lauterbur

首次实现了磁共振成像。自此，磁共振成像学科正式诞生，并已成为医学诊断的重要工具。8.2典型智能医学传感器378.2.1

智能医学传感技术的作用8.2.2

MRI一、MRI成像的物理基础（1）质子的纵向磁化:氢原子核只有一个质子，没有中子。质子带正电荷，并能自旋运动，因此产生磁场，

每个质子均为一个小磁体，其磁场强度和方向用磁矩或磁矢量来描述。在人体进入静磁

场以前，体内质子的磁矩取向是任意和无规律的，因此磁矩相互抵消，质子总的净磁矢

量为零。如果进入一个强度均匀的静磁场（外磁场），则质子的磁矩按外磁场的磁力线方

向呈有序排列，其中平行于外磁场磁力线的质子处于低能级状态，数目略多，而反平行

于外磁场磁力线的质子处于高能级状态，数目略少，相互抵消的结果是产生一个与静磁场磁力线方向一致的净磁矢量，称为纵向磁化。8.2典型智能医学传感器8.2.1

智能医学传感技术的作用（2）进动:在静磁场中，有序排列的质子不是静止的，而是作快速的锥形旋转，称为进动。进动速度用进动频率（即每秒进动的次数）表示。外磁场场强越强，进动频率越快。（3）磁共振现象与横向磁化:当向静磁场中的人体发射与质子进动频率相同的射频脉冲时，质子才能吸收射频跃

迁到高能级，从而使纵向磁化减少。与此同时，射频脉冲还使质子处于同步同速进动，

即处于同相位。这样，质子在同一时间指向同一方向，其磁矢量也在该方向叠加起来，

产生横向磁化。（4）弛豫与弛豫时间:终止射频脉冲后，宏观磁化矢量并不立即停止转动，而是逐渐向平衡态恢复，此

过程称为弛豫，所用的时间称为弛豫时间。38弛豫的过程即为释放能量和产生

MR

信号的过程。8.2典型智能医学传感器398.2.1

智能医学传感技术的作用二、MRI成像系统核磁共振成像系统主要由磁体系统、屏蔽系统、射频系统、射频线圈、梯度磁

场线圈、计算机系统和机械系统几部分构成。1．磁体系统：主磁体按磁场形成机理,分为永磁型磁体和导体型磁体,其中导体型磁体主要

是超导型磁体。2．屏蔽系统：屏蔽系统分为磁屏蔽系统与热屏蔽系统

(超导型)。磁屏蔽系统主要解决外界杂散磁场的干扰与内部磁场的外泄,是参数稳定和运行安全的保障。3．射频系统：射频系统分为射频发射系统与射频接收系统。

发射系统从射频控制电路/计算机接收信号后放大到合适的幅度,以满足测量对象与累加强度的要求,并通过梯度磁场与射频发射线圈发射到孔径内。

接收系统从接收线圈

(如体线圈、表面线圈)中接收信号,并通过模数转换,

变成数字信号供工作站图像处理计算机进行分析和重建。8.2典型智能医学传感器408.2.1

智能医学传感技术的作用射频线圈：选用的射频线圈是影响图像质量的重要硬件组成部分。射频线圈分为发射线圈和接收线圈。

与射频发射线圈的位置相同,作为固定的射频接收线圈,腔体埋设有体线圈,可以实现孔径内的均匀成像,但分辨率不高。梯度磁场线圈：在核磁共振系统中,为了实现断层层面的选择和平面内像素点位置的编码,需要将额外的低强度梯度磁场累加在主磁场之上,并通过两个反向线圈形成正负梯度,一般在三个垂直的方向上都有。计算机系统：除了上述的这些机械与材料部件,计算机系统也是十分重要的组成部分。为了建立和完成整个扫描过程,需要数字系统来实现从系统启动、时序控制到参数校正、图像重建等一系列自动执行的计算与控制任务。其中:射频控制与前端控制计算机,

即通常所说的“谱仪”,主要控制前端电路的执行与时序,是一套半交互式或非交互式的专用数字系统。机械系统：机械系统包括机器控制盘、病床、升降台、制冷压力机等装置。此外,独立的电源、制冷与检测系统也是核磁共振成像系统稳定安全工作的必要保障。8.2典型智能医学传感器8.2.1

智能医学传感技术的作用核磁共振成像系统的构成示意图418.2典型智能医学传感器428.2.1

智能医学传感技术的作用三、MRI成像原理磁共振成像的方法较多，大多基于拉莫尔定理，构造出与空间位置一一对应的磁场分布，使处于不同位置的氢核以不同的频率共振，进而从检测得到的

MRI信号恢复与参数相关的图像。

当前，MRI的主要成像方法可分为投影重建法、傅里叶重建法及非均匀采样重建法三种。投影重建法MRI

的投影重建法利用了梯度场的作用。在重建过程中，主要使用了两种梯度，一种为层选梯度，另一种为旋转梯度。投影重建法实现简单，技术成熟，但成像时间过长，且对梯度的线性度要求较高。8.2典型智能医学传感器8.2.1

智能医学传感技术的作用2.

傅里叶重建法傅里叶成像法主要根据傅里叶原理进行

MRI

成像。在磁共振扫描过程中，依次加入层选梯度、频率编码梯度及相位编码梯度进行层面选择和空间定位。通常情况下，首先沿

z

方向加入层选梯度，进行层面定位；随后，加入频率梯度和相位梯度，对层面内体素进行定位；然后，逐行、均匀采集磁共振数据；最后，对采集得到数据进行快速傅里叶变换，完成

MRI

成像。傅里叶成像法数据采集时间短、图像分辨率高，现已逐渐成为磁共振成像的主流算法。但是由于受其规则的数据采集方式的限制，在重建过程中，无法有效抑制运动干扰。438.2典型智能医学传感器448.2.1

智能医学传感技术的作用3.

非均匀采样重建法基于磁共振螺旋扫描方式所获取的数据一般为非均匀采样数据，数据大部分不在整网格点上，因此无法直接使用快速傅里叶变换对其进行成像。常用的方法是将非均匀采样数据转换到均匀网格上，随后使用傅里叶变换对其重建。目前，在磁共振非均匀数据处理中，常用算法有栅格重建算法、分块均匀重采样法和广义逆法。8.2典型智能医学传感器458.2.1

智能医学传感技术的作用3.

非均匀采样重建法基于磁共振螺旋扫描方式所获取的数据一般为非均匀采样数据，数据大部分不在整网格点上，因此无法直接使用快速傅里叶变换对其进行成像。常用的方法是将非均匀采样数据转换到均匀网格上，随后使用傅里叶变换对其重建。目前，在磁共振非均匀数据处理中，常用算法有栅格重建算法、分块均匀重采样法和广义逆法。8.2典型智能医学传感器468.2.1

智能医学传感技术的作用8.2.2CT用不同组织对

X

射线的吸收系数不同的物理特性，通过将

X

射线沿着不同的方向对成像物体进行透射，并借助计算机技术重建成像物体的二维断面或三维图像的成像技术，被称为

X

射线计算机断层成像（ComputedTomography，CT）。一、CT成像的物理基础CT

图像是真正的断面图像，它显示的是人体某个断面的组织密度分布图。CT

以X

线作为投射源，由探测器接收人体某断面上的各个不同方向上人体组织对

X

线衰减值，经模/数转换输入计算机，通过计算机处理后得到扫描断面的组织衰减系数的数字矩阵，

然后将矩阵内的数值通过数/模转换，用黑白不同的灰度等级在荧光屏上显示出来。CT

图像具有图像清晰，密度分辨率高，无断面以外组织结构干扰等特点。8.2典型智能医学传感器478.2.1

智能医学传感技术的作用（1）体素（voxel）和像素（pixel）：CT图像是人体某一部位有一定厚度的体层图像。

成像的体层分成按矩阵排列的若干个小的基本单元。而以一个CT值综合代表每个小单元内的物质密度，这些小单元被称为体素。同样，一幅

CT图像是由很多按矩阵排列的小单元组成，这些组成图像的基本单元被称为像素。像素是体素在成像时的表现，像素越小，图像的分辨率越高。（2）矩阵：是一个数学概念，将受检层面分割为若干小立方体，这些小立方体就是体

素。当图像面积为一固定值时，像素越小，组成

CT

图像矩阵越大，图像清晰度越高，

反之亦然。（3）空间分辨率：在保证一定的密度差前提下，显示待分辨组织几何形态的能力。常

用每

cm

内的线对数或者用可辨别最小物体的直径（mm）来表示。（4）密度分辨率：指能分辨两种组织最小密度差异的能力。8.2典型智能医学传感器8.2.1

智能医学传感技术的作用（5）CT

值：体素的相对

X

线衰减度（即该体素组织对X线的吸收系数），表现为相

应像素的

CT

值，单位名称为

Hu（Hounsfield

Unit，Hu）。规定以水的

CT

值为

0Hu，骨

皮质最高，为

1000Hu。人体组织的

CT

值界限可分为

2000

个分度，上界为骨的

CT

值

（1000Hu），下界为空气的

CT

值（−1000Hu）。这样分度包括了最高密度（骨皮质）到最

低密度（器官的含气部分）的

CT

值。CT值=

该物质的吸收系数（

n）-水的吸收系数（

w）

1000水的吸收系数（

w）水的衰减系数为

1，空气的衰减系数为

0，骨的衰减系数为1.9～2.0。488.2典型智能医学传感器498.2.1

智能医学传感技术的作用（6）窗宽与窗位：窗宽是指荧屏图像上所包括

16个灰阶的

CT

值范围。人体组织

CT

值范围有

2000

个分度（−1000～+1000），如在荧屏上用

2000个不同灰阶来表示

2000个分

度，由于灰度差别小，人眼不能分辨（一般仅能分辨

16

个灰阶）。如用

16

个灰阶来反映8.2典型智能医学传感器508.2.1

智能医学传感技术的作用8.2.2CT二、CT成像系统CT

成像系统[4]的基本结构框图如图

8.9

所示，具体而言，其一般由以下三部分

组成：

计算机控制单元（Host/Console）；

系统控制单元（SystemControl）；

图像处理单元。CT成像系统的基本结构框图8.2典型智能医学传感器518.2.1

智能医学传感技术的作用8.2.2

CT三、CT成像原理CT

是用

X

射线束沿不同方向对成像物体进行扫描，由探测器接收透过成像体表

面的X

射线，将其转变为可见光信号，再通过光电转换器转换为电信号，最后经模/数转换器（Analog/Digital

Converter）转换为数字信号，输入计算机进行处理。利用计

算机，对

X

射线扫描所得的信息进行计算，获得成像体内每个体素的

X

射线衰减系数

（吸收系数），随后将其排列成矩阵，并经数/模转换器（Digital/Analog

Converter），将矩阵中的每个元素转换为对应图像位置的灰度像素，最终构成CT图像。重建成像的本质是依据已知因素建立方程，通过对其求解获取相应未知因素的过程。在

CT

成像中，未知因素是待求成像体中每个体素的值，其组成的集合就构成

了

CT

断层图像；已知因素是指方程的组成形式和每个方程的输出。对于

CT

成像而言，现有的求解算法可分为以下三类，即直接矩阵求解法、迭代重建算法及滤波反投影重建算法。8.2典型智能医学传感器528.2.1

智能医学传感技术的作用8.2.2CT三、CT成像原理1. 直接矩阵求解法为了计算

CT

重建图像中各点对

X

射线的吸收值，可先将重建图像划分成均匀的矩阵网格，随后使用直接矩阵法进行求解。在实际应用中，根据成像矩阵的大小和未知数的个数，总能找到足够的线性方程

（扫描方向）对未知数进行求解。但该方法有以下缺点：（1）若成像矩阵增大，将导致未知数过多，进而致使计算量非常巨大；（2）在扫描过程中，如果病人运动或有其他因素干扰时，可能导致方程包含错误的因素，致使求解错误。8.2典型智能医学传感器538.2.1

智能医学传感技术的作用8.2.2

CT迭代求解法在迭代求

解的开始阶段，为各单元设定一初始值（通常设置为

0）；然后对成像体进行不同角度扫描，计算该角度的测量值；然后使用计算得到的测量值对原始值进行修正；在修正

过程中，使用修正值替代原始值；进一步，重复上述扫描—计算—修正过程；最后，

当矩阵内的修正值与该方向测量值的偏差在一定精度范围内时，迭代终止。滤波反投影重建算法（1）中心切片定理使用二维密度函数描述待重建的图像，下图给出了从密度函数获得投影数据的过程。沿投影线方向计算的线积分，即可得到该投影线的投影值。沿投影方向

计算所有投影线的投影值，即可得到该投影方向上的投影函数

。将投影函数做一维傅里叶变换，可获得其在频域中对应的一维变换函数

。将密度函数

做二维傅里叶变换，即可获得其在频域中对应的变换函数，其极坐标表示形式为。8.2典型智能医学传感器密度函数及其投影函数8.2.1

智能医学传感技术的作用（1）中心切片定理将投影函数g

(R)

做一维傅里叶变换，可获得其在频域中对应的一维变换函数G

(

)。将密度函数

f

(x,

y)

做二维傅里叶变换，即可获得其在频域中对应的变换函数F

(u,

v)，其极坐标表示形式为F

(

,

)。中心切片定理中心切片定理中心切片定理指出：密度函数

f

(x,

y)

沿

方向上的投影函数

g

(R)

的一维傅里叶变换函数

G

(

)

，是密度函数

f

(x,

y)

的二维傅里叶变换函数

F

(

,

)

在平面上沿同一方向(

)

且过原点的直线上的值。可进一步看到，在二维频率域中沿(

) 方向的直线上的值

F

(

,

)

，54就是投影函数g

(R)

的一维傅里叶变换函数值。8.2典型智能医学传感器55称为傅里叶变换重建方法。傅里叶变换重建方法8.2.1

智能医学传感技术的作用（1）中心切片定理中心切片定理给出了从投影重建图像的可能性。实际上，早在

1917

年，奥地利数学家Radon

就已从理论上验证了其可能性。f

(x,

y)

的投影函数

g

(R)

可以看成是以

R

和

为参数的二维函数。因此，可以用R和

构成一个极坐标空间，通常被称为

Radon

空间该空间中任意一点(R,

)

的值实际上代表物体空间中所计算的密度函数

f

(x,

y)

的一个线积分的值。（2）傅里叶变换重建方法如果在不同角度下取得足够多的投影函数数据g

(R)，然后对其进行傅里叶变换，那么变换后的数据将充满整个(u,

v)

平面。在获取

F

(u,

v)

或

F

(

,

)

的全部值后，对其进行傅里叶逆变换，即可获得原始的密度函数

f

(x,

y)

，也就是所要重建的图像。该方法又被8.2典型智能医学传感器8.2.1

智能医学传感技术的作用（3）直接反投影算法由于傅里叶变换重建算法需要做二维插值、坐标变换与二维傅里叶变换，计算量较大，影响了重建速度。

为了解决该问题，在

CT

产生的初期，曾使用直接反投影重建方法。其做法是把每次测得的投影数据“原路”反投影到投影线的各像素上，因此被称为“直接投影法”。

经由直接反投影计算得到的重建图像是以原点为中心的一系列辐射线，在原点处密度最高，愈往四周，密度愈低，致使在中心周围出现逐渐变浅的云状阴影。为了消除伪影，对重建密度函数进行校正。56直接反投影法的图像校正8.2典型智能医学传感器578.2.1

智能医学传感技术的作用（4）滤波反投影算法为了克服直接反投影计算中先反投影后修正的耗时计算问题，滤波反投影重建方法采用先修正后反投的方式，在提高重建图像质量的同时缩短了计算时间。其基本做法是：首先对投影函数（一维函数）进行滤波，随后对修正后的投影函数进行反投影运算，进而得到所需的密度函数。因此，滤波反投影算法的核心是如何修正投影函数，

使之在反投影后能够重建原密度函数。滤波反投影法8.3智能医学数据处理技术588.3.1

超声波数据处理1. 基础B超图像数据处理：图像增强、图像去噪、边缘检测、伪彩色显示、纹理分析。B超诊断仪采集的影像为数字图像，采用数字化图像处理技术能够增强清晰度，对病灶边缘进行图像清晰处理，医生通过分析更加明确的影像图片，能够更准确、更快速的做出诊断，结合病人自身实际情况制定科学合理的治疗方案。B超诊断仪将采集的图像有目的地存入计算机中，建立与病人相关的信息库，形成医学影像数据库系统，对数据库中的信息进行综合性管理，提高B超图像利用率，为临床诊断奠定良好基础。B超图像采集系统中的数字存储技术保证图像存取效率，提高B超图像查询速度和管理效率，为医生和患者带来便利。数字存储技术还代替了传统纸质打印媒介，降低了人工成本，节约了开支。数字存储能够实现数据的网络传输，为远程诊断提供便利条件，适应了医疗事业互联发展的趋势。8.3智能医学数据处理技术598.3.1

超声波数据处理（1）图像增强技术图像增强技术作为图像处理领域的基本技术之一，通过将原始分散而稀疏的图片通过拉大对比度，增强视觉效果，能够使原本模糊不清甚至无法辨认的图片清晰化。随着科学不断发展进步，在图像增强技术的基础上，衍生出B超图像增强技术。B超图像中明暗分布直接影响图像的清晰度，图像的展示情况也受到对比度的影响，当一幅图像大部分区域亮而局部不亮时，说明该图对比度低，图像整体较为模糊，不利于辨认:而一幅图像大部分区域的明、暗程度相似，图像中明、暗区域分配合理。则这-图像的对比度高,能够被人们清晰地辨认出来。因此，图像增强技术在进行B超图片处理中有着不可替代的作用。相关技术人员进行图片处理时，应当合理调整灰度范围，通过调整图片的对比方式，改变视觉效果。对比度较低的图像基本都是由有限灰度所构成，其主要特点是像素范围较为集中，仅利用很小的像素范围就可以显示图像，借助此区域内的直方图准确判定检查区域，通过对比拉伸将原始图像动态范围加宽，将B超图像中原有重要且又无法查询的信息提取出来，以此达成增强图像视觉效果的作用。8.3智能医学数据处理技术8.3.1

超声波数据处理（2）图像去噪处理技术B超图像在收集和转换过程中，经常会受到不规则随机噪声影响，随机噪声的大小直接影响到图像质量，为了抑制机器噪声提升图像质量，必须对B超图像进行去噪处理。其中较为常用的中值滤波法就能对B超图像进行去噪处理。中值滤波作为一种非线性的处理方式，需要在固定条件下克服线性滤波器的影响，这就需要技术人员进行技术处理时，应当避免中值滤波为图像细节带来的影响，这种模式能够去除脉冲波的干扰，是在B超图像中一种较为有效的去噪声方式。中值滤波的使用方法通常是对于奇数个点的滑动窗口进行中间值替代，常选择3*3的方形进行中值滤波法进行去噪处理，随后再进行边缘的检测。608.3智能医学数据处理技术618.3.1

超声波数据处理（3）图像边缘检测技术B超图像边缘主要指像素灰度屋顶变化、阶跃变化等诸如此类的像素集合，通常存在于物体与物体之间、物体与背景之间等。B超图像边缘的构成特点是图像边缘像素变化较为平缓，而图像垂直方向的像素变化较为剧烈，其计算方法就是将符合边缘像素要求的边缘像素予以数学微分算子。如果图像边缘变化较强，这类图像能够使人产生强烈的视觉感受,便于对图像观察，而数字图像边缘检测技术是对图像进行分割，也是图像分析领域一项基础技术。因此，在进行B超图像收集时，人们应当充分利用这一技术，加强边缘值增强处理。由于图像受到物理机制约束，超声图像中也存在巨大的噪声，在提取时通常会得到虚假边缘，其灰度变化并不是人们所关注的边缘,这些虚假边缘也会对图像处理造成一定的困难，技术人员需要寻找对噪声不敏感、定位准确的边缘进行检测，提高图片综合性能，这也是当前图片处理工作者的工作目标。8.3智能医学数据处理技术628.3.1

超声波数据处理（3）图像边缘检测技术传统图像边缘检测技术中的Sobel、Prewitt、Roberts等对于噪声十分敏感，致使上述技术在实际应用中存在一定困难，现在通过改进，提出二阶导数零交叉点定位边缘的方法，针对B超图像边缘检测进行重新检测，事实证明，这种方式能够通过反复试验，较为理想。测试图像拉普拉斯金字塔分解第三层分量Shcarlet方向滤波参数β的估计广义高斯模型非局部均值去噪第二层分量Shcarlet方向滤波参数β的估计广义高斯模型非局部均值去噪第一层分量局部非均值去噪图像重构去噪结果图图像加噪中值滤波法8.3智能医学数据处理技术638.3.1

超声波数据处理伪彩色显示技术人们通过B超诊断仪所得出的图像为灰度图像，大部分人都很难适应灰度图像，但对于彩色图片的分析度和饱和度更易接受,将灰度较高的图像转化为彩色图像的处理方法称为伪彩色显示技术。伪彩色显示技术在医学图像处理中十分常见。对于图像而言，伪彩色显示技术是-种映射过程,利用这种技术能够识别灰度差较小的图像，提高B超图像的观察力,提高诊断准确率。8.3智能医学数据处理技术648.3.1

超声波数据处理纹理分析技术B超图像会产生颗粒状纹理，其主要原因分两类，一类是B超图像本身就存在颗粒斑纹，这种斑纹来自于组织反射超声波与射线相互干扰引起的噪声，这种噪声对临床诊断无用，并不是由于病人机体问题产生的，对于这类纹理可以不用分析。另一类就是被查体自身结构相关颗粒状纹理，图像中的纹理会随着自查体的变化而变化,在临床诊断上是-种较为有用的信息，人们对于这类信息纹理分析有助于诊断被查体的病情。当图像在相同的组织成像条件下会形成相同的图像纹理模式，正常的与有病变的器官图像组织颗粒的分布情况有所不同。8.3智能医学数据处理技术658.3.1

超声波数据处理纹理分析技术考虑到这一点，人们对于B超图像进行纹理分析是分辨病情的重要环节之一，需要技术人员掌握纹理分析技术。而纹理分析技术有很多种，其中，最为常见的有极大极小值法(MM法)、灰度行程法(GTS法)、灰度级差法(GLD)、共生矩阵法、离散分形布朗随机场模型法等，这些方式都能更快的找准问题，有利于对纹理进行准确的分析，能够为医生的诊断提供支持。8.3智能医学数据处理技术8.3.1

超声波数据处理病灶提取、图像分割：小波变化、水平集策略、C-V算法。小波变换、水平集策略B型超声是现代医疗中常用的诊疗技术，采集人体组织对超声反射散射后的声波并进行图像化处理，显示脏器断面形态，图像富于实体感，接近于解剖的真实结构。对于图像进行病灶提取,结合病理学临床医学知识对病变部位和性质做出判断，能够早期诊断多种占位性病变。自动提取B超图像病灶是医学图像自动处理技术研究的一个热点，传统方法往往受限于B超图像中的模糊边界和大量噪声干扰而效果不够满意。668.3智能医学数据处理技术678.3.1

超声波数据处理水平集方法（Level

Set

Method）是处理封闭运动界面随时间变化过程中几何拓扑变化的有效工具，本质是跟踪界面移动的数值技术。它将二维曲线置入三维空间曲面中,将曲线看成高--维空间(曲面)中某一函数φ

(水平集函数)的零水平集,当曲面发生形变时,零水平集函数也随之演变,通过描述和求解水平集函数所满足方程,得到曲线形状,即通过曲线拓扑结构的演化实现目标的分割，将图像分割问题表达为能量函数的最小化和偏微分方程(曲面的法向和曲率)的求解。8.3智能医学数据处理技术688.3.1

超声波数据处理C-V算法Osher和Sethian是基于集合活动轮廓模型的水平集方法的创始人，在九十年代就提出了该方法。该方法具有良好的特性，不会陷入局部极值，拓扑适应性很强，扩展性良好，可进行稳定的计算。因此，近几年该方法被广泛用于图像分割。Chop提出了窄带法。其基本思想是在局部范围进行数值计算，减小计算量，实现局部化。快速进行法的特点是保持曲线演化的速度不变，因此，曲线只能扩张或收缩，使计算相对于传统水平集算法、窄带水平集算法变得简单得多，因此，将改进的Chan-Vese（C-V）算法与梯度矢量流模型方法分别应用于肝脏B超图像的分割，并比较各自的优势。8.3智能医学数据处理技术698.3.1

超声波数据处理分类诊断：神经网络辅助诊断系统。首先分析125例有病理诊断的乳腺肿瘤超声声像图的特征,针对医学超声图像的特点对乳腺肿瘤B超图像采用加权中值滤波算法有效地去除speckle噪声,并提出一种改进的直方图均衡化算法增强图像的对比度;然后采用基于区域生长的分割算法自动分割提取乳腺肿瘤初始区域,用形态学滤波与空洞填充进行后续处理,得到了122例样本较为准确的病灶区域;最后以病理学为基础,提出了一种基于乳腺肿瘤轮廓分形维数的特征提取方法,并结合似圆度、粗糙度、长宽比等7个形态特征来描述肿瘤边界的粗糙度。然后根据类间距对各个特征的分类能力进行评价,选出类间距较大的特征:轮廓曲线分形维数、似圆度、粗糙度和长宽比组成最佳特征矢量;利用BP神经网络对特征矢量进行分类,获得了乳腺肿瘤的良恶性较好的识别结果,达到降低活检率的目的。X1

X2X3

X4Output输入层隐藏层输出层8.3智能医学数据处理技术708.3.2

CT数据处理基于3D

UNet网络的肿瘤分割（3D分割）。肾脏和肾脏肿瘤的准确分测是放射分析以及开发先进的手术计划技术的重要步骤。在目前的临床分析中，由临床医生根据对通过计算机断层扫描(CT)

扫描收集的图像的目视检查进行分割。这个过程很费力，其成功很大程度上取决于以前的经验。一种多尺度的有监督的3D

U-Net，MSS

U-Net，从而从CT图像中分割肾脏和肾脏肿瘤。深度监管与指数对数损失结合在一起，以提高3DU-Net训练效率。此外，引入了基于连接组件的后处理方法。以增强整个过程的性能。与最先进的作品相比。这种架构显示出卓越的性能。肾脏和肾脏肿瘤的骰子系数分别高达0.969和0.805.8.3智能医学数据处理技术8.3.2

CT数据处理2. 目标检测，肺结节检测：2D CNN融合3D CNN。基于高维肺部计算机断层扫描(CT) 图像的肺结节检测是一项极具挑战性的任务。在诸多肺结节检测算法中深度卷积神经网络(CNN)最引人注目，其中二维(2D)CNN具有预训练模型多、检测效率高等优点，应用非常广泛，但肺结节本质是三维(3D)

病灶，2D

CNN会不可避免的造成信息损失，影响检测精度。3D

CNN能充分利用CT图像空间信息，

有效提升检测精度，

但是3DCNN存在参数多，计算消耗大，过拟合风险高等不足。718.3智能医学数据处理技术8.3.2

CT数据处理2.目标检测，肺结节检测：2DCNN融合3D

CNN。为了兼顾两者的优势，提出了基于深度混合卷积神经网络的肺结节检测模型，通过在神经网络模型的浅层部署3D

CNN,在模型的深层部署2D

CNN并增加反卷积模块,

融合多层级图像特征，达到了不损失检测精度的情况下，减少模型参数，增强模型泛化能力，提高检测效率的目的。728.3智能医学数据处理技术738.3.3

MRI数据处理多序列数据处理人工智能(AI)在心脏MRI多序列的图像数据上有巨大的应用潜力。AI可辅助放射科医师和科研工作者对复杂心脏MRI图像进行快速精准的解读,为临床诊断和科学研究提供量化指标。AI分析心脏MRI的发展历程,包括基于图像、基于模型和基于数据的3类算法的特点,并简要阐述现阶段MRI图像的AI研究所需要关注的问题。8.3智能医学数据处理技术8.3.3

MRI数据处理2.

实时目标分割：启发信息+深度学习（改进UNet）。近年来，随着医疗大数据的兴起和计算机技术的发展，使得智能医疗成为了可能，基于图像处理和机器学习的人工智能方法也成为了医学影像解译的新手段，为癌症等疾病的诊断和治疗提供了新的途径。目前，深度学习是人工智能领域最热门的研究方向之一，凭借着强大的学习能力和泛化能力，其已经在自然图像解译方面取得了巨大成功，甚至超越了人类。然而，这种最新的方法也有缺陷，包括对大数据的依赖和较差的模型解释性等。医学影像本身获取难度较大，数据量不像自然图像那样丰富，且成像质量通常不高，对分析方法有着更高的要求。深度学习自身的缺陷和医学影像的特殊性限制了这一最新方法在医学影像解译上的应用。为了进一步发挥深度学习的优势，推广其在医学影像解译上的应用，将相关领域的启发式信息与深度学习模型相结合，克服了深度学习的一些局限性，提出了适用于低质医学影像解译的启发式深度学习方法74。8.3智能医学数据处理技术758.3.3

MRI数据处理针对低场强MRI

(

Magnetic

Resonance

Imaging,

MRI)图像伪影严重、空间分辨率低导致目标难以直接分割的问题，提出了图像增强和目标分割的序贯模型。首先，对于低场强MRI图像伪影严重、空间分辨率低的问题，使用本文提出的梯度正则卷积神经网络对其进行了增强，提升图像整体的可视性和目标区域的可分性。然后，将类别不平衡学习和医学图像单目标分割问题相结合,提出代价敏感的加权U-Net模型，用于增强后MRI图像中胃部的分割。将提出的方法和医学图像分割领域传统的水平集方法进行了对比，实验结果表明基于深度学习的方法要明显优于传统方法，且将类别不平衡学习应用到医学图像单目标分割任务上，可以提升分割结果的准确性。8.3智能医学数据处理技术8.3.3

MRI数据处理U-Net网络结构图768.3智能医学数据处理技术778.3.3

MRI数据处理3.基于群智能算法的人脑功能划分。目前，基于fMRI数据的人脑功能划分方法大多是已有经典聚类方法在人脑功能划分中的直接应用，不能较好地处理fMRI数据的高维性和低信噪比性,表现出搜索能力较差、对噪声敏感、划分结构的功能一致性和区域连续性较弱的不足。而群智能算法具有较强的全局搜索能力和一定的鲁棒性,并且在聚类划分方面表现出优于经典聚类算法的性能。8.3智能医学数据处理技术8.3.4

其他数据处理基于数据挖掘技术的医疗大数据分析方法。关联规则挖掘、分类、聚类、异常挖掘。医疗大数