一种组织物理特性的计算推理方法及相关设备

技术领域

本发明涉及组织特性分析技术领域，尤其涉及一种组织物理特性的计算推理方法、系统、终端及计算机可读存储介质。

背景技术

物理特性测量技术可应用的组织是多样的，可以概括为承担生物力学功能的软组织以及具有生物力学功能的组织，诸如内脏组织、肌肉、皮肤等。组织物理特性测量的应用是广泛的，概括来说，它可以应用在基础研究上，如分析组织物理特性特征随年龄的变化，借以达到了解某些生理现象本质的目的。

组织的波传递扰动图像可用于组织物理特性分析中，目前组织的物理特性测量方法呈现多样化，非侵入性的用于测量组织物理特性的仪器设备成本高昂，且通常体积较大，不易携带，并且仪器所采集的图像会受到机械波信号干扰呈现图像质量差的情况。同时，此类设备往往需要操作者具有一定的仪器使用经验，操作者的主观性影响着成像质量，这些原因均使得仪器的使用场景受限。而使用神经网络生成组织弹性成像的新型方式，暂时还未得到广泛应用，并且此类方法目前仅适用于针对单一组织的物理特性测量，对组织的局部结构信息提取仍然有限，更多的组织测量使用场景仍然等待挖掘。

因此，现有技术还有待于改进和发展。

发明内容

本发明的主要目的在于提供一种组织物理特性的计算推理方法、系统、终端及计算机可读存储介质，旨在解决现有技术中组织物理特性测量时对设备要求较高，设备成本昂贵，而使用普通的超声探头无法对组织物理特性进行准确测量的问题。

为实现上述目的，本发明提供一种组织物理特性的计算推理方法，所述一种组织物理特性的计算推理方法包括如下步骤：

获取数据集，根据所述数据集对生成式深度神经网络模型进行训练和测试，得到目标网络模型；

选定目标组织，从所述目标组织中选取目标区域，扫描所述目标区域，得到所述目标区域下的组织成像信息，从所述组织成像信息中提取所述目标区域的超声回波信号；

将所述超声回波信号输入到所述目标网络模型中，模拟出机械波在所述目标区域的波传递扰动图；

根据所述波传递扰动图得到机械波的轨迹信息，根据所述轨迹信息计算得到所述机械波的传递速度，根据所述传递速度计算得到所述目标区域的组织物理特性。

可选地，所述的组织物理特性的计算推理方法，其中，所述获取数据集，具体包括：

通过专用的瞬时弹性成像设备测量若干个用于训练的组织，得到若干个用于训练的组织对应的超声回波信号和真实波传递扰动图；

将所述超声回波信号作为特征，将所述真实波传递扰动图作为真实标签，根据所述特征和所述真实标签生成数据集；

将所述数据集按照预设比例划分为两部分，一部分作为训练集以训练所述生成式深度神经网络模型，另一部分作为测试集以检测所述生成式深度神经网络模型预测结果的正确率。

可选地，所述的组织物理特性的计算推理方法，其中，所述生成式深度神经网络模型包括生成器和判别器，所述根据所述数据集对生成式深度神经网络模型进行训练和测试，得到目标网络模型，具体包括：

将所述训练集输入到所述生成器中进行计算推理，通过所述生成器生成若干个虚拟波传递扰动图；

通过所述判别器对若干个所述虚拟波传递扰动图和若干个所述真实标签进行分辨，输出张量；

根据所述张量、所述超声回波信号、所述真实标签和所述虚拟波传递扰动图计算所述判别器的目标损失函数和所述生成器的目标损失函数，直至所述判别器的目标损失函数与所述生成器的目标损失函数都达到预设的收敛条件；

使用所述测试集对达到所述收敛条件的生成式深度神经网络模型进行测试评估，直至达到预设条件，得到所述目标网络模型。

可选地，所述的组织物理特性的计算推理方法，其中，所述根据所述张量、所述超声回波信号、所述真实标签和所述虚拟波传递扰动图计算所述判别器的目标损失函数和所述生成器的目标损失函数，具体包括：

使用所述判别器的BCE Loss计算Real Loss、Fake Loss以及所述生成器的L1Loss：

其中，N为样本数量，x

当使用BCE Loss计算Real Loss时，判别器的输出由所述超声回波信号和所述真实标签得到，BCE Loss中的y表示与判别器的输出维度一致的值全为1的张量；

当使用BCE Loss计算Fake Loss时，判别器的输出由所述超声回波信号和所述虚拟波传递扰动图得到，BCE Loss中的y表示与判别器的输出维度一致的值全为0的张量；

根据Real Loss和Fake Loss计算得到所述判别器的目标损失函数D Loss：

当使用BCE Loss计算G Loss时，判别器的输出由所述超声回波信号和所述虚拟波传递扰动图得到，BCE Loss中的y表示与判别器的输出维度一致的值全为1的张量；

计算得到所述生成器的目标损失函数G Loss：

G Loss＝BCE Loss+L1 Loss·γ；

其中，

可选地，所述的组织物理特性的计算推理方法，其中，所述使用所述测试集对达到所述收敛条件的生成式深度神经网络模型进行测试评估，直至达到预设条件，得到所述目标网络模型，具体包括：

根据所述测试集，计算得到SSIM系数SSIM(x

对达到所述收敛条件的生成式深度神经网络模型中输出的虚拟波传递扰动图进行测试评估，若所述SSIM系数达到预设条件，则得到所述目标网络模型；

其中，x

其中x

表示所述真实标签的对比度，通过所述真实标签的灰度标准差来计算，并进行标准差无偏估计，计算真实标签的对比度/>

其中

其中，y

C

其中，K

可选地，所述的组织物理特性的计算推理方法，其中，所述从所述目标组织中选取目标区域，获取所述目标区域下的组织成像信息，具体包括：

对所述目标组织进行定位，得到所述目标区域；

通过超声探头扫描所述目标区域，采集到所述目标区域的组织成像信息。

可选地，所述的组织物理特性的计算推理方法，其中，所述组织物理特性包括：组织物理特性、组织弹性模量、组织粘性和组织粘弹性。

此外，为实现上述目的，本发明还提供一种组织物理特性的计算推理系统，其中，所述组织物理特性的计算推理系统包括：

模型训练测试模块，用于获取数据集，根据所述数据集对生成式深度神经网络模型进行训练和测试，得到目标网络模型；

目标对象获取模块，用于选定目标组织，从所述目标组织中选取目标区域，扫描所述目标区域，得到所述目标区域下的组织成像信息，从所述组织成像信息中提取所述目标区域的超声回波信号；

波传递扰动图获取模块，用于将所述超声回波信号输入到所述目标网络模型中，模拟出机械波在所述目标区域的波传递扰动图；

组织物理特性计算模块，用于根据所述波传递扰动图得到机械波的轨迹信息，根据所述轨迹信息计算得到所述机械波的传递速度，根据所述传递速度计算得到所述目标区域的组织物理特性。

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物理特性的计算推理程序，所述组织物理特性的计算推理程序被所述处理器执行时实现如上所述的组织物理特性的计算推理方法的步骤。

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物理特性的计算推理程序，所述组织物理特性的计算推理程序被处理器执行时实现如上所述的组织物理特性的计算推理方法的步骤。

本发明中，获取数据集，根据数据集对生成式深度神经网络模型进行训练和测试，得到目标网络模型；选定目标组织，从目标组织中选取目标区域，扫描目标区域，得到目标区域下的组织成像信息，从组织成像信息中提取目标区域的超声回波信号；将所述超声回波信号输入到目标网络模型中，模拟出机械波在目标区域的波传递扰动图；根据波传递扰动图得到机械波的轨迹信息，根据所述轨迹信息得到所述目标区域的组织物理特性；本发明模拟了机械波的传播扰动过程，进而无需实际产生这种机械波扰动，就能得到波传递扰动图，能从中获取机械波传播的速度，进而得到与传播速度相关的物理性质。

附图说明

图1是本发明组织物理特性的计算推理方法的较佳实施例的流程图；

图2是本发明组织物理特性的计算推理方法中对生成式深度神经网络模型进行训练和测试的流程图；

图3是本发明组织物理特性的计算推理方法中生成式深度神经网络模型的架构图；

图4是本发明组织物理特性的计算推理系统的较佳实施例的原理示意图；

图5为本发明终端的较佳实施例的运行环境示意图。

具体实施方式

本申请提供一种组织物理特性的计算推理方法及相关设备，为使本申请的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本申请进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

本发明较佳实施例所述的组织物理特性的计算推理方法，如图1所示，所述组织物理特性的计算推理方法包括以下步骤：

步骤S100、获取数据集，根据所述数据集对生成式深度神经网络模型进行训练和测试，得到目标网络模型。

所述获取数据集，具体包括：

通过专用的瞬时弹性成像设备测量若干个用于训练的组织，得到若干个用于训练的组织对应的超声回波信号和真实波传递扰动图。

将所述超声回波信号作为特征，将所述真实波传递扰动图作为真实标签，根据所述特征和所述真实标签生成数据集。

将所述数据集按照预设比例划分为两部分，一部分作为训练集以训练所述生成式深度神经网络模型，另一部分作为测试集以检测所述生成式深度神经网络模型预测结果的正确率。

物理特性测量技术可应用的组织是多样的，可以概括为承担生物力学功能的软组织以及具有生物力学功能的组织，诸如内脏组织、肌肉、皮肤等。组织物理特性测量的应用是广泛的，概括来说，它可以应用在基础研究上，如分析组织物理特性随年龄的变化，借以达到了解某些生理现象本质的目的。

可以理解的是，本申请在获取训练数据时，使用专用的弹性成像仪器(如现有的瞬时弹性成像设备如FibroScan)来测量出若干用于训练的组织(用于训练的组织可以是一个或多个不同的组织)对应的超声回波信号，以及与所述超声回波信号对应真实波传递扰动图。

可选地，对得到的所述超声回波信号进行预处理，所述预处理包括了包络提取、对数拉伸和区域选取处理，其中，包络提取算法是一种基于信号分析的技术，其基本原理是将原始信号分解为包络信号和调制信号两个部分。包络信号是原始信号的振幅变化部分，而调制信号则是原始信号的频率变化部分。通过提取包络信号，可以获取到信号的主要特征，从而实现信号处理和特征提取的目的。

根据所述超声回波信号以及所述真实标签生成数据集，其中，若干个所述超声回波信号作为所述数据集的特征，若干个真实标签作为所述数据集的标签，其中，所述真实标签是指一个实例的正确输出或类别，也可以称为目标变量。

进一步地，将所述数据集按照预设比例(8：2)划分为两部分，一部分作为训练集用于训练神经网络模型，另一部分作为测试集用于检测神经网络模型预测结果的正确率(划分比例根据实际情况选择，本实施例中采用8：2的训练测试比)。

如图2所示，更进一步地，所述生成式深度神经网络模型包括生成器和判别器，所述根据所述数据集对生成式深度神经网络模型进行训练和测试，得到目标网络模型，具体包括：

步骤S101、将所述训练集输入到所述生成器中进行计算推理，通过所述生成器生成若干个虚拟波传递扰动图；

可以理解的是，如图3所示，以pix2pix的生成对抗网络(Genera tiveAdversarial Networks，GAN)为例，所述生成式深度神经网络模型包括生成器(Generator)和判别器(Generator)，所述生成式深度神经网络模型的输入为所述训练集中的超声回波信号，输出为表征组织物理特性的波传递扰动图，并添加注意力机制Attention Mechanism等模块。

其中，生成器采用基础的U-net架构作为特征提取骨干网络，提取图像的结构信息，根据组织图像的特性，模型输入通道数可选择单通道或多通道(例如，彩色图用3通道、灰度图用1通道、多条扫描线的组合输入时，按实际情况选择通道数量)，使模型的通道数与输入数据的通道数保持一致，用于生成波传递扰动图。

判别器则使用一系列的全连接层，通过减小维度，最终得到张量特征，用于判别真实数据与生成器生成的虚拟数据(具体的网络结构如网络层数、卷积核大小等，略有差异，可以根据实际情况进行设置，这里不做限定)。

具体地，将所述训练集中的若干个所述超声回波信号输入到所述生成器中进行计算，生成器提取若干个所述超声回波信号的结构信息，生成若干个虚拟波传递扰动图；所述生成器的任务是生成尽可能逼真的虚假数据，以欺骗判别器。

需要说明的是，本实施例只是以pix2pix生成式网络进行举例，除了pix2pix生成式网络之外，也可以使用其他的神经网络模型(生成对抗网络Generative AdversarialNetworks、扩散模型Diffusion Model、物理信息神经网络Physics Informed NeuralNetwork或能实现image to image translation功能的神经网络)进行波传播过程的模拟。不同方法得到的结果准确性以及算法复杂性有所差异，在电子移动设备上的适用性也会有所差别。

步骤S102、通过所述判别器对若干个所述虚拟波传递扰动图和若干个所述真实标签进行分辨，输出张量；

判别器的任务是区分真实数据(来自训练集)和生成器生成的虚假数据，输出张量，即预测的概率值；其中，正类即为正样本，正样本和负样本通常与二分类问题相关联，正样本：与真值对应的目标类别来说该样本为正样本。(正样本是在二分类问题中我们要寻找的目标类别)负样本：与真值不对应的其他所有目标类别来说该样本为负样本。

步骤S103、根据所述张量、所述超声回波信号、所述真实标签和所述虚拟波传递扰动图计算所述判别器的目标损失函数和所述生成器的目标损失函数，直至所述判别器的目标损失函数与所述生成器的目标损失函数都达到预设的收敛条件；

具体地，根据所述概率值计算所述判别器的BCE(Binary Cross-Entropy)Loss，该损失函数用于衡量判别器中真实数据样本的Real Loss和Fake Loss；根据Real Loss和Fake Loss计算所述判别器的目标损失函数。判别器的损失函数旨在度量其在判别真实和虚假数据时的性能。

可以理解的是，生成对抗网络(GAN)的训练是一个博弈过程，判别器和生成器相互对抗。判别器的目标是最大限度地提高对真实和虚假数据的区分能力，而生成器的目标是最大限度地提高生成的虚假数据的逼真程度。判别器的损失函数和生成器的损失函数之间存在对抗关系。优化判别器的损失会导致更好的真实数据和虚假数据分类，从而更难训练生成器。相反，生成器的优化会导致生成更逼真的虚假数据，从而提高了判别器的难度。GAN的最终目标是达到一个平衡状态，其中生成器生成的数据足够逼真，以至于判别器无法可靠地区分真实数据和虚假数据。这就是GAN的收敛条件，其中生成器的性能最大化，而判别器的性能最小化。这种平衡状态对应于生成器生成的数据与真实数据分布相匹配。

进一步地，所述根据所述张量、所述超声回波信号、所述真实标签和所述虚拟波传递扰动图计算所述判别器的目标损失函数和所述生成器的目标损失函数，具体包括：

使用所述判别器的BCE Loss计算Real Loss、Fake Loss以及所述生成器的L1Loss：

其中，N为样本数量，x

当使用BCE Loss计算Real Loss时，判别器的输出由所述超声回波信号和所述真实标签得到，BCE Loss中的y表示与判别器的输出维度一致的值全为1的张量；

当使用BCE Loss计算Fake Loss时，判别器的输出由所述超声回波信号和所述虚拟波传递扰动图得到，BCE Loss中的y表示与判别器的输出维度一致的值全为0的张量；

根据Real Loss和Fake Loss计算得到所述判别器的目标损失函数D Loss：

可以理解的是，BCE Loss用于衡量判别器中真实数据样本的输出与标签“1”(表示真实)之间的差异(Real Loss)，使得判别器能够正确识别真实数据，令判别器的输出应该尽可能地接近1。同时这个损失函数用于衡量判别器对生成器生成的数据样本的输出与标签“0”(表示假或生成的)之间的差异(Fake Loss)。使得判别器能够正确地识别生成的数据为假，对于假数据，令判别器的输出应该尽可能地接近0，判别器最终的目标损失函数DLoss为二者之和的一半。

当使用BCE Loss计算G Loss时，判别器的输出由所述超声回波信号和所述虚拟波传递扰动图得到，BCE Loss中的y表示与判别器的输出维度一致的值全为1的张量。

计算得到所述生成器的目标损失函数G Loss：

G Loss＝BCE Loss+L1 Loss·γ；

其中，

可以理解的是，生成器损失计算过程中，通过将生成器产生的假样本(y_fake)与真实的样本(x)输入判别其中，得到一个判别器对这些假样本的真实性评分(D_fake)。并将该评分与一个同样大小元素均为1的张量进行BCE损失函数计算，使得生成器产生的假样本能够欺骗判别器，使判别器认为这些样本是真实的。并计算了L1损失(根据实际情况选择)，用于衡量生成的假样本(y_fake)与真实标签(y)之间的差异。L1损失计算了两者之间每个对应位置上数值的绝对差值，鼓励生成器生成的假样本尽量接近真实样本。

需要说明的是，生成器计算L1 Loss(又称为MAE(mean abs error))时，也可以使用如L2 Loss(又称为MSE(mean square error))、Hubor Loss等损失函数作为替代方案，其主要目的是为了使得生成的结果与真实结果的差异尽量小。生成器与判别器中的BCE Loss可以使用Focal Loss、交叉熵损失函数(Cross Entropy Loss)进行替代，使得生成器的结果能够以假乱真，判别器能更好的区分结果的真伪；生成结果的评估指标可以用其他指标进行替代，如峰值信噪比Peak Signal to Noise Ratio(PSNR)等。

步骤S104、使用所述测试集对达到所述收敛条件的生成式深度神经网络模型进行测试评估，直至达到预设条件，得到所述目标网络模型。

具体地，使用所述测试集来验证达到所述收敛条件的生成式深度神经网络模型的输出结果与真实标签的差异，根据所述差异计算得到达到所述收敛条件的生成式深度神经网络模型的性能值；将所述性能值与预设阈值进行比较，若所述性能值达到所述预设阈值，则得到符合要求的所述目标模型；若所述性能值未达到所述预设阈值，则反复训练所述生成式深度神经网络模型，直至所述性能达到预设阈值，得到符合要求的所述目标模型。

进一步地，所述使用所述测试集对达到所述收敛条件的生成式深度神经网络模型进行测试评估，直至达到预设条件，得到所述目标网络模型，具体包括：

根据所述测试集，计算得到SSIM系数SSIM(x

对达到所述收敛条件的生成式深度神经网络模型中输出的虚拟波传递扰动图进行测试评估，若所述SSIM系数达到预设条件，则得到所述目标网络模型；

其中，x

其中x

表示所述真实标签的对比度，通过所述真实标签的灰度标准差来计算，并进行标准差无偏估计，计算真实标签的对比度/>

其中

其中，y

C

其中，K

步骤S200、选定目标组织，从所述目标组织中选取目标区域，扫描所述目标区域，得到所述目标区域下的组织成像信息，从所述组织成像信息中提取所述目标区域的超声回波信号。

所述从所述目标组织中选取目标区域，扫描所述目标区域，得到所述目标区域下的组织成像信息，具体包括：

对所述目标组织进行定位，得到所述目标区域；

通过超声探头扫描所述目标区域，采集到所述目标区域的组织成像信息。

可以理解的是，使用普通医学成像设备(如传统超声探头设备，无需外部仪器振动产生机械波、无需引发组织扰动)扫描所述目标组织，对所述目标组织进行定位，得到所述目标区域，从所述目标区域中采集到所述组织成像信息，从所述组织成像信息中提取所述目标区域的超声回波信号为后续的组织物理特性计算做准备；避免了专业的组织物理特性测量设备的使用，大大降低了测量成本。

需要说明的是，在信号采集过程中，除了直接使用超声设备生成的B超图像中的单条或多条扫描线信号，也可以使用其他相关的超声回波信息(如超声射频信号等)，通过一定的预处理(如包络提取、对数压缩等)，再利用神经网络生成表征组织物理特性的波传递扰动图，用于组织物理特性的评估。直接或者经处理后的能够表示组织结构信息的信号均可以作为本发明的输入数据。

进一步地，也可以使用两条或者多条扫描线的结果进行组合输入。一种可能的输入是，多条扫描线的结果作为不同通道输入。

步骤S300、将所述超声回波信号输入到所述目标网络模型中，模拟出机械波在所述目标区域的波传递扰动图。

将所述超声回波信号输入到所述目标网络模型中进行推理计算，可以模拟出机械波在所述目标区域的波传递扰动图。本申请结合生成式神经网络，推理(模拟)机械波在组织结构中的传播过程，进而得到与组织(如肝脏)物理特性相关的波传递扰动图，可用于分析组织相关的物理信息表征。并且对使用者的操作要求较低，受到的主观影响较小，并且对组织成像质量的容忍度相对较高。

作为举例，所述波传递扰动图包括：Transient Elastography(瞬时弹性成像)的shear wave propagation image(剪切波传播图像)、shear wave propagation maps(剪切波传播图)、elastogram images(弹性图图像)或者strain image(应变图像)等；需要说明的是，以上内容仅为举例，并不用于限制本方案。

步骤S400、根据所述波传递扰动图得到机械波的轨迹信息，根据所述轨迹信息计算得到所述机械波的传递速度，根据所述传递速度计算得到所述目标区域的组织物理特性。

可以理解的是，所述组织物理特性包括但是不限于：组织物理特性、组织弹性模量、组织粘性和组织粘弹性。

具体地，从所述目标网络模型中推理得到的包含机械波轨迹信息的波传递扰动图，根据所述波传递扰动可以得到机械波在目标区域(组织)下的传递时间和传递深度，用所述传递深度除以所述传递时间即可计算出所述超声回波信号的传递速度，从所述传播速度中可以衍生得到许多组织的物理特性，如硬度、弹性、粘性、粘弹性等。

例如，根据所述传递速度计算得到所述目标区域的组织硬度的过程为：

根据所述传递速度计算出所述目标区域的组织硬度E：

E＝3ρV

其中，ρ表示组织密度，V表示剪切波的传递速度。

需要说明的是，从波传递扰动图中获取物理特性值的过程中，除了人工方法外，可以使用图像分割等处理方法。此外，同样地可以借助神经网络获取波的传递深度及传递时间信息，求得波的传递速度以及组织物理特性值。其他物理属性(如黏性)的获取也可以根据推理出的波传递扰动图的特征提取进行测算。

本发明以组织硬度测量为例，波的传递速度反映了组织的硬度，波在组织中的传递速度越快，代表组织的硬度越大，相反则越小。通过对波传递扰动图使用图像增强方法，如多尺度图像增强、对比度增强、色彩平衡等，去增强图像后，提取出波传递图(记录了波的传播轨迹，类似于瞬时硬度成像(Transient Elastography)的弹性图Elast ogram)中波传递的轨迹信息，即波在组织传递中所经过的传递时间、传递深度，基于此推算出波的传递速度。

进一步地，本发明可以隐藏或跳过从波传递扰动图的生成到组织物理特性的测量计算阶段，利用神经网络直接对组织的物理特性直接进行预测。或者可以结合多个神经网络，对不同阶段分别进行处理。例如从超声回波信息到波传递扰动图阶段使用生成式神经网络，从波传递扰动图到组织物理特性值的计算阶段，使用其他神经网络实现，通过显式或隐式的方式，对若干神经网络进行组合。

可见，本发明基于超声成像与信号采集技术(医学成像设备，如超声成像设备)和生成式神经网络，提出了从组织结构(超声回波信息)中推理组织形变过程中机械波的传递扰动过程(波传递扰动图，类似于瞬时弹性成像)的方法。该方法可以直接利用普通的成像设备，得到组织的超声回波信息，进而通过神经网络建立的映射，直接获得波在组织内的传递过程，无需外部仪器振动产生机械波或者引发组织扰动，进而得到组织的物理特性，不需要特殊设备来测量组织物理特性(如剪切波弹性成像设备、瞬时弹性成像设备)，不需要依赖专用的超声弹性测量设备，而是在普通的例如超声探头中就能实现组织物理性质的获取，大大降低了检测的成本。能广泛用于现有的各种成像设备中，可低成本进行组织物理特性检测。

进一步地，如图4所示，基于上述组织物理特性的计算推理方法，本发明还相应提供了一种组织物理特性的计算推理系统，其中，所述组织物理特性的计算推理系统包括：

模型训练测试模块51，用于获取数据集，根据所述数据集对生成式深度神经网络模型进行训练和测试，得到目标网络模型；

目标对象获取模块52，用于选定目标组织，从所述目标组织中选取目标区域，扫描所述目标区域，得到所述目标区域下的组织成像信息，从所述组织成像信息中提取所述目标区域的超声回波信号；

波传递扰动图获取模块53，用于将所述超声回波信号输入到所述目标网络模型中，模拟出机械波在所述目标区域的波传递扰动图；

组织物理特性计算模块54，用于根据所述波传递扰动图得到机械波的轨迹信息，根据所述轨迹信息计算得到所述机械波的传递速度，根据所述传递速度计算得到所述目标区域的组织物理特性。

进一步地，如图5所示，基于上述组织物理特性的计算推理方法和系统，本发明还相应提供了一种终端，所述终端包括处理器10、存储器20及显示器30。图5仅示出了终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

所述存储器20在一些实施例中可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据，例如所述安装终端的程序代码等。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有组织物理特性的计算推理程序40，该组织物理特性的计算推理程序40可被处理器10所执行，从而实现本申请中组织物理特性的计算推理方法。

所述处理器10在一些实施例中可以是一中央处理器(Central Pr ocessingUnit，CPU)，微处理器或其他数据处理芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述组织物理特性的计算推理方法等。

所述显示器30在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。所述显示器30用于显示在所述终端的信息以及用于显示可视化的用户界面。所述终端的部件10-30通过系统总线相互通信。

在一实施例中，当处理器10执行所述存储器20中组织物理特性的计算推理程序40时实现以下步骤：

获取数据集，根据所述数据集对生成式深度神经网络模型进行训练和测试，得到目标网络模型；

选定目标组织，从所述目标组织中选取目标区域，扫描所述目标区域，得到所述目标区域下的组织成像信息，从所述组织成像信息中提取所述目标区域的超声回波信号；

将所述超声回波信号输入到所述目标网络模型中，模拟出机械波在所述目标区域的波传递扰动图；

根据所述波传递扰动图得到机械波的轨迹信息，根据所述轨迹信息计算得到所述机械波的传递速度，根据所述传递速度计算得到所述目标区域的组织物理特性。

其中，所述获取数据集，具体包括：

通过专用的瞬时弹性成像设备测量若干个用于训练的组织，得到若干个用于训练的组织对应的超声回波信号和真实波传递扰动图；

将所述超声回波信号作为特征，将所述真实波传递扰动图作为真实标签，根据所述特征和所述真实标签生成数据集；

将所述数据集按照预设比例划分为两部分，一部分作为训练集以训练所述生成式深度神经网络模型，另一部分作为测试集以检测所述生成式深度神经网络模型预测结果的正确率。

其中，所述生成式深度神经网络模型包括生成器和判别器，所述根据所述数据集对生成式深度神经网络模型进行训练和测试，得到目标网络模型，具体包括：

将所述训练集输入到所述生成器中进行计算推理，通过所述生成器生成若干个虚拟波传递扰动图；

通过所述判别器对若干个所述虚拟波传递扰动图和若干个所述真实标签进行分辨，输出张量；

根据所述张量、所述超声回波信号、所述真实标签和所述虚拟波传递扰动图计算所述判别器的目标损失函数和所述生成器的目标损失函数，直至所述判别器的目标损失函数与所述生成器的目标损失函数都达到预设的收敛条件；

使用所述测试集对达到所述收敛条件的生成式深度神经网络模型进行测试评估，直至达到预设条件，得到所述目标网络模型。

其中，所述根据所述张量、所述超声回波信号、所述真实标签和所述虚拟波传递扰动图计算所述判别器的目标损失函数和所述生成器的目标损失函数，具体包括：

使用所述判别器的BCE Loss计算Real Loss、Fake Loss以及所述生成器的L1Loss：

其中，N为样本数量，x

当使用BCE Loss计算Real Loss时，判别器的输出由所述超声回波信号和所述真实标签得到，BCE Loss中的y表示与判别器的输出维度一致的值全为1的张量；

当使用BCE Loss计算Fake Loss时，判别器的输出由所述超声回波信号和所述虚拟波传递扰动图得到，BCE Loss中的y表示与判别器的输出维度一致的值全为0的张量；

根据Real Loss和Fake Loss计算得到所述判别器的目标损失函数D Loss：

当使用BCE Loss计算G Loss时，判别器的输出由所述超声回波信号和所述虚拟波传递扰动图得到，BCE Loss中的y表示与判别器的输出维度一致的值全为1的张量；

计算得到所述生成器的目标损失函数G Loss：

G Loss＝BCE Loss+L1 Loss·γ；

其中，

其中，所述使用所述测试集对达到所述收敛条件的生成式深度神经网络模型进行测试评估，直至达到预设条件，得到所述目标网络模型，具体包括：

根据所述测试集，计算得到SSIM系数SSIM(x

对达到所述收敛条件的生成式深度神经网络模型中输出的虚拟波传递扰动图进行测试评估，若所述SSIM系数达到预设条件，则得到所述目标网络模型；

其中，x

其中x

表示所述真实标签的对比度，通过所述真实标签的灰度标准差来计算，并进行标准差无偏估计，计算真实标签的对比度/>

其中

其中，y

C

其中，K

其中，所述从所述目标组织中选取目标区域，获取所述目标区域下的组织成像信息，具体包括：

对所述目标组织进行定位，得到所述目标区域；

通过超声探头扫描所述目标区域，采集到所述目标区域的组织成像信息。

其中，所述组织物理特性包括：组织物理特性、组织弹性模量、组织粘性和组织粘弹性。

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物理特性的计算推理程序，所述组织物理特性的计算推理程序被处理器执行时实现如上所述的组织物理特性的计算推理方法的步骤。

综上所述，本发明提供了一种组织物理特性的计算推理方法及相关设备，所述方法包括：获取数据集，根据数据集对生成式深度神经网络模型进行训练和测试，得到目标网络模型；选定目标组织信息，从目标组织中选取目标区域，扫描目标区域，得到目标区域下的组织成像信息，从组织成像信息中提取目标区域的超声回波信号；将所述超声回波信号输入到目标网络模型中，模拟出机械波在目标区域的波传递扰动图；根据波传递扰动图得到机械波的轨迹信息，根据所述轨迹信息得到所述目标区域的组织物理特性；本发明模拟了机械波的传播扰动过程，进而无需实际产生这种机械波扰动，就能得到波传递扰动图，能从中获取机械波传播的速度，进而得到与传播速度相关的物理性质。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者终端中还存在另外的相同要素。

当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程RO M(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDR AM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。