论文部分内容阅读
高强度聚焦超声(HIFU)常被用于治疗癌症肿瘤,而治疗部位位于皮下不能直接通过肉眼进行观测,研究高强度聚焦超声治疗过程监控对确保治疗安全和高效有重要意义。本文搭建了高强度聚焦超声实验系统,探索通过分析生物组织散射的超声回波信号来对手术的目标区域进行检测。论文主要工作有:1.由于光纤水听器采集的超声信号中含有噪声,本文提出用多迭代变分模态分解(MIVMD)对生物组织产生的超声背散射信号进行去噪处理。采集到超声回波信号中生物组织的超声背散射信号只占整个信号的一小片段,直接对超声背散射信号进行模态分解处理会影响去噪效果,因此在去噪之前需要依据生物组织切片、信号的采样频率与信号频率,从采集的信号中截取目标区域产生的超声背散射信号。文中使用仿真信号比较了MIVMD与EMD和VMD之间的差别,结果表明本文提出的MIVMD选择重构后能更好地去除信号中的噪声。2.对散布熵(DE)进行复合化与多尺度化的改进,提出将复合多尺度熵(CMDE)作为超声背散射信号的特征。使用仿真信号分析了多尺度化与复合多尺度化两种改进方式之间的稳定性差异,同时分析了信号长度对两种改进方式稳定性的影响。计算经过MIVMD处理后实际采集的超声背散射信号的熵,并使用GK模糊聚类和K均值聚类两种聚类方式对提取的超声背散射信号特征进行聚类识别。使用近似熵(ApEn)、样本熵(SE)和模糊熵(FE)作为对比,计算不同熵参数聚类的评价指标和生物组织的变性识别率。实验结果表明:变性与未变性组织中超声背散射信号的CMDE差异更明显,且同类组织中其内敛性更好;使用CMDE进行GK模糊聚类可以获得更好的识别效果。3.提出了使用自回归模型和支持向量机(AR-SVM)对生物组织变性进行识别。对经过MIVMD处理过后的超声背散射信号进行自回归模型构建,研究了超声背散射信号的最佳AR模型阶数和作为识别特征的系数选取,并用支持向量机对得到的特征参数进行变性识别。实验结果表明,采用20阶AR模型的第11个系数作为特征参数时,使用AR-SVM方法能有效的对生物组织进行变性识别,识别率达到93%。