基于超声时频分析与残差网络的生物组织变性识别

为了能对高强度聚焦超声(HIFU)治疗过程中的生物组织进行实时准确的变性识别,提出了一种基于超声时频分析与残差网络(ResNet)的生物组织变性识别方法。首先,采用广义S变换(GST)方法对生物组织超声回波信号进行时频分析,得到二维时频图;然后,通过迁移学习,将在ImageNet数据集上训练得到的参数应用于超声回波信号数据集;最后,利用ResNet101模型从生物组织变性前后的时频图中学习和提取有效的变性信息,并可视化变性特征轨迹,实时地完成生物组织变性识别。实验结果表明:相较于现有基于信号能量,AR系数以及熵特征的变性识别方法,GST-ResNet方法无需人为经验选取特征参数,具有更高的识别率,可以实时准确地完成生物组织的变性识别。