[发明专利]基于数据挖掘与状态学习的医师操作手法模拟方法

说明书

本发明提供了一种基于数据挖掘与状态学习的医师操作手法模拟方法。通过将操作过程中超声探头与组织皮肤接触端的压力、超声图像质量、超声探头法向向量等参数作为学习对象，学习医师操作手法的规律；采用模糊C均值聚类方法对感兴趣区域与普通区域的操作手法进行聚类分析，简化操作手法的复杂程度；采用马尔科夫链模型，对超声扫描过程中操作手法对应参数的动态变化过程进行状态转移建模，刻画医师扫描规律，能有效学习超声科专业医生的操作手法，方便实现机器人拟人超声自动扫描，获取高质量医学超声影像。

技术领域

本发明属数据分析技术领域，具体涉及一种基于数据挖掘与状态学习的医师操作手法模拟方法。

背景技术

目前，虽然应用于超声扫描机器人系统的模拟医师操作手法的方法已有很多，但这些方法只能面向某些特定的临床应用，机器系统操作过程缺少灵活性和智能性，通常是采用单一的操作方法和固定的操作流程，或者通过操作者示教后才能完成扫查，无法完成类似于医生根据病人具体情况改变扫描方法的扫描。

文献“Abolmaesumi P,Salcudean S,Zhu W H,et al.Image-guided control ofa robot for medical ultrasound[J].IEEE Transactions on Robotics andAutomation,2002,18(1):11-23”中提出了颈动脉扫描系统可变换扫描手法，但该系统只能简单重复操作人员的当前操作手法，是一种示教-再现过程，无法针对任意组织部位和临床应用采取自主的、智能化的手法操作。另一方面，目前的超声机器人没有从成像质量到控制手法的反馈过程，完全无法根据超声成像效果实时地调整扫描手法。

发明内容

为了解决由于医生自身的个性差异、被扫描者情况各异，使得医生操作手法的学习和模拟效果差的问题，本发明提供一种基于数据挖掘与状态学习的医师操作手法模拟方法。将医师操作过程中的超声探头与组织皮肤接触端的压力、超声图像感受、超声探头法向向量等参数作为学习对象，学习医师操作手法的规律；然后，采用模糊C均值聚类(FCM)的数据挖掘方法对感兴趣区域与普通区域的操作手法进行聚类分析，简化操作手法的复杂程度；接着，采用马尔科夫链模型，对熟练医师在进行超声扫描过程中操作手法中对应参数的动态变化过程进行状态转移建模，以刻画医师扫描规律，来模拟医师操作手法。

一种基于数据挖掘与状态学习的医师操作手法模拟方法，其特征在于步骤如下：

步骤1：利用自由臂三维超声成像系统，记录医师手持超声探头在人体不同组织部位进行超声扫描过程中每个扫描点的法向量N，利用超声探头前端贴附的力传感器，记录扫描过程中每个扫描点的超声探头与人体组织部位接触面的压力值F，记当前扫描到的超声图像质量评价值为Q，三者形成医师手法特征样本x＝(N,Q,F)^T；

步骤2：采用步骤1的方法进行数据采集，设采集到的医师手法数据集为X＝{x₁,x₂,...,x_n}，其中，n为该手法数据集样本总数，每一个样本x_i＝(N_i,Q_i,F_i)^T，i＝1,2,...,n；

使用模糊C均值聚类算法对数据集X进行聚类处理，得到两个数据集，分别记为普通区域数据集X₁和感兴趣区域数据集X₂，数据集X₂的统计方差大于数据集X₁的统计方差；