CN110930394B - 测量肌肉肌纤维束线斜率和羽状角的方法及终端设备 - Google Patents

测量肌肉肌纤维束线斜率和羽状角的方法及终端设备 Download PDF

Info

Publication number
CN110930394B
CN110930394B CN201911206557.XA CN201911206557A CN110930394B CN 110930394 B CN110930394 B CN 110930394B CN 201911206557 A CN201911206557 A CN 201911206557A CN 110930394 B CN110930394 B CN 110930394B
Authority
CN
China
Prior art keywords
image
ultrasonic
muscle fiber
slope
reference line
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911206557.XA
Other languages
English (en)
Other versions
CN110930394A (zh
Inventor
肖杨
王晟
张湘楠
王丛知
郑海荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201911206557.XA priority Critical patent/CN110930394B/zh
Priority to PCT/CN2019/122450 priority patent/WO2021103048A1/zh
Publication of CN110930394A publication Critical patent/CN110930394A/zh
Application granted granted Critical
Publication of CN110930394B publication Critical patent/CN110930394B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

本发明适用于生物检测技术领域，提供了一种测量肌肉肌纤维束线斜率和羽状角的方法及终端设备，所述测量肌肉肌纤维束线斜率的方法包括：定位获取到的肌肉超声图像中的肌膜线；在两条肌膜线中间区域截取超声肌纤维图像；在所述超声肌纤维图像上标注具有初始斜率的参照线，将标注有初始斜率参照线的所述超声肌纤维图像输入训练好的神经网络模型，若所述神经网络模型的输出结果不为预测角度正确，则重新标注具有不同于所述初始斜率的参照线，并将重新标注参照线的超声肌纤维图像输入训练好的所述神经网络模型，直至输出结果为预测角度正确为止，输出此时参照线的斜率，作为肌纤维束线的斜率。本发明实施例提高了测量方法的鲁棒性。

Description

测量肌肉肌纤维束线斜率和羽状角的方法及终端设备
技术领域
本发明涉及生物检测技术领域，具体涉及一种测量肌肉纤维束线斜率和羽状角的方法及终端设备。
背景技术
肌肉是构成人体的重要组织，占体重的40％～45％，分为骨骼肌、平滑肌和心肌三种类型，分布在各器官和骨骼的周围，具有不同的构造、力学性质和功能。肌骨系统依靠肌肉的约束力保持稳定，依靠肌肉的驱动力形成行为运动，在人体运动中扮演着至关重要的作用。当肌肉拉伸或收缩时，羽状角会随之变化。羽状角的变化可反映肌肉的功能与状态，为临床上病变诊断以及运动康复训练提供重要的参考信息。医学超声成像是利用超声波在人体组织中的反射、散射、透射、衰减、多普勒效应等物理特性测量目标的形态结构和动力学参数来诊断疾病，具有无损、经济、简便等优点。医学超声可以清晰地对骨骼肌结构成像，显示骨骼肌收缩时的结构形态变化，是研究骨骼肌结构形态特性非常有效的工具，可获取肌肉横截面积、肌肉厚度、羽状角和肌纤维长等肌肉结构化参数，对功能评估、疾病的诊断和监测、后期康复计划制定、组织功能预后等均具有重要的指导意义。
临床医生通常是通过依靠手工标注的方法来确定这些肌肉结构参数，耗时费力。现有技术主要基于图像处理方法，有以下两种：
第一种，《Estimation of Muscle Fiber Orientation in UltrasoundImagesusing Revoting Hough Transform(RVHT)》，作者Yongjin Zhou和Yong-Ping Zheng于2007年提出可以通过霍夫变换来追踪肌肉超声图像中的肌纤维。首先需要将原始的超声图像进行边缘检测，边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了肌肉超声图像重要的结构属性，也就是肌肉的纹理。边缘检测会将原先的灰度图像变为二值的黑白边缘图像，对检测出的边缘图像使用霍夫变换算法。侦测直线的霍夫变换算法使用一个称作累加器的二维矩阵，来侦测图片中是否有直线可以用方程式r＝x cos θ+y sinθ来描述。累加器矩阵的维度等于未知的参数的总数，举例来说，要寻找是否有一条直线，他的参数空间的变数总共有两个r和θ，因此累加器矩阵的维度是2。而这个二维的累加器矩阵，一个维度代表经过量化的r，另一个维度则是代表量化的θ，因此每一个矩阵的元素的值，是可以用该元素表示的直线的数量总和，因此矩阵元素的最大值的意义是，该张图片里出现该元素代表的直线的信心最大。
第二种，《Automatic Tracking of Muscle Fascicles in Ultrasound ImagesUsing Localized Radon Transform》，作者Heng Zhao,Member和Li-Qun Zhang于2011年提出可以通过雷登变换(Radon Transform)来追踪肌肉超声图像中的肌纤维。首先需要将原始的超声图像进行边缘检测，边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了肌肉超声图像重要的结构属性，也就是肌肉的纹理。边缘检测会将原先的灰度图像变为二值的黑白边缘图像，对检测出的边缘图像使用雷登变换算法。数学上，雷登变换是一种积分变换，这个变换将二维平面函数f变换成一个定义在二维空间上的一个线性函数Rf，而Rf的值为函数f对该条线Rf做积分的值。若函数f表示一个未知的密度，对f做雷登变换，相当于得到f投影后的讯号，举例来说：f相当于人体组织，断层扫描的输出讯号相当于经过雷登变换的f。因此，可以用雷登反变换从投影后的密度函数，重建原始的密度函数。雷登变换后的讯号称作正弦图，因为一个偏离中心的点的雷登变换是一个正弦曲线。所以对一些小点的雷登变换，会看起来像很多不同振福、相位的正弦函数重叠在一起。
综上所述，第一种方法使用超声图像的霍夫变换来计算肌膜和肌纤维束的角度，虽然霍夫变换在定位肌膜时效果较好，但霍夫变换不能很好的定位肌纤维；第二种方法使用超声图像的的雷登变换来计算肌膜和肌纤维束的角度，当肌纤维不清晰，对比度低时，雷登变换性能下降明显；第二种的改进方法在原方法的基础上加入了卡尔曼滤波器提升性能，但在增加精确性的同时，也增加了方法的复杂度和运算速度。此外，肌纤维具有时断时续，时隐时现的特点。因此，现有技术中基于图像处理的方法鲁棒性不强。
发明内容
有鉴于此，本发明实施例提供了一种测量肌肉纤维束线斜率和羽状角的方法及终端设备，以提高测量方法的鲁棒性。
本发明第一方面提供了一种测量肌肉肌纤维束线斜率的方法，包括：
获取肌肉的超声图像；
定位所述超声图像中的肌膜线；
在所述超声图像中两条肌膜线中间区域截取至少一幅超声肌纤维图像；
在所述超声肌纤维图像上标注具有初始斜率的参照线，将标注有初始斜率参照线的所述超声肌纤维图像输入训练好的神经网络模型，若所述神经网络模型的输出结果不为预测角度正确，则重新在所述超声肌纤维图像上标注具有不同于所述初始斜率的参照线，并将重新标注参照线的超声肌纤维图像输入训练好的所述神经网络模型，直至所述神经网络模型的输出结果为预测角度正确为止；其中，所述神经网络模型用于判断输入的超声肌纤维图像上标注的参照线的斜率是否与所述超声肌纤维图像中肌纤维束线的斜率平行；
输出所述神经网络模型的输出结果为预测角度正确时的参照线的斜率，作为所述超声肌纤维图像中肌纤维束线的斜率。
本发明第二方面提供了一种测量肌肉羽状角的方法，包括：
获取肌肉的超声图像；
定位所述超声图像中的肌膜线，并计算所述超声图像中肌膜线的斜率；
在所述超声图像中两条肌膜线中间区域截取至少一个超声肌纤维图像；
在所述超声肌纤维图像上标注具有初始斜率的参照线，将标注有初始斜率参照线的所述超声肌纤维图像输入训练好的神经网络模型，若所述神经网络模型的输出结果不为预测角度正确，则重新在所述超声肌纤维图像上标注具有不同于所述初始斜率的参照线，并将重新标注参照线的超声肌纤维图像输入训练好的所述神经网络模型，直至所述神经网络模型的输出结果为预测角度正确为止；其中，所述神经网络模型用于判断输入的超声肌纤维图像上标注的参照线的斜率是否与所述超声肌纤维图像中肌纤维束线的斜率平行；
输出所述神经网络模型的输出结果为预测角度正确时的参照线的斜率，作为所述超声肌纤维图像中肌纤维束线的斜率；
根据所述超声图像中肌膜线的斜率和所述超声肌纤维图像中肌纤维束线的斜率计算肌肉羽状角。
本发明第三方面提供了一种测量肌肉肌纤维束线斜率的装置，包括：
获取单元，用于获取肌肉的超声图像；
定位单元，用于定位所述超声图像中的肌膜线，并计算所述超声图像中肌膜线的斜率；
截取单元，用于在所述超声图像中两条肌膜线中间区域截取至少一个超声肌纤维图像；
标注单元，用于在所述超声肌纤维图像上标注具有初始斜率的参照线，将标注有初始斜率参照线的所述超声肌纤维图像输入训练好的神经网络模型，若所述神经网络模型的输出结果不为预测角度正确，则重新在所述超声肌纤维图像上标注具有不同于所述初始斜率的参照线，并将重新标注参照线的超声肌纤维图像输入训练好的所述神经网络模型，直至所述神经网络模型的输出结果为预测角度正确为止；其中，所述神经网络模型用于判断输入的超声肌纤维图像上标注的参照线的斜率是否与所述超声肌纤维图像中肌纤维束线的斜率平行；
斜率输出单元，用于输出所述神经网络模型的输出结果为预测角度正确时的参照线的斜率，作为所述超声肌纤维图像中肌纤维束线的斜率。
本发明第四方面提供了一种测量肌肉羽状角的装置，包括：
获取单元，用于获取肌肉的超声图像；
定位单元，用于定位所述超声图像中的肌膜线，并计算所述超声图像中肌膜线的斜率；
截取单元，用于在所述超声图像中两条肌膜线中间区域截取至少一个超声肌纤维图像；
标注单元，用于在所述超声肌纤维图像上标注具有初始斜率的参照线，将标注有初始斜率参照线的所述超声肌纤维图像输入训练好的神经网络模型，若所述神经网络模型的输出结果不为预测角度正确，则重新在所述超声肌纤维图像上标注具有不同于所述初始斜率的参照线，并将重新标注参照线的超声肌纤维图像输入训练好的所述神经网络模型，直至所述神经网络模型的输出结果为预测角度正确为止；其中，所述神经网络模型用于判断输入的超声肌纤维图像上标注的参照线的斜率是否与所述超声肌纤维图像中肌纤维束线的斜率平行；
斜率输出单元，用于输出所述神经网络模型的输出结果为预测角度正确时的参照线的斜率，作为所述超声肌纤维图像中肌纤维束线的斜率；
计算单元，用于根据所述超声图像中肌膜线的斜率和所述超声肌纤维图像中肌纤维束线的斜率计算肌肉羽状角。
本发明第五方面提供了一种终端设备，包括存储器以及处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如第一方面和/或第二方面所述方法的步骤。
本发明第六方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面和/或第二方面所述方法的步骤。
本发明实施例通过提出一种基于深度学习的超声图像定量测量肌肉肌纤维束线斜率和羽状角的方法，利用深度学习中的神经网络，从肌肉的超声图像中估计出肌肉组织的肌肉肌纤维束线斜率和羽状角，扩宽了测量方法的适用范围，提高了鲁棒性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种测量肌纤维束线斜率的方法的流程图；
图2是本发明实施例提供的一种测量肌纤维束线斜率的方法的过程示意图；
图3是本发明实施例提供的一种利用神经网络模型检测肌纤维束的示意图；
图4是本发明实施例提供的一种利用神经网络模型检测肌纤维束的结果示意图；
图5是本发明实施例提供的一种得到训练好的神经网络模型的方法流程图；
图6是本发明实施例提供的一种测量肌肉羽状角的方法的流程图；
图7是本发明实施例提供的一种测量肌肉羽状角的输出结果示意图；
图8是本发明实施例提供的一种测量肌纤维束线斜率的装置的结构示意图；
图9是本发明实施例提供的一种测量肌肉羽状角的装置的结构示意图；
图10是本发明实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
图1为本发明实施例提供的一种测量肌纤维束线斜率的方法的流程图，该方法由终端设备执行。图2为本发明实施例提供的一种测量肌纤维束线斜率的方法的过程示意图。如图1所示，测量肌纤维束线斜率的方法包括步骤101至105。
S101，获取肌肉的超声图像。
其中，超声图像可以为通过超声仪器采集的单帧肌肉超声图像，也可以为通过超声仪器采集的一系列超声图像中的一帧超声图像。在本发明实施例中，针对一帧超声图像，测量超声图像中肌肉的肌纤维束线斜率。
可选地，在本发明其他实施方式中，在获取肌肉的超声图像之后，还包括对超声图像进行预处理的步骤，此时，在后续步骤102中的对象则为经预处理后的超声图像。采用这种设置，可以使得测量结果更加准确，使得本发明可以进一步适用于不同质量的超声图像。
需要说明的是，根据实际情况的变化，超声图像的预处理依次包括图像裁减，中值滤波降噪和调整对比度这三个步骤中的至少一个。例如参见图2中所示从原始超声图像(A)经过去噪裁减后至图(B)的预处理示意图。
(1)图像裁减
由于超声仪器采集并保存的原始超声数据往往包含了除超声图像序列以外的其他信息，如时间，病人名字，仪器型号等。因此步骤101中，需要对原始超声图像进行进一步的裁剪，去除边界区域，并且仅留下其中一帧超声图像。
示例性地，参见图2所示，裁剪图(A)原始超声图中一系列超声图像中的边界区域，并保留一系列超声图像序列中一帧超声图像。
需要说明的是，本领域技术人员可以理解，若原始超声图像就仅包括一帧超声图像，且没有其他信息的情况下，则直接将获取到的原始超声图像作为目标对象，继续执行后续步骤。
(2)中值滤波降噪
根据超声灰阶图像的特点，使用中值滤波降噪：中值滤波器是一种常用的非线性平滑滤波器，基本原理是把数字图像或数字序列中一点的值用该点邻域内各点的中值代换。设f(x,y)表示数字图像像素点(x,y)的灰度值，滤波窗口为A的中值滤波器可以定义为：
Figure BDA0002297057240000081
其中，定义n为滤波窗口A所含的像素点数量，当n为奇数时，n个数x1,x2,x3…xn的中值就是按数值大小顺序处于中间的数；当n为偶数时，定义两个中间数平均值为中值。
(3)调整对比度
采取直方图均衡化来调整图像的对比度，用于增强局部的对比度而不影响整体的对比度，直方图均衡化的变换函数f(x)可以定义为：
Figure BDA0002297057240000082
其中，h(xi)表示直方图中每个灰度级像素的个数，w和h分别表示图像的宽和高。L表示灰度级，在8-bit超声图像中为256。
S102，定位所述超声图像中的肌膜线。
其中，定位所述超声图像中的肌膜线，参见图2中所述图(C)，可以采用背景技术中提及的现有技术提供的技术方案，例如霍夫变换和雷登变换等，本发明对该具体实现方法不做具体限定。
示例性地，作为本发明一实施例，步骤102包括：利用卷积计算来获得超声图像的边缘图，利用霍夫变换检测所述边缘图中的直线线段，由此来定位超声图像中的肌膜线。
具体地，步骤102包括如下步骤(1)-(4)：
(1)对超声图像进行求导以得到超声图像的梯度图，使其中的肌膜的边缘清晰化。以下例子中使用索贝尔算子，该算子包含两组3×3的矩阵，分别为横向及纵向，将之与超声图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以A代表超声图像，Gx及Gy分别代表经横向及纵向边缘检测的图像，然后进行如下的操作，其公式如下:
Figure BDA0002297057240000091
Figure BDA0002297057240000092
(2)在超声图像的每一像素点，结合以上两个结果求出近似梯度，G即为A的梯度:
Figure BDA0002297057240000093
(3)霍夫变换算法使用一个称作累加器的二维矩阵，来侦测图片中是否有直线可以用方程式来描述：
r＝x cos θ+y sin θ；
累加器矩阵的维度等于未知参数的总数，寻找是否有一条直线，其参数空间的变数总共有两个r和θ，累加器矩阵的维度是2。而这个二维的累加器矩阵，一个维度代表经过量化的r，另一个维度则是代表量化的θ，因此每一个矩阵的元素的值，是可以用该元素表示的直线的数量总和，累加器矩阵元素的最大值表示在图像梯度图里出现该元素代表的直线的概率最大。
(4)通过在梯度图概率最大的直线在超声图像中定位该线，从而标注肌膜线。
需要说明的是，此处定位肌膜线的方法仅为示例性描述，本发明对定位肌膜线的方法不做具体限定，现有技术中能实现定位肌膜线的方法也属于本申请保护的范围。
S103，在所述超声图像中两条肌膜线中间区域截取至少一幅超声肌纤维图像。
其中，在超声图像中两肌膜线中间区域随机取至少一点作为中心点，并依据每个中心点为中心确定一个预设像素大小，例如224×224的正方形图像作为超声肌纤维图像。该过程中，该正方形相对超声图像的旋转角度均为随机值。参见图2所示中图(D)和(E)所示。
需说明的是，在本发明其他实施例中，也可以不为正方形，还可以为椭圆，长方形等。此外，可以理解地，截取的超声肌纤维图像的大小，与用于训练神经网络模型的超声肌纤维样本图像的大小相同，后续在超声样本图像的两肌膜线中间区域截取多幅超声肌纤维样本图像的时候，采用的也是与此相同的方法。
S104，在所述超声肌纤维图像上标注具有初始斜率的参照线，将标注有初始斜率参照线的所述超声肌纤维图像输入训练好的神经网络模型，若所述神经网络模型的输出结果不为预测角度正确，则重新在所述超声肌纤维图像上标注具有不同于所述初始斜率的参照线，并将重新标注参照线的超声肌纤维图像输入训练好的所述神经网络模型，直至所述神经网络模型的输出结果为预测角度正确为止。
其中，步骤104为利用神经网络模型检测超声肌纤维图像中肌纤维束线的步骤。所述神经网络模型用于判断输入的超声肌纤维图像上标注的参照线的斜率是否与所述超声肌纤维图像中肌纤维束线的斜率平行。当神经网络模型的输出结果为预测角度正确时，意味着输入神经网络模型的超声肌纤维图像上标注的参照线的斜率与所述超声肌纤维图像中肌纤维束线的斜率平行；当神经网络模型的输出结果不为预测角度正确时，意味着输入神经网络模型的超声肌纤维图像上标注的参照线的斜率不与所述超声肌纤维图像中肌纤维束线的斜率平行。更一般地，可以具体区分标注的参照线的角度是偏大还是偏小，从而根据这个结果，更新参照线的斜率，提高整个测量的计算效率。
神经网络模型可以为以人工智能中机器学习技术为基础的深度学习模型，包括但不限于卷积神经网络模型、深度卷积神经网络模型、深度残差卷积神经网络模型(ResNet)等。其中，深度卷积神经网络模型包括但不限于AlexNet、VGG-Net和DenseNet等。
在本发明实施例中，结合图3所示的利用神经网络模型检测肌纤维束的示意图和图4所示的利用神经网络模型检测肌纤维束的结果示意图，示意图中采用的神经网络模型为ResNet。将标注有初始斜率参照线的超声肌纤维图像输入已经训练好的神经网络模型，若神经网络模型的输出结果不为预测角度正确，也就是说预测角度错误，例如输出“预测角度偏大”或者“预测角度偏小”字样的输出结果，那么则重新在超声肌纤维图像上标注与初始斜率不同斜率的参照线，直到神经网络模型的输出结果为预测角度正确为止，例如输出“预测角度正确”字样的输出结果。此处还可结合参见图2所示中图(E)和(F)所示。
需要说明的是，神经网络模型来检测肌纤维方向具体操作步骤可分为训练和检测两部分，在利用神经网络模型检测之前需要获得训练好的神经网络模型。在检测时神经网络模型的输出结果，与训练该模型时采用的设定相同。示例性地，该模型在训练时具有三种输出情况，如“预测角度偏大”、“预测角度偏小”和“预测角度正确”字样，对应的，在使用该模型时的输出结果也为这三种字样。此外，在本发明其他实施例中，输出结果也可以为二种输出情况，预测角度正确和预测角度错误，例如输出“预测角度正确”和“预测角度错误”字样的输出结果。
在后续的实施例中会具体举例阐述神经网络模型的训练过程，请参见后续的相关描述。
还需要说明的是，步骤104为利用神经网络模型检测超声肌纤维图像中肌纤维束线的步骤，在这个检测过程中，若同时有多个超声肌纤维图像被分割出来，即超声图像被分割成多个子图进行检测时，可以进行简单高效的并行优化来加速，进一步提高测量的计算效率。
S105，输出所述神经网络模型的输出结果为预测角度正确时的参照线的斜率，作为所述超声肌纤维图像中肌纤维束线的斜率。
其中，当神经网络模型的输出结果为预测角度正确时，输出此时在输入所述神经网络模型的标注了参照线的超声肌纤维图像中参照线斜率，即为肌纤维束线的斜率ks。
可选地，在本发明其他实施例中，还可以在步骤105之后包括步骤：将肌纤维束线的斜率转化成肌纤维束线角度后输出。或者还可以选择输出肌纤维束线的斜率或者角度。本发明对最后输出结果不做具体限制。
其中，通过肌纤维束线斜率ks计算出肌纤维束和水平方向所成夹角大小：
αs＝tan-1ks。
在本发明实施例中，提出一种基于深度学习的超声图像测量肌肉肌纤维束线斜率的方法，利用基于神经网络模型的机器学习系统，从肌肉超声图像中测量出肌肉肌纤维束线斜率，该系统适用于不同的超声仪器设备，可适用于质量较差超声图像，鲁棒性强。
以下将通过实施例对训练神经网络模型的具体方案进行阐述。需要说明的是，此处以ResNet为例进行说明，本领域技术人员知晓，其他的神经网络模型也可适用于本发明，此处仅为示例性描述，不能解释为对发明的具体限制。
深度学习模型来检测肌纤维方向具体操作步骤可分为训练和检测两部分。其中，如图5所示，得到训练好的神经网络模型包括如下步501至505：
S501，获取多个超声样本图像；
S502，在每个所述超声样本图像中两条肌膜线中间区域截取至少一幅超声肌纤维样本图像；
S503，针对每个所述超声肌纤维样本图像，在图像左侧边界上随机取点作为参照线初始点，并依据所述初始点确定图像右侧边界上的参照线终点；
S504，在所述超声肌纤维样本图像上标注从所述初始点至所述终点的参照线；
S505，将标注有参照线的所述超声肌纤维样本图像分为训练样本集和测试样本集，根据所述训练样本集和所述测试样本集，利用反向传播算法训练神经网络模型。
其中，在训练的过程中，需要生成肌纤维超声图像数据库作为训练样本，上述前四个步骤，即步骤501至504就对应生成数据库的过程。
获取多个超声样本图像，对应的，获取超声样本图像后可以对原始超声图像直接进行后续步骤，也可以将超声图像经过预处理后进行后续步骤，这根据获取到的超声图像的情况而定，请参见图1所示实施例中对步骤101的描述。定位出超声图像中肌膜线之后，在超声图像中两肌膜线中间区域随机取预设数量的点，例如60个点，作为初始中心点，并依据每一个初始中心点为中心确定一个预设像素大小，例如224×224像素大小的正方形图像作为超声肌纤维样本图像；该过程中，该正方形相对原始图像旋转角度均为随机值，这样就获取到了大量的超声肌纤维样本图像，此处可参见图1所示实施例中对步骤103的描述。
在每个超声肌纤维样本图像中，在图像左侧边界上随机取点作为参照线初试点，并依据该参照线初始点确定图像右侧边界上的参照线终点。
可选地，确定终点的方法包括：若需要生成参照线平行于所述超声肌纤维样本图像中肌纤维束线，则确定参照线终点和参照线初始点等高；若需要生成参照线高于所述超声肌纤维样本图像中肌纤维束线，则确定参照线终点高于参照线初始点；若需要生成参照线低于所述超声肌纤维样本图像中肌纤维束线，则确定参照线终点低于参照线初始点。
这样就得到了大量标注好了参照线，并且也确定了标注好的参照线与超声肌纤维样本图像中肌纤维束线关系的肌纤维超声图像，就形成了肌纤维超声图像数据库，作为训练神经网络模型的样本数据。
在生成数据库之后，将标注有参照线的所述超声肌纤维样本图像分为训练样本集和测试样本集，根据所述训练样本集和所述测试样本集，利用反向传播算法训练神经网络模型。
进一步地，对所述训练样本集和所述测试样本集中每个标注有参照线的所述超声肌纤维样本图像进行归一化和类型转换，根据归一化和类型转换后的所述训练样本集和所述测试样本集，利用反向传播算法训练神经网络模型。
其中，对训练样本和测试样本集中的超声肌纤维样本图像进行归一化和类型转化，对于每个超声肌纤维样本图像中的每一个像素P，利用公式：
Figure BDA0002297057240000141
将超声肌纤维样本图像的灰度值P从[0,255]的整数归一化到了[-1,1]的浮点数，供深度神经网络计算。
本发明实施例中以训练一个ResNet为例进行说明。
输入层：输入ResNet的图像A进行卷积和激活函数运算得到其第一层的输出结果F1(A)，其计算公式为：
F1′＝W1*A+B1
F1＝max(F1′,0)
其中，W1和B1分别是神经网络的第一层t帧的卷积权值参数和偏置参数。
残差计算阶段：本发明的残差计算阶段由多个残差运算块组成，每个残差运算块是由2次卷积运算、1次激活函数运算和1次相加运算组成，其计算公式是：
Figure BDA0002297057240000142
其中，Wl1,Wl2分别是是第l层的第1个和第2个卷积权值参数，Bl1,Bl2分别是是第l层的第1个和第2个偏置参数。F1(A)和Fl-1(Y)分别是第1层和l-1层的输出结果，第l-1层的输出结果，Fl-1(Y)是通过跳跃连接的方式与第l层的第2个卷积结果相加得到第l层的输出结果Fl(Y)。
池化阶段：池化的主要目的是减小维度，提高卷积神经网络的运算性能。主要的方式是将图像A中一个小格np×np进行求最大值，最小值或平均值计算，在卷积层的最后使用全局平均池化。
全连接阶段：在这个阶段中，神经网络的参数数目不断减少至目标数目。在本发明中，全连接层的输出层有三个神经元，其值分别代表：预测角度偏大，预测角度偏小，预测角度正确。将输出层的三个神经元计算损失函数，损失函数如下：
Figure BDA0002297057240000151
其中，M代表类别数量，在本发明中M＝3；log为自然对数函数；y训练集的正确标记；p表示神经网络的输出。
反向传播算法调整网络：通过反向传播算法训练该神经网络，得到训练好的神经网络。
需要说明的是，训练神经网络模型的过程可以在终端设备实现，还可以在与终端设备进行通信连接的服务器上实现，当终端设备将训练好的神经网络模型存储好，或者服务器将训练好的神经网络模型推送至终端设备后，从而实现在终端设备对获取到的肌肉超声图像进行肌肉肌纤维束斜率检测。需要说明的是，终端设备在检测过程中获得的超声肌纤维图像还可以用以增加超声肌纤维样本图像数据库的数据，在终端设备或服务器端执行神经网络模型的进一步优化，终端设备或服务器再将进一步优化的神经网络模型存储到终端设备中以替换之前的神经网络模型。通过这种方式优化神经网络模型，进一步提高了本发明的适用范围，鲁棒性。
参见图6所示，为本发明另一实施例提供的一种测量肌肉羽状角的方法，该方法在前述提供的测量肌肉肌纤维束斜率实施例的基础上做了进一步限定，得到一种测量肌肉羽状角的方法。图1-图5所示实施例的内容均适用于本发明实施例，测量肌肉羽状角方法实施例中与图1-图5所示测量肌肉肌纤维束斜率实施例相同之处，此处不再描述，请参见图1-图5所示实施例相应描述之处。如图6所示，测量肌肉羽状角的方法包括如下步骤601至606：
S601，获取肌肉的超声图像。
S602，定位所述超声图像中的肌膜线，并计算所述超声图像中肌膜线的斜率。
其中，定位所述超声图像中的肌膜线，完成肌膜线标注，并计算肌膜线相对于水平方向的斜率kj。
S603，在所述超声图像中两条肌膜线中间区域截取至少一个超声肌纤维图像。
S604，在所述超声肌纤维图像上标注具有初始斜率的参照线，将标注有初始斜率参照线的所述超声肌纤维图像输入训练好的神经网络模型，若所述神经网络模型的输出结果不为预测角度正确，则重新在所述超声肌纤维图像上标注具有不同于所述初始斜率的参照线，并将重新标注参照线的超声肌纤维图像输入训练好的所述神经网络模型，直至所述神经网络模型的输出结果为预测角度正确为止；其中，所述神经网络模型用于判断输入的超声肌纤维图像上标注的参照线的斜率是否与所述超声肌纤维图像中肌纤维束线的斜率平行。
S605，输出所述神经网络模型的输出结果为预测角度正确时的参照线的斜率，作为所述超声肌纤维图像中肌纤维束线的斜率。
S606，根据所述超声图像中肌膜线的斜率和所述超声肌纤维图像中肌纤维束线的斜率计算肌肉羽状角。
其中，通过肌膜线的斜率ks和肌纤维束线的斜率kj计算出羽状角值，步骤如下：
(1)通过肌膜线斜率kj计算出肌膜线和水平方向所成夹角大小：
αj＝tan-1kj
(2)通过肌纤维束线斜率ks计算出肌束和水平方向所成夹角大小：
αs＝tan-1ks
(3)计算两夹角之差可得到羽状角值：
α＝αs-αj
＝tan-1ks-tan-1kj
如图7所示为终端设备输出的羽状角结果示例。该示例中，为了验证本发明的可行性和有效性，对北京大学第三医院超声科利用Aixplorer型超声诊断仪采集的正常人和肌肉萎缩病人的腓肠肌超声图像进行分析，采用本发明所提出的方法从超声图像中估计出肌肉组织的羽状角α，如图7所示。本发明实施例中利用深度卷积神经网络将羽状角测量问题转化成参照线和肌纤维方向是否平行的视觉问题。需要说明的是，此处仅为示例性描述，不能解释为对本发明的具体限制。在本发明其他实施例中，还可以仅输出羽状角的数值。
在本发明实施例中，提出一种基于深度学习的超声图像测量肌肉羽状角的方法，利用基于神经网络模型的机器学习系统，从肌肉超声图像中测量出肌肉羽状角，该方法提升了羽状角测量方法的鲁棒性，扩展了自动化标注羽状角方法的应用领域：为质量较差的超声图像提供了自动化标注羽状角的方法。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
对应于上文实施例的测量肌肉肌纤维束线斜率的方法，图8示出了本申请实施例提供的测量肌肉肌纤维束线斜率的装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。图8示例的测量肌肉肌纤维束线斜率的装置可以是前述实施例一提供的测量肌肉肌纤维束线斜率的方法的执行主体。
参照图8，一种测量肌纤维束线斜率的装置，包括：
获取单元81，用于获取肌肉的超声图像；
定位单元82，用于定位所述超声图像中的肌膜线，并计算所述超声图像中肌膜线的斜率；
截取单元83，用于在所述超声图像中两条肌膜线中间区域截取至少一个超声肌纤维图像；
标注单元84，用于在所述超声肌纤维图像上标注具有初始斜率的参照线，将标注有初始斜率参照线的所述超声肌纤维图像输入训练好的神经网络模型，若所述神经网络模型的输出结果不为预测角度正确，则重新在所述超声肌纤维图像上标注具有不同于所述初始斜率的参照线，并将重新标注参照线的超声肌纤维图像输入训练好的所述神经网络模型，直至所述神经网络模型的输出结果为预测角度正确为止；其中，所述神经网络模型用于判断输入的超声肌纤维图像上标注的参照线的斜率是否与所述超声肌纤维图像中肌纤维束线的斜率平行；
斜率输出单元85，用于输出所述神经网络模型的输出结果为预测角度正确时的参照线的斜率，作为所述超声肌纤维图像中肌纤维束线的斜率。
对应于上文实施例的测量肌肉羽状角的方法，图9示出了本申请实施例提供的测量肌肉羽状角的装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。图9示例的测量肌肉羽状角的装置可以是前述实施例一提供的测量肌肉羽状角的方法的执行主体。
参照图9，一种测量肌肉羽状角的装置，包括：
获取单元91，用于获取肌肉的超声图像；
定位单元92，用于定位所述超声图像中的肌膜线，并计算所述超声图像中肌膜线的斜率；
截取单元93，用于在所述超声图像中两条肌膜线中间区域截取至少一个超声肌纤维图像；
标注单元94，用于在所述超声肌纤维图像上标注具有初始斜率的参照线，将标注有初始斜率参照线的所述超声肌纤维图像输入训练好的神经网络模型，若所述神经网络模型的输出结果不为预测角度正确，则重新在所述超声肌纤维图像上标注具有不同于所述初始斜率的参照线，并将重新标注参照线的超声肌纤维图像输入训练好的所述神经网络模型，直至所述神经网络模型的输出结果为预测角度正确为止；其中，所述神经网络模型用于判断输入的超声肌纤维图像上标注的参照线的斜率是否与所述超声肌纤维图像中肌纤维束线的斜率平行；
斜率输出单元95，用于输出所述神经网络模型的输出结果为预测角度正确时的参照线的斜率，作为所述超声肌纤维图像中肌纤维束线的斜率；
计算单元96，用于根据所述超声图像中肌膜线的斜率和所述超声肌纤维图像中肌纤维束线的斜率计算肌肉羽状角。
本申请实施例提供的装置中各模块实现各自功能的过程，具体可参考前述的各个方法实施例的描述，此处不再赘述。
图10是本发明一实施例提供的终端设备的示意图。如图10所示，该实施例的终端设备10包括：处理器100、存储器101以及存储在所述存储器101中并可在所述处理器100上运行的计算机程序102，例如测量肌肉肌纤维束斜率和/或羽状角的程序。所述处理器100执行所述计算机程序102时实现上述测量肌肉肌纤维束斜率和/或羽状角的方法实施例中的步骤，例如图1所示的步骤101至105，图6所示的步骤601至606。或者，所述处理器100执行所述计算机程序102时实现上述各装置实施例中各模块/单元的功能，例如图8所示单元81至85的功能，图9所示单元91至96的功能。
本申请实施例提供的终端设备可包括但不仅限于手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等终端设备，本申请实施例对终端设备的具体类型不作任何限制。
所述终端设备可包括但不仅限于，处理器100、存储器101。本领域技术人员可以理解，图10仅仅是终端设备10的示例，并不构成对终端设备10的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述心电图机还可以包括输入输出设备、网络接入设备、总线等。
所称处理器100可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器101可以是所述终端设备10的内部存储单元，例如终端设备10的硬盘或内存。所述存储器101也可以是所述终端设备10的外部存储设备，例如所述终端设备10上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器101还可以既包括所述终端设备10的内部存储单元也包括外部存储设备。所述存储器101用于存储所述计算机程序以及所述终端设备10所需的其他程序和数据。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的终端设备和方法，可以通过其它的方式实现。例如，以上所描述的终端设备实施例仅仅是示意性的。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (10)

1.一种测量肌肉肌纤维束线斜率的方法，其特征在于，包括：
获取肌肉的超声图像；
定位所述超声图像中的肌膜线；
在所述超声图像中两条肌膜线中间区域截取至少一幅超声肌纤维图像；
在所述超声肌纤维图像上标注具有初始斜率的参照线，将标注有初始斜率参照线的所述超声肌纤维图像输入训练好的神经网络模型，若所述神经网络模型的输出结果不为预测角度正确，则重新在所述超声肌纤维图像上标注具有不同于所述初始斜率的参照线，并将重新标注参照线的超声肌纤维图像输入训练好的所述神经网络模型，直至所述神经网络模型的输出结果为预测角度正确为止；其中，所述神经网络模型用于判断输入的超声肌纤维图像上标注的参照线的斜率是否与所述超声肌纤维图像中肌纤维束线的斜率平行；
输出所述神经网络模型的输出结果为预测角度正确时的参照线的斜率，作为所述超声肌纤维图像中肌纤维束线的斜率。
2.一种测量肌肉羽状角的方法，其特征在于，包括：
获取肌肉的超声图像；
定位所述超声图像中的肌膜线，并计算所述超声图像中肌膜线的斜率；
在所述超声图像中两条肌膜线中间区域截取至少一个超声肌纤维图像；
在所述超声肌纤维图像上标注具有初始斜率的参照线，将标注有初始斜率参照线的所述超声肌纤维图像输入训练好的神经网络模型，若所述神经网络模型的输出结果不为预测角度正确，则重新在所述超声肌纤维图像上标注具有不同于所述初始斜率的参照线，并将重新标注参照线的超声肌纤维图像输入训练好的所述神经网络模型，直至所述神经网络模型的输出结果为预测角度正确为止；其中，所述神经网络模型用于判断输入的超声肌纤维图像上标注的参照线的斜率是否与所述超声肌纤维图像中肌纤维束线的斜率平行；
输出所述神经网络模型的输出结果为预测角度正确时的参照线的斜率，作为所述超声肌纤维图像中肌纤维束线的斜率；
根据所述超声图像中肌膜线的斜率和所述超声肌纤维图像中肌纤维束线的斜率计算肌肉羽状角。
3.如权利要求1或2所述的方法，其特征在于，所述获取肌肉的超声图像之前，还包括：
获取多个超声样本图像；
在每个所述超声样本图像中两条肌膜线中间区域截取至少一幅超声肌纤维样本图像；
针对每个所述超声肌纤维样本图像，在图像左侧边界上随机取点作为参照线初始点，并依据所述初始点确定图像右侧边界上的参照线终点；
在所述超声肌纤维样本图像上标注从所述初始点至所述终点的参照线；
将标注有参照线的所述超声肌纤维样本图像分为训练样本集和测试样本集，根据所述训练样本集和所述测试样本集，利用反向传播算法训练神经网络模型。
4.如权利要求3所述的方法，其特征在于，所述依据所述初始点确定图像右侧边界上的参照线终点，包括：
若需要生成参照线平行于所述超声肌纤维样本图像中肌纤维束线，则确定参照线终点和参照线初始点等高；若需要生成参照线高于所述超声肌纤维样本图像中肌纤维束线，则确定参照线终点高于参照线初始点；若需要生成参照线低于所述超声肌纤维样本图像中肌纤维束线，则确定参照线终点低于参照线初始点。
5.如权利要求3所述的方法，其特征在于，所述根据所述训练样本集和所述测试样本集，利用反向传播算法训练神经网络模型，包括：
对所述训练样本集和所述测试样本集中每个标注有参照线的所述超声肌纤维样本图像进行归一化和类型转换，根据归一化和类型转换后的所述训练样本集和所述测试样本集，利用反向传播算法训练神经网络模型。
6.如权利要求5所述的方法，其特征在于，所述进行归一化和类型转换，包括：
对于每个标注有参照线的所述超声肌纤维样本图像中的每一个像素，利用公式
Figure FDA0003104499280000031
将超声肌纤维样本图像的灰度值P从[0,255]的整数归一化到[-1，1]的浮点数。
7.如权利要求1或2所述的方法，其特征在于，所述获取肌肉的超声图像之后，还包括：对所述超声图像进行预处理，得到预处理后的超声图像。
8.一种测量肌肉肌纤维束线斜率的装置，其特征在于，包括：
获取单元，用于获取肌肉的超声图像；
定位单元，用于定位所述超声图像中的肌膜线，并计算所述超声图像中肌膜线的斜率；
截取单元，用于在所述超声图像中两条肌膜线中间区域截取至少一个超声肌纤维图像；
标注单元，用于在所述超声肌纤维图像上标注具有初始斜率的参照线，将标注有初始斜率参照线的所述超声肌纤维图像输入训练好的神经网络模型，若所述神经网络模型的输出结果不为预测角度正确，则重新在所述超声肌纤维图像上标注具有不同于所述初始斜率的参照线，并将重新标注参照线的超声肌纤维图像输入训练好的所述神经网络模型，直至所述神经网络模型的输出结果为预测角度正确为止；其中，所述神经网络模型用于判断输入的超声肌纤维图像上标注的参照线的斜率是否与所述超声肌纤维图像中肌纤维束线的斜率平行；
斜率输出单元，用于输出所述神经网络模型的输出结果为预测角度正确时的参照线的斜率，作为所述超声肌纤维图像中肌纤维束线的斜率。
9.一种终端设备，包括存储器以及处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN201911206557.XA 2019-11-29 2019-11-29 测量肌肉肌纤维束线斜率和羽状角的方法及终端设备 Active CN110930394B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911206557.XA CN110930394B (zh) 2019-11-29 2019-11-29 测量肌肉肌纤维束线斜率和羽状角的方法及终端设备
PCT/CN2019/122450 WO2021103048A1 (zh) 2019-11-29 2019-12-02 测量肌肉肌纤维束线斜率和羽状角的方法及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911206557.XA CN110930394B (zh) 2019-11-29 2019-11-29 测量肌肉肌纤维束线斜率和羽状角的方法及终端设备

Publications (2)

Publication Number Publication Date
CN110930394A CN110930394A (zh) 2020-03-27
CN110930394B true CN110930394B (zh) 2021-07-16

Family

ID=69847989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911206557.XA Active CN110930394B (zh) 2019-11-29 2019-11-29 测量肌肉肌纤维束线斜率和羽状角的方法及终端设备

Country Status (2)

Country Link
CN (1) CN110930394B (zh)
WO (1) WO2021103048A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085711B (zh) * 2020-08-25 2023-12-22 山东科技大学 采用卷积神经网络与卡尔曼滤波相结合自动追踪肌肉羽状角的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101414349A (zh) * 2007-12-04 2009-04-22 浙江师范大学 一种基于bp神经网络的指纹图像纹路方向计算和图像分割方法
CN102920436A (zh) * 2012-10-25 2013-02-13 深圳先进技术研究院 利用霍夫变换的肌肉图像处理方法
CN109919918A (zh) * 2019-02-21 2019-06-21 清华大学 弹性成像的控制方法及装置、计算机设备及可读存储介质
CN110111386A (zh) * 2019-05-10 2019-08-09 深圳大学 一种肌肉组织中结构性角度的自动测量方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11464478B2 (en) * 2014-05-12 2022-10-11 Sonograde Inc. Method and system of assessing or analyzing muscle characteristics including strength and tenderness using ultrasound
US11064971B2 (en) * 2016-11-30 2021-07-20 Musclesound, Inc. Non-Invasive determination of muscle tissue quality and intramuscular fat
US11096658B2 (en) * 2017-02-02 2021-08-24 Musclesound, Inc. Non-invasive determination of pennation angle and/or fascicle length

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101414349A (zh) * 2007-12-04 2009-04-22 浙江师范大学 一种基于bp神经网络的指纹图像纹路方向计算和图像分割方法
CN102920436A (zh) * 2012-10-25 2013-02-13 深圳先进技术研究院 利用霍夫变换的肌肉图像处理方法
CN109919918A (zh) * 2019-02-21 2019-06-21 清华大学 弹性成像的控制方法及装置、计算机设备及可读存储介质
CN110111386A (zh) * 2019-05-10 2019-08-09 深圳大学 一种肌肉组织中结构性角度的自动测量方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Estimating Full Regional Skeletal Muscle Fibre Orientation from B-Mode Ultrasound Images Using Convolutional,Residual,and Deconvolutional Neural Networks;Ryan Cunningham 等;《Journal of Imaging》;20180129;第4卷(第2期);第1-15页 *
多功能生物医学超声：分子影像、给药与神经调控;郑海荣 等;《科学通报》;20150612;第60卷(第20期);第1864-1873页 *

Also Published As

Publication number Publication date
CN110930394A (zh) 2020-03-27
WO2021103048A1 (zh) 2021-06-03

Similar Documents

Publication Publication Date Title
Sobhaninia et al. Fetal ultrasound image segmentation for measuring biometric parameters using multi-task deep learning
US11783451B2 (en) Systems and methods for reducing colored noise in medical images using deep neural network
DE102012108121A1 (de) Verfahren und System für ultraschallgestützte automatische Erkennung, Quantifizierung und Nachverfolgung von Pathologien
CN107527339B (zh) 一种磁共振扫描方法、装置及系统
CN104732520A (zh) 一种胸部数字影像的心胸比测量算法及系统
CN113424222A (zh) 用于使用条件生成对抗网络提供中风病灶分割的系统和方法
CN113012173A (zh) 基于心脏mri的心脏分割模型和病理分类模型训练、心脏分割、病理分类方法及装置
CN115830016B (zh) 医学图像配准模型训练方法及设备
CN113112559A (zh) 一种超声图像的分割方法、装置、终端设备和存储介质
CN111820948B (zh) 胎儿生长参数测量方法、系统及超声设备
CN110930394B (zh) 测量肌肉肌纤维束线斜率和羽状角的方法及终端设备
JP6934734B2 (ja) 画像処理装置、画像処理装置の制御方法およびプログラム
Rousseau et al. A supervised patch-based image reconstruction technique: Application to brain MRI super-resolution
Perez-Gonzalez et al. Deep learning spatial compounding from multiple fetal head ultrasound acquisitions
CN112767403A (zh) 医学影像分割模型训练方法、医学影像分割方法及装置
CN108447066B (zh) 胆道图像分割方法、终端、存储介质
CN116342444A (zh) 一种双通道多模态图像融合方法及融合成像终端机
CN114612484B (zh) 基于无监督学习的视网膜oct图像分割方法
Al-Azzawi et al. An efficient medical image fusion method using contourlet transform based on PCM
CN114494014A (zh) 一种磁共振图像超分辨率重建方法及装置
CN115578285B (zh) 一种乳腺钼靶图像细节增强方法及系统
CN116958217B (zh) 一种mri与ct多模态3d自动配准方法及装置
Tamilkudimagal Squeeze box filter for contrast enhancement in ultrasound despeckling
Pawar et al. Detection and Segmentation of Kidney from Ultrasound Image Using GVF
CN117710754A (zh) 基于生成对抗网络的多模态磁共振图像生成方法、系统、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant