CN108038875B - 一种肺部超声图像识别方法和装置 - Google Patents
一种肺部超声图像识别方法和装置 Download PDFInfo
- Publication number
- CN108038875B CN108038875B CN201711284050.7A CN201711284050A CN108038875B CN 108038875 B CN108038875 B CN 108038875B CN 201711284050 A CN201711284050 A CN 201711284050A CN 108038875 B CN108038875 B CN 108038875B
- Authority
- CN
- China
- Prior art keywords
- lung
- image
- sub
- ultrasound
- ultrasonic
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提供了一种肺部超声图像识别方法和装置,涉及数据处理的技术领域,该方法包括:获取肺部超声检测图像,其中,肺部超声检测图像中包括多个肺部超声子图像,且多个肺部超声子图像为从不同的检测点对待检对象的肺部进行检测时得到的肺部超声检测图像;在每个肺部超声子图像中提取线性特征,其中,线性特征用于表征肺部的病变程度;根据提取到的每个肺部超声子图像的线性特征计算肺部超声检测图像的目标总分值,其中,目标总分值用于表征肺部的健康状况。解决了现有技术中无法对超声图像进行分析处理,从而基于处理结果来对研究对象的健康状态进行研究的技术问题,达到了根据所述目标总分值来表征肺部健康状况的目的技术效果。
Description
技术领域
本发明涉及数据处理的技术领域,尤其是涉及一种肺部超声图像识别方法和装置。
背景技术
临床科室应用超声技术技能日益成为临床医生关心的基本技能,在众多临床科室,特别是在围手术期相关科室及急危重症相关科室,超声检查已经逐步成为临床医生的常规技能。肺部超声检查是急危重症的超声检查的核心。有别于其他传统超声检查,肺部超声成像大多数情况下反映的不是肺部组织的直接影像,而是一系列伪像。这些伪像是根据肺部超声图像的显示特点来定义的。
但是超声检查也有不足之处。超声检查结果很大程度上受到操作医师水平的影响。目前常规的超声检查探头单次扫描的成像范围有限。完成一个靶器官的检查,需要操作者从不同部位、角度等进行多次扫描,这使得超声检查结果受到很大影像。
针对上述问题,还未提出有效的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种肺部超声图像识别方法和装置,以缓解了现有技术中无法对超声图像进行分析处理,从而基于处理结果来对研究对象的健康状态进行研究的技术问题。
第一方面,本发明实施例提供了一种肺部超声图像识别方法该方法包括:获取肺部超声检测图像,其中,所述肺部超声检测图像中包括多个肺部超声子图像,且所述多个肺部超声子图像为从不同的检测点对待检对象的肺部进行检测时得到的肺部超声检测图像;在每个肺部超声子图像中提取线性特征,其中,所述线性特征用于表征所述肺部的病变程度;根据提取到的每个所述肺部超声子图像的线性特征计算所述肺部超声检测图像的目标总分值,其中,所述目标总分值用于表征所述肺部的健康状况。
进一步地,根据提取到的每个所述肺部超声子图像的线性特征计算所述肺部超声检测图像的目标总分值包括:根据提取到的每个所述肺部超声子图像的线性特征计算每个所述肺部超声子图像的目标分值,得到多个目标分值;基于所述多个目标分值计算所述肺部超声检测图像的分值,得到所述目标总分值。
进一步地,根据提取到的每个所述肺部超声子图像计算每个所述肺部超声子图像的目标分值,得到多个目标分值包括:根据每个所述肺部超声子图像的线性特征,确定每个所述肺部超声子图像中各个线段的类型,各个线段的面积,各个线段的分布状况和所属于每个类型的线段数量;根据每个所述肺部超声子图像中各个线段的类型,各个线段的面积,各个线段的分布状况和所属于每个类型的线段数量计算每个所述肺部超声子图像的目标分值。
进一步地,基于所述多个目标分值计算所述肺部超声检测图像的分值,得到所述目标总分值包括:将所述多个目标分值进行求和计算,并将求和计算结果作为所述目标总分值。
进一步地,在所述肺部超声检测图像中提取线性特征包括:在所述肺部超声检测图像中提取以下至少一种信息:所述肺部超声检测图像中明亮线段的形态、数量,所述明亮线段的分布状态,所述肺部超声检测图像中明暗区间的面积比例。
第二方面,本发明实施例提供了一种肺部超声图像识别装置,该装置包括:获取模块,用于获取肺部超声检测图像,其中,所述肺部超声检测图像中包括多个肺部超声子图像,且所述多个肺部超声子图像为从不同的检测点对待检对象的肺部进行检测时得到的肺部超声检测图像;提取模块,用于在每个肺部超声子图像中提取线性特征,其中,所述线性特征用于表征所述肺部的病变程度;计算模块,用于根据提取到的每个所述肺部超声子图像的线性特征计算所述肺部超声检测图像的目标总分值,其中,所述目标总分值用于反映所述肺部的健康状况。
进一步地,所述计算模块还用于:根据提取到的每个所述肺部超声子图像计算每个所述肺部超声子图像的目标分值,得到多个目标分值;基于所述多个目标分值计算所述肺部超声检测图像的分值,得到所述目标总分值。
进一步地,所述计算模块还用于:根据每个所述肺部超声子图像的线性特征,确定每个所述肺部超声子图像中各个线段的类型,各个线段的面积,各个线段的分布状况和所属于每个类型的线段数量;根据每个所述肺部超声子图像中各个线段的类型,各个线段的面积,各个线段的分布状况和所属于每个类型的线段数量计算每个所述肺部超声子图像的目标分值。
进一步地,所述计算模块还用于:将所述多个目标分值进行求和计算,并将求和计算结果作为所述目标总分值。
进一步地,在所述肺部超声检测图像中提取线性特征包括:在所述肺部超声检测图像中提取以下至少一种信息:所述肺部超声检测图像中明亮线段的形态、数量,所述明亮线段的分布状态,所述肺部超声检测图像中明暗区间的面积比例。
在本发明实施例中,首先,获取肺部超声检测图像,其中,所述肺部超声检测图像中包括多个肺部超声子图像,且所述多个肺部超声子图像为从不同的检测点对待检对象的肺部进行检测时得到的肺部超声检测图像;接着,在每个肺部超声子图像中提取线性特征,其中,所述线性特征用于表征所述肺部的病变程度;根据提取到的每个所述肺部超声子图像的线性特征计算所述肺部超声检测图像的目标总分值,其中,所述目标总分值用于表征所述肺部的健康状况。在本发明实施例中,通过获取肺部的肺部超声子图像,提取每个肺部超声子图像中的线性特征,根据提取到的每个所述肺部超声子图像的线性特征计算所述肺部超声检测图像的目标总分值,最后达到了根据所述目标总分值来表征肺部健康状况的目的,进而缓解了现有技术中无法对超声图像进行分析处理,从而基于处理结果来对研究对象的健康状态进行研究的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种肺部超声图像识别方法的流程图;
图2为本发明实施例提供的胸膜线的示意图;
图3为本发明实施例提供的目标总分值计算的流程图;
图4为本发明实施例提供的目标总分值计算的详细流程图;
图5为本发明实施例提供的一种肺部超声图像识别装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
根据本发明实施例,提供了一种肺部超声图像识别方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种肺部超声图像识别方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取肺部超声检测图像,其中,所述肺部超声检测图像中包括多个肺部超声子图像,且所述多个肺部超声子图像为从不同的检测点对待检对象的肺部进行检测时得到的肺部超声检测图像;
步骤S104,在每个肺部超声子图像中提取线性特征,其中,所述线性特征用于表征所述肺部的病变程度;
步骤S106,根据提取到的每个所述肺部超声子图像的线性特征计算所述肺部超声检测图像的目标总分值,其中,所述目标总分值用于表征所述肺部的健康状况。
需要说明的是,上述步骤S102至步骤S106所描述的步骤均可以在超声图像识别软件中来实现。
在本发明实施例中,首先,获取肺部超声检测图像,其中,所述肺部超声检测图像中包括多个肺部超声子图像,且所述多个肺部超声子图像为从不同的检测点对待检对象的肺部进行检测时得到的肺部超声检测图像;接着,在每个肺部超声子图像中提取线性特征,其中,所述线性特征用于表征所述肺部的病变程度;根据提取到的每个所述肺部超声子图像的线性特征计算所述肺部超声检测图像的目标总分值,其中,所述目标总分值用于表征所述肺部的健康状况。在本发明实施例中,通过获取肺部的肺部超声子图像,提取每个肺部超声子图像中的线性特征,根据提取到的每个所述肺部超声子图像的线性特征计算所述肺部超声检测图像的目标总分值,最后达到了根据所述目标总分值来表征肺部健康状况的目的,进而缓解了现有技术中无法对超声图像进行分析处理,从而基于处理结果来对研究对象的健康状态进行研究的技术问题。
在本发明实施例中,首先,获取肺部超声检测图像,其中,所述肺部超声检测图像中包括多个肺部超声子图像,且所述多个肺部超声子图像为从不同的检测点对待检对象的肺部进行检测时得到的肺部超声检测图像。
在本发明实施例中,所述多个肺部超声子图像为通过超声检测设备对检对象的肺部从不同的检测点进行检测时得到的肺部超声检测图像,其中,不同的检测点进行检测包括:从肺部的正面检测点进行检测,从肺部的侧面检测点进行检测,以及从肺部的背面检测点进行检测。通过超声检测设备获取到的肺部超声检测图像为肺部的一系列伪像,在获取到该伪像之后,并将所述伪像导入所述超声图像识别软件中,从而完成获取肺部超声检测图像的步骤。
在本发明实施例中,接下来,可以在每个肺部超声子图像中提取线性特征,其中,所述线性特征用于表征所述肺部的病变程度。
在本发明实施例中,可以通过所述超声图像识别软件提取所述每个肺部超声子图像中的线性特征,其中,提取述每个肺部超声子图像中的线性特征的方法为:Radon变换或Hough变换等方法。获取到的线性特征包括:图像中明亮线段的形态、数量,所述明亮线段的分布状态,所述肺部超声检测图像中明暗区间的面积比例,上述线性特征能够表征所述肺部的病变程度。
根据所述线性特征,通过查表法可以将所述每个肺部超声子图像中的线段划分为:A线、B线和胸膜线等;所述胸膜线为所述超声检测装置检测到待检对象的胸膜时,所述肺部超声检测图像显示的一条高水平线,如图2所示中箭头所示。所述A线为从所述胸膜线中定期出现的一些高回声水平线;所述B线为从胸膜线出现延伸至屏幕底部的离散垂直混响伪像影。例如,在对肺部进行超声监测时,B线是肺间质综合征的征象,其数量随着空气含量的降低和肺组织密度的增加而增多。
在本发明实施例中,在提取得到线性特征之后,就可以根据线性特征计算肺部超声检测图像的目标总分值。如图3所示,上述步骤S106根据提取到的每个所述肺部超声子图像的线性特征计算所述肺部超声检测图像的目标总分值包括如下步骤:
步骤S1061,根据提取到的每个所述肺部超声子图像的线性特征计算每个所述肺部超声子图像的目标分值,得到多个目标分值;
步骤S1062,基于所述多个目标分值计算所述肺部超声检测图像的分值,得到所述目标总分值。
在本发明实施例中,首先根据提取到的每个肺部超声子图像的线性特征计算每个超声自图像的目标分值,得到多个目标分值;然后,基于多个目标分值计算肺部超声检测图像分值,得到目标总分值。
例如,肺部超声子图像1至肺部超声子图像5,首先,基于每个肺部超声子图像1至肺部超声子图像5的线性特征,分别计算肺部超声子图像1至肺部超声子图像5的目标分值,得到目标分值1至目标分值5。然后,基于目标分值1至目标分值5计算所述肺部超声检测图像的分值,得到所述目标总分值。
在本发明实施例中,通过获取肺部的肺部超声子图像,提取每个肺部超声子图像中的线性特征,根据提取到的每个所述肺部超声子图像的线性特征计算所述肺部超声检测图像的目标总分值,最后达到了根据所述目标总分值来表征肺部健康状况的目的,进而缓解了现有技术中无法对超声图像进行分析处理,从而基于处理结果来对研究对象的健康状态进行研究的技术问题。
在本发明实施例中,如图4所示,上述步骤S1061,根据提取到的每个所述肺部超声子图像计算每个所述肺部超声子图像的目标分值,得到多个目标分值还包括:
步骤S11,根据每个所述肺部超声子图像的线性特征,确定每个所述肺部超声子图像中各个线段的类型,各个线段的面积,各个线段的分布状况和所属于每个类型的线段数量;
步骤S12,根据每个所述肺部超声子图像中各个线段的类型,各个线段的面积,各个线段的分布状况和所属于每个类型的线段数量计算每个所述肺部超声子图像的目标分值。
在本发明实施例中,由于每个所述肺部超声子图像中的线性特征中各个线段的类型,各个线段的面积,各个线段的分布状况和所属于每个类型的线段数量都是不同的,所以所述超声图像识别软件需要对所述每个所述肺部超声子图像中的线性特征分别计算目标分值。
在本发明实施例中,可以通过神经网络来计算每个肺部超声子图像的目标分值。其中,该神经网络可以为卷积神经网络,还可以为BP神经网络。
具体地,首先构建一个神经网络,如果该神经网络为卷积神经网络,那么构建的该神经网络中可以包括至少一个卷积层,至少一个池化层,或者至少一个全连接层。在构建完成该神经网络之后,就可以构建训练样本,在该训练样本中包括输入数据和输出数据,其中,输入数据包括:各个线段的类型,各个线段的面积,各个线段的分布状况和所属于每个类型的线段数量,输出数据包括目标分值。可选地,训练样本的数量在500个以上,以保证数据的计算精度。
在构建完成训练样本之后,就可以通过该训练样本对该神经网络进行训练,直至该神经网络的误差满足预设的误差。在对该神经网络进行训练之后,就可以将上述步骤S12中的各个线段的类型,各个线段的面积,各个线段的分布状况和所属于每个类型的线段数量等线性特征输入到该神经网络中,以使该神经网络对获取到的数据进行处理,从而输出一个目标分值。
在本发明实施例中,通过获取肺部的肺部超声子图像,提取每个肺部超声子图像中的线性特征,根据提取到的每个所述肺部超声子图像的线性特征计算所述肺部超声检测图像的目标总分值,最后达到了根据所述目标总分值来表征肺部健康状况的目的,进而缓解了现有技术中无法对超声图像进行分析处理,从而基于处理结果来对研究对象的健康状态进行研究的技术问题。
本发明实施例中,如图4所示,上述步骤S1062,基于所述多个目标分值计算所述肺部超声检测图像的分值,得到所述目标总分值还包括:
步骤S21,将所述多个目标分值进行求和计算,并将求和计算结果作为所述目标总分值。
在本发明实施例中,所述超声图像识别软件将根据每一个所述肺部超声子图像的线性特征计算得到的多个目标分值进行求和计算,得到所述肺部超声检测图像的目标总分值,所述目标总分值用于表征所述待检对象的肺部的健康状况,例如,可以表示为以下表述形式:所述目标总分值在xx-xx(目标总分值)的范围内表示所述肺部xxxxxxx(监控状态)。
在本发明实施例中,首先,获取肺部超声检测图像,其中,所述肺部超声检测图像中包括多个肺部超声子图像,且所述多个肺部超声子图像为从不同的检测点对待检对象的肺部进行检测时得到的肺部超声检测图像;接着,在每个肺部超声子图像中提取线性特征,其中,所述线性特征用于表征所述肺部的病变程度;根据提取到的每个所述肺部超声子图像的线性特征计算所述肺部超声检测图像的目标总分值,其中,所述目标总分值用于表征所述肺部的健康状况。在本发明实施例中,通过获取肺部的肺部超声子图像,提取每个肺部超声子图像中的线性特征,根据提取到的每个所述肺部超声子图像的线性特征计算所述肺部超声检测图像的目标总分值,最后达到了根据所述目标总分值来表征肺部健康状况的目的,进而缓解了现有技术中无法对超声图像进行分析处理,从而基于处理结果来对研究对象的健康状态进行研究的技术问题。
实施例二:
发明实施例还提供了一种肺部超声图像识别装置,该特征的提取装置主要用于执行本发明实施例上述内容所提供的特征的提取方法,以下对本发明实施例提供的特征的提取装置做具体介绍。
图5为根据本发明实施例的一种肺部超声图像识别装置的示意图,如5所示,该特征的提取装置主要包括:获取模块10,提取模块20和计算模块30,其中,
获取模块10,用于获取肺部超声检测图像,其中,所述肺部超声检测图像中包括多个肺部超声子图像,且所述多个肺部超声子图像为从不同的检测点对待检对象的肺部进行检测时得到的肺部超声检测图像;
提取模块20,用于在每个肺部超声子图像中提取线性特征,其中,所述线性特征用于表征所述肺部的病变程度;
计算模块30,用于根据提取到的每个所述肺部超声子图像的线性特征计算所述肺部超声检测图像的目标总分值,其中,所述目标总分值用于反映所述肺部的健康状况。
在本发明实施例中,首先,获取肺部超声检测图像,其中,所述肺部超声检测图像中包括多个肺部超声子图像,且所述多个肺部超声子图像为从不同的检测点对待检对象的肺部进行检测时得到的肺部超声检测图像;接着,在每个肺部超声子图像中提取线性特征,其中,所述线性特征用于表征所述肺部的病变程度;根据提取到的每个所述肺部超声子图像的线性特征计算所述肺部超声检测图像的目标总分值,其中,所述目标总分值用于表征所述肺部的健康状况。在本发明实施例中,通过获取肺部的肺部超声子图像,提取每个肺部超声子图像中的线性特征,根据提取到的每个所述肺部超声子图像的线性特征计算所述肺部超声检测图像的目标总分值,最后达到了根据所述目标总分值来表征肺部健康状况的目的,进而缓解了现有技术中无法对超声图像进行分析处理,从而基于处理结果来对研究对象的健康状态进行研究的技术问题。
可选地,所述计算模块还用于:根据提取到的每个所述肺部超声子图像计算每个所述肺部超声子图像的目标分值,得到多个目标分值;基于所述多个目标分值计算所述肺部超声检测图像的分值,得到所述目标总分值。
可选地,所述计算模块还用于:根据每个所述肺部超声子图像的线性特征,确定每个所述肺部超声子图像中各个线段的类型,各个线段的面积,各个线段的分布状况和所属于每个类型的线段数量;根据每个所述肺部超声子图像中各个线段的类型,各个线段的面积,各个线段的分布状况和所属于每个类型的线段数量计算每个所述肺部超声子图像的目标分值。
可选地,所述计算模块还用于:将所述多个目标分值进行求和计算,并将求和计算结果作为所述目标总分值。
可选地,在所述肺部超声检测图像中提取线性特征包括:在所述肺部超声检测图像中提取以下至少一种信息:所述肺部超声检测图像中明亮线段的形态、数量,所述明亮线段的分布状态,所述肺部超声检测图像中明暗区间的面积比例。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种肺部超声图像识别方法,其特征在于,包括:
获取肺部超声检测图像,其中,所述肺部超声检测图像中包括多个肺部超声子图像,且所述多个肺部超声子图像为从不同的检测点对待检对象的肺部进行检测时得到的肺部超声检测图像;
在每个肺部超声子图像中提取线性特征,其中,所述线性特征用于表征肺部的病变程度;
根据提取到的每个所述肺部超声子图像的线性特征计算所述肺部超声检测图像的目标总分值,其中,所述目标总分值用于表征所述肺部的健康状况;
其中,根据提取到的每个所述肺部超声子图像的线性特征计算所述肺部超声检测图像的目标总分值包括:
根据提取到的每个所述肺部超声子图像的线性特征统计每个所述肺部超声子图像的目标分值,得到多个目标分值,其中,所述目标分值为通过神经网络计算得到的分值;
基于所述多个目标分值计算所述肺部超声检测图像的分值,得到所述目标总分值;
其中,在每个肺部超声子图像中提取线性特征,包括:
利用神经网络提取所述每个肺部超声子图像中提取线性特征;
其中,根据提取到的每个所述肺部超声子图像的线性特征统计每个所述肺部超声子图像的目标分值,得到多个目标分值,包括:
将每个所述肺部超声子图像的线性特征输入所述神经网络中,以使所述神经网络根据所述每个所述肺部超声子图像的线性特征,生成所述多个目标分值。
2.根据权利要求1所述的方法,其特征在于,根据提取到的每个所述肺部超声子图像计算每个所述肺部超声子图像的目标分值,得到多个目标分值包括:
根据每个所述肺部超声子图像的线性特征,确定每个所述肺部超声子图像中各个线段的类型,各个线段的面积,各个线段的分布状况和所属于每个类型的线段数量;
根据每个所述肺部超声子图像中各个线段的类型,各个线段的面积,各个线段的分布状况和所属于每个类型的线段数量计算每个所述肺部超声子图像的目标分值。
3.根据权利要求1所述的方法,其特征在于,基于所述多个目标分值计算所述肺部超声检测图像的分值,得到所述目标总分值包括:
将所述多个目标分值进行求和计算,并将求和计算结果作为所述目标总分值。
4.根据权利要求1至3中任一项所述的方法,其特征在于,在所述肺部超声检测图像中提取线性特征包括:
在所述肺部超声检测图像中提取以下至少一种信息:所述肺部超声检测图像中明亮线段的形态、数量,所述明亮线段的分布状态,所述肺部超声检测图像中明暗区间的面积比例。
5.一种肺部超声图像识别装置,其特征在于,包括:
获取模块,用于获取肺部超声检测图像,其中,所述肺部超声检测图像中包括多个肺部超声子图像,且所述多个肺部超声子图像为从不同的检测点对待检对象的肺部进行检测时得到的肺部超声检测图像;
提取模块,用于在每个肺部超声子图像中提取线性特征,其中,所述线性特征用于表征肺部的病变程度;
计算模块,用于根据提取到的每个所述肺部超声子图像的线性特征计算所述肺部超声检测图像的目标总分值,其中,所述目标总分值用于反映所述肺部的健康状况;
其中,所述计算模块还用于:
根据提取到的每个所述肺部超声子图像的线性特征计算所述肺部超声检测图像的目标总分值包括:
根据提取到的每个所述肺部超声子图像的线性特征统计每个所述肺部超声子图像的目标分值,得到多个目标分值,其中,所述目标分值为通过神经网络计算得到的分值;
基于所述多个目标分值计算所述肺部超声检测图像的分值,得到所述目标总分值;
其中,所述提取模块用于:
利用神经网络提取所述每个肺部超声子图像中提取线性特征;
其中,所述计算模块用于:
将每个所述肺部超声子图像的线性特征输入所述神经网络中,以使所述神经网络根据所述每个所述肺部超声子图像的线性特征,生成所述多个目标分值。
6.根据权利要求5所述的装置,其特征在于,所述计算模块还用于:
根据每个所述肺部超声子图像的线性特征,确定每个所述肺部超声子图像中各个线段的类型和所属于每个类型的线段数量;
根据每个所述肺部超声子图像中各个线段的类型和所属于每个类型的线段数量计算每个所述肺部超声子图像的目标分值。
7.根据权利要求5所述的装置,其特征在于,所述计算模块还用于:
将所述多个目标分值进行求和计算,并将求和计算结果作为所述目标总分值。
8.根据权利要求5至7中任一项所述的装置,其特征在于,在所述肺部超声检测图像中提取线性特征包括:
在所述肺部超声检测图像中提取以下至少一种信息:所述肺部超声检测图像中明亮线段的形态、数量,所述明亮线段的分布状态,所述肺部超声检测图像中明暗区间的面积比例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711284050.7A CN108038875B (zh) | 2017-12-07 | 2017-12-07 | 一种肺部超声图像识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711284050.7A CN108038875B (zh) | 2017-12-07 | 2017-12-07 | 一种肺部超声图像识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108038875A CN108038875A (zh) | 2018-05-15 |
CN108038875B true CN108038875B (zh) | 2020-10-27 |
Family
ID=62096181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711284050.7A Active CN108038875B (zh) | 2017-12-07 | 2017-12-07 | 一种肺部超声图像识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108038875B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846840B (zh) * | 2018-06-26 | 2021-11-09 | 张茂 | 肺部超声图像分析方法、装置、电子设备及可读存储介质 |
CN109589142A (zh) * | 2019-01-07 | 2019-04-09 | 北京市朝阳区妇幼保健院 | 一种对新生儿肺不张的超声诊断控制系统及方法 |
CN109846512A (zh) * | 2019-03-20 | 2019-06-07 | 殳儆 | 一种基于解剖位置的12格肺部超声图像全景式报告方法 |
WO2021003711A1 (zh) * | 2019-07-10 | 2021-01-14 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像设备及检测b线的方法、装置、存储介质 |
JP2023505924A (ja) * | 2019-09-19 | 2023-02-14 | ニー・アン・ポリテクニック | 解剖学的構造をモニタする自動化システム及び方法 |
CN111297396B (zh) * | 2020-02-24 | 2021-05-07 | 华东师范大学 | 一种基于Radon变换的超声胸膜线自动识别定位方法 |
CN113034434B (zh) * | 2021-02-03 | 2022-09-02 | 深圳市第三人民医院(深圳市肝病研究所) | 一种预测covid-19严重程度的多因素人工智能分析方法 |
CN116188499B (zh) * | 2023-05-04 | 2023-06-30 | 北京易优联科技有限公司 | 一种用于肺部超声图像的分割方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101502420B (zh) * | 2008-02-05 | 2013-05-22 | Ge医疗系统环球技术有限公司 | 图像处理方法和设备 |
CN105407796A (zh) * | 2013-05-10 | 2016-03-16 | 富士通株式会社 | 诊断装置、诊断方法及程序 |
-
2017
- 2017-12-07 CN CN201711284050.7A patent/CN108038875B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101502420B (zh) * | 2008-02-05 | 2013-05-22 | Ge医疗系统环球技术有限公司 | 图像处理方法和设备 |
CN105407796A (zh) * | 2013-05-10 | 2016-03-16 | 富士通株式会社 | 诊断装置、诊断方法及程序 |
Non-Patent Citations (2)
Title |
---|
Line Detection as an Inverse Problem:Application to Lung Ultrasound Imaging;Nantheera Anantrasirichai,et al.;《IEEE TRANSACTIONS ON MEDICAL IMAGING》;20171031;第36卷(第10期);第2045-2056页 * |
肺超声评估新生儿呼吸窘迫综合征肺病变及预后的可行性及临床意义;于红奎等;《中国医学影像技术》;20170831;第33卷(第8期);第1216-1220页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108038875A (zh) | 2018-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108038875B (zh) | 一种肺部超声图像识别方法和装置 | |
JP4652023B2 (ja) | 病気の発見に役立つ画像データの処理方法及び装置 | |
CN111047591A (zh) | 基于深度学习的病灶体积测量方法、系统、终端及存储介质 | |
JP5331299B2 (ja) | 解剖学的構造内の疾患に関する疾患関連の変化の患者特異的解析を実行するための方法及びシステム | |
US20120166211A1 (en) | Method and apparatus for aiding imaging diagnosis using medical image, and image diagnosis aiding system for performing the method | |
JP7264486B2 (ja) | 画像解析方法、画像解析装置、画像解析システム、画像解析プログラム、記録媒体 | |
JP3928978B1 (ja) | 医用画像処理装置、医用画像処理方法及びプログラム | |
JP4797194B2 (ja) | 超音波断層画像による生体組織評価システム | |
JP2016531709A (ja) | 疾患を診断するための画像解析技術 | |
EP2987114B1 (en) | Method and system for determining a phenotype of a neoplasm in a human or animal body | |
US20110064289A1 (en) | Systems and Methods for Multilevel Nodule Attachment Classification in 3D CT Lung Images | |
EP4183344A1 (en) | Device and method for supporting chest medical image reading | |
CN112508884A (zh) | 一种癌变区域综合检测装置及方法 | |
CN112862778A (zh) | 扫描影像检测方法、电子设备和计算机可读介质 | |
CN115954101A (zh) | 一种基于ai舌诊图像处理的健康度管理系统及管理方法 | |
KR20100010973A (ko) | 폐질환 자동 분류 방법 | |
US8265368B2 (en) | Image analysis apparatus, image processing apparatus, image analysis program storage medium, image processing program storage medium, image analysis method and image processing method | |
CN109767468B (zh) | 脏器体积检测方法及装置 | |
KR101162599B1 (ko) | 흉부 방사선 이미지 분석을 통한 심비대 자동탐지 방법 및 그 기록매체 | |
CN116363104A (zh) | 一种具有影像医学用自动诊断设备及系统 | |
JP2006130049A (ja) | 画像読影支援方法、およびシステム、ならびにプログラム | |
CN113255781B (zh) | Cp-ebus的代表性图片选取方法、装置以及诊断系统 | |
CN109800820A (zh) | 一种基于超声造影图像均匀程度的分类方法 | |
US20210264596A1 (en) | System and method for producing a multiparameter graphic indicator from an image of a histological section | |
CN110349662A (zh) | 用于过滤肺部肿块误测结果的跨图像集合的离群样本发现方法和系统 |
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 |