CN108804547A - 超声图像教学方法、装置及计算机可读存储介质 - Google Patents
超声图像教学方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108804547A CN108804547A CN201810487088.2A CN201810487088A CN108804547A CN 108804547 A CN108804547 A CN 108804547A CN 201810487088 A CN201810487088 A CN 201810487088A CN 108804547 A CN108804547 A CN 108804547A
- Authority
- CN
- China
- Prior art keywords
- ultrasonoscopy
- characteristic information
- institutional framework
- standard
- image
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Abstract
本发明公开了一种超声图像教学方法、装置计算机可读存储介质，所述超声图像教学方法包括以下步骤：当获取到超声图像时，基于知识库中包含的标准特征信息，确定所述超声图像对应的目标标准特征信息；从所述知识库中获取所述目标标准特征信息对应的目标组织结构标注图像；显示所述超声图像以及所述目标组织结构标注图像。通过本发明，医生在使用超声仪器进行超声检查时，确定当前获取的超声图像对应的目标组织结构标注图像，并显示该目标组织结构标注图像，目标组织结构标注图像中的组织结构标注信息能辅助医生识别出超声图像中的各个组织结构，使医生在实践中，增强对组织结构的记忆与了解，帮助医生更好的掌握超声扫查技能。
Description
技术领域
本发明涉及超声技术领域，尤其涉及超声图像教学方法、装置及计算机可读存储介质。
背景技术
医学超声仪器的基本功能是能够呈现出特定扫查面的组织结构图像。对于医生来说，充分熟悉超声扫查特点与人体结构是非常重要的能力。只有这样，才能够在使用超声探头检查时，清楚地分辨出超声图像中不同的组织结构信息，对诊断给出正确的结论。但是对于新手医生来说，由于经验不充分，导致在使用超声探头检查时，准确识别出超声图像中的各个组织结构，是比较困难的。
为了帮助医生更好地学习与掌握超声扫查技能，目前市面上出现了一些教学软件来辅助医生在临床之余，进行自我学习。一般来说，这种教学软件都是单向学习，即通过知识点、图片、视频等对医生进行灌输。这种教学方式由于缺乏实践的反馈，导致教学效果不够好。
发明内容
本发明的主要目的在于提供一种超声图像教学方法、装置及计算机可读存储介质，旨在解决现有技术中教学方式对帮助医生掌握超声扫查技能的教学效果不够好的技术问题。
为实现上述目的，本发明提供一种超声图像教学方法，所述超声图像教学方法包括以下步骤：
当获取到超声图像时，基于知识库中包含的标准特征信息，确定所述超声图像对应的目标标准特征信息；
从所述知识库中获取所述目标标准特征信息对应的目标组织结构标注图像；
显示所述超声图像以及所述目标组织结构标注图像。
可选的，所述当获取到超声图像时，基于知识库中包含的标准特征信息，确定所述超声图像对应的目标标准特征信息之前，还包括：
获取标准切面组，并提取所述标准切面组中每张标准切面的特征信息；
根据每张标准切面的特征信息，计算得到所述标准切面组对应的标准特征信息；
获取所述标准切面组对应的组织结构标注图像，将所述标准特征信息以及组织结构标注图像关联存储至知识库。
可选的，所述根据每张标准切面的特征信息，计算得到所述标准切面组对应的标准特征信息的步骤包括：
根据每张标准切面的特征信息，得到所述标准切面组对应的特征信息组；
计算所述特征信息组的平均值，将所述平均值作为所述标准切面组对应的标准特征信息。
可选的，所述获取所述标准切面组对应的组织结构标注图像的步骤包括：
获取所述标准切面组对应的组织结构图像；
识别所述组织结构图像包含的组织结构，并确定识别到的组织结构所属类型；
根据所属类型对应的颜色对所述识别到的组织结构进行标注，得到所述标准切面组对应的组织结构标注图像。
可选的，所述当获取到超声图像时，基于知识库中包含的标准特征信息，确定所述超声图像对应的目标标准特征信息的步骤包括：
当获取到超声图像时，获取所述超声图像的特征信息；
计算所述特征信息与知识库中包含的各个标准特征信息的匹配度；
将与所述特征信息匹配度最高的标准特征信息作为所述超声图像对应的目标标准特征信息。
可选的，所述当获取到超声图像时，获取所述超声图像的特征信息的步骤包括：
当获取到超声图像时，通过预置的特征工程对所述超声图像进行特征提取，得到所述超声图像的特征信息。
可选的，所述计算所述特征信息与知识库中包含的各个标准特征信息的匹配度包括：
计算所述特征信息与知识库中包含的各个标准特征信息的欧氏距离；
根据所述欧氏距离，得到所述特征信息与知识库中包含的各个标准特征信息的匹配度。
可选的，所述显示所述超声图像以及所述目标组织结构标注图像的步骤包括：
在超声图像显示区显示所述超声图像；
确定所述目标组织结构标注图像中与所述超声图像匹配的目标区域，在教学显示区显示所述目标组织结构标注图像，并突出显示所述目标区域。
此外，为实现上述目的，本发明还提供一种超声图像教学装置，所述超声图像教学装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的超声图像教学程序，所述超声图像教学程序被所述处理器执行时实现如上所述的超声图像教学方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有超声图像教学程序，所述超声图像教学程序被处理器执行时实现如上所述的超声图像教学方法的步骤。
本发明中，当获取到超声图像时，基于知识库中包含的标准特征信息，确定超声图像对应的目标标准特征信息，从知识库中获取目标标准特征信息对应的目标组织结构标注图像，显示超声图像以及目标组织结构标注图像。通过本发明，医生在使用超声仪器进行超声检查时，确定当前获取的超声图像对应的目标组织结构标注图像，并显示该目标组织结构标注图像，目标组织结构标注图像中的组织结构标注信息能辅助医生识别出超声图像中的各个组织结构，使医生在实践中，增强对组织结构的记忆与了解，帮助医生更好的掌握超声扫查技能。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的超声图像教学装置结构示意图；
图2为本发明超声图像教学方法第一实施例的流程示意图；
图3为本发明超声图像教学方法一实施例中组织结构标注图像的示意图；
图4为本发明超声图像教学方法一实施例中显示场景示意图；
图5为本发明超声图像教学方法第二实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，图1为本发明实施例方案涉及的硬件运行环境的超声图像教学装置结构示意图。
如图1所示，该超声图像教学装置可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的超声图像教学装置结构并不构成对超声图像教学装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及超声图像教学程序。
在图1所示的超声图像教学装置中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的超声图像教学程序，并执行以下操作：
当获取到超声图像时，基于知识库中包含的标准特征信息，确定所述超声图像对应的目标标准特征信息；
从所述知识库中获取所述目标标准特征信息对应的目标组织结构标注图像；
显示所述超声图像以及所述目标组织结构标注图像。
进一步地，处理器1001可以调用存储器1005中存储的超声图像教学程序，还执行以下操作：
获取标准切面组，并提取所述标准切面组中每张标准切面的特征信息；
根据每张标准切面的特征信息，计算得到所述标准切面组对应的标准特征信息；
获取所述标准切面组对应的组织结构标注图像，将所述标准特征信息以及组织结构标注图像关联存储至知识库。
进一步地，处理器1001可以调用存储器1005中存储的超声图像教学程序，还执行以下操作：
根据每张标准切面的特征信息，得到所述标准切面组对应的特征信息组；
计算所述特征信息组的平均值，将所述平均值作为所述标准切面组对应的标准特征信息。
进一步地，处理器1001可以调用存储器1005中存储的超声图像教学程序，还执行以下操作：
获取所述标准切面组对应的组织结构图像；
识别所述组织结构图像包含的组织结构，并确定识别到的组织结构所属类型；
根据所属类型对应的颜色对所述识别到的组织结构进行标注，得到所述标准切面组对应的组织结构标注图像。
进一步地，处理器1001可以调用存储器1005中存储的超声图像教学程序，还执行以下操作：
当获取到超声图像时，获取所述超声图像的特征信息；
计算所述特征信息与知识库中包含的各个标准特征信息的匹配度；
将与所述特征信息匹配度最高的标准特征信息作为所述超声图像对应的目标标准特征信息。
进一步地，处理器1001可以调用存储器1005中存储的超声图像教学程序，还执行以下操作：
当获取到超声图像时，通过预置的特征工程对所述超声图像进行特征提取，得到所述超声图像的特征信息。
进一步地，处理器1001可以调用存储器1005中存储的超声图像教学程序，还执行以下操作：
计算所述特征信息与知识库中包含的各个标准特征信息的欧氏距离；
根据所述欧氏距离，得到所述特征信息与知识库中包含的各个标准特征信息的匹配度。
进一步地，处理器1001可以调用存储器1005中存储的超声图像教学程序，还执行以下操作：
在超声图像显示区显示所述超声图像；
确定所述目标组织结构标注图像中与所述超声图像匹配的目标区域，在教学显示区显示所述目标组织结构标注图像，并突出显示所述目标区域。
参照图2，图2为本发明超声图像教学方法第一实施例的流程示意图。
在一实施例中，超声图像教学方法包括：
步骤S40，当获取到超声图像时，基于知识库中包含的标准特征信息，确定所述超声图像对应的目标标准特征信息；
步骤S50，从所述知识库中获取所述目标标准特征信息对应的目标组织结构标注图像；
本实施例中，当超声成像系统启动时，根据当前的超声波发射参数，探头发射超声波，并接收回波信号，经过波束合成等处理，得到RF信号(射频信号)，然后对RF信号进行求模、对数压缩等处理操作，然后基于当前的图像处理系数，得到超声图像。当获取到超声图像时，基于知识库中包含的标准特征信息，确定超声图像对应的目标标准特征信息；从知识库中获取目标标准特征信息对应的目标组织结构标注图像。
本实施例中，知识库中关联存储了多组标准特征信息与对应的组织结构标注图像。构建知识库的具体实施例可以是：采集各种不同类型人体(如胖、瘦、幼、老、男、女等)的常规标准切面图像。例如，采集若干个不同类型人体的同一类型(如神经、腹部、胎儿等)的常规标准切面图像。本发明一实施例中，采集50个不同类型人体的神经结构A的常规标准切面图像，记作常规标准切面图像组1，以SIFT算法(SIFT，即尺度不变特征变换(Scale-invariant feature transform，SIFT)，是用于图像处理领域的一种描述，这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子)进行特征提取，获取常规标准切面图像组1中每个常规标准切面图像的特征信息，如获取常规标准切面图像组1中每张标准切面的特征信息，得到50组特征信息，然后计算这50组特征信息的平均值，将该平均值作为常规标准切面图像组1对应的标准特征信息1，获取常规标准切面图像组1对应的组织结构标注图像1，将标准特征信息1与组织结构标注图像1关联保存至知识库。本实施例中，组织结构标注图像1可以是人工绘制得到，其中，组织结构标注图像1为最能代表人体的神经结构A的组织结构标注图像，且以不同的颜色或相应的文字对组织结构标注图像1中的各个组织结构进行了标注；还也可以是获取最能代表人体的神经结构A的超声图像1，对超声图像1中的各个组织结构进行识别，并对识别到的各个组织结构按照其类型的不同，以不同的颜色或相应的文字信息进行自动标注，得到组织结构标注图像1。同样的，采集50个不同类型人体的部位B的常规标准切面图像，记作常规标准切面图像组2，以SIFT算法(SIFT，即尺度不变特征变换(Scale-invariant feature transform，SIFT)，是用于图像处理领域的一种描述，这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子)进行特征提取，获取常规标准切面图像组2中每个常规标准切面图像的特征信息，得到50组特征信息，然后计算这50组特征信息的平均值，将该平均值作为常规标准切面图像组2对应的标准特征信息2，获取常规标准切面图像组2对应的组织结构标注图像2，将标准特征信息2与组织结构标注图像2关联保存至知识库。本实施例中，组织结构标注图像2可以是人工绘制得到，其中，组织结构标注图像2为最能代表人体的部位B的组织结构标注图像，且以不同的颜色或相应的文字对组织结构标注图像2中的各个组织结构进行了标注；还也可以是获取最能代表人体的部位B的超声图像2，对超声图像2中的各个组织结构进行识别，并对识别到的各个组织结构按照其类型的不同，以不同的颜色或相应的文字信息进行自动标注，得到组织结构标注图像2。以此类推，将多组标准特征信息与对应的组织结构标注图像关联存储至知识库中。如表1所示，表1为本发明超声图像优化方法一实施例中知识库的示意表。
表1
| 标准特征信息 | 组织结构标注图像 |
| 标准特征信息1 | 组织结构标注图像1 |
| 标准特征信息2 | 组织结构标注图像2 |
| 标准特征信息3 | 组织结构标注图像3 |
| …… | …… |
本实施例中，构建知识库时，不仅限于通过如上所述的SIFT算法对常规标准切面图像进行特征提取，还可以采取神经网络来进行特征提取，或者其他特征工程方法，总而言之，只需要能够有效得到不同人体同一类型的标准切面图像的共性特征参数即可。
本实施例中，通过SIFT算法，提取当前获取的超声图像的特征信息，然后将该特征信息与知识库中存储的各个标准特征信息进行比对，通过计算该特征信息与知识库中存储的各个标准特征信息的欧氏距离，得到该特征信息与知识库中存储的各个标准特征信息的相似度，若欧氏距离越小，则相似度越高。当通过计算得到当前获取的超声图像的特征信息与标准特征信息1的欧氏距离为X1，通过计算得到当前获取的超声图像的特征信息与标准特征信息2的欧氏距离为X2，通过计算得到当前获取的超声图像的特征信息与标准特征信息3的欧氏距离为X3，通过计算得到当前获取的超声图像的特征信息与标准特征信息n的欧氏距离为Xn，若X2最小，则确定该特征信息与标准特征信息2的相似度最大，即表明当前获取的超声图像最有可能是部位B的超声图像，则同时显示当前获取的超声图像以及最能代表部位B的组织结构标注图像2，组织结构标注图像2上的标注信息，可以更好的帮助医生分辨当前获取的超声图像上的组织结构。本实施例中，将当前获取的超声图像，与知识库中存储的标准特征信息进行配准，配准方法包括但不限于SIFT、CNN等图像处理方式。
参照图3，图3为本发明超声图像教学方法一实施例中组织结构标注图像的示意图。如图3所示，在一最能代表人体臂丛神经的组织结构图像中，包括肌肉组织结构和动脉组织结构，以红色标注肌肉组织结构，以蓝色标注动脉组织结构，得到人体臂丛神经的组织结构标注图像，并将该人体臂丛神经的组织结构标注图像与人体臂丛神经对应的标准特征信息关联存储至知识库。本实施例中，还可以以文字的形式进行标注，例如以文字“肌肉组织”标注肌肉组织结构，以“动脉组织”标注动脉组织结构。后续，当医生通过超声仪器对人体的臂丛神经进行扫查时，获取到超声图像，通过图像配准，确定当前获取的超声图像的特征信息与人体臂丛神经对应的标准特征信息最为匹配，则显示当前获取的超声图像与人体臂丛神经的组织结构标注图像，人体臂丛神经的组织结构标注图像上的标注信息，可以更好的帮助医生分辨当前获取的人体臂丛神经超声图像上的组织结构。
步骤S60，显示所述超声图像以及所述目标组织结构标注图像。
参照图4，图4为本发明超声图像教学方法一实施例中显示场景示意图。本实施例中，通过步骤S50，确定了目标标准特征信息对应的目标组织结构标注图像，在超声图像显示区域显示当前获取的超声图像，在教学显示区显示目标组织结构标注图像，医生可以根据目标组织结构标注图像上的标注信息，更好的分辨当前获取的超声图像上的组织结构。
本实施例中，当获取到超声图像时，基于知识库中包含的标准特征信息，确定超声图像对应的目标标准特征信息，从知识库中获取目标标准特征信息对应的目标组织结构标注图像，显示超声图像以及目标组织结构标注图像。通过本实施例，医生在使用超声仪器进行超声检查时，确定当前获取的超声图像对应的目标组织结构标注图像，并显示该目标组织结构标注图像，目标组织结构标注图像中的组织结构标注信息能辅助医生识别出超声图像中的各个组织结构，使医生在实践中，增强对组织结构的记忆与了解，帮助医生更好的掌握超声扫查技能。
进一步的，参照图5，图5为本发明超声图像教学方法第二实施例的流程示意图。
在一实施例中，步骤S40之前包括：
步骤S10，获取标准切面组，并提取所述标准切面组中每张标准切面的特征信息；
步骤S20，根据每张标准切面的特征信息，计算得到所述标准切面组对应的标准特征信息；
步骤S30，获取所述标准切面组对应的组织结构标注图像，将所述标准特征信息以及组织结构标注图像关联存储至知识库。
本实施例中，知识库中关联存储了多组标准特征信息与对应的组织结构标注图像。构建知识库的具体实施例可以是：采集各种不同类型人体(如胖、瘦、幼、老、男、女等)的常规标准切面图像。例如，采集若干个不同类型人体的同一类型(如神经、腹部、胎儿等)的常规标准切面图像。本发明一实施例中，采集50个不同类型人体的神经结构A的常规标准切面图像，记作常规标准切面图像组1，以SIFT算法(SIFT，即尺度不变特征变换(Scale-invariant feature transform，SIFT)，是用于图像处理领域的一种描述，这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子)进行特征提取，获取常规标准切面图像组1中每个常规标准切面图像的特征信息，如获取常规标准切面图像组1中每张标准切面的特征信息，得到50组特征信息，然后计算这50组特征信息的平均值，将该平均值作为常规标准切面图像组1对应的标准特征信息1，获取常规标准切面图像组1对应的组织结构标注图像1，将标准特征信息1与组织结构标注图像1关联保存至知识库。本实施例中，组织结构标注图像1可以是人工绘制得到，其中，组织结构标注图像1为最能代表人体的神经结构A的组织结构标注图像；还也可以是获取最能代表人体的神经结构A的超声图像1，对超声图像1中的各个组织结构进行识别，并对识别到的各个组织结构按照其类型的不同，以不同的颜色或相应的文字信息进行自动标注，得到组织结构标注图像1。同样的，采集50个不同类型人体的部位B的常规标准切面图像，记作常规标准切面图像组2，以SIFT算法(SIFT，即尺度不变特征变换(Scale-invariant feature transform，SIFT)，是用于图像处理领域的一种描述，这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子)进行特征提取，获取常规标准切面图像组2中每个常规标准切面图像的特征信息，得到50组特征信息，然后计算这50组特征信息的平均值，将该平均值作为常规标准切面图像组2对应的标准特征信息2，获取常规标准切面图像组2对应的组织结构标注图像2，将标准特征信息2与组织结构标注图像2关联保存至知识库。本实施例中，组织结构标注图像2可以是人工绘制得到，其中，组织结构标注图像2为最能代表人体的部位B的组织结构标注图像；还也可以是获取最能代表人体的部位B的超声图像2，对超声图像2中的各个组织结构进行识别，并对识别到的各个组织结构按照其类型的不同，以不同的颜色或相应的文字信息进行自动标注，得到组织结构标注图像2。以此类推，将多组标准特征信息与对应的组织结构标注图像关联存储至知识库中。如表1所示，表1为本发明超声图像优化方法一实施例中知识库的示意表。本实施例中，构建知识库时，不仅限于通过如上所述的SIFT算法对常规标准切面图像进行特征提取，还可以采取神经网络来进行特征提取，或者其他特征工程方法，总而言之，只需要能够有效得到不同人体同一类型的标准切面图像的共性特征参数即可。
本实施例中，预先构建知识库，后续，将获取的超声图像与知识库中存储的标准特征信息进行配准，确定与当前获取的超声图像的特征信息最为接近的标准特征信息，将该标准特征信息对应的组织结构标注图像与当前获取的超声图像一同显示，该组织结构标注图像中的组织结构标注信息能辅助医生识别出超声图像中的各个组织结构，使医生在实践中，增强对组织结构的记忆与了解，帮助医生更好的掌握超声扫查技能。
进一步的，本发明超声图像教学方法一实施例中，步骤S20包括：
根据每张标准切面的特征信息，得到所述标准切面组对应的特征信息组；
计算所述特征信息组的平均值，将所述平均值作为所述标准切面组对应的标准特征信息。
本发明一实施例中，采集50个不同类型人体的神经结构A的常规标准切面图像，记作常规标准切面图像组1，以SIFT算法(SIFT，即尺度不变特征变换(Scale-invariantfeature transform，SIFT)，是用于图像处理领域的一种描述，这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子)进行特征提取，获取常规标准切面图像组1中每个常规标准切面图像的特征信息，如获取常规标准切面图像组1中每张标准切面的特征信息，得到50组特征信息，然后计算这50组特征信息的平均值，将该平均值作为常规标准切面图像组1对应的标准特征信息1。使得最终得到的标准特征信息1能更有效代表不同人体同一类型(本实施例中为神经结构A)的标准切面图像的共性特征参数。使得后续在获取到超声图像时，根据图像配准确定的超声图像对应的目标标准特征信息，更加符合实际情况。
进一步的，本发明超声图像教学方法一实施例中，所述获取所述标准切面组对应的组织结构标注图像的步骤包括：
获取所述标准切面组对应的组织结构图像；
识别所述组织结构图像包含的组织结构，并确定识别到的组织结构所属类型；
根据所属类型对应的颜色对所述识别到的组织结构进行标注，得到所述标准切面组对应的组织结构标注图像。
参照图3，图3为本发明超声图像教学方法一实施例中组织结构标注图像的示意图。如图3所示，在一最能代表人体臂丛神经的组织结构图像中，包括肌肉组织结构和动脉组织结构，以红色标注肌肉组织结构，以蓝色标注动脉组织结构，得到人体臂丛神经的组织结构标注图像，并将该人体臂丛神经的组织结构标注图像与人体臂丛神经对应的标准特征信息关联存储至知识库。本实施例中，还可以以文字的形式进行标注，例如以文字“肌肉组织”标注肌肉组织结构，以“动脉组织”标注动脉组织结构。后续，当医生通过超声仪器对人体的臂丛神经进行扫查时，获取到超声图像，通过图像配准，确定当前获取的超声图像的特征信息与人体臂丛神经对应的标准特征信息最为匹配，则显示当前获取的超声图像与人体臂丛神经的组织结构标注图像，人体臂丛神经的组织结构标注图像上的标注信息，可以更好的帮助医生分辨当前获取的人体臂丛神经超声图像上的组织结构。例如，标准切面组是对人体臂丛神经进行超声扫查得到的，由人工判断的方式选择一张最能代表人体臂丛神经的臂丛神经组织结构图像，该图像可以是人工绘制得到，也可以是通过超声仪器扫描得到，将该臂丛神经组织结构图像输入预置神经网络模型，根据预置神经网络模型对该臂丛神经组织结构图像中的各个组织结构进行识别以及标注，得到臂丛神经组织结构标注图像。当然，人体某个部位的组织结构标注图像也可以由人工进行绘制，即识别、标注的过程均由人工完成。
本实施例中，获取标准切面组对应的组织结构标注图像，并将该组织结构图像与该标准切面组对应的标准特征信息关联存储，后续若获取到一超声图像，且该超声图像的特征信息与该标准特征信息最为接近，即认定该超声图像与该标准切面属于同一人体部位，则将超声图像与组织结构标注图像一同显示，医生可以根据组织结构标注图像上的标注信息，更好的分辨当前获取的超声图像上的组织结构，使医生在实践中，增强对组织结构的记忆与了解，帮助医生更好的掌握超声扫查技能。
进一步的，本发明超声图像教学方法一实施例中，步骤S40包括：
当获取到超声图像时，获取所述超声图像的特征信息；
计算所述特征信息与知识库中包含的各个标准特征信息的匹配度；
将与所述特征信息匹配度最高的标准特征信息作为所述超声图像对应的目标标准特征信息。
本实施例中，通过SIFT算法，提取当前获取的超声图像的特征信息，然后将该特征信息与知识库中存储的各个标准特征信息进行比对，通过计算该特征信息与知识库中存储的各个标准特征信息的欧氏距离，得到该特征信息与知识库中存储的各个标准特征信息的相似度，若欧氏距离越小，则相似度越高。当通过计算得到当前获取的超声图像的特征信息与标准特征信息1的欧氏距离为X1，通过计算得到当前获取的超声图像的特征信息与标准特征信息2的欧氏距离为X2，通过计算得到当前获取的超声图像的特征信息与标准特征信息3的欧氏距离为X3，通过计算得到当前获取的超声图像的特征信息与标准特征信息n的欧氏距离为Xn，若X2最小，则确定该特征信息与标准特征信息2的相似度最大，即表明当前获取的超声图像最有可能是部位B的超声图像，则同时显示当前获取的超声图像以及最能代表部位B的组织结构标注图像2，组织结构标注图像2上的标注信息，可以更好的帮助医生分辨当前获取的超声图像上的组织结构。本实施例中，将当前获取的超声图像，与知识库中存储的标准特征信息进行配准，配准方法包括但不限于SIFT、CNN等图像处理方式。
进一步的，本发明超声图像教学方法一实施例中，所述当获取到超声图像时，获取所述超声图像的特征信息的步骤包括：
当获取到超声图像时，通过预置的特征工程对所述超声图像进行特征提取，得到所述超声图像的特征信息。
本实施例中，可以SIFT算法对超声图像进行特征提取，还可以采取神经网络来进行特征提取，或者其他特征工程方法，总而言之，只需要能够有效得到超声图像的特征参数即可。
进一步的，本发明超声图像教学方法一实施例中，所述计算所述特征信息与知识库中包含的各个标准特征信息的匹配度包括：
计算所述特征信息与知识库中包含的各个标准特征信息的欧氏距离；
根据所述欧氏距离，得到所述特征信息与知识库中包含的各个标准特征信息的匹配度。
本实施例中，通过SIFT算法，提取当前获取的超声图像的特征信息，然后将该特征信息与知识库中存储的各个标准特征信息进行比对，通过计算该特征信息与知识库中存储的各个标准特征信息的欧氏距离，得到该特征信息与知识库中存储的各个标准特征信息的相似度，若欧氏距离越小，则相似度越高。当通过计算得到当前获取的超声图像的特征信息与标准特征信息1的欧氏距离为X1，通过计算得到当前获取的超声图像的特征信息与标准特征信息2的欧氏距离为X2，通过计算得到当前获取的超声图像的特征信息与标准特征信息3的欧氏距离为X3，通过计算得到当前获取的超声图像的特征信息与标准特征信息n的欧氏距离为Xn，若X2最小，则确定该特征信息与标准特征信息2的相似度最大，即表明当前获取的超声图像最有可能是部位B的超声图像。
本实施例中，计算当前获取的超声图像的特征信息与知识库中包含的各个标准特征信息的匹配度，从而确定与超声图像的特征信息最为接近的标准特征信息，即认定该超声图像与该标准切面属于同一人体部位，则将超声图像与该最能代表该人体部位的组织结构标注图像一同显示，医生可以根据组织结构标注图像上的标注信息，更好的分辨当前获取的超声图像上的组织结构，使医生在实践中，增强对组织结构的记忆与了解，帮助医生更好的掌握超声扫查技能。
进一步的，本发明超声图像教学方法一实施例中，步骤S60包括：
在超声图像显示区显示所述超声图像；
确定所述目标组织结构标注图像中与所述超声图像匹配的目标区域，在教学显示区显示所述目标组织结构标注图像，并突出显示所述目标区域。
本实施例中，可能超声图像的物理范围小于目标组织结构标注图像，导致目标组织结构标注图像的部分图像与超声图像匹配，通过图像配准(配准方法包括但不限于SIFT、CNN等图像处理方式)，确定目标组织结构标注图像中与超声图像匹配的目标区域。在超声图像显示区域显示当前获取的超声图像，在教学显示区显示目标组织结构标注图像，并采用ROI框圈定该目标区域，或以预设颜色的底色标注该目标区域。医生可以根据目标组织结构标注图像中目标区域上的标注信息，更好的分辨当前获取的超声图像上的组织结构，使医生在实践中，增强对组织结构的记忆与了解，帮助医生更好的掌握超声扫查技能。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有超声图像教学程序，所述超声图像教学程序被处理器执行时实现如上所述的超声图像教学方法的步骤。
本发明计算机可读存储介质的具体实施例与上述超声图像教学方法的各个实施例基本相同，在此不做赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种超声图像教学方法，其特征在于，所述超声图像教学方法包括以下步骤：
当获取到超声图像时，基于知识库中包含的标准特征信息，确定所述超声图像对应的目标标准特征信息；
从所述知识库中获取所述目标标准特征信息对应的目标组织结构标注图像；
显示所述超声图像以及所述目标组织结构标注图像。
2.如权利要求1所述的超声图像教学方法，其特征在于，所述当获取到超声图像时，基于知识库中包含的标准特征信息，确定所述超声图像对应的目标标准特征信息之前，还包括：
获取标准切面组，并提取所述标准切面组中每张标准切面的特征信息；
根据每张标准切面的特征信息，计算得到所述标准切面组对应的标准特征信息；
获取所述标准切面组对应的组织结构标注图像，将所述标准特征信息以及组织结构标注图像关联存储至知识库。
3.如权利要求2所述的超声图像教学方法，其特征在于，所述根据每张标准切面的特征信息，计算得到所述标准切面组对应的标准特征信息的步骤包括：
根据每张标准切面的特征信息，得到所述标准切面组对应的特征信息组；
计算所述特征信息组的平均值，将所述平均值作为所述标准切面组对应的标准特征信息。
4.如权利要求2所述的超声图像教学方法，其特征在于，所述获取所述标准切面组对应的组织结构标注图像的步骤包括：
获取所述标准切面组对应的组织结构图像；
识别所述组织结构图像包含的组织结构，并确定识别到的组织结构所属类型；
根据所属类型对应的颜色对所述识别到的组织结构进行标注，得到所述标准切面组对应的组织结构标注图像。
5.如权利要求1所述的超声图像教学方法，其特征在于，所述当获取到超声图像时，基于知识库中包含的标准特征信息，确定所述超声图像对应的目标标准特征信息的步骤包括：
当获取到超声图像时，获取所述超声图像的特征信息；
计算所述特征信息与知识库中包含的各个标准特征信息的匹配度；
将与所述特征信息匹配度最高的标准特征信息作为所述超声图像对应的目标标准特征信息。
6.如权利要求5所述的超声图像教学方法，其特征在于，所述当获取到超声图像时，获取所述超声图像的特征信息的步骤包括：
当获取到超声图像时，通过预置的特征工程对所述超声图像进行特征提取，得到所述超声图像的特征信息。
7.如权利要求5所述的超声图像教学方法，其特征在于，所述计算所述特征信息与知识库中包含的各个标准特征信息的匹配度包括：
计算所述特征信息与知识库中包含的各个标准特征信息的欧氏距离；
根据所述欧氏距离，得到所述特征信息与知识库中包含的各个标准特征信息的匹配度。
8.如权利要求1至7中任一项所述的超声图像教学方法，其特征在于，所述显示所述超声图像以及所述目标组织结构标注图像的步骤包括：
在超声图像显示区显示所述超声图像；
确定所述目标组织结构标注图像中与所述超声图像匹配的目标区域，在教学显示区显示所述目标组织结构标注图像，并突出显示所述目标区域。
9.一种超声图像教学装置，其特征在于，所述超声图像教学装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的超声图像教学程序，所述超声图像教学程序被所述处理器执行时实现如权利要求1至8中任一项所述的超声图像教学方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有超声图像教学程序，所述超声图像教学程序被处理器执行时实现如权利要求1至8中任一项所述的超声图像教学方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810487088.2A CN108804547A (zh) | 2018-05-18 | 2018-05-18 | 超声图像教学方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810487088.2A CN108804547A (zh) | 2018-05-18 | 2018-05-18 | 超声图像教学方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108804547A true CN108804547A (zh) | 2018-11-13 |
Family
ID=64091114
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810487088.2A Pending CN108804547A (zh) | 2018-05-18 | 2018-05-18 | 超声图像教学方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108804547A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110111329A (zh) * | 2019-05-17 | 2019-08-09 | 四川大学华西第二医院 | 一种基于人工智能超声影像检测方法及系统 |
| CN110613480A (zh) * | 2019-01-14 | 2019-12-27 | 广州爱孕记信息科技有限公司 | 基于深度学习的胎儿超声动态影像检测方法及系统 |
| CN110680399A (zh) * | 2019-10-25 | 2020-01-14 | 深圳度影医疗科技有限公司 | 一种产前超声图像的自动测量方法、存储介质及超声设备 |
| CN110742654A (zh) * | 2019-11-05 | 2020-02-04 | 深圳度影医疗科技有限公司 | 一种基于三维超声图像的标准切面的定位和测量方法 |
| CN111462059A (zh) * | 2020-03-24 | 2020-07-28 | 湖南大学 | 胎儿超声图像智能目标检测的并行处理方法和装置 |
| CN112184817A (zh) * | 2020-09-30 | 2021-01-05 | 四川大学华西医院 | 一种臂丛神经图像识别暨麻醉穿刺引导方法及系统 |
| CN112336376A (zh) * | 2020-10-19 | 2021-02-09 | 深圳华声医疗技术股份有限公司 | 超声辅助扫查方法、设备及可读存储介质 |
| CN112992338A (zh) * | 2021-02-08 | 2021-06-18 | 青岛大学附属医院 | 一种超声检查技术与人工智能技术相结合的学习系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102078202A (zh) * | 2009-11-30 | 2011-06-01 | Ge医疗系统环球技术有限公司 | 用于识别动脉静脉的方法及超声成像设备 |
| CN103137001A (zh) * | 2011-11-30 | 2013-06-05 | 通用电气公司 | 用于超声成像设备的方法与装置 |
| CN103565470A (zh) * | 2012-08-07 | 2014-02-12 | 香港理工大学 | 基于三维虚拟图像的超声图像自动标注方法及系统 |
| CN104680481A (zh) * | 2013-11-28 | 2015-06-03 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声辅助扫查方法和系统 |
| CN105380679A (zh) * | 2015-12-15 | 2016-03-09 | 飞依诺科技(苏州)有限公司 | 超声成像设备的控制方法及系统 |
| CN106157282A (zh) * | 2015-03-31 | 2016-11-23 | 深圳迈瑞生物医疗电子股份有限公司 | 图像处理系统及方法 |
| CN106204465A (zh) * | 2015-05-27 | 2016-12-07 | 美国西门子医疗解决公司 | 基于知识的超声图像增强 |
| CN107157515A (zh) * | 2017-05-12 | 2017-09-15 | 无锡祥生医学影像有限责任公司 | 超声检测血管系统及方法 |
| CN107569257A (zh) * | 2017-09-29 | 2018-01-12 | 深圳开立生物医疗科技股份有限公司 | 超声图像处理方法及系统、超声诊断设备 |
| CN107679574A (zh) * | 2017-09-29 | 2018-02-09 | 深圳开立生物医疗科技股份有限公司 | 超声图像处理方法及系统 |
| CN107767386A (zh) * | 2017-10-12 | 2018-03-06 | 深圳开立生物医疗科技股份有限公司 | 超声图像处理方法及装置 |
| US9946914B1 (en) * | 2016-11-18 | 2018-04-17 | Qualcomm Incorporated | Liveness detection via ultrasonic ridge-valley tomography |
-
2018
- 2018-05-18 CN CN201810487088.2A patent/CN108804547A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102078202A (zh) * | 2009-11-30 | 2011-06-01 | Ge医疗系统环球技术有限公司 | 用于识别动脉静脉的方法及超声成像设备 |
| CN103137001A (zh) * | 2011-11-30 | 2013-06-05 | 通用电气公司 | 用于超声成像设备的方法与装置 |
| CN103565470A (zh) * | 2012-08-07 | 2014-02-12 | 香港理工大学 | 基于三维虚拟图像的超声图像自动标注方法及系统 |
| CN104680481A (zh) * | 2013-11-28 | 2015-06-03 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声辅助扫查方法和系统 |
| CN106157282A (zh) * | 2015-03-31 | 2016-11-23 | 深圳迈瑞生物医疗电子股份有限公司 | 图像处理系统及方法 |
| CN106204465A (zh) * | 2015-05-27 | 2016-12-07 | 美国西门子医疗解决公司 | 基于知识的超声图像增强 |
| CN105380679A (zh) * | 2015-12-15 | 2016-03-09 | 飞依诺科技(苏州)有限公司 | 超声成像设备的控制方法及系统 |
| US9946914B1 (en) * | 2016-11-18 | 2018-04-17 | Qualcomm Incorporated | Liveness detection via ultrasonic ridge-valley tomography |
| CN107157515A (zh) * | 2017-05-12 | 2017-09-15 | 无锡祥生医学影像有限责任公司 | 超声检测血管系统及方法 |
| CN107569257A (zh) * | 2017-09-29 | 2018-01-12 | 深圳开立生物医疗科技股份有限公司 | 超声图像处理方法及系统、超声诊断设备 |
| CN107679574A (zh) * | 2017-09-29 | 2018-02-09 | 深圳开立生物医疗科技股份有限公司 | 超声图像处理方法及系统 |
| CN107767386A (zh) * | 2017-10-12 | 2018-03-06 | 深圳开立生物医疗科技股份有限公司 | 超声图像处理方法及装置 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110613480A (zh) * | 2019-01-14 | 2019-12-27 | 广州爱孕记信息科技有限公司 | 基于深度学习的胎儿超声动态影像检测方法及系统 |
| CN110613480B (zh) * | 2019-01-14 | 2022-04-26 | 广州爱孕记信息科技有限公司 | 基于深度学习的胎儿超声动态影像检测方法及系统 |
| CN110111329A (zh) * | 2019-05-17 | 2019-08-09 | 四川大学华西第二医院 | 一种基于人工智能超声影像检测方法及系统 |
| CN110111329B (zh) * | 2019-05-17 | 2021-05-11 | 四川大学华西第二医院 | 一种基于人工智能超声影像检测方法及系统 |
| CN110680399B (zh) * | 2019-10-25 | 2020-12-29 | 深圳度影医疗科技有限公司 | 一种产前超声图像的自动测量方法、存储介质及超声设备 |
| CN110680399A (zh) * | 2019-10-25 | 2020-01-14 | 深圳度影医疗科技有限公司 | 一种产前超声图像的自动测量方法、存储介质及超声设备 |
| CN110742654B (zh) * | 2019-11-05 | 2020-11-17 | 深圳度影医疗科技有限公司 | 一种基于三维超声图像的标准切面的定位和测量方法 |
| CN110742654A (zh) * | 2019-11-05 | 2020-02-04 | 深圳度影医疗科技有限公司 | 一种基于三维超声图像的标准切面的定位和测量方法 |
| CN111462059A (zh) * | 2020-03-24 | 2020-07-28 | 湖南大学 | 胎儿超声图像智能目标检测的并行处理方法和装置 |
| CN111462059B (zh) * | 2020-03-24 | 2023-09-29 | 湖南大学 | 胎儿超声图像智能目标检测的并行处理方法和装置 |
| CN112184817A (zh) * | 2020-09-30 | 2021-01-05 | 四川大学华西医院 | 一种臂丛神经图像识别暨麻醉穿刺引导方法及系统 |
| CN112184817B (zh) * | 2020-09-30 | 2022-12-02 | 四川大学华西医院 | 一种臂丛神经图像识别方法及系统 |
| CN112336376A (zh) * | 2020-10-19 | 2021-02-09 | 深圳华声医疗技术股份有限公司 | 超声辅助扫查方法、设备及可读存储介质 |
| CN112992338A (zh) * | 2021-02-08 | 2021-06-18 | 青岛大学附属医院 | 一种超声检查技术与人工智能技术相结合的学习系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108804547A (zh) | 超声图像教学方法、装置及计算机可读存储介质 | |
| US8588496B2 (en) | Medical image display apparatus, medical image display method and program | |
| CN109447966A (zh) | 医学图像的病灶定位识别方法、装置、设备及存储介质 | |
| CN111214255B (zh) | 一种医学超声图像计算机辅助方法 | |
| CN106408566B (zh) | 一种胎儿超声图像质量控制方法及系统 | |
| CN110338844A (zh) | 三维成像数据的显示处理方法和三维超声成像方法及系统 | |
| CN111986785B (zh) | 医学影像标注方法和装置、设备及存储介质 | |
| CN109002846B (zh) | 一种图像识别方法、装置和存储介质 | |
| CN109785311B (zh) | 一种疾病诊断装置、电子设备及存储介质 | |
| CN108272434A (zh) | 对眼底图像进行处理的方法及装置 | |
| CN112151155A (zh) | 基于人工智能的超声影像智能培训方法、系统及应用系统 | |
| CN109919912A (zh) | 一种医学影像的质量评价方法和装置 | |
| CN108648164A (zh) | 超声图像优化方法、装置及计算机可读存储介质 | |
| CN111967407B (zh) | 动作评价方法、电子设备和计算机可读存储介质 | |
| CN111242921A (zh) | 一种医学超声图像辅助诊断系统自动更新的方法及系统 | |
| CN113707305A (zh) | 基于深度学习的健康方案推荐方法、装置、设备及介质 | |
| US9424656B2 (en) | Computer vision based method and system for evaluating and grading surgical procedures | |
| JP5113548B2 (ja) | 超音波画像処理装置 | |
| CN107369349A (zh) | 医用超声模拟系统及信息显示方法 | |
| WO2022073306A1 (zh) | 膈肌的超声测量方法及系统 | |
| CN109934798A (zh) | 体内目标物信息标注方法及装置、电子设备、存储介质 | |
| CN110276772B (zh) | 一种肌肉组织中结构要素的自动定位方法及系统 | |
| CN111652837A (zh) | 基于ai的甲状腺结节左右叶定位与超声报告纠错方法 | |
| CN107705829B (zh) | 一种基于智能识别的医学影像传输方法 | |
| CN113693625B (zh) | 超声成像方法和超声成像设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181113 |