CN109636843B - 一种羊水指数的测量方法、超声成像设备及存储介质 - Google Patents
一种羊水指数的测量方法、超声成像设备及存储介质 Download PDFInfo
- Publication number
- CN109636843B CN109636843B CN201811532805.5A CN201811532805A CN109636843B CN 109636843 B CN109636843 B CN 109636843B CN 201811532805 A CN201811532805 A CN 201811532805A CN 109636843 B CN109636843 B CN 109636843B
- Authority
- CN
- China
- Prior art keywords
- frame image
- amniotic fluid
- key frame
- image
- maximum
- 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
- 210000004381 amniotic fluid Anatomy 0.000 title claims abstract description 155
- 238000003384 imaging method Methods 0.000 title claims description 34
- 238000000691 measurement method Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims abstract description 56
- 230000011218 segmentation Effects 0.000 claims description 51
- 238000003709 image segmentation Methods 0.000 claims description 38
- 239000000523 sample Substances 0.000 claims description 22
- 241001494479 Pecora Species 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000002592 echocardiography Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012285 ultrasound imaging Methods 0.000 claims description 6
- 241000283707 Capra Species 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000002604 ultrasonography Methods 0.000 description 19
- 230000015654 memory Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 238000005259 measurement Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 210000004291 uterus Anatomy 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000003187 abdominal effect Effects 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 210000003754 fetus Anatomy 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 210000003954 umbilical cord Anatomy 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- WYTGDNHDOZPMIW-RCBQFDQVSA-N alstonine Natural products C1=CC2=C3C=CC=CC3=NC2=C2N1C[C@H]1[C@H](C)OC=C(C(=O)OC)[C@H]1C2 WYTGDNHDOZPMIW-RCBQFDQVSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001605 fetal effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30044—Fetus; Embryo
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了一种羊水指数的测量方法,该方法包括:获取目标对象中每个象限分别对应的关键帧图像,其中,目标对象被划分为多个象限,每个关键帧图像中分别包含对应象限对应的最大羊水池区域;从每个关键帧图像中分别定位出最大垂直径线的位置信息;根据每个最大垂直径线的位置信息分别确定最大垂直径线长度;将每个最大垂直径线长度求和确定出目标对象的羊水指数。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种羊水指数的测量方法、超声成像设备及存储介质。
背景技术
目前,临床上针对胎儿的超声检查项目中,羊水指数的测量是一项非常重要的测量项目,其贯穿于孕妇的整个妊娠周期,是评估孕妇怀孕正常与否的重要指标,对胎儿的生长发育和母体的健康评估至关重要。
常规的羊水指数的测量是以脐水平线和腹白线为标识将自动直角划分为四个不同的象限,测量各个象限的最大羊水池的垂直径线,然后计算四个垂直径线之和即为羊水指数。
在实际临床测量过程中,在各个象限的最大羊水池所在的图像中,需要医生根据临床经验知识,手动选择出垂直径线的两个端点,以进一步测量出垂直径线,因此,不仅测量效率较低,而且无法保证测量的准确性。
发明内容
为解决现有存在的技术问题,本申请实施例期望提供羊水指数的测量方法、超声成像设备及存储介质,能够自动测量每个象限的关键帧图像中最大羊水池区域的垂直径线长度,并求和获得羊水指数,提高了羊水指数测量的效率和准确性。
为达到上述目的,本申请实施例的技术方案是这样实现的:
本申请实施例提供了一种羊水指数的测量方法,所述方法包括:
获取目标对象中每个象限分别对应的关键帧图像,其中,所述目标对象被划分为多个象限,每个所述关键帧图像中分别包含对应象限对应的最大羊水池区域;
从每个所述关键帧图像中分别定位出最大垂直径线的位置信息;
根据每个所述最大垂直径线的位置信息分别确定最大垂直径线长度;
将每个所述最大垂直径线长度求和确定出所述目标对象的羊水指数。
在上述方案中,所述获取目标对象中每个象限分别对应的关键帧图像,包括:
获取所述每个象限分别对应的单帧图像;
将所述单帧图像确定为所述关键帧图像。
在上述方案中,所述获取目标对象中每个象限分别对应的关键帧图像,包括:
获取所述每个象限分别对应的多帧图像;
按照预设帧确定方法,从所述多帧图像中确定所述关键帧图像。
在上述方案中,所述获取所述每个象限对应的多帧图像之后,所述方法还包括:
显示所述多帧图像。
在上述方案中,所述显示所述多帧图像之后,所述方法还包括:
接收对所述多帧图像的选择指令;
根据所述选择指令从所述多帧图像中确定所述关键帧图像。
在上述方案中,所述按照预设帧确定方法,从所述多帧图像中确定所述关键帧图像,包括:
按照预设图像分割算法对所述多帧图像进行羊水池区域分割,获得第一分割结果;
根据所述第一分割结果,从所述多帧图像中确定所述每个象限分别对应的最大羊水池帧图像;
将所述最大羊水池帧图像确定为所述关键帧图像。
在上述方案中,所述按照预设帧确定方法,从所述多帧图像中确定所述关键帧图像,包括:
将所述多帧图像输入预设图像分割网络进行羊水池区域分割,获得第二分割结果;
根据所述第二分割结果,从所述多帧图像中确定所述每个象限分别对应的最大羊水池帧图像;
将所述最大羊水池帧图像确定为所述关键帧图像。
在上述方案中,所述按照预设帧确定方法,从所述多帧图像中确定所述关键帧图像,包括:
将所述多帧图像输入预设关键帧识别网络,获得所述多帧图像中每一帧图像对应的关键帧概率;
从所述多帧图像中确定所述每个象限分别对应的最大关键帧概率帧图像;
将所述最大关键帧概率帧图像确定为所述关键帧图像。
在上述方案中,所述从每个所述关键帧图像中分别定位出最大垂直径线的位置信息,包括:
从每个所述关键帧图像中分别获取所述最大羊水池区域;
从每个所述最大羊水池区域中分别定位出所述最大垂直径线的位置信息。
在上述方案中,所述从每个所述关键帧图像中分别获取所述最大羊水池区域,包括:
按照预设图像分割算法分别对每个所述关键帧图像进行羊水池区域分割,获得所述最大羊水池区域。
在上述方案中,所述从每个所述关键帧图像中分别获取所述最大羊水池区域,包括:
将每个所述关键帧图像输入预设图像分割网络进行羊水池区域分割,获得所述最大羊水池区域。
本申请实施例提供了一种超声成像设备,所述超声成像设备包括:
超声探头;
发射/接收选择开关;
发射/接收序列控制器,所述发射/接收序列控制器通过所述发射/接收选择开关激励所述超声探头向目标对象发射超声波,控制所述超声探头接收从所述目标对象返回的超声回波;
处理器,所述处理器用于执行以下步骤:
通过所述超声探头获取所述目标对象中每个象限分别对应的关键帧图像;其中,所述目标对象被划分为多个象限,每个所述关键帧图像中分别包含对应象限对应的最大羊水池区域;从每个所述关键帧图像中分别定位出最大垂直径线位置的位置信息;根据每个所述最大垂直径线的位置信息分别确定最大垂直径线长度;将每个所述最大垂直径线长度求和确定出所述目标对象对应的羊水指数;
显示器,所述显示器用于显示每个所述关键帧图像。
在上述超声成像设备中,所述处理器,具体用于通过所述超声探头获取所述每个象限分别对应的单帧图像;将所述单帧图像确定为所述关键帧图像。
在上述超声成像设备中,所述处理器,具体用于通过所述超声探头获取所述每个象限分别对应的多帧图像;按照预设帧确定方法,从所述多帧图像中确定所述关键帧图像。
在上述超声成像设备中,所述显示器,还用于显示所述多帧图像。
在上述超声成像设备中,所述处理器在所述显示器显示所述多帧图像之后,还用于接收对所述多帧图像的选择指令;根据所述选择指令从所述多帧图像中确定所述关键帧图像。
在上述超声成像设备中,所述处理器,具体用于按照预设图像分割算法对所述多帧图像进行羊水池区域分割,获得第一分割结果;根据所述第一分割结果,从所述多帧图像中确定所述每个象限中分别对应的最大羊水池帧图像;将所述最大羊水池帧图像确定为所述关键帧图像。
在上述超声成像设备中,所述处理器,具体用于将所述多帧图像中的每一帧图像输入预设图像分割网络进行羊水池区域分割,获得第二分割结果;根据所述第二分割结果,从所述多帧图像序列中确定所述每个象限中分别对应的最大羊水池帧图像;将所述最大羊水池帧图像确定为所述关键帧图像。
在上述超声成像设备中,所述处理器,具体用于将所述多帧图像输入预设关键帧识别网络,获得所述多帧图像中每一帧图像对应的关键帧概率;从所述多帧图像中确定所述每个象限分别对应的最大关键帧概率帧图像;将所述最大关键帧概率帧图像确定为所述关键帧图像。
在上述超声成像设备中,所述处理器,具体用于从每个所述关键帧图像中分别获取所述最大羊水池区域;从每个所述最大羊水池区域中分别定位出所述最大垂直径线的位置信息。
在上述超声成像设备中,所述处理器,具体用于按照预设图像分割算法分别对每个所述关键帧图像进行羊水池区域分割,获得所述最大羊水池区域。
在上述超声成像设备中,所述处理器,具体用于将所述关键帧图像输入预设图像分割网络进行羊水池区域分割,获得所述最大羊水池区域。
本申请实施例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羊水指数测量程序,所述羊水指数测量程序可以被处理器执行,以实现上述羊水指数的测量方法。
由此可见,在本申请实施例的技术方案中,获取目标对象中每个象限分别对应的关键帧图像,其中,目标对象被划分为多个象限,每个关键帧图像中分别包含对应象限对应的最大羊水池区域;从每个关键帧图像中分别定位出最大垂直径线的位置信息;根据每个最大垂直径线的位置信息分别确定最大垂直径线长度;将每个最大垂直径线长度求和确定出目标对象的羊水指数。也就是说,本申请实施例提供的技术方案,能够自动测量每个象限的关键帧图像中最大羊水池区域的垂直径线长度,并求和获得羊水指数,提高了羊水指数测量的效率和准确性。
附图说明
图1为本申请实施例提供的一种超声成像设备的结构示意图;
图2为本申请实施例提供的一种羊水指数的测量方法的流程示意图;
图3为本申请实施例提供的一种示例性的单帧图像;
图4为本申请实施例提供的一种示例性的羊水池区域分割结果示意图;
图5为本申请实施例提供的一种示例性的最大垂直径线的位置信息的示意图;
图6为本申请实施例提供的一种示例性的四个象限的最大垂直径线示意图。
具体实施方式
为了能够更加详尽地了解本申请实施例的特点及技术内容,下面结合附图对本申请实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本申请实施例。
本申请实施例提供了一种羊水指数的测量方法,该方法应用于超声成像设备。图1为本申请实施例提供的一种超声成像设备的结构示意图。如图1所示,该超声成像设备10包括:超声探头101、发射/接收选择开关102、发射/接收序列控制器103、处理器104和显示器105。
需要说明的是,在本申请实施例中,发射/接收序列控制器103可以通过发射/接收选择开关102激励超声探头101向目标对象发射超声波,还可以控制超声探头101接收从目标对象返回的超声回波,从而获得超声回波信号/数据,以获得目标对象的超声图像,其中,该超声图像可以是二维超声图像,也可以是其他多维超声图像。
需要说明的是,在本申请实施例中,超声成像设备还可以包括:存储器106,处理器104获得的超声图像可以存储于存储器106中,超声图像可以在显示器105上显示。
在本申请实施例中,前述的超声成像系统10的显示器105可以为触摸显示屏、液晶显示屏等,也可以是独立于超声成像设备10之外的液晶显示器、电视机等独立显示设备,也可为手机、平板电脑等电子设备上的显示屏。
在本申请实施例中,前述的超声成像设备10的存储器106可为闪存卡、固态存储器、硬盘等。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有羊水指数测量程序,该羊水指数测量程序可以被处理器104执行,以实现本申请的羊水指数的测量方法。
一个实施例中,该计算机可读存储介质可为存储器106,其可以是闪存卡、固态存储器、硬盘等非易失性存储介质。
在本申请实施例中,前述的超声成像系设备10的处理器104可以通过软件、硬件、固件或者其组合实现,可以使用电路、单个或多个专用集成电路(application specificintegrated circuits,ASIC)、单个或多个通用集成电路、单个或多个微处理器、单个或多个可编程逻辑器件、或者前述电路或器件的组合、或者其他适合的电路或器件,从而使得该处理器104可以执行各个实施例中羊水指数的测量方法的相应步骤。
下面基于上述超声成像设备10,对本申请中的羊水指数的测量方法进行详细描述。
图2为本申请实施例提供的一种羊水指数的测量方法的流程示意图,该方法应用于超声设备,该超声设备可以是用于超声成像的便携式超声设备或者台式超声设备等。如图2所示,该流程主要包括以下步骤:
S201、获取目标对象中每个象限分别对应的关键帧图像,其中,目标对象被划分为多个象限,每个关键帧图像中分别包含对应象限对应的最大羊水池区域。
在本申请实施例中,超声成像设备10的处理器104通过超声探头101获取目标对象的多个象限对应的超声图像,并从该超声图像中确定每个象限分别对应的关键帧图像。
需要说明的是,在本申请实施例中,目标对象为孕妇子宫,羊水指数在孕妇整个妊娠期都需要测量,医生可以根据实际需求将子宫按照不同的方式进行象限划分。具体划分的象限数目本申请实施例不作限定。
示例性的,在本申请实施例中,可以以孕妇的脐水平线和腹白线为标志,将目标对象,即孕妇子宫,直角划分为四个不同的象限,因此,需要获取四个象限中每个象限对应的关键帧图像。
需要说明的是,在本申请实施例中,每个象限分别对应的关键帧图像,即为包括对应象限最大羊水池区域的帧图像。
在本申请实施例中,处理器104通过超声探头101获取目标对象中每个象限对应的关键帧图像,可以存在多种方式,下面举例说明几种可能的实现方式:其中,一种可能的实现方式为:获取每个象限分别对应的单帧图像;将单帧图像确定为关键帧图像,一种可能的实现方式为:获取每个象限分别对应的多帧图像;按照预设帧确定方法,从多帧图像中确定关键帧图像。
可以理解的是,在本申请实施例中,医生可以根据临床经验,按照特定的角度或位置针对某一象限放置超声探头101,超声探头101向该象限发射超声波,并接收超声回波,处理器104对超声回波进行处理,即可获得该象限的单帧图像,并直接将该单帧图像确定为该象限的关键帧图像。
图3为本申请实施例提供的一种示例性的单帧图像。如图3所示,为目标对象中多个象限中某一个象限对应的单帧图像,处理器104通过超声探头101获取到该单帧图像,并将该单帧图像确定对应象限对应的关键帧图像。
可以理解的是,在本申请实施例中,超声成像设备10也可以通过超声探头101针对每个象限多次发射超声波,并多次接收超声回波,处理器104对多次接收到的超声回波分别进行处理,即可获得对应象限的多个超声图像,即多帧图像,之后,处理器可以按照预设帧确定方法,从该多帧图像中确定出对应象限的关键帧图像。具体的预设帧确定方法和多帧图像的数量可由医生根据临床实际需求确定,本申请实施例不作限定。
具体的,在本申请实施例中,处理器104按照预设帧确定方法,从多帧图像中确定关键帧图像,包括:按照预设图像分割算法对多帧图像进行羊水池区域分割,获得第一分割结果;根据第一分割结果,从多帧图像中确定每个象限分别对应的最大羊水池帧图像;将最大羊水池帧图像确定为关键帧图像。
需要说明的是,在本申请实施例中,处理器104按照预设图像分割算法,可以直接对每个象限对应的多帧图像中,每一帧图像进行羊水池区域分割,分割后的图像均为第一分割结果,之后,根据第一分割结果,可以直接确定出每个象限对应多帧图像中,羊水池区域面积最大的帧图像,即最大羊水池帧图像,最大羊水池帧图像就是后续计算羊水指数所需要的关键帧图像。具体的预设图像分割算法本申请实施例不作限定。
具体的,在本申请实施例中,预设图像分割算法可以为基于水平集分割算法、随机游走算法、图割算法,以及蛇形算法等,处理器104按照上述预设图像分割算法中的任意一种,例如,基于水平集分割算法,可以对每个象限对应的多帧图像中的每一帧图像设定一个封闭的初始轮廓,即设定一个封闭曲线,控制该封闭曲线按照一定规律或者约束条件进行迭代变化,直至在图像中该封闭曲线完全包括暗区,也就是羊水池区域,即从图像中分割出了羊水池区域,也就是获得上述第一分割结果。对于每个象限,处理器104可以从对应的分割好羊水池区域的多帧图像中,选取羊水池区域最大的一帧图像,作为对应象限对应的关键帧图像。
示例性的,在本申请实施例中,可以以孕妇的脐水平线和腹白线为标志,将目标对象,即孕妇子宫,直角划分为四个不同的象限,分别为第一象限、第二象限、第三象限和第四象限。处理器104通过超声探头101分别获取到每个象限对应的10帧图像,即多帧图像,之后,处理器104按照预设图像分割算法对四个象限中每个象限对应的10帧图像中的每一帧图像分别进行羊水池区域分割,从而获得第一分割结果,之后,从第一象限对应的10帧图像分割后得到的第一分割结果中查找羊水池区域面积最大的帧图像,即确定第一象限对应的最大羊水池帧图像,将其确定为第一象限对应的关键帧,从第二象限对应的10帧图像分割后得到的第一分割结果中查找羊水池区域面积最大的帧图像,即确定第二象限对应的最大羊水池帧图像,将其确定为第二象限对应的关键帧,同样,按照相同方法也可以分别确定第三象限和第四象限各自对应的关键帧图像。
具体的,在本申请实施例中,处理器104按照预设帧确定方法,从多帧图像中确定关键帧图像,包括:将多帧图像输入预设图像分割网络进行羊水池区域分割,获得第二分割结果;根据第二分割结果,从多帧图像中确定每个象限分别对应的最大羊水池帧图像;将最大羊水池帧图像确定为关键帧图像。
需要说明的是,在本申请实施例中,预设图像分割网络可以由大量帧图像和对应的标定结果训练获得,即需要预先获得大量帧图像,并对每一个帧图像进行羊水池区域标记,形成数据库,用该数据库训练用于分割羊水池区域的待训练图像分割网络,以获得预设图像分割网络。待训练分割网络可以根据实际需求预先构造。具体的预设图像分割网络本申请实施例不作限定。
具体的,在本申请实施例中,预设图像分割网络可以为全卷积神经网络、U型全卷积神经网络,以及基于区域非卷积神经网络等。对于上述预设图像分割网络中的任意一种,其主要包括:卷积层、池化层,以及上采样层或反卷基层,通过卷积层可以对输入图像进行羊水池区域相关特征的提取,通过池化层可以进一步提取羊水池区域的主要相关特征,需要说明的是,卷积层和池化层处理时都将缩小图像,因此,最后通过上采样层或反卷基层可以最终输出一个和输入图像尺寸一致的输出图像,该输出图像直接分割出了羊水池区域,该输出图像即为上述第二分割结果。对于每个象限,处理器104可以从对应的分割好羊水池区域的多帧图像中,选取羊水池区域最大的一帧图像,作为对应象限对应的关键帧图像。
具体的,在本申请实施例中,预设图像分割网络还可以为基于传统的机器学习获得的定位网络,其可以对每个象限对应的多帧图像中每一帧图像先划分成多个图像块,对图像块进行各种特征的提取,如提取局部的上下文信息、纹理信息,以及哈尔特征等,将提取的特征进行整合分类,可以整合分类出的相关特征输入级联的分类器,例如,向量机、自适应分类器,以及随机森林分类器等,通过分类器对整合的特征进行判别,确定出表征为羊水池区域的一类特征,对相应的图像进行标记,从而分割出图像中的羊水池区域,获得第二分割结果,处理器104即可进一步定位出每个象限对应的多帧图像中,羊水池区域最大的图像,将其确定为对应象限的关键帧图像。
示例性的,在本申请实施例中,可以以孕妇的脐水平线和腹白线为标志,将目标对象,即子宫,直角划分为四个不同的象限,分别为第一象限、第二象限、第三象限和第四象限。处理器104通过超声探头101分别获取到每个象限对应的20帧图像,即多帧图像,之后,处理器104将四个象限中每个象限对应的20帧图像中的每一帧图像输入预设图像分割网络分别进行羊水池区域分割,从而获得第二分割结果,之后,从第一象限对应的20帧图像分割后得到的第二分割结果中查找羊水池区域面积最大的帧图像,即确定第一象限对应的最大羊水池帧图像,将其确定为第一象限对应的关键帧,从第二象限对应的20帧图像分割后得到的第二分割结果中查找羊水池区域面积最大的帧图像,即确定第二象限对应的最大羊水池帧图像,将其确定为第二象限对应的关键帧,同样,按照相同方法也可以分别确定第三象限和第四象限各自对应的关键帧图像。
图4为本申请实施例提供的一种示例性的羊水池区域分割结果示意图。处理器104按照预设图像分割算法或预设图像分割网络对多帧图像中的每一帧图像进行羊水池区域分割,其中一帧图像的分割结果如图4所示,图中由白色曲线标记出的暗区,其内部包含的区域即为其对应的羊水池区域。
具体的,在本申请实施例中,处理器104按照预设帧确定方法,从多帧图像中确定关键帧图像,包括:将多帧图像输入预设关键帧识别网络,获得多帧图像中每一帧图像对应的关键帧概率;从多帧图像中确定每个象限分别对应的最大关键帧概率帧图像;将最大关键帧概率帧图像确定为关键帧图像。
需要说明的是,在本申请实施例中,预设关键帧识别网络可以为一个分类网络,与上述预设图像分割网络相同,也由大量帧图像和对应的标定结果训练获得,区别于上述预设图像分割网络的是,训练预设关键帧识别网络所需要的标定结果为标记图像是否为关键帧。
具体的,在本申请实施例中,预设关键帧识别网络可以为VGG-16、VGG-19,以及Google-Net等。预设关键帧识别网络主要结构包括卷积层、激活层、池化层和全连接层,具体的,通过卷积层对输入图像进行特征提取,通过激活层对提取的特征进行非线性处理,即将其由线性转换为非线性,通过池化层对非线性的特征进行压缩,获得压缩特征,以降低后续处理的复杂度,之后,通过全连接层将池化层输出的压缩特征进行连接,即线性组合,最后根据连接后的结果,输出输入图像为关键帧的概率。对于每个象限,处理器104可以从对应的多帧图像中选取关键帧概率最大的一帧图像,作为对应象限的关键帧图像。具体的预设关键帧识别网络本申请实施例不作限定。
示例性的,在本申请实施例中,可以以孕妇的脐水平线和腹白线为标志,将目标对象,即子宫,直角划分为四个不同的象限,分别为第一象限、第二象限、第三象限和第四象限。处理器104通过超声探头101分别获取到每个象限对应的5帧图像,即多帧图像,之后,处理器104将四个象限中每个象限对应的5帧图像中的每一帧图像输入预设关键帧识别网络,从而输出每一帧对应的关键帧概率。具体的,第一象限对应的5帧图像分别为图像1、图像2、图像3、图像4和图像5,处理器104将这些图像输入预设关键帧识别网络,从而获得图像1对应的关键帧概率为0.2,图像2对应的关键帧概率为0.4,图像3对应的关键帧概率为0.4,图像4对应的关键帧概率为0.6,图像5对应的关键帧概率为0.8,因此,将图像5确定为第一象限对应的关键帧图像。
需要说明的是,在本申请实施例中,在处理器104通过超声探头101获取到每个象限分别对应的多帧图像之后,显示器105可以显示多帧图像。
在本申请实施例中,由于显示器105可以显示多帧图像,因此,医生在查看到多帧图像之后,可以通过触控界面或特定按键对处理器104发送对多帧图像的选择指令,处理器104接收对多帧图像的选择指令,根据选择指令从多帧图像中确定关键帧图像。
示例性的,在本申请实施例中,目标对象被划分成四个象限,分别为第一象限、第二象限、第三象限和第四象限,每个象限对应的多帧图像具体为10帧图像。显示器105可以显示每个象限对应的10帧图像。具体的,在显示了第一象限对应的10帧图像之后,医生根据直观查看,判定第3帧图像包含第一象限对应的最大羊水池,即可通过触控界面对处理器104发送用于选择第3帧图像的选择指令,处理器104接收该选择指令,根据该选择指令确定第一象限对应的10帧图像中第3帧图像为第一象限对应的关键帧图像。同样,也可以确定其它象限对应的关键帧图像。
可以理解的是,在本申请实施例中,处理器104分别确定了每个象限对应的关键帧图像,每个象限对应的关键帧图像包括了对应象限对应的最大羊水池,具体确定关键帧的方法可以为自动,即进行羊水池区域分割,也可以为手动,即根据视觉显示主观确定,具体方法可根据实际操作环境和测量要求以确定。
S202、从每个关键帧图像中分别定位出最大垂直径线的位置信息。
在本申请实施例中,超声成像设备10的处理器104在获取了每个象限分别对应的关键帧之后,即可从每个关键帧图像中分别定位出最大垂直径线的位置信息,一般而言,该最大垂直径线不经过任何组织结构。
具体的,在本申请实施例中,处理器104从每个关键帧图像中分别定位出最大垂直径线的位置信息,包括:从每个关键帧图像中分别获取最大羊水池区域;从每个最大羊水池区域中分别定位出最大垂直径线的位置信息。
可以理解的是,在本申请实施例中,每个关键帧图像中分别包括了对应象限对应的最大羊水池区域,因此,处理器104可以从每个关键帧图像中获取对应象限对应的最大羊水池区域。其中,如果在步骤S201中,获取每个象限分别对应的关键帧图像时,具体采用了基于羊水池区域分割,从多帧图像中确定关键帧图像的方法,也就是说,在步骤S201中对多帧图像每一帧图像进行了羊水池区域分割,而关键帧图像仅为多帧图像中的一帧图像,即步骤S201中已经对关键帧图像进行了羊水池区域分割,因此,在处理器104执行步骤S202时,可以直接根据步骤S201的分割结果,获得每个关键帧图像中的最大羊水池区域。当然,如果在步骤S201中,为医生发送选择指令确定关键帧图像,或者,直接将单帧图像确定为关键帧图像,则处理器104需要对每个关键帧图像进行羊水池区域分割,获得每个关键帧图像分别对应的最大羊水池区域。
具体的,在本申请实施例中,处理器104从每个关键帧图像中分别获取最大羊水池区域,包括:按照预设图像分割算法分别对每个关键帧图像进行羊水池区域分割,获得最大羊水池区域。
具体的,在本申请实施例中,处理器104从每个关键帧图像中分别获取最大羊水池区域,包括:将每个关键帧图像输入预设图像分割网络进行羊水池区域分割,获得最大羊水池区域。
需要说明的是,在本申请实施例中,步骤S201中已经详细说明了按照预设图像分割算法和预设图像分割网络进行羊水池区域分割的相关内容,在此不再赘述。
需要说明的是,在本申请实施例中,处理器104定位最大垂直径线的位置信息时,最大垂直径线不经过任何组织结构,也就是说,最大垂直径线穿过的区域不包含任何胎儿的解剖结构和脐带。处理器104从每个最大羊水池区域中分别定位出最大垂直径线的位置信息,就是从每个最大羊水池区域中分别定位出最大垂直径线的两个端点。
图5为本申请实施例提供的一种示例性的最大垂直径线的位置信息的示意图。如图5所示,对于多个象限中某一象限对应的关键帧图像,处理器104已经确定了其对应的最大羊水池区域,即白色曲线内部包括的区域,其中,端点a和端点b为穿过该区域不包含任何胎儿的解剖结构和脐带的垂直距离最远的两个点,即端点a和端点b为最大垂直径线的位置信息,而端点a和端点b之间的距离,即虚线所示的距离为最大垂直径线的长度。
在本申请实施例中,处理器104从每个最大羊水池区域中分别定位出最大垂直径线的位置信息,可以采用自动方式,也可以根据接收相关的指令来实现。
可以理解的是,在本申请实施例中,显示器105可以显示每个关键帧图像,可以显示最大羊水池区域,具体的,最大羊水池区域以标记线的形式在每个关键帧图像中显示。因此,医生可以直接根据标记出的最大羊水池区域,通过触控点击选择出最大垂直径线的两个端点,即最大垂直径线的位置信息,处理器104接收到相关指令,从而根据相关指令定位出最大垂直径线的位置信息。
可以理解的是,在本申请实施例中,处理器104也可以采用模式识别、机器学习的方法根据羊水池区域特征和垂直径线的特定,自动从每个最大羊水池区域中分别定位出最大垂直径线的位置信息。
S203、根据每个最大垂直径线的位置信息分别确定最大垂直径线长度。
在本申请实施例中,超声成像设备10的处理器104在从每个关键帧图像中定位出最大垂直径线的位置信息之后,即可据每个最大垂直径线的位置信息分别确定最大垂直径线长度。
具体的,在本申请实施例中,每个最大垂直径线的位置信息即为每个最大垂直径线的两个端点,处理器104可以直接自动测量出每个最大垂直径线的两个端点之间的距离,从而获得每个垂直径线长度,如图5所示。
S204、将每个最大垂直径线长度求和确定出目标对象的羊水指数。
在本申请实施例中,超声成像设备10的处理器在根据每个最大垂直径线的位置信息分别确定最大垂直径线长度之后,可以将每个最大垂直径线长度求和确定出目标对象的羊水指数。
图6为本申请实施例提供的一种示例性的四个象限的最大垂直径线示意图。在本申请实施例中,目标对象,即子宫被划分成四个象限,分别为第一象限、第二象限、第三象限和第四象限。处理器104获取到第一象限对应的关键帧图像为第一图像,第二象限对应的关键帧图像为第二图像,第三象限对应的关键帧图像为第三图像,第四象限对应的关键帧图像为第四图像,如图6所示,处理器104从第一图像中定位出第一最大垂直径线的位置信息,从第二图像中定位出第二最大垂直径线的位置信息,从第三图像中定位出第三最大垂直径线的位置信息,从第四图像中定位出第四最大垂直径线的位置信息。处理器104根据第一最大垂直径线的位置信息确定出最大垂直径线长度L1,根据第二最大垂直径线的位置信息确定出最大垂直径线长度L2,根据第三最大垂直径线的位置信息确定出最大垂直径线长度L3,根据第四最大垂直径线的位置信息确定出最大垂直径线长度L4,之后,将L1、L2、L3,以及L4求和,即为子宫的羊水指数。医生根据羊水指数即可评估孕妇怀孕是否正常。
本申请实施例提供了一种羊水指数的测量方法,获取目标对象中每个象限分别对应的关键帧图像,其中,目标对象被划分为多个象限,每个关键帧图像中分别包含对应象限对应的最大羊水池区域;从每个关键帧图像中分别定位出最大垂直径线的位置信息;根据每个最大垂直径线的位置信息分别确定最大垂直径线长度;将每个最大垂直径线长度求和确定出目标对象的羊水指数。也就是说,本申请实施例提供的技术方案,能够自动测量每个象限的关键帧图像中最大羊水池区域的垂直径线长度,并求和获得羊水指数,提高了羊水指数测量的效率和准确性。
本申请实施例还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羊水指数测量程序,所述羊水指数测量程序可以被处理器执行,以实现上述羊水指数的测量方法。计算机可读存储介质可以是是易失性存储器(volatile memory),例如随机存取存储器(Random-Access Memory,RAM);或者非易失性存储器(non-volatile memory),例如只读存储器(Read-Only Memory,ROM),快闪存储器(flash memory),硬盘(Hard DiskDrive,HDD)或固态硬盘(Solid-State Drive,SSD);也可以是包括上述存储器之一或任意组合的各自设备,如移动电话、计算机、平板设备、个人数字助理等。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程信号处理设备的处理器以产生一个机器,使得通过计算机或其他可编程信号处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程信号处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程信号处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。
Claims (19)
1.一种羊水指数的测量方法,其特征在于,所述方法包括:
获取目标对象中每个象限分别对应的关键帧图像,其中,所述目标对象被划分为多个象限,每个所述关键帧图像中分别包含对应象限对应的最大羊水池区域;最大羊水池区域为面积最大的羊水池区域;
从每个所述关键帧图像中分别定位出最大垂直径线的位置信息;
根据每个所述最大垂直径线的位置信息分别确定最大垂直径线长度;
将每个所述最大垂直径线长度求和确定出所述目标对象的羊水指数;
所述获取目标对象中每个象限分别对应的关键帧图像,包括:
获取所述每个象限分别对应的多帧图像;
按照预设帧确定方法,从所述多帧图像中确定所述关键帧图像。
2.根据权利要求1所述的方法,其特征在于,所述获取所述每个象限对应的多帧图像之后,所述方法还包括:
显示所述多帧图像。
3.根据权利要求2所述的方法,其特征在于,所述显示所述多帧图像之后,所述方法还包括:
接收对所述多帧图像的选择指令;
根据所述选择指令从所述多帧图像中确定所述关键帧图像。
4.根据权利要求1所述的方法,其特征在于,所述按照预设帧确定方法,从所述多帧图像中确定所述关键帧图像,包括:
按照预设图像分割算法对所述多帧图像进行羊水池区域分割,获得第一分割结果;
根据所述第一分割结果,从所述多帧图像中确定所述每个象限分别对应的最大羊水池帧图像;
将所述最大羊水池帧图像确定为所述关键帧图像。
5.根据权利要求1所述的方法,其特征在于,所述按照预设帧确定方法,从所述多帧图像中确定所述关键帧图像,包括:
将所述多帧图像输入预设图像分割网络进行羊水池区域分割,获得第二分割结果;
根据所述第二分割结果,从所述多帧图像中确定所述每个象限分别对应的最大羊水池帧图像;
将所述最大羊水池帧图像确定为所述关键帧图像。
6.根据权利要求1所述的方法,其特征在于,所述按照预设帧确定方法,从所述多帧图像中确定所述关键帧图像,包括:
将所述多帧图像输入预设关键帧识别网络,获得所述多帧图像中每一帧图像对应的关键帧概率;
从所述多帧图像中确定所述每个象限分别对应的最大关键帧概率帧图像;
将所述最大关键帧概率帧图像确定为所述关键帧图像。
7.根据权利要求1所述的方法,其特征在于,所述从每个所述关键帧图像中分别定位出最大垂直径线的位置信息,包括:
从每个所述关键帧图像中分别获取所述最大羊水池区域;
从每个所述最大羊水池区域中分别定位出所述最大垂直径线的位置信息。
8.根据权利要求7所述的方法,其特征在于,所述从每个所述关键帧图像中分别获取所述最大羊水池区域,包括:
按照预设图像分割算法分别对每个所述关键帧图像进行羊水池区域分割,获得所述最大羊水池区域。
9.根据权利要求7所述的方法,其特征在于,所述从每个所述关键帧图像中分别获取所述最大羊水池区域,包括:
将每个所述关键帧图像输入预设图像分割网络进行羊水池区域分割,获得所述最大羊水池区域。
10.一种超声成像设备,其特征在于,所述超声成像设备包括:
超声探头;
发射/接收选择开关;
发射/接收序列控制器,所述发射/接收序列控制器通过所述发射/接收选择开关激励所述超声探头向目标对象发射超声波,控制所述超声探头接收从所述目标对象返回的超声回波;
处理器,所述处理器用于执行以下步骤:
通过所述超声探头获取所述目标对象中每个象限分别对应的关键帧图像;其中,所述目标对象被划分为多个象限,每个所述关键帧图像中分别包含对应象限对应的最大羊水池区域;最大羊水池区域为面积最大的羊水池区域;从每个所述关键帧图像中分别定位出最大垂直径线位置的位置信息;根据每个所述最大垂直径线的位置信息分别确定最大垂直径线长度;将每个所述最大垂直径线长度求和确定出所述目标对象对应的羊水指数;
所述获取目标对象中每个象限分别对应的关键帧图像,包括:
获取所述每个象限分别对应的多帧图像;
按照预设帧确定方法,从所述多帧图像中确定所述关键帧图像;
显示器,所述显示器用于显示每个所述关键帧图像。
11.根据权利要求10所述的超声成像设备,其特征在于,
所述显示器,还用于显示所述多帧图像。
12.根据权利要求11所述的超声成像设备,其特征在于,
所述处理器在所述显示器显示所述多帧图像之后,还用于接收对所述多帧图像的选择指令;根据所述选择指令从所述多帧图像中确定所述关键帧图像。
13.根据权利要求10所述的超声成像设备,其特征在于,
所述处理器,具体用于按照预设图像分割算法对所述多帧图像进行羊水池区域分割,获得第一分割结果;根据所述第一分割结果,从所述多帧图像中确定所述每个象限中分别对应的最大羊水池帧图像;将所述最大羊水池帧图像确定为所述关键帧图像。
14.根据权利要求10所述的超声成像设备,其特征在于,
所述处理器,具体用于将所述多帧图像中的每一帧图像输入预设图像分割网络进行羊水池区域分割,获得第二分割结果;根据所述第二分割结果,从所述多帧图像序列中确定所述每个象限中分别对应的最大羊水池帧图像;将所述最大羊水池帧图像确定为所述关键帧图像。
15.根据权利要求10所述的超声成像设备,其特征在于,
所述处理器,具体用于将所述多帧图像输入预设关键帧识别网络,获得所述多帧图像中每一帧图像对应的关键帧概率;从所述多帧图像中确定所述每个象限分别对应的最大关键帧概率帧图像;将所述最大关键帧概率帧图像确定为所述关键帧图像。
16.根据权利要求10所述的超声成像设备,其特征在于,
所述处理器,具体用于从每个所述关键帧图像中分别获取所述最大羊水池区域;从每个所述最大羊水池区域中分别定位出所述最大垂直径线的位置信息。
17.根据权利要求16所述的超声成像设备,其特征在于,
所述处理器,具体用于按照预设图像分割算法分别对每个所述关键帧图像进行羊水池区域分割,获得所述最大羊水池区域。
18.根据权利要求16所述的超声成像设备,其特征在于,
所述处理器,具体用于将所述关键帧图像输入预设图像分割网络进行羊水池区域分割,获得所述最大羊水池区域。
19.一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存储有羊水指数测量程序,所述羊水指数测量程序可以被处理器执行,以实现权利要求1-9任一项所述的羊水指数的测量方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311508064.8A CN117635545A (zh) | 2018-12-14 | 2018-12-14 | 一种羊水指数的测量方法、超声成像设备及存储介质 |
CN201811532805.5A CN109636843B (zh) | 2018-12-14 | 2018-12-14 | 一种羊水指数的测量方法、超声成像设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811532805.5A CN109636843B (zh) | 2018-12-14 | 2018-12-14 | 一种羊水指数的测量方法、超声成像设备及存储介质 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311508064.8A Division CN117635545A (zh) | 2018-12-14 | 2018-12-14 | 一种羊水指数的测量方法、超声成像设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109636843A CN109636843A (zh) | 2019-04-16 |
CN109636843B true CN109636843B (zh) | 2023-12-01 |
Family
ID=66074088
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311508064.8A Pending CN117635545A (zh) | 2018-12-14 | 2018-12-14 | 一种羊水指数的测量方法、超声成像设备及存储介质 |
CN201811532805.5A Active CN109636843B (zh) | 2018-12-14 | 2018-12-14 | 一种羊水指数的测量方法、超声成像设备及存储介质 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311508064.8A Pending CN117635545A (zh) | 2018-12-14 | 2018-12-14 | 一种羊水指数的测量方法、超声成像设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN117635545A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210114281A (ko) * | 2020-03-10 | 2021-09-23 | 삼성메디슨 주식회사 | 초음파 영상 장치, 그 제어 방법, 및 컴퓨터 프로그램 |
CN112426170A (zh) * | 2020-11-19 | 2021-03-02 | 深圳开立生物医疗科技股份有限公司 | 一种胎盘厚度确定方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006026605A2 (en) * | 2002-06-07 | 2006-03-09 | Diagnostic Ultrasound Corporation | Systems and methods for quantification and classification of fluids in human cavities in ultrasound images |
CN107518920A (zh) * | 2017-09-30 | 2017-12-29 | 深圳开立生物医疗科技股份有限公司 | 超声波图像处理方法及装置、超声诊断装置及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7744534B2 (en) * | 2002-06-07 | 2010-06-29 | Verathon Inc. | 3D ultrasound-based instrument for non-invasive measurement of amniotic fluid volume |
US7041059B2 (en) * | 2002-08-02 | 2006-05-09 | Diagnostic Ultrasound Corporation | 3D ultrasound-based instrument for non-invasive measurement of amniotic fluid volume |
US20160081663A1 (en) * | 2014-09-18 | 2016-03-24 | General Electric Company | Method and system for automated detection and measurement of a target structure |
-
2018
- 2018-12-14 CN CN202311508064.8A patent/CN117635545A/zh active Pending
- 2018-12-14 CN CN201811532805.5A patent/CN109636843B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006026605A2 (en) * | 2002-06-07 | 2006-03-09 | Diagnostic Ultrasound Corporation | Systems and methods for quantification and classification of fluids in human cavities in ultrasound images |
CN107518920A (zh) * | 2017-09-30 | 2017-12-29 | 深圳开立生物医疗科技股份有限公司 | 超声波图像处理方法及装置、超声诊断装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109636843A (zh) | 2019-04-16 |
CN117635545A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11229419B2 (en) | Method for processing 3D image data and 3D ultrasonic imaging method and system | |
CN110570350A (zh) | 一种二维卵泡检测方法、装置和超声设备及可读存储介质 | |
JPWO2016194161A1 (ja) | 超音波診断装置、及び画像処理方法 | |
CN110974306B (zh) | 一种超声内镜下识别和定位胰腺神经内分泌肿瘤的系统 | |
CN112672691B (zh) | 一种超声成像方法及设备 | |
CN107518920B (zh) | 超声波图像处理方法及装置、超声诊断装置及存储介质 | |
CN111374708B (zh) | 一种胎儿心率检测方法及超声成像装置、存储介质 | |
CN109636843B (zh) | 一种羊水指数的测量方法、超声成像设备及存储介质 | |
CN104732520A (zh) | 一种胸部数字影像的心胸比测量算法及系统 | |
CN113781477A (zh) | 基于人工智能的结石图像识别方法、装置及设备 | |
CN112568933B (zh) | 超声成像方法、设备和存储介质 | |
CN110738702B (zh) | 一种三维超声图像的处理方法、装置、设备及存储介质 | |
CN110738633B (zh) | 一种机体组织的三维图像处理方法及相关设备 | |
WO2020215485A1 (zh) | 胎儿生长参数测量方法、系统及超声设备 | |
CN110163907B (zh) | 胎儿颈部透明层厚度测量方法、设备及存储介质 | |
CN113116390A (zh) | 超声图像的检测方法及超声影像设备 | |
KR101656582B1 (ko) | 갑상선암 자동 판별 방법 및 시스템 | |
US20220249060A1 (en) | Method for processing 3d image data and 3d ultrasonic imaging method and system | |
CN112426170A (zh) | 一种胎盘厚度确定方法、装置、设备及存储介质 | |
CN115813433A (zh) | 基于二维超声成像的卵泡测量方法和超声成像系统 | |
CN114360695A (zh) | 乳腺超声扫查分析辅助系统、介质及设备 | |
CN113229850A (zh) | 超声盆底成像方法和超声成像系统 | |
CN109949262B (zh) | 图像处理装置及图像处理方法 | |
CN112932542B (zh) | 一种血管内中膜厚度的测量方法、系统和超声成像设备 | |
WO2021128230A1 (zh) | 基于深度学习的医学图像处理方法、系统以及计算机设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |