CN111383323A - 一种超声成像方法和系统以及超声图像处理方法和系统 - Google Patents
一种超声成像方法和系统以及超声图像处理方法和系统 Download PDFInfo
- Publication number
- CN111383323A CN111383323A CN201811641852.3A CN201811641852A CN111383323A CN 111383323 A CN111383323 A CN 111383323A CN 201811641852 A CN201811641852 A CN 201811641852A CN 111383323 A CN111383323 A CN 111383323A
- Authority
- CN
- China
- Prior art keywords
- endometrium
- volume data
- dimensional
- image
- target
- 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.)
- Granted
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 159
- 238000003672 processing method Methods 0.000 title abstract description 16
- 210000004696 endometrium Anatomy 0.000 claims abstract description 411
- 238000002604 ultrasonography Methods 0.000 claims abstract description 120
- 238000012545 processing Methods 0.000 claims abstract description 43
- 210000003484 anatomy Anatomy 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims description 128
- 238000012285 ultrasound imaging Methods 0.000 claims description 63
- 230000002357 endometrial effect Effects 0.000 claims description 46
- 239000000523 sample Substances 0.000 claims description 32
- 230000000877 morphologic effect Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000012805 post-processing Methods 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 230000001965 increasing effect Effects 0.000 claims description 11
- 238000002592 echocardiography Methods 0.000 claims description 10
- 230000003247 decreasing effect Effects 0.000 claims description 7
- 210000001519 tissue Anatomy 0.000 description 47
- 230000000694 effects Effects 0.000 description 28
- 230000008569 process Effects 0.000 description 22
- 238000013135 deep learning Methods 0.000 description 21
- 238000000605 extraction Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 238000005457 optimization Methods 0.000 description 12
- 230000011218 segmentation Effects 0.000 description 10
- 210000004291 uterus Anatomy 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 238000009877 rendering Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 241000270295 Serpentes Species 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- MXWJVTOOROXGIU-UHFFFAOYSA-N atrazine Chemical compound CCNC1=NC(Cl)=NC(NC(C)C)=N1 MXWJVTOOROXGIU-UHFFFAOYSA-N 0.000 description 1
- 210000002469 basement membrane Anatomy 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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]
-
- 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
- G06T2207/10136—3D ultrasound image
Abstract
本发明实施例公开了一种超声成像方法，包括：发射超声波至待检测对象的子宫区域；接收从待检测对象的子宫区域返回的超声回波，并基于超声回波获取超声回波信号；对超声回波信号进行处理，得到待检测对象的子宫区域的三维体数据；根据子宫区域的关键解剖结构的图像特征，获取子宫内膜在三维体数据中的位置信息；基于子宫内膜的位置信息，对基于三维体数据进行的子宫内膜的成像进行优化，得到子宫内膜的目标超声图像；以及显示目标超声图像。本发明的实施例同时还公开了一种超声成像系统、超声图像处理方法以及超声图像处理系统。
Description
技术领域
本发明涉及超声成像技术领域，尤其涉及一种超声成像方法和系统以及一种超声图像处理方法和系统。
背景技术
超声技术因其高可靠性、快速便捷、实时成像及可重复检查等优点，已经成为应用广泛且使用频率最高的检查手段。并且，人工智能辅助技术的发展也推动了超声技术在临床诊疗中的应用，尤其妇科超声技术在超声诊断中相对重要并且广泛应用。其中，子宫及其附件的超声检查可以为很多妇科疾病的诊断和治疗提供重要指导。例如，三维超声可以呈现子宫的冠状切面声像图(如图8所示)，清晰显示子宫内膜是否发生病变及形态是否完整，这对子宫相关妇科疾病的诊断具有重要意义。
但是，由于三维超声的成像效果会受成像过程参数的影响；且，不同器官和不同病人需要调整的成像过程参数也不同。因此，目前的三维子宫内膜成像存在子宫内膜和基层区域对比不够明显、内膜边界不清楚、子宫基层纹理过强或灰度信息不够丰富等问题。为了避免上述问题的出现保证子宫内膜优质的成像效果，往往需要医生对解剖结构、三维超声调节以及相关参数的意义有深入的理解，这极大地依赖医生有足够的临床经验，且会消耗临床检查时间和降低医生工作效率。
发明内容
本发明的第一方面，提供一种超声成像方法，该方法包括：
控制超声探头发射超声波至待检测对象的子宫区域进行体扫描；
控制所述超声探头接收从所述待检测对象的子宫区域返回的超声回波，以及基于所述超声回波获取超声回波信号；
对所述超声回波信号进行处理，得到所述待检测对象的子宫区域的三维体数据；
根据子宫区域的关键解剖结构的图像特征，确定子宫内膜在所述三维体数据中的位置信息，其中，所述关键解剖结构包括子宫内膜和/或子宫内膜相关结构；
根据所述子宫内膜的位置信息，对基于所述三维体数据进行的子宫内膜的成像进行优化，以得到子宫内膜的目标超声图像；
以及显示所述子宫内膜的目标超声图像。
本发明的第二方面，提供一种超声图像处理方法，所述方法包括：
获取待检测对象的第一立体超声图像数据；
获取感兴趣子对象在所述第一立体超声图像数据中的位置信息；其中，所述待检测对象中包括所述感兴趣子对象；以及
基于所述位置信息，对所述第一立体超声图像数据的与所述感兴趣子对象中的子宫内膜对应的第一区域的图像数据进行处理，得到目标超声图像并显示。
本发明的第三方面，提供一种超声图像处理系统，所述系统至少包括：第一存储器、第一通信总线、第一处理器，其中：
所述存储器，配置为存储超声图像处理程序；
所述通信总线，配置为实现处理器和存储器之间的连接通信；
所述处理器，用于执行存储器中存储的超声图像处理程序，以实现上述所述的超声图像处理方法。
本发明的第四方面，提供一种超声成像系统，所述超声成像系统包括：
超声探头，用于向待检测对象的子宫区域发射超声波，接收从所述待检测对象的子宫区域返回的基于所述超声波的超声回波，并基于所述超声回波获取超声回波信号；
发射接收序列控制模块，用于向所述超声探头输出发射/接收序列，控制所述超声探头发射所述超声波和接收所述超声波的超声回波；
存储器，用于存储程序；
处理器，用于对所述超声回波信号进行处理，得到所述待检测对象的感兴趣区域的三维体数据，以及用于通过执行所述存储器存储的程序以实现上述所述的超声成像方法；所述感兴趣区域包括含子宫内膜的子宫区域；
显示模块，用于显示经所述处理器处理后得到的目标超声图像。
本发明的第五方面，提供一种计算机存储介质，所述计算机存储介质中存储有程序，所述程序被处理器执行时实现上述所述的超声成像方法或上述超声图像处理方法。
本发明的实施例所提供的超声成像方法和系统以及超声图像处理方法和系统，在获取子宫内膜在三维体数据中的位置信息后，可以根据子宫内膜的位置信息对子宫内膜的成像过程进行自动优化调整，降低了对操作者临床经验的需求，可缩短临床的检查时间，且提高工作效率。
附图说明
图1为本发明实施例提供的一种超声成像方法的流程示意图；
图2为本发明实施例提供的另一种超声成像方法的流程示意图；
图3为本发明实施例提供的又一种超声成像方法的流程示意图；
图4为本发明另一实施例提供的一种超声图像处理方法的流程示意图；
图5为本发明另一实施例提供的另一种超声图像处理方法的流程示意图；
图6为本发明实施例提供的一种超声图像处理系统的结构示意图；
图7为本发明实施例提供的另一种超声成像系统的结构示意图；
图8为一示例性的子宫内膜的冠状切面图像；
图9为一示例性的优化前后的子宫内膜的VR图像；
图10为一示例性的优化前后的子宫内膜的SCV+CMPR图像。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对发明的具体技术方案做进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。
本发明根据子宫内膜的图像特征，从子宫区域的三维体数据中识别出子宫内膜，从而可确定子宫内膜在三维体数据中的位置信息。根据该位置信息，在基于三维体数据进行子宫内膜成像时，本发明可对子宫内膜的成像进行优化，例如但不限于可对子宫内膜进行增强，使最终获得的目标超声图像能够更好地展示子宫内膜的图像信息。
在本发明的一种实施例中，提供了一种超声图像处理系统5，该图像处理系统5可以对获取的超声图像数据进行优化处理，使得优化处理后的超声图像具有改进的成像效果，例如感兴趣子对象的成像得到增强。本发明中，可利用超声图像处理系统5对包含有子宫内膜的超声图像数据进行优化，并最终增强子宫内膜的成像效果。
超声图像处理系统5例如可从超声成像系统获取立体超声图像数据，立体超声图像数据也可称为三维体数据。超声图像处理系统5可进一步获取感兴趣子对象在立体超声图像数据中的位置信息，随后基于该位置信息，对感兴趣子对象、或感兴趣子对象对应的其他目标对象的成像效果进行优化。例如，感兴趣子对象可包括子宫内膜，超声图像处理系统可针对子宫内膜，优化子宫内膜所对应的目标区域的成像效果，得到成像效果增强的目标超声图像。
在一些实施例中，超声图像处理系统5可包括第一存储器61、通信总线62和第一处理器63。第一存储器61可配置为存储超声图像处理程序。通信总线62可配置为实现第一处理器63和第一存储器61之间的连接通信。第一处理器63可用于执行第一存储器中存储的超声图像处理程序，从而对超声图像处理系统所获取的立体超声图像数据进行针对性优化。
该超声图像处理系统例如可以是超声成像系统的图像处理模块，例如也可以是独立于超声成像系统的图像处理工作站。后续将结合具体的方法流程，描述本发明的超声图像处理系统如何实现成像效果优化，尤其是子宫内膜的成像增强。
在本发明的一种实施例中，提供了一种超声成像系统，请参考图7，超声成像系统包括超声探头71、发射电路72、接收电路73、波束合成电路、第二处理器74和显示器75。其中，发射电路72可以激励超声探头71向待检测对象发射超声波；接收电路73可以通过超声探头71接收从待检测对象返回的超声回波，从而获得超声回波信号/数据；该超声回波信号/数据经过波束合成电路进行波束合成处理后，送入第二处理器74。第二处理器74对该超声回波信号/数据进行处理，以获得待检测对象的三维体数据，并基于该三维体数据获得超声图像。第二处理器74获得的超声图像可以存储于第二存储器中。这些超声图像也可以在显示器75上显示。
在本实施例中，发射电路72用于控制超声探头71向待检测对象的感兴趣区域(例如，子宫区域)发射超声波以进行体扫描，接收电路73用于控制超声探头71接收由待检测对象(例如，子宫区域)返回的超声回波。第二处理器74用于对超声回波信号进行处理以得到待检测对象的三维体数据(也称为立体超声图像数据)，获取感兴趣区域中感兴趣子对象在三维体数据中的位置信息，并基于该位置信息，对感兴趣子对象对应的区域的图像数据进行优化，以得到感兴趣子对象增强的目标超声图像。例如，感兴趣区域可以为子宫区域，感兴趣子对象可以为子宫内膜，第二处理器74可增强子宫内膜的成像效果。后续结合具体方法步骤对超声成像系统如何优化成像效果进行详细说明。
本发明的一实施例提供一种超声成像方法，参照图1所示，该方法包括以下步骤：
步骤101、发射超声波至待检测对象的子宫区域，对待检测对象的子宫区域进行体扫描。
其中，步骤101发射超声波至待检测对象的子宫区域可以由超声成像系统的超声探头来实现。发射该超声波的时候需要将该超声波发射至待检测对象的内部，在一种可行的实现方式中，可以是将超声探头放置在待检测对象体表对应子宫区域的位置，在另一种可行的实现方式中，也可以是通过腔内超声扫描的方式使超声探头的扫描区域覆盖子宫区域，然后通过超声探头发射超声波，进而实现将超声波发射至待检测对象的子宫区域的内部。待检测对象可以为人体器官或人体组织结构等包含子宫区域的对象，这里的子宫区域为包含全部或部分子宫、或包含全部或部分子宫和子宫附件的区域。
步骤102、接收从待检测对象的子宫区域返回的超声回波，并基于超声回波获取超声回波信号。
在本发明实施例中，步骤102接收从待检测对象的子宫区域返回的超声回波，并基于超声回波获取超声回波信号可以由超声成像系统的超声探头来实现；其中，超声波的超声回波，可以是待检测对象的子宫区域接收到超声波后反射回来的信号；超声回波信号是对反射回来的超声回波进行处理后得到的。
步骤103、对超声回波信号进行处理，得到待检测对象的子宫区域的三维体数据。
其中，步骤103对超声回波信号进行处理，得到待检测对象的子宫区域的三维体数据可以由超声成像系统的第二处理器来实现；三维体数据可以指的是待检测对象的子宫区域的三维立体超声图像数据；在一种可行的实现方式中，三维体数据可以是通过对超声回波信号进行波束合成得到射频信号，之后对该射频信号进行信号处理和三维重建后得到该三维体数据。
步骤104、根据子宫区域的关键解剖结构的图像特征，确定子宫内膜在三维体数据中的位置信息。关键解剖结构包括子宫内膜和/或子宫内膜相关结构，子宫内膜相关结构例如指的是可以用来对子宫内膜进行间接定位的其他解剖结构，例如子宫基层组织。即，本发明的该实施例不仅可直接通过识别子宫内膜以得到子宫内膜的位置信息，还可以通过识别其他与子宫内膜相关的结构，间接得到子宫内膜的位置信息。
其中，步骤104根据子宫区域的关键解剖结构的图像特征，获取子宫内膜在三维体数据中的位置信息可以由超声成像系统的第二处理器自动来实现。这里的自动是相对于用户手动确定子宫内膜位置而言。
为确定子宫内膜在三维体数据中的位置，在获取到子宫区域的三维体数据后，可以通过识别子宫区域哪些解剖结构与待确定的子宫内膜相关，将这些相关的解剖结构作为待识别的关键解剖结构，确定关键解剖结构在三维体数据中的位置，进一步依据关键解剖结构与子宫内膜的关系，得到子宫内膜在三维体数据中的位置信息。例如关键解剖结构可以为子宫内膜本身，通过对子宫区域的子宫内膜的图像特征的分析，得到子宫内膜在三维体数据中的位置。需注意的是，关键解剖结构包括但不限于子宫内膜本身；例如还包括可辅助对子宫内膜定位的子宫基层组织。
在本发明的一些实施例中，子宫内膜与子宫基层组织对超声波的反射能力不同，对应得到的超声回波信号的灰度特征存在差异，因此超声成像系统可以根据子宫区域的子宫内膜与子宫基层组织的图像特征的差异，从子宫区域的三维体数据中识别出子宫内膜。例如，超声成像系统可以根据子宫内膜与子宫基层组织的灰度值的差异，确定子宫内膜与子宫基层组织的边界，从而在子宫区域的三维体数据中识别出子宫内膜。
在本发明的一些实施例中，随着女性生理周期的变化，子宫内膜的形态也呈现周期性变化，因此超声成像系统可以根据子宫区域的子宫内膜的可周期性变化的形态特征，从子宫区域的三维体数据中识别出子宫内膜，得到子宫内膜的位置信息。超声成像系统可基于子宫内膜在生理周期不同时期的形态特征，从子宫区域的三维体数据中识别出子宫内膜。这里的形态特征可指子宫内膜的形状。
除上述根据子宫内膜和/或子宫内膜相关结构的图像特征，通过第二处理器确定子宫内膜的位置信息外，超声成像系统也可获取用户提供的子宫内膜的位置信息。例如，用户可以通过键盘、鼠标等工具，在特定的解剖结构上点点、画线等，来指定关键解剖结构的类型和位置。超声成像系统获取用户提供的这些关键解剖结构的类型和位置，并基于关键解剖结构与子宫内膜的关系，进一步得到子宫内膜的位置信息。
在本发明实施例中，自动识别关键解剖结构的方法分为两种情况：一种是直接在三维体数据中确定子宫内膜的空间位置；另一种是在三维体数据的切面中检测子宫内膜，根据切面位置在三维体数据中的位置以及子宫内膜在切面中的位置，确定子宫内膜在三维体数据中的位置。其中，子宫内膜等关键解剖结构位置的表达方式可以是用一个感兴趣(ROI，region of interest)框把解剖位置包住，也可以是精确分割出解剖结构的边界，还可以用一个或多个点辅助表达，自动识别三维体数据中子宫内膜这个关键解剖结构的方法有很多，本发明实施例不作限制。超声成像系统可采用以上两种方式，确定子宫内膜在三维体数据中的位置信息。这两种方式仅用于举例说明，并不用以对本发明构成任何限制。
在一种实施例中，超声成像系统(第二处理器)可直接从三维体数据中自动识别出子宫内膜，并确定子宫内膜在三维体数据中的位置信息。自动识别可以基于灰度法和/或形态学等特征检测方法实现，自动识别也可基于机器学习或深度学习的方法实现。基于机器学习或深度学习的方法直接从三维体数据中识别子宫内膜时，可以精确分割出子宫内膜的目标区域。
在子宫区域的三维体数据中，子宫内膜的回声和周围组织(子宫基层组织)的回声存在明显差异；同时随着女性生理周期的变化，子宫内膜的形态也呈周期性变化，子宫内膜的超声图像对应也将呈现周期性变化。基于以上两方面的图像特征，可以采用灰度法和/或形态学法等特征检测方法，实现对子宫内膜作为关键解剖结构的检测。
例如，可对子宫区域的三维体数据进行预设特征提取，得到至少一个候选感兴趣区域以及每一候选感兴趣区域的特征。然后，基于每一候选感兴趣区域的特征，采用预设特征检测算法对三维体数据中的每一候选感兴趣区域进行特征匹配，识别出对应于子宫内膜的目标区域，并根据目标区域在三维体数据中的位置得到子宫内膜在三维体数据中的位置信息。
例如，预设特征可以为形态学特征，可以通过对子宫区域的三维体数据进行二值化分割，对三维体数据进行预设特征提取。二值化分割可以将三维体数据区分为前景部分和背景部分，以得到至少一个候选感兴趣区域。一些实施例中，对二值化分割的结果可进行进一步的形态学操作，例如膨胀处理以扩大目标边缘，例如腐蚀处理以缩小目标边缘，从而得到至少一个候选感兴趣区域。对每一个候选感兴趣区域进行特征提取，所提取的特征例如形状特征、边界特征、纹理特征、灰度分布特征等等。后续将基于特征匹配，判断各个候选感兴趣区域是否为子宫内膜的目标区域。
为实现对候选感兴趣区域的特征匹配，本发明的超声成像系统采用预设特征算法，将至少一个候选感兴趣区域与预设模板区域进行特征匹配。可获取已识别出子宫内膜的子宫区域的三维模板数据，根据该三维模板数据获得子宫内膜的预设模板区域。对该预设模板区域进行与候选感兴趣区域相同的特征提取，然后对候选感兴趣区域和预设模板区域提取出的特征进行特征匹配，以识别出对应于子宫内膜的目标区域。
进行特征匹配时，可以将概率最高，即匹配度最高的一个候选感兴趣区域作为子宫内膜的目标区域。例如，进行特征匹配时，可以计算候选感兴趣区域和预设模板区域的特征的相关度，将相关度最高且相关度超过预设阈值的候选感兴趣区域作为子宫内膜的目标区域。在一些示例中，例如预设阈值可以为90％，本发明对预设阈值的大小并不做限制。在一些示例中，除计算相关度外，也可基于其他计算方法进行特征匹配。
除上述基于形态学特征来获取子宫内膜的目标区域的方法外，也可采用其他的基于灰度法和/或形态学法的方法来获得子宫内膜在三维体数据中的位置信息，例如大津阈值(OTSU)、水平集(LevelSet)、图割(Graph Cut)、Snake等实现对子宫内膜的目标区域的分割，本发明实施例不作限制。
在另一实施例中，可通过机器学习或深度学习的方法，在三维体数据中检测或精确分割出关键解剖结构，并据此确定子宫内膜在三维体数据中的位置信息。采用机器学习或深度学习的方法时，先通过一系列训练样本对超声成像系统进行训练，然后基于训练学习到的特征，对子宫区域的三维体数据进行分类和回归，得到子宫内膜在三维体数据中的位置信息。
在该实施例中，首先获取数据库，数据库包括已识别出子宫内膜的子宫区域的三维正样本数据、以及子宫内膜在该三维正样本数据中的标定信息；然后，基于数据库中子宫内膜的标定信息，采用预设机器学习算法对三维体数据中包括的子宫内膜进行定位，得到子宫内膜在三维体数据中的位置信息。
例如，一种目标区域的定位和识别的方法可以是采用机器学习或深度学习的方法在三维体数据中检测或精确分割出关键解剖结构(例如，子宫内膜)。例如，可首先学习数据库中区别目标区域(正样本：子宫内膜区域)和非目标区域(负样本：背景区域)的特征或规律，再根据学习到的特征或规律对其他图像的关键解剖结构进行定位和识别。
该数据库可预先构建完成，在需要对子宫内膜进行识别时，超声成像系统调用已预先构建的数据库完成目标定位和识别。该数据库包括多份样本数据，例如已识别出子宫内膜的子宫区域的三维正样本数据，例如已确定不包括子宫内膜的子宫区域的三维负样本数据。该数据库还包括子宫内膜在三维正样本数据中的标定信息。具体的标定结果可以根据具体的任务需求来设定，可以是包含目标的ROI框，也可以是对子宫内膜进行精确分割的掩膜。
在一种实施方式中，超声成像系统获取至少两个待训练对象的三维训练体数据，三维训练体数据至少包括已识别出子宫内膜的子宫区域的三维正样本数据，而且三维训练体数据中已标定出子宫内膜或子宫内膜的关联解剖结构，作为子宫内膜在该三维训练体数据中的标定信息。随后，基于三维训练体数据和子宫内膜的标定信息，采用机器学习或深度学习的方法进行学习训练，训练完成后可基于学习到的特征或规律，对体数据中包括的感兴趣区域，例如子宫内膜的目标区域，进行识别和定位。
可选的，深度学习或机器学习的方法包括：基于滑窗的方法、基于深度学习的Bounding-Box方法、基于深度学习的端到端的语义分割网络方法和采用上述方法标定子宫内膜的目标区域，并根据标定结果设计分类器对感兴趣区域进行分类判断，具体的根据实际情况进行选择，本申请实施例不做具体的限定。
例如，基于滑窗的方法可以为：首先对滑窗内的区域进行特征提取，特征提取方法可以是主成分分析(principal components analysis，PCA)、线性判别分析(LinearDiscriminant Analysis，LDA)、Harr特征、纹理特征等，也可以采用深度神经网络来进行特征提取，然后将提取到的特征和数据库进行匹配，用k最邻近分类算法(k-NearestNeighbor，KNN)、支持向量机(Support Vector Machine，SVM)、随机森林、神经网络等判别器进行分类，确定当前滑窗是否为子宫内膜的目标区域同时获取其相应类别。
例如，基于深度学习的Bounding-Box方法可以为：通过堆叠基层卷积层和全连接层来对构建的数据库进行特征的学习和参数的回归，对于输入的三维体数据，可以通过网络直接回归出对应的子宫内膜的目标区域的Bounding-Box，同时获取其子宫内膜的目标区域内组织结构的类别，常见的网络有区域卷积神经网络(Region-Convolutional NeuralNetwork，R-CNN)、快速区域卷积神经网络(Fast R-CNN)、Faster-RCNN、SSD(single shotmultibox detector)、YOLO等。
例如，基于深度学习的端到端的语义分割网络方法可以为：通过堆叠基层卷积层、上采样或者反卷积层中的任一种来对构建的数据库进行特征的学习和参数的回归，对于输入数据，可以通过网络直接回归出对应的子宫内膜的目标区域的Bounding-Box，其中，加入上采样或者反卷积层中的任一种来使得输入与输出的尺寸相同，从而直接得到输入数据的子宫内膜的目标区域及其相应类别，常见的网络有FCN、U-Net、Mask R-CNN等。
例如，也可以采用上述三种方法先标定子宫内膜的目标区域，然后根据标定结果设计分类器对子宫内膜的目标区域进行分类判断中，进行分类判断的方法为：首先对目标ROI或Mask进行特征提取，特征提取方法可以是PCA、LDA、Haar特征、纹理特征等，也可以采用深度神经网络来进行特征提取，然后将提取到的特征和数据库进行匹配，用KNN、SVM、随机森林、神经网络等判别器进行分类。
通过上述灰度法和/或形态学法得到子宫区域的目标区域在三维体数据中的位置后，可基于该目标区域的位置得到子宫内膜在三维体数据中的位置信息。通过上述机器学习方法、和/或深度学习的方法可直接得到子宫内膜在三维体数据中的位置信息。该自动识别子宫内膜的位置信息的步骤可以避免用户反复旋转三维体数据来定位子宫内膜的繁琐操作，极大地提高用户操作效率。同时，基于子宫内膜的图像特征进行的自动识别，也可以在很大程度上提高子宫内膜定位的准确性。
在一种实施例中，本发明的超声成像系统可基于剖面检测，确定子宫内膜在子宫区域的三维体数据中的位置。例如，可先从子宫区域的三维体数据中提取出一系列剖面图像数据，然后基于剖面图像数据检测子宫内膜在剖面中的位置，进而确定子宫内膜在三维体数据中的位置信息。
示例性的，用户在采集子宫区域的三维体数据时，通常是以矢状面作为起始切面来扫查子宫区域，得到对应的三维体数据。一种基于剖面检测子宫内膜的方法可以包括如下步骤：首先在三维体数据的矢状面(A面)图像数据中，自动识别出包括有子宫内膜的矢状面图像数据；在该矢状面图像数据上确定子宫内膜的中心点；在该中心点出，获取与矢状面正交的横切面(B面)的图像数据，即横切面图像数据，并在横切面图像数据中自动检测和识别包括有子宫内膜的横切面图像数据；最后根据子宫内膜在横切面和矢状面两个正交平面中的位置，确定子宫内膜在三维体数据中的位置信息。该方法虽然没有包括全部的子宫内膜的目标区域，但可以近似表达子宫内膜在三维体数据中的位置。在矢状面图像数据和横切面图像数据中自动识别子宫内膜的方法，可以基于前述灰度法、和/或形态学法、和/或机器学习、和/或深度学习的方法，在此不再重复叙述。
在本发明实施例中，无论是基于三维体数据直接检测到子宫内膜空间位置，还是在剖面图像数据中检测到子宫内膜的位置，其目的都是获取子宫内膜在三维体数据中的位置，将其作为后续优化成像效果的依据。
步骤105、根据子宫内膜的位置信息，对基于三维体数据进行的子宫内膜的成像进行优化，以得到子宫内膜的目标超声图像。可以理解的是，如图8所示，子宫内膜的目标超声图像不仅包括子宫内膜的图像部分，也包括部分周围组织的图像部分，但子宫内膜的目标超声图像主要用于表征子宫内膜。
其中，步骤105可以由超声成像系统的第二处理器来实现。在得到子宫内膜的位置信息后，可以针对性地对子宫内膜的目标区域进行增强，即对子宫内膜的目标区域的成像效果进行优化。本发明可包括但不受限于，根据子宫内膜的位置信息，对子宫区域的三维体数据、对基于三维体数据成像的成像参数、和/或对基于三维体数据成像的图像的后处理参数进行调节，从而优化子宫内膜的成像效果。
在一种实施例中，为增强子宫内膜的成像效果，将子宫内膜作为感兴趣对象，非子宫内膜结构则为背景区域、需要弱化处理。本实施例中，非子宫内膜结构包括但不限于子宫基层组织。在识别出子宫内膜或子宫内膜相关结构等关键解剖结构后，即可知道子宫内膜在三维体数据中的位置，子宫内膜的目标区域为用户感兴趣区域，非子宫内膜结构的其他区域，例如子宫基层组织或背景噪声对应的区域，则为需要弱化的背景区域。
一种实施方式中，可以根据子宫内膜和/或非子宫内膜结构对应的体数据的灰度特征，对子宫区域的三维体数据进行调整，然后基于该调整后的三维体数据进行子宫内膜成像(如VR成像、CMPR成像、标准切面成像等)，因三维体数据已经根据子宫内膜和/或非子宫内膜结构的灰度特征进行了适应性调整，此时再进行子宫内膜成像得到的目标超声图像中，子宫内膜的显示得到增强。
例如，可以基于子宫内膜的位置信息，在子宫区域的三维体数据中分别获取与子宫内膜对应的三维目标体数据、以及与非子宫内膜结构对应的三维背景体数据。非子宫内膜结构可包括子宫基层组织，非子宫内膜结构对应的三维背景体数据可包括与子宫基层组织对应的三维基层体数据。可以根据子宫内膜的空间位置，压低非子宫内膜结构的灰度值，和/或提高子宫内膜结构本身的灰度值。例如，可以增大子宫内膜对应的三维目标体数据的灰度值为第一灰度值，和/或，减小非子宫内膜结构(例如子宫基层组织)对应的三维背景体数据的灰度值为第二灰度值，从而可以抑制噪声并提升子宫内膜的组织信号，自适应地提高渲染图像的对比度。其中第一灰度值大于第二灰度值。
例如，也可以根据子宫内膜或其周边组织的灰度分布特性，来整体调节子宫区域的三维体数据的灰度值，例如灰度值整体增大或整体减小，使得三维体数据的灰度值，尤其是子宫内膜对应的三维目标体数据的灰度值，符合第一目标图像参数。这里的“第一目标图像参数”表示子宫内膜的一灰度值区间或特定灰度值，可根据用户需求设定，也可根据不同的成像模式设定。
在一种实施例中，可以根据子宫内膜的位置，对基于三维体数据成像过程的成像参数进行自适应调整。这里的成像参数例如但不限于整体增益、阈值(例如3D渲染阈值)、亮度、对比度和时间增益补偿(TGC)中的一种或多种。适用成像参数自适应调整的成像过程包括子宫内膜的VR(Volume rendering)成像、CMPR成像、剖面成像。本发明的一些实施例中，根据子宫内膜的位置，可以从子宫区域的三维体数据中对应获得子宫内膜的三维目标体数据和非子宫内膜结构的三维背景体数据，并据此确定子宫内膜的灰度值信息、以及子宫内膜和非子宫内膜结构的灰度分布。基于灰度值信息和/或灰度分布，可以对成像过程的成像参数进行调整，得到目标成像参数。后续再采用目标成像参数，基于三维体数据生成目标超声图像。此时由于目标成像参数已经根据子宫内膜的位置进行了自适应调整，所得到的目标超声图像中，子宫内膜的成像效果可以得到增强。
以阈值为例，在进行三维成像的3D渲染处理时，阈值是用于区分目标(例如子宫内膜)和背景(例如，非子宫内膜结构，特别是子宫基层组织)的灰度值。超声成像系统只会渲染大于所设定阈值的区域，将灰度值低于阈值的区域归类为背景区域或噪声区域，不会对此类区域进行渲染或者会对此类区域进行抑制。因此，3D渲染时的阈值设置对最终的成像效果有较大影响。在传统的超声成像系统中，用户通过手动设置阈值来调节成像效果。该手动设置过程通常需要用户不断尝试不同的阈值，才能使3D渲染处于最优状态，费时费力。
在本发明的一个实施例中，可以基于子宫内膜的位置信息，对阈值对应的灰度值参数进行自适应调节，得到一个能更好区分子宫内膜与周围组织的3D渲染阈值，作为目标成像参数。随后基于该自适应调节的阈值，区分子宫区域的三维体数据中哪些属于目标区域、哪些属于背景或噪声区域，并针对目标区域进行渲染，得到目标超声图像。
例如，超声成像系统可以基于子宫内膜的位置信息，从子宫区域的三维体数据中分别获取与子宫内膜对应的三维目标体数据、和与非子宫内膜结构对应的三维背景体数据，并自动统计得出子宫内膜和非子宫内膜结构的灰度值。然后，基于子宫内膜的灰度值和非子宫内膜结构的灰度值，确定调整阈值，该调整阈值后续作为基于三维体数据进行子宫内膜成像的目标成像参数。在一个实施例中，可以基于灰度值统计子宫内膜和其周围的子宫基层组织的灰度分布特征，再基于灰度分布特征对阈值进行自适应调节，以使调节后的调整阈值能够很好地区分子宫内膜与其周围组织的边界。例如可以采用直方图等方法进行自动统计，以确定子宫内膜和子宫基层组织的灰度分布特征。
图9示例了子宫内膜成像效果增强的VR图像。图9中左侧图像为优化前的VR图像，右侧图像为3D渲染阈值优化后的VR图像，右侧图像中子宫内膜与子宫基层组织的区别更明显，边界更为清晰。
以整体增益和TGC(统称为增益)为例，这两个成像参数影响体数据的信号强度。不同待检测对象、不同组织、不同成像模式下所需的最优增益可能不同。传统的超声成像系统由用户自行调节增益至合适范围，但该增益调节过程较为主观，且同样存在费时费力的问题。
在本发明的一个实施例中，可基于识别到的子宫内膜的位置信息，对增益进行自适应设置和调节，使得基于该自适应增益得到的体数据的信号强度(即，灰度值大小)符合第二目标图像参数。例如，可以基于子宫内膜的位置信息，从子宫区域的三维体数据中获取与子宫内膜对应的三维目标体数据，然后自动统计该三维目标体数据的信号强度，并计算如何将该三维目标体数据的信号强度调节到符合第二目标图像参数，该计算结果即为根据识别的子宫内膜确定的自适应增益。例如，若三维目标体数据的信号强度过大，则减小增益；反之，则增大增益。据此，可以根据采集到的子宫内膜的信号强度，对增益进行自动的自适应调节，针对性更强且操作更为简便。这里的“第二目标图像参数”可以指符合用户需求的子宫内膜的信号强度区间或特定信号强度值，可由用户手动输入设定，也可由超声成像系统预先设定。
在一种实施例中，为增强子宫内膜的成像效果，还可对基于子宫区域的三维体数据得到的图像的后处理参数进行调节。可以理解的是，基于子宫区域的三维体数据可以进行例如VR成像得到三维图像，也可进行剖面成像得到二维图像。本发明对图像的后处理参数的调节既适用于子宫内膜的二维图像，也适用于子宫内膜的三维图像。
以三维增强的3D各向异性滤波为例，通过3D各向异性滤波来达到去除斑点噪声、提高组织连续性以改善图像质量的目的；通常地，不同待检测对象、不同解剖部位所需的三维增强的程度不同。在本发明的一个实施例中，可以基于子宫内膜的位置信息，在子宫区域的三维体数据中区分出子宫内膜的目标区域和子宫基层组织区域，然后针对目标区域和子宫基层组织区域分别设置各自的后处理参数，从而能够更好地区分子宫内膜与其周围的子宫基层组织的边界。例如，可根据子宫内膜的位置信息，从子宫区域的三维体数据中提取出与子宫内膜对应的三维目标体数据、和与子宫基层组织对应的三维基层体数据，然后根据三维目标体数据和三维基层体数据的灰度值，分别调整子宫内膜的目标区域和子宫基层组织区域的图像部分的后处理参数，得到目标超声图像。例如，三维目标体数据和三维基层体数据的灰度值差异小时，对子宫内膜对应的图像部分进行图像增强后处理，对子宫基层组织对应的图像部分进行纹理抑制处理，从而增大子宫区域和子宫基层组织的灰度特征的差异度，更好地突出子宫内膜的边界，增强子宫内膜的成像效果。
以SCV+CMPR成像的SCV厚度调节为例，通过调节厚度容积成像时所取的剖面图像的厚度，对多帧图像进行叠加，可以一定程度增强子宫内膜的成像效果，同时对背景噪声有很好的抑制作用。传统的超声成像系统中由用户根据矢状面切面图像上的子宫内膜图像对厚度进行调节。这种用户手动调节的方式，受限于矢状面切面图像本身成像效果的影响，且不同病人的SCV厚度不同，调节也存在费时费力的问题。
在本发明的一个实施例中，可以根据子宫内膜在三维体数据中的位置信息，自适应地确定子宫内膜的SCV厚度(厚度信息)，使得厚度容积成像的对象尽量覆盖完整的子宫内膜。
例如，超声成像系统可基于子宫内膜的位置信息，从子宫区域的三维体数据中提取出包括有子宫内膜的矢状面切面图像，然后根据矢状面切面图像上的子宫内膜的图像确定子宫内膜的厚度信息。例如，超声成像系统可基于矢状面切面图像上子宫内膜与其他解剖结构的灰度特征差异，在矢状面切面图像上确定子宫内膜的覆盖区域，并自动统计子宫内膜的覆盖区域的边界，从而得到子宫内膜的厚度信息。超声成像系统也可采用深度学习或机器学习的方法，在矢状面切面图像上对子宫内膜直接进行定位，并输出子宫内膜的厚度信息。将该厚度信息作为厚度容积成像的SCV厚度，基于该厚度信息对容积厚度成像进行调整，对该厚度信息所对应的多帧图像进行叠加，获得目标超声图像。此时的SCV厚度根据子宫内膜的灰度特征自适应确定，不仅无需复杂的手动操作，而且准确率更高，最终得到的目标超声图像中子宫内膜的成像效果可以得到增强。
图10示例了子宫内膜成像效果增强的SCV+CMPR图像。图10中左侧图像为优化前的SCV+CMPR图像，右侧图像为SCV厚度优化后的SCV+CMPR图像，右侧图像中子宫内膜与子宫基层组织的区别更明显，边界更为清晰。
本发明的实施例可以根据子宫内膜在子宫区域的三维体数据中的位置，从三维体数据中提取出与子宫内膜对应的三维目标体数据，然后根据该三维目标体数据的灰度特征，例如灰度值大小、灰度分布特征等，对后续进行的子宫内膜成像进行优化调整。例如，可对三维目标体数据本身进行自适应调整，可对成像过程的成像参数进行自适应调整，可对获得图像后的后处理参数进行自适应调整，这些优化调整均是根据检测到的子宫内膜的图像特征进行，因此提供了一种基于感兴趣目标的图像特征的自适应图像优化方法。
步骤106、显示目标超声图像。该步骤为可选步骤。
本发明的实施例所提供的超声成像方法，可以自动根据子宫区域的子宫内膜的图像特征，获取子宫内膜在子宫区域的三维体数据中的位置信息，进而可以根据子宫内膜的位置信息和三维体数据得到需要的超声图像，不需要医生手动参与，解决了现有的超声成像技术为了保证子宫内膜优质的成像效果，需要医生有足够临床经验的问题，降低了临床的检查时间，且提高了工作效率。
基于前述实施例，本发明的实施例提供一种超声成像方法，参照图2所示，该方法包括以下步骤：
步骤201、超声成像系统发射超声波至待检测对象的子宫区域。
步骤202、超声成像系统接收从待检测对象的子宫区域返回的超声回波，并基于超声回波获取超声回波信号。
步骤203、超声成像系统对超声回波信号进行处理，得到待检测对象的子宫区域的三维体数据。
其中，步骤203之后可以选择执行步骤205～206、步骤207～208或者步骤209～211，以确定子宫内膜在子宫区域的三维体数据中的位置信息。
为确定子宫内膜在子宫区域的三维体数据中的位置信息，超声成像系统根据子宫区域的子宫内膜与子宫基层组织的图像特征差异、和/或根据子宫区域的子宫内膜的可周期性变化的形态特征，从子宫区域的三维体数据中识别出子宫内膜，以得到子宫内膜在三维体数据中的位置信息。
其中，可以先获取子宫区域的子宫内膜和子宫基层组织对应的图像的特征差异，然后根据该特征差异从子宫区域的三维体数据中识别出子宫内膜所在的目标区域和子宫基层组织所在的区域(背景区域或噪声区域)，进而得到子宫内膜在三维体数据中的位置信息；在一种可行的实现方式中，子宫内膜和子宫基层组织对应的图像的特征差异可以指的是子宫内膜和子宫基层组织对应的图像的灰度值的差异或图像的颜色分布的差异等。
或者，可以先获取子宫区域的子宫内膜的可周期性变化的形态特征，然后根据该形态特征从三维体数据中识别出子宫内膜所在的目标区域，进而得到子宫内膜在三维体数据中的位置信息；在一种可行的实现方式中，子宫内膜的可周期性变化的形态特征可以指的是子宫内膜的周期性变化的形状。
步骤205、超声成像系统对子宫区域的三维体数据进行预设特征提取，得到至少一个候选感兴趣区域以及每一候选感兴趣区域的特征。
其中，预设特征可以指的是子宫内膜和子宫基层组织之间存在较大差异的特征信息；在一种可行的实现方式中，预设特征可以包括子宫内膜的回声和周围的子宫基层组织的回声、子宫内膜的形态学特征。
步骤206、超声成像系统基于每一候选感兴趣区域的特征，采用预设特征检测算法对三维体数据中的每一候选感兴趣区域进行特征匹配，识别出对应于子宫内膜的目标区域，并根据目标区域在三维体数据中的位置得到子宫内膜在三维体数据中的位置信息。
其中，预设特征检测算法可以指的是能够对提取到的每一候选感兴趣区域的特征进行特征匹配的特征检测算法；在一种可行的实现方式中，预设特征检测算法可以包括：灰度特征检测算法和/或形态学特征检测算法等。
若预设特征包括形态学特征(即候选感兴趣区域的特征包括形态学特征)，可以对三维体数据进行二值化分割，进行一些必要的形态学操作后得到多个候选感兴趣区域，然后对每个候选感兴趣区域根据形状等特征判断该候选感兴趣区域是子宫内膜的概率，选择一个概率最高的候选感兴趣区域作为目标区域。当然，也可以采用其他灰度检测和分割方法，例如最大类间方差法(OTSU)、水平集(LevelSet)算法、图割(Graph Cut)算法、蛇(Snake)算法等。
步骤207、超声成像系统获取数据库，数据库包括已识别出子宫内膜的子宫区域的三维模板数据、以及子宫内膜在该三维模板数据中的标定信息。
在本发明的其它实施例中，数据库可针对子宫内膜形成；该数据库中包括多份样本数据，例如已识别出子宫内膜的子宫区域的三维正样本数据，例如已确定不包括子宫内膜的子宫区域的三维负样本数据。其中，标定信息可以根据实际的任务需要进行设定，可以是包括子宫内膜的目标区域的感兴趣区域(region of interest，ROI)框，也可以是对子宫内膜区域进行精确分割的掩膜(Mask)。
步骤208、超声成像系统基于数据库中子宫内膜的标定信息，采用预设机器学习算法对三维体数据中包括的子宫内膜进行定位，得到子宫内膜在三维体数据中的位置信息。
其中，预设机器学习算法可以包括：滑窗方法、基于深度学习的边界框(Bounding-Box)方法或基于深度学习的端到端的语义分割网络方法等；对滑窗方法介绍如下：首先对滑窗内的区域进行特征提取，特征提取方法可以是传统的主成分分析(principalcomponents analysis，PCA)、线性判别分析(Linear Discriminant Analysis，LDA)、Haar特征、纹理特征等，也可以采用深度神经网络来进行特征提取，然后将提取到的特征和数据库进行匹配，用k最邻近分类算法(k-NearestNeighbor，KNN)、支持向量机(Support VectorMachine，SVM)、随机森林、神经网络等判别器进行分类，确定当前滑窗是否为感兴趣区域同时获取其相应类别。对基于深度学习的Bounding-Box方法的介绍如下：通过堆叠基层卷积层和全连接层来对构建的数据库进行特征的学习和参数的回归，对于一幅输入图像，可以通过网络直接回归出对应的感兴趣区域的Bounding-Box，同时获取其感兴趣区域内组织结构的类别，常见的网络有区域卷积神经网络(Region-Convolutional Neural Network，R-CNN)，快速区域卷积神经网络(Fast R-CNN)、Faster-RCNN、SSD(single shot multiboxdetector)、YOLO等。对基于深度学习的端到端的语义分割网络方法的介绍如下：该方法与基于深度学习的Bounding-Box的结构类似，不同点在于将全连接层去除，加入上采样或者反卷积层来使得输入与输出的尺寸相同，从而直接得到输入图像的感兴趣区域及其相应类别，常见的网络有FCN、U-Net、Mask R-CNN等。此外，还可以只采用滑窗方法、基于深度学习的Bounding-Box方法或基于深度学习的端到端的语义分割网络方法来对目标进行定位，再根据定位结果额外设计分类器对目标进行分类判断；常见的分类判断方法为：用KNN、SVM、随机森林、神经网络等判别器进行分类。
需要说明的是，本发明实施例中未提及的其他可以达到定位和检测的目的算法也是可行的。
或者，步骤209、超声成像系统从子宫区域的三维体数据中，获取识别出包括有子宫内膜的矢状面图像数据，并根据矢状面图像数据确定出子宫内膜的中心点。
其中，子宫内膜的中心点可以是子宫内膜的形状的中心点。
步骤210、超声成像系统基于中心点，获取与矢状面图像数据正交的、且识别出包括有子宫内膜的横切面图像数据。
步骤211、超声成像系统基于识别出包括有子宫内膜的横切面图像数据和矢状面图像数据在子宫区域的三维体数据中的位置，得到子宫内膜的位置信息。
需要说明的是，步骤206、步骤208和步骤211之后均可以执行步骤212～213；
步骤212、超声成像系统基于子宫内膜的位置信息，在子宫区域的三维体数据中区分与子宫内膜对应的三维目标体数据、以及与非子宫内膜结构对应的三维背景体数据。
步骤213、超声成像系统根据三维目标体数据和/或三维背景体数据的灰度特征，对子宫区域的三维体数据进行调整，基于该调整后的三维体数据成像得到目标超声图像并显示目标超声图像。
其中，步骤213可以通过以下方式来实现：
步骤213a、增大子宫区域的三维体数据中的三维目标体数据的灰度值为第一灰度值，和/或减小子宫区域的三维体数据中的三维背景体数据的灰度值为第二灰度值。
其中，第一灰度值大于第二灰度值。
在一种可行的实现方式中，三维目标体数据可以是子宫内膜对应的三维体数据；三维背景体数据可以是子宫基层组织或背景噪声对应的三维体数据；如此，对用户需要的解剖结构子宫内膜的三维体数据的灰度值进行增强，对非子宫内膜的解剖结构(如，子宫基底层或背景噪声)的三维体数据的灰度值进行降低，进而可以抑制非解剖结构，自适应提高解剖结构的图像的对比度，使得解剖结构的图像区域更突出。
或，步骤213b、根据三维目标体数据和/或三维背景体数据的灰度分布，将子宫区域的三维体数据的灰度值调节到符合第一目标图像参数。
此外，本发明实施例中与其他实施例中相同或相近步骤的描述可概念的解释可以参照其他实施例中的描述，此处不再赘述。
本发明的实施例所提供的超声成像方法，可以自动根据子宫区域的子宫内膜的图像特征，获取子宫内膜在子宫区域的三维体数据中的位置信息，进而可以根据子宫内膜的位置信息和三维体数据得到需要的超声图像，不需要医生手动参与，解决了现有的超声成像技术为了保证子宫内膜优质的成像效果，需要医生有足够临床经验的问题，降低了临床的检查时间，且提高了工作效率。
基于前述实施例，本发明的实施例提供一种超声成像方法，参照图3所示，该方法包括以下步骤：
步骤301、超声成像系统发射超声波至待检测对象的子宫区域。
步骤302、超声成像系统接收从待检测对象的子宫区域返回的超声回波，并基于超声回波获取超声回波信号。
步骤303、超声成像系统对超声回波信号进行处理，得到待检测对象的子宫区域的三维体数据。
其中，步骤303之后可以选择执行步骤305～306、步骤307～308或者步骤309～311；
步骤305、超声成像系统对子宫区域的三维体数据进行预设特征提取，得到至少一个候选感兴趣区域以及每一候选感兴趣区域的特征。
步骤306、超声成像系统基于每一候选感兴趣区域的特征，采用预设特征检测算法对三维体数据中的每一候选感兴趣区域进行特征匹配，识别出对应于子宫内膜的目标区域，并根据目标区域在三维体数据中的位置得到子宫内膜在三维体数据中的位置信息。
步骤307、超声成像系统获取数据库，数据库包括已识别出子宫内膜的子宫区域的三维模板体数据、以及子宫内膜在该三维模板体数据中的标定信息。
步骤308、超声成像系统基于数据库中子宫内膜的标定信息，采用预设机器学习算法对三维体数据中包括的子宫内膜进行定位，得到子宫内膜在三维体数据中的位置信息。
步骤309、超声成像系统从子宫区域的三维体数据中，获取识别出包括有子宫内膜的矢状面图像数据，并根据矢状面图像数据确定出子宫内膜的中心点。
步骤310、超声成像系统基于中心点，获取与矢状面图像数据正交的、且识别出包括有子宫内膜的横切面图像数据。
步骤311、超声成像系统基于识别出包括有子宫内膜的横切面图像数据和矢状面图像数据在子宫区域的三维体数据中的位置，得到子宫内膜的位置信息。
需要说明的是，步骤306、步骤308和步骤311之后均可以选择执行步骤312～314或者步骤315；
步骤312、超声成像系统获取子宫内膜的位置信息，在一些可选操作中，还可获取第二目标图像参数。
其中，第二目标图像参数可以指的是子宫内膜对应的信号强度区间或特定信号强度值等。
步骤313、超声成像系统基于子宫内膜的位置信息，或基于子宫内膜的位置信息和第二目标图像参数，对用于生成目标超声图像的成像参数进行调整得到目标成像参数。
其中，成像参数至少是：整体增益、阈值、亮度、对比度和时间增益补偿(time gaincompensation，TGC)中的一种。
以对比度为例进行说明：可以根据子宫内膜的位置信息和子宫内膜对应的第二目标图像参数，对目标超声图像的对比度进行调整得到目标成像参数。
需要说明的是，步骤313可以通过步骤313a1～313a3，或者，步骤313b1～313b2来实现：
步骤313a1、超声成像系统基于子宫内膜的位置信息，从子宫区域的三维体数据中分别获取与子宫内膜对应的三维目标体数据、以及与非子宫内膜结构对应的三维背景体数据。
其中，三维背景体数据可以指的是子宫区域的三维体数据中除子宫内膜的三维体数据外，用户非感兴趣的其他区域的三维体数据；例如，三维背景体数据可以指的是子宫基层组织或背景噪声等对应的三维体数据。
步骤313a2、超声成像系统获取三维目标体数据的灰度值和三维背景体数据的灰度值。
其中，三维目标体数据的灰度值可以指的是三维目标体数据对应的目标区域的图像的灰度值，三维背景体数据的灰度值可以指的是三维背景体数据对应的非目标区域的图像的灰度值。
步骤313a3、超声成像系统基于三维目标体数据的灰度值和三维背景体数据的灰度值，确定调整阈值。
其中，目标成像参数包括调整阈值。
在一种可行的实现方式中，调整阈值可以是最能区分三维目标体数据的区域和三维背景体数据的区域的阈值。
步骤313b1、超声成像系统基于子宫内膜的位置信息，从子宫区域的三维体数据中获取与子宫内膜对应的三维目标体数据；
步骤313b2、超声成像系统根据与子宫内膜对应的三维目标体数据的信号强度，确定生成目标超声图像的自适应增益，以使采用该自适应增益调节后的三维目标体数据符合第二目标图像参数。
其中，目标成像参数包括自适应增益。
需要说明的是，可以根据子宫内膜对应的三维目标体数据的信号强度与预设信号强度的关系调整增益，得到自适应增益；在一种可行的实现方式中，如果子宫内膜对应的三维目标体数据的信号强度过低，则提高增益；如果子宫内膜对应的三维目标体数据的信号强度过低，则减小增益，进而实现增益的自动调节，从而得到符合第二目标图像参数的三维目标体数据。
步骤314、超声成像系统采用目标成像参数生成目标超声图像，并显示该目标超声图像。
步骤315、超声成像系统根据子宫内膜的位置信息，对基于三维体数据成像的图像的后处理参数进行调整得到目标超声图像，并显示该目标超声图像。
在一种可性的实现方式中，图像后处理参数可以包括：二维或三维图像增强、平滑、容积厚度成像(Slice Contrast View，SCV)厚度等参数。
其中，步骤315可以通过步骤315a1～315a2，或者，步骤315b1～315b2来实现：
步骤315a1、超声成像系统基于子宫内膜的位置信息，从子宫区域的三维体数据中分别获取与子宫内膜对应的三维目标体数据、以及与子宫基层组织对应的三维基层体数据。
步骤315a2、超声成像系统根据三维目标体数据和三维基层体数据的灰度值，分别调整与子宫内膜对应的图像部分和与子宫基层组织对应的图像部分的后处理参数，得到目标超声图像。
或者，步骤315b1、超声成像系统基于子宫内膜的位置信息，从三维体数据中提取出包括有子宫内膜的矢状面切面图像，并根据矢状面切面图像上的子宫内膜的图像获得子宫内膜的厚度信息。
其中，子宫内膜的厚度信息可以指的是子宫内膜的SCV厚度。
步骤315b2、超声成像系统基于子宫内膜的厚度信息，对子宫内膜的图像的SCV厚度进行调整得到目标超声图像。
其中，可以根据子宫内膜的厚度信息，对多帧图像进行叠加，这样可以使子宫内膜区域有一定程度的增强，同时对背景噪声有很好的抑制作用，最终使得可以得到最优的剖面图像成像效果。
需要说明的是，目标超声图像可以包括三维立体图像，也可以包括剖面图像(MPR)。
此外，本发明实施例中与其他实施例中相同或相近步骤的描述可概念的解释可以参照其他实施例中的描述，此处不再赘述。
本发明的实施例所提供的超声成像方法，可以自动根据子宫区域的子宫内膜的图像特征，获取子宫内膜在子宫区域的三维体数据中的位置信息，进而可以根据子宫内膜的位置信息和三维体数据得到需要的超声图像，不需要医生手动参与，解决了现有的超声成像技术为了保证子宫内膜优质的成像效果，需要医生有足够临床经验的问题，降低了临床的检查时间，且提高了工作效率。
基于前述实施例，本发明的实施例提供一种超声图像处理方法，该方法可应用于超声成像系统中，也可应用于独立于超声成像系统的图像处理工作站。参照图4所示，该方法包括以下步骤：
步骤401、获取待检测对象的立体超声图像数据。
其中，待检测对象的立体超声图像数据可以是通过对待检测对象的内部发射超声波，并基于返回的超声回波得到的超声回波信号得到的。待检测对象的立体超声图像可以是从超声成像系统直接获取得到。
步骤402、获取感兴趣子对象在立体超声图像数据中的位置信息。
其中，待检测对象中包括感兴趣子对象。
需要说明的是，感兴趣子对象包括待检测对象中的任何一用户感兴趣的区域对应的对象。在一种可行的实现方式中，感兴趣子对象可以指的是子宫内膜。感兴趣子对象在立体超声图像数据中的位置信息可由用户手动输入提供，也可采用前述的识别方法，如步骤104的方法，自动确定感兴趣子对象在立体超声图像数据中的位置信息。
步骤403、基于位置信息，对立体超声图像数据的与感兴趣子对象中的子宫内膜对应的第一区域的图像数据进行处理，得到目标超声图像。
步骤404，显示该目标超声图像。
需要说明的是，本发明实施例中与其他实施例中相同或相近步骤的描述可概念的解释可以参照其他实施例中的描述，此处不再赘述。
本发明的实施例所提供的超声图像处理方法，获取待检测对象的立体超声图像数据，获取待检测对象中包括的感兴趣子对象在立体超声图像数据中的位置信息，之后基于位置信息，对立体超声图像数据的与感兴趣子对象中的子宫内膜对应的第一区域的图像数据进行处理，得到目标超声图像并显示，如此，自动获取待检测对象中的感兴趣子对象在待检测对象的立体超声图像数据中的位置信息，进而可以根据该位置信息对子宫内膜对应的区域的图像数据进行处理，得到需要的超声图像，不需要医生手动参与，解决了现有的超声成像技术为了保证子宫内膜优质的成像效果，需要医生有足够临床经验的问题，降低了临床的检查时间，且提高了工作效率。
基于前述实施例，本发明的实施例提供一种超声图像处理方法，参照图5所示，该方法包括以下步骤：
步骤501、获取待检测对象的立体超声图像数据。
步骤502、统根据感兴趣子对象的灰度特征、形态特征和/或纹理特征，从立体超声图像数据中识别出感兴趣子对象，以得到感兴趣子对象在立体超声图像数据中的位置信息。
其中，待检测对象中包括感兴趣子对象。
步骤503、基于位置信息，确定子宫内膜在立体超声图像数据中所处的第一区域，和感兴趣子对象中除子宫内膜外的感兴趣子对象的第二区域。
需要说明的是，感兴趣子对象中除子宫内膜外的感兴趣子对象可知的是子宫基层组织或背景噪声；那么第二区域就可以指的是子宫基层组织或背景噪声在立体超声图像数据中的区域。
其中，步骤503之后可以选择执行步骤504或步骤505～508；
步骤504、增大第一区域的图像的灰度值为第一灰度值，和/或减小第二区域的图像的灰度值为第二灰度值，得到目标超声图像。
其中，第一灰度值大于第二灰度值。
需要说明的是，增大第一区域的图像的灰度值，减小第二区域的图像的灰度值，可以指的第一区域对应的图像更加突出；如此，最终得到的目标超声图像中用户的感兴趣子对象中的子宫内膜的区域会更清晰可见。
步骤505、获取第一区域的图像的灰度值和第二区域的图像的灰度值。
其中，步骤505之后可以选择执行步骤506～507或步骤508；
步骤506、基于第一区域的图像的灰度值和/或第二区域的图像的灰度值，确定基于立体超声图像数据生成目标超声图像的目标成像参数。
其中，目标成像参数可以是基于第一区域的图像的灰度值调整后得到的，也可以是基于第二区域的图像的灰度值调整后得到的，也可以是同时基于第一区域的图像的灰度值和第二区域的图像的灰度值调整后得到的。
步骤507、采用目标成像参数，生成目标超声图像并显示。
或者，步骤508、基于第一区域的图像的灰度值和/或第二区域的图像的灰度值，调节立体超声图像数据的后处理参数，以得到目标超声图像。
需要说明的是，本发明实施例中与其他实施例中相同或相近步骤的描述可概念的解释可以参照其他实施例中的描述，此处不再赘述。
本发明的实施例所提供的超声图像处理方法，自动获取待检测对象中的感兴趣子对象在待检测对象的立体超声图像数据中的位置信息，进而可以根据该位置信息对子宫内膜对应的区域的图像数据进行处理，得到需要的超声图像，不需要医生手动参与，解决了现有的超声成像技术为了保证子宫内膜优质的成像效果，需要医生有足够临床经验的问题，降低了临床的检查时间，且提高了工作效率。
基于前述实施例，本发明的实施例提供一种超声图像处理系统，该超声图像处理系统可以应用于图4～5对应的实施例提供的超声图像处理方法中，参照图6所示，该超声成像系统6至少包括：第一存储器61、通信总线62、第一处理器63，其中：
第一存储器61，配置为存储超声图像处理程序；
通信总线，配置为实现第一处理器63和第一存储器61之间的连接通信；
第一处理器63，用于执行第一存储器61中存储的超声图像处理程序，以实现图4～5对应的实施例提供的超声图像处理方法。
本发明的实施例所提供的超声图像处理系统，自动获取待检测对象中的感兴趣子对象在待检测对象的立体超声图像数据中的位置信息，进而可以根据该位置信息对子宫内膜对应的区域的图像数据进行处理，得到需要的超声图像，不需要医生手动参与，解决了现有的超声成像技术为了保证子宫内膜优质的成像效果，需要医生有足够临床经验的问题，降低了临床的检查时间，且提高了工作效率。
基于前述实施例，本发明的实施例提供一种超声成像系统，该超声成像系统可以应用于图1～3对应的实施例提供的超声成像方法中，参照图7所示，该超声成像系统7至少包括：超声探头71、发射电路72、接收电路73、第二存储器、第二处理器74和显示器75，其中：
超声探头71，用于向待检测对象的子宫区域发射超声波，接收从待检测对象的子宫区域返回的超声回波，并基于超声回波获取超声回波信号；
发射电路72和接收电路73，用于控制超声探头发射超声波和接收超声波的超声回波；
第二存储器，用于存储程序；
第二处理器74，用于对超声回波信号进行处理，得到待检测对象的感兴趣区域的三维体数据，以及用于通过执行第二存储器存储的程序以实现如图1～3对应的实施例提供的超声成像方法；
其中，感兴趣区域包括含子宫内膜的子宫区域；
显示器75，用于显示经第二处理器74处理后得到的目标超声图像。
本发明的实施例所提供的超声成像方法，可以自动根据子宫区域的子宫内膜的图像特征，确定子宫内膜在子宫区域的三维体数据中的位置信息，进而可以根据子宫内膜的位置信息和三维体数据得到需要的超声图像，不需要医生手动参与，解决了现有的超声成像技术为了保证子宫内膜优质的成像效果，需要医生有足够临床经验的问题，降低了临床的检查时间，且提高了工作效率。
需要说明的是，如果以软件功能模块的形式实现上述的超声成像方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例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)执行本申请各个实施例所述方法的全部或部分。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)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件和软件结合。
相应地，本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现上述实施例提供的超声成像方法的步骤。
以上计算机程序产品、计算机设备和计算机存储介质实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请计算机程序产品、计算机设备和计算机存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程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，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。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、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。以上所描述的系统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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，系统或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例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一个存储介质中，包括若干指令用以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (22)
1.一种超声成像方法，其特征在于，包括：
控制超声探头发射超声波至待检测对象的子宫区域进行体扫描；
控制所述超声探头接收从所述待检测对象的子宫区域返回的超声回波，以及基于所述超声回波获取超声回波信号；
对所述超声回波信号进行处理，得到所述待检测对象的子宫区域的三维体数据；
根据子宫区域的关键解剖结构的图像特征，确定子宫内膜在所述三维体数据中的位置信息，其中，所述关键解剖结构包括子宫内膜和/或子宫内膜相关结构；
根据所述子宫内膜的位置信息，对基于所述三维体数据进行的子宫内膜的成像进行优化，得到子宫内膜的目标超声图像；
以及显示所述子宫内膜的目标超声图像。
2.根据权利要求1所述的方法，其特征在于，所述根据所述子宫内膜的位置信息，对基于所述三维体数据进行的子宫内膜的成像进行优化，包括：
根据所述子宫内膜的位置信息，对所述子宫区域的三维体数据、对基于所述三维体数据成像的成像参数、和/或对基于所述三维体数据成像得到的图像的后处理参数进行自适应调节。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述子宫内膜的位置信息，对基于所述三维体数据进行的子宫内膜的成像进行优化，得到目标超声图像，包括：
根据所述子宫内膜的位置信息，在所述子宫区域的三维体数据中获取与子宫内膜对应的三维目标体数据、以及与非子宫内膜结构对应的三维背景体数据；以及，
根据所述三维目标体数据和/或三维背景体数据的灰度特征，对所述子宫区域的三维体数据进行调整，基于该调整后的三维体数据成像得到目标超声图像。
4.根据权利要求3所述的方法，其特征在于，所述根据所述三维目标体数据和/或三维背景体数据的灰度特征，对所述子宫区域的三维体数据进行调整，包括：
增大所述子宫区域的三维体数据中的三维目标体数据的灰度值为第一灰度值，和/或减小所述子宫区域的三维体数据中的三维背景体数据的灰度值为第二灰度值；其中，所述第一灰度值大于所述第二灰度值；
或，
根据所述三维目标体数据和/或三维背景体数据的灰度分布，将所述子宫区域的三维体数据的灰度值调节到符合第一目标图像参数。
5.根据权利要求1或2所述的方法，其特征在于，所述基于所述子宫内膜的位置信息，对基于所述三维体数据进行的子宫内膜的成像进行优化，得到目标超声图像，包括：
基于所述子宫内膜的位置信息，对用于生成所述子宫内膜的目标超声图像的成像参数进行调整，得到目标成像参数；
采用所述目标成像参数，基于所述三维体数据生成所述子宫内膜的目标超声图像。
6.根据权利要求5所述的方法，其特征在于，所述成像参数至少是：整体增益、阈值、亮度、对比度和时间增益补偿(TGC)中的一种。
7.根据权利要求5所述的方法，其特征在于，所述基于所述子宫内膜的位置信息，对用于生成所述子宫内膜的目标超声图像的成像参数进行调整，得到目标成像参数，包括：
基于所述子宫内膜的位置信息，从所述子宫区域的三维体数据中分别获取与子宫内膜对应的三维目标体数据、以及与非子宫内膜结构对应的三维背景体数据；
获取所述三维目标体数据的灰度值和所述三维背景体数据的灰度值；
基于所述三维目标体数据的灰度值和所述三维背景体数据的灰度值，确定调整阈值；其中，所述目标成像参数包括所述调整阈值。
8.根据权利要求5所述的方法，其特征在于，所述基于所述子宫内膜的位置信息，对用于生成所述子宫内膜的目标超声图像的成像参数进行调整，得到目标成像参数，包括：
基于所述子宫内膜的位置信息，从所述子宫区域的三维体数据中获取与子宫内膜对应的三维目标体数据；
根据所述与子宫内膜对应的三维目标体数据的信号强度，确定生成所述子宫内膜的目标超声图像的自适应增益，以使采用该自适应增益调节后的三维目标体数据符合第二目标图像参数；其中，所述目标成像参数包括所述自适应增益。
9.根据权利要求1或2所述的方法，其特征在于，所述基于所述子宫内膜的位置信息，对基于所述三维体数据进行的子宫内膜的成像进行优化，得到目标超声图像，包括：
根据所述子宫内膜的位置信息，对基于所述三维体数据成像的图像的后处理参数进行调整；以及
采用调整后的后处理参数对基于所述三维体数据成像的图像进行后处理，得到所述目标超声图像。
10.根据权利要求9所述的方法，其特征在于，所述根据所述子宫内膜的位置信息，对基于所述三维体数据成像的图像的后处理参数进行调整，包括：
基于所述子宫内膜的位置信息，从所述子宫区域的三维体数据中分别获取与子宫内膜对应的三维目标体数据、以及与子宫基层组织对应的三维基层体数据；
根据所述三维目标体数据和三维基层体数据的灰度值，分别调整与子宫内膜对应的图像部分和与子宫基层组织对应的图像部分的后处理参数。
11.根据权利要求9所述的方法，其特征在于，所述根据所述子宫内膜的位置信息，对基于所述三维体数据成像的图像的后处理参数进行调整，包括：
基于所述子宫内膜的位置信息，从所述三维体数据中提取出包括有子宫内膜的矢状面切面图像，并根据所述矢状面切面图像上的子宫内膜的图像确定子宫内膜的厚度信息；
基于所述子宫内膜的厚度信息，对所述子宫内膜的图像的SCV厚度进行调整。
12.根据权利要求1所述的方法，其特征在于，所述根据子宫区域的关键解剖结构的图像特征，确定子宫内膜在所述三维体数据中的位置信息，包括：
根据子宫区域的子宫内膜与子宫基层组织的图像特征差异、和/或根据子宫区域的子宫内膜的可周期性变化的形态特征，从所述子宫区域的三维体数据中识别出子宫内膜，以得到所述子宫内膜在三维体数据中的位置信息。
13.根据权利要求1或12所述的方法，其特征在于，所述确定子宫内膜在所述三维体数据中的位置信息，包括：
对所述子宫区域的三维体数据进行预设特征提取，得到至少一个候选感兴趣区域以及每一候选感兴趣区域的特征；
基于每一候选感兴趣区域的特征，采用预设特征检测算法对所述三维体数据中的每一候选感兴趣区域进行特征匹配，识别出对应于子宫内膜的目标区域，并根据所述目标区域在所述三维体数据中的位置得到所述子宫内膜在所述三维体数据中的位置信息。
14.根据权利要求1或12所述的方法，其特征在于，所述确定子宫内膜在所述三维体数据中的位置信息，包括：
获取数据库，所述数据库包括已识别出子宫内膜的子宫区域的三维模板体数据、以及子宫内膜在该三维模板体数据中的标定信息；以及
基于所述数据库中子宫内膜的标定信息，采用预设机器学习算法对所述三维体数据中包括的子宫内膜进行定位，得到所述子宫内膜在所述三维体数据中的位置信息。
15.根据权利要求1或12所述的方法，其特征在于，所述确定子宫内膜在所述三维体数据中的位置信息，包括：
从所述子宫区域的三维体数据中，获取识别出包括有子宫内膜的矢状面图像数据；
根据所述矢状面图像数据，确定出子宫内膜的中心点；
基于所述中心点，获取与所述矢状面图像数据正交的、且识别出包括有子宫内膜的横切面图像数据；
基于识别出包括有子宫内膜的所述横切面图像数据和所述矢状面图像数据在所述子宫区域的三维体数据中的位置，得到所述子宫内膜的位置信息。
16.一种超声图像处理方法，其特征在于，所述方法包括：
获取待检测对象的立体超声图像数据；
获取感兴趣子对象在所述立体超声图像数据中的位置信息；其中，所述待检测对象中包括所述感兴趣子对象；以及
基于所述位置信息，对所述立体超声图像数据的与所述感兴趣子对象中的子宫内膜对应的第一区域的图像数据进行优化，得到目标超声图像并显示。
17.根据权利要求16所述的方法，其特征在于，所述获取感兴趣子对象在所述立体超声图像数据中的位置信息，包括：
根据感兴趣子对象的灰度特征、形态特征和/或纹理特征，从所述立体超声图像数据中识别出感兴趣子对象，以得到所述感兴趣子对象在所述立体超声图像数据中的位置信息。
18.根据权利要求16或17所述的方法，其特征在于，所述基于所述位置信息，对所述立体超声图像数据的与所述感兴趣子对象中的子宫内膜对应的第一区域的图像数据进行处理，得到目标超声图像并显示，包括：
基于所述位置信息，确定所述子宫内膜在所述立体超声图像数据中所处的第一区域，和所述感兴趣子对象中除所述子宫内膜外的感兴趣子对象的第二区域；
增大所述第一区域的图像的灰度值为第一灰度值，和/或减小所述第二区域的图像的灰度值为第二灰度值，得到所述目标超声图像并显示；其中，所述第一灰度值大于所述第二灰度值。
19.根据权利要求16或17所述的方法，其特征在于，所述基于所述位置信息，对所述立体超声图像数据的与所述感兴趣子对象中的子宫内膜对应的第一区域的图像数据进行处理，得到目标超声图像并显示，包括：
基于所述位置信息，确定所述子宫内膜在所述立体超声图像数据中所处的第一区域，和所述感兴趣子对象中除所述子宫内膜外的感兴趣子对象的第二区域；
获取所述第一区域的图像的灰度值和所述第二区域的图像的灰度值；
基于所述第一区域的图像的灰度值和/或所述第二区域的图像的灰度值，确定基于所述立体超声图像数据生成目标超声图像的目标成像参数；
采用所述目标成像参数，生成所述目标超声图像并显示。
20.根据权利要求16或17所述的方法，其特征在于，所述基于所述位置信息，对所述立体超声图像数据的与所述感兴趣子对象中的子宫内膜对应的第一区域的图像数据进行处理，得到目标超声图像并显示，包括：
基于所述位置信息，确定所述子宫内膜在所述立体超声图像数据中所处的第一区域，和所述感兴趣子对象中除所述子宫内膜外的感兴趣子对象的第二区域；
获取所述第一区域的图像的灰度值和所述第二区域的图像的灰度值；
基于所述第一区域的图像的灰度值和/或所述第二区域的图像的灰度值，调节所述立体超声图像数据的后处理参数，以得到所述目标超声图像并显示。
21.一种超声图像处理系统，其特征在于，所述超声图像处理系统至少包括：第一存储器、通信总线、第一处理器，其中：
所述第一存储器，配置为存储超声图像处理程序；
所述通信总线，配置为实现第一处理器和第一存储器之间的连接通信；
所述第一处理器，用于执行第一存储器中存储的超声图像处理程序，以实现如权利要求16-20中任一所述的方法。
22.一种超声成像系统，其特征在于，包括：
超声探头，用于向待检测对象的子宫区域发射超声波，接收从所述待检测对象的子宫区域返回的超声回波，并基于所述超声回波获取超声回波信号；
发射电路和接收电路，用于控制所述超声探头发射超声波和接收超声回波；
第二存储器，用于存储程序；
第二处理器，用于对所述超声回波信号进行处理，得到所述待检测对象的感兴趣区域的三维体数据，以及用于通过执行所述第二存储器存储的程序以实现如权利要求1-20中任一项所述的方法；所述感兴趣区域包括含子宫内膜的子宫区域；
显示模块，用于显示经所述第二处理器处理后得到的目标超声图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811641852.3A CN111383323B (zh) | 2018-12-29 | 2018-12-29 | 一种超声成像方法和系统以及超声图像处理方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811641852.3A CN111383323B (zh) | 2018-12-29 | 2018-12-29 | 一种超声成像方法和系统以及超声图像处理方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111383323A true CN111383323A (zh) | 2020-07-07 |
| CN111383323B CN111383323B (zh) | 2023-10-24 |
Family
ID=71218348
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811641852.3A Active CN111383323B (zh) | 2018-12-29 | 2018-12-29 | 一种超声成像方法和系统以及超声图像处理方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111383323B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700535A (zh) * | 2020-12-30 | 2021-04-23 | 华东师范大学 | 一种面向智能医疗辅助诊断的超声影像三维重建方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7399278B1 (en) * | 2003-05-05 | 2008-07-15 | Los Angeles Biomedical Research Institute At Harbor-Ucla Medical Center | Method and system for measuring amniotic fluid volume and/or assessing fetal weight |
| US20110172526A1 (en) * | 2010-01-12 | 2011-07-14 | Martin Lachaine | Feature Tracking Using Ultrasound |
| US20180042577A1 (en) * | 2016-08-12 | 2018-02-15 | General Electric Company | Methods and systems for ultrasound imaging |
| WO2018222006A1 (en) * | 2017-06-02 | 2018-12-06 | Samsung Electronics Co., Ltd. | Apparatus and method for assessing uterine parameters |
-
2018
- 2018-12-29 CN CN201811641852.3A patent/CN111383323B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7399278B1 (en) * | 2003-05-05 | 2008-07-15 | Los Angeles Biomedical Research Institute At Harbor-Ucla Medical Center | Method and system for measuring amniotic fluid volume and/or assessing fetal weight |
| US20110172526A1 (en) * | 2010-01-12 | 2011-07-14 | Martin Lachaine | Feature Tracking Using Ultrasound |
| US20180042577A1 (en) * | 2016-08-12 | 2018-02-15 | General Electric Company | Methods and systems for ultrasound imaging |
| WO2018222006A1 (en) * | 2017-06-02 | 2018-12-06 | Samsung Electronics Co., Ltd. | Apparatus and method for assessing uterine parameters |
Non-Patent Citations (4)
| Title |
|---|
| 何雪冬;刘巧巧;蔡海国;李玲丽;: "先天性子宫畸形二维及三维超声诊断及图像分析", 中华医学超声杂志(电子版), no. 07 * |
| 李宏波;吴文忠;张玫玫;毛书霞;高慧;张皓;: "经阴道二维及三维超声联合应用对宫腔粘连的诊断价值", 东南国防医药, no. 01 * |
| 耿杰;孔宪超;: "子宫结合带的结构和功能与子宫内膜异位性疾病的关系", 中国医师杂志, no. 08 * |
| 葛玲, 傅庆诏, 刘韶平, 陶国伟, 展新凤, 谷涛: "实时三维超声成像诊断子宫畸形", 现代妇产科进展, no. 06 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700535A (zh) * | 2020-12-30 | 2021-04-23 | 华东师范大学 | 一种面向智能医疗辅助诊断的超声影像三维重建方法 |
| CN112700535B (zh) * | 2020-12-30 | 2022-08-26 | 华东师范大学 | 一种面向智能医疗辅助诊断的超声影像三维重建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111383323B (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107480677B (zh) | 一种识别三维ct图像中感兴趣区域的方法及装置 | |
| CN110338841B (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 | |
| US9277902B2 (en) | Method and system for lesion detection in ultrasound images | |
| EP2016905B1 (en) | Ultrasound diagnostic apparatus | |
| JP2012512672A (ja) | 医用画像内病変自動検出方法およびシステム | |
| JP6771931B2 (ja) | 医用画像処理装置およびプログラム | |
| US20210393240A1 (en) | Ultrasonic imaging method and device | |
| JP2021506470A (ja) | 超音波システムのためのエコー窓のアーチファクト分類及び視覚的インジケータ | |
| JP2017070751A (ja) | 医用画像処理装置及び医用画像処理プログラム | |
| CN108765427A (zh) | 一种前列腺图像分割方法 | |
| CN111281430A (zh) | 超声成像方法、设备及可读存储介质 | |
| CN103778600A (zh) | 图像处理系统 | |
| CN111951215A (zh) | 一种图像检测方法、装置及计算机可读存储介质 | |
| CN112568933B (zh) | 超声成像方法、设备和存储介质 | |
| CN107169978B (zh) | 超声图像边缘检测方法及系统 | |
| CN111383323B (zh) | 一种超声成像方法和系统以及超声图像处理方法和系统 | |
| WO2021120059A1 (zh) | 三维体数据的测量方法、测量系统、医疗器械及存储介质 | |
| CN113229850A (zh) | 超声盆底成像方法和超声成像系统 | |
| KR101024857B1 (ko) | 3차원 초음파 영상에 컬러 모델링 처리를 수행하는 초음파 시스템 및 방법 | |
| US11972584B2 (en) | Tissue specific time gain compensation methods and systems | |
| CN112294361A (zh) | 一种超声成像设备、盆底的切面图像生成方法 | |
| WO2022134049A1 (zh) | 胎儿颅骨的超声成像方法和超声成像系统 | |
| CN113974688B (zh) | 超声成像方法和超声成像系统 | |
| CN112120735A (zh) | 一种超声成像方法及设备、存储介质 | |
| CN115778435A (zh) | 胎儿颜面部的超声成像方法和超声成像系统 |
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 |