CN111539926B - 一种图像检测方法及装置 - Google Patents
一种图像检测方法及装置 Download PDFInfo
- Publication number
- CN111539926B CN111539926B CN202010314325.2A CN202010314325A CN111539926B CN 111539926 B CN111539926 B CN 111539926B CN 202010314325 A CN202010314325 A CN 202010314325A CN 111539926 B CN111539926 B CN 111539926B
- Authority
- CN
- China
- Prior art keywords
- image
- fetal heart
- ultrasonic image
- ultrasonic
- binary
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 210000002458 fetal heart Anatomy 0.000 claims abstract description 166
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000003709 image segmentation Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000002604 ultrasonography Methods 0.000 claims description 95
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 19
- 230000002159 abnormal effect Effects 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 8
- 241000270295 Serpentes Species 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 208000002330 Congenital Heart Defects Diseases 0.000 description 3
- 230000001605 fetal effect Effects 0.000 description 3
- 210000003754 fetus Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012285 ultrasound imaging Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 208000028831 congenital heart disease Diseases 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000008774 maternal effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000004800 variational method 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G06T5/70—
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/30048—Heart; Cardiac
Abstract
本公开涉及图像处理领域，提供了一种图像检测方法及装置，该方法包括：获取超声图像，并对所述超声图像进行预处理以获得二值超声图像，其中，所述超声图像为胎儿心脏超声图像；在所述二值超声图像中识别多个连通区域，从所述多个连通区域中确定胎儿心脏区域，并对所述胎儿心脏区域进行图像分割处理。本公开中的图像检测方法避免了对胎儿心脏位置的误判断，提高了在胎儿心脏超声图像中寻找胎儿心脏区域的效率。
Description
技术领域
本公开涉及图像处理技术领域，特别涉及一种图像检测方法及图像检测装置。
背景技术
随着超声图像技术的发展，胎儿心脏超声图像已成为产前诊断胎儿是否患有先天性心脏病的主要筛查手段。
由于胎儿心脏超声图像的结构复杂，胎儿先天性心脏病的检出率在很大程度上依赖于超声检测医师的业务水平、检查的性质等因素。因此，胎儿心脏超声图像的定位、检测和分割方法，对于提高先天性心脏病的检出率具有重要意义。
鉴于此，本领域亟需开发一种新的图像检测方法及装置。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种图像检测方法和图像检测装置，进而至少在一定程度上提升了在胎儿心脏图像中识别并检测胎儿心脏的效率。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种图像检测方法，所述方法包括：获取超声图像，并对所述超声图像进行预处理以获得二值超声图像，其中，所述超声图像为胎儿心脏超声图像；在所述二值超声图像中识别多个连通区域，从所述多个连通区域中确定胎儿心脏区域，并对所述胎儿心脏区域进行图像分割处理。
在本公开的一些示例性实施例中，从所述多个连通区域中确定胎儿心脏区域，包括：根据各所述连通区域的像素数量和所述连通区域的中心坐标确定所述连通区域的真实度，并根据所述真实度确定所述胎儿心脏区域。
在本公开的一些示例性实施例中，根据所述真实度确定所述胎儿心脏区域，包括：对所述连通区域的真实度进行排序，将最大真实度对应的连通区域作为所述胎儿心脏区域。
在本公开的一些示例性实施例中，所述方法还包括：获取所述胎儿心脏区域中心点的水平坐标和竖直坐标，并根据所述预设规则在所述超声图像中标记所述胎儿心脏区域。
在本公开的一些示例性实施例中，在所述二值超声图像中识别多个连通区域，包括：基于连通算法在所述二值超声图像中识别多个所述连通区域。
在本公开的一些示例性实施例中，对所述胎儿心脏区域进行图像分割处理，包括：对所述胎儿心脏区域利用基于能量的主动轮廓模型进行图像分割处理。
在本公开的一些示例性实施例中，对所述胎儿心脏区域利用基于能量的主动轮廓模型进行图像分割处理，包括：利用所述基于能量的主动轮廓模型中的梯度矢量流模型对所述胎儿心脏区域进行图像分割处理。
在本公开的一些示例性实施例中，对所述超声图像进行预处理以获得二值超声图像，包括：应用二维低通滤波器对所述超声图像进行平滑处理，并对平滑处理后的超声图像进行归一化处理以获得所述二值超声图像。
在本公开的一些示例性实施例中，对平滑处理后的超声图像进行归一化处理以获得所述二值超声图像，包括：获取所述平滑处理后的超声图像的灰度平滑图像和与所述灰度平滑图像对应的平滑曲线；通过模糊域算法从所述灰度平滑图像中获取增强超声图像，并基于所述平滑曲线和所述增强超声图像的像素值对所述超声图像进行归一化处理，以获得所述二值超声图像。
根据本公开的一个方面，提供一种图像检测装置，所述图像检测装置包括：预处理模块，用于获取超声图像，并对所述超声图像进行预处理获得二值超声图像，其中，所述超声图像为胎儿心脏超声图像；分割图像模块，用于在所述二值超声图像中识别多个连通区域，从所述多个连通区域中确定胎儿心脏区域，并对所述胎儿心脏区域进行图像分割处理。
根据本公开的一个方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中所述的图像检测方法。
根据本公开的一个方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例中所述的图像检测方法。
由上述技术方案可知，本公开示例性实施例中的图像检测方法及装置、计算机可读存储介质、电子设备至少具备以下优点和积极效果：
本公开的图像检测方法，通过获取超声图像，并对超声图像进行预处理获得二值超声图像，该超声图像为胎儿心脏超声图像；接着在该二值超声图像中识别多个连通区域，从多个连通区域中确定胎儿心脏区域，并对胎儿心脏区域进行图像分割处理。本公开中的图像检测方法一方面，通过对胎儿心脏超声图像进行预处理，去除了超声图像中的斑点噪声，改善了由于低对比度和阴影效应造成的超声图像质量低的缺点，提高了胎儿心脏超声图像的可读质量；另一方面，通过从多个连通区域中确定胎儿心脏区域，提升了在胎儿心脏超声图像中查找到胎儿心脏位置的准确度；又一方面，通过自动对胎儿心脏区域进行分割处理，勾勒出胎儿心脏的形状，避免了因手动操作引起的对胎儿心脏的误判断，提高了在胎儿心脏超声图像中寻找胎儿心脏的效率。
本公开应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示意性示出了根据本公开的一实施例的图像检测方法的流程示意图；
图2示意性示出了根据本公开的一实施例的对超声图像进行预处理的流程示意图；
图3(a)示意性示出了根据本公开的一实施例的正常胎儿心脏超声图像的结构示意图；
图3(b)示意性示出了根据本公开的一实施例的异常胎儿心脏超声图像的结构示意图；
图4(a)示意性示出了根据本公开的一实施例的正常胎儿心脏超声图像预处理后的二值超声图像的结构示意图；
图4(b)示意性示出了根据本公开的一实施例的异常胎儿心脏超声图像预处理后的二值超声图像的结构示意图；
图5(a)示意性示出了根据本公开的一实施例的正常胎儿心脏超声图像中标记胎儿心脏区域的结构示意图；
图5(b)示意性示出了根据本公开的一实施例的异常胎儿心脏超声图像中标记胎儿心脏区域的结构示意图；
图6(a)示意性示出了根据本公开的一实施例的正常胎儿心脏超声图像中分割胎儿心脏区域的结构示意图；
图6(b)示意性示出了根据本公开的一实施例的异常胎儿心脏超声图像中分割胎儿心脏区域的结构示意图；
图7示意性示出了根据本公开的一实施例的图像检测装置的框图；
图8示意性示出了根据本公开的一实施例的电子设备的模块示意图；
图9示意性示出了根据本公开的一实施例的程序产品示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
在本领域的相关技术中，通常通过TDWT(Transverse Dyadic WaveletTransform)算法计算18-22周胎儿心脏超声图像中四个腔室的边界和曲率，并采用基于模糊连接的方法将基于概率补丁的最大似然估计作为降噪技术，进而应用于胎儿心脏图像的分割。但是，由于算法的局限性导致不能很好的在胎儿心脏超声图像中识别和分割胎儿心脏区域。
基于相关技术中存在的问题，在本公开的一个实施例中提出了一种图像检测方法。图1示出了图像检测方法的流程示意图，如图1所示，该图像检测方法至少包括以下步骤：
步骤S110：获取超声图像，并对超声图像进行预处理以获得二值超声图像，其中，超声图像为胎儿心脏超声图像；
步骤S120：在二值超声图像中识别多个连通区域，从多个连通区域中确定胎儿心脏区域，并对胎儿心脏区域进行图像分割处理。
本公开实施例的图像检测方法一方面，通过对胎儿心脏超声图像进行预处理，去除了超声图像中的斑点噪声，改善了由于低对比度和阴影效应造成的超声图像质量低的缺点，提高了胎儿心脏超声图像的可读质量；另一方面，通过从多个连通区域中确定胎儿心脏区域，提升了在胎儿心脏超声图像中查找到胎儿心脏位置的准确度；又一方面，通过自动对胎儿心脏区域进行分割处理，勾勒出胎儿心脏的形状，避免了因手动操作引起的对胎儿心脏的误判断，提高了在胎儿心脏超声图像中寻找胎儿心脏的效率。
为了使本公开的技术方案更清晰，接下来对图像检测方法的各步骤进行说明。
在步骤S110中，获取超声图像，并在超声图像中识别多个连通区域，其中，超声图像包括胎儿心脏超声图像。
在本公开的示例性实施例中，超声图像为胎儿心脏超声图像，该胎儿心脏超声图像通过胎儿超声图像技术获得，例如，可以通过基于B型胎儿超声计算机辅助诊断系统(CAD)获得，该辅助诊断系统相对安全，对胎儿和孕妇无害、无放射性、实时显示和操作者体验感好，当然，还可以利用其它的超声图像系统获得胎儿心脏超声图像，本公开对此不做具体限定。
在本公开的示例性实施例中，在二维超声图像中，低水平的回声反射造成胎儿心脏与周围组织相比相对更暗，而且，由于超声图像的复杂环境，超声图像中存在斑点噪声、低对比度和阴影效应引起的低水平质量等特点，因此，在获取超声图像之后，需要对获取的超声图像进行预处理以获得二值超声图像。具体地，对超声图像进行预处理的步骤为：对超声图像进行平滑处理，并对平滑处理后的超声图像进行归一化处理以获得二值超声图像。
在本公开的示例性实施例中，图2示出了对超声图像进行预处理的流程示意图，如图2所示，在步骤S210中，应用二维低通滤波器对超声图像进行平滑处理；在步骤S220中，获取平滑处理后的超声图像的灰度平滑图像和与灰度平滑图像对应的平滑曲线；在步骤S230中，通过模糊域算法从灰度平滑图像中获取增强超声图像，并基于平滑曲线和增强超声图像的像素值对超声图像进行归一化处理以获得二值超声图像。具体地，基于平滑曲线和增强超声图像的像素值通过Z形函数对超声图像进行归一化处理，Z形函数如公式(1)所示：
其中，a和c由平滑曲线的非线性范围确定，比如，a＝1和c＝32，但是本公开对a和c的取值不做具体限定，均在本公开的保护范围之内。b的计算如公式(2)所示：
其中，SN用于校正图像强度分布不对称性的偏差校正偏度统计算法，SN的计算如公式(3)所示：
其中，xi表示第i个像素的像素值，表示增强超声图像的像素平均值，n表示像素数。
在本公开的示例性实施例中，在二值超声图像中识别多个连通区域包括，基于连通算法在二值超声图像中识别多个连通区域，依次遍历二值超声图像中的各个像素，对单个像素周围的像素进行分析和比较，最终确定出二值超声图像中连接的区域。具体地，在二值超声图像中识别多个连通区域可以采用四连通算法实现，也可以采用八连通算法实现，本公开对此不作具体限定。本公开通过在二值超声图像中识别多个连通区域，该多个连通区域表示二值超声图像中待确定的胎儿心脏区域，提高了在胎儿心脏超声图像中确定胎儿心脏区域的效率。
在步骤S120中，从多个连通区域中确定胎儿心脏区域，并对胎儿心脏区域进行图像分割处理。
在本公开的示例性实施例中，根据各连通区域的像素数量和连通区域的中心坐标确定连通区域的真实度，并根据真实度确定胎儿心脏区域。具体地，计算连通区域的真实度的方法如公式(4)所示：
其中，Arean表示该连通区域中的像素数量，k表示连通区域的数量，cn和c0分别表示连通区域的中心坐标和超声图像的中心坐标，dis(cn,c0)表示连通区域的中心与超声图像的中心之间的欧式距离。
在本公开的示例性实施例中，对各连通区域的真实度进行排序，将最大真实度对应的连通区域作为胎儿心脏区域。本公开通过计算各连通区域的真实度，并根据真实度确定胎儿心脏区域，实现了自动识别和检测胎儿心脏超声图像中胎儿心脏区域，避免了因医生经验不足造成的误判断，提高了胎儿心脏识别的准确性。
在本公开的示例性实施例中，获取胎儿心脏区域中心点的水平坐标和竖直坐标，并根据预设规则在超声图像中标记胎儿心脏区域。其中，该预设规则可以是标记框的宽度和高度，标记框的宽度和高度可以根据实际情况进行限定，比如，可以根据胎儿的大小确定，还可以根据超声图像的放大倍数确定，本公开对此不做具体限定。
举例而言，在确定出胎儿心脏区域之后，获取胎儿心脏区域中心点的水平坐标和竖直坐标，并根据标记框的宽度和高度在超声图像中标记胎儿心脏区域。具体地，胎儿心脏区域的坐标计算如公式(5)所示：
其中，ROIt标识胎儿心脏区域，Px和Py是胎儿心脏区域的坐标，wd和ht是标记框的宽度和高度，xtl和ytl分别表示胎儿心脏区域中心点的水平坐标和竖直坐标。
另外，还可以通过获取胎儿心脏区域的最小水平坐标和最小竖直坐标，或通过获取胎儿心脏区域的最大水平坐标和最大竖直坐标，并根据标记框的宽度和高度在超声图像中标记胎儿心脏区域。当然，还可以通过获取胎儿心脏区域的最大水平坐标、最大竖直坐标、最小水平坐标和最小竖直坐标，利用该最大水平坐标、最大竖直坐标、最小水平坐标和最小竖直坐标组成矩形，并将该矩形扩大预设宽度和预设高度来标记胎儿心脏区域，本公开对于标记胎儿心脏区域的方式不作具体限定。
在本公开的示例性实施例中，对胎儿心脏区域进行分割处理，可以采用基于聚类的算法、基于图割的算法以及基于主动轮廓的技术，并基于神经网络的系统来勾勒出胎儿心脏区域。
在本公开的示例性实施例中，应用基于能量的主动轮廓模型，检测胎儿心脏区域边缘以及处理边缘信息和区域信息。主动轮廓技术是将图像分割问题转换为求解能量泛函最小值问题，主动轮廓模型的主要原理是通过构造能量泛函，在能量函数最小值的驱动下，轮廓曲线逐渐向待检测区域的边缘逼近，最终分割出胎儿心脏区域边界。其中，基于能量的主动轮廓模型包括拓扑蛇(topology snake)，梯度矢量流模型(GVF model)，气球蛇模型(balloon snake model)，面积和长度活动轮廓模型(area and length active contourmodel)，测地线活动轮廓(geodesic active contour)，距离蛇(distance snake)以及医学图像分割领域中的约束优化方法(a constrained optimization method in medicalimage segmentation field)。
举例而言，利用梯度矢量流模型，根据梯度矢量流的扩散原理对胎儿心脏区域进行图像分割处理，具体地，梯度矢量流模型的最小矢量场F(V)＝(α(x,y),β(x,y))的能量泛函如公式(6)所示：
从公式(6)可以看出，当较小时，能量由矢量场的偏微分平方和控制，产生一个缓慢变化的场。而当/>较大时，公式(6)的第二项控制了被积函数，通过设置/>使能量最小化，由此产生的效果当/>较大时，保持V约等于边缘映射的梯度，但是在均匀区域，促使场是缓慢变化的。μ标识正则化参数，用来调整被积函数的第一项和第二项。接着，利用变分法，通过解下列欧拉方程可得到梯度矢量流场，欧拉方程如公式(7)所示：
其中，是拉普拉斯算子，/>
下面结合具体实验过程对本公开的示例性实施方式中的图像检测方法进行进一步说明，具体实验过程详细介绍如下：
首先，使用超声胎儿心脏图像采集系统采集数张胎儿心脏超声图像作为实验样本。如图3(a)和图3(b)所示，图3(a)示出了正常胎儿心脏超声图像的结构示意图，图3(b)示出了异常胎儿心脏超声图像的结构示意图。其中，数张胎儿心脏超声图像样本都是母亲孕龄在18-22周时利用超声图像技术拍摄所得。
接着，对采集到的胎儿心脏超声图像样本进行平滑处理以减少斑点噪声，并对平滑后的胎儿心脏超声图像样本进行归一化处理以获得二值超声图像。如图4(a)和图4(b)所示，图4(a)示出了正常胎儿心脏超声图像预处理后的二值超声图像结构示意图，图4(b)示出了异常胎儿心脏超声图像预处理后的二值超声图像结构示意图。
进一步，根据上述图像检测方法确定胎儿心脏区域，在胎儿心脏超声图像中标记胎儿心脏区域。如图5(a)和图5(b)所示，图5(a)示出了正常胎儿心脏超声图像中标记胎儿心脏区域的结构示意图，在胎儿心脏超声图像中标记出胎儿心脏区域501，图5(b)示出了异常胎儿心脏超声图像中标记胎儿心脏区域的结构示意图，在胎儿心脏超声图像中标记出胎儿心脏区域502。利用平均准确率(APR)和平均返回率(ARR)来验证基于本公开的图像检测方法中识别胎儿心脏区域的准确率，平均准确率和平均返回率的计算分别如公式(8)和公式(9)所示：
其中，NT是采集到的胎儿心脏超声图像样本总数，是胎儿心脏区域与手动选择的胎儿心脏区域之间的重叠区域，/>胎儿心脏区域的像素数量，/>是手动选择的胎儿心脏区域的像素数量，i指的是第i张胎儿心脏超声图像样本。
表1示出了基于本公开的图像检测方法中识别胎儿心脏区域总体效果，如表1所示，针对正常胎儿心脏超声图像识别胎儿心脏区域的准确率达到90.39％，针对异常胎儿心脏超声图像识别胎儿心脏区域的准确率达到90.26％。
| 超声图像类型 | APR(％) | ARRA(％) |
| 正常胎儿心脏超声图像 | 90.39％ | 25.64％ |
| 异常胎儿心脏超声图像 | 90.26％ | 26.52％ |
表1
最后，根据上述图像检测方法分割胎儿心脏区域。如图6(a)和图6(b)所示，图6(a)示出了正常胎儿心脏超声图像中分割胎儿心脏区域的结构示意图，图6(b)示出了异常胎儿心脏超声图像中分割胎儿心脏区域的结构示意图。使用相似系数(DSC)验证本公开中基于主动轮廓技术的图像分割算法的效果，相似系数的计算如公式(10)所示：
其中，D1表示手动分割的胎儿心脏区域，D2表示利用本公开实施例的图像检测方法自动分割的胎儿心脏区域。
表2示出了基于本公开的梯度矢量流模型的相似系数，如表2所示，利用梯度矢量流算法可以实现自动分割胎儿心脏区域，并且与手动分割相比，具有较高的准确性。
| 超声图像类型 | DSC |
| 正常胎儿心脏超声图像 | 91.56％ |
| 异常胎儿心脏超声图像 | 85.87％ |
表2
以下介绍本公开的装置实施例，可以用于执行本公开上述的图像检测方法。对于本公开装置实施例中未披露的细节，请参照本公开上述的图像检测方法的实施例。
图7示意性示出了根据本公开的一个实施例的图像检测装置的框图。
参照图7所示，根据本公开的一个实施例的图像检测装置700，图像检测装置700包括：预处理模块701、分割图像模块702。具体地：
预处理模块701，用于获取超声图像，并对超声图像进行预处理获得二值超声图像，其中，超声图像为胎儿心脏超声图像；
分割图像模块702，用于在二值超声图像中识别多个连通区域，从多个连通区域中确定胎儿心脏区域，并对胎儿心脏区域进行图像分割处理。
上述各图像检测装置的具体细节已经在对应的图像检测方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了用于执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图8来描述根据本发明的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830、显示单元840。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图1中所示的步骤S110，获取超声图像，并对超声图像进行预处理以获得二值超声图像，其中，超声图像为胎儿心脏超声图像；步骤S120，在二值超声图像中识别多个连通区域，从多个连通区域中确定胎儿心脏区域，并对胎儿心脏区域进行图像分割处理。
存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。
存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备1000(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得观众能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施方式的步骤。
参考图9所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品900，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (8)
1.一种图像检测方法，其特征在于，包括：
获取超声图像，对所述超声图像进行平滑处理，获取所述平滑处理后的超声图像的灰度平滑图像和与所述灰度平滑图像对应的平滑曲线；通过模糊域算法从所述灰度平滑图像中获取增强超声图像，并基于所述平滑曲线的非线性范围和所述增强超声图像的像素值对所述超声图像进行归一化处理，以获得二值超声图像，其中，所述超声图像为胎儿心脏超声图像；
在所述二值超声图像中识别多个连通区域，根据各所述连通区域的像素数量及所述连通区域的中心坐标与所述超声图像的中心坐标之间的距离的运算结果，确定所述连通区域的真实度，根据所述真实度确定所述胎儿心脏区域，并对所述胎儿心脏区域进行图像分割处理，以分割出胎儿心脏区域边界。
2.根据权利要求1所述的图像检测方法，其特征在于，根据所述真实度确定所述胎儿心脏区域，包括：
对所述连通区域的真实度进行排序，将最大真实度对应的连通区域作为所述胎儿心脏区域。
3.根据权利要求1所述的图像检测方法，其特征在于，所述方法还包括：
获取所述胎儿心脏区域中心点的水平坐标和竖直坐标，并根据预设规则在所述超声图像中标记所述胎儿心脏区域。
4.根据权利要求1所述的图像检测方法，其特征在于，在所述二值超声图像中识别多个连通区域，包括：
基于连通算法在所述二值超声图像中识别多个所述连通区域。
5.根据权利要求1所述的图像检测方法，其特征在于，对所述胎儿心脏区域进行图像分割处理，包括：
对所述胎儿心脏区域利用基于能量的主动轮廓模型进行图像分割处理。
6.根据权利要求5所述的图像检测方法，其特征在于，对所述胎儿心脏区域利用基于能量的主动轮廓模型进行图像分割处理，包括：
利用所述基于能量的主动轮廓模型中的梯度矢量流模型对所述胎儿心脏区域进行图像分割处理。
7.根据权利要求1所述的图像检测方法，其特征在于，对所述超声图像进行平滑处理，包括：
应用二维低通滤波器对所述超声图像进行平滑处理。
8.一种图像检测装置，其特征在于，包括：
预处理模块，用于获取超声图像，对所述超声图像进行平滑处理，获取所述平滑处理后的超声图像的灰度平滑图像和与所述灰度平滑图像对应的平滑曲线；通过模糊域算法从所述灰度平滑图像中获取增强超声图像，并基于所述平滑曲线的非线性范围和所述增强超声图像的像素值对所述超声图像进行归一化处理，以获得二值超声图像，其中，所述超声图像为胎儿心脏超声图像；
分割图像模块，用于在所述二值超声图像中识别多个连通区域，根据各所述连通区域的像素数量及所述连通区域的中心坐标与所述超声图像的中心坐标之间的距离的运算结果，确定所述连通区域的真实度，根据所述真实度确定所述胎儿心脏区域，并对所述胎儿心脏区域进行图像分割处理，以分割出胎儿心脏区域边界。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010314325.2A CN111539926B (zh) | 2020-04-20 | 2020-04-20 | 一种图像检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010314325.2A CN111539926B (zh) | 2020-04-20 | 2020-04-20 | 一种图像检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111539926A CN111539926A (zh) | 2020-08-14 |
| CN111539926B true CN111539926B (zh) | 2024-04-26 |
Family
ID=71980094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010314325.2A Active CN111539926B (zh) | 2020-04-20 | 2020-04-20 | 一种图像检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539926B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113793316B (zh) * | 2021-09-13 | 2023-09-12 | 合肥合滨智能机器人有限公司 | 一种超声扫查区域提取方法、装置、设备和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509292A (zh) * | 2011-11-03 | 2012-06-20 | 北京理工大学 | 一种心脏核磁共振图像的快速分割方法 |
| CN106991694A (zh) * | 2017-03-17 | 2017-07-28 | 西安电子科技大学 | 基于显著区域面积匹配的心脏ct与超声图像配准方法 |
| CN107545579A (zh) * | 2017-08-30 | 2018-01-05 | 上海联影医疗科技有限公司 | 一种心脏分割方法、设备和存储介质 |
| CN107563998A (zh) * | 2017-08-30 | 2018-01-09 | 上海联影医疗科技有限公司 | 医学图像中心脏图像处理方法 |
| CN108090909A (zh) * | 2017-12-15 | 2018-05-29 | 中国人民解放军陆军军医大学第附属医院 | 一种基于统计偏微分模型的超声造影图像分割方法 |
| WO2018148907A1 (zh) * | 2017-02-16 | 2018-08-23 | 深圳迈瑞生物医疗电子股份有限公司 | 超声医学检测设备及成像方法、成像系统、显示终端 |
| CN110807829A (zh) * | 2019-11-05 | 2020-02-18 | 张东海 | 一种基于超声成像构建三维心脏模型的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110660064A (zh) * | 2018-06-29 | 2020-01-07 | 通用电气公司 | 心脏ct图像的处理方法和装置，非暂态计算机可读存储介质 |
-
2020
- 2020-04-20 CN CN202010314325.2A patent/CN111539926B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102509292A (zh) * | 2011-11-03 | 2012-06-20 | 北京理工大学 | 一种心脏核磁共振图像的快速分割方法 |
| WO2018148907A1 (zh) * | 2017-02-16 | 2018-08-23 | 深圳迈瑞生物医疗电子股份有限公司 | 超声医学检测设备及成像方法、成像系统、显示终端 |
| CN106991694A (zh) * | 2017-03-17 | 2017-07-28 | 西安电子科技大学 | 基于显著区域面积匹配的心脏ct与超声图像配准方法 |
| CN107545579A (zh) * | 2017-08-30 | 2018-01-05 | 上海联影医疗科技有限公司 | 一种心脏分割方法、设备和存储介质 |
| CN107563998A (zh) * | 2017-08-30 | 2018-01-09 | 上海联影医疗科技有限公司 | 医学图像中心脏图像处理方法 |
| CN108090909A (zh) * | 2017-12-15 | 2018-05-29 | 中国人民解放军陆军军医大学第附属医院 | 一种基于统计偏微分模型的超声造影图像分割方法 |
| CN110807829A (zh) * | 2019-11-05 | 2020-02-18 | 张东海 | 一种基于超声成像构建三维心脏模型的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111539926A (zh) | 2020-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11508059B2 (en) | Methods and systems for detecting a centerline of a vessel | |
| Shen et al. | An automated lung segmentation approach using bidirectional chain codes to improve nodule detection accuracy | |
| CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
| US9262822B2 (en) | Malignant mass detection and classification in radiographic images | |
| WO2021179491A1 (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| US7711167B2 (en) | Fissure detection methods for lung lobe segmentation | |
| WO2021136368A1 (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
| CN113706473B (zh) | 超声图像中病灶区域的长短轴确定方法和超声设备 | |
| Jas et al. | A heuristic approach to automated nipple detection in digital mammograms | |
| CN114022444A (zh) | 超声图像的处理方法及装置 | |
| WO2008036372A2 (en) | Method and system for lymph node segmentation in computed tomography images | |
| CN113888566B (zh) | 目标轮廓曲线确定方法、装置、电子设备以及存储介质 | |
| CN111539926B (zh) | 一种图像检测方法及装置 | |
| CN113764101A (zh) | 基于cnn的乳腺癌新辅助化疗多模态超声诊断系统 | |
| Tong et al. | Automatic lumen border detection in IVUS images using dictionary learning and kernel sparse representation | |
| WO2024051018A1 (zh) | 一种pet参数图像的增强方法、装置、设备及存储介质 | |
| CN116309551A (zh) | 确定病灶取样区的方法、装置、电子设备及可读介质 | |
| CN116109610A (zh) | 一种超声检查报告图像中乳腺肿瘤分割方法和系统 | |
| CN115482261A (zh) | 血管配准方法、装置、电子设备及存储介质 | |
| CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
| CN112116608B (zh) | 一种导丝分割方法、装置、电子设备及存储介质 | |
| CN114170258A (zh) | 图像分割方法、装置、电子设备及存储介质 | |
| CN111275719B (zh) | 钙化假阳识别及其模型训练的方法、装置、终端及介质 | |
| Song et al. | Fully Automatic Ultrasound Fetal Heart Image Detection and Segmentation based on Texture Analysis | |
| CN112785580A (zh) | 确定血管流速的方法及装置 |
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 |