CN111652876B - 一种三维盆底超声图像的检测方法 - Google Patents
一种三维盆底超声图像的检测方法 Download PDFInfo
- Publication number
- CN111652876B CN111652876B CN202010506135.0A CN202010506135A CN111652876B CN 111652876 B CN111652876 B CN 111652876B CN 202010506135 A CN202010506135 A CN 202010506135A CN 111652876 B CN111652876 B CN 111652876B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- ultrasonic image
- sampling frame
- pelvic floor
- 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.)
- Active
Links
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
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/235—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on user input or interaction
-
- 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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种三维盆底超声图像的检测方法,所述方法包括获取待检测的三维盆底超声图像;基于经过训练的检测算法模型,提取所述三维盆底超声图像对应的三维取样框,其中,所述三维取样框所对应的三维图像区域包括肛提肌裂孔区域;基于所述三维取样框,确定所述三维盆底超声图像对应的肛提肌裂孔图像。本发明在获取到三维盆底超声图像后,直接通过检测算法模型获取该三维盆底超声图像对应的三维取样框,这样无需对三维盆底超声图像的采集角度进行严格限制,从而降低了三维取样框对医生手法的依赖性,进而可以减少因医生经验不足而造成的人为误差。
Description
技术领域
本发明涉及超声技术领域,特别涉及一种三维盆底超声图像的检测方法。
背景技术
女性盆底肌主要由肛提肌组成,肛提肌是一组包括耻骨直肠肌、耻骨尾骨肌、髂尾肌的肌群。肛提肌中央有裂隙样的结构,称为肛提肌裂孔。肛提肌裂孔的大小等测量参数可为临床诊断盆腔脏器脱垂提供重要的依据。
目前常采用三维超声对盆底肛提肌进行扫查,盆底肛提肌扫查过程中需要经会阴起始正中矢状切面扫查获得三维盆底超声容积图像,并通过医生手动设置取样框截取感兴趣容积区域。然而,这对医生采图手法要求较高,从而会存在因医生经验不足而造成人为误差。
发明内容
本发明要解决的技术问题在于,针对现有技术的不足,提供一种三维盆底超声图像的检测方法。
为了解决上述技术问题,本发明所采用的技术方案如下:
一种三维盆底超声图像的检测方法,所述方法包括:
获取待检测的三维盆底超声图像;
基于经过训练的检测算法模型,提取所述三维盆底超声图像对应的三维取样框,其中,所述三维取样框所对应的三维图像区域包括肛提肌裂孔区域;
基于所述三维取样框,确定所述三维盆底超声图像对应的肛提肌裂孔图像。
所述三维盆底超声图像的检测方法,其中,所述肛提肌裂孔图像为所述二维图像,并且所述肛提肌裂孔图像包括肛提肌裂孔取样框,其中,所述肛提肌裂孔取样框为所述三维取样框与所述肛提肌裂孔图像相交所成的直线。
所述三维盆底超声图像的检测方法,其中,所述检测算法模型为深度学习网络模型,所述基于经过训练的检测算法模型,提取所述三维盆底超声图像对应的三维取样框具体包括:
将所述三维盆底超声图像输入所述深度学习网络模型;
通过所述深度网络模型输出所述三维盆底超声图像对应的三维取样框。
所述三维盆底超声图像的检测方法,其中,所述基于经过训练的检测算法模型,提取所述三维盆底超声图像对应的三维取样框之后,所述方法包括:
将所述三维取样框分别绘制于若干预设平面,以形成若干二维取样框,其中,所述若干预设平面中的每个预设平面均为所述三维盆底图像的二维截面;
基于所述若干二维取样框对所述三维取样框进行调整,并将调整得到的三维取样框作为所述三维盆底图像对应的三维取样框。
所述三维盆底超声图像的检测方法,其中,所述若干预设平面为三个预设平面,并且三个预设平面为三个正交平面。
所述三维盆底超声图像的检测方法,其中,所述基于所述若干二维取样框对所述三维取样框进行调整,并将调整得到的三维取样框作为所述三维盆底图像对应的三维取样框具体包括:
监听调整指令,其中,所述调整指令用于调整若干二维取样框中的任一二维取样框;
根据所述调整指令对所述调整指令对应的二维取样框进行调整,并基于调整后的二维取样框生成目标三维取样框;
将所述目标三维取样框作为所述三维盆底超声图像对应的三维取样框。
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一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上任一所述的三维盆底超声图像的检测方法中的步骤。
一种超声设备,其包括:处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如上任一所述的三维盆底超声图像的检测方法中的步骤。
有益效果:与现有技术相比,本发明提供了一种三维盆底超声图像的检测方法,所述方法包括获取待检测的三维盆底超声图像;基于经过训练的检测算法模型,提取所述三维盆底超声图像对应的三维取样框,其中,所述三维取样框所对应的三维图像区域包括肛提肌裂孔区域;基于所述三维取样框,确定所述三维盆底超声图像对应的肛提肌裂孔图像。本发明在获取到三维盆底超声图像后,直接通过检测算法模型获取该三维盆底超声图像对应的三维取样框,这样无需对三维盆底超声图像的采集角度进行限制,从而降低了三维取样框对医生手法依赖性,进而可以减少了因医生经验不足而形成的人为误差。
附图说明
图1为本发明提供的三维盆底超声图像的检测方法的流程图。
图2为本发明提供的三维盆底超声图像的检测方法中三个二维图像中一个二维图像的示意图。
图3为本发明提供的三维盆底超声图像的检测方法中三个二维图像中另一个二维图像的示意图。
图4为本发明提供的三维盆底超声图像的检测方法的三个二维图像中再一个二维图像的示意图。
图5为本发明提供的三维盆底超声图像的检测方法中肛提肌裂孔图像的示意图。
图6为本发明提供的三维盆底超声图像的检测方法中TUI断层成像模式显示多水平肛提肌轴平面的示意图。
图7为本发明提供的超声设备的结构原理图。
具体实施方式
本发明提供一种三维盆底超声图像的检测方法,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语 (包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
本实施例提供了一种三维盆底超声图像的检测方法,该方法可以应用的电子设备,所述电子设备可以以各种形式来实现。例如,超声设备、PC 机、平板电脑、掌上电脑、个人数字助理(Personal Digital Assistant, PDA)等。另外,该方法所实现的功能可以通过电子设备中的处理器调用程序代码来实现,当然程序代码可以保存在计算机存储介质中,可见,该电子设备至少包括处理器和存储介质。
本实施提供了一种三维盆底超声图像的检测方法,如图1所示,所述方法可以包括以下步骤:
S10、获取待检测的三维盆底超声图像。
具体地,所述三维盆底超声图像可以是根据超声图像采集设备采集的盆底组织信息,获取到的三维盆底超声图像;也可以是外部设备发送的三维盆底超声图像。在本实施例的一个实现方式中,所述三维盆底超声图像可以为通过使用3D/4D腔内或者腹部超声探头采集的三维盆底超声容积图像,例如,经会阴起始扫查获得的三维盆底超声容积图像。可以理解的是,所述三维图像正中切面可以为盆底正中矢状切面,也可以不为盆底正中矢状切面,在本实施例中不对此进行限定。从而,在获取三维盆底超声图像时,可以无需限定必须为经会阴起始正中矢状切面扫查获得的三维盆底超声容积图像,这样可以减少对三维盆底超声图像对应医生采集手法的依赖性,降低了对三维盆底超声图像的要求。
进一步,由于对所述三维盆底超声图像进行检测是检测三维盆底超声图像中的肛提肌裂孔区域。由此,所述三维盆底超声图像包括肛提肌裂孔区域,以使得基于所述三维盆底超声图像可以识别到肛提肌裂孔区域对应的感兴趣容积区域。
进一步,在本实施例的一个实现方式中,在获取所述待检测的三维盆底超声图像时,可以先获取多张候选三维盆底超声图像;再从获取到的多张候选三维盆底超声图像中选取一张作为待检测的三维盆底超声图像。其中,所述待检测的三维盆底超声图像可以为多张候选三维盆底超声图像中的任意一张,也可以是多张三维盆底超声图像中最中间的一张三维盆底超声图像,还可以是多张三维盆底超声图像中清晰度最高的一张三维盆底超声图像。在一个具体实现方式中,所述待检测三维盆底超声图像为多张三维盆底超声图像中清晰度最高的三维盆底超声图像。由此,在获取到多张三维盆底超声图像后,可以分别确定各张三维盆底超声图像的清晰度,在根据各张三维盆底超声图像的清晰度来确定清晰度最高的三维盆底超声图像,将确定得到的三维盆底超声图像作为待检测的三维盆底超声图像。当然,值得说明的是,当清晰度最高的三维盆底超声图像为多张时,可以在多张清晰度最高的三维盆底超声图像中随机选取一张作为待检测的三维盆底超声图像。这样采用清晰度最高的三维盆底超声图像作为待检测的三维盆底超声图像,可以提高后续三维取样框准确性。
S20、基于经过训练的检测算法模型,提取所述三维盆底超声图像对应的三维取样框,其中,所述三维取样框所对应的三维图像区域包括肛提肌裂孔区域。
具体地,所述检测算法模型为预先设置并经过训练的,通过该检测算法模型可以得到所述三维盆底超声图像对应的三维取样框。可以理解的是,通过所述检测算法模型对所述三维盆底超声图像进行检测处理后,可以得到所述三维盆底超声图像对应的三维取样框。所述三维取样框标记于该三维盆底超声图像内的,并且该三维取样框所对应的三维图像区域包括肛提肌裂孔区域,也就是说,所述肛提肌裂孔区域在所述三维盆底超声图像中所占的图像区域包含于所述三维取样框对应的三维图像区域。在本实施例的一个实现方式中,所述三维取样框为长方体结构,当然,在实际应用中,三维取样框还可以为其他形状,例如,球体、柱体等。
进一步,在本实施例的一个实现方式中,基于经过训练的检测算法模型,提取所述三维盆底超声图像对应的三维取样框之前,可以判断三维盆底超声图像的分析功能是否开启,若三维盆底超声图像的分析功能开启,则基于经过训练的检测算法模型提取其对应的三维取样框;若三维盆底超声图像的分析功能未开启,则提示医生手动处理。其中,所述三维盆底超声图像的分析功能可以是根据外部设备发送启动指令开启的,也可以是通过触发预设按键来启动(例如,医生点击预设按键启动三维盆底超声图像的分析功能等);所述预设按键可以为设置在超声图像采集设备触摸屏某一交互界面预设虚拟按键,或者设置在超声图像采集设备操作面板上设置一个实体按键等。
进一步,在本实施例的一个实现方式中,所述检测算法模型可以为用于识别肛提肌裂孔区域对应的三维取样框的深度学习模型,也可以是传统机器学习模型(例如,随机森林、adaboost等)。在本实施例的一个实现方式中,由于所述深度学习模型是一种能够模拟出人脑的神经结构的机器学习模型,其具有强大的图像处理能力以及正向传播,使得学习结果最接近于人脑结果,因此所述检测算法模型采用深度学习模型。
进一步,在本实施例的一个实现方式中,所述检测算法模型为深度学习网络模型,所述基于经过训练的检测算法模型,提取所述三维盆底超声图像对应的三维取样框具体包括:
S21、将所述三维盆底超声图像输入所述深度学习网络模型;
S22、通过所述深度网络模型输出所述三维盆底超声图像对应的三维取样框。
具体地,所述深度学习网络模型的输入项为三维盆底超声图像,所述深度学习网络模型的输出项为三维盆底超声图像对应的三维取样框,所述三维取样框对应的图像区域包括肛提肌裂孔区域。在本实施例的一个实现方式中,所述深度学习模块可以为3D卷积神经网络,例如,3D deeplabV3 网络。其中,3D deeplabV3网络采用编码器-解码器框架,其中,编码器可以采用多层深度卷积提取三维盆底超声图像中3D纹理形成低层次特征,再用多尺寸带孔卷积组成的空间金字塔池化层对低层次特征做降采样,融合多尺度空间的特征信息形成高层次特征;所述解码器可以将高层次特征和低层次特征连接,并对连接得到的特征进行上采样以得到包含三维取样框的特征图,以得到三维取样框。
进一步,所述深度学习网络模型基于预设训练样本集训练得到的,预设训练样本集包括多组预设训练样本,每组预设训练样本包括三维盆底超声图像以该三维盆底超声图像对应的真实三维取样框。此外,在基于该预设训练样本集对深度学习网络模型对应的初始网络模型进行训练时,将预设训练样本中的三维盆底超声图像输入所述初始网络模型,通过所述初始网络模型输出三维盆底超声图像对应的预测三维取样框;基于所述预测三维取样框及真实三维取样框计算损失函数,并根据计算得到的损失函数对初始网络模型的模型参数进行修正,以得到该深度学习网络模型。
进一步,深度学习网络模型中对三维取样框进行检测的方式可以包括图像语义分割、热图回归、位置参数回归以及目标检测等方式,其中,所述图像语义分割可以为将肛提肌裂孔区域在图像中占用的像素使用图像语义分割方法从图像中分割出来,并基于分割得到的肛提肌裂孔区域确定三维取样框,以得到预测三维取样框;所述热图回归可以为将三维取样框各顶点转换为表示置信度大小的热图做回归预测,定位其在图像中位置以得到预测三维取样框;所述位置参数回归可以为将取样框的顶点坐标直接回归计算出来,以得到预测三维取样框;所述目标检测可以为在图像中生成不断移动的多尺度框,再识别框中的图像是否包含完整肛提肌裂孔结构,以得到预测三维取样框。
在本实施例的一个实现方式中,深度学习网络模型中对三维取样框进行检测的方式为热图回归方式,所述深度网络模型对应的训练样本集包括多组预设训练样本,每组预设训练样本包括三维盆底超声图像以及三维取样框对应的热图金标准(例如,球状高斯热图等),其中,所述热图金标准为基于三维盆底超声图像对应的真实三维取样框的3个标注取样框顶点生成的球状高斯热图金标准。所述热图金标准的生成过程可以包括:将标注取样框顶点作为中心点赋值为最大灰度值,将距离中心点的距离为 (Δx,Δy,Δz)的元素点的灰度值用表示为最大灰度值其中,δ用于调整高斯热图的范围,为预设数值。此外,在训练过程中,在预设网络模型输出三维盆底超声图像对应的预测热图,可以基于预测热图和热图金标准确定预设网络模型的损失函数,其中,所述损失函数为预测热图与热图金标准的差距,其中,所述损失函数的表达式可以为:MSE loss=(预测区域-金标准区域)^2。然后,基于损失函数不断反向传播调整神经网络的权重,最终使得神经网络能够根据超声图像输出与医生标注金标准接近的结果,以得到经过训练的深度学习网络模型。此外,采用基于热图方式的深度学习模型时,在将三维盆底超声图像输入经过训练的深度学习模块 (即检测算法)后,深度学习模块输出包含3个取样框顶点的特征图,再基于给特征图确定三维盆底超声图像对应的三维取样框。例如,使用argmax 方法即可从特征图中提取出3个顶点的坐标,再连线补齐长方体其他几条边即可获得三维取样框。
在本实施例的另一个实现方式中,深度学习网络模型中对三维取样框进行检测的方式采用图像语义分割方式,所述深度网络模型对应的训练样本集包括多组预设训练样本,每组预设训练样本包括三维盆底超声图像以及三维取样框对应的分割区域金标准,所述分割区域金标准为基于三维盆底超声图像中标注的三维VOI取样框内的体素生成的,其中,所述分割区域金标准的具体生成过程可以为:将三维盆底超声图像中标注的三维VOI取样框内包含的所有体素都赋值为代表前景类别的第一预设值(例如,1 等),将三维VOI取样框外的所有体素都赋值为代表背景类别的第二预设值值(例如,0等)以得到分割区域金标准。此外,在训练过程中,在预设网络模型输出三维盆底超声图像对应的预测分割区域后,可以基于预测分割区域和分割区域金标准确定预设网络模型的损失函数,其中,所述损失函数为预测分割区域与分割区域金标准的差距,所述损失函数的表达式可以为:然后,基于损失函数不断反向传播调整神经网络的权重,最终使得神经网络能够根据超声图像输出与医生标注金标准接近的结果,以得到经过训练的深度学习网络模型。此外,采用基于热度图方式的深度学习模型时,在将三维盆底超声图像输入经过训练的深度学习模块(即检测算法膜)后,深度学习模块输出包含前景(肛提肌裂孔区域)和背景(肛提肌裂孔以外区域)的特征图,再基于给特征图确定三维盆底超声图像对应的三维取样框。例如,使用阈值方法从特征图中提取出肛提肌裂孔区域,再取包含肛提肌裂孔区域的长方体框即得到三维取样框。
进一步,在本实施例的一个实现方式中,为了提高检测算法模型的响应速度,在训练得到检测算法模型后,可以将所述检测算法模型的权重类型转换为整数类型,并且转换后的权重占用的位宽小于转换前的权重占用的位宽,这样可以降低对内存带宽的占用,从而提高检测算法模型的响应速度。在本实施例的一个具体实现方式中,训练得到检测算法模型的权重为32位浮点类型,转换后的权重为8位整数类型,这样检测算法模型尺寸减少4倍,对内存带宽需求减少4倍,推理速度提高到原来的2倍。其中,所述将所述检测算法模型的权重类型转换为整数类型的具体过程可以为:对原32位浮点类型权重x根据量化比例因子scale及浮点0映射量化值 zero_point做缩放及偏移操作,并对操作得到权重取整以得到8位整数类型的权重。其中,所述权重类型转换公式可以为:
此外,值得说明的,在实际应用中,所述检测算法模型的权重类型可以实际需求确定,例如,所述权重类型可以为浮点型,或者是,部分权重类型为浮点型,部分权重类型为整数型等,这里不做具体限定。
进一步,在本实施例的一个实现方式中,为了提高获取得到的三维取样框的精确度,所述基于经过训练的检测算法模型,提取所述三维盆底超声图像对应的三维取样框具体可以为:对所述三维盆底超声图像进行增强处理,以得到所述三维盆底超声图像对应的若干增强三维盆底超声图;分别将若干增强三维盆底超声图像中的每个增强三维盆底超声图像以及所述三维盆底超声图像输入检测算法模型,通过检测算法模型输出各三维盆底超声图像以及所述三维盆底超声图像各自对应的三维取样框;基于获取到所有三维取样框确定三维盆底超声图像对应的三维取样框。其中,所述对所述三维盆底超声图像进行增强处理可以为对所述三维盆底超声图像进行旋转、区域剪裁以及灰度值对比度调整等,其中,增强三维盆底超声图像可以为通过对三维盆底超声图像进行旋转、区域剪裁以及灰度值对比度调整中的一种或者几种方式得到的。此外,基于获取到所有三维取样框确定三维盆底超声图像对应的三维取样框时,可以获取到的所有三维取样框作为输出结果,可以根据所有三维取样框的交区域确定三维取样框,确定得到三维取样框为包含交区域的最小长方形三维取样框;当然,也可以根据所有三维取样框的并区域确定三维取样框等,这里不做一一说明。
进一步,为了提高三维取样框的精确性,在通过检测算法模型确定三维取样框后,可以基于调整指令对三维取样框进行调整。相应的,所述基于经过训练的检测算法模型,提取所述三维盆底超声图像对应的三维取样框之后,所述方法包括:
将所述三维取样框分别绘制于若干预设平面,以形成若干二维取样框,其中,所述若干预设平面中的每个预设平面均为所述三维盆底图像的二维截面;
基于所述若干二维取样框对所述三维取样框进行调整,并将调整得到的三维取样框作为所述三维盆底图像对应的三维取样框。
具体地,所述二维取样框为三维取样框与该二维图像对应的预设平面相交的直线,所述若干预设平面中的每个预设平面均为所述三维盆底图像的二维截面。例如,如图2-4所示,当三维取样框为长方体时,二维取样框可以为长方形。其中,所述预设平面为预先设置,所述预设平面用于承载三维取样框相交的二维平面;并且所述预设平面为三维盆底超声图像的一个切面,该预设平面包含有三维盆底超声图像的图像信息。在本实施例的中,所述若干预设平面为三个正交平面,也就是说,对于三个正交平面中的任意一个平面,该平面垂直于另外两个平面;例如,所述三个正交平面分别为平面A、平面B以及平面C,所述平面A分别垂直于平面B和平面 C,平面B分别垂直于平面A和平面C;平面C分别垂直于平面A和平面B。例如,在盆底超声中,经过会阴获取三维盆底超声图像后,若平面A为盆底的正中矢状切面,那么平面B为盆底冠状切面,平面C为盆底的横切面。
进一步,在本实施例的一个实现方式中,所述基于所述若干二维取样框对所述三维取样框进行调整,并将调整得到的三维取样框作为所述三维盆底图像对应的三维取样框具体包括:
监听调整指令,其中,所述调整指令用于调整若干二维取样框中的任一二维取样框;
根据所述调整指令对所述调整指令对应的二维取样框进行调整,并基于调整后的二维取样框生成目标三维取样框;
将所述目标三维取样框作为所述三维盆底超声图像对应的三维取样框。
具体地,所述调整指令可以是医生输入的,可以是外部设备传输的等。其中,当所述调整指令为医生输入时,医生可以通过拖动二维取样框的边线来触发,也可以是输入二维取样框缩放比例来实现。可以理解的是,二维图像上的二维取样框为可编辑状态,在显示所述若干二维图像之后,可以判断是否需要对各二维取样框做出调整,以达到更准确的定位,其中,所述调整可包括但不限于:移动、拉伸、旋转。此外,当需要对各二维取样框二维取样框出调整时,医生可以手动调整二维取样框的大小以及位置等,并根据调整后的二维取样框来重新确定肛提肌裂孔图像,,例如,医生需要手动将平面A中二维取样框下边位置向上调时,可以通过超声图像采集设备的轨迹球来移动光标,将该二维取样框下边向上拖拽到指定位置等。当然,也可以自动对二维取样框进行调整。例如,预先设置二维取样框的最大范围,当二维取样框的范围大于最大范围时,自动将二维取样框的范围调节到最大范围等。
此外,在接收到调整指令,响应所述调整指令以对二维取样框进行调整,并且在二维取样框调整后,基于调后的二维取样框以及其他平面上的二维图像中的二维取样框重新生成目标取样框,其中,目标取样框为三维取样框。当然,在实际应用中,所述调整指令可对一个平面上的二维图像中的二维取样框进行调整,也可以对多个平面中的每个二维图纸中的二维取样框进行调整。
S30、基于所述三维取样框,确定所述三维盆底超声图像对应的肛提肌裂孔图像。
具体地,所述肛提肌裂孔图像为二维图像,如图5所示,所述二维图像通过对三维取样框对应的图像区域进行三维渲染得到,其中,所述肛提肌裂孔图像为二维肛提肌裂孔标准切面。其中,所述肛提肌裂孔图像包括肛提肌裂孔取样框,所述肛提肌裂孔取样框为所述三维取样框与所述肛提肌裂孔图像相交所成的直线。
进一步,在本实施例的一个实现方式中,于所述三维取样框,确定所述三维盆底超声图像对应的肛提肌裂孔图像,还可以基于三维取样框确定三维盆底超声图像对应的TUI断层超声图。其中,所述TUI断层超声图的确定过程可以为:在预设层数的水平轴平面上截取二维图像,并确定三维取样框与该二维图像相交的直线,以确定该二维平面对应的二维取样框,以使得的TUI断层超声图中每张二维超声图中均携带有二维取样框,以通过预设层数多水平轴平面显示肛提肌完整性。例如,如图6所示,根据取样框边沿得到肛提肌裂孔最小平面,并以此平面为参考平面,上下以预设距离(例如,2.5mm等)等间距截取预设数量(例如,8等)的不同水平的轴平面显示肛提肌,以得到TUI断层超声图。
基于上述三维盆底超声图像的检测方法,本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一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上述实施例所述的三维盆底超声图像的检测方法中的步骤。
基于上述三维盆底超声图像的检测方法,本发明还提供了一种超声设备,如图7所示,其包括至少一个处理器(processor)20;显示屏21;以及存储器(memory)22,还可以包括通信接口(Communications Interface) 23和总线24。其中,处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令,以执行上述实施例中的方法。
此外,上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据超声设备的使用所创建的数据等。此外,存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
此外,上述存储介质以及超声设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明,在这里就不再一一陈述。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种三维盆底超声图像的检测方法,其特征在于,所述方法包括:
获取待检测的三维盆底超声图像;
基于经过训练的检测算法模型,提取所述三维盆底超声图像对应的三维取样框,其中,所述三维取样框所对应的三维图像区域包括肛提肌裂孔区域;
基于所述三维取样框,确定所述三维盆底超声图像对应的肛提肌裂孔图像;
所述待检测的三维盆底超声图像为多张候选三维盆底超声图像中的任意一张,或是多张三维盆底超声图像中最中间的一张三维盆底超声图像或多张三维盆底超声图像中清晰度最高的一张三维盆底超声图像;
所述检测算法模型为深度学习网络模型或传统机器学习模型;
在训练得到所述检测算法模型后,将所述检测算法模型的权重类型转换为整数类型,并且转换后的权重占用的位宽小于转换前的权重占用的位宽;
所述基于经过训练的检测算法模型,提取所述三维盆底超声图像对应的三维取样框具体为:对所述三维盆底超声图像进行增强处理,以得到所述三维盆底超声图像对应的若干增强三维盆底超声图像;分别将所述若干增强三维盆底超声图像中的每个增强三维盆底超声图像以及所述三维盆底超声图像输入所述检测算法模型,通过所述检测算法模型输出各三维盆底超声图像以及所述三维盆底超声图像各自对应的三维取样框;基于获取到所有三维取样框确定所述三维盆底超声图像对应的三维取样框;其中,所述对所述三维盆底超声图像进行增强处理为对所述三维盆底超声图像进行旋转、区域剪裁以及灰度值对比度调整。
2.根据权利要求1所述三维盆底超声图像的检测方法,其特征在于,所述肛提肌裂孔图像为二维图像,并且所述肛提肌裂孔图像包括肛提肌裂孔取样框,其中,所述肛提肌裂孔取样框为所述三维取样框与所述肛提肌裂孔图像相交所成的直线。
3.根据权利要求1所述三维盆底超声图像的检测方法,其特征在于,所述基于经过训练的检测算法模型,提取所述三维盆底超声图像对应的三维取样框之后,所述方法包括:
将所述三维取样框分别绘制于若干预设平面,以形成若干二维取样框,其中,所述若干预设平面中的每个预设平面均为所述三维盆底超声图像的二维截面;
基于所述若干二维取样框对所述三维取样框进行调整,并将调整得到的三维取样框作为所述三维盆底超声图像对应的三维取样框。
4.根据权利要求3所述三维盆底超声图像的检测方法,其特征在于,所述若干预设平面为三个预设平面,并且三个预设平面为三个正交平面。
5.根据权利要求3所述三维盆底超声图像的检测方法,其特征在于,所述基于所述若干二维取样框对所述三维取样框进行调整,并将调整得到的三维取样框作为所述三维盆底超声图像对应的三维取样框具体包括:
监听调整指令,其中,所述调整指令用于调整若干二维取样框中的任一二维取样框;
根据所述调整指令对所述调整指令对应的二维取样框进行调整,并基于调整后的二维取样框生成目标三维取样框;
将所述目标三维取样框作为所述三维盆底超声图像对应的三维取样框。
6.一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一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-5任意一项所述的三维盆底超声图像的检测方法中的步骤。
7.一种超声设备,其特征在于,包括:处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如权利要求1-5任意一项所述的三维盆底超声图像的检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010506135.0A CN111652876B (zh) | 2020-06-05 | 2020-06-05 | 一种三维盆底超声图像的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010506135.0A CN111652876B (zh) | 2020-06-05 | 2020-06-05 | 一种三维盆底超声图像的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111652876A CN111652876A (zh) | 2020-09-11 |
CN111652876B true CN111652876B (zh) | 2023-08-11 |
Family
ID=72347324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010506135.0A Active CN111652876B (zh) | 2020-06-05 | 2020-06-05 | 一种三维盆底超声图像的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652876B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112401928B (zh) * | 2020-11-17 | 2023-11-28 | 深圳度影医疗科技有限公司 | 一种盆底肛提肌切面的获取方法、存储介质及终端设备 |
CN113229850A (zh) * | 2021-06-09 | 2021-08-10 | 深圳迈瑞生物医疗电子股份有限公司 | 超声盆底成像方法和超声成像系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485712A (zh) * | 2016-10-26 | 2017-03-08 | 深圳开立生物医疗科技股份有限公司 | 肛提肌轴平面图像处理方法及装置 |
CN108062749A (zh) * | 2017-12-12 | 2018-05-22 | 深圳大学 | 肛提肌裂孔的识别方法、装置和电子设备 |
-
2020
- 2020-06-05 CN CN202010506135.0A patent/CN111652876B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485712A (zh) * | 2016-10-26 | 2017-03-08 | 深圳开立生物医疗科技股份有限公司 | 肛提肌轴平面图像处理方法及装置 |
CN108062749A (zh) * | 2017-12-12 | 2018-05-22 | 深圳大学 | 肛提肌裂孔的识别方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111652876A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10706333B2 (en) | Medical image analysis method, medical image analysis system and storage medium | |
US20210365717A1 (en) | Method and apparatus for segmenting a medical image, and storage medium | |
US20210264599A1 (en) | Deep learning based medical image detection method and related device | |
CN108898606B (zh) | 医学图像的自动分割方法、系统、设备及存储介质 | |
WO2022001623A1 (zh) | 基于人工智能的图像处理方法、装置、设备及存储介质 | |
CN109389590B (zh) | 结肠图像数据处理系统及方法 | |
CN109003267B (zh) | 从3d图像自动检测目标对象的计算机实现方法和系统 | |
CN108717700B (zh) | 一种检测结节长短径长度的方法及装置 | |
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 | |
JP2017532092A (ja) | 解剖学的ランドマークベースの特徴に基づいた医用画像をセグメント化するためのシステム及び方法 | |
Li et al. | Automated measurement network for accurate segmentation and parameter modification in fetal head ultrasound images | |
CN111652876B (zh) | 一种三维盆底超声图像的检测方法 | |
CN112614144A (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN113112559A (zh) | 一种超声图像的分割方法、装置、终端设备和存储介质 | |
CN111798424A (zh) | 一种基于医学图像的结节检测方法、装置及电子设备 | |
CN113256670A (zh) | 图像处理方法及装置、网络模型的训练方法及装置 | |
CN111144449A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
CN108597589B (zh) | 模型生成方法、目标检测方法及医学成像系统 | |
CN114445328A (zh) | 基于改进Faster R-CNN的医学影像脑肿瘤检测方法与系统 | |
CN112381822B (zh) | 一种用于处理肺部病灶区图像的方法和相关产品 | |
CN112750110A (zh) | 基于神经网络对肺部病灶区进行评估的评估系统和相关产品 | |
CN115439423B (zh) | 一种基于ct图像的识别方法、装置、设备及存储介质 | |
CN115274099B (zh) | 一种人与智能交互的计算机辅助诊断系统与方法 | |
CN112401928B (zh) | 一种盆底肛提肌切面的获取方法、存储介质及终端设备 | |
CN115564756A (zh) | 医学图像病灶定位显示方法与系统 |
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 |