CN112120736B - 三维超声成像方法和装置 - Google Patents

三维超声成像方法和装置 Download PDF

Info

Publication number
CN112120736B
CN112120736B CN202010990346.6A CN202010990346A CN112120736B CN 112120736 B CN112120736 B CN 112120736B CN 202010990346 A CN202010990346 A CN 202010990346A CN 112120736 B CN112120736 B CN 112120736B
Authority
CN
China
Prior art keywords
section
fetal head
orientation
region
sagittal section
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
Application number
CN202010990346.6A
Other languages
English (en)
Other versions
CN112120736A (zh
Inventor
邹耀贤
林穆清
陈志杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Mindray Bio Medical Electronics Co Ltd
Original Assignee
Shenzhen Mindray Bio Medical Electronics Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Mindray Bio Medical Electronics Co Ltd filed Critical Shenzhen Mindray Bio Medical Electronics Co Ltd
Priority to CN202010990346.6A priority Critical patent/CN112120736B/zh
Publication of CN112120736A publication Critical patent/CN112120736A/zh
Application granted granted Critical
Publication of CN112120736B publication Critical patent/CN112120736B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0866—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving foetal diagnosis; pre-natal or peri-natal diagnosis of the baby
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0808—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0808—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the brain
    • A61B8/0816—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the brain using echo-encephalography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/13—Tomography
    • A61B8/14—Echo-tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
    • A61B8/461—Displaying means of special interest
    • A61B8/466—Displaying means of special interest adapted to display 3D data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/48—Diagnostic techniques
    • A61B8/483—Diagnostic techniques involving the acquisition of a 3D volume of data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/523—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for generating planar views from image data in a user selectable plane not corresponding to the acquisition plane
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/44—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device
    • A61B8/4405—Device being mounted on a trolley
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/44—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device
    • A61B8/4427—Device being portable or laptop-like
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/44—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device
    • A61B8/4444—Constructional features of the ultrasonic, sonic or infrasonic diagnostic device related to the probe
    • A61B8/4472—Wireless probes

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Neurology (AREA)
  • Physiology (AREA)
  • Gynecology & Obstetrics (AREA)
  • Pregnancy & Childbirth (AREA)
  • Computer Graphics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种三维超声成像方法及装置，包括：向胎儿头部发射超声波；接收超声回波，获得超声回波信号；根据所述超声回波信号获得胎儿头部的三维体数据；根据胎儿头部正中矢状切面的特征，从所述三维体数据中检测正中矢状切面；确定所述正中矢状切面中胎儿头部的朝向方位；根据所述胎儿头部的朝向方位，将所述正中矢状切面显示为适于观察的图像。本发明将正中矢状切面图像处理为符合人观察习惯的图像予以显示，使得医生更加容易地辨别和观察胎儿脑部正中矢状切面的情况。

Description

三维超声成像方法和装置
技术领域
本发明涉及医用超声成像技术领域，尤其涉及一种三维超声成像方法及装置。
背景技术
超声仪器一般用于医生观察人体的内部组织结构，医生将超声探头放在人体部位对应的皮肤表面，可以得到该部位的超声图像。超声由于其安全、方便、无损、廉价等特点，已经成为医生诊断的主要辅助手段之一。其中，产科是超声诊断应用最广泛的领域之一，在该领域，超声避免了X射线等对母体及胎儿的影响，其应用价值明显优于其它影像学检查设备。超声不仅能进行胎儿形态学的观察和测量，还能获得胎儿呼吸、泌尿等生理、病理方面的多种信息，以评价胎儿的健康及发育状况。
在胎儿神经系统检查中，胼胝体和小脑蚓部是两个很重要的检查项目，其中胼胝体是大脑半球中最大的连合纤维，负责大脑两半球间的通讯，缺失或发育不良将导致癫痫、智力低下、运动功能障碍等一系列并发症。小脑蚓部的缺失或发育不良为Dandy-walker综合征的表现，50％的Dandy-walker患者精神运动发育迟滞和智力低下，且常伴有染色体异常和其它畸形，预后差，死亡率高。可见，胼胝体和小脑蚓部的异常均是重大疾病的表现，如未能在产检中发现，将给患者家庭和社会带来巨大精神和经济负担，同时，作为检查主体的医院，也可能因此产生医疗纠纷。然而，在胎儿神经系统的检查中，胼胝体和小脑蚓部是最容易误诊和漏诊的项目，究其原因，在于胎儿的正中矢状切面是观察胼胝体和小脑蚓部的最佳切面，但由于胎儿体位、羊水、鼻骨遮挡、医生技术水平等因素的影响，在常规的二维超声下很难获得胎儿的正中矢状切面，即便能获得，也需要花费很长的检查时间，很多医生只能通过其它切面(如小脑切面、丘脑切面等)进行非直观的诊断，容易出现误诊和漏诊。
近年来，随着三维超声在临床上的广泛应用，部分医生通过以双顶径切面作为起始平面对胎儿进行三维扫查，然后通过手动旋转、平移等几何变换，在3D超声中的第三平面调出正中矢状切面来，在该切面下检查胼胝体和小脑蚓部。从各种公开文献中可以看出，采用该方法得到的矢状切面的图像质量虽然比二维图像略差，但胼胝体和小脑蚓部的显示率却非常高，通过该方法可以快速、准确地判断胼胝体和小脑蚓部是否异常。然而，医生需要对三维空间有非常深刻的理解，才能够在3D下通过手动旋转、平移几何操作调节出正中矢状切面，但大部分超声医生都是非理工科背景，对三维空间缺乏理解，很难从一个体数据中通过手动的方法将正中矢状切面调节出来。因此，尽管经过了多年的发展，也只有一小部分大医院中的小部分医生才掌握了该诊断技术。
发明内容
本发明的目的之一是，提供一种三维超声成像方法及装置，其能够对胎儿头部进行三维成像，自动检测胎儿头部的正中矢状切面，并能够判断出胎儿头部的朝向方位，根据判断结果将正中矢状切面显示为符合人的观察习惯的图像。
本发明实施例公开的技术方案包括：
提供一种三维超声成像方法，包括：向胎儿头部发射超声波；接收超声回波，获得超声回波信号；根据所述超声回波信号获得胎儿头部的三维体数据；根据胎儿头部正中矢状切面的特征，从所述三维体数据中检测正中矢状切面；检测所述正中矢状切面中和/或与所述正中矢状切面平行或者相交的切面中表示胎儿头部中的特定组织区域的图像区域；根据所述图像区域确定所述正中矢状切面中胎儿头部的朝向方位；根据所述胎儿头部的朝向方位，旋转所述正中矢状切面，使得旋转后所述正中矢状切面中的胎儿头部在预定方位，或者在所述正中矢状切面上标识胎儿头部的朝向方位。
本发明的实施例中，还提供了一种三维超声成像装置，包括：探头，用于向胎儿头部发射超声波并接收超声回波，获得超声回波信号；三维成像模块，用于根据所述超声回波信号获得胎儿头部的三维体数据，根据胎儿头部正中矢状切面的特征，从所述三维体数据中检测正中矢状切面，并确定所述正中矢状切面中胎儿头部的朝向方位，并根据所述胎儿头部的朝向方位，旋转所述正中矢状切面，使得旋转后所述正中矢状切面中的胎儿头部在预定方位，或者在所述正中矢状切面上标识胎儿头部的朝向方位；显示器，用于显示所述正中矢状切面。
本发明的有益效果是：可以对胎儿进行超声扫描获得胎儿头部的三维体数据，并根据获得的三维体数据，自动检测胎儿脑部的正中矢状切面，然后自动判断该正中矢状切面中的胎儿头部的朝向方位如头部倒立与否以及脸朝向，根据判断结果将正中矢状切面图像显示为符合人观察习惯的图像，使得医生更加容易地辨别和观察胎儿脑部正中矢状切面的情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，其中相同参考标号表示相同部分。
图1为本发明实施例1的三维超声成像装置的结构框图示意图；
图2为本发明实施例1的三维超声成像方法的流程示意图；
图3为本发明实施例1中三维体数据的示意图；
图4为胎儿头部的正中矢状切面的位置示意图；
图5为胎儿头部的正中矢状切面的示意图；
图6为图5中的L1切面的示意图；
图7为图5中的L2切面的示意图；
图8为正中矢状切面中胎儿头部倒立和正立的示意图；
图9为本发明一种实施例中对正中矢状切面中胎儿头部的上下朝向进行判断的流程示意图；
图10为确定颅骨朝向示意图；
图11为本发明另一种实施例中对正中矢状切面中胎儿头部的上下朝向进行判断的流程示意图；
图12为本发明实施例3的三维超声成像方法的流程示意图；
图13为本发明一种实施例中判断脸部朝向的方法流程示意图；
图14为本发明实施例4的三维超声成像方法的流程示意图；
图15为本发明一个实施例的检测正中矢状面的步骤的流程示意图；
图16为三维空间中的平面及其平面参数的示意图；
图17为本发明一个实施例中的三维Hough矩阵的示意图；
图18为本发明一个实施例中加权Hough变换的过程示意图；
图19为本发明一个实施例中随机Hough变换的过程示意图；
图20为本发明一个实施例中检测选择出的特征点确定的平面的方法的过程示意图；
图21为本发明另一个实施例的检测正中矢状面的步骤的流程示意图；
图22为本发明一种实施例中提取脑中线的流程示意图；
图23为本发明再一个实施例的检测正中矢状面的步骤的流程示意图；
图24为本发明又一个实施例的检测正中矢状面的步骤的流程示意图；
图25和26为本发明一个实施例中的用于标识胎儿头部的朝向方位的图标的示意图。
具体实施方式
下面通过具体实施例并结合附图对本发明作进一步详细说明。
[实施例1]
本实施例提供了一种三维超声成像装置，其结构框图如图1所示。三维超声成像装置包括探头102、发射/接收选择开关103、发射电路104、接收电路105、波束合成模块106、信号处理模块107、三维成像模块108和显示器109。发射电路104将一组经过延迟聚焦的脉冲发送到探头102，探头102向受测机体组织(图中未示出)发射超声波，经一定延时后接收从受测机体组织反射回来的带有组织信息的超声回波，并将此超声回波重新转换为电信号。接收电路105接收这些已转换为电信号的超声回波信号，并将这些超声回波信号送入波束合成模块106。超声回波信号在波束合成模块106完成聚焦延时、加权和通道求和，在经过信号处理模块107进行信号处理。经过信号处理模块107处理的信号送入三维成像模块108，经过三维成像模块108处理，得到三维图像等可视信息，然后送入显示器109进行显示。
当探头102扫描一个扫描周期后，经过信号处理模块107处理后的信号在三维成像模块108中形成一卷极坐标下的三维体数据，该极坐标下的三维体数据经过重建处理，将极坐标体数据转换成直角坐标体数据，从而获得一卷直角坐标下的三维体数据。然后，三维成像模块108对该直角坐标系下的三维体数据进行计算，从而获得可视信息，并在显示设备109上进行显示。
本实施例的三维超声成像装置中，三维成像模块108还包括用于自动检测和处理胎儿正中矢状切面的子模块，该子模块能够根据获得的胎儿头部的三维体数据，从中自动检测出胎儿的正中矢状切面，对其进行处理以检测正中矢状切面中胎儿头部的朝向方位(例如，胎儿头部和/或胎儿头部中的脸部朝上、朝左上、朝右上、朝左、朝右、朝下、朝左下、朝右下或者朝向其他方向，等等)，然后旋转该正中矢状切面使得旋转后该正中矢状切面中胎儿头部在预定的方位(例如，头顶朝上或者朝下或者朝向任何其他期望的方位，脸部朝上或者朝下或者朝向任何其他期望的方位，等等，例如以便于医生观察或者以便于符合医生的习惯等等)和/或在该正中矢状切面中标识检测出的胎儿头部的朝向方位，并显示处理后的正中矢状切面(下文中详述)。
基于上述三维超声成像装置，本实施例提供了一种三维超声成像的方法，其流程如图2所示。
在步骤21中，首先使用三维超声成像装置对胎儿头部进行三维扫描，向胎儿头部发射超声波并且接收超声回波，获得超声回波信号，超声回波信号经过如前文所述的处理，从而获得胎儿头部的三维体数据(下文中简称为“三维体数据”)。对扫描目标进行三维扫描并且处理超声回波信号获得三维体数据的具体步骤可以与本领域内常用的三维扫描和成像的方法相同或相似，在此不作详述。经过步骤21，可以获得胎儿头部的至少一卷三维体数据。例如，一卷三维体数据可以如图3所示。从图3可见，该卷体数据可以是由F帧大小为W×H的图像帧构成，其中W为图像帧的宽度，H为图像帧的高度。此外，由图3可以看出，图3中将图像帧的宽度方向定义为X方向，将图像帧的高度方向定义为Y方向，多帧图像帧排列的方向定义为Z方向。可以理解，其中X、Y、Z方向也可以以不同的方式定义。
步骤21中获得三维体数据后，本发明实施例的方法中，期望能够自动从三维体数据中检测出胎儿头部的正中矢状切面。
胎儿头部的正中矢状切面的位置如图4所示，图4中的线D即代表胎儿脑部的正中矢状切面的位置。胎儿头部的正中矢状切面的一个示意图显示在图5中。可见，在这个正中矢状切面上，包含了关于胎儿的胼胝体、小脑蚓部、透明隔腔的重要信息，此外，从胎儿头部的正中矢状切面上，也能够观察胎儿的小脑延髓池、丘脑黏合、第四脑室等等结构。因此，自动检测出胎儿脑部的正中矢状切面，可以为医师提供大量重要的关键信息，极大地方便医师对胎儿状况的观察。图6和图7分别示意性地图示了胎儿头部的与正中矢状切面垂直的切面L1和L2。
发明人经研究发现，在胎儿头部的三维图像中，正中矢状切面具有一些特别的特征，例如，在胎儿头部的三维图像中的所有切面中，正中矢状切面整体具有比周围区域的灰度值更大的灰度值，也就是说，在胎儿头部的三维图像中，正中矢状切面表现为灰度值明显大于其附近区域的灰度值的切面，或者说，正中矢状切面在胎儿头部的三维图像中表现为一个比周围的区域更亮的切面；或者，在胎儿头部中正中矢状切面两侧的结构是近似对称的，因此在胎儿头部的三维图像中，在正中矢状切面两侧的图像数据将表现出近似的对称性；或者，在胎儿头部中，正中矢状切面位于头部中间位置，而在胎儿头部的三维图像中，与正中矢状切面相交的其它切面中都会包含该切面与该正中矢状切面的相交位置处的信息，在其它切面的图像中，该切面与正中矢状切面的交线表现为比较亮的线，即脑中线，这些脑中线的集合即构成了正中矢状切面；等等。本发明的一些实施例中，即是利用胎儿头部的正中矢状切面的这些特征来检测或识别胎儿头部的三维体数据中的正中矢状切面。
基于上述研究发现，本实施例的步骤23根据胎儿头部的正中矢状切面的特征(例如，如前述研究发现的特征，比如灰度特征)，从步骤21中获得的三维体数据中检测出该三维体数据中的正中矢状切面。
本实施例中，前述的“从步骤21中获得的三维体数据中检测出该三维体数据中的正中矢状切面”，可以是在全部胎儿头部的三维体数据中检测，也可以是在胎儿头部的三维体数据中的一部分中检测，例如，可以是在正中矢状切面最可能存在于其中的区域内检测，而去除正中矢状切面明显不可能存在于其中的区域。例如，由于胎儿头部的正中矢状切面是位于胎儿头部中间位置的纵切面(即在从头顶部分到颈部部分的方向上的切面，因此位于头部边缘处的一些区域中明显不可能存在正中矢状切面，这样的区域可以剔除在检测范围之外。
本实施例可以使用多种方法根据该三维体数据检测其中的正中矢状切面。例如，如前文所述，在三维体数据中，正中矢状切面表现出该正中矢状切面内的灰度值大于周围区域的灰度值的特征，因此，本实施例的一种具体实现可以是利用正中矢状切面的这个特征，采用数字图像处理方法中的例如图像分割算法，从三维体数据中检测正中矢状切面。
本发明的实施例的方法中，矢状切面自动检测结果本质上为标记出矢状切面在三维体数据坐标系中的位置，但表现形式可以有多种，如平面方程、矢状切面相对于坐标系原点平移(X、Y、Z方向的平移量)及旋转量(绕X、Y、Z轴的旋转量)、矢状切面相对于原始坐标系的变换矩阵(通常1个4×4矩阵即可表示两个坐标系的变换关系)、甚至空间上三个点的坐标(三个点即确定一个平面)等等。这些表示方式本质均为在三维体数据坐标系中标记出平面的位置，各种表示方式可以相互转换。本发明的各个实施例(包括本实施例)中，为了表述的方便，统一采用了平面方程表示方法。但是本发明不限制在平面方程表示方法上，而是也包含前述的或者本领域内其它的表示方法。任何矢状切面检测结果表达方式仅仅是表现形式上的差异，不影响本发明的实质，均属于本发明的保护范围。
在检测出了胎儿头部的正中矢状切面之后，虽然可在显示器上显示该正中矢状切面，以便于医生观察胎儿头部的情况，然而，考虑到由于胎儿的体位和探头的方向，检测出的矢状切面图像有可能是倒立的(即胎儿头部朝向图像下方，如图8的左图所示)或者是其他不便于医生观察的方向；而由于此前在二维超声下很难获得胎儿正中矢状切面，大部分医生对矢状切面结构并不是很熟悉，且通常矢状切面的图像分辨率也不是很好，从而导致医生对矢状切面结构的辨认存在一定的困难，如果检测出的矢状切面图像是倒立的或者其他不便于医生观察的方向，将不利于医师对矢状切面结构的辨别，因为这种图像和人的观察习惯不同，不方便医生观察其中的结果。因此，本实施例在检测出胎儿头部的正中矢状切面后，在步骤25中，还对正中矢状切面中胎儿头部的朝向方位(例如，胎儿头顶和/或胎儿脸部朝上、朝左上、朝右上、朝左、朝右、朝下、朝左下、朝右下或者朝向其他方向，等等))进行判断，以便于当检测出正中矢状切面上胎儿头部的朝向不便于医生观察时，旋转该正中矢状切面使得旋转后该正中矢状切面中胎儿头部在预定或者期望的方位(例如，头顶朝上或者朝下或者朝向任何其他期望的方位，或者脸部朝上或者朝下或者朝向任何其他期望的方位，，例如以便于医生观察或者以便于符合医生的习惯等等)和/或在该正中矢状切面中标识检测出的胎儿头部的朝向方位，在显示时(即步骤29)显示旋转或者标识了的正中矢状切面，以便于医生观察，如图8所示。
本发明的一些实施例中，正中矢状切面中胎儿头部的朝向方位可以通过正中矢状切面中和/或三维体数据中与该正中矢状切面平行或者相交的切面中表示胎儿头部中的特定组织区域的图像区域获得。
一些实施例中，这里所说的特定组织区域也可以是胎儿头部中的具有特定相互位置关系的至少两个特定组织区域(比如眼部和鼻部、眼部和嘴部、嘴部和鼻部、或者眼部、鼻部和/或嘴部与透明隔腔、或者眼部、鼻部和/或嘴部与胎儿头部的其他部位，等等)。在这些实施例中，可以从正中矢状切面中和/或与该正中矢状切面平行或者相交的切面中提取或者检测出表示这些组织区域中的至少两个的至少两个图像区域，并根据这些图像区域之间的相互位置关系确定胎儿头部的朝向方位(例如，胎儿头部中，头顶总是在从嘴部到眼部、从嘴部到鼻部或者从鼻部到眼部的方向上，等等)。确定了这些图像区域之间的相互位置关系，即可根据这些相互位置关系确定胎儿头部的朝向方位。
另一些实施例中，这里所说的特定组织区域可以是胎儿头部中的具有方向特性的组织区域。本文中，这里所说的具有方向特性的组织区域是指其本身或者其位置含有能够指示胎儿头部的朝向方位的信息的组织区域，例如颅骨或者头盖骨(其弯曲方向指示了胎儿头部的朝向方位)；透明隔腔(其朝向和位置可以指示胎儿头部的朝向方向)；嘴部、眼部和鼻部(其总是位于胎儿头部的脸部侧，因此其位置可以指示胎儿头部的朝向方向)；等等。
在这些实施例中，可以从正中矢状切面中和/或与该正中矢状切面平行或者相交的切面中提取或者检测出表示这些组织区域中的一个或者多个的图像区域，根据这些图像区域的位置和/或形状特征确定胎儿头部的朝向方向(例如，眼部和嘴部所在的位置或者侧总是为胎儿头部的前部或者前侧，通过颅骨的弯曲方向可以确定头部的朝向方位，等等)。下文中，分别以该特定组织区域为颅骨和透明隔腔为例进行了说明。
例如，一些实施例中，正中矢状切面中胎儿头部的朝向方位可以利用三位体数据中具有方向特性的结构进行检测或识别。发明人经研究发现，在胎儿头部的三维图像中，颅骨表现为明显的高亮回声。因此可以根据颅骨的朝向来判断胎儿头部的朝向。因此，本实施例中，通过检测正中矢状切面图像或与该矢状切面平行的图像中颅骨的朝向来判断胎儿头部的朝向，检测流程如图9所示。
步骤252：从选取的切面中提取颅骨特征以得到表征颅骨的候选区域。由于在超声中颅骨表现为高亮回声而颅骨两侧回声慢慢减弱，因此可根据这一特征设计多种提取颅骨特征的方法。例如，在本实施例中，一种提取颅骨特征的方法为根据颅骨高亮回声的特点，在已选切面中选取灰度大于预设灰度阈值的区域作为颅骨的候选区域，其中，已选切面是指正中矢状切面和/或至少一个与该正中矢状切面平行的切面，该预设灰度阈值可根据实际需要确定，即可以是经验阈值，也可以是根据图像的统计学特征确定，比如阈值可以设置为平均灰度*经验系数。又例如，另一种实施例中，颅骨特征的提取可以是利用颅骨中间亮两侧暗的性质，基于微分法设计算子，将算子和已选切面对应的图像做卷积，并保留卷积值大于预设灰度阈值的部分作为特征图像。基于微分法设计的算子可以是包括例如下面(1)～(5)特征提取算子中的一个或者多个。
Figure BDA0002690659460000081
Figure BDA0002690659460000082
Figure BDA0002690659460000083
Figure BDA0002690659460000084
Figure BDA0002690659460000085
通常经过特征提取，在特征图像上将保留有多个联通的特征区域，因此可以通过设置一些规则来保留一块或多块联通区域作为颅骨的候选区域。例如，规则可以定义为：选择特征值之和最大的一个或多个特征区域作为候选区域。特征值可以是前述提取颅骨特征时所采用的特征，比如灰度特征，当然，特征值还可以是数字图像处理时常用的特征提取所涉及的特征，比如纹理特征。又例如，规则可定义为：选择平均特征值最大的一个或多个特征区域作为候选区域。再例如，规则可以定义为：采用机器学习的方法，即从特征区域中提取特征，将提取出的特征输入预先训练好的分类器进行分类，分类结果作为候选区域；这里提取的特征可以是特征区域的灰度平均、特征值平均、特征区域的曲率、特征区域熵、一阶矩、二阶矩等等，预先训练好的分类器可以是事先通过一定数量的样本提取上述特征并采用PCA(Principal Component Analysis，主成分分析)、KPCA(Kernel PrincipalComponent Analysis，核主成分分析)、ICA(Independent Component Analysis，独立成分分析)、LDA(Linear Discriminant Analysis，线性判别式分析)、SVM(Support VectorMachine，支持向量机)等任意的分类器进行训练而得到，其具体实现可以参考图像处理与模式识别相关的已有技术，在此不作详述。可以理解，对于前述的已选切面的数量大于1(即选取了多个切面)的情况，规则的定义也是类似的，例如在所有已选切面中，采用特征值之和或特征平均值最大的一个或多个特征区域作为颅骨的候选区域，或者是采用机器学习的方式识别出候选区域。
在步骤254中，对于候选区域，可以通过颅骨的弯曲的方向来确定颅骨朝向。判断颅骨弯曲方向的方法有很多，例如采用二次曲线拟合连通区域，根据二次曲线二次项的系数来判断颅骨的朝向，例如，拟合出的二次项系数大于0，则说明该颅骨朝下，反之，则说明该颅骨朝上。又例如采用机器学习的方法，如PCA，KPCA，LDA，SVM等方法通过学习得到，其具体实现可以参考图像处理与模式识别相关的已有技术，在此不作详述。对于多个候选联通区域的情况，可以分别判断每个联通区域的朝向然后投票判断出最终颅骨的朝向。
在判断出胎儿的头部朝向后，如果头部朝下，则将正中矢状切面的图像旋转180°或将正中矢状切面的图像上下翻转后再进行显示，使得显示出来的图像更为符合人的观察习惯，帮助医师观察胎儿状况。
本发明的前述的各个实施例中，为了表述的方便，统一采用了平面方程表示方法。但是本发明不限制在平面方程表示方法上，而是也包含前述的或者本领域内其它的表示方法。任何矢状切面检测结果表达方式仅仅是表现形式上的差异，不影响本发明的实质，均属于本发明的保护范围。
本实施例中，实现前述方法的三维超声成像系统不限于通常的集成为一个整体装置的超声成像系统(例如台车式超声成像系统或者便携式超声成像系统)，也可以是分布式的系统。例如，前述方法中的至少一部分步骤或者功能可以在通过数据通信装置(有线或无线地)连接到通常的台车式超声成像系统或者便携式超声成像系统的其它设备上实现，该其它设备可以是例如数据处理工作站、个人电脑、各种智能便携设备、其它超声成像设备、各种网络服务器等等，从而这些至少一部分步骤或者功能与台车式超声成像系统或者便携式超声成像系统整体形成本实施例中的三维超声成像系统。
本实施例中的超声成像方法中，可以对胎儿进行超声扫描获得胎儿头部的三维体数据，并根据获得的三维体数据，自动检测胎儿脑部的正中矢状切面并判断胎儿头部的朝向方位(例如，判断胎儿是否倒立)，对于倒立的将其旋转为正立后予以显示，使得显示结果符合人的观察习惯，并解决了医生手动难以准确定位正中矢状切面的问题，使得医生可以方便地观察胎儿脑部正中矢状切面的情况，可以为医师提供大量重要的关键信息。
[实施例2]
本实施例提供的三维超声成像方法/系统类似实施例1，二者相同部分在此不作重述，不同之处在于：实施例1的步骤25中是通过颅骨朝向来确定正中矢状切面中胎儿的头部朝向；而本实施例的步骤25是根据透明隔腔的朝向来确定正中矢状切面中胎儿的头部朝向。
如图5和图8所示，在超声图像中，透明隔腔的形态表现为弯弯的月牙形，当超声图像中胎儿为正立时，透明隔腔表现为向上凸的月牙形，反之，当超声图像中胎儿为倒立时，透明隔腔表现为向下凸的月牙形。因此，可以根据透明隔腔的朝向来判断正中矢状切面上胎儿的头部朝向。
本实施例中，通过透明隔腔的朝向来确定正中矢状切面中胎儿头部朝向的流程包括步骤252′和步骤254′，如图11所示。
步骤252′：根据透明隔腔在超声图像中的特点从正中矢状切面中检测出透明隔腔对应的联通区域。
在步骤252′中，由于透明隔腔在超声图像中表现为黑色的低回声区域，而其周围的组织通常亮度较高，因此，可根据这一特征设计多种方法分割该低回声区域，由此检测出透明隔腔。例如可以采用图像分割算法进行分割，比如阈值分割、Snake算法、level-set算法、graph-cut分割等，分割出可能会被认为是透明隔腔的区域。通常分割得到的区域可能是多个，因此可以通过设置一定的准则来选取出最像透明隔腔的区域，例如，可以根据区域的形状、灰度、方差等特征或这些特征的组合进行判断，由此得到透明隔腔对应的联通区域。
步骤254′：基于联通区域判断透明隔腔的朝向并根据判断结果确定正中矢状切面中胎儿的头部朝向。
在步骤254′中，对于透明隔腔对应的联通区域，可以采用类似实施例1的判断颅骨朝向的方法来判断透明隔腔的朝向。
例如，采用类似步骤254a1～254a3的方法来判断透明隔腔的朝向，即首先对透明隔腔对应的联通区域进行数学形态学处理以提取出骨架，得到骨架图像，接着在骨架图像上搜索一条最长的且连续的曲线，该曲线为选取出的具有代表性的曲线，然后根据曲线上中间位置的至少一个点的坐标以及分别位于两端位置的至少一个点的坐标进行判断，确定出透明隔腔的朝向。
又例如，采用类似步骤254b1～254b2的方法来判断透明隔腔的朝向，即首先计算透明隔腔对应的联通区域竖直方向的中线；然后用同步骤254a3相同的方法确定出透明隔腔的朝向。
根据确定出的透明隔腔的朝向，显然，如果透明隔腔朝向为向上凸，说明正中矢状切面上胎儿的头部朝上，反之如果透明隔腔朝向为向下凸，则说明正中矢状切面上胎儿的头部朝下。在判断出胎儿的头部朝向后，如果头部朝下，则将正中矢状切面的图像旋转180°或将正中矢状切面的图像上下翻转后再进行显示，使得显示出来的图像更为符合人的观察习惯，帮助医师对胎儿状况进行观察。
[实施例3]
本实施例提供的三维超声成像方法如图12所示，包括：获得胎儿头部的三维体数据的步骤21、检测正中矢状切面的步骤23、判断脸部朝向的步骤27、以及显示正中矢状切面的步骤29。其中，步骤21、23和29与实施例1或2相同，在此不作重述。基于该方法本实施例还提供了一种实现该方法的三维超声成像装置，该装置的除了三维超声成像部分的结构可参考前述实施例1，此处不再重述。
因为透明隔腔位于颅内的前面，因此，可以通过透明隔腔的位置来确定出胎儿的脸部和背部(即胎儿的脸部朝向)。
在本实施例中，步骤27的过程如图13所示，包括：检测透明隔腔的步骤271、定位颅内中心位置的步骤271、以及判断透明隔腔的位置的步骤273。
在步骤271中，透明隔腔的检测方法类似前述实施例2的透明隔腔检测方法，即对正中矢状切面的图像采用图像分割算法进行处理，得到至少一个区域，结合区域的特征对区域进行与透明隔腔最相似的区域的选择，选择结果为透明隔腔区域，具体过程参考前述步骤252′，在此不作详述。
在步骤272中，考虑到在体数据中，颅内中心可根据胎儿颅骨进行定位，而胎儿颅骨在体数据中表现为一个近似椭球体或椭圆的形状，在超声图像上表现为高亮回声。因此，实施例中，颅内中心的定位过程包括如下步骤272a1～272a3。
步骤272a1：从体数据中选取至少一帧A面图像，即按图4的A-A得到的水平剖面图。
步骤272a2：基于微分法设计算子，例如前述的算子(1)～(5)中的一个或多个，利用设计的算子对A面图像进行特征提取。
步骤272a3：对提取到的特征进行椭球体或椭圆检测，检测算法可以采用任意的已知相关技术中涉及的椭圆检测算法，比如最小二乘估计算法、Hough变换算法、随机Hough变换算法等等。例如可以采用下文中涉及的Hough变换算法的描述来检测。
在检测出椭圆或椭球体后，可以根据相关的几何知识确定出该椭圆或椭球体的中心。
在步骤273中，将透明隔腔区域的坐标信息与中心的坐标信息进行比较，根据比较结果得到正中矢状切面中胎儿头部的脸部朝向，具体地，选择透明隔腔区域上某个点的位置(其在X坐标上的值为x)作为透明隔腔的位置，例如步骤271中检测到的透明隔腔区域的中心位置或其它位置，假设步骤272得到的椭圆或椭球体的中心在X坐标上的值为xcenter，比较x和xcenter，如果x<xcenter，则说明在正中矢状切面中，透明隔腔位于颅内中心的左边，即正中矢状切面的左边为胎儿的前部(脸部)，右边为胎儿的后部(背部)，反之，则即正中矢状切面的左边为胎儿的后部(背部)，右边为胎儿的前部(脸部)。
基于确定出的正中矢状切面中胎儿头部的朝向方位(例如，脸部朝向或者头顶朝向，等等)，可以在正中矢状切面的图像上标记出胎儿的前部和/或后部，如图8的右图所示。或者，一些实施例中，也可以采用如图25和26的方式，用一个胎儿头像的图标来表示胎儿的前部/后部或者头顶或者脸部的朝向标识，图标中脸的朝向可以和当前数据中脸部的朝向一致。然后，可以将标记有胎儿头部的朝向方位(例如，胎儿的前部和/或后部，等等)的正中矢状切面送入显示器予以显示，为帮助医师对胎儿状况的观察提供了便利。
[实施例4]
图14所示为本实施例的三维超声成像方法的流程示意图，其中各步骤同前述各实施例中对应的步骤，在此不作重述。应该理解，本实施例中步骤25和步骤27的顺序还可以颠倒，即可以先判断脸部方位，再判断头部朝向。显然，本实施例提供了胎儿的头部朝向以及脸部方位的判断，便于医师更容易地辨别矢状切面上的组织结构。
本发明的一些实施例中，关于步骤23即检测正中矢状切面的过程可以如下文所述。
在本发明一种实施例中，根据三维体数据检测正中矢状面的流程如图15所示，包括：特征提取的步骤80、选择特征点的步骤81和检测选择的特征点确定的平面的步骤82。
如前文所述，在三维体数据中，正中矢状切面表现出该正中矢状切面内的灰度值(例如，灰度值，等等)大于周围区域的灰度值的特征。基于此，该实施例利用正中矢状切面的这个特征从三维体数据中检测正中矢状面。因此，在步骤80，可以首先在三维体数据中提取代表满足平面内的灰度值大于平面两侧的灰度值的条件的平面的矢状面特征区域。也就是说，本实施例中，在三维体数据中提取一些特征区域，并且本实施例的方法中，这些需要的特征区域是代表着三维体数据中满足平面内的灰度值大于平面两侧的灰度值的条件的平面的区域，这种提取出来的特征区域即为本实施例的方法所需要的矢状面特征区域。这样，充分利用“正中矢状切面表现为灰度值明显大于其附近区域的灰度值的切面”的特征，能够获得良好的正中矢状切面的检测效果。
本发明的实施例中，可以使用多种适合的方法从三维体数据中提取这种矢状面特征区域。例如，可以使用特征提取算子与该三维体数据做卷积，得到卷积后的图像，该卷积后的图像中即包含了提取出的矢状面特征区域。
本发明的实施例中，用特征提取算子对三维体数据做卷积时，可以分别对组成三维体数据的每个图像帧分别用二维特征提取算子做卷积，然后将卷积后的图像帧组合成卷积后的三维体数据；或者，也可以直接设计三维特征提取算子，直接用三维特征提取算子与三维体数据做卷积。卷积运算的具体步骤是本领域内熟知的，在此不再详述。
本发明的实施例中，特征提取算子可以根据需要提取的图像特征而设计。例如，如前文所述的实施例中，需要提取区域内的灰度值大于区域两侧的灰度值的矢状面特征区域。此时，可以使用前述实施例1的特征提取算子(1)～(5)中的一个或者多个。
本发明的实施例中，也可以使用上述特征提取算子(1)～(5)经过转置(矩阵转置)、旋转等变形或者相互之间组合之后获得的特征提取算子，也可以使用其它适合的特征提取算子，比如Roberts算子、拉普拉斯高斯算子及其变形、等等。
本发明的实施例中，类似地，也可直接设计三维特征提取算子，在此不再详述。
本发明的实施例中，特征提取算子(二维的或者三维的)的大小可以根据需要设定。
在步骤80中提取了矢状面特征区域之后，在步骤81中，可以从这些提取出的矢状面特征区域中选择其值满足特定条件的特征点，通常，选择至少三个特征点。记录选择出的特征点的特征点参数，这些特征点的特征点参数将用于后续步骤。
本发明的实施例中，特征点参数可以包括特征点的坐标和/或特征点的值(例如，灰度值或者卷积后的结果值，等等)。
本发明的实施例中，前述的特定条件可以根据所采用的特征提取算子的性质确定。例如，如果采用前述的特征提取算子(1)～(5)，可将前述的特定条件设置为卷积结果中值大于某个阈值的点，该阈值可以为经验参数，可以根据实际需要确定。
此外，本发明的实施例中，为了减少后续平面检测步骤(下文详述)的压力，尽量减少噪声的影响，可以根据一定的先验知识去除一些明显不可能是头部内的点。例如，头部一般都位于三维体数据的中间。因此，可以只选择以三维体数据的中心为球心、以某个阈值为半径的球或椭球内的点为特征点。这里的阈值也可以根据经验或者实际情况确定。
步骤81中选择了特征点之后，这些选择的特征点通常可以确定一个平面，本实施例中，认为这个平面即为正中矢状切面所在的平面，三维体数据中与该平面重合的切面即为胎儿脑部的正中矢状切面。因此，本发明的实施例中，在步骤82中，检测出这些选择的特征点确定的平面，也就确定出了胎儿脑部的正中矢状切面所在的平面。
根据多个特征点确定一个平面可以使用多种方法实现，例如加权Hough变换法、随机Hough变换法、最小二乘估计法、Radon变换法等等。
例如，可以使用加权Hough变换的方法检测这些选择的特征点确定的平面，下面进行详细描述。
在三维空间中，平面方程可以用一般表达式aX+bY+cZ+d＝0或Z＝aX+bY+c或Y＝aX+bZ+c表示，其中a、b、c和d即为确定一个平面的平面参数。
三维空间中，平面方程也可以用如下的平面标准表达式进行表达：
Figure BDA0002690659460000151
其中，式(6)中，θ、
Figure BDA0002690659460000152
ρ为平面参数，其意义可以如图16所示，一组θ、
Figure BDA0002690659460000153
ρ参数即确定一个平面。
式(6)中的平面参数θ、
Figure BDA0002690659460000154
ρ有各自的取值范围，它们的取值范围与三维直角坐标系的设置方式有关。例如，对于三维体数据，三维直角坐标系的原点位置不同，则相应的平面参数的取值范围也不同。
例如，图16所示的实施例中，参数ρ的取值范围可以如下式所示:
Figure BDA0002690659460000155
其中W、H、F为三维体数据的尺寸，F为三维体数据中的图像帧的数量，W为图像帧的宽度，H为图像帧的高度。
容易理解，当以其它的方式设置三维直角坐标系时，平面参数θ、
Figure BDA0002690659460000156
ρ的取值范围相应地为其它值。
在三维体数据对应的三维空间中，过一个点有无数个平面，即对应无数个θ、
Figure BDA0002690659460000157
ρ，这样可以构造一个新的参数空间，这里称为
Figure BDA0002690659460000158
空间，也即Hough空间，Hough变换的思想为将三维体数据对应的原三维空间中的各个点投影到Hough空间中，通过检测Hough空间的峰值，峰值点就对应了三维体数据对应的原三维空间中的平面。
本发明的一个实施例中，由于θ、
Figure BDA0002690659460000159
ρ是连续的参数，因此可以将θ、
Figure BDA00026906594600001510
ρ采样，可以将
Figure BDA00026906594600001511
细分成不同的单元(如图17所示)。这样，加权Hough变换的步骤可以包括如图18所示的S11～S14。
S11：计算参数取值范围及采样步长。参数ρ的取值范围可以如式(7)所示，θ、
Figure BDA00026906594600001512
最大的取值范围可以参考图16确定，例如，0°≤θ<360°，
Figure BDA00026906594600001513
本发明的实施例中，也可以根据一些先验知识缩小取值范围。
设最终的取值范围为θmin≤θ≤θmax，
Figure BDA00026906594600001514
ρmin≤ρ≤ρmax，采样步长θstep、
Figure BDA00026906594600001515
ρstep可以根据实际需要的检测精度确定，例如，一个实施例中，可以取θstep＝1、
Figure BDA00026906594600001516
ρstep＝2。当然，也可以取适合的其它值。
S12：生成Hough矩阵并初始化。生成Hough矩阵并初始化为0，一种三维的Hough矩阵的大小可以为：
Figure BDA00026906594600001517
本发明的实施例中，这里也可采用3个1维的Hough矩阵，其大小可以分别为
Figure BDA00026906594600001518
S13：参数投票。对每个选择的特征点，以及前述参数取值范围内的每个θj及
Figure BDA0002690659460000161
计算对应的ρl：
Figure BDA0002690659460000162
其中(Xi,Yi,Zi)为第i个特征点Pi的坐标。
并将Hough矩阵更新为：
Figure BDA0002690659460000163
其中Vi为第i个特征点Pi的值(例如，灰度值或者卷积后的结果值，等等)。
S14：Hough矩阵峰值检测。计算Hough矩阵H中最大值对应的θ、
Figure BDA0002690659460000164
ρ。设Hough矩阵H中最大值的位置为θj
Figure BDA0002690659460000165
ρl，则平面检测结果为：
Figure BDA0002690659460000166
这里，对于前述的采用3个1维的Hough矩阵的实施例，则分别计算每个Hough矩阵中最大值对应的θ、
Figure BDA0002690659460000167
ρ。
本实施例中，加权Hough变换考虑到了选择的特征点中每个特征点Pi对平面检测的贡献值是不同的，其对应的值Vi越大，其在Hough矩阵上对应的贡献也越大。
本发明的实施例中，也可以不考虑每个特征点的贡献的差异，即可将前述方法中的每个特征点的Vi值都设置为1。此时，仍然可以检测出这些特征点确定的一个平面。实际上，此时前述的带权重的Hough变换方法退化为传统的Hough变换算法。
本发明的实施例中，也可以使用其它的平面检测方法。例如，一个实施例中，可以使用随机Hough变换方法检测选择出的特征点确定的一个平面。随机Hough变换方法的具体步骤可以包括如图19所示的S21～S27。
S21：计算参数取值范围及采样步长。计算平面方程参数θ、
Figure BDA0002690659460000168
ρ取值范围及采样步长，该步骤可以与前述方法中的S11步骤相同或者类似。
S22：生成Hough矩阵并初始化为0。生成3维Hough矩阵并初始化为0，该步骤可以与前述方法中的S12步骤相同或者类似。
S23：随机选点。从选择出的特征点中随机选择3个点。
S24：平面方程求解，计算平面参数。将3个点的坐标代入平面方程，求解平面方程参数θ、
Figure BDA0002690659460000169
ρ，平面方程参数求解方法是本领域技术人员熟知的，在此不再详述。
S25：更新Hough矩阵。将求解出的θ、
Figure BDA00026906594600001610
ρ在Hough矩阵对应的位置上加上1。
S26：重复N次步骤23至步骤255。这里N为预先设置的参数，可根据实际需要设置。例如，一个实施例中，N可以取50000。当然，这里N也可以取其它的值。
S27：Hough矩阵峰值检测。计算Hough矩阵中值最大的位置，其对应的θ、
Figure BDA0002690659460000171
ρ即为平面检测结果，也就是检测出的平面。
本发明的实施例中，另一种检测选择出的特征点确定的平面的方法(本文中称为随机最优能量法)的步骤可以包括如图20所示的S31～S37。
S31：初始化最优能量E_best＝0。
S32：随机选点。从选择出的特征点中随机选择3个点。
S33：方程求解。将3个点的坐标代入平面方程，求解平面方程参数θ、
Figure BDA0002690659460000172
ρ。
S34：当前能量E计算。计算选择出的特征点中到步骤S33中求解出的平面距离小于ε的能量E。
该步骤的具体步骤可以为对选择出的特征点中的每个特征点Pi，计算该点到步骤S33中求解出的平面(θ、
Figure BDA0002690659460000173
ρ)的距离，如果距离小于ε，则将当前特征点对应的值Vi累加到能量E中，即E＝E+Vi。ε为一参数，可根据需要进行设置，例如一个实施例中可以设置ε＝5，这里，ε也可以设置为其它的值。
S35：能量更新。如果当前能量E>E_best，则将E_best修改为E，同时将当前平面方程参数更新为最优平面方程参数，否则转到步骤36。
S36：重复步骤32至步骤35N次，这里N为迭代次数，可根据需要设置。
S37：输出方程参数。步骤S36完成后，能量最大的一次迭代对应的平面方程参数即为检测出的平面方程参数。
这样，即检测出了选择出的特征点确定的一个平面。
本实施例中，在步骤34中，也可不累加特征点的值Vi，而直接判断如果点Pi到平面的距离小于ε，则E＝E+1，即认为选择的特征点中的每个特征点对平面检测结果的贡献是一样的。
上述实施例中，采用了式(6)的平面方程表示方法，平面检测即计算方程的系数θ、
Figure BDA0002690659460000174
ρ。但是方程的表示形式并不影响本发明所述算法的执行，事实上，对于其它形式的方程表示方法，如aX+bY+cZ+d＝0或Z＝aX+bY+c或Y＝aX+bZ+c，上述方法仍然适用，只需做简单的修改即可。
采用本实施例的方法检测出了胎儿脑部的正中矢状切面之后，即可结合前述实施例的判断胎儿头部朝向和/或脸部朝向过程，如果判断出头部为倒立则调整为正立，和/或在其中标识出脸部朝向，然后在显示器上显示调整后的和/或是标识后的正中矢状切面，以便于医生观察胎儿脑部中的情况。
如前文所述，并且参考图4至图7，在胎儿脑部的三维图像中，正中矢状切面是位于胎儿头部正中的纵向切面，与正中矢状切面相交的其它切面中都会包含该切面与该正中矢状切面的相交位置处的信息，也就是包含交线处的信息。在其它切面的图像中，该切面与正中矢状切面的交线表现为比较亮的线(因为如前文所述，在胎儿脑部的三维图像或者三维体数据中，正中矢状切面表现为比周围区域更亮的平面)，即脑中线，这些脑中线的集合即构成了正中矢状切面。因此，本实施例可以利用这个特征从三维体数据中检测正中矢状切面。
例如，本实施例中，根据三维体数据检测正中矢状面的流程如图21所示的：在三维体数据中提取至少两个切面的步骤110、在切面中提取脑中线的步骤111、以及检测脑中线确定的平面112。
在本实施例中，在步骤110，在三维体数据中提取至少两个切面。切面的提取可以有不同的提取方式，例如，可以提取平行于图5中的切面L2和/或平行于图5中的切面L1的平面；或者提取任何其它的切面，例如与L2和/或L1成一定角度的切面。提取的切面的数量也没有限制，至少两个切面即可。
提取了切面之后，在步骤111中，在提取出的每个切面中提取脑中线，从而获得多条代表脑中线的直线。
脑中线在切面上表现为直线，并且其灰度值比两侧的灰度值高。因此，脑中线的提取可以利用这个特征实现。
在本实施例中，对于每个提取出的切面，在其中提取脑中线可以包括如图22所示的步骤S40～S41。
S40：提取脑中线特征区域。
在实施例中，可以首先在该切面中提取出符合前述的脑中线特征的脑中线特征区域，也就是在切面中提取代表满足线上的灰度值大于线两侧的灰度值的线的脑中线特征区域。脑中线特征区域提取的方法可以与前文所述的和矢状面特征区域提取方法类似。例如，可以使用特征提取算子对切面进行卷积，卷积后的切面中即包含了提取出的脑中线特征区域。
应该理解，这里所说的“线”和“脑中线”不应该理想化地解释为理论上的“线”，而是实际上有一定的宽度和/或厚度的区域。
这里，特征提取算子可以根据需要提取的脑中线的特征设计。该实施例中，脑中线的特征与前文所述的正中矢状面特征类似，因此，这里可以使用与前文中的特征提取算子类似的算子，例如与前文中式(1)至式(5)中任何一个类似的算子。
提取了脑中线特征区域中之后，在脑中线特征区域中选择满足特定条件的至少两个特征点，并记录该至少两个特征点的特征点参数。这里，特征点的特征点参数可以包括特征点的坐标和/或特征点的值(例如，灰度值或者卷积后的值，等等)或者其它适合的参数。
这里所说的特定条件可以根据所采用的特征提取算子的性质确定。例如，如果采用与前述的特征提取算子(1)～(5)类似的算子，可将前述的特定条件设置为卷积结果中值大于某个阈值的点，该阈值可以为经验参数，可以根据实际需要确定。
S41：直线检测。
这些选择出的特征点通常确定了直线。本发明的实施例中，可以检测这些选择出的特征点确定的直线，认为该直线即为该切面内的脑中线直线。
前文所述的在三维空间中检测选择出的特征点确定的平面的方法中所提到的加权Hough变换方法、随机Hough变换方法、随机最优能量法等方法均可用于本步骤中的直线检测，只需要在细节上做简单修改即可。
例如，直线的标准方程为ρ＝cosθX+sinθY，共有两个参数θ、ρ，相比于平面方程，少一个参数
Figure BDA0002690659460000191
例如，在采用加权Hough变换和随机Hough变换方法时，Hough矩阵为二维的ρ-θ矩阵，在随机Hough变换及随机能量最优法中，每次迭代只想要从选择出的特征点中随机选取两个点，即可计算一条直线。算法的其余部分和三维平面检测方法基本一致，在此不再详述。
此外，本实施例中，也可以使用其它的方法来检测选择出的特征点确定的直线，例如，包括但不限于randon变换法、相位编码法、最小二乘估计等等。
基于胎儿脑部的三维图像中正中矢状切面的特征，这些提取出的脑中线直线将确定一个平面，它们确定的平面即为正中矢状切面所在的平面。
因此，在步骤111中获得了提取出的各个切面中的脑中线直线之后，在步骤112中，检测这些脑中线直线确定的平面，即可获得正中矢状面所在的平面，也就是胎儿脑部的正中矢状切面所在的平面。
可以使用多种方法检测这些脑中线直线确定的平面。例如，一个实施例中，可以在所检测到的脑中线直线中取3个不共线的点，代入平面方程中，即可计算出平面方程的参数；也可执行该方法若干次，最后对检测结果做平均作为最终的检测结果。
另一种方法可以是在所检测到的脑中线直线中取N个点，然后通过最小二乘估计拟合出平面方程的参数；也可以将提取的N个点作为输入，采用三维平面检测所提到的Hough变换方法、随机Hough变换方法、随机最优能量法等方法检测出平面方程。
采用本实施例的方法检测出了胎儿脑部的正中矢状切面之后，类似前述实施例在判断胎儿头部朝向和/或脸部朝向后，根据判断结果将倒立的图像调整为正立和/或标识出脸部朝向，然后送入显示器上显示。
如前文所述，并且参考图4，可见在胎儿脑部中，正中矢状面两侧的结构是近似对称的，因此在胎儿脑部的三维图像中，在正中矢状切面两侧的图像数据将表现出近似的对称性。因此，本实施例还可以利用胎儿脑部正中矢状切面的这个特征来检测三维体数据中的正中矢状面。例如，可以在三维体数据中选择一些备选切面，然后计算这些备选切面两侧的区域的对称性，认为两侧的对称性最好的备选切面即为所需要的正中矢状切面。
例如，本发明的实施例中，根据三维体数据检测正中矢状面的流程如图23所示，包括：选择备选切面的步骤120、计算备选切面的对称性指数的步骤121、以及确定满足条件的对称性指数的切面的步骤122。
在步骤120中，可以在三维体数据中选择一组备选切面。备选切面的选择方式可以根据需要确定。例如，可以选择三维体数据中一定范围内在一个或者多个特定方向上相距一定的间隔(或者步长)的所有切面。这里，所说的“一定范围”可以是相对于三维体数据中的一个或者多个线和/或面的角度范围，也可以是相对于三维体数据中的一个或者多个点、线和或面的距离的范围；所说的“在一个或者多个方向上”是指切面的法线在该一个或者多个方向上；所说的“间隔”或者“步长”可以是距离间隔或者步长，也可以是角度间隔或者步长。
在本发明的实施例中，可以是选择三维体数据的全部范围内在一个或者多个方向上相距一定的间隔或者步长的全部切面；或者，一种实施例中，也可以根据一些先验知识来选择备选切面，去除正中矢状面明显不可能包含于其中的备选切面。例如，由于胎儿头部的正中矢状面是位于胎儿头部中间位置的纵切面(即在从从三维体数据中胎儿头顶部分到胎儿颈部部分的方向上的切面)，因此根据三维体数据中胎儿图像的大致方向，选择大体上在头部中间位置的纵切面作为备选切面。本文中，将三维体数据中或者三维体数据的至少一部分中在从从三维体数据中胎儿头顶部分到胎儿颈部部分的方向上的切面(也就是大体上平行于从三维体数据中胎儿头顶部分到胎儿颈部部分的方向的切面，或者其法线大体上垂直于从从三维体数据中胎儿头顶部分到胎儿颈部部分的方向的切面)称为该三维体数据的“纵切面”。
因此，本发明的实施例中，可以选择三维体数据中的一组纵切面作为前述的一组备选切面，例如，选择大体上在头部中间位置的一组纵切面(例如，头部中间位置特定区域内以特定步长或者间距的所有纵切面)作为该一组备选切面。
或者，本发明的实施例中，也可以接收用户的输入，该用户输入指示正中矢状切面所处的可能的范围，然后选择这个用户指出的范围内的切面作为备选切面。
本实施例中，也可以选择三维体数据中相距一定步长的所有切面，即以一定的步长遍历搜索三维体数据的全部范围内的所有切面。
例如，一个实施例中，当采用式(6)表示切面方程时，选定其中的平面参数θ、
Figure BDA0002690659460000211
ρ的取值范围，并且选定步长θstep、
Figure BDA0002690659460000212
ρstep的值，即实现了对备选切面的选择。
类似地，当采用一般表达式aX+bY+cZ+d＝0或Z＝aX+bY+c或Y＝aX+bZ+c表示切面方程时，选定其中的平面参数a、b、c和d的范围和各自的步长，即实现了对备选切面的选择。
例如，当选择的三维体数据中的以一定步长的所有切面为备选切面时，参数ρ的取值范围如式(7)所示，θ、
Figure BDA0002690659460000213
最大的取值范围例如可以为0°≤θ<360°，
Figure BDA0002690659460000214
(参考图16)。容易理解，当坐标系设置方式不同时，参数的取值范围也会变化。
步长θstep、
Figure BDA0002690659460000215
ρstep可以根据实际需要的检测精度来定，本发明对此没有限制。例如，一个实施例中，可以是θstep＝1、
Figure BDA0002690659460000216
ρstep＝2。容易理解，根据需要的检测精度，步长也可以设置为任意其它的值。
选定了备选切面之后，在步骤121中，即可以前述的步长遍历平面参数取值范围内的所有的备选切面方程θ、
Figure BDA0002690659460000217
ρ，计算每个备选切面的对称性指数。
对称性指数主要用于衡量备选切面两侧的数据的相似性。
因此，例如，一个实施例中，对于每个备选切面，可以在三维体数据中该备选切面的两侧选择至少一对第一区域和第二区域，并且该第一区域和该第二区域关于该备选切面对称，然后用第一区域中的数据和第二区域中的数据来计算该备选切面的对称性指数。
这里，“第一区域中的数据”是指落入第一区域中的三维体数据中的数据点的值，类似地，“第二区域中的数据”是指落入第二区域中的三维体数据中的数据点的值。
本发明的实施例中，对于每个备选切面，也可以选择多对第一区域和第二区域，对于每对第一区域和第二区域分别计算对称性指数，然后根据多对第一区域和第二区域对应的多个对称性指数，获得最终的该备选切面的对称性指数。例如，将该多个对称性指数取平均值作为对应的备选切面的对称性指数；或者将该多个对称性指数的加权平均值作为对应的备选切面的对称性指数，其中加权系数可以根据选择的第一区域和第二区域对的位置或者其它性质确定；等等。本发明的实施例中，最终的该备选切面的对称性指数可以是分别根据多对第一区域和第二区域计算获得的对称性指数的函数。
对称性指数可以用多种方法计算。
例如，一个实施例中，可以用前述的第一区域和第二区域中对应的点的灰度值的差的绝对值之和作为对称性指数，即：
Figure BDA0002690659460000221
其中，E为对称性指数，Ω为平面两侧选定的对称的第一区域和第二区域，IL为第一区域中的点的数据值，IR为与第一区域中的点关于备选切面对称的第二区域中的点的数据值。这里，“第一区域和第二区域中对应的点”是指第一区域和第二区域中关于备选切面对称的点。
本发明的实施例中，备选切面的对称性指数也可以是前述的第一区域和第二区域的相关系数，即：
Figure BDA0002690659460000222
其中，E为对称性指数，Ω为平面两侧选定的对称的第一区域和第二区域，IL为第一区域中的点的数据值，IR为与第一区域中的点关于备选切面对称的第二区域中的点的数据值。
对称性指数的定义包括但不局限于上述两种方法，也可以使用其它类似的定义，如第一区域和第二区域的欧式距离(Euclidean Distance)，第一区域和第二区域的余弦相似度(Cosine Similarity)等等。
对于所有备选切面，均计算出其对称性指数，即可获得一组对称性指数。然后，从该组对称性指数中选择满足特征条件的特征对称性指数，本发明的实施例中，认为该特征对称性指数所对应的备选切面即为所需要的胎儿头部的正中矢状切面。
这里，所说的“特征条件”可以是表明备选切面的对称性最优的条件。该特征条件可以根据对称性指数的计算方法的不同而不同。例如，对于前述按照式(12)计算的对称性指数，可以看出，E值(即对称性指数)越小，说明备选切面两侧的图像像素越相似，即对称性越好，因此，此时，特征条件可以是“对称性指数最小”。而对于前述按照式(13)计算的对称性指数，E值(即相似性指数)越大(对于式(13)，也就是E值越接近1)，说明备选切面两侧的图像像素越相似，即对称性越好，因此，此时，特征条件可以是“对称性指数最接近1”或者“对称性指数最大”。
当按照其它方式计算对称性指数时，特征条件也可以类似地定义。例如，当对称性指数为第一区域和第二区域的欧式距离时，特征条件可以为“对称性指数最小”，即此时对称性指数越小(即欧式距离越小)，则第一区域和第二区域对称性越好；当对称性指数为第一区域和第二区域的余弦相似度时，特征条件可以为“对称性指数最大”，即此时对称性指数越大(即余弦相似度越大)，则第一区域和第二区域对称性越好；等等。
采用本实施例的方法检测出了胎儿脑部的正中矢状切面之后，类似前述实施例在判断胎儿头部朝向和/或脸部朝向后，根据判断结果将倒立的图像调整为正立和/或标识出脸部朝向，然后送入显示器上显示。
如前文所述，胎儿头部的正中矢状切面中将表现一些特定的结构，也就是说，胎儿头部的正中矢状切面的图像将具有一些特有的结构特征。因此，本发明的实施例也可以利用胎儿头部的正中矢状切面的这个特征，通过先前已经获得的其它的胎儿头部的正式矢状切面的图像，生成胎儿头部正中矢状面的模板图像(或者标准参考图像)，然后在三维成像过程中，将获得的三维体数据中的切面与该模板图像进行匹配，计算三维体数据中的切面与目标图像的相似度，认为三维体数据中与模板图像相似度最高的切面即为胎儿头部的正中矢状切面。
例如，本发明的实施例中，根据三维体数据检测正中矢状面的流程如图24所示，包括：获取模板图像的步骤130、选择备选切面的步骤131、计算备选切面与模板图像的相似度的步骤132、以及确定满足条件的相似度的切面的步骤133。
在步骤130中，可以获取胎儿头部的正中矢状面的模板图像。本发明的实施例中，这个模板图像可以是预先根据先前已经获得的其它的胎儿头部的正中矢状切面的图像生成并且存储在存储设备中，本发明实施例的三维成像过程中，直接从该存储设备中读取获得；也可以是在本发明实施例的三维成像过程中生成。
本发明的实施例中，模板图像可以是一个，也可以是多个，例如，这里的多个模板可以是每个用于与不同尺寸的三维体数据中的切面匹配。
当是多个模板图像时，后续的匹配过程中可以用每个备选切面与每个模板图像匹配。
获得了模板图像后，在步骤131中，即可在三维体数据中选择一组备选切面。备选切面的选择方式可以根据需要确定。例如，可以选择三维体数据中一定范围内在一个或者多个特定方向上相距一定的间隔(或者步长)的所有切面。这里，所说的“一定范围”可以是相对于三维体数据中的一个或者多个线和/或面的角度范围，也可以是相对于三维体数据中的一个或者多个点、线和或面的距离的范围；所说的“在一个或者多个方向上”是指切面的法线在该一个或者多个方向上；所说的“间隔”或者“步长”可以是距离间隔或者步长，也可以是角度间隔或者步长。
本发明的实施例中，可以是选择三维体数据的全部范围内在一个或者多个方向上相距一定的间隔或者步长的全部切面；或者，本实施例中，也可以根据一些先验知识来选择备选切面，去除正中矢状面明显不可能包含于其中的备选切面。例如，由于胎儿头部的正中矢状面是位于胎儿头部中间位置的纵切面(即在从头顶部分到颈部部分的方向上的切面)，因此根据三维体数据中胎儿图像的大致方向，可以选择三维体数据中的一组纵切面作为前述的一组备选切面，例如，选择大体上在头部中间位置的一组纵切面(例如头部中间位置特定区域内以特定步长或者间距的所有纵切面)作为该组备选切面。
或者，本发明的实施例中，也可以接收用户的输入，该用户输入指示正中矢状切面所处的可能的范围，然后选择这个用户指出的范围内的切面作为备选切面。
本发明的实施例中，也可以选择三维体数据中相距一定步长的所有切面，即以一定的步长遍历匹配三维体数据的全部范围内的所有切面与模板图像。
例如，一个实施例中，当采用式(6)表示切面方程时，选定其中的平面参数θ、
Figure BDA0002690659460000241
ρ的取值范围，并且选定步长θstep、
Figure BDA0002690659460000242
ρstep的值，即实现了对备选切面的选择。
类似地，当采用一般表达式aX+bY+cZ+d＝0或Z＝aX+bY+c或Y＝aX+bZ+c表示切面方程时，选定其中的平面参数a、b、c和d的范围和各自的步长，即实现了对备选切面的选择。
例如，当选择的三维体数据中的以一定步长的所有切面为备选切面时，参数ρ的取值范围如式(7)所示，θ、
Figure BDA0002690659460000243
最大的取值范围例如可以为0°≤θ<360°，
Figure BDA0002690659460000244
(参考图16)。容易理解，当坐标系设置方式不同时，参数的取值范围也会变化。
步长θstep、
Figure BDA0002690659460000251
ρstep可以根据实际需要的检测精度来定，本发明对此没有限制。例如，一个实施例中，可以是θstep＝1、
Figure BDA0002690659460000252
ρstep＝2。容易理解，根据需要的检测精度，步长也可以设置为任意其它的值。
如前文所述，本发明的实施例中，模板图像也可以是一个，在这种情况下，模板图像在一个特定的尺寸下生成。此时，在三维体数据中选择备选切面之前，还包括将三维体数据与模板图像对齐的步骤，该步骤是将三维体数据和模板图像对齐到同一尺度空间，也就是说使得三维体数据中和模板图像中的各个结构的大小是近似一致的。经过这种对齐，三维体数据与模板图像中的各个结构具有近似一致的尺寸，从而后续匹配过程更容易实现，匹配效果更好，并且减小了匹配过程的计算量。
使三维体数据与模板图像对齐的方法可以是检测三维体数据中的切面图像(例如，可以取最中间一帧图像，即第F/2帧的图像，也可取其临近的帧或者其它的帧的图像或者其它的切面图像)中的特定结构特征(例如颅骨光环，等的)，然后根据检测到的特定结构特征的大小将三维体数据通过旋转、平移和/或缩放等方式变换到与模板图像的尺寸相同的尺寸水平。
这里，将三维体数据变换到与模板图像的尺寸相同的尺寸水平是指通过变换使三维图数据中和模板图像中相同或者相应的结构特征具有相同的尺寸。
这里，“相同”是指大体上或者基本上相同或者相近，不是严格限制是绝对地相同，而是可以允许有一定的差别。也就是说，这里的“相同”不应该严格地理想化地解释。
本发明的实施例中，也可以使用任何其它适合的方法将三维体数据与模板图像对齐到同一尺度空间。
这里，“同一”是指大体上或者基本上相同或者相近，不是严格限制是绝对地相同，而是可以允许有一定的差别。也就是说，这里的“同一”不应该严格地理想化地解释。
选定了备选切面之后，在步骤132中，即可以前述的步长遍历平面参数取值范围内的所有的备选切面方程θ、
Figure BDA0002690659460000253
ρ，匹配每个备选切面和前述的模板图像。例如，可以计算每个备选切面和模板图像的相似性指数。
相似性指数用于衡量备选切面与模板图像的相似性。本发明的实施例中，相似性指数可以用多种方式计算。
例如，一个实施例中，相似性指数可以是备选切面和模板图像中对应的点的灰度值的差的绝对值之和，即：
Figure BDA0002690659460000261
其中，E为相似性指数，Ω为备选切面的图像空间，IL为备选切面的点的数据值，IR为与备选切面中的点对应的模板图像中的点的数据值。这里，“备选切面和模板图像中对应的点”是指在备选切面中和在模板图像中具有相同位置的点。
或者，本发明另外的实施例中，相似性指数也可以是备选切面和模板图像的相关系数，即：
Figure BDA0002690659460000262
其中，E为相似性指数，Ω为备选切面的图像空间，IL为备选切面的点的数据值，IR为与备选切面中的点对应的模板图像中的点的数据值。
相似性指数的定义包括但不局限于上述两种方法，也可以使用其它类似的定义。
对于所有备选切面，均计算出其相似性指数，即可获得一组相似性指数。然后，从该组相似性指数中选择满足特征条件的特征相似性指数，本发明的实施例中，认为该特征相似性指数所对应的备选切面即为所需要的胎儿头部的正中矢状切面。
这里，所说的“特征条件”可以是表明备选切面与模板图像的相似性最优的条件。该特征条件可以根据相似性指数的计算方法的不同而不同。
例如，对于前述按照式(14)计算的相似性指数，可以看出，E值(即相似性指数)越小，说明备选切面与模板图像的图像像素越相似，即相似性越好，因此，此时，特征条件可以是“相似性指数最小”。
而对于前述按照式(15)计算的相似性指数，E值(即相似性指数)越大(对于式(15)，也就是E值越接近1)，说明备选切面与模板图像的图像像素越相似，即相似性越好，因此，此时，特征条件可以是“相似性指数最大”或者“相似性指数最接近1”。
当按照其它方式计算相似性指数时，特征条件也可以类似地定义。例如，当相似性指数为备选切面和模板图像的欧式距离时，特征条件可以为“相似性指数最小”，即此时相似性指数越小(即欧式距离越小)，则备选切面和模板图像越相似；当相似性指数为备选切面和模板图像的余弦相似度时，特征条件可以为“对称性指数最大”，即此时相似性指数越大(即余弦相似度越大)，则备选切面和模板图像越相似；等等。
采用本实施例的方法检测出了胎儿脑部的正中矢状切面之后，类似前述实施例在判断胎儿头部的朝向方位(例如，头顶朝向和/或脸部朝向)后，根据判断结果将图像调整为期望的方位和/或标识出胎儿头部的朝向，然后送入显示器上显示。
本发明的一些实施例中，检测胎儿脑部的正中矢状切面的方法不限于前述实施例中的方法，也可以使用任何其他适合的检测胎儿脑部的正中矢状切面的方法。
应该理解，对于本发明各个实施例中的“朝上”、“朝下”、“前”、“后”、“左”、“右”等位置关系术语，其中“朝上”和“朝下”是按照人的观察习惯而言分别对应头部在图像中为正立和倒立，“前”和“后”是按照人的观察习惯而言分别对应胎儿的脸部和背部，“左”和“右”是具有相对性的，可以将“左”和“前”对应，也可以将“左”和“后”对应，不能认为其是对本发明的限制。
本领域技术人员可以理解，上述实施方式中各种方法的全部或部分步骤可以通过程序来指令相关硬件完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘或光盘等。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换。

Claims (9)

1.一种三维超声成像方法，其特征在于，包括：
向胎儿头部发射超声波；
接收超声回波，获得超声回波信号；
根据所述超声回波信号获得胎儿头部的三维体数据；
根据胎儿头部正中矢状切面的特征，从所述三维体数据中检测正中矢状切面；
确定所述正中矢状切面中胎儿头部的朝向方位；所述确定所述正中矢状切面中胎儿头部的朝向方位包括：通过所述正中矢状切面中和/或与所述正中矢状切面平行或者相交的切面中表示胎儿头部中的特定组织区域的图像区域，确定所述胎儿头部的上下朝向；或者，通过所述正中矢状切面中和/或与所述正中矢状切面平行或者相交的切面中表示胎儿头部中的特定组织区域的图像区域，确定所述胎儿头部的脸部朝向；
根据所述胎儿头部的朝向方位，旋转所述正中矢状切面，使得旋转后所述正中矢状切面中的胎儿头部在预定方位，或者在所述正中矢状切面上标识胎儿头部的朝向方位。
2.如权利要求1所述的方法，其特征在于，所述通过所述正中矢状切面中和/或与所述正中矢状切面平行或者相交的切面中表示胎儿头部中的特定组织区域的图像区域，确定所述胎儿头部的上下朝向包括：
选取正中矢状切面和/或至少一个与所述正中矢状切面平行的切面，基于所述选取的切面确定表征颅骨的候选区域；
通过所述表征颅骨的候选区域中的颅骨的弯曲方向确定颅骨的朝向；
根据颅骨的朝向确定在所述正中矢状切面中胎儿头部的上下朝向。
3.如权利要求2所述的方法，其特征在于：基于所述选取的切面确定表征颅骨的候选区域包括：
在所述选取的切面中选取灰度大于预设灰度阈值的区域作为特征区域；或者，基于微分法设计算子，将所述算子和所述选取的切面对应的图像做卷积，选取卷积值大于预设灰度阈值的区域作为特征区域；
选择特征值之和最大的至少一个特征区域作为候选区域；或者，选择平均特征值最大的至少一个特征区域作为候选区域；或者，从所述特征区域中提取特征，将提取出的特征输入预先训练好的分类器进行分类，分类结果作为候选区域。
4.如权利要求1所述的方法，其特征在于，所述通过所述正中矢状切面中和/或与所述正中矢状切面平行或者相交的切面中表示胎儿头部中的特定组织区域的图像区域，确定所述胎儿头部的上下朝向包括：
从所述正中矢状切面中检测出透明隔腔对应的联通区域；
基于所述联通区域确定透明隔腔的朝向；
根据透明隔腔的朝向确定在所述正中矢状切面中胎儿头部的上下朝向方位。
5.如权利要求4所述的方法，其特征在于：
所述从所述正中矢状切面中检测出透明隔腔对应的联通区域包括：对所述正中矢状切面的图像采用图像分割算法进行处理，得到至少一个区域，结合所述至少一个区域的特征从所述至少一个区域中选择与透明隔腔最相似的区域，选择结果为透明隔腔对应的联通区域。
6.如权利要求1所述的方法，其特征在于，所述通过所述正中矢状切面中和/或与所述正中矢状切面平行或者相交的切面中表示胎儿头部中的特定组织区域的图像区域，确定所述胎儿的脸部朝向包括：
从所述正中矢状切面中检测出透明隔腔对应的联通区域；
定位所述胎儿头部的颅内中心位置；
将透明隔腔区域的坐标信息与所述胎儿头部的颅内中心的坐标信息进行比较，根据比较结果得到正中矢状切面中所述胎儿头部的脸部朝向。
7.如权利要求6所述的方法，其特征在于，所述定位所述胎儿头部的颅内中心位置包括：从所述三维体数据中选取至少一帧水平剖面图，对所述水平剖面图进行椭圆或椭球体检测，并获得所述椭圆或椭球体的中心作为所述胎儿头部的颅内中心位置。
8.如权利要求7所述的方法，其特征在于：
所述对所述水平剖面图进行椭圆或者椭球体检测的步骤包括：基于微分法设计算子，利用所述算子对所述水平剖面图进行特征提取，对提取到的特征进行椭圆或椭球体检测。
9.一种三维超声成像方法，其特征在于，包括：
获取胎儿头部的三维体数据；
根据胎儿头部正中矢状切面的特征，从所述三维体数据中检测正中矢状切面；
确定所述正中矢状切面中胎儿头部的朝向方位；所述确定所述正中矢状切面中胎儿头部的朝向方位包括：通过所述正中矢状切面中和/或与所述正中矢状切面平行或者相交的切面中表示胎儿头部中的特定组织区域的图像区域，确定所述胎儿头部的上下朝向；或者，通过所述正中矢状切面中和/或与所述正中矢状切面平行或者相交的切面中表示胎儿头部中的特定组织区域的图像区域，确定所述胎儿头部的脸部朝向；
根据所述胎儿头部的朝向方位，旋转所述正中矢状切面，使得旋转后所述正中矢状切面中的胎儿头部在预定方位，或者在所述正中矢状切面上标识胎儿头部的朝向方位。
CN202010990346.6A 2015-05-07 2015-05-07 三维超声成像方法和装置 Active CN112120736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010990346.6A CN112120736B (zh) 2015-05-07 2015-05-07 三维超声成像方法和装置

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
PCT/CN2015/078494 WO2016176863A1 (zh) 2015-05-07 2015-05-07 三维超声成像方法和装置
CN202010990346.6A CN112120736B (zh) 2015-05-07 2015-05-07 三维超声成像方法和装置
CN201580071177.3A CN107106143B (zh) 2015-05-07 2015-05-07 三维超声成像方法和装置

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201580071177.3A Division CN107106143B (zh) 2015-05-07 2015-05-07 三维超声成像方法和装置

Publications (2)

Publication Number Publication Date
CN112120736A CN112120736A (zh) 2020-12-25
CN112120736B true CN112120736B (zh) 2023-04-18

Family

ID=57217341

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202010990346.6A Active CN112120736B (zh) 2015-05-07 2015-05-07 三维超声成像方法和装置
CN201580071177.3A Active CN107106143B (zh) 2015-05-07 2015-05-07 三维超声成像方法和装置

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201580071177.3A Active CN107106143B (zh) 2015-05-07 2015-05-07 三维超声成像方法和装置

Country Status (3)

Country Link
US (2) US10702240B2 (zh)
CN (2) CN112120736B (zh)
WO (1) WO2016176863A1 (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018205274A1 (zh) * 2017-05-12 2018-11-15 深圳迈瑞生物医疗电子股份有限公司 一种超声设备及其三维超声图像的显示变换方法、系统
CN107766874B (zh) * 2017-09-07 2021-06-04 深圳度影医疗科技有限公司 一种超声容积生物学参数的测量方法及测量系统
CN109567860B (zh) * 2018-10-19 2022-03-04 深圳迈瑞生物医疗电子股份有限公司 超声成像方法、设备和存储介质
CN112638267B (zh) * 2018-11-02 2023-10-27 深圳迈瑞生物医疗电子股份有限公司 超声成像方法及系统、存储介质、处理器和计算机设备
US10672510B1 (en) * 2018-11-13 2020-06-02 Biosense Webster (Israel) Ltd. Medical user interface
CN111368586B (zh) * 2018-12-25 2021-04-20 深圳迈瑞生物医疗电子股份有限公司 超声成像方法及系统
EP3730060A1 (en) * 2019-04-24 2020-10-28 Koninklijke Philips N.V. Fetal ultrasound processing unit for separating heart rate signals
CN111839515B (zh) * 2019-04-26 2024-03-08 西门子医疗系统有限公司 利用磁共振成像的胎儿胼胝体体积的测量方法及磁共振成像装置
CN110176066B (zh) * 2019-05-28 2023-04-18 中山大学附属第三医院 颅骨缺损结构的重建方法、装置及电子设备
CN110432929A (zh) * 2019-07-11 2019-11-12 暨南大学 基于超声图像的产时头盆关系自动测量方法和装置
US11830192B2 (en) 2019-07-31 2023-11-28 The Joan and Irwin Jacobs Technion-Cornell Institute System and method for region detection in tissue sections using image registration
CN110464380B (zh) * 2019-09-12 2021-10-29 李肯立 一种对中晚孕期胎儿的超声切面图像进行质量控制的方法
CN112862944B (zh) * 2019-11-09 2024-04-12 无锡祥生医疗科技股份有限公司 人体组织超声建模方法、超声设备及存储介质
CN111462055B (zh) * 2020-03-19 2024-03-08 东软医疗系统股份有限公司 颅骨检测方法及装置
CN112258533B (zh) * 2020-10-26 2024-02-02 大连理工大学 一种超声图像中小脑蚓部的分割方法
CN112017189B (zh) * 2020-10-26 2021-02-02 腾讯科技（深圳）有限公司 图像分割方法、装置、计算机设备和存储介质
CN112370078B (zh) * 2020-11-10 2024-01-26 安徽理工大学 一种基于超声成像和贝叶斯优化的图像检测方法
WO2022099705A1 (zh) * 2020-11-16 2022-05-19 深圳迈瑞生物医疗电子股份有限公司 早孕期胎儿的超声成像方法和超声成像系统
CN116568223A (zh) * 2020-12-25 2023-08-08 深圳迈瑞生物医疗电子股份有限公司 胎儿颅骨的超声成像方法和超声成像系统
CN114399493A (zh) * 2022-01-14 2022-04-26 汕头市超声仪器研究所股份有限公司 超声颅脑异常区域自动检测及显示方法
KR20240032563A (ko) * 2022-09-02 2024-03-12 삼성메디슨 주식회사 초음파 진단 장치 및 진단 방법

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3091503B2 (ja) * 1991-03-22 2000-09-25 株式会社日立メディコ 超音波断層装置
US20050004465A1 (en) * 2003-04-16 2005-01-06 Eastern Virginia Medical School System, method and medium for generating operator independent ultrasound images of fetal, neonatal and adult organs
JP2007301030A (ja) 2006-05-09 2007-11-22 Toshiba Corp 超音波診断装置
US20110125016A1 (en) * 2009-11-25 2011-05-26 Siemens Medical Solutions Usa, Inc. Fetal rendering in medical diagnostic ultrasound
US9134420B2 (en) * 2010-03-10 2015-09-15 Samsung Medison Co., Ltd. Three-dimensional (3D) ultrasound system for scanning object inside human body and method for operating 3D ultrasound system
KR101229490B1 (ko) * 2010-05-31 2013-02-04 삼성메디슨 주식회사 ３차원 초음파 검사기 및 ３차원 초음파 검사기의 동작 방법
KR101194290B1 (ko) * 2010-09-24 2012-10-29 삼성메디슨 주식회사 이미지 필터링을 이용한 3차원 초음파 검사기 및 3차원 초음파 검사기의 동작 방법
CN102949206B (zh) * 2011-08-26 2015-12-02 深圳迈瑞生物医疗电子股份有限公司 一种三维超声成像的方法及装置
KR20130072810A (ko) * 2011-12-22 2013-07-02 삼성전자주식회사 초음파 영상을 이용하여 정중 시상면을 자동으로 검출하는 방법 및 그 장치
JP6000825B2 (ja) * 2012-11-27 2016-10-05 東芝メディカルシステムズ株式会社 医用画像診断装置、医用画像処理装置及び医用画像処理方法
CN104414680B (zh) * 2013-08-21 2017-06-13 深圳迈瑞生物医疗电子股份有限公司 一种三维超声成像方法及系统
CN104156967B (zh) * 2014-08-18 2017-09-08 深圳开立生物医疗科技股份有限公司 一种胎儿颈部透明层图像分割方法、装置及超声成像系统

Also Published As

Publication number Publication date
CN112120736A (zh) 2020-12-25
US20200383659A1 (en) 2020-12-10
US20180185003A1 (en) 2018-07-05
US11534134B2 (en) 2022-12-27
CN107106143A (zh) 2017-08-29
WO2016176863A1 (zh) 2016-11-10
CN107106143B (zh) 2020-10-20
US10702240B2 (en) 2020-07-07

Similar Documents

Publication Publication Date Title
CN112120736B (zh) 三维超声成像方法和装置
US11969288B2 (en) Three-dimensional ultrasonic imaging method and system
CN110338844B (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
Berton et al. Segmentation of the spinous process and its acoustic shadow in vertebral ultrasound images
CN111368586B (zh) 超声成像方法及系统
CN111374712B (zh) 一种超声成像方法及超声成像设备
CN106709920B (zh) 血管提取方法及其装置
Hu et al. Automated placenta segmentation with a convolutional neural network weighted by acoustic shadow detection
CN110288698B (zh) 基于mri的半月板三维重建系统
US8644608B2 (en) Bone imagery segmentation method and apparatus
TWI722297B (zh) 醫學影像之體內邊緣偵測處理系統及其方法
US20220249060A1 (en) Method for processing 3d image data and 3d ultrasonic imaging method and system
Ajitha et al. Active contour-based segmentation of normal and fetal spina bifida ultrasound images
CN111862014A (zh) 一种基于左右侧脑室分割的alvi自动测量方法及装置
Liu et al. Automated fetal lateral ventricular width estimation from prenatal ultrasound based on deep learning algorithms
Yu Detecting and Locating of Brain Abnormality in MR Images Using Texture Feature Analysis and Improved Probabilistic Relaxation Methods
Li et al. Lamina landmark detection in ultrasound images: a preliminary study
Banerjee Automatic Assessment of Scoliosis Using 3D Ultrasound Imaging and Convolutional Neural Network
Khazendar Computer-aided diagnosis of gynaecological abnormality using B-mode ultrasound images
Kalimuthu et al. Generative-Discriminative Probabilistic Model for Brain Lesion Segmentation
Balasooriya Applications of operations research techniques for detection of anatomical structures in medical images
Chen et al. Automatic tumor diagnosis for breast ultrasound using 3D sub-volume registration

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