CN112233167A - 一种胎儿结构特征的自动测量方法及装置 - Google Patents

一种胎儿结构特征的自动测量方法及装置 Download PDF

Info

Publication number
CN112233167A
CN112233167A CN202011014990.6A CN202011014990A CN112233167A CN 112233167 A CN112233167 A CN 112233167A CN 202011014990 A CN202011014990 A CN 202011014990A CN 112233167 A CN112233167 A CN 112233167A
Authority
CN
China
Prior art keywords
structural feature
structural
feature
contour
structural features
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
Application number
CN202011014990.6A
Other languages
English (en)
Other versions
CN112233167B (zh
Inventor
谢红宁
汪南
冼建波
梁喆
吴海涛
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.)
Guangzhou Aiyunji Information Technology Co Ltd
Original Assignee
Guangzhou Aiyunji Information Technology 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 Guangzhou Aiyunji Information Technology Co Ltd filed Critical Guangzhou Aiyunji Information Technology Co Ltd
Priority to CN202011014990.6A priority Critical patent/CN112233167B/zh
Publication of CN112233167A publication Critical patent/CN112233167A/zh
Priority to PCT/CN2021/096822 priority patent/WO2022062459A1/zh
Application granted granted Critical
Publication of CN112233167B publication Critical patent/CN112233167B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1072—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring distances on the body, e.g. measuring length, height or thickness
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1079—Measuring physical dimensions, e.g. size of the entire body or parts thereof using optical or photographic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30044—Fetus; Embryo

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Data Mining & Analysis (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种胎儿结构特征的自动测量方法及装置，该方法包括将获取到的胎儿超声图像输入确定出的特征检测模型中进行分析，并获取该特征检测模型输出的分析结果，作为胎儿超声图像的特征信息，该胎儿超声图像的特征信息包括该胎儿超声图像的至少一个结构特征的类别以及至少一个该结构特征的轮廓；根据每个结构特征的类别确定与该结构特征的轮廓相匹配的测量方式，并根据每个结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数。可见，实施本发明能够快速获取到高精度的胎儿结构特征的测量结果，从而准确确定胎儿的生长发育情况；通过将胎儿超声图像输入特征检测模型，能够提高胎儿的结构特征的测量结果的获取效率。

Description

一种胎儿结构特征的自动测量方法及装置
技术领域
本发明涉及图像技术领域，尤其涉及一种胎儿结构特征的自动测量方法及装置。
背景技术
随着社会的进步以及人们获取健康新生儿意识的加强，越来越多的孕妇按照产检计划定期前往医院进行产检来获知胎儿的生长发育情况。
目前，胎儿生长发育情况的获取方法为：检查者(例如：医护人员)通过移动轨迹球的方式手动确定胎儿头围或腹围的长轴和短轴，得到胎儿头围或腹围的椭圆形状，再通过椭圆周长公式计算胎儿头围或腹围周长，从而得到胎儿头围或腹围的测量结果，并根据该测量结果确定胎儿的生长发育情况。然而，实践发现，由于检查者的操作手法和熟练程度会影响对胎儿的结构特征的定位，这很容易导致获取到低精度的胎儿测量结果，从而无法准确确定胎儿的生长发育情况。
发明内容
本发明所要解决的技术问题在于，提供一种胎儿结构特征的自动测量方法及装置，能够获取到高精度的胎儿测量结果，从而准确确定胎儿的生长发育情况。
为了解决上述技术问题，本发明第一方面公开了一种胎儿结构特征的自动测量方法，所述方法包括：
将获取到的胎儿超声图像输入确定出的特征检测模型中进行分析，并获取所述特征检测模型输出的分析结果，作为所述胎儿超声图像的特征信息，所述胎儿超声图像的特征信息包括该胎儿超声图像的至少一个结构特征的类别以及至少一个该结构特征的轮廓；
根据每个所述结构特征的类别确定与该结构特征的轮廓相匹配的测量方式，并根据每个所述结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数。
作为一种可选的实施方式，在本发明第一方面中，所述获取所述特征检测模型输出的分析结果，作为所述胎儿超声图像的特征信息之后，所述方法还包括：
基于确定出的预处理方式对每个所述结构特征的轮廓执行预处理操作，得到预处理后的结构特征的轮廓，并触发执行所述的根据每个所述结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数的操作，每个所述结构特征的轮廓均为预处理后的结构特征的轮廓，所述预处理操作包括平滑处理操作。
作为一种可选的实施方式，在本发明第一方面中，所述获取所述特征检测模型输出的分析结果，作为所述胎儿超声图像的特征信息之后，所述方法还包括：
根据所述胎儿超声图像的特征信息判断每个所述结构特征的轮廓是否满足确定出的预处理条件；
当判断结果为否时，触发执行所述的根据每个所述结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数的操作；
当判断结果为是时，从所有所述结构特征中筛选满足所述预处理条件的所有目标结构特征，并触发执行所述的基于确定出的预处理方式对每个所述结构特征的轮廓执行预处理操作，得到预处理后的结构特征的轮廓的操作，所有所述结构特征包括所有所述目标结构特征。
作为一种可选的实施方式，在本发明第一方面中，每个所述结构特征的轮廓均对应多个节点；
以及，所述基于确定出的预处理方式对每个所述结构特征的轮廓执行预处理操作，得到预处理后的结构特征的轮廓，包括：
获取每个所述结构特征的轮廓对应的圆弧半径；
当每个所述结构特征的轮廓对应的圆弧半径大于等于确定出的圆弧半径阈值时，从该结构特征对应的所有所述节点中选取预设数量的目标节点，并按照每相邻两个节点进行连接的方式将每个所述结构特征对应的所有所述目标节点依次连接起来，得到预处理后的该结构特征的轮廓；
当每个所述结构特征的轮廓对应的圆弧半径不大于等于确定出的圆弧半径阈值时，按照每相邻两个节点进行连接的方式将每个所述结构特征对应的所有所述节点依次连接起来，得到预处理后的该结构特征的轮廓。
作为一种可选的实施方式，在本发明第一方面中，所有所述结构特征包括颅脑结构特征、腹围结构特征以及其他结构特征中的至少一种，所述其他结构特征包括小脑结构特征、第三脑室结构特征、侧脑室结构特征、透明隔结构特征、肱骨结构特征以及股骨结构特征中的至少一种。
作为一种可选的实施方式，在本发明第一方面中，所述根据每个所述结构特征的类别确定与该结构特征的轮廓相匹配的测量方式，并根据每个所述结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数，包括：
当所述结构特征为所述颅脑结构特征时，基于所述颅脑结构特征的内轮廓与所述颅脑结构特征的外轮廓，确定所述颅脑结构特征对应的几何参数，所述颅脑结构特征的轮廓包括所述外轮廓和所述内轮廓；
当所述结构特征为所述腹围结构特征时，获取所述腹围结构特征的轮廓对应的周长，作为所述腹围结构特征的几何参数；
当所述结构特征为所述其他结构特征时，基于确定出的图形拟合方式拟合每个所述其他结构特征的轮廓，得到该其他结构特征的目标节点，并基于每个所述其他结构特征的目标节点，确定该其他结构特征的几何参数，所述图形拟合方式包括最小外接矩形拟合方式和/或椭圆拟合方式。
作为一种可选的实施方式，在本发明第一方面中，所述基于确定出的图形拟合方式拟合每个所述其他结构特征的轮廓，得到该其他结构特征的目标节点，并基于每个所述其他结构特征的目标节点，确定该其他结构特征的几何参数，包括：
当所述图形拟合方式为所述最小外接矩形拟合方式时，基于确定出的外接矩形拟合所述其他结构特征的轮廓，当所述外接矩形的其中一组对边均与所述其他结构特征的轮廓存在目标交点时，停止拟合所述其他结构特征的轮廓，得到所述其他结构特征的轮廓的最小外接矩形，并根据所述其他结构特征的类别确定所述其他结构特征的扫查方向；
基于所述扫查方向对所述其他结构特征的轮廓执行扫查操作，得到所述其他结构特征的轮廓的多条扫查线段，并从所有所述扫查线段中选择距离值最大的扫查线段，作为所述其他结构特征的几何参数；
其中，所述扫查方向包括第一扫查方向或第二扫查方向中的其中一种，其中，所述第一扫查方向用于表示从平行于所述最小外接矩形的短边对所述其他结构特征的轮廓进行扫查，所述第二扫查方向用于表示从平行于所述最小外接矩形的长边对所述其他结构特征的轮廓进行扫查。
作为一种可选的实施方式，在本发明第一方面中，所述基于确定出的图形拟合方式拟合每个所述其他结构特征的轮廓，得到该其他结构特征的目标节点，并基于每个所述其他结构特征的目标节点，确定该其他结构特征的几何参数，包括：
当所述图形拟合方式为所述椭圆拟合方式时，基于确定出的椭圆拟合算法拟合所述其他结构特征的轮廓，得到拟合后的所述其他结构特征的轮廓，拟合后的所述其他结构特征的轮廓的形状为椭圆形；
根据所述其他结构特征的类别确定所述其他结构特征的目标扫查方向；
基于所述目标扫查方向对所述其他结构特征的轮廓执行扫查操作，得到所述其他结构特征的轮廓的多条目标扫查线段，并从所有所述目标扫查线段中选择距离值最大的目标扫查线段，作为所述其他结构特征的几何参数；
其中，所述目标扫查方向包括第一目标扫查方向或第二目标扫查方向中的其中一种，其中，所述第一目标扫查方向用于表示从平行于拟合后的所述其他结构特征的轮廓的短轴对所述其他结构特征的轮廓进行扫查，所述第二目标扫查方向用于表示从平行于拟合后的所述其他结构特征的轮廓的长轴对所述其他结构特征的轮廓进行扫查。
作为一种可选的实施方式，在本发明第一方面中，所述基于所述颅脑结构特征的内轮廓与所述颅脑结构特征的外轮廓，确定所述颅脑结构特征对应的几何参数，包括：
获取所述颅脑结构特征的内轮廓的第一周长与所述颅脑结构特征的外轮廓的第二周长，并基于所述第一周长和所述第二周长，确定所述颅脑结构特征对应的头围几何参数；
确定所述颅脑结构特征的脑中线对应的中垂线与所述颅脑结构特征的外轮廓的第一交点以及所述中垂线与所述颅脑结构特征的内轮廓的第二交点，并基于所述第一交点与所述第二交点，确定所述颅脑结构特征对应的双顶径几何参数。
本发明第二方面公开了一种胎儿结构特征的自动测量装置，所述装置包括：
分析模块，将获取到的胎儿超声图像输入确定出的特征检测模型中进行分析；
获取模块，用于获取所述特征检测模型输出的分析结果，作为所述胎儿超声图像的特征信息，所述胎儿超声图像的特征信息包括该胎儿超声图像的至少一个结构特征的类别以及至少一个该结构特征的轮廓；
测量模块，用于根据每个所述结构特征的类别确定与该结构特征的轮廓相匹配的测量方式，并根据每个所述结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数。
作为一种可选的实施方式，在本发明第二方面中，所述装置还包括：
预处理模块，用于在所述获取模块获取所述特征检测模型输出的分析结果，作为所述胎儿超声图像的特征信息之后，基于确定出的预处理方式对每个所述结构特征的轮廓执行预处理操作，得到预处理后的结构特征的轮廓，并触发所述测量模块执行所述的根据每个所述结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数的操作，每个所述结构特征的轮廓均为预处理后的结构特征的轮廓，所述预处理操作包括预处理操作。
作为一种可选的实施方式，在本发明第二方面中，所述装置还包括：
判断模块，用于在所述获取模块获取所述特征检测模型输出的分析结果，作为所述胎儿超声图像的特征信息之后，根据所述胎儿超声图像的特征信息判断每个所述结构特征的轮廓是否满足确定出的预处理条件，当判断结果为否时，触发所述测量模块执行所述的根据每个所述结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数的操作；
筛选模块，用于当所述判断模块的判断结果为是时，从所有所述结构特征中筛选所述预处理条件的所有目标结构特征，并触发所述预处理模块执行所述的基于确定出的预处理方式对每个所述结构特征的轮廓执行预处理操作，得到预处理后的结构特征的轮廓的操作，所有所述结构特征包括所有所述目标结构特征。
作为一种可选的实施方式，在本发明第二方面中，每个所述结构特征的轮廓均对应多个节点；
以及，所述预处理模块基于确定出的预处理方式对每个所述结构特征的轮廓执行预处理操作，得到预处理后的结构特征的轮廓的方式具体为：
获取每个所述结构特征的轮廓对应的圆弧半径；
当每个所述结构特征的轮廓对应的圆弧半径大于等于确定出的圆弧半径阈值时，从该结构特征对应的所有所述节点中选取预设数量的目标节点，并按照每相邻两个节点进行连接的方式将每个所述结构特征对应的所有所述目标节点依次连接起来，得到预处理后的该结构特征的轮廓；
当每个所述结构特征的轮廓对应的圆弧半径不大于等于确定出的圆弧半径阈值时，按照每相邻两个节点进行连接的方式将每个所述结构特征对应的所有所述节点依次连接起来，得到预处理后的该结构特征的轮廓。
作为一种可选的实施方式，在本发明第二方面中，所有所述结构特征包括颅脑结构特征、腹围结构特征以及其他结构特征中的至少一种，所述其他结构特征包括小脑结构特征、第三脑室结构特征、侧脑室结构特征、透明隔结构特征、肱骨结构特征以及股骨结构特征中的至少一种。
作为一种可选的实施方式，在本发明第二方面中，所述测量模块根据每个所述结构特征的类别确定与该结构特征的轮廓相匹配的测量方式，并根据每个所述结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数的方式具体为：
当所述结构特征为所述颅脑结构特征时，基于所述颅脑结构特征的内轮廓与所述颅脑结构特征的外轮廓，确定所述颅脑结构特征对应的几何参数，所述颅脑结构特征的轮廓包括所述外轮廓和所述内轮廓；
当所述结构特征为所述腹围结构特征时，获取所述腹围结构特征的轮廓对应的周长，作为所述腹围结构特征的几何参数；
当所述结构特征为所述其他结构特征时，基于确定出的图形拟合方式拟合每个所述其他结构特征的轮廓，得到该其他结构特征的目标节点，并基于每个所述其他结构特征的目标节点，确定该其他结构特征的几何参数，所述图形拟合方式包括最小外接矩形拟合方式和/或椭圆拟合方式。
作为一种可选的实施方式，在本发明第二方面中，所述测量模块基于确定出的图形拟合方式拟合每个所述其他结构特征的轮廓，得到该其他结构特征的目标节点，并基于每个所述其他结构特征的目标节点，确定该其他结构特征的几何参数的方式具体为：
当所述图形拟合方式为所述最小外接矩形拟合方式时，基于确定出的外接矩形拟合所述其他结构特征的轮廓，当所述外接矩形的其中一组对边均与所述其他结构特征的轮廓存在目标交点时，停止拟合所述其他结构特征的轮廓，得到所述其他结构特征的轮廓的最小外接矩形，并根据所述其他结构特征的类别确定所述其他结构特征的扫查方向；
基于所述扫查方向对所述其他结构特征的轮廓执行扫查操作，得到所述其他结构特征的轮廓的多条扫查线段，并从所有所述扫查线段中选择距离值最大的扫查线段，作为所述其他结构特征的几何参数；
其中，所述扫查方向包括第一扫查方向或第二扫查方向中的其中一种，其中，所述第一扫查方向用于表示从平行于所述最小外接矩形的短边对所述其他结构特征的轮廓进行扫查，所述第二扫查方向用于表示从平行于所述最小外接矩形的长边对所述其他结构特征的轮廓进行扫查。
作为一种可选的实施方式，在本发明第二方面中，所述测量模块基于确定出的图形拟合方式拟合每个所述其他结构特征的轮廓，得到该其他结构特征的目标节点，并基于每个所述其他结构特征的目标节点，确定该其他结构特征的几何参数的方式具体为：
当所述图形拟合方式为所述椭圆拟合方式时，基于确定出的椭圆拟合算法拟合所述其他结构特征的轮廓，得到拟合后的所述其他结构特征的轮廓，拟合后的所述其他结构特征的轮廓的形状为椭圆形；
根据所述其他结构特征的类别确定所述其他结构特征的目标扫查方向；
基于所述目标扫查方向对所述其他结构特征的轮廓执行扫查操作，得到所述其他结构特征的轮廓的多条目标扫查线段，并从所有所述目标扫查线段中选择距离值最大的目标扫查线段，作为所述其他结构特征的几何参数；
其中，所述目标扫查方向包括第一目标扫查方向或第二目标扫查方向中的其中一种，其中，所述第一目标扫查方向用于表示从平行于拟合后的所述其他结构特征的轮廓的短轴对所述其他结构特征的轮廓进行扫查，所述第二目标扫查方向用于表示从平行于拟合后的所述其他结构特征的轮廓的长轴对所述其他结构特征的轮廓进行扫查。
作为一种可选的实施方式，在本发明第二方面中，所述测量模块基于所述颅脑结构特征的内轮廓与所述颅脑结构特征的外轮廓，确定所述颅脑结构特征对应的几何参数的方式具体为：
获取所述颅脑结构特征的内轮廓的第一周长与所述颅脑结构特征的外轮廓的第二周长，并基于所述第一周长和所述第二周长，确定所述颅脑结构特征对应的头围几何参数；
确定所述颅脑结构特征的脑中线对应的中垂线与所述颅脑结构特征的外轮廓的第一交点以及所述中垂线与所述颅脑结构特征的内轮廓的第二交点，并基于所述第一交点与所述第二交点，确定所述颅脑结构特征对应的双顶径几何参数。
本发明第三方面公开了另一种胎儿结构特征的自动测量装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的胎儿结构特征的自动测量方法。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的胎儿结构特征的自动测量方法。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例中，将获取到的胎儿超声图像输入确定出的特征检测模型中进行分析，并获取该特征检测模型输出的分析结果，作为胎儿超声图像的特征信息，该胎儿超声图像的特征信息包括该胎儿超声图像的至少一个结构特征的类别以及至少一个该结构特征的轮廓；根据每个结构特征的类别确定与该结构特征的轮廓相匹配的测量方式，并根据每个结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数。可见，实施本发明通过自动获取胎儿的结构特征的类别和轮廓，并根据对应的测量方式测量结构特征的轮廓，无需通过手动获取胎儿结构特征的几何参数，能够快速获取到高精度的胎儿结构特征的测量结果，从而准确确定胎儿的生长发育情况；以及通过将胎儿超声图像输入特征检测模型，能够提高胎儿的结构特征的测量结果的获取效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是本发明实施例公开的一种胎儿结构特征的自动测量方法的流程示意图；
图2是本发明实施例公开的另一种胎儿结构特征的自动测量方法的流程示意图；
图3是本发明实施例公开的一种胎儿结构特征的自动测量装置的结构示意图；
图4是本发明实施例公开的另一种胎儿结构特征的自动测量装置的结构示意图；
图5是本发明实施例公开的又一种胎儿结构特征的自动测量装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种胎儿结构特征的自动测量方法及装置，能够通过自动获取胎儿的结构特征的类别和轮廓，并根据对应的测量方式测量结构特征的轮廓，无需通过手动获取胎儿结构特征的几何参数，能够快速获取到高精度的胎儿结构特征的测量结果，从而准确确定胎儿的生长发育情况；以及通过将胎儿超声图像输入特征检测模型，能够提高胎儿的结构特征的测量结果的获取效率。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种胎儿结构特征的自动测量方法的流程示意图。其中，图1所描述的胎儿结构特征的自动测量方法可以应用于参数测量服务器中，其中，该参数测量服务器可以包括本地参数测量服务器或云参数测量服务器，本发明实施例不做限定。如图1所示，该胎儿结构特征的自动测量方法可以包括以下操作：
101、将获取到的胎儿超声图像输入确定出的特征检测模型中进行分析，并获取特征检测模型输出的分析结果，作为该胎儿超声图像的特征信息，该胎儿超声图像的特征信息包括该胎儿超声图像的至少一个结构特征的类别以及至少一个该结构特征的轮廓。
本发明实施例中，胎儿超声图像可以为单帧图片，也可以为动态图像。其中，当胎儿超声图像为单帧图片时，可以按照预先确定出的帧率将胎儿超声图像连续输入特征检测模型中进行分析，这样通过将连续多帧的胎儿超声图像输入特征检测模型进行分析，有利于对同一结构特征进行多次分析，从而有利于对同一结构特征的轮廓进行多次测量，从而提高胎儿超声图像的结构特征的测量准确性，进而提高胎儿的生长发育情况的确定准确性；还可以对胎儿超声图像的更多结构特征的轮廓执行测量操作，从而有利于根据不同结构特征的几何参数确定胎儿超声图像对应的胎儿的生长发育情况。又进一步的，预先确定出的帧率与所需测量的胎儿超声图像的结构特征有关，即根据所需测量的胎儿超声图像的结构特征来选择帧率，例如：若需要测量的是腹围结构特征，则帧率可以为30帧/秒；若需要测量的是四腔心结构特征，则帧率可以为60帧/秒。这样根据所需测量的胎儿超声图像的结构特征选择对应的帧率，有利于提高所需胎儿超声图像的结构特征的几何参数的测量效率以及准确性。当胎儿超声图像为动态图像，特征检测模型在分析胎儿超声图像的特征信息之前，可以先将胎儿超声图像分为多帧胎儿超声图片。这样通过对动态的胎儿超声图像执行帧分割操作，能够对胎儿超声图像的结构特征进行细分，从而有利于提高胎儿超声图像的结构特征的几何参数的测量精准性。
本发明实施例中，可选的，胎儿超声图像的特征信息还可以包括该胎儿超声图像的结构特征的图形坐标、尺寸、位置概率中的至少一种，本发明实施例不做限定。其中，图形坐标可以包括多边形坐标或椭圆形坐标，其中，多边形坐标可以包括奇数多边形坐标或偶数多边形坐标，例如：五角形坐标、长方形坐标，多边形坐标的选取取决于结构特征的形状，这样能够提高结构特征的坐标获取准确性。又进一步的，胎儿超声图像的特征信息还包括该胎儿超声图像的结构特征的多边形轮廓信息，例如：多边形轮廓坐标，这样胎儿超声图像的特征信息包括的内容越多越有利于提高胎儿的生长发育情况的确定准确性。
本发明实施例中，可选的，每帧胎儿超声图像均存在唯一对应的帧序号，这样通过为每帧胎儿超声图像设定唯一的帧序号，能够在胎儿超声图像的结构特征的测量过程中，清楚区分每帧胎儿超声图像以及有利于对胎儿超声图像及其结构特征的相关信息(例如：几何参数)的进行管理。
本发明实施例中，所有结构特征可以包括颅脑结构特征、腹围结构特征以及其他结构特征中的至少一种，其他结构特征包括小脑结构特征、第三脑室结构特征、侧脑室结构特征、透明隔结构特征、肱骨结构特征以及股骨结构特征中的至少一种，本发明实施例不做限定。
102、根据每个结构特征的类别确定与该结构特征的轮廓相匹配的测量方式。
本发明实施例中，每个结构特征的轮廓均存在与之对应的测量方式。需要说明的是，获取到的结构特无论是正常的结构特征，还是异常的结构特征，其对应的测量方式均相同。
103、根据每个结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数。
可见，实施图1所描述的胎儿结构特征的自动测量方法能够通过自动获取胎儿的结构特征的类别和轮廓，并根据对应的测量方式测量结构特征的轮廓，无需通过手动获取胎儿结构特征的几何参数，能够快速获取到高精度的胎儿结构特征的测量结果，从而准确确定胎儿的生长发育情况；以及通过将胎儿超声图像输入特征检测模型，能够提高胎儿的结构特征的测量结果的获取效率。
在一个可选的实施例中，根据每个结构特征的类别确定与该结构特征的轮廓相匹配的测量方式，并根据每个结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数，可以包括：
当上述结构特征为颅脑结构特征时，基于颅脑结构特征的内轮廓与颅脑结构特征的外轮廓，确定颅脑结构特征对应的几何参数，该颅脑结构特征的轮廓包括颅脑结构特征的外轮廓和颅脑结构特征的内轮廓；
当上述结构特征为腹围结构特征时，获取腹围结构特征的轮廓对应的周长，作为腹围结构特征的几何参数；
当上述结构特征为其他结构特征时，基于确定出的图形拟合方式拟合每个其他结构特征的轮廓，得到该其他结构特征的目标节点，并基于每个其他结构特征的目标节点，确定该其他结构特征的几何参数。
该可选的实施例中，图形拟合方式包括最小外接矩形拟合方式和/或椭圆拟合方式。
作为一种可选的实施方式，当图形拟合方式为最小外接矩形拟合方式时，基于确定出的图形拟合方式拟合每个其他结构特征的轮廓，得到该其他结构特征的目标节点，并基于每个其他结构特征的目标节点，确定该其他结构特征的几何参数，包括：基于确定出的外接矩形拟合与其他结构特征的轮廓，当外接矩形的其中一组对边均与其他结构特征的轮廓存在目标交点时，停止拟合其他结构特征的轮廓，得到其他结构特征的轮廓的最小外接矩形，并根据该其他结构特征的类别确定该其他结构特征的扫查方向，并基于该扫查方向对该其他结构特征的轮廓执行扫查操作，得到该其他结构特征的轮廓的多条扫查线段，并从所有扫查线段中选择距离值最大的扫查线段，作为该其他结构特征的几何参数。
该可选的实施方式中，扫查方向包括第一扫查方向或第二扫查方向中的其中一种，其中，该第一扫查方向用于表示从平行于最小外接矩形的短边对该其他结构特征的轮廓进行扫查，该第二扫查方向用于表示从平行于最小外接矩形的长边对该其他结构特征的轮廓进行扫查，例如：侧脑室增宽结构特征的扫查方向为平行于最小外接矩形的短边，左心房结构特征的扫查方向为平行于最小外接矩形的长边。又可选的，该目标交点为在外接矩形无线逼近其他结构特征的轮廓的过程中，当外接矩形的其中一组对边一旦均与其他结构特征的轮廓存在目标交点时，就停止拟合其他结构特征的轮廓，这样能够提高结构特征的扫查方向的确定准确性，从而进一步提高结构特征的几何参数的获取准确性、可靠性以及效率。
可见，该可选的实施方式通过最小外接矩形拟合结构特征，能够实现结构特征的几何参数的获取，以及不同类别的结构特征选择不同的扫查方向，能够提高结构特征的几何参数的获取准确性、可靠性以及效率。
该可选的实施例中，当上述其他结构特征为小脑结构特征和/或第三脑室结构特征时，其他结构特征的几何参数的获取方式还可以为：获取其他结构特征的脑中线对应的中垂线，并获取该中垂线与其他结构特征的轮廓的两个交点，以及连接该两个交点所形成的线段，作为其他结构特征的几何参数。进一步的，当其他结构特征的几何参数的获取方式包括上述两种获取方式时，获取该两种获取方式所获得其他结构特征的几何参数的均值，作为其他结构特征的最终横径几何参数。举例来说，当小脑横径的获取方式包括上述两种获取方式时，获取该两种获取方式所获得小脑横径的均值，作为小脑结构特征的最终横径，从而提高其他结构特征的几何参数的获取准确性以及可靠性。
该可选的实施例中，可选的，基于确定出的图形拟合方式拟合每个其他结构特征的轮廓，得到该其他结构特征的目标节点，并基于每个其他结构特征的目标节点，确定该其他结构特征的几何参数的方式具体为：
当图形拟合方式为椭圆拟合方式时，基于确定出的椭圆拟合算法拟合其他结构特征的轮廓，得到拟合后的其他结构特征的轮廓，拟合后的其他结构特征的轮廓的形状为椭圆形；
根据其他结构特征的类别确定其他结构特征的目标扫查方向；
基于目标扫查方向对其他结构特征的轮廓执行扫查操作，得到其他结构特征的轮廓的多条目标扫查线段，并从所有目标扫查线段中选择距离值最大的目标扫查线段，作为其他结构特征的几何参数；
其中，目标扫查方向包括第一目标扫查方向或第二目标扫查方向中的其中一种，其中，第一目标扫查方向用于表示从平行于拟合后的其他结构特征的轮廓的短轴对其他结构特征的轮廓进行扫查，第二目标扫查方向用于表示从平行于拟合后的其他结构特征的轮廓的长轴对其他结构特征的轮廓进行扫查。例如：颅脑结构特征的扫查方向为平行于椭圆拟合后的颅脑结构特征的轮廓的短轴，并把距离值最大的扫查线段作为颅脑结构特征的横径。
该可选的实施例中，需要说明的是，针对同一其他结构特征，还可以基于最小外接矩形拟合方式和椭圆拟合方式共同确定其他结构特征的扫查方向，例如：小脑横径的扫查方向可以由最小外接矩形和颅骨椭圆光环结构共同确定。这样通过椭圆拟合方式和最小外接矩形拟合的方式共同确定结构特征的扫查方向，能够提高结构特征的扫查方向的确定准确性以及可靠性，进而提高结构特征的几何参数的确定准确性以及可靠性。
可见，该可选的实施例通过根据不同结构特征，采取不同几何参数的测量方式测量对应结构特征的几何参数，不仅能够实现胎儿超声图像的结构特征的几何参数的获取，还能够提高胎儿超声图像的结构特征的几何参数的获取准确性以及效率；以及通过椭圆拟合方式和/或最小外接矩形拟合方式等方式获取结构特征的几何参数，能够丰富结构特征的几何参数获取方式，以及提高结构特征的几何参数获取可能性以及准确性。
在另一个可选的实施例中，基于颅脑结构特征的内轮廓与颅脑结构特征的外轮廓，确定颅脑结构特征对应的几何参数，可以包括：
获取颅脑结构特征的内轮廓的第一周长与颅脑结构特征的外轮廓的第二周长，并基于该第一周长和该第二周长，确定颅脑结构特征对应的头围几何参数；
确定颅脑结构特征的脑中线对应的中垂线与颅脑结构特征的外轮廓的第一交点以及中垂线与颅脑结构特征的内轮廓的第二交点，并基于该第一交点与该第二交点，确定颅脑结构特征对应的双顶径几何参数。
该可选的实施例中，颅脑结构特征对应的头围几何参数的计算方式如下：
C＝(C1+C2)/2；
式中，C为颅脑结构特征的头围几何参数，即头围周长；C1为颅脑结构特征的外轮廓的第二周长；C2颅脑结构特征的内轮廓的第一周长。
该可选的实施例中，第一交点包括第一子交点和第二子交点，第二交点包括第三子交点和第四子交点。其中，第一子交点与第三子交点的距离小于与第四子交点的距离。基于该第一交点与该第二交点，确定颅脑结构特征对应的双顶径几何参数，具体的：连接第一子交点与第四子交点所形成的第一线段，作为颅脑结构特征对应的双顶径几何参数，即双顶径长度；或者，连接第二子交点与第三子交点所形成的第二线段，作为颅脑结构特征对应的双顶径几何参数；或者，获取第一线段与第二线段的均值，作为颅脑结构特征对应的双顶径几何参数。这样通过提供多种颅脑结构特征的双顶径长度的获取方式，能够提高双顶径长度的获取可能性以及准确性。
可见，该可选的实施例通过获取颅脑结构特征的内、外轮廓的周长，以及颅脑结构特征的脑中线对应的中垂线与内、外轮廓的交点，能够实现颅脑结构特征的头围周长以及双顶径长度的获取。
在又一个可选的实施例中，在执行完毕步骤103之后，该方法还可以包括以下步骤：
根据胎儿超声图像的至少一个结构特征的几何参数确定该胎儿超声图像对应的胎儿的孕周。
该可选的实施例中，可以根据胎儿超声图像的每个结构特征的几何参数单独确定该胎儿超声图像对应的胎儿的孕周，也可以根据多个结构特征的几何参数共同确定该胎儿超声图像对应的胎儿的孕周。
可见，该可选的实施例在获取到胎儿超声图像的结构特征的几何参数之后，能够根据胎儿超声图像的结构特征的几何参数单独或者共同确定该胎儿超声图像对应的胎儿的孕周，从而提高胎儿孕周的确定准确性。
在又一个可选的实施例中，在执行步骤101之前，该方法还可以包括以下步骤：
基于获取到的样本结构特征集合包括的每个样本结构特征以及该样本结构特征的测量要素训练确定出的初始特征检测模型，得到训练后的特征检测模型，并确定训练后的特征检测模型为步骤101中的确定出的特征检测模型。
该可选的实施例中，所有样本结构特征包括样本颅脑结构特征、样本腹围结构特征、样本小脑结构特征、样本第三脑室结构特征、样本侧脑室结构特征、样本透明隔结构特征、样本肱骨结构特征以及样本股骨结构特征中的至少一种，该可选的实施例不做限定。
该可选的实施例中，进一步的，每种样本结构特征均包括正样本结构特征和负样本结构特征，其中，正样本结构特征为正常的样本结构特征和负样本结构特征为异常的样本结构特征。这样通过将正常的样本结构特征以及异常的样本结构特征进行训练，有利于获取到功能更丰富的特征检测模型，从而有利于后续当胎儿超声图像存在异常结构特征时，能够将正常结构特征和异常结构特征检测出来，从而有利于获取到更全面的胎儿发育信息，进而提高胎儿的生长发育情况的确定准确性。
该可选的实施例中，初始特征检测模型可以包括目标检测模型、实例分割模型以及语义分割模型等中的一种或者多种模型的组合，该可选的实施例不做限定。此时，训练后的特征检测模型与初始特征检测模型对应，也即训练后的特征检测模型可以包括训练后的目标检测模型、训练后的实例分割模型以及训练后的语义分割模型等能够获取到胎儿超声图像的特征信息中的一种或者多种模型的组合，该可选的实施例不做限定。
该可选的实施例中，不同的样本结构特征对应不同的测量要素，具体的：样本小脑结构特征对应的测量要素为样本小脑结构特征(小脑半球)最宽位置的连线，且该连线垂直于脑中线；样本第三脑室结构特征对应的测量要素为第三脑室空腔区域最宽区域的线段，且该线段垂直于脑中线；样本侧脑室结构特征对应的测量要素为侧脑室空腔最宽区域的线段，且该线段垂直于外接矩形最长边；样本透明隔结构特征对应的测量要素为透明隔空腔最宽区域的线段，且该线段垂直于外接矩形最长边；样本肱骨结构特征对应的测量要素为肱骨最宽区域的线段，且该线段垂直于外接矩形最长边；样本股骨结构特征对应的测量要素为股骨最宽区域的线段，且该线段垂直于外接矩形最长边。
可见，该可选的实施例通过预先训练符合本方案的特征检测模型，能够便于后续直接使用该特征检测模型，从而提高胎儿超声图像的结构特征的信息，进而提高胎儿超声图像的结构特征的几何参数的获取效率以及准确性；以及在训练特征检测模型的过程中，将对应结构特征的测量要素一起进行训练，能够提高特征检测模型的训练准确性以及可靠性，从而有利于进一步提高胎儿超声图像的结构特征的几何参数的获取效率以及准确性。
实施例二
请参阅图2，图2是本发明实施例公开的另一种胎儿结构特征的自动测量方法的流程示意图。其中，图2所描述的胎儿结构特征的自动测量方法可以应用于参数测量服务器中，其中，该参数测量服务器可以包括本地参数测量服务器或云参数测量服务器，本发明实施例不做限定。如图2所示，该胎儿结构特征的自动测量方法可以包括以下操作：
201、将获取到的胎儿超声图像输入确定出的特征检测模型中进行分析，并获取特征检测模型输出的分析结果，作为该胎儿超声图像的特征信息，该胎儿超声图像的特征信息包括该胎儿超声图像的至少一个结构特征的类别以及至少一个该结构特征的轮廓。
202、基于确定出的预处理方式对每个结构特征的轮廓执行预处理操作，得到预处理后的结构特征的轮廓。
本发明的实施例中，预处理操作包括平滑处理操作。进一步的，该预处理操作还可以包括图像增强、图像滤波、图像分割操作中的至少一种，该可选的实施例不做限定。
需要说明的是，步骤202和步骤203的发生顺序没有先后之分，即步骤202可以发生在步骤203之后，也可以发生在步骤203之前，还可以和步骤203同时发生，本发明实施例不做限定。
可见，本发明实施例在获取到胎儿超声图像的特征信息之后，进一步对胎儿超声图像的结构特征的轮廓执行预处理操作，例如：平滑处理操作，能够将结构特征的轮廓中的噪声滤除，获取到清晰的结构特征的轮廓，从而有利于提高结构特征的几何参数的获取效率以及精准性。
203、根据每个结构特征的类别确定与该结构特征的轮廓相匹配的测量方式。
204、根据每个结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数，此时，步骤204中的每个结构特征的轮廓均为预处理后的结构特征的轮廓。
本发明实施例中，针对步骤201、步骤203以及步骤204的其他描述请参阅实施例一中的详细描述，本发明实施例不再赘述。
在一个可选的实施例中，在执行完毕步骤201之后，该方法还可以包括以下步骤：
根据胎儿超声图像的特征信息判断每个结构特征的轮廓是否满足确定出的预处理条件；
当判断出每个结构特征均不满足预处理条件结果时，触发执行步骤204；
当判断出所有结构特征的轮廓中存在满足预处理条件的轮廓时，从所有结构特征中筛选满足预处理条件的所有目标结构特征，并触发执行步骤202，此时，步骤202骤中的所有结构特征包括所有目标结构特征。需要说明的是，当存在目标结构特征，即存在需要执行预处理操作的结构特征时，可以直接对其他不需要执行预处理操作的结构特征的轮廓执行确定与之匹配的测量方式的操作，也可以待对目标结构特征执行完毕预处理操作之后，和预处理后的目标结构特征一并执行确定与之匹配的测量方式的操作，该可选的实施例不做限定。
可见，该可选的实施例在获取到胎儿超声图像的特征信息之后，进一步判断胎儿超声图像的结构特征是否满足预处理条件，若不满足预处理条件，则直接执行结构特征的轮廓的测量操作，能够提高结构特征的几何参数的测量效率，从而提高胎儿的生长发育情况的确定效率；若满足预处理条件，对满足预处理条件的结构特征的轮廓执行预处理操作，能够获取到准确可靠的结构特征的轮廓，从而提高结构特征的几何参数的测量准确性以及可靠性，从而进一步提高胎儿的生长发育情况的确定准确性以及可靠性。
在另一个可选的实施例中，根据胎儿超声图像的特征信息判断每个结构特征的轮廓是否满足确定出的预处理条件，可以包括：
根据每个结构特征的类别判断该结构特征是否为确定出的需要执行预处理操作的结构特征的类别，当判断结果为是时，确定该结构特征满足确定出的预处理条件；或者，
根据每个结构特征的轮廓判断该结构特征的轮廓是否满足确定出的参数测量条件，当判断结果为否时，确定该结构特征满足确定出的预处理条件。
该可选的实施例中，进一步的，当判断出每个结构特征的类别为需要执行预处理操作的结构特征的类别以及判断出该结构特征的轮廓不满足确定出的参数测量条件时，才确定该结构特征满足确定出的预处理条件。这样不仅能够进一步提高胎儿超声图像的结构特征的轮廓需要执行预处理操作的确定准确性，还能够丰富胎儿超声图像的结构特征的轮廓需要执行预处理操作的确定方式。
该可选的实施例中，需要执行预处理操作的结构特征的类别可以包括颅脑结构特征、腹围结构特征、小脑结构特征以及心脏结构特征中的一种或者多种，该可选的实施例不做限定。不需要执行预处理操作的结构特征的类别可以包括侧脑室结构特征、股骨结构特征、肱骨结构特征、透明隔结构特征中的一种或者多种，该可选的实施例不做限定。
该可选的实施例中，当胎儿超声图像的结构特征的轮廓对应的轮廓信息(例如：分辨率、清晰度、对比度、噪声等)不满足参数测量条件时，确定该结构特征满足确定出的预处理条件。举例来说，当胎儿超声图像的结构特征的轮廓存在噪声和/或对比度低于确定出的对比度阈值(例如：90％)时，确定该结构特征不满足参数测量条件，即需要对该结构特征的轮廓执行预处理操作。
可见，该可选的实施例通过在判断出胎儿超声图像的结构特征的类别为需要执行预处理条件的结构特征的类别和/或该结构特征的轮廓不满足参数测量条件时，确定结构特征满足确定出的预处理条件，能够提高胎儿超声图像的结构特征需要执行预处理操作的确定准确性，还能够丰富胎儿超声图像的结构特征的轮廓需要执行预处理操作的确定方式，有利于获取到满足要求的结构特征的轮廓，从而有利于进一步提高结构特征的几何参数的测量准确性以及可靠性，进而进一步提高胎儿的生长发育情况确定准确性以及可靠性。
在又一个可选的实施例中，每个结构特征的轮廓均对应多个节点。以及，基于确定出的预处理方式对每个结构特征的轮廓执行预处理操作，得到预处理后的结构特征的轮廓，可以包括：
获取每个结构特征的轮廓对应的圆弧半径；
当每个结构特征的轮廓对应的圆弧半径大于等于确定出的圆弧半径阈值(例如：5mm)时，从该结构特征对应的所有节点中选取预设数量的目标节点，并按照每相邻两个节点进行连接的方式将每个结构特征对应的所有目标节点依次连接起来，得到预处理后的该结构特征的轮廓；
当每个结构特征的轮廓对应的圆弧半径不大于等于确定出的圆弧半径阈值时，按照每相邻两个节点进行连接的方式将每个结构特征对应的所有节点依次连接起来，得到预处理后的该结构特征的轮廓。
该可选的实施例中，当结构特征的轮廓存在多个圆弧和/或轮廓的曲率大于等于确定出的曲率阈值时，对该结构特征的轮廓进行分段执行预处理操作。具体的：当结构特征的轮廓存在多个圆弧时，将分别对该结构特征的多个圆弧中每个圆弧执行预处理操作；当结构特征的轮廓的曲率大于等于曲率阈值时，将结构特征的轮廓等间隔或非等间隔分成多段，并分别对每个每段轮廓执行预处理操作。这样在结构特征的轮廓存在多个圆弧和/或轮廓的曲率较大时，通过对结构特征的轮廓分段执行预处理操作，能够提高结构特征的轮廓的预处理效率以及准确性，从而有利于进一步提高胎儿超声图像的结构特征的几何参数的测量准确性以及可靠性。可见，该可选的实施例通过根据胎儿超声图像的结构特征的圆弧半径的大小选择不同的预处理方式，不仅能够实现结构特征的预处理，还能够提高结构特征的预处理效率以及准确性，从而提高结构特征的几何参数的测量准确性，进而进一步提高胎儿超声图像的对应的胎儿的生长发育情况的确定准确性。
在又一个可选的实施例中，基于确定出的预处理方式对每个结构特征的轮廓执行预处理操作，得到预处理后的结构特征的轮廓，可以包括：
基于确定出的B样条曲线拟合方式对每个结构特征的轮廓执行预处理操作，得到预处理后的结构特征的轮廓。
该可选的实施例中，B样条曲线拟合方式可以包括插值拟合方式和/或近似拟合方式，该可选的实施例不做限定。
可见，该可选的实施例通过提供B样条曲线拟合方式，不仅能够实现胎儿超声图像的结构特征的轮廓的平滑拟合，还能够丰富结构特征的轮廓的平滑拟合方式。
可见，实施图2所描述的胎儿结构特征的自动测量方法能够通过自动获取胎儿的结构特征的类别和轮廓，并根据对应的测量方式测量结构特征的轮廓，无需通过手动获取胎儿结构特征的几何参数，能够快速获取到高精度的胎儿结构特征的测量结果，从而准确确定胎儿的生长发育情况；以及通过将胎儿超声图像输入特征检测模型，能够提高胎儿的结构特征的测量结果的获取效率。此外，还能够将结构特征的轮廓中的噪声滤除，获取到清晰的结构特征的轮廓，从而有利于提高结构特征的几何参数的获取效率以及精准性。
实施例三
请参阅图3，图3是本发明实施例公开的一种胎儿结构特征的自动测量装置的结构示意图。其中，图3所描述的胎儿结构特征的自动测量装置可以应用于参数测量服务器中，其中，该参数测量服务器可以包括本地参数测量服务器或云参数测量服务器，本发明实施例不做限定。如图3所示，该胎儿结构特征的自动测量装置可以包括分析模块301、获取模块302以及测量模块303，其中：
分析模块301，将获取到的胎儿超声图像输入确定出的特征检测模型中进行分析。
获取模块302，用于获取特征检测模型输出的分析结果，作为该胎儿超声图像的特征信息，该胎儿超声图像的特征信息包括该胎儿超声图像的至少一个结构特征的类别以及至少一个该结构特征的轮廓。
本发明实施例中，可选的，所有结构特征包括颅脑结构特征、腹围结构特征以及其他结构特征中的至少一种，其他结构特征包括小脑结构特征、第三脑室结构特征、侧脑室结构特征、透明隔结构特征、肱骨结构特征以及股骨结构特征中的至少一种。
测量模块303，用于根据每个结构特征的类别确定与该结构特征的轮廓相匹配的测量方式，并根据每个结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数。
可见，实施图3所描述的胎儿结构特征的自动测量装置能够通过自动获取胎儿的结构特征的类别和轮廓，并根据对应的测量方式测量结构特征的轮廓，无需通过手动获取胎儿结构特征的几何参数，能够快速获取到高精度的胎儿结构特征的测量结果，从而准确确定胎儿的生长发育情况；以及通过将胎儿超声图像输入特征检测模型，能够提高胎儿的结构特征的测量结果的获取效率。
在一个可选的实施例中，如图3所示，测量模块303根据每个结构特征的类别确定与该结构特征的轮廓相匹配的测量方式，并根据每个结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数的方式具体为：
当上述结构特征为颅脑结构特征时，基于颅脑结构特征的内轮廓与该颅脑结构特征的外轮廓，确定该颅脑结构特征对应的几何参数，该颅脑结构特征的轮廓包括外轮廓和内轮廓；
当上述结构特征为腹围结构特征时，获取腹围结构特征的轮廓对应的周长，作为腹围结构特征的几何参数；
当上述结构特征为其他结构特征时，基于确定出的图形拟合方式拟合每个其他结构特征的轮廓，得到该其他结构特征的目标节点，并基于每个其他结构特征的目标节点，确定该其他结构特征的几何参数，图形拟合方式包括最小外接矩形拟合方式和/或椭圆拟合方式。
该可选的实施例中，可选的，测量模块303基于确定出的图形拟合方式拟合每个其他结构特征的轮廓，得到该其他结构特征的目标节点，并基于每个其他结构特征的目标节点，确定该其他结构特征的几何参数的方式具体为：
当图形拟合方式为最小外接矩形拟合方式时，基于确定出的外接矩形拟合与其他结构特征的轮廓，当外接矩形的其中一组对边均与其他结构特征的轮廓存在目标交点时，停止拟合其他结构特征的轮廓，得到其他结构特征的轮廓的最小外接矩形，并根据该其他结构特征的类别确定该其他结构特征的扫查方向，并基于该扫查方向对该其他结构特征的轮廓执行扫查操作，得到该其他结构特征的轮廓的多条扫查线段，并从所有扫查线段中选择距离值最大的扫查线段，作为该其他结构特征的几何参数。
该可选的实施方式中，扫查方向包括第一扫查方向或第二扫查方向中的其中一种，其中，该第一扫查方向用于表示从平行于最小外接矩形的短边对该其他结构特征的轮廓进行扫查，该第二扫查方向用于表示从平行于最小外接矩形的长边对该其他结构特征的轮廓进行扫查，例如：侧脑室增宽结构特征的扫查方向为平行于最小外接矩形的短边，左心房结构特征的扫查方向为平行于最小外接矩形的长边。又可选的，该目标交点为在外接矩形无线逼近其他结构特征的轮廓的过程中，当外接矩形的其中一组对边一旦均与其他结构特征的轮廓存在目标交点时，就停止拟合其他结构特征的轮廓，这样能够提高结构特征的扫查方向的确定准确性，从而进一步提高结构特征的几何参数的获取准确性、可靠性以及效率。
该可选的实施例中，可选的，测量模块303基于确定出的图形拟合方式拟合每个其他结构特征的轮廓，得到该其他结构特征的目标节点，并基于每个其他结构特征的目标节点，确定该其他结构特征的几何参数的方式具体为：
当图形拟合方式为椭圆拟合方式时，基于确定出的椭圆拟合算法拟合其他结构特征的轮廓，得到拟合后的其他结构特征的轮廓，拟合后的其他结构特征的轮廓的形状为椭圆形；
根据其他结构特征的类别确定其他结构特征的目标扫查方向；
基于目标扫查方向对其他结构特征的轮廓执行扫查操作，得到其他结构特征的轮廓的多条目标扫查线段，并从所有目标扫查线段中选择距离值最大的目标扫查线段，作为其他结构特征的几何参数；
其中，目标扫查方向包括第一目标扫查方向或第二目标扫查方向中的其中一种，其中，第一目标扫查方向用于表示从平行于拟合后的其他结构特征的轮廓的短轴对其他结构特征的轮廓进行扫查，第二目标扫查方向用于表示从平行于拟合后的其他结构特征的轮廓的长轴对其他结构特征的轮廓进行扫查。
可见，实施图3所描述的装置还能够根据不同结构特征，采取不同几何参数的测量方式测量对应结构特征的几何参数，不仅能够实现胎儿超声图像的结构特征的几何参数的获取，还能够提高胎儿超声图像的结构特征的几何参数的获取准确性以及效率；通过最小外接矩形拟合结构特征，能够实现结构特征的几何参数的获取，以及不同类别的结构特征选择不同的扫查方向，能够提高结构特征的几何参数的获取准确性、可靠性以及效率；以及通过椭圆拟合方式和/或最小外接矩形拟合方式等方式获取结构特征的几何参数，能够丰富结构特征的几何参数获取方式，以及提高结构特征的几何参数获取可能性以及准确性。
在另一个可选的实施例中，如图3所示，测量模块303基于颅脑结构特征的内轮廓与该颅脑结构特征的外轮廓，确定该颅脑结构特征对应的几何参数的方式具体为：
获取颅脑结构特征的内轮廓的第一周长与该颅脑结构特征的外轮廓的第二周长，并基于该第一周长和第该二周长，确定颅脑结构特征对应的头围几何参数；
确定颅脑结构特征的脑中线对应的中垂线与颅脑结构特征的外轮廓的第一交点以及该中垂线与颅脑结构特征的内轮廓的第二交点，并基于该第一交点与该第二交点，确定颅脑结构特征对应的双顶径几何参数。
可见，实施图3所描述的装置还能够通过获取颅脑结构特征的内、外轮廓的周长，以及颅脑结构特征的脑中线对应的中垂线与内、外轮廓的交点，能够实现颅脑结构特征的头围周长以及双顶径长度的获取。
在又一个可选的实施例中，如图4所示，该装置还可以包括预处理模块304，其中：
预处理模块304，用于在获取模块302获取特征检测模型输出的分析结果，作为胎儿超声图像的特征信息之后，基于确定出的预处理方式对每个结构特征的轮廓执行预处理操作，得到预处理后的结构特征的轮廓，并触发测量模块303执行的根据每个结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数的操作，每个结构特征的轮廓均为预处理后的结构特征的轮廓，该预处理操作包括预处理操作。
可见，实施图4所描述的装置能够在获取到胎儿超声图像的特征信息之后，进一步对胎儿超声图像的结构特征的轮廓执行预处理操作，例如：平滑处理操作，能够将结构特征的轮廓中的噪声滤除，获取到清晰的结构特征的轮廓，从而有利于提高结构特征的几何参数的获取效率以及精准性。
在又一个可选的实施例中，可选的，每个结构特征的轮廓均对应多个节点；以及，如图4所示，预处理模块304基于确定出的预处理方式对每个结构特征的轮廓执行预处理操作，得到预处理后的结构特征的轮廓的方式具体为：
获取每个结构特征的轮廓对应的圆弧半径；
当每个结构特征的轮廓对应的圆弧半径大于等于确定出的圆弧半径阈值时，从该结构特征对应的所有节点中选取预设数量的目标节点，并按照每相邻两个节点进行连接的方式将每个结构特征对应的所有目标节点依次连接起来，得到预处理后的该结构特征的轮廓；
当每个结构特征的轮廓对应的圆弧半径不大于等于确定出的圆弧半径阈值时，按照每相邻两个节点进行连接的方式将每个结构特征对应的所有节点依次连接起来，得到预处理后的该结构特征的轮廓。
可见，实施图4所描述的装置能够通过根据胎儿超声图像的结构特征的圆弧半径的大小选择不同的预处理方式，不仅能够实现结构特征的预处理，还能够提高结构特征的预处理效率以及准确性，从而提高结构特征的几何参数的测量准确性，进而进一步提高胎儿超声图像的对应的胎儿的生长发育情况的确定准确性。
在又一个可选的实施例中，如图4所示，该装置还可以包括判断模块305以及筛选模块306，其中：
判断模块305，用于在获取模块302获取特征检测模型输出的分析结果，作为胎儿超声图像的特征信息之后，根据胎儿超声图像的特征信息判断每个结构特征的轮廓是否满足确定出的预处理条件，当判断结果为否时，触发测量模块303执行上述的根据每个结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数的操作。
筛选模块306，用于当判断模块305的判断结果为是时，从所有结构特征中筛选预处理条件的所有目标结构特征，并触发预处理模块304执行上述的基于确定出的预处理方式对每个结构特征的轮廓执行预处理操作，得到预处理后的结构特征的轮廓的操作，所有结构特征包括所有目标结构特征。
可见，实施图4所描述的装置还能够通过在获取到胎儿超声图像的特征信息之后，进一步判断胎儿超声图像的结构特征是否满足预处理条件，若不满足预处理条件，则直接执行结构特征的轮廓的测量操作，能够提高结构特征的几何参数的测量效率，从而提高胎儿的生长发育情况的确定效率；若满足预处理条件，对满足预处理条件的结构特征的轮廓执行预处理操作，能够获取到准确可靠的结构特征的轮廓，从而提高结构特征的几何参数的测量准确性以及可靠性，从而进一步提高胎儿的生长发育情况的确定准确性以及可靠性。
在又一个可选的实施例中，如图4所示，判断模块305根据胎儿超声图像的特征信息判断每个结构特征的轮廓是否满足确定出的预处理条件的方式具体为：
根据每个结构特征的类别判断该结构特征是否为确定出的需要执行预处理操作的结构特征的类别，当判断结果为是时，确定该结构特征满足确定出的预处理条件；或者，
根据每个结构特征的轮廓判断该结构特征的轮廓是否满足确定出的参数测量条件，当判断结果为否时，确定该结构特征满足确定出的预处理条件。
可见，实施图4所描述的装置还能够通过在判断出胎儿超声图像的结构特征的类别为需要执行预处理条件的结构特征的类别和/或该结构特征的轮廓不满足参数测量条件时，确定结构特征满足确定出的预处理条件，能够提高胎儿超声图像的结构特征需要执行预处理操作的确定准确性，还能够丰富胎儿超声图像的结构特征的轮廓需要执行预处理操作的确定方式，有利于获取到满足要求的结构特征，从而有利于进一步提高结构特征的几何参数的测量准确性以及可靠性，进而进一步提高胎儿的生长发育情况确定准确性以及可靠性。
实施例四
请参阅图5，图5是本发明实施例公开的又一种胎儿结构特征的自动测量装置。其中，图5所描述的胎儿结构特征的自动测量装置可以应用于参数测量服务器中，其中，该参数测量服务器可以包括本地参数测量服务器或云参数测量服务器，本发明实施例不做限定。如图5所示，该胎儿结构特征的自动测量装置可以包括：
存储有可执行程序代码的存储器501；
与存储器501耦合的处理器502；
进一步的，还可以包括与处理器502耦合的输入接口503以及输出接口504；
其中，处理器502调用存储器501中存储的可执行程序代码，用于执行实施例一或实施例二所描述的胎儿结构特征的自动测量方法中部分或者全部的步骤。
实施例五
本发明实施例公开了一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一或实施例二所描述的胎儿结构特征的自动测量方法中部分或者全部的步骤。
实施例六
本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一或实施例二所描述的胎儿结构特征的自动测量方法中部分或者全部的步骤。
以上所描述的装置实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种胎儿结构特征的自动测量方法及装置所揭露的仅为本发明较佳实施例而已，仅用于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项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；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (10)

1.一种胎儿结构特征的自动测量方法，其特征在于，所述方法包括：
将获取到的胎儿超声图像输入确定出的特征检测模型中进行分析，并获取所述特征检测模型输出的分析结果，作为所述胎儿超声图像的特征信息，所述胎儿超声图像的特征信息包括该胎儿超声图像的至少一个结构特征的类别以及至少一个该结构特征的轮廓；
根据每个所述结构特征的类别确定与该结构特征的轮廓相匹配的测量方式，并根据每个所述结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数。
2.根据权利要求1所述的胎儿结构特征的自动测量方法，其特征在于，所述获取所述特征检测模型输出的分析结果，作为所述胎儿超声图像的特征信息之后，所述方法还包括：
基于确定出的预处理方式对每个所述结构特征的轮廓执行预处理操作，得到预处理后的结构特征的轮廓，并触发执行所述的根据每个所述结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数的操作，每个所述结构特征的轮廓均为预处理后的结构特征的轮廓，所述预处理操作包括平滑处理操作。
3.根据权利要求2所述的胎儿结构特征的自动测量方法，其特征在于，所述获取所述特征检测模型输出的分析结果，作为所述胎儿超声图像的特征信息之后，所述方法还包括：
根据所述胎儿超声图像的特征信息判断每个所述结构特征的轮廓是否满足确定出的预处理条件；
当判断结果为否时，触发执行所述的根据每个所述结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数的操作；
当判断结果为是时，从所有所述结构特征中筛选满足所述预处理条件的所有目标结构特征，并触发执行所述的基于确定出的预处理方式对每个所述结构特征的轮廓执行预处理操作，得到预处理后的结构特征的轮廓的操作，所有所述结构特征包括所有所述目标结构特征。
4.根据权利要求2或3所述的胎儿结构特征的自动测量方法，其特征在于，每个所述结构特征的轮廓均对应多个节点；
以及，所述基于确定出的预处理方式对每个所述结构特征的轮廓执行预处理操作，得到预处理后的结构特征的轮廓，包括：
获取每个所述结构特征的轮廓对应的圆弧半径；
当每个所述结构特征的轮廓对应的圆弧半径大于等于确定出的圆弧半径阈值时，从该结构特征对应的所有所述节点中选取预设数量的目标节点，并按照每相邻两个节点进行连接的方式将每个所述结构特征对应的所有所述目标节点依次连接起来，得到预处理后的该结构特征的轮廓；
当每个所述结构特征的轮廓对应的圆弧半径不大于等于确定出的圆弧半径阈值时，按照每相邻两个节点进行连接的方式将每个所述结构特征对应的所有所述节点依次连接起来，得到预处理后的该结构特征的轮廓。
5.根据权利要求1-4任一项所述的胎儿结构特征的自动测量方法，其特征在于，所有所述结构特征包括颅脑结构特征、腹围结构特征以及其他结构特征中的至少一种，所述其他结构特征包括小脑结构特征、第三脑室结构特征、侧脑室结构特征、透明隔结构特征、肱骨结构特征以及股骨结构特征中的至少一种。
6.根据权利要求5所述的胎儿结构特征的自动测量方法，其特征在于，所述根据每个所述结构特征的类别确定与该结构特征的轮廓相匹配的测量方式，并根据每个所述结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数，包括：
当所述结构特征为所述颅脑结构特征时，基于所述颅脑结构特征的内轮廓与所述颅脑结构特征的外轮廓，确定所述颅脑结构特征对应的几何参数，所述颅脑结构特征的轮廓包括所述外轮廓和所述内轮廓；
当所述结构特征为所述腹围结构特征时，获取所述腹围结构特征的轮廓对应的周长，作为所述腹围结构特征的几何参数；
当所述结构特征为所述其他结构特征时，基于确定出的图形拟合方式拟合每个所述其他结构特征的轮廓，得到该其他结构特征的目标节点，并基于每个所述其他结构特征的目标节点，确定该其他结构特征的几何参数，所述图形拟合方式包括最小外接矩形拟合方式和/或椭圆拟合方式。
7.根据权利要求6所述的胎儿结构特征的自动测量方法，其特征在于，所述基于确定出的图形拟合方式拟合每个所述其他结构特征的轮廓，得到该其他结构特征的目标节点，并基于每个所述其他结构特征的目标节点，确定该其他结构特征的几何参数，包括：
当所述图形拟合方式为所述最小外接矩形拟合方式时，基于确定出的外接矩形拟合所述其他结构特征的轮廓，当所述外接矩形的其中一组对边均与所述其他结构特征的轮廓存在目标交点时，停止拟合所述其他结构特征的轮廓，得到所述其他结构特征的轮廓的最小外接矩形，并根据所述其他结构特征的类别确定所述其他结构特征的扫查方向；
基于所述扫查方向对所述其他结构特征的轮廓执行扫查操作，得到所述其他结构特征的轮廓的多条扫查线段，并从所有所述扫查线段中选择距离值最大的扫查线段，作为所述其他结构特征的几何参数；
其中，所述扫查方向包括第一扫查方向或第二扫查方向中的其中一种，其中，所述第一扫查方向用于表示从平行于所述最小外接矩形的短边对所述其他结构特征的轮廓进行扫查，所述第二扫查方向用于表示从平行于所述最小外接矩形的长边对所述其他结构特征的轮廓进行扫查。
8.根据权利要求6所述的胎儿结构特征的自动测量方法，其特征在于，所述基于确定出的图形拟合方式拟合每个所述其他结构特征的轮廓，得到该其他结构特征的目标节点，并基于每个所述其他结构特征的目标节点，确定该其他结构特征的几何参数，包括：
当所述图形拟合方式为所述椭圆拟合方式时，基于确定出的椭圆拟合算法拟合所述其他结构特征的轮廓，得到拟合后的所述其他结构特征的轮廓，拟合后的所述其他结构特征的轮廓的形状为椭圆形；
根据所述其他结构特征的类别确定所述其他结构特征的目标扫查方向；
基于所述目标扫查方向对所述其他结构特征的轮廓执行扫查操作，得到所述其他结构特征的轮廓的多条目标扫查线段，并从所有所述目标扫查线段中选择距离值最大的目标扫查线段，作为所述其他结构特征的几何参数；
其中，所述目标扫查方向包括第一目标扫查方向或第二目标扫查方向中的其中一种，其中，所述第一目标扫查方向用于表示从平行于拟合后的所述其他结构特征的轮廓的短轴对所述其他结构特征的轮廓进行扫查，所述第二目标扫查方向用于表示从平行于拟合后的所述其他结构特征的轮廓的长轴对所述其他结构特征的轮廓进行扫查。
9.根据权利要求6-8任一项所述的胎儿结构特征的自动测量方法，其特征在于，所述基于所述颅脑结构特征的内轮廓与所述颅脑结构特征的外轮廓，确定所述颅脑结构特征对应的几何参数，包括：
获取所述颅脑结构特征的内轮廓的第一周长与所述颅脑结构特征的外轮廓的第二周长，并基于所述第一周长和所述第二周长，确定所述颅脑结构特征对应的头围几何参数；
确定所述颅脑结构特征的脑中线对应的中垂线与所述颅脑结构特征的外轮廓的第一交点以及所述中垂线与所述颅脑结构特征的内轮廓的第二交点，并基于所述第一交点与所述第二交点，确定所述颅脑结构特征对应的双顶径几何参数。
10.一种胎儿结构特征的自动测量装置，其特征在于，所述装置包括：
分析模块，将获取到的胎儿超声图像输入确定出的特征检测模型中进行分析；
获取模块，用于获取所述特征检测模型输出的分析结果，作为所述胎儿超声图像的特征信息，所述胎儿超声图像的特征信息包括该胎儿超声图像的至少一个结构特征的类别以及至少一个该结构特征的轮廓；
测量模块，用于根据每个所述结构特征的类别确定与该结构特征的轮廓相匹配的测量方式，并根据每个所述结构特征的测量方式对该结构特征的轮廓执行测量操作，得到该结构特征的几何参数。
CN202011014990.6A 2020-09-24 2020-09-24 一种胎儿结构特征的自动测量方法及装置 Active CN112233167B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011014990.6A CN112233167B (zh) 2020-09-24 2020-09-24 一种胎儿结构特征的自动测量方法及装置
PCT/CN2021/096822 WO2022062459A1 (zh) 2020-09-24 2021-05-28 一种胎儿结构特征的自动测量方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011014990.6A CN112233167B (zh) 2020-09-24 2020-09-24 一种胎儿结构特征的自动测量方法及装置

Publications (2)

Publication Number Publication Date
CN112233167A true CN112233167A (zh) 2021-01-15
CN112233167B CN112233167B (zh) 2024-06-21

Family

ID=74108375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011014990.6A Active CN112233167B (zh) 2020-09-24 2020-09-24 一种胎儿结构特征的自动测量方法及装置

Country Status (2)

Country Link
CN (1) CN112233167B (zh)
WO (1) WO2022062459A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022062459A1 (zh) * 2020-09-24 2022-03-31 广州爱孕记信息科技有限公司 一种胎儿结构特征的自动测量方法及装置
CN115482190A (zh) * 2021-11-10 2022-12-16 中山大学附属第七医院(深圳) 一种胎儿心脏结构分割测量方法、装置及计算机存储介质
CN118049938A (zh) * 2024-04-15 2024-05-17 西安第六镜网络科技有限公司 钢轨测量方法、装置、电子设备、可读存储介质及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140185895A1 (en) * 2012-12-31 2014-07-03 General Electric Company Methods and systems for automated soft tissue segmentation, circumference estimation and plane guidance in fetal abdominal ultrasound images
CN110613480A (zh) * 2019-01-14 2019-12-27 广州爱孕记信息科技有限公司 基于深度学习的胎儿超声动态影像检测方法及系统
CN110680399A (zh) * 2019-10-25 2020-01-14 深圳度影医疗科技有限公司 一种产前超声图像的自动测量方法、存储介质及超声设备
CN110742654A (zh) * 2019-11-05 2020-02-04 深圳度影医疗科技有限公司 一种基于三维超声图像的标准切面的定位和测量方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103239249B (zh) * 2013-04-19 2015-04-22 深圳大学 一种胎儿超声图像的测量方法
CN112233167B (zh) * 2020-09-24 2024-06-21 广州爱孕记信息科技有限公司 一种胎儿结构特征的自动测量方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140185895A1 (en) * 2012-12-31 2014-07-03 General Electric Company Methods and systems for automated soft tissue segmentation, circumference estimation and plane guidance in fetal abdominal ultrasound images
CN110613480A (zh) * 2019-01-14 2019-12-27 广州爱孕记信息科技有限公司 基于深度学习的胎儿超声动态影像检测方法及系统
CN110680399A (zh) * 2019-10-25 2020-01-14 深圳度影医疗科技有限公司 一种产前超声图像的自动测量方法、存储介质及超声设备
CN110742654A (zh) * 2019-11-05 2020-02-04 深圳度影医疗科技有限公司 一种基于三维超声图像的标准切面的定位和测量方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022062459A1 (zh) * 2020-09-24 2022-03-31 广州爱孕记信息科技有限公司 一种胎儿结构特征的自动测量方法及装置
CN115482190A (zh) * 2021-11-10 2022-12-16 中山大学附属第七医院(深圳) 一种胎儿心脏结构分割测量方法、装置及计算机存储介质
CN118049938A (zh) * 2024-04-15 2024-05-17 西安第六镜网络科技有限公司 钢轨测量方法、装置、电子设备、可读存储介质及系统

Also Published As

Publication number Publication date
CN112233167B (zh) 2024-06-21
WO2022062459A1 (zh) 2022-03-31

Similar Documents

Publication Publication Date Title
CN112233167B (zh) 一种胎儿结构特征的自动测量方法及装置
CN112184656B (zh) 基于超声动态图像的胎儿切面的确定方法及装置
CN108013904B (zh) 心脏超声成像方法
EP4420598A1 (en) Method and system for measuring lesion features of hypertensive retinopathy
CN109924956B (zh) 一种颅内动脉瘤图像的形态学参数的测量方法及装置
CN110929728B (zh) 一种图像感兴趣区域划分方法、图像分割方法及装置
CN108038513A (zh) 一种肝脏超声图像的特征分类方法
CN109859168A (zh) 一种x射线胸片图像质量确定方法及装置
CN112155601B (zh) 一种胎儿超声图像的成像质量控制的确定方法及装置
CN114419500A (zh) 基于心脏超声视频筛选舒张期和收缩期图像的方法和装置
CN112348780A (zh) 一种胎儿心脏的测量方法及装置
CN113643353B (zh) 眼底图像的血管管径的增强分辨率的测量方法
CN115482190A (zh) 一种胎儿心脏结构分割测量方法、装置及计算机存储介质
CN116612193B (zh) 一种基于深度学习的血管造影图像的处理及标定方法
CN110916640B (zh) 基于ffr的冠状动脉狭窄功能性缺血的检测方法及装置
CN112155603B (zh) 胎儿结构特征的权重值确定方法及装置
CN115690556A (zh) 一种基于多模态影像学特征的图像识别方法及系统
CN115063395A (zh) 一种超声图像处理方法、装置、设备及介质
JPH09299366A (ja) 領域抽出装置
Marino et al. Fully automated assessment of left ventricular volumes, function and mass from cardiac MRI
CN114880961B (zh) 基于流体动力学的血管分割和命名方法
Chen et al. Determination of blood flow characteristics in eye vessels in video sequence
CN111524081B (zh) 肺部影像角度矫正方法、装置、电子设备和存储介质
Petrova et al. Algorithmization of the Process of Recognition of Biological Objects by Computed Tomography
CN115359051B (zh) 基于图形识别的动脉瘤识别方法

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