CN112244887B - 一种基于b超图像颈动脉血管壁运动轨迹提取装置与方法 - Google Patents
一种基于b超图像颈动脉血管壁运动轨迹提取装置与方法 Download PDFInfo
- Publication number
- CN112244887B CN112244887B CN201910606828.4A CN201910606828A CN112244887B CN 112244887 B CN112244887 B CN 112244887B CN 201910606828 A CN201910606828 A CN 201910606828A CN 112244887 B CN112244887 B CN 112244887B
- Authority
- CN
- China
- Prior art keywords
- image
- module
- ultrasonic
- ultrasonic image
- local
- 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
-
- 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
-
- 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
- A61B8/5269—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving detection or reduction of artifacts
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种基于B超图像提取颈动脉血管壁运动轨迹装置和方法,包括嵌入式系统、FPGA系统和闪存;嵌入式系统负责与超声波仪器设备通信获取B超图像文件、通过IO设备与用户交互;FPGA系统负责B超图像预处理、干扰抑制、以及管壁运动轨迹的提取;预处理包括滤波和Riesz变换等,获得局部特征信息图;再通过图像配准和空间变换对干扰进行抑制;最后对干扰抑制后的B超图像进行斑点跟踪,获取血管壁运动轨迹。本发明利用了通用CPU的灵活以及FPGA的并行处理能力;通过预处理降低了斑点噪声、B超图像低信噪比、对比度差异等对估计精度的影响;并通过图像配准法对测量过程中引入的干扰进行了有针对性抑制,从而提高了管壁运动提取效率与精度。
Description
技术领域
本发明涉及B超图像处理领域,特别涉及B超图像噪音抑制、以及血管壁的运动提取装置及方法。
背景技术
如今,心血管疾病已成为世界上最致命的疾病之一。人们普遍认为,颈动脉的早期状态是无症状人群中缺血性卒中和冠心病风险的有用预测指标。动脉壁硬度的增加被认为是与心血管疾病相关的许多因素的共同病理机制。因此,通过对动脉壁运动的监测,并了解其变化,这对揭示动脉粥样硬化性颈动脉疾病的发病机制,和及时发现动脉异常起着重要作用。
B模式超声图像可以更直观地展示动脉壁的运动状态并提供更多空间信息,因而研究和临床应用中常被用于管壁运动的获取。不过,在实际测量过程中,B超图像序列往往会受到测试者操作探头的抖动、被测者体位改变或呼吸运动等外界干扰的影响。最终导致提取到的运动曲线是叠加了上述干扰的运动轨迹。并且,B超图像容易受到其信噪比低、对比度低、斑点噪音等不足的影响,从而导致提取管壁运动结果误差高。
因此,本系统本申请发明人提出了一项新的发明来克服现有技术的缺点。该系统通过USB接口获取B超仪器设备生成的B超图像、并进行后处理,对外部干扰进行抑制,然后提取动脉管壁的运动轨迹,并进行显示。
发明内容
本发明的主要目的在于提供一种基于B超图像的颈动脉血管壁运动轨迹提取处理方法及装置。该装置能够对测量过程中引入的外部干扰进行抑制,同时能够避免B超图像低信噪比等缺点,为实现上述目的,本发明通过以下技术方案实现:
设计一个基于B超图像的颈动脉血管壁运动轨迹提取装置,包括嵌入式系统、FPGA系统以及闪存;其中,所述嵌入式系统通过接口与用户交互,并从B超设备获取图像并存储在闪存中;所述FPGA系统从闪存中读取图像,并完成运动轨迹的提取;所述运动轨迹提取方法在所述装置中执行。
进一步的,所述嵌入式系统包括:CPU模块、USB模块、输入输出模块、系统模块、系统总线;其中,系统模块负责维持嵌入式系统的正常运行;输入输出模块电性连接CPU模块,包括按键输入与LCD显示,提供与用户交互的通道,完成初始参数的输入与结果的显示;所述USB模块连接外部B超设备,将图像传输给CPU模块,其再通过系统总线传输给FPGA模块进行处理。
进一步的,所述FPGA系统包括:缓冲器、闪存接口、控制器模块、滤波模块、局部矢量信息获取模块、图像暂存器、配准模块、空间变换模块、管壁位移提取模块;其中所述控制器模块在通过系统总线接收到初始化参数后控制其他模块完成图像读取、预处理、干扰抑制和位移提取的工作;从嵌入式系统传输过来的B超图像首先通过闪存接口存储在闪存中,然后读出通过滤波模块和局部信息矢量信息获取模块进行预处理,减少斑点噪音,保留组织结构的结构和纹理信息,然后获取到局部矢量信息图;所述配准模块对图像暂存器中的浮动图像和参考图像进行比较,搜索最相似时的空间变换参数,并通过空间变换模块进行旋转和平移,从而对外部干扰进行抑制;所述管壁位移提取模块对处理后的B超图像序列进行斑点跟踪获取管壁运动轨迹,并传输给嵌入式模块进行显示。
为实现上述目的,本发明提供一种基于B超图像的颈动脉血管壁运动轨迹提取方法,运行在所述的嵌入式系统和FPGA系统上,包括以下步骤:
对所述系统进行初始化设置;
获取待处理B超图像,对所述待处理B超图像进行滤波、图像转换等预处理,获得包含局部矢量信息的图像;
对所述包含局部矢量信息的图像进行干扰抑制处理;
对去除干扰的B超图像进行斑点跟踪,获取管壁运动轨迹。
优选地,所述对B超图像进行滤波、图像转换等预处理,具体包括:
对获取的B超图像进行各向异性斑点减少滤波,抑制斑点噪声,保留组织结构和纹理信息;
对滤波后的图像进行Riesz变换,分别获取局部相位和局部方向信息,并通过置信系数进行组合获得局部矢量图。
优选地,所述对局部矢量图进行干扰抑制处理,具体包括:
将第一帧获取的局部矢量图作为参考图像,并进行分割,去除靠近管壁处的图像,分别获得上下两个子图;
将后续获得的局部矢量帧做为浮动图像,并做相同处理;
通过搜索算法计算获得浮动图像与参考图像相似性极大值,获取到干扰值;
根据干扰值对浮动图像空间变换,从而实现外部干扰的抑制。
优选地,所述管壁运动轨迹的提取,具体包括:
根据初始化参数从经过干扰抑制后的B超参考和浮动图像中截取ROI区域;
计算两幅图像的互相关系数;
在搜索区域内循环迭代寻找最大相关系数处的坐标值,将其存储记录为该帧图像相对于参考图像的位移;
循环迭代求得所有帧图像的位移,获取管壁运动轨迹。
本发明提出的一种基于B超图像提取颈动脉血管壁运动轨迹的装置和方法,有益效果在于:本发明利用了通用CPU的灵活以及FPGA的并行处理能力;通过预处理降低了斑点噪声、B超图像低信噪比、对比度差异等配准的影响;并且通过图像配准方法对测量过程引入的干扰进行了有针对性的抑制,从而提高了管壁运动提取的效率与精度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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示出本发明的总体硬件结构示意图。
图2示出本发明的第一实施例的流程示意图。
图3示出未经处理的颈动脉血管B超图像示意图。
图4示出经滤波以及变换后的局部矢量信息示意图。
图5示出本发明的第二实施例的流程示意图。
图6示出本发明的第三实施例的流程示意图。
图7示出本发明的第四实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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它实施例,都属于本发明保护的范围。
参照图1,其为本发明实施例方案涉及的硬件系统的结构示意图,所述基于B超图像颈动脉血管壁运动轨迹提取硬件系统可以包括嵌入式系统、FPGA系统以及闪存。
所述嵌入式系统包括CPU模块1、USB模块2、输入输出模块3、系统模块4。其中输入输出模块3包括键盘输入和LCD显示;系统模块4包括电源、SRAM存储器、时钟等支撑系统工作的功能部件;CPU模块1通过调用存储器上的程序负责整个系统的工作。其首先通过USB模块2从B超设备获取B超图像文件,并通过系统总线5传输给FPGA系统存储起来;用户通过输入输出模块3对初始化参数进行设置(主要包括滤波参数、配准参数、块匹配参数等),同样通过系统总线5将参数传输给FPGA系统,从而实现B超图像的处理。并将最终获取到管壁的运动轨迹在LCD上进行显示。
所述FPGA系统主要包括:缓冲器6、闪存接口7、控制器模块8、滤波模块9、局部矢量信息获取模块10、图像暂存器11、配准模块12、空间变换模块13、管壁位移提取模块14。其中所述控制器模块8在通过系统总线5接收到初始化参数后控制其他模块完成图像读取、预处理、干扰抑制和位移提取的工作。从嵌入式系统传输过来的B超图像首先通过闪存接口7存储在闪存中。处理时,再从闪存中读取出来,并传输到滤波模块9和局部信息矢量信息获取模块10进行预处理,从而获取到局部矢量信息图。配准模块12对浮动图像和参考图像进行比较,搜索最相似时的空间变换参数,并通过空间变换模块13进行旋转和平移,从而对外部干扰进行抑制。最后管壁位移提取模块14对处理后的B超图像序列进行斑点跟踪获取管壁运动轨迹,并传输给嵌入式模块进行显示。
本领域技术人员可以理解,图1中示出的结构并不构成对所述基于B超图像颈动脉血管壁运动轨迹装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
基于上述硬件结构,提出本发明基于B超图像颈动脉血管壁运动轨迹提取方法的实施例。
参照图2,图2为本发明基于B超图像颈动脉血管壁运动轨迹提取方法第一实施例的流程示意图。
在第一实施例中,所述基于B超图像颈动脉血管壁运动轨迹提取方法包括以下步骤:
步骤S10:获取对系统进行初始化,包括平台区域的选择、扩散次数和时间步长等滤波器参数,高斯差分滤波器参数,ROI区域大小与坐标等参数的设置。
步骤S20:获取的B超图像进行滤波和Riesz变换等预处理。
需要说明的是,为了通过配准的方法对外部干扰进行抑制,首先需要对B超图像进行各向异性斑点减少的滤波处理。目的是为了在尽量抑制斑点噪音影响的同时,保留更多的纹理和几何信息。
还需要说明的是,B超图像的信噪比低,容易受到图像色调改变以及加性噪声污染的影响,不利于图像的配准。如图3所示为未经处理的颈动脉血管B超图像。而图像的局部相位和方向角特征具有较好的鲁棒性和实用性,同时能更好地表示出图像的纹理和几何特征。因此,本发明在对B超图像滤波后通过Riesz变换获取图像的局部相位和方向角信息,并组合生成局部矢量图。如图4所示,图4为经过滤波后生成的局部矢量图。
步骤S30:对外部干扰进行抑制
需要说明的是,在对管壁运动的测量过程中,容易受到测试者操作探头时抖动、或者被测者体位改变和呼吸等运动的干扰,导致获取到的管壁运动实际上是叠加了上述干扰后的信号。而这些外部干扰是同时施加在整个图像中的组织结构上(包括血管以及其外围组织),而管壁运动只对血管壁及很邻居的组织有影响,对血管远端的组织几乎没有影响。因此可将外部干扰当做一影响全局的共模信号,而将管壁运动当做差模信号。本发明通过对远离血管的图像进行配准,获取到外部干扰,然后再通过移位和旋转等空间变换操作干扰的抑制。
步骤S40:管壁运动轨迹的提取。
通过采用斑点跟踪的方法对经过干扰抑制的B超图像进行管壁位移的提取,然后迭代获得管壁运动轨迹。最终再通过系统总线将运动轨迹传输给嵌入式系统,并在LCD上进行显示。
在本实施例中,通过USB接口从B超设备获取B超图像,对所述B超图像进行滤波和Riesz变换等预处理,获得局部特征矢量图。再通过配准的方法对外部干扰进行抑制。预处理降低了斑点噪声、B超图像低信噪比、对比度差异等对管壁运动估计精度的影响。图像配准方法对测量过程引入的干扰进行了有针对性的抑制,提高了管壁运动提取的精度。
参照图5,图5为本发明基于B超图像的管壁运动提取第二实施例的流程示意图,基于上述图2所示的实施例,提出本发明B超图像管壁运动提取方法的第二实施例。
在第二实施例中,所述步骤S20,具体包括:
步骤S201:根据初始化参数设置扩散滤波操作的平坦区域的大小与坐标、扩散迭代次数、时间步长,以及获取局部相位特征的高斯差分滤波器的方差等参数。
需要说明的是,平坦区域的选择对滤波效果影响较大。在实际实施过程中,该区域的选择需要用户手工在B超图像中指定。一旦指定后,后续图像均按该区域坐标值操作。
步骤S202:计算平坦区域方差、均值,获得初始尺度函数q0。
在指定平坦区域后,通过嵌入式系统计算所述尺度函数,并通过系统总线存储在控制寄存器中。
步骤S203:计算瞬时自变量q(x,y,n)。
获取B超图像后,对图像的灰度值计算梯度,拉普拉斯项,从而获得瞬时自变量。需要理解的是,梯度和拉普拉斯操作能抑制斑点噪声,保留组织的纹理信息。还需要说明的是,由于血管组织结构的特点,其轴向运动的轨迹精度低于径向精度。因此,为了提高轴向运动的估计精度,本发明增加了梯度和拉普拉斯项计算中轴向的权重,其计算公式为:
式中,▽为哈密顿算子,Ii n ,j为第n次迭代图像中坐标为(i,j)的像素点的灰度值,h为图像在x,y轴方向的空间步长。
步骤S204:计算获得扩散系数,对图像进行更新。
通过瞬时自变量计算扩散系数c(q),获得图像的散度d=div(c(q)▽I),并按照下式:In+1=In+Δt/8dn对图像进行迭代更新,其中,Δt为时间步长,dn为第n次迭代图像的散度值。迭代次数和时间步长在初始化时进行设置。
步骤S205:对B超图像进行Riesz变换,获得单演信号fmxy。
通过希尔伯特变化实现二维图像的Riesz变换,并构建单演信号。在FPGA上采用快速傅里叶变换和逆变换实现希尔伯特变换。分别计算得到B超图像的Riesz变换,并构造单演信号fmxy。
步骤S206:计算获得局部相位特征。
通过差分高斯滤波器对单演信号进行滤波,高斯滤波器的标准差在初始化时进行设置。需要说明的是,标准差的大小对滤波效果有较大影响。较小的标准差能获得更多纹理细节,较大的标准差能获得更多的轮廓信息。通过公式进行计算获得局部相位特征φ,其中Ib是经过差分高斯滤波器处理支后的单演信号,hx,hy是Riesz变换的核函数。
步骤S207:计算获得局部方向特征。
利用公式θ=arctan(hy/hx),θ∈[0,π)计算获得局部方向特征
步骤S208:组合局部相位和方向获得局部矢量特征图
需要说明的是,局部相位特征能够更多保留纹理特征,局部方向特征能够更多的保留轮廓特征。虽然较粗的轮廓更易于进行配准,但局部方向特征图在其值接近于零的脊线位置处会引入伪影。因此,为了充分利用二者的优势,对局部方向特征设置置信系数sin2(φ),从而获得包括局部相位和局部方向的特征图。
参照图6,图6为本发明基于B超图像的管壁运动提取第三实施例的流程示意图,基于上述图2所示的实施例,提出本发明基于B超图像的管壁运动提取的第三实施例。
在本实施例中,所述步骤S30,具体包括:
步骤S301:将经过预处理获得的图像的第一帧作为参考图像,后续帧作为浮动图像。
需要说明的是,为了管壁运动对干扰抑制的影响,需要对图像进行分割,去除靠近管壁处的图像,分别获得上下两个子图用于后续的配准操作;
步骤S302:通过自动搜索算法获取两帧图像的最相似处的坐标,将其作为外部干扰值。
需要说明的是,所述自动搜索功能由嵌入式系统完成。FPGA系统将通过中断方式要求嵌入式系统进行读操作,通过系统总线将经过预处理的子图读入到CPU中进行处理。为提高搜索速度,本发明采用鲍威尔算法进行搜索。搜索结果通过系统总线传输给配准模块。
步骤S303:利用获得的外部干扰值对B超图像进行移位和旋转等空间变换,从而生成抑制了外部干扰的B超图像序列。
需要说明的是,干扰值是上下两个子图搜索获取值的平均。另外,旋转等空间变换用到的三角函数,在FPGA中采用Cordic算法实现。
参照图7,图7为本发明基于B超图像的管壁运动提取第四实施例的流程示意图,基于上述图2所示的实施例,提出本发明基于B超图像的管壁运动提取的第四实施例。
在本实施例中,所述步骤S40,具体包括:
步骤S401:根据初始化参数从经过干扰抑制后的B超参考和浮动图像中截取ROI区域。
需要注意的是,ROI大小与形状对最终结果有一定影响。为保证精度,将ROI设置为长方形,以适应血管的组织结构。
步骤S402:计算两幅图像的互相关系数。
步骤S403:在搜索区域内循环迭代寻找最大相关系数处的坐标值,将其存储记录为该帧图像相对于参考图像的位移。
步骤S404:循环迭代求得所有帧图像的位移,从而获得管壁运动轨迹。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
单词第一、第二、以及第三等的使用不表示任何顺序,可将这些单词解释为名称。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (2)
1.一种基于B超图像的颈动脉血管壁运动轨迹提取方法,包括以下步骤:
S10、初始参数设置的步骤;
S20、对获取的B超图像预处理的步骤;
S30、对外部干扰进行提取和抑制的步骤;
S40、颈动脉血管壁运动轨迹提取的步骤;
其特征在于,所述步骤S20对获取的B超图像预处理的步骤具体包括:
S201、根据初始化参数设置扩散滤波操作的平坦区域的大小与坐标、扩散迭代次数、时间步长,以及获取局部相位特征的高斯差分滤波器的方差参数;
S202、计算平坦区域方差、均值,获得初始尺度函数q0;
S203、计算瞬时自变量q(x,y,n):获取B超图像后,对图像的灰度值计算梯度和拉普拉斯项,从而获得瞬时自变量,梯度和拉普拉斯操作能抑制斑点噪声,保留组织的纹理信息,其中,
梯度计算公式为:
拉普拉斯项计算公式为:
式中,▽为哈密顿算子,为第n次迭代图像中坐标为(i,j)的像素点的灰度值,h为图像在x,y轴方向的空间步长;
S204、计算获得扩散系数,对图像进行更新:通过瞬时自变量计算扩散系数c(q),获得图像的散度d=div(c(q)▽I),并按照下式:In+1=In+Δt/8dn对图像进行迭代更新,其中,Δt为时间步长,dn为第n次迭代图像的散度值;
S205、对B超图像进行Riesz变换,获得单演信号fmxy:通过希尔伯特变化实现二维图像的Riesz变换,并构建单演信号,采用快速傅里叶变换和逆变换实现希尔伯特变换,计算得到B超图像Riesz变换,并构造单演信号fmxy;
S206、计算获得局部相位特征:
利用公式计算局部相位特征,通过差分高斯滤波器对单演信号进行滤波,高斯滤波器的标准差在初始化时进行设置,式中,Ib是经过差分高斯滤波器处理之后的单演信号,hx,hy是Riesz变换的核函数;
S207、计算获得局部方向特征:
利用公式θ=arctan(hy/hx),θ∈[0,π)计算获得局部方向特征;
S208、组合局部相位和方向特征获得局部矢量特征图:对局部方向特征设置置信系数sin2(φ),从而获得包括局部相位和局部方向的特征图;
所述步骤S30对外部干扰进行提取和抑制的步骤具体包括:
S301、将经过预处理获得的图像的第一帧作为参考图像,后续帧作为浮动图像;
S302、通过自动搜索算法获取两帧图像的最相似处的坐标,将其作为外部干扰值;
S303、利用获得的外部干扰值对B超图像进行移位和旋转空间变换,从而生成抑制了外部干扰的B超图像序列;
所述步骤S40颈动脉血管壁运动轨迹提取的步骤具体包括:
S401、根据初始化参数从经过干扰抑制后的B超参考和浮动图像中截取ROI区域;
S402、计算两幅图像的互相关系数;
S403、在搜索区域内循环迭代寻找最大相关系数处的坐标值,将其存储记录为该帧图像相对于参考图像的位移;
S404、循环迭代求得所有帧图像的位移,从而获得管壁运动轨迹。
2.基于B超图像的颈动脉血管壁运动轨迹提取装置,该装置能够执行权利要求1所述的基于B超图像的颈动脉血管壁运动轨迹提取方法,其特征在于,包括
嵌入式系统,嵌入式系统通过接口与用户交互,所述嵌入式系统包括:CPU模块、USB模块、输入输出模块、系统模块、系统总线,其中,系统模块负责维持嵌入式系统的正常运行;输入输出模块电性连接CPU模块,提供与用户交互的通道;所述USB模块连接外部B超设备,将图像传输给CPU模块,其再通过系统总线传输给FPGA模块进行处理;
闪存,存储嵌入式系统从B超设备获取的图像;
和
FPGA系统,所述FPGA系统从闪存中读取图像并完成运动轨迹的提取,所述FPGA系统包括:缓冲器、闪存接口、控制器模块、滤波模块、局部矢量信息获取模块、图像暂存器、配准模块、空间变换模块、管壁位移提取模块,其中控制模块根据初始化设置对运动轨迹提取过程进行控制;缓冲器与闪存接口负责B超图像的存取;滤波模块与局部矢量信息获取模块对图像进行预处理;图像暂存器、配准模块和空间变换模块对外部干扰进行抑制;管壁位移提取模块最终获得管壁的运动轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910606828.4A CN112244887B (zh) | 2019-07-06 | 2019-07-06 | 一种基于b超图像颈动脉血管壁运动轨迹提取装置与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910606828.4A CN112244887B (zh) | 2019-07-06 | 2019-07-06 | 一种基于b超图像颈动脉血管壁运动轨迹提取装置与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112244887A CN112244887A (zh) | 2021-01-22 |
CN112244887B true CN112244887B (zh) | 2023-07-18 |
Family
ID=74223778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910606828.4A Active CN112244887B (zh) | 2019-07-06 | 2019-07-06 | 一种基于b超图像颈动脉血管壁运动轨迹提取装置与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112244887B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016034059A1 (zh) * | 2014-09-04 | 2016-03-10 | 成都理想境界科技有限公司 | 基于颜色-结构特征的目标对象跟踪方法 |
CN105400896A (zh) * | 2015-12-26 | 2016-03-16 | 上海中优生物高科技有限责任公司 | 中枢神经型肥胖基因个体化干预组合物制备方法及其系统 |
CN109829878A (zh) * | 2017-11-22 | 2019-05-31 | 西门子保健有限责任公司 | 用于评估血液动力学参数的方法和系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3495022B1 (en) * | 2011-04-14 | 2023-06-07 | Regents of the University of Minnesota | Vascular characterization using ultrasound imaging |
AU2012258412A1 (en) * | 2012-11-30 | 2014-06-19 | Canon Kabushiki Kaisha | Combining differential images by inverse Riesz transformation |
CN108230284B (zh) * | 2016-12-14 | 2021-09-07 | 深圳先进技术研究院 | 一种运动轨迹确定方法及装置 |
-
2019
- 2019-07-06 CN CN201910606828.4A patent/CN112244887B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016034059A1 (zh) * | 2014-09-04 | 2016-03-10 | 成都理想境界科技有限公司 | 基于颜色-结构特征的目标对象跟踪方法 |
CN105405154A (zh) * | 2014-09-04 | 2016-03-16 | 成都理想境界科技有限公司 | 基于颜色-结构特征的目标对象跟踪方法 |
CN105400896A (zh) * | 2015-12-26 | 2016-03-16 | 上海中优生物高科技有限责任公司 | 中枢神经型肥胖基因个体化干预组合物制备方法及其系统 |
CN109829878A (zh) * | 2017-11-22 | 2019-05-31 | 西门子保健有限责任公司 | 用于评估血液动力学参数的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112244887A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111432733B (zh) | 用于确定超声探头的运动的设备和方法 | |
US20200273169A1 (en) | Systems and methods for ultrasound imaging | |
RU2653274C2 (ru) | Связанная сегментация в стандартных и контрастных ультразвуковых 3d-изображениях | |
RU2663649C2 (ru) | Сегментация крупных объектов из нескольких трехмерных видов | |
US6178271B1 (en) | Methods and systems for registering image data | |
JP6441335B2 (ja) | リアルタイム超音波イメージングのトリプレーン画像の自動セグメント化 | |
US8265363B2 (en) | Method and apparatus for automatically identifying image views in a 3D dataset | |
KR101932721B1 (ko) | 의료 영상들의 정합 방법 및 장치 | |
US8139838B2 (en) | System and method for generating MR myocardial perfusion maps without user interaction | |
US10089713B2 (en) | Systems and methods for registration of images | |
JP2009501587A (ja) | 複数の画像を空間合成する方法およびコンピュータプログラム | |
US9607405B2 (en) | Method and device for detecting displacement in elastography | |
Cheng et al. | Detections of arterial wall in sonographic artery images using dual dynamic programming | |
TW200937312A (en) | Method and system for swipe sensor image alignment using fourier phase analysis | |
US10398412B2 (en) | 3D ultrasound image stitching | |
JP5862571B2 (ja) | 超音波画像生成装置および超音波画像生成方法 | |
Myronenko et al. | LV motion tracking from 3D echocardiography using textural and structural information | |
US8170321B2 (en) | System and method for contour tracking in cardiac phase contrast flow MR images | |
CN112244887B (zh) | 一种基于b超图像颈动脉血管壁运动轨迹提取装置与方法 | |
US20150161789A1 (en) | System and method for adaptive registration of varying contrast-weighted images for improved tissue characterization | |
Li et al. | A Fast Subpixel Registration Algorithm Based on Single‐Step DFT Combined with Phase Correlation Constraint in Multimodality Brain Image | |
US8150133B2 (en) | System and method for automatic registration of 4D (3D plus time) renal perfusion MRI data | |
Ruppertshofen et al. | Multi-level approach for the discriminative generalized hough transform | |
Karani et al. | Reducing navigators in free-breathing abdominal MRI via temporal interpolation using convolutional neural networks | |
Wong et al. | Segmentation of myocardium using velocity field constrained front propagation |
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 |