CN112258503B - 超声图像成像质量评价方法、装置及计算机可读存储介质 - Google Patents
超声图像成像质量评价方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112258503B CN112258503B CN202011267333.2A CN202011267333A CN112258503B CN 112258503 B CN112258503 B CN 112258503B CN 202011267333 A CN202011267333 A CN 202011267333A CN 112258503 B CN112258503 B CN 112258503B
- Authority
- CN
- China
- Prior art keywords
- image
- tissue
- sharpness
- brightness
- tissue deformation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 39
- 238000003384 imaging method Methods 0.000 title claims abstract description 33
- 210000001519 tissue Anatomy 0.000 claims abstract description 131
- 238000011156 evaluation Methods 0.000 claims abstract description 59
- 210000004872 soft tissue Anatomy 0.000 claims abstract description 22
- 210000004907 gland Anatomy 0.000 claims abstract description 9
- 230000000762 glandular Effects 0.000 claims abstract description 4
- 238000002604 ultrasonography Methods 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 230000007797 corrosion Effects 0.000 claims description 5
- 238000005260 corrosion Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 208000031513 cyst Diseases 0.000 description 14
- 206010011732 Cyst Diseases 0.000 description 13
- 239000000523 sample Substances 0.000 description 6
- 230000009467 reduction Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000002560 therapeutic procedure Methods 0.000 description 2
- 238000012285 ultrasound imaging Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 210000005228 liver tissue Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
- G06T2207/30056—Liver; Hepatic
-
- 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
- G06T2207/30081—Prostate
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提供了一种超声图像成像质量评价方法、装置及计算机可读存储介质，其方法包括步骤：S1、计算超声图像的亮度和锐度；S2、根据亮度值和锐度值判断给定像素内是否能观测到腺体或组织形态；S3、根据图像中组织分布结构来匹配相应的组织形变评估方法，若组织中存在符合预设条件的腺体结构，则执行S4；否则执行S5；S4、采用基于局部组织特征的评估方法评估组织变形，然后执行S6；S5、采用基于全局图像的评估方法评估组织变形，然后执行S6；S6、基于图像亮度、图像锐度和软组织形变三个参数评估超声图像的总质量。该方法能够融合图像亮度、图像锐度以及软组织形变程度3个参数对超声图像进行综合评估。
Description
技术领域
本发明属于医疗影像成像评价技术领域，尤其涉及一种超声图像成像质量评价方法、一种超声图像成像质量评价装置及计算机可读存储介质。
背景技术
超声影像技术在医疗领域应用广泛。其中，超声影像引导治疗设备可以通过超声成像向医生或其他设备提供组织的可视化信息。例如，经皮介入治疗中需要在超声影像的引导下将手术针插入到目标区域。
另外，在超声影像引导治疗设备上还运用了机器人辅助的影像引导技术。机器人辅助的影像引导技术是使用经过训练的机器人系统操作手术器械，同时利用超声探头反馈组织信息。在图像采集过程中，需调整超声探头与组织接触状态，以获得清晰的超声图像。
因此，在机器人辅助的超声引导过程中，对超声图像的图像质量进行评估很有必要。
然而，目前已有的图像质量评估只考虑图像成像质量，并不能评估图像中软组织的形变程度。在实际的临床病例中，显然近距离探测可获得清晰的图像，但是超声探头与组织过近接触会引起软组织形变。这种现象会降低靶向穿刺的精确度。为了避免这种情况，临床中需要在软组织形变程度最小的前提下获得清晰的超声图像。
因此，急需设计一种能够考虑软组织形变的实时超声图像质量评估方法，用于机器人辅助超声影像引导治疗。
发明内容
有鉴于此，为了解决现有超声图像成像评价方法只能对图像的成像质量进行评估而不能量化图像中的软组织形变程度而导致的靶向穿刺的精度不足的问题，本发明提供一种超声图像成像质量评价方法，其包括步骤：
S1、计算超声图像的亮度和锐度；
S2、根据亮度值和锐度值判断给定像素内是否能观测到腺体或组织形态；
S3、根据图像中组织分布结构来匹配相应的组织形变评估方法，若组织中存在符合预设条件的腺体结构，则执行S4；否则执行S5；
S4、采用基于局部组织特征的评估方法评估组织变形，然后执行S6；
S5、采用基于全局图像的评估方法评估组织变形，然后执行S6；
S6、基于图像亮度、图像锐度和软组织形变三个参数评估超声图像的总质量。
较佳地，所述步骤S4中，所述基于局部组织特征的评估方法的具体步骤包括：
S40、对超声图像进行提取前景操作，排除背景特征；
S41、对前景图像中的连通域进行标记和提取，并保留最大连通域，即分割目标组织形状；
S42、执行聚集特性分析，获取组织形变量。
较佳地，在所述步骤S40中，提取的前景图像F(i，j)通过如下公式表示：
上式中，T为最大类间方差准则确定的最佳阈值，且最佳阈值满足下式：
上式中，σB 2为类间方差，σW 2为类内方差，P为图像所有像素点的灰度值数组；
在所述步骤S42中，组织形变r表示为：
上式中，H(i，j)表示含有组织形状的分割图像，NH表示分割图像的像素个数，it为第t个像素的行数，μi为分割图像中组织像素点行数的平均值。
较佳地，所述步骤S5中，所述采用基于全局图像的评估方法的具体步骤为：
S50、将图像采用形态学算法进行降噪；
S51、提取组织边缘特征；
S52、执行聚集特性分析，获取组织形变量。
较佳地，所述步骤S50中，所述降噪的方法包括：
S500，对图像进行腐蚀操作，用以消除斑点噪声；
S501，对图像进行膨胀运算，将图像和结构元素进行卷积运算，填补图像间隙。
较佳地，经所述步骤S500腐蚀操作后的图像矩阵E(i，j)表示为：
上式中，E(i，j)为腐蚀后的图像矩阵，B(i，j)是结构元素，DB是结构元素的定义域，⊙是腐蚀运算符；
经所述步骤S501膨胀后的图像矩阵D(i，j)表示为：
上式中，D(i，j)为膨胀后的图像矩阵，是膨胀运算符，B(i，j)是结构元素，DB是结构元素的定义域。
较佳地，在所述步骤S51中，提取组织边缘特征的具体步骤为：利用Sobel算子提取组织边缘特征，所获取的水平方向的模板Sx和垂直方向的模板Sy为：
在所述步骤S52中，根据边缘特征的离散程度评估组织变形，组织形变r表示为：
其中，xt为边缘特征提取图像中第t个像素的行数，μx为边缘特征提取图像中所有边缘像素点行数的平均值，NV为边缘特征提取图像中边缘像素点个数。
较佳地，所述步骤S6中，评价超声图像的总质量的分数为：
其中，q1、q2、q3分别为亮度值、锐度值和组织变形值归一化后的数值，λ1、λ2、λ3分别为亮度分数、锐度分数、组织形变分数所占权重，Q1和Q2分别为超声图像的亮度阈值和锐度阈值。
本发明还提供一种超声图像成像质量评价装置，其包括亮度和锐度获取模块、组织变形评估模块和超声图像总质量评价模块，所述亮度和锐度获取模块与所述组织变形评估模块连接，所述超声图像总质量评价模块分别与所述亮度和锐度获取模块和所述组织变形评估模块连接；
所述亮度和锐度获取模块用于计算超声图像的亮度和锐度；
所述组织变形评估模块用于从采用基于局部组织特征的评估方法和采用基于全局图像的评估方法中选取组织形变评估方法；
所述组织变形评估模块还用于向所述超声图像总质量评价模块输出其所评估的组织变形量；
所述超声图像总质量评价模块通过获取到的图像亮度、图像锐度和软组织形变三个参数评估超声图像的总质量。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述超声图像成像质量评价方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
1、本发明提供的超声图像成像质量评价方法能够融合图像亮度、图像锐度以及软组织形变程度3个参数对超声图像进行综合评估，解决了现有技术中的不足。
2、该超声图像成像质量评价方法能够针对软组织结构特征的差异，使用两种不同的软组织形变评估方法，使检测效率和准确性提高。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一中超声图像成像质量评价方法的流程图；
图2是本发明实施例三中基于局部组织特征的组织形变评估方法的流程图；
图3是本发明实施例三中基于全局图像的评估方法的流程图；
图4是本发明实施例三中的降噪方法的流程图；
图5本发明实施例五中超声图像成像质量评价装置的结构示意图；
图6是本发明实施例五中内置囊肿的体模图像的评价分数曲线图；
图7是本发明实施例五中内置囊肿的体模的部分超声图像。
附图标记：
亮度和锐度获取模块1、组织变形评估模块2和超声图像总质量评价模块3。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例一
图1是本发明实施例一中超声图像成像质量评价方法的流程图。如图1所示，本发明提供了一种超声图像成像质量评价方法，其包括步骤：
S1、计算超声图像的亮度和锐度；
S2、根据亮度值和锐度值判断给定像素内是否能观测到腺体或组织形态；
S3、根据图像中组织分布结构来匹配相应的组织形变评估方法，若组织中存在符合预设条件的腺体结构，则执行S4；否则执行S5；
S4、采用基于局部组织特征的评估方法评估组织变形，然后执行S6；
S5、采用基于全局图像的评估方法评估组织变形，然后执行S6；
S6、基于图像亮度、图像锐度和软组织形变三个参数评估超声图像的总质量。
本发明实施例与现有技术相比存在的有益效果是：
1、本发明提供的一种超声图像成像质量评价方法能够融合图像亮度、图像锐度以及软组织形变程度3个参数对超声图像进行综合评估，解决了现有技术中的不足。
2、该超声图像成像质量评价方法能够针对软组织结构特征的差异，使用两种不同的软组织形变评估方法，使检测效率和准确性提高。
实施例二
本实施例与实施例一的不同之处在于：
步骤S1中的计算超声图像的亮度，其亮度通过如下公式计算：
其中，I(i，j)表示图像I在(i，j)处的像素强度。M和N分别代表横向像素数量和纵向像素数量。
采用Scharr梯度算子构造梯度幅值映射。水平方向的偏导数gx(i，j)和垂直方向的偏导数gy(i，j)为：
图像的梯度大小GA(i，j)为：
实施例三
本实施例与实施例一的不同之处在于：
在步骤S3中，在对软组织进行形变程度评估前，需要根据超声图像中组织或腺体分布的特点采取不同的评估方法。对于有明显腺体结构的超声图像，采用基于局部组织特征的方法评估组织形变具有更高的灵敏性和区分度。因此，为适用于不同组织结构的超声图形，本发明所提及的两种软组织形变评估方法将根据如下公式进行决策，即若分割图像满足如下式，则采用基于局部组织特征的方法评估组织变形，否则采用基于全局图像的方法评估组织变形。该超声图像成像质量评价方法对软组织评价方法的选择进行自动决策。
在步骤S4中，基于局部组织特征的组织形变评估方法只关注组织形态变化。图2是本实施例中基于局部组织特征的组织形变评估方法的流程图。如图2所示，基于局部组织特征的组织形变评估方法的具体步骤包括：
S40、对超声图像进行提取前景操作，排除背景特征；
S41、对前景图像中的连通域进行标记和提取，并保留最大连通域，即分割目标组织形状；
S42、执行聚集特性分析，获取组织形变量。
步骤S40中，从灰度图像中提取的前景图像F(i，j)通过如下公式表示：
式中，T为最大类间方差准则确定的最佳阈值。且最佳阈值满足下式：
其中σB 2为类间方差，σW 2为类内方差，P为图像所有像素点的灰度值数组。
步骤S42中，当组织产生形变时，组织竖直方向的聚集程度会发生变化，因此可以通过观测分割出的组织形状高度变化评估组织形变。组织形变r可由下式表示：
其中，H(i，j)表示含有组织形状的分割图像，NH表示分割图像的像素个数，it为第t个像素的行数，μi为分割图像中组织像素点行数的平均值。
图3是本实施例中基于全局图像的评估方法的流程图。如图3所示，在步骤S5中采用基于全局图像的评估方法的具体步骤为：
S50、将图像采用形态学算法进行降噪。
S51、提出组织边缘特征；
S52、执行聚集特性分析，获取组织形变量。
图4是本实施例中的降噪方法的流程图。如图4所示，步骤S20中的降噪方法包括：
S500，对图像进行腐蚀操作，用以消除斑点噪声；
S501，对图像进行膨胀运算，将图像和结构元素进行卷积运算，填补图像间隙。
经步骤S500腐蚀操作后的图像矩阵E(i，j)表示为：
其中，E(i，j)为腐蚀后的图像矩阵，B(i，j)是结构元素，DB是结构元素的定义域，⊙是腐蚀运算符。
经步骤S501膨胀后的图像矩阵D(i，j)表示为：
其中，D(i，j)为膨胀后的图像矩阵，是膨胀运算符，B(i，j)是结构元素，DB是结构元素的定义域。
步骤S51、提出组织边缘特征的具体步骤为：
对图像进行降噪处理后，利用Sobel算子提取组织边缘特征，水平方向的模板Sx和垂直方向的模板Sy为：
获得边缘特征提取图像后可以执行步骤S52，即根据边缘特征的离散程度评估组织变形，组织形变r表示为：
其中，xt为边缘特征提取图像中第t个像素的行数，μx为边缘特征提取图像中所有边缘像素点行数的平均值，NV为边缘特征提取图像中边缘像素点个数。
实施例四
本实施例与实施例一的不同之处在于：
超声图像的总质量分数由亮度分数、锐度分数和组织形变分数三部分组成。亮度、锐度和组织形变在总质量分数中所占的权重相等。将亮度值、锐度值和组织形变值归一化后可得图像质量的总分数为：
q1、q2、q3分别为亮度值、锐度值和组织变形值归一化后的数值，λ1、λ2、λ3分别为亮度分数、锐度分数、组织形变分数所占权重，Q1和Q2分别为超声图像的亮度阈值和锐度阈值，当图像亮度和锐度低于该阈值时，图像中组织或腺体不明显，在给定像素内无法观测组织或腺体轮廓，表明此时超声探头并未与组织充分接触，没有形变产生。因此，这种情况下只考虑超声图像的亮度质量和锐度质量。
实施例五
本实施例与实施例一至四的不同之处在于：
图5是本发明实施例五中超声图像成像质量评价装置的结构示意图。如图5所示，本发明还提供一种超声图像成像质量评价装置，其能够执行实施例一至实施例四所述的超声图像成像质量评价方法。该装置包括亮度和锐度获取模块1、组织变形评估模块2、超声图像总质量评价模块3。亮度和锐度获取模块1与组织变形评估模块2连接。超声图像总质量评价模块3分别与亮度和锐度获取模块1和组织变形评估模块2连接。
亮度和锐度获取模块1用于计算超声图像的亮度和锐度。
组织变形评估模块2用于从采用基于局部组织特征的评估方法和采用基于全局图像的评估方法中选取组织形变评估方法。
组织变形评估模块2还用于向超声图像总质量评价模块6输出其所评估的组织变形量。
超声图像总质量评价模块3通过获取到的图像亮度、图像锐度和软组织形变三个参数评估超声图像的总质量。
该装置在前列腺体模、猪肝脏组织、内置囊肿的体模的超声图像进行了实验测试，可以实现超声图像的实时评估，平均评估时间为66毫秒。以内置囊肿的体模的超声图像为例，共采集20张超声图像。
图6是本实施例中内置囊肿的体模图像的评价分数。图7是本实施例中内置囊肿的体模的部分超声图像。评估分数如图6所示，图7是采集的部分超声图像，图7中所示的a-e中六张图像依次对应第一号内置囊肿的体模、第六号内置囊肿的体模、第八号内置囊肿的体模、第十号内置囊肿的体模、第十二号内置囊肿的体模和第十五号内置囊肿的体模。
内置囊肿的体模是一种超声体模，内部有囊肿组织特征，此处采集了该体模的超声图像20张。从第1张至第20张，超声探头与体模从轻微接触开始逐渐增加接触紧密程度，然后采用上述评价方法计算评价分数。超声探头与体模从轻微接触状态对应图7a。
从图6可以看出，随着接触增加，图像亮度和锐度都逐渐增加；接触增加到一定程度时，如图7b所示，图像中可以观测到囊肿组织轮廓。随后接触越来越紧密，组织开始发生形变，组织形变分数逐渐减小，表明组织形变程度逐渐增大，如图7c-图7f所示。
实施例六
本实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述超声图像成像质量评价方法的步骤。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (6)
1.一种超声图像成像质量评价方法，其特征在于，其包括步骤：
S1、计算超声图像的亮度和锐度；
S2、根据亮度值和锐度值判断给定像素内是否能观测到腺体或组织形态；
S3、根据图像中组织分布结构来匹配相应的组织形变评估方法，判断组织中是否存在符合预设条件的腺体结构，若组织中存在符合预设条件的腺体结构，则执行S4；否则执行S5；
S4、采用基于局部组织特征的评估方法评估组织形变，然后执行S6；
S5、采用基于全局图像的评估方法评估组织形变，然后执行S6；
S6、基于图像亮度、图像锐度和软组织形变三个参数评估超声图像的总质量；
所述步骤S4中，所述基于局部组织特征的评估方法的具体步骤包括：
S40、对超声图像进行提取前景操作，排除背景特征；
S41、对前景图像中的连通域进行标记和提取，并保留最大连通域，即分割目标组织形状；
S42、执行聚集特性分析，获取组织形变量；
在所述步骤S40中，提取的前景图像F(i,j)通过如下公式表示：
上式中，I(i,j)表示图像I在(i,j)处的像素强度，T为最大类间方差准则确定的最佳阈值，且最佳阈值满足下式：
上式中，σB 2为类间方差；
在所述步骤S42中，根据分割出的组织形状的高度变化评估组织形变，组织形变r表示为：
上式中，H(i,j)表示含有组织形状的分割图像，NH表示分割图像的像素个数，it为分割图像中第t个像素的行数，μi为分割图像中组织像素点行数的平均值；
所述步骤S5中，所述采用基于全局图像的评估方法的具体步骤为：
S50、将图像采用形态学算法进行降噪；
S51、提取组织边缘特征；其中，利用Sobel算子提取组织边缘特征，获取水平方向的模板和垂直方向的模板；
S52、执行聚集特性分析，获取组织形变量；其中，获得边缘特征提取图像后，根据边缘特征的离散程度评估组织形变，组织形变r表示为：
其中，xt为边缘特征提取图像中第t个像素的行数，μx为边缘特征提取图像中所有边缘像素点行数的平均值，NV为边缘特征提取图像中边缘像素点个数；
所述步骤S6中，评价超声图像的总质量的分数为：
上式中，q1、q2、q3分别为亮度值、锐度值和组织形变值归一化后的数值，λ1、λ2、λ3分别为亮度分数、锐度分数、组织形变分数所占权重，Q1和Q2分别为超声图像的亮度阈值和锐度阈值。
2.如权利要求1所述的一种超声图像成像质量评价方法，其特征在于，所述步骤S50中，所述降噪的方法包括：
S500，对图像进行腐蚀操作，用以消除斑点噪声；
S501，对图像进行膨胀运算，将图像和结构元素进行卷积运算，填补图像间隙。
3.如权利要求2所述的一种超声图像成像质量评价方法，其特征在于，经所述步骤S500腐蚀操作后的图像矩阵E(i,j)表示为：
上式中，E(i,j)为腐蚀后的图像矩阵，B(i,j)是结构元素，DB是结构元素的定义域，⊙是腐蚀运算符；
经所述步骤S501膨胀后的图像矩阵D(i,j)表示为：
上式中，D(i,j)为膨胀后的图像矩阵，是膨胀运算符，B(i,j)是结构元素，DB是结构元素的定义域。
4.如权利要求1至3任一项所述的一种超声图像成像质量评价方法，其特征在于，在所述步骤S51中，所获取的水平方向的模板Sx和垂直方向的模板Sy为：
5.一种超声图像成像质量评价装置，用于实现如权利要求1所述的超声图像成像质量评价方法，其特征在于，其包括亮度和锐度获取模块、组织变形评估模块和超声图像总质量评价模块，所述亮度和锐度获取模块与所述组织变形评估模块连接，所述超声图像总质量评价模块分别与所述亮度和锐度获取模块和所述组织变形评估模块连接；
所述亮度和锐度获取模块用于计算超声图像的亮度和锐度；
所述组织变形评估模块用于从采用基于局部组织特征的评估方法和采用基于全局图像的评估方法中选取组织形变评估方法；
所述组织变形评估模块还用于向所述超声图像总质量评价模块输出其所评估的组织形变量；
所述超声图像总质量评价模块通过获取到的图像亮度、图像锐度和软组织形变三个参数评估超声图像的总质量。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述超声图像成像质量评价方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011267333.2A CN112258503B (zh) | 2020-11-13 | 2020-11-13 | 超声图像成像质量评价方法、装置及计算机可读存储介质 |
| PCT/CN2020/139646 WO2022099882A1 (zh) | 2020-11-13 | 2020-12-25 | 超声图像成像质量评价方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011267333.2A CN112258503B (zh) | 2020-11-13 | 2020-11-13 | 超声图像成像质量评价方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112258503A CN112258503A (zh) | 2021-01-22 |
| CN112258503B true CN112258503B (zh) | 2023-11-14 |
Family
ID=74265516
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011267333.2A Active CN112258503B (zh) | 2020-11-13 | 2020-11-13 | 超声图像成像质量评价方法、装置及计算机可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112258503B (zh) |
| WO (1) | WO2022099882A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115082487B (zh) * | 2022-08-23 | 2022-12-13 | 深圳华声医疗技术股份有限公司 | 超声图像切面质量评价方法、装置、超声设备及存储介质 |
| CN115644933B (zh) * | 2022-11-17 | 2023-08-22 | 深圳微创踪影医疗装备有限公司 | 导管冲刷控制方法、装置、计算机设备、存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732227A (zh) * | 2015-03-23 | 2015-06-24 | 中山大学 | 一种基于清晰度和亮度评估的车牌快速定位方法 |
| CN105261013A (zh) * | 2015-09-25 | 2016-01-20 | 孙高磊 | 一种扫描图像质量综合评价方法及评价系统 |
| KR101781009B1 (ko) * | 2016-08-31 | 2017-10-23 | 노틸러스효성 주식회사 | 낡은 지폐 식별 방법 |
| CN109544540A (zh) * | 2018-11-28 | 2019-03-29 | 东北大学 | 一种基于图像分析技术的糖尿病视网膜图像质量检测方法 |
| CN109584198A (zh) * | 2017-09-26 | 2019-04-05 | 浙江宇视科技有限公司 | 一种人脸图像质量评价方法、装置及计算机可读存储介质 |
| CN110728651A (zh) * | 2019-09-03 | 2020-01-24 | 北京爱博同心医学科技有限公司 | 基于增强现实的管状视野图像变形检测方法及眼镜 |
| CN111513754A (zh) * | 2019-09-16 | 2020-08-11 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像设备、超声图像的质量评估方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009153683A2 (en) * | 2008-06-18 | 2009-12-23 | Koninklijke Philips Electronics N.V. | Radiological imaging incorporating local motion monitoring, correction, and assessment |
| JP6405138B2 (ja) * | 2014-07-15 | 2018-10-17 | オリンパス株式会社 | 画像処理装置、画像処理方法、及び画像処理プログラム |
| US9962134B2 (en) * | 2015-10-28 | 2018-05-08 | Medtronic Navigation, Inc. | Apparatus and method for maintaining image quality while minimizing X-ray dosage of a patient |
| CN107753061B (zh) * | 2017-11-03 | 2020-08-04 | 飞依诺科技(苏州)有限公司 | 超声弹性成像的自动优化方法及系统 |
-
2020
- 2020-11-13 CN CN202011267333.2A patent/CN112258503B/zh active Active
- 2020-12-25 WO PCT/CN2020/139646 patent/WO2022099882A1/zh active Application Filing
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732227A (zh) * | 2015-03-23 | 2015-06-24 | 中山大学 | 一种基于清晰度和亮度评估的车牌快速定位方法 |
| CN105261013A (zh) * | 2015-09-25 | 2016-01-20 | 孙高磊 | 一种扫描图像质量综合评价方法及评价系统 |
| KR101781009B1 (ko) * | 2016-08-31 | 2017-10-23 | 노틸러스효성 주식회사 | 낡은 지폐 식별 방법 |
| CN109584198A (zh) * | 2017-09-26 | 2019-04-05 | 浙江宇视科技有限公司 | 一种人脸图像质量评价方法、装置及计算机可读存储介质 |
| CN109544540A (zh) * | 2018-11-28 | 2019-03-29 | 东北大学 | 一种基于图像分析技术的糖尿病视网膜图像质量检测方法 |
| CN110728651A (zh) * | 2019-09-03 | 2020-01-24 | 北京爱博同心医学科技有限公司 | 基于增强现实的管状视野图像变形检测方法及眼镜 |
| CN111513754A (zh) * | 2019-09-16 | 2020-08-11 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像设备、超声图像的质量评估方法 |
Non-Patent Citations (5)
| Title |
|---|
| Screen Content Image Quality Assessment With Edge Features in Gradient Domain;Ruifeng Wang et al.;《IEEE Access》;第07卷;全文 * |
| SURGERY FOR OBESITY AND RELATED DISEASES：I. A NOVEL APPROACH TO THE QUANTIFICATION OF THE LONGITUDINAL SPEED OF SOUND AND ITS POTENTIAL FOR TISSUE CHARACTERIZATION;Alex Benjamin et al.;《Ultrasound in Medicine and Biology》(第12期);全文 * |
| 基于视觉感知的立体视频客观质量评价研究;宋洋;《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》(第03期);全文 * |
| 甲状腺、乳腺超声影像自动分析技术综述;龚勋 等;《软件学报》(第07期);全文 * |
| 考虑软组织形变的实时无参考超声图像综合评估方法;李妍 等;《生物医学工程学杂志》;第39卷(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112258503A (zh) | 2021-01-22 |
| WO2022099882A1 (zh) | 2022-05-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112258503B (zh) | 超声图像成像质量评价方法、装置及计算机可读存储介质 | |
| CN112529894B (zh) | 一种基于深度学习网络的甲状腺结节的诊断方法 | |
| US7983456B2 (en) | Speckle adaptive medical image processing | |
| CN110772286B (zh) | 一种基于超声造影识别肝脏局灶性病变的系统 | |
| CN111539956B (zh) | 基于脑部辅助图像的脑出血自动检测方法及电子介质 | |
| CN102940510B (zh) | 一种超声弹性成像的自动对焦方法 | |
| US20080171932A1 (en) | Method and System for Lymph Node Detection Using Multiple MR Sequences | |
| US20140213901A1 (en) | System & Method for Delineation and Quantification of Fluid Accumulation in EFAST Trauma Ultrasound Images | |
| US20120099771A1 (en) | Computer aided detection of architectural distortion in mammography | |
| US9026195B2 (en) | Method for characterizing the development of pathologies involving changes in volumes of bodies, notably tumors | |
| US20080170767A1 (en) | Method and system for gleason scale pattern recognition | |
| Hermawati et al. | Combination of aggregated channel features (ACF) detector and faster R-CNN to improve object detection performance in fetal ultrasound images | |
| JP6734475B2 (ja) | 画像処理装置及びプログラム | |
| CN113689337A (zh) | 一种基于生成对抗网络的超声图像超分辨率重建方法及系统 | |
| CN113689424A (zh) | 可自动识别图像特征的超声检查系统及识别方法 | |
| Chang et al. | Prostate cancer detection in dynamic MRIs | |
| Ishikawa et al. | Detecting a Fetus in Ultrasound Images using Grad CAM and Locating the Fetus in the Uterus. | |
| Ribeiro et al. | The usefulness of ultrasound in the classification of chronic liver disease | |
| Chang et al. | COMPUTER-AIDED DIAGNOSIS FOR THYROID GRAVES'DISEASE IN ULTRASOUND IMAGES | |
| Mori et al. | Analysis of endometrium form by using LBP for female infertility | |
| Dachraoui et al. | Computerized image segmentation of multiple sclerosis lesions using fuzzy level set model | |
| Cudek et al. | Automatic system for classification of melanocytic skin lesions based on images recognition | |
| Susomboon et al. | A co-occurrence texture semi-invariance to direction, distance, and patient size | |
| CN116452566B (zh) | 一种多普勒图像的识别方法、系统、电子设备及存储介质 | |
| CN112308065B (zh) | 一种识别超声图像中特征的方法、系统及电子设备 |
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 |