CN112308065B - 一种识别超声图像中特征的方法、系统及电子设备 - Google Patents
一种识别超声图像中特征的方法、系统及电子设备 Download PDFInfo
- Publication number
- CN112308065B CN112308065B CN202010656236.6A CN202010656236A CN112308065B CN 112308065 B CN112308065 B CN 112308065B CN 202010656236 A CN202010656236 A CN 202010656236A CN 112308065 B CN112308065 B CN 112308065B
- Authority
- CN
- China
- Prior art keywords
- order
- reference range
- brightness
- region
- interest
- 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 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000003211 malignant effect Effects 0.000 claims abstract description 6
- 238000002604 ultrasonography Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 206010054107 Nodule Diseases 0.000 claims 2
- 208000009453 Thyroid Nodule Diseases 0.000 abstract description 6
- 208000024770 Thyroid neoplasm Diseases 0.000 abstract description 5
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 206010028980 Neoplasm Diseases 0.000 description 7
- 210000001519 tissue Anatomy 0.000 description 7
- 201000011510 cancer Diseases 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 230000036210 malignancy Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 201000002510 thyroid cancer Diseases 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 208000030090 Acute Disease Diseases 0.000 description 1
- 206010049155 Visual brightness Diseases 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 210000002307 prostate Anatomy 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 210000001685 thyroid gland Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明属于神经网络技术领域,具体公开了一种识别超声图像中特征的方法、系统及电子设备。所述方法包括如下步骤:图像获取步骤,获取所述超声图像,并选取感兴趣区域;亮度获取步骤,通过卷积神经网络对所述感兴趣区域进行计算,获取所述感兴趣区域中图像的亮度值;计算步骤,根据所述亮度值和预定义的亮度参照范围计算所述感兴趣区域的回声强度;比较步骤,比较所述回声强度和预设的阈值,识别所述感兴趣区域中的特征。本发明用于辅助甲状腺结节良恶性的判定,可显著提高诊断的客观性和可解释性。
Description
技术领域
本发明涉及神经网络技术领域,尤其涉及了一种识别超声图像中特征的方法、系统及电子设备。
背景技术
甲状腺癌在全球范围内已经成为女性最常见的癌症种类,女性的发病率是男性的3倍。根据2018年的一项统计,每20例女性癌症确诊病例中就有一例是甲状腺癌。
超声成像技术由于其非侵入性和无辐射、低成本而广泛用于多种病症的诊断中。在诊断是否可能出现恶性肿瘤的过程中,经常采用超声图像对各种类型的组织和体内结构进行初步检查,例如甲状腺结节、乳房病变、前列腺病变等。然而,超声图像具有相对较差的图像质量,要从超声图像中识别甲状腺结节和检测癌症迹象是具有挑战性的任务。
近年来,卷积神经网络(Convolutional Neural Network,CNN)已经成功地应用于计算机视觉的许多应用领域,特别是在大规模复杂的视觉识别任务中,已经显示出了非常出色的目标识别性能。
由于CNN能够进行特征学习,将CNN技术与医学成像技术相结合,能够从输入图像中识别出有条理和鲁棒的对象特征,如线条,角落,形状,纹理和颜色,进而为对象分类工作提供依据。
目前已经开发出诸如VGG(Visual Geometry Group,视觉几何组)模型用于对象识别问题。该模型的体系结构包括权重层,归一化层,最大池化层,完全连接层,以及在输出层中具有分类器softmax的线性层。VGG模型是一个在大约120万张已标记图像上训练出来的DCNN(Deep Convolutional Neural Network,深度卷积神经网络),它包含了来自ILSVRC(ImageNet Large Scale Visual Recognition Challenge,大规模视觉识别挑战)数据集的1000个不同类别,其中每一幅图像都包含一个位于中心的单一对象,占据了图像的很大一部分,并且背景杂乱程度有限。
在过去几年中,CNN已经开始被用于医学图像分析。通过准确的预测结果,这些解决方案可以提供正确理解肿瘤性质的机会,并帮助医生和其他医疗专业人员及早准确地诊断诸如癌症的急性疾病并监测患者治疗的有效性。
然而,目前对超声图像的识别结果尚不够准确。
发明内容
为了解决上述缺陷,本发明提出了一种识别超声图像中特征的方法,通过分析超声图像的亮度来检测特征,包括如下步骤:
图像获取步骤,获取所述超声图像,并选取感兴趣区域;
亮度获取步骤,通过卷积神经网络对所述感兴趣区域进行计算,获取所述感兴趣区域中图像的亮度值;
计算步骤,根据所述亮度值和预定义的亮度参照范围计算所述感兴趣区域的回声强度;
比较步骤,比较所述回声强度和预设的阈值,识别所述感兴趣区域中的特征。
上述的方法中,所述亮度参照范围包括高位、中位、低位三种,所述计算步骤计算出高位、中位、低位三个所述回声强度。
上述的方法中,中位亮度参照范围不超过[Outmed-binmin,Outmed+binmax],其中,Outmed为所述感兴趣区域周围组织亮度的中间值,binmin和binmax分别为最小容限和最大容限。
上述的方法中,所述回声强度的计算公式如下:
其中,Echoi为回声强度;I′x,y为坐标(x,y)处的亮度值;Si为亮度参照范围,下标i用于区别高位亮度参照范围、中位亮度参照范围和低位亮度参照范围;为指示函数,当I′x,y属于亮度参照范围Si时,/>为1,否则为0。
上述的方法中,如计算得出的高位回声强度、中位回声强度和低位回声强度均小于所述阈值,则得出所述感兴趣区域不均匀的结论,否则得出所述感兴趣区域均匀的结论。
相应的,本发明还提出了一种识别超声图像中特征的系统,包括:
获取模块,用于获取原始的超声图像;
选取模块,在所述原始的超声图像上进行裁剪,以提取感兴趣区域;
特征识别模块,对所述感兴趣区域进行特征分析,提取其中的回声特性;
结节特性检测模块,以亮度值表征所述回声特性,根据所述亮度值和预定义的亮度参照范围计算所述感兴趣区域的回声强度;
判定模块,将所述回声强度与预设的阈值比较,进而判定所述结节是否均匀。
上述的系统中,所述亮度参照范围包括高位、中位、低位三种,所述计算步骤计算出高位、中位、低位三个所述回声强度。
上述的系统中,如计算得出的高位回声强度、中位回声强度和低位回声强度均小于所述阈值,则得出所述感兴趣区域不均匀的结论,否则得出所述感兴趣区域均匀的结论。
上述的系统中,还包括交互模块,用于接受对所述亮度参照范围和阈值的调整。
相应的,本发明还提出了一种电子设备,包括:
存储器,用于存储一个或多个处理器执行的指令;
处理器,是所述电子设备的处理器之一,用于执行如权利要求1-5中任一项所述的识别超声图像中特征的方法。
与现有技术相比,本发明以ROI(Region Of Interest,感兴趣区域)中图像的亮度表征超声回声的强弱,通过对亮度的分析和计算确定ROI中结节的回声图像均匀度,并进一步设置阈值,从而得出ROI均匀/不均匀的结论。该结论用于辅助甲状腺结节良恶性的判定,可显著提高诊断的客观性和可解释性。
附图说明
图1是根据本发明中一实施例的系统框图;
图2是根据本发明中一实施例的流程图;
图3是本发明中一实施例的硬件结构框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。虽然本发明的描述将结合较佳实施例一起介绍,但这并不代表此发明的特征仅限于该实施方式。恰恰相反,结合实施方式作发明介绍的目的是为了覆盖基于本发明的权利要求而有可能延伸出的其它选择或改造。为了提供对本发明的深度了解,以下描述中将包含许多具体的细节。本发明也可以不使用这些细节实施。此外,为了避免混乱或模糊本发明的重点,有些具体细节将在描述中被省略。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
应注意的是,在本说明书中,相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,默认为同一定义。
还需声明的是,本发明中对方法、流程进行编号是为了便于引用,而不是限定先后顺序,各步骤之间如有先后顺序,当以文字说明为准。
本发明的核心思想在于,通过比较直观的亮度来表征和计算回声的强度,通过对亮度是否均匀的检测,得出超声图像中的结节是否均匀的结论,所述结论与超声图像的结合性强,可解释性较高,相对神经网络越复杂,卷积层数越多结论越抽象的现状,可大大提高结论的可信性。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式作进一步地详细描述。
图1是本发明中一种识别超声图像中特征的系统的框图。图2是一种识别超声图像中特征的方法的流程图。如图1所示的系统通过对ROI(Region Of Interest,感兴趣区域)中亮度的计算得出ROI的超声回声是否均匀的结论,该结论用于辅助判断ROI中的结节的良恶性,包括:获取模块1、选取模块2、特征识别模块3、结节特性检测模块4和判定模块5。如图2所示的方法则可基于图1所示系统实现。
以下具体说明本发明一实施例。
获取模块1用于获取原始的超声图像。所述原始的超声图像通常由训练有素的医务人员使用不同的超声仪器来采集。
选取模块2在所述原始的超声图像上进行裁剪,以提取感兴趣区域(Region OfInterest,ROI)。由于获取的所述原始的超声图像通常会捕获整个器官/组织或至少大部分器官组织,并且结节可能位于所述原始的超声图像的一角或仅占据图像的一小部分,因此需要将结节(即ROI)部分裁剪出,并使结节尽可能位于裁剪出的图像的中心位置。
以上,获取模块1和选取模块2协同完成了图像获取步骤S0。
特征识别模块3,对所述感兴趣区域进行特征分析,提取其中的回声特性。具体的,可通过卷积神经网络(Convolutional Neural Network,CNN)技术进行提取。例如,利用ImageNet(图像处理界最有名的数据集之一)数据集中大量经过训练的图层(图像),并通过迁移学习(Transfer Learning,TL),将这些已知数据转移到结节识别中,从而训练出一个针对甲状腺结节的特性识别网络TNet。特征识别模块3即可利用所述TNet获取甲状腺中结节的回声特性。
结节特性检测模块4以亮度值表征所述回声特性,根据所述亮度值和预定义的亮度参照范围计算所述感兴趣区域的回声强度。具体包括如下步骤:
亮度获取步骤S1,获取感兴趣区域中图像的亮度值,将ROI中每一个像素点的亮度值表示为I′x,y,其中x,y为像素坐标。
计算步骤S2,根据所述亮度值和预定义的亮度参照范围计算所述感兴趣区域的回声强度。预定义的所述亮度参照范围表示为S;所述亮度参照范围S是已经定义好的亮度值的集合。建立指示函数对每个像素点(x,y)进行取值,若I′x,y∈S,则否则/>累积所有像素点的取值再取算数平均值,得到所述ROI的回声强度。
进一步的,所述亮度参照范围S按亮度高低设置为高位、中位、低位三种范围,以期通过多个取值的综合来提高判断的可信性。在此基础上,所述回声强度的计算公式如下;
其中,Echoi为回声强度;I′x,y为坐标(x,y)处的亮度值;Si为亮度参照范围,下标i用于区别高位亮度参照范围、中位亮度参照范围和低位亮度参照范围;为指示函数,当I′x,y属于亮度参照范围Si时,/>为1,否则为0。
根据公式(1)可推知,Echoi为一标准化/归一化的比值,其存在一约束条件:∑k∈ iEchok=1。
进一步地,为了取得比较合理的参照范围,中位亮度参照范围不超过[Outmed-binmin,Outmed+binmax],其中,Outmed为所述感兴趣区域周围组织亮度的中间值,binmin和binmax分别为最小容限和最大容限。
判定模块5,将所述回声强度与预设的阈值比较,进而判定所述结节是否均匀。具体的,包括如下步骤:
比较步骤S4,比较所述回声强度和预设的阈值,识别所述感兴趣区域中的特征。即得出所述感兴趣区域为均匀/不均匀的结论,例如,当所述回声强度小于所述阈值时,得出所述感兴趣区域为不均匀的结论。
对于按公式(1)计算而得出的、针对同一个像素点(x,y)存在三个所述回声强度的情况,则可按以下公式判定:
其中,techo为预设的阈值。
也就是说,只有当针对同一个像素点(x,y)得出的三个所述回声强度均小于阈值techo时,得出所述感兴趣区域为不均匀的结论,否则认为所述感兴趣区域均匀。
得到所述感兴趣区域是否均匀的结论后,可用于辅助判断相应结节是良性结节还是恶性,以期进一步提高诊断的准确性。
进一步地,所述识别超声图像中特征的系统还包括交互模块(未图示)。所述交互模块提供人机接口,为人工调整参数提供通道。例如,用于判定结节是否均匀的阈值techo可结合具体器官/组织和医生的意见进行人工调整;又例如,亮度参照范围S中的最小容限binmin和最大容限binmax取决于结节区域亮度和周边正常组织亮度的相对差,可由操作人员根据实际情况进行微调。
上述的识别超声图像中特征的方法和识别超声图像中特征的系统以ROI中图像的亮度特性表征超声回声的强弱,通过对亮度的分析和计算确定ROI中结节的回声图像均匀度,并进一步设置阈值,从而得出ROI均匀/不均匀的结论。该结论用于辅助甲状腺结节良恶性的判定,可显著提高诊断的客观性和可解释性。
本发明还提供了一种电子设备100,所述电子设备100可以是移动终端、计算机终端、或者类似的运算装置(如ECU(Electronic Control Unit,电子控制单元))或某种硬件系统。图3所示为基于前述方法的电子设备100的硬件框架图。
如图所示,电子设备100可以包括耦合到控制中枢103的一个或多个处理器101,对于至少一个实施例,控制中枢103经由诸如前端总线(Front Side Bus,FSB)之类的多分支总线、诸如快速通道互连(QuickPath Interconnect,QPI)之类的点对点接口、或者类似的连接与处理器101进行通信。处理器101执行控制一般类型的数据处理操作的指令。在一实施例中,控制中枢103包括,但不局限于,图形存储器控制器中枢(Graphics&MemoryController Hub,GMCH)(未示出)和输入/输出中枢(Input Output Hub,IOH)(其可以在分开的芯片上)(未示出),其中GMCH包括存储器和图形控制器并可与IOH耦合。
电子设备100还可包括耦合到控制中枢103的协处理器102和可读存储介质104。或者,可读存储介质104和GMCH中的一个或两者可以被集成在处理器101内(如本申请中所描述的),可读存储介质104和协处理器102直接耦合到处理器101以及控制器中枢103,控制器中枢103与IOH处于单个芯片中。
可读存储介质104可以是例如动态随机存取存储器(Dynamic Random AccessMemory,DRAM)、相变存储器(Phase Change Memory,PCM)或这两者的组合。可读存储介质104中可以包括用于存储数据和/或指令的一个或多个有形的、非易失性计算机可读介质。计算机可读存储介质中存储有指令,具体而言,存储有该指令的暂时和永久副本。该指令可以包括:由处理器中的至少一个执行时导致电子设备实施如前所述方法的指令。当指令在计算机上运行时,使得计算机执行本申请中上述实施方式所公开方法。
在一个实施例中,协处理器102是专用处理器,诸如例如高吞吐量集成众核(ManyIntegrated Core,MIC)处理器、网络或通信处理器、压缩引擎、图形处理器、图形处理单元上的通用计算(General-purpose computing on graphics processing units,GPGPU)、或嵌入式处理器等等。协处理器102的任选性质用虚线表示在图3中。
在另一个实施例中,电子设备100可以进一步包括网络接口(Network InterfaceController,NIC)106。网络接口106可以包括收发器,用于为电子设备100提供电性接口,进而与任何其他合适的设备(如前端模块,天线等)进行通信。在各种实施例中,网络接口106可以与电子设备100的其他组件集成。网络接口106可以实现上述实施例中的通信单元的功能。
电子设备100可以进一步包括输入/输出(Input/Output,I/O)设备105。I/O105可以包括:用户界面,该设计使得用户能够与电子设备100进行交互;外围组件接口的设计使得外围组件也能够与电子设备100交互;传感器的设计用于确定与电子设备100相关的环境条件和/或位置信息。
值得注意的是,图3仅是示例性的。即虽然图3中示出了电子设备100包括处理器101、控制器中枢103、存储器104等多个器件,但是,在实际的应用中,使用本申请各方法的设备,可以仅包括电子设备100各部件中的一部分,例如,可以仅包含处理器101和NIC106。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
Claims (5)
1.一种识别超声图像中特征的方法,其特征在于,通过分析超声图像的亮度来检测特征,包括如下步骤:
图像获取步骤,获取所述超声图像,并选取感兴趣区域;
亮度获取步骤,通过卷积神经网络对所述感兴趣区域进行计算,获取所述感兴趣区域中图像的亮度值;
计算步骤,根据所述亮度值和预定义的亮度参照范围计算所述感兴趣区域的回声强度;所述亮度参照范围包括高位、中位、低位三种,所述计算步骤计算出高位、中位、低位三个所述回声强度;所述回声强度的计算公式如下:
其中,Echoi为回声强度;I′x,y为坐标(x,y)处的亮度值;Si为亮度参照范围,下标i用于区别高位亮度参照范围、中位亮度参照范围和低位亮度参照范围;lI′x,y(Si)为指示函数,当I′x,y属于亮度参照范围Si时,lI′x,y(Si)为1,否则为0;
比较步骤,比较所述回声强度和预设的阈值,识别所述感兴趣区域中的特征;计算得出的高位回声强度、中位回声强度和低位回声强度均小于所述阈值,则得出所述感兴趣区域不均匀的结论,否则得出所述感兴趣区域均匀的结论,用于辅助判断感兴趣区域中的结节的良恶性。
2.如权利要求1所述的方法,其特征在于,中位亮度参照范围不超过
[Outmed-binmin,Outmed+binmax],其中,Outmed为所述感兴趣区域周围组织亮度的中间值,binmin和binmax分别为最小容限和最大容限。
3.一种识别超声图像中特征的系统,其特征在于,包括:
获取模块,用于获取原始的超声图像;
选取模块,在所述原始的超声图像上进行裁剪,以提取感兴趣区域;
特征识别模块,对所述感兴趣区域进行特征分析,提取其中的回声特性;
结节特性检测模块,以亮度值表征所述回声特性,根据所述亮度值和预定义的亮度参照范围计算所述感兴趣区域的回声强度;亮度参照范围包括高位、中位、低位三种,计算出高位、中位、低位三个所述回声强度;所述回声强度的计算公式如下:
其中,Echoi为回声强度;I′x,y为坐标(x,y)处的亮度值;Si为亮度参照范围,下标i用于区别高位亮度参照范围、中位亮度参照范围和低位亮度参照范围;lI′x,y(Si)为指示函数,当I′x,y属于亮度参照范围Si时,lI′x,y(Si)为1,否则为0;
判定模块,将所述回声强度与预设的阈值比较,进而判定所述结节是否均匀;计算得出的高位回声强度、中位回声强度和低位回声强度均小于所述阈值,则得出所述感兴趣区域不均匀的结论,否则得出所述感兴趣区域均匀的结论,用于辅助判断感兴趣区域中的结节的良恶性。
4.如权利要求3所述的系统,其特征在于,还包括交互模块,用于接受对所述亮度参照范围和阈值的调整。
5.一种电子设备,其特征在于,包括:
存储器,用于存储一个或多个处理器执行的指令;
处理器,是所述电子设备的处理器之一,用于执行如权利要求1-2中任一项所述的识别超声图像中特征的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010656236.6A CN112308065B (zh) | 2020-07-09 | 2020-07-09 | 一种识别超声图像中特征的方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010656236.6A CN112308065B (zh) | 2020-07-09 | 2020-07-09 | 一种识别超声图像中特征的方法、系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112308065A CN112308065A (zh) | 2021-02-02 |
CN112308065B true CN112308065B (zh) | 2024-05-24 |
Family
ID=74483506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010656236.6A Active CN112308065B (zh) | 2020-07-09 | 2020-07-09 | 一种识别超声图像中特征的方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308065B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113223716A (zh) * | 2021-05-20 | 2021-08-06 | 复旦大学附属中山医院 | 一种甲状腺微小癌消融术前颈部淋巴结良恶性预测方法 |
CN113657553B (zh) * | 2021-09-01 | 2023-12-26 | 什维新智医疗科技(上海)有限公司 | 一种结节回声类型判断装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103845077A (zh) * | 2012-12-05 | 2014-06-11 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像增益优化方法及超声成像增益自动优化装置 |
CN106999160A (zh) * | 2014-11-21 | 2017-08-01 | 通用电气公司 | 用于呈现超声图像的方法和设备 |
CN109146848A (zh) * | 2018-07-23 | 2019-01-04 | 东北大学 | 一种融合多模态乳腺图像的计算机辅助参考系统及方法 |
CN110060235A (zh) * | 2019-03-27 | 2019-07-26 | 天津大学 | 一种基于深度学习的甲状腺结节超声图像分割方法 |
CN110059642A (zh) * | 2019-04-23 | 2019-07-26 | 北京海益同展信息科技有限公司 | 人脸图像筛选方法与装置 |
WO2020041974A1 (zh) * | 2018-08-28 | 2020-03-05 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声图像处理方法及设备、存储介质 |
CN111243042A (zh) * | 2020-02-28 | 2020-06-05 | 浙江德尚韵兴医疗科技有限公司 | 基于深度学习的超声甲状腺结节良恶性特征可视化的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015053007A1 (ja) * | 2013-10-07 | 2015-04-16 | 古野電気株式会社 | 超音波診断装置、超音波診断方法、及び超音波診断プログラム |
US11382601B2 (en) * | 2018-03-01 | 2022-07-12 | Fujifilm Sonosite, Inc. | Method and apparatus for annotating ultrasound examinations |
-
2020
- 2020-07-09 CN CN202010656236.6A patent/CN112308065B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103845077A (zh) * | 2012-12-05 | 2014-06-11 | 深圳迈瑞生物医疗电子股份有限公司 | 超声图像增益优化方法及超声成像增益自动优化装置 |
CN106999160A (zh) * | 2014-11-21 | 2017-08-01 | 通用电气公司 | 用于呈现超声图像的方法和设备 |
CN109146848A (zh) * | 2018-07-23 | 2019-01-04 | 东北大学 | 一种融合多模态乳腺图像的计算机辅助参考系统及方法 |
WO2020041974A1 (zh) * | 2018-08-28 | 2020-03-05 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声图像处理方法及设备、存储介质 |
CN110060235A (zh) * | 2019-03-27 | 2019-07-26 | 天津大学 | 一种基于深度学习的甲状腺结节超声图像分割方法 |
CN110059642A (zh) * | 2019-04-23 | 2019-07-26 | 北京海益同展信息科技有限公司 | 人脸图像筛选方法与装置 |
CN111243042A (zh) * | 2020-02-28 | 2020-06-05 | 浙江德尚韵兴医疗科技有限公司 | 基于深度学习的超声甲状腺结节良恶性特征可视化的方法 |
Non-Patent Citations (3)
Title |
---|
基于局部纹理特征的超声甲状腺结节良恶性识别;熊伟;龚勋;罗俊;李天瑞;;《数据采集与处理》(第1期);全文 * |
甲状腺良性结节与乳头状甲状腺癌的超声鉴别诊断;李萍;;《中国医学前沿杂志(电子版)》;20161020(第10期);全文 * |
瘢痕超声图像分析系统的开发及应用;李海东等;《医疗卫生装备》;第29卷(第7期);第54-55页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112308065A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106682435B (zh) | 一种多模型融合自动检测医学图像中病变的系统及方法 | |
US9262822B2 (en) | Malignant mass detection and classification in radiographic images | |
CN111695644B (zh) | 基于光密度变换的肿瘤超声图像分类方法、装置及介质 | |
WO2022088581A1 (zh) | 图像检测模型的训练方法及相关装置、设备、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 | |
US11684333B2 (en) | Medical image analyzing system and method thereof | |
WO2021232320A1 (zh) | 超声图像处理方法、系统及计算机可读存储介质 | |
Hermawati et al. | Combination of aggregated channel features (ACF) detector and faster R-CNN to improve object detection performance in fetal ultrasound images | |
Iqbal et al. | An infrared high classification accuracy hand-held machine learning based breast-cancer detection system | |
Chen et al. | Deep transfer learning for histopathological diagnosis of cervical cancer using convolutional neural networks with visualization schemes | |
CN112102327A (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
Gomez et al. | Feature selection and classifier performance in computer-aided diagnosis for breast ultrasound | |
Dréan et al. | Inter-individual organ-driven CT registration for dose mapping in prostate cancer radiotherapy | |
Wei et al. | An algorithm for segmentation of lung ROI by mean-shift clustering combined with multi-scale HESSIAN matrix dot filtering | |
CN111311553A (zh) | 基于感兴趣区域的乳腺肿瘤识别方法、装置及存储介质 | |
Liu et al. | Computer-aided diagnosis system for breast cancer using B-mode and color Doppler flow images | |
Angelina et al. | Classification of Skin Cancer Using ResNet and VGG Deep Learning Network | |
US20210251601A1 (en) | Method for ultrasound imaging and related equipment | |
Ma et al. | Simultaneous detection and diagnosis of mammogram mass using bilateral analysis and soft label based metric learning | |
CN117952859B (zh) | 一种基于热成像技术的压力性损伤图像优化方法及系统 | |
Zhang | A novel segmentation method for breast cancer ultrasound CAD system | |
CN112884759B (zh) | 一种乳腺癌腋窝淋巴结转移状态的检测方法及相关装置 | |
Hwang et al. | RBCA-Net: Reverse boundary channel attention network for kidney tumor segmentation in CT images | |
US20220254012A1 (en) | Methods, devices, and systems for determining presence of appendicitis | |
CN117830656A (zh) | 一种基于回声强度和纹理信息的甲状腺超声区域特征分析方法、系统、设备及介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201114 room 101-8, building 3, No. 2388, Chenhang Road, Minhang District, Shanghai Applicant after: Shiwei Xinzhi medical technology (Shanghai) Co.,Ltd. Address before: Room 4006, Yueyang Plaza, 1601 Nanjing West Road, Jing'an District, Shanghai 200040 Applicant before: Shiwei Xinzhi medical technology (Shanghai) Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |