CN112617899A - 超声成像方法、系统及计算机可读存储介质 - Google Patents
超声成像方法、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112617899A CN112617899A CN201910905507.4A CN201910905507A CN112617899A CN 112617899 A CN112617899 A CN 112617899A CN 201910905507 A CN201910905507 A CN 201910905507A CN 112617899 A CN112617899 A CN 112617899A
- Authority
- CN
- China
- Prior art keywords
- image data
- target
- target image
- fetal head
- data
- 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.)
- Pending
Links
- 238000012285 ultrasound imaging Methods 0.000 title claims description 80
- 238000000034 method Methods 0.000 title claims description 31
- 230000001605 fetal effect Effects 0.000 claims abstract description 167
- 239000000523 sample Substances 0.000 claims abstract description 137
- 238000003384 imaging method Methods 0.000 claims abstract description 129
- 238000002604 ultrasonography Methods 0.000 claims abstract description 122
- 238000001514 detection method Methods 0.000 claims abstract description 58
- 210000003754 fetus Anatomy 0.000 claims abstract description 51
- 210000003484 anatomy Anatomy 0.000 claims description 123
- 238000000605 extraction Methods 0.000 claims description 35
- 210000000877 corpus callosum Anatomy 0.000 claims description 30
- 238000005259 measurement Methods 0.000 claims description 30
- 238000009877 rendering Methods 0.000 claims description 29
- 241000243684 Lumbricus Species 0.000 claims description 25
- 230000002490 cerebral effect Effects 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000002592 echocardiography Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 206010020649 Hyperkeratosis Diseases 0.000 claims description 6
- 210000001638 cerebellum Anatomy 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 5
- 241000881737 Lumbriculus Species 0.000 claims description 4
- 241000361919 Metaphire sieboldi Species 0.000 claims 3
- 230000007547 defect Effects 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 117
- 230000005856 abnormality Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 15
- 230000002159 abnormal effect Effects 0.000 description 12
- 201000003863 Dandy-Walker Syndrome Diseases 0.000 description 7
- 206010058314 Dysplasia Diseases 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 5
- 206010011732 Cyst Diseases 0.000 description 4
- 208000031513 cyst Diseases 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 210000004055 fourth ventricle Anatomy 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 210000001103 thalamus Anatomy 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 210000003703 cisterna magna Anatomy 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 230000036244 malformation Effects 0.000 description 2
- 210000001767 medulla oblongata Anatomy 0.000 description 2
- 230000008722 morphological abnormality Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 229920000018 Callose Polymers 0.000 description 1
- 208000036830 Normal foetus Diseases 0.000 description 1
- 241000270295 Serpentes Species 0.000 description 1
- 210000002255 anal canal Anatomy 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 210000003679 cervix uteri Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 210000001174 endocardium Anatomy 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000004276 hyalin Anatomy 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010339 medical test Methods 0.000 description 1
- 238000010984 neurological examination Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 210000003708 urethra Anatomy 0.000 description 1
- 210000001215 vagina Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0866—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving foetal diagnosis; pre-natal or peri-natal diagnosis of the baby
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
- A61B8/461—Displaying means of special interest
- A61B8/463—Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
- A61B8/461—Displaying means of special interest
- A61B8/465—Displaying means of special interest adapted to display user selection data, e.g. icons or menus
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
- A61B8/523—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for generating planar views from image data in a user selectable plane not corresponding to the acquisition plane
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Computer Interaction (AREA)
- Gynecology & Obstetrics (AREA)
- Pregnancy & Childbirth (AREA)
- Physiology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本申请实施例公开了一种超声成像方法、系统及计算机可读存储介质。该系统包括探头及处理器,所述探头用于向胎儿的头部发射超声波,获得超声回波数据;所述处理器用于基于所述超声回波数据获取与所述胎儿头部的正中矢状面检测相关的目标影像数据;所述处理器用于基于所述目标影像数据确定所述胎儿头部的状态信息,并控制输出与所述胎儿头部的状态信息相对应的提示信息。本申请实施例可减少因医护人员的主观性而影响检查的准确性的不足。
Description
技术领域
本申请涉及医疗检测技术领域,尤其涉及一种超声成像方法、系统及计算机可读存储介质。
背景技术
现代医学影像检查中,超声技术因其高可靠性、快速便捷、实时成像以及可重复检查等优点,已经成为应用广、使用频率高的检查手段。例如,在胎儿的神经系统检查中,医护人员根据自身的临床经验针对于显示器上显示的胎儿颅脑的正中矢状面进行检查或诊断。然而,由于医护人员自身的临床经验检查时存在一定的主观性,而对于临床经验较少的医护人员还可能存在漏检、误判的可能,导致了检查的准确性下降。
发明内容
本申请实施例提供了一种超声成像方法、系统及计算机可读存储介质,可以提高妇科超声中的准确性与一致性。
本申请实施例第一方面提供一种超声成像系统,包括:
探头,用于向胎儿的头部发射超声波后接收所述胎儿返回的超声回波,获得超声回波数据;
处理器,连接于所述探头,所述处理器执行计算机程序时实现以下过程:
基于所述超声回波数据获取与所述胎儿头部的正中矢状面检测相关的目标影像数据;
控制对所述目标影像数据进行特征解剖结构检测,获得所述目标影像数据中包含小脑蚓部的目标区域;
基于所述目标影像数据中包含小脑蚓部的的目标区域确定所述胎儿头部所对应的目标状态下的状态信息;
控制输出与所述胎儿头部的状态信息相对应的提示信息。
本申请实施例第二方面提供一种超声成像系统,包括:
探头,用于向胎儿的头部发射超声波后接收所述胎儿返回的超声回波,获得超声回波数据;
处理器,连接于所述探头,所述处理器执行计算机程序时实现以下过程:
基于所述超声回波数据获取与所述胎儿头部的正中矢状面检测相关的目标影像数据;
控制对所述目标影像数据进行特征解剖结构检测,获得所述目标影像数据中包含胼胝体的目标区域;
基于所述目标影像数据中包含胼胝体的的目标区域确定所述胎儿头部所对应的目标状态下的状态信息;
控制输出与所述胎儿头部的状态信息相对应的提示信息。
本申请实施例第三方面提供一种超声成像系统,包括:
探头,用于向胎儿的头部发射超声波后接收所述胎儿返回的超声回波,获得超声回波数据;
处理器,连接于所述探头,所述处理器执行计算机程序时实现以下过程:
基于所述超声回波数据获取与所述胎儿头部的正中矢状面检测相关的目标影像数据;
基于所述目标影像数据确定所述胎儿头部的状态信息;
控制输出与所述胎儿头部的状态信息相对应的提示信息。
本申请实施例第四方面提供一种超声成像系统,包括:
探头,用于向胎儿的头部发射超声波,并接收所述胎儿返回的超声回波,获得超声回波数据;
处理器,连接于所述探头,所述处理器用于基于所述超声回波数据获取与所述胎儿头部的正中矢状面检测相关的目标影像数据;所述处理器用于基于所述目标影像数据确定所述胎儿头部的状态信息,并控制输出与所述胎儿头部的状态信息相对应的提示信息。
进一步地,在基于所述目标影像数据确定所述胎儿头部的状态信息时,所述处理器控制对标定不同状态的第一预设样本图像集进行特征提取,生成所述第一预设样本图像集的图像特征集合,其中,所述第一预设样本图像集包括标定头部所对应的第一状态下的若干第一类型样本图像和标定头部所对应的第二状态下的若干第二类型样本图像;所述处理器还控制对所述第一预设样本图像集的图像特征集合进行机器学习以得到第一学习模型;所述处理器控制对所述目标影像数据进行特征提取,生成对应所述目标影像数据的图像特征;所述处理器还基于所述第一学习模型对所述目标影像数据的图像特征进行分类,以得到胎儿头部的状态信息。
进一步地,所述处理器基于所述第一学习模型得到胎儿头部所对应的第一状态下的状态信息和第二状态下的状态信息,在控制输出与所述胎儿头部的状态信息相对应的提示信息时,所述处理器控制显示所述胎儿头部所对应的第一状态下的状态信息和第二状态下的状态信息。
进一步地,在基于所述目标影像数据确定所述胎儿头部的状态信息时,所述处理器控制对所述目标影像数据进行特征解剖结构检测,以确定所述目标影像数据中包含所述特征解剖结构的目标区域;所述处理器还基于所述目标区域确定所述胎儿头部的状态信息。
进一步地,所述胎儿头部所对应的第二类型包括一个或多个子类型,在基于所述目标区域确定所述胎儿头部的状态信息时,所述处理器获取所述目标影像数据中包含特征解剖结构的目标区域所对应的不同子类型的状态信息。
进一步地,在控制输出与所述胎儿头部的状态信息相对应的提示信息时,所述处理器控制显示屏显示所述目标影像数据中包含不同特征解剖结构的子目标区域,并显示各特征解剖结构的子目标区域所对应的子类型的状态信息。
进一步地,在基于所述目标影像数据确定所述胎儿头部的状态信息时,所述处理器控制检测所述目标影像数据中包含的所述胎儿的头部的一个或多个特征解剖结构,并基于所述目标影像数据中的特征解剖结构确定所述胎儿头部的状态信息。
进一步地,所述处理器获取每一特征解剖结构的测量项,并控制将每一特征解剖结构的测量项的数值与对应的标准组织结构的标准值进行比较,以确定所述胎儿头部的状态信息。
进一步地,在控制输出与所述胎儿头部的状态信息相对应的提示信息时,所述处理器控制显示屏显示所述特征解剖结构的测量项的数值,并控制显示根据所述特征解剖结构的测量项的数值所确定所述胎儿头部的第一类型的状态信息及/或第二类型的状态信息。
进一步地,与所述胎儿头部的正中矢状面检测相关的目标影像数据包括胎儿头部的正中矢状面的影像数据、胎儿头部的冠状面的影像数据或胎儿头部的横切面的影像数据;所述目标影像数据包括二维超声类型的影像数据、三维超声类型的影像数据中的一种或两种,其中,二维超声类型的目标影像数据为二维超声成像下所获得的二维超声回波数据,或者为三维超声成像中对应预设切面位置处的二维超声回波数据;三维超声类型的目标影像数据为三维超声成像所获得的全部或部分三维超声回波数据。
本申请实施例第五方面提供一种超声成像方法,包括:
控制探头在向受测者的头部发射超声波后接收所述受测者返回的超声回波,获得超声回波数据;
基于所述超声回波数据获取与所述受测者头部的正中矢状面检测相关的目标影像数据;
控制对所述目标影像数据进行特征解剖结构检测,获得所述目标影像数据中包含小脑蚓部的目标区域;
基于所述目标影像数据中包含小脑蚓部的的目标区域确定所述受测者头部所对应的目标状态下的状态信息;
控制输出与所述受测者头部的状态信息相对应的提示信息。
本申请实施例第六方面提供一种超声成像方法,包括:
控制探头在向受测者的头部发射超声波后接收所述受测者返回的超声回波,获得超声回波数据;
基于所述超声回波数据获取与所述受测者头部的正中矢状面检测相关的目标影像数据;
控制对所述目标影像数据进行特征解剖结构检测,获得所述目标影像数据中包含胼胝体的目标区域;
基于所述目标影像数据中包含胼胝体的的目标区域确定所述受测者头部所对应的目标状态下的状态信息;
控制输出与所述受测者头部的状态信息相对应的提示信息。
本申请实施例第七方面提供一种超声成像方法,包括:
控制探头在向受测者的头部发射超声波后接收所述受测者返回的超声回波,获得超声回波数据;
基于所述超声回波数据获取与所述受测者头部的正中矢状面检测相关的目标影像数据;
基于所述目标影像数据确定所述受测者头部的状态信息;
控制输出与所述受测者头部的状态信息相对应的提示信息。
本申请实施例第八方面提供一种计算机可读存储介质,所述计算机可读存储介质用于存储电子数据交换的计算机程序,其中,所述计算机程序使得计算机执行如本申请实施例第五至第七方面中任一方法中所描述的部分或全部步骤。
本申请实施例通过基于目标影像数据确定胎儿头部的状态信息,并控制输出与胎儿头部的状态信息相对应的提示信息,通过获取胎儿的头部的超声数据后自动进行检查、确定胎儿头部的状态信息,如此,可减少因医护人员的主观性而影响检查的准确性的不足。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,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申请的一些实施例,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是本申请一实施例中超声成像系统的硬件结构示意图。
图2是本申请一实施例中超声成像方法的步骤流程图。
图3是本申请一实施例中正在矢状面的剖面示意图。
图4是本申请一实施例中预设厚度的容积超声影像的示意图。
图5是本申请又一实施例中预设厚度的容积超声影像的示意图。
图6是本申请一实施例中矢状面的剖面影像与轨迹曲线的示意图。
图7是本申请一实施例中基于轨迹曲线的成像模式生成目标影像的示意图。
图8是本申请一实施例中胎儿头部的状态信息的示意图。
图9是本申请又一实施例中胎儿头部的状态信息的示意图。
图10是本申请再一实施例中胎儿头部的状态信息的示意图。
图11是本申请又一实施例超声成像系统的框图示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请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、系统、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申请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。
请参阅图1,所示为本申请一实施例中超声成像系统的硬件结构示意图。所述超声成像系统10可包括探头100、连接探头100的发射电路102、连接探头100的接收电路104、波束合成模块106、信号处理模块108、成像处理模块110及显示器112,其中,接收电路104、波束合成模块106、信号处理模块108、成像处理模块110及显示器112可依次电性连接。本实施例中,超声成像系统10通过获取胎儿头部的超声数据后自动进行检查,确定胎儿头部的状态信息,并输出对应的提示信息,如此,可减少因医护人员的主观性而影响检查的准确性的不足。
请一并参阅图2,所示为本申请实施例中超声成像方法的步骤流程图。该超声成像方法包括如下步骤:
步骤200,控制探头向胎儿的头部发射超声波,并接收所述胎儿返回的超声回波,获得超声回波数据。
本实施例中,发射电路102可通过探头100向胎儿的头部发射超声波。在经一定延时后,探头100可接收从受测组织反射回来的带有检测对象的信息的超声回波,并将该超声回波转换成电信号,从而获得超声回波信号。本文中,将探头100接收超声回波并将其转换成电信号之后的信号统一称之为超声回波数据。
其中,探头100可包括线阵排列的换能器或矩阵排列的换能器,具有线阵排列的换能器的探头100可获取二维超声回波数据,如线阵探头,具有线阵排列的换能器的探头100也可以获得三维超声回波数据,如带电动马达的凸阵探头;具有矩阵排列的换能器的探头100可获取三维超声回波数据(或三维容积数据),如面阵探头。
在探头100获得胎儿的头部的超声回波数据之后,接收电路104接收探头100转换生成的该超声回波数据,并将这些超声回波数据送入波束合成模块106。波束合成模块106对超声回波数据进行聚焦延时、加权和通道求和等处理,然后将波束合成后的超声回波数据送入信号处理模块108进行相关的信号处理。经过信号处理模块108处理的超声回波数据送入成像处理模块110,由成像处理模块110根据用户所需的成像模式的不同对超声回波数据进行不同的处理,以获得不同模式的组织图像数据,然后经对数压缩、动态范围调整、数字扫描变换等处理形成不同模式的超声组织图像,并用以在显示器112上显示,其中,不同模式的超声组织图像可包括M图像、B图像、C图像等。
步骤204,基于所述超声回波数据获取与所述胎儿头部的正中矢状面检测相关的目标影像数据。
胎儿头部的正中矢状面可较好显示胼胝体、小脑蚓部,透明隔腔、小脑延髓池、丘脑黏合、第四脑室等组织的特征解剖结构。因此,在胎儿颅脑的检查中,医护人员可获取与胎儿头部的正中矢状面检测相关的目标影像数据,其中,目标影像数据表示包含正中矢状面中的一个或多个解剖结构的影像数据。
本实施例中,目标影像数据包括二维超声类型的影像数据、三维超声回波类型的影像数据中的一种或两种。二维超声类型的目标影像数据为二维超声成像下所获得的超声回波数据,如由阵元线阵排列的探头100获取的二维超声影像;或者,二维超声类型的目标影像数据为三维超声成像中对应预设剖面(或切面)的二维超声回波数据。三维超声回波类型超声回波数据可由阵元矩阵排列的探头100所获取的三维数据,或者由阵元线阵排列的探头100如带电动马达的凸阵探头所获取的三维数据,其中,三维超声回波类型的目标影像数据为三维超声成像所获得的全部或部分三维超声回波数据或容积数据。
显示器112可用于直接二维超声类型的影像,而在将显示三维超声类型的影像显示在显示器112上时,成像处理模块110可将三维超声回波数据在三维超声成像中对应不同预设切面位置下所得到的影像显示在显示器112内,如此,成像处理模块110可基于超声回波数据的成像模式获取胎儿头部的二维超声类型的和/或三维超声类型的目标影像数据。
在一实施例中,成像处理模块110可基于预设位置的成像模式获取三维超声回波数据中不同预设位置处的二维超声影像,如此,目标影像数据包含一个或多个切面位置处的二维超声影像,其中,预设位置包括胎儿头部的矢状面、冠状面、横切面中的一个或多个切面所对应的位置。
请一并参阅图3,所示为本申请一实施例中正在矢状面的剖面示意图。受测体头部220可包括多个矢状面,每一矢状面表示为将人体切分为左右两部分的切面,其中,将人体切分为左右两部分相等的切面为正中矢状面。受测体头部220的正中矢状面上包含了关于胎儿的胼胝体、小脑蚓部、透明隔腔的重要信息,此外,在受测体头部的正中矢状切面上,也能够观察胎儿的小脑延髓池、丘脑黏合、第四脑室等组织结构。因此,将检测出胎儿头部的正中矢状切面并将其显示出来,可以为医师或医生提供大量重要的关键信息,方便医师或医生对胎儿状况的观察。因此,在获取受测体头部220的三维体数据时可确定并显示受测体头部220的正中矢状面。
在一实施例中,超声成像系统10可接收用户输入的调节信号,该调节信号可包括对成像处理模块110显示三维超声回波数据所对应的影像进行的调整。例如,用户可通过人机交互接口输入调节信号,以确定对应胎儿的头部220的正中矢状面的目标影像600,其中,目标影像600可包含胼胝体、小脑蚓部,透明隔腔、小脑延髓池、丘脑黏合、第四脑室中的一种或多种解剖结构。调节信号包括但不限于键盘、滚轮、带触摸功能的显示器、鼠标、有关手势控制信号的收发模块等来进行输入。
在一实施例中,成像处理模块110可基于系统自动运行的图像自动分割处理方法。例如,在获得的三维超声回波数据中进行图像自动分割处理后,识别出胎儿头部的矢状面、冠状面、横切面等剖面所对应切面位置处的二维超声影像。
在一实施例中,预设位置亦可由用户通过人机交互接口输入调节信号对三维超声回波数据的图像进行旋转、平移操作后得到不同位置,如此,目标影像600可包括经旋转、平移操作后得到不同位置及方向下的切面的二维超声影像。
请一并参阅图4,所示为本申请一实施例中预设厚度的容积超声影像的示意图。二维超声影像可包含预设厚度的容积数据(或超声回波数据),以提升显示的图像的对比分辨率,亦可对头部的解剖结构和特征进行增强显示。预设厚度的二维超声影像620可包含第一平面624及切面超声影像628所组成的区域内的超声回波数据,其中,第一平面624平行于切面超声影像628,且第一平面624与切面超声影像628之间的距离622为该预设厚度,切面超声影像628为一预设位置(或切面位置)处的超声影像。成像处理模块110可对该预设厚度的二维超声影像620进行容积渲染,并显示经容积渲染后的二维超声影像,其中容积渲染包括但不限于表面模式方式、X光模式或二者融合模式来显示。如此,目标影像数据包括经经容积渲染后的该预设厚度的二维超声影像620。
请一并参阅图5,所示为本申请又一实施例中预设厚度的容积超声影像的示意图。预设厚度的二维超声影像620可为第二平面634与第三平面636所包含的区域内的超声回波数据,其中,切面超声影像638位于第二平面634与第三平面636之间且平行于第二平面634及第三平面636,第二平面634与第三平面636之间的距离632为该预设厚度,切面超声影像638为一切面位置处的超声影像。
预设厚度可以根据实际的临床需求设置为固定值(如2.0mm),或者根据头部的解剖结构和特征自适应的对厚度参数进行调整。成像处理模块110可在显示目标影像600所对应的界面内设置预设厚度的参数选项,用户可以基于个人需求和操作习惯对预设厚度的参数选项进行手动设置。
本实施例中,预设厚度的容积超声影像可由成像处理模块110通过表面模式、最大值模式、光影渲染模式、X光模式中的一个或多个容积渲染模式来进行显示的图像。
本实施例中,成像处理模块110可对切面超声影像628所在位置的超声回波数据起进行容积渲染,包括但不限于表面模式、最大值模式、光影渲染模式、X光模式中的一个或多个容积渲染模式来进行体绘制。如此,目标影像数据可为切面超声影像628所在位置的超声回波数据经容积渲染得到的二维超声影像。如图3所示,其为胎儿头部的冠状面经容积渲染后得到的二维超声影像。
显示器112上可显示不同剖面位置或方向的剖面影像(或切面影像),而有的位置或方向下的剖面影像可能无法包含特定的解剖结构,导致可能无法较好或较全面地检查得到胎儿的头部的状态信息。因此,成像处理模块110可基于显示的剖面图像来获取一目标位置处所对应的另一剖面图像,以得到包含特定的解剖结构的超声影像。成像处理模块110可确定位于三维超声回波数据的一个剖面影像上的轨迹曲线,并基于该轨迹曲线获取胎儿头部的目标影像数据。请参阅图6,所示为本申请一实施例中矢状面的剖面影像与轨迹曲线的示意图。成像处理模块110可基于自动或手动的方式确定位于冠状面的剖面影像602上的的轨迹曲线601,并基于轨迹曲线601获取胎儿头部的目标影像数据。
例如,头部的正中矢状面的目标影像中包含的解剖结构较多、更易于辨识。因此,当用户需要显示胎儿的正中矢状面的目标影像时,成像处理模块110从非正中矢状面的目标影像中获取正中矢状面的目标影像并进行显示。
当显示器112显示了胎儿头部的冠状面的剖面影像602(剖面影像602亦属于目标影像)时,成像处理模块110可基于图像识别或机器学习等方式自动确定位于冠状面的剖面影像602上的的轨迹曲线601,还可获得轨迹曲线601位于该剖面影像602上的超声回波数据。在一实施例中,成像处理模块110可接收用户在剖面影像602中的输入操作,并确定输入操作所对应的轨迹为轨迹曲线601。例如,在显示胎儿头部的矢状面的剖面影像602时,用户可在矢状面的剖面影像602上通过鼠标画出轨迹曲线601。在一实施例中,在显示胎儿头部的矢状面的剖面影像602时,用户可在在矢状面的剖面影像602上通过鼠标画出感兴趣区域,成像处理模块110可对感兴趣区域内的目标影像进行图像分割或机器学习等方式来确定该轨迹曲线601。在其他实施例中,轨迹曲线601亦可为直线或曲线等。
请一并参阅图7,所示为本申请一实施例中基于轨迹曲线获取目标影像的示意图。成像处理模块110可获取与剖面影像602平行的多个平行切面影像,如第一平行切面影像604、第二平行切面影像606及第三平行切面影像608,其中,各平行切面影像之间的距离相等或不相等。成像处理模块110可根据该轨迹曲线601确定与剖面影像602相垂直的轨迹面610。成像处理模块110确定轨迹面610与多个平行切面影像中每一平行切面影像相交的超声回波数据所组成的二维超声影像,并可将该二维超声影像确定为胎儿的目标影像数据。
例如,轨迹面610与第一平行切面604相交的超声回波数据包括曲线603所对应的超声回波数据,轨迹面610与第二平行切面606相交的超声回波数据包括曲线605所对应的超声回波数据,轨迹面610与第三平行切面608相交的超声回波数据包括曲线607所对应的超声回波数据,因此,目标影像数据则包括轨迹曲线601、曲线603、曲线605及曲线607所对应的超声回波数据所组成的二维超声影像。
在一实施例中,轨迹面610亦可具有预设厚度,成像处理模块110可将包含具有厚度的轨迹面610内的超声回波影像数据通过表面模式、最大值模式、光影渲染模式、X光模式中的一个或多个容积渲染模式来进行显示。如此,目标影像数据可包括经容积渲染后得到的二维超声影像。当轨迹曲线601为曲线时,成像处理模块110在显示器112上显示时可将轨迹面610内的三维超声数据投射在一个平面上进行显示。
本实施例中,成像处理模块110可对轨迹面610所在位置的超声回波数据起进行容积渲染,包括但不限于表面模式、最大值模式、光影渲染模式、X光模式中的一个或多个容积渲染模式来进行体绘制。如此,目标影像数据可为轨迹面610所在位置的超声回波数据经容积渲染得到的二维超声影像。如图7所示,其为胎儿头部的冠状面经容积渲染后得到的二维超声影像。
请再参阅图7,成像处理模块110可获取三维超声回波数据中相平行的多个平行切面的二维超声影像,如包括第一平行切面影像604、第二平行切面影像606、第三平行切面影像608及剖面影像602(亦可表示为第四平行切面影像602),并可确定目标影像数据包含多个平行的二维超声影像中的一个或多个。每一平行切面的二维超声影像亦可具有预设厚度,成像处理模块110可将每一平行切面的二维超声影像通过表面模式、最大值模式、光影渲染模式、X光模式中的一个或多个容积渲染模式来进行显示。如此,目标影像数据可包括经容积渲染后得到的二维超声影像。
本实施例中,成像处理模块110可对第四平行切面影像602所在位置的超声回波数据起进行容积渲染,包括但不限于表面模式、最大值模式、光影渲染模式、X光模式中的一个或多个容积渲染模式来进行体绘制。如此,目标影像数据可为第四平行切面影像602所在位置的超声回波数据经容积渲染得到的二维超声影像。
步骤206,基于所述目标影像数据确定所述胎儿头部的状态信息。
在获取胎儿头部的目标影像数据后,成像处理模块110可基于胎儿头部的目标影像数据确定胎儿头部的状态信息。
由于头部包括胼胝体、小脑蚓部,透明隔腔、小脑延髓池、丘脑黏合、第四脑室等特征解剖结构,若胎儿头部的各特征解剖结构均正常,表示胎儿头部对应为第一状态;若胎儿头部存在至少一特征解剖结构畸形或异常,表示胎儿头部对应为第二状态。本实施例中,在确定胎儿头部的状态信息时,成像处理模块110可基于目标影像数据确定胎儿头部所对应的第一状态下的状态信息和第二状态下的状态信息,其中,第二状态包括若干子状态,包括但不限于胼胝体异常的子状态、Dandy-walker综合症的子状态、Blake囊肿的子状态和后颅窝池增宽的子状态。
本实施例中,成像处理模块140可基于不同的检测模式来确定胎儿头部的状态信息,其可包括第一检测模式、第二检测模式及第三检测模式。
对于第一检测模式而言:
成像处理模块110可基于机器学习确定目标影像数据所对应的胎儿的头部的状态信息。即在第一检测模式下,成像处理模块110可将目标影像数据(如二维超声类型的影像数据或三维超声类型的影像数据)的整体或直接由已经通过机器学习后得到的第一学习模型进行分类,以得到胎儿头部的状态信息。
例如,数据库中包含了已标定了不同状态的第一预设样本图像集,其中,第一预设样本图像集包括标定头部正常(如对应为第一状态)的若干第一类型样本图像和标定头部异常(如对应为第二状态)的若干第二类型样本图像,如标定了胼胝体异常、Dandy-walker综合症、Blake囊肿和后颅窝池增宽等异常类型的第二类型样本图像。成像处理模块110可对第一预设样本图像集进行特征提取,生成对应第一预设样本图像集的图像特征集合,并控制对所述第一预设样本图像集的图像特征集合进行机器学习以得到第一学习模型。
本实施例中,成像处理模块110可控制对第一预设样本图像集进行PCA(PrincipalComponent Analysis,主成分分析)、LDA(Linear Discriminate Analysis,线性判别分析)、Harr特征、纹理特征、小波特征、深度神经网络(如CNN、ResNet、VGG、Inception、MobileNet等)中的一种或多种特征提取操作进行特征提取,成像处理模块110可控制对第一预设样本图像集的图像特征集合进行最临近分类、支持向量机、随机森林、神经网络中的一个或多个学习模型进行样本学习,得到所述第一学习模型。其中,各种特征提取方法与学习模块可参考相关的技术。在其他实施例中,第一学习模型亦可由其他主机或处理模块对第一预设样本图像集的图像特征集合进行学习得到,而成像处理模块110只需加载该第一学习模型即可。
在获得胎儿头部的目标影像数据后,成像处理模块110可对目标影像数据进行特征提取,生成对应该目标影像数据的图像特征,其中,在对目标影像数据进行特征提取时可使用前述的特征提取方法。成像处理模块110可基于第一学习模型对目标影像数据的图像特征进行分类,以得到胎儿头部的状态信息。
本实施例中,由于第一预设样本图像集包括标定头部正常的若干第一类型样本图像和标定头部异常的若干第二类型样本图像,因此,在通过第一学习模型对目标影像数据的图像特征进行分类后可得到胎儿头部正常的概率信息、头部异常的概率信息,其中,头部异常的概念信息包括不同异常类型的概率信息。例如,成像处理模块110在基于第一学习模型可得到胎儿头部正常的第一概率信息、胼胝体异常的第二概率信息、Dandy-walker综合症的第三概率信息和Blake囊肿的第四概率信息。
对于第二检测模式而言:
不同的解剖结构异常将会导致不同的疾病,例如,在临床领域,小脑蚓部异常将导致Dandy-Walker综合症,胼胝体异常将导致ACC(胼胝体缺失或发育不良)。因此,成像处理模块110在检测胎儿头部的畸形类型时可基于特征解剖结构确定所述胎儿头部的状态信息。
在对胎儿的头部进行诊断或检查时,用户可能会需要确定感兴趣区域内的解剖结构是否为异常,若为异常,确定感兴趣区域的解剖结构畸形的概率是多大;若是正常,确定感兴趣区域的解剖结构正常的概率是多大。
因此,成像处理模块110可对目标影像数据进行特征解剖结构检测,以确定目标影像数据中包含特征解剖结构的目标区域;成像处理模块110可基于目标区域确定胎儿头部的状态信息,其中,目标区域为目标影像数据中包含前述特征解剖结构中的一种或多种在内的区域。在一实施例中,当目标区域包含两种或两种以上的特征解剖结构时,成像处理模块110可确定每一特征解剖结构所对应的子目标区域,并确定每一子目标区域所对应的状态信息(即为正常的概率信息或异常的概率信息)。
在一实施例中,小脑蚓部等特征解剖结构的识别方法可以是手动的,也可以是自动的。在手动确定包含特征解剖结构的感兴趣区域时,用户通过键盘、鼠标等工具在显示器112显示的影像内所包含的特定的解剖结构上进行标记,成像处理模块110可根据用户的标记来获知特征解剖结构的类型和位置,以获得目标影像数据中包含特征解剖结构的目标区域。在自动获取包含一个或多个特征解剖结构的目标区域时,成像处理模块110可对目标影像数据进行二值化处理,获取对应胎儿头部内膜的一个或多个候选区域。成像处理模块110可根据头部内膜的形态确定每一候选区域包含所述胎儿的小脑蚓部的概率值。之后,成像处理模块110可确定具有最大概率值的候选区域为目标区域。在其他实施例中,其他的特征解剖结构(如胼胝体等)亦可通过手动或自动的方式确定目标影像数据中包含的特征解剖结构的目标区域。
在一实施例中,成像处理模块110可基于学习模型来获取目标影像数据中包含特征组织结构的目标区域。
例如,数据库可包括具有标定信息的第二预设样本图像集,其中,第二预设样本图像集包括标定了包含一个或多个特征组织结构的目标区域的若干第三类型样本图像或标定了包含一个或多个特征组织结构所对应的掩膜的若干第四类型样本图像;第三类型样本图像中在没有目标区域的其他区域则为非目标区域,第四类型样本图像中对应特征组织结构的目标区域的掩膜具有第一值,第四类型样本图像中对应特征组织结构的目标区域以外的区域的掩膜具有第二值。成像处理模块110控制对第二预设样本图像集进行特征提取得到第二预设样本图像集的图像特征集合,并对第二预设样本图像集的图像特征集合进行学习,以得到第二学习模型。第二学习模型亦可为已完成建模,成像处理模块110只加载该第二学习模型。成像处理模块110可基于第二学习模型确定目标影像数据中包含所述胎儿头部的特征组织结构的目标区域。在一实施例中,在第二学习模型确定目标影像数据中的目标区域后,成像处理模块110可同时基于第二学习模型对目标区域进行分类处理以得胎儿头部的状态信息。
例如,第二预设样本图像集中第三类型样本图像中还标定了目标区域为头部正常、对应头部不同异常类型的标记信息,第四类型样本图像中还标定了目标区域所对应的掩模为头部正常、对应头部不同异常类型的标记信息。如此,在第二学习模型中,成像处理模块110可直接基于目标影像数据中的目标区域自动确定胎儿头部的状态信息。
在一实施例中,成像处理模块110基于滑窗方式对目标影像数据及第二预设样本图像集进行特征提取。例如,成像处理模块110可对滑窗操作时的位于滑窗内的目标影像数据进行特征提取。其中,滑窗方式的特征提取包括但不限于PCA(Principal ComponentAnalysis,主成分分析)、LDA(Linear Discriminate Analysis,线性判别分析)、Harr特征、纹理特征、神经网络等提取算法。之后,成像处理模块110可基于第二学习模型对滑窗内的目标影像数据的图像特征进行分类,以得到胎儿头部的状态信息。其中,第二学习模型可包括但不限于KNN(k-Nearest Neighbor,K最近邻算法)、SVM(Support Vector Mac,支持向量机)、随机森林、神经网络等分类器。
在一实施例中,成像处理模块110可基于深度学习网络的边框回归方式对目标影像数据及第二预设样本图像集进行特征提取。在对第二预设样本图像集进行特征提取时可得到所述第二学习模型。例如,成像处理模块110可通过堆叠基层卷积层和全连接层来对构建的数据库进行特征的学习和参数的回归,对于内模影像数据,成像处理模块110可以通过深度学习网络直接的回归出对应的目标区域的Bounding-Box。成像处理模块110可基于第二学习模型获取目标影像数据中目标区域所对应的边框,并确定边框中的目标影像数据所对应的胎儿头部的状态信息,其中,深度学习网络包括但不限于R-CNN,Fast R-CNN、Faster-RCNN、SSD、YOLO等学习模型。
在一实施例中,成像处理模块110在基于前述的第二学习模型确定目标影像数据中的目标区域后,还再通过第三学习模型(或第一学习模型)进行分类。例如,在确定了目标影像数据中包含特征组织结构的目标区域之后,成像处理模块110可基于目标区域确定胎儿头部的状态信息。成像处理模块110控制对目标影像数据中目标区域进行特征提取,生成对应该目标区域的图像特征,并基于第三学习模型对该目标区域的图像特征进行分类,以得到胎儿头部的状态信息,其中,成像处理模块110可对标定不同状态的第三预设样本图像集进行特征提取,生成第三预设样本图像集的图像特征集合,其中,第三预设样本图像集包括标定头部正常的若干第五类型样本图像和标定不同头部异常类型的若干第六类型样本图像。成像处理模块110可控制对第三预设样本图像集进行特征提取得到第三预设样本图像集的图像特征集合,并对第三预设样本图像集的图像特征集合进行机器学习以得到第三学习模型。本实施例中,第三学习模型与前述的第一学习模型类似,具体可参阅前述的第一学习模型。
在第二检测模式中,成像处理模块110已确定了目标影像数据中包含特征组织结构的目标区域,因此,在通过第二学习模型或第三学习模型对内模影像数据进行分类时,成像处理模块110可得到目标影像数据中每一目标区域的状态信息,如得到目标影像数据中的一个或多个目标区域及每一目标区域所对应的概率信息。
对于第三检测模式而言:
在临床诊断中,解剖结构的大小决定了解剖结构的发育程度,矢状面很多相关疾病和解剖结构大小直接相关,一些严重疾病其对应的解剖结构大小往往远小于正常值。例如,Dandy-Walker综合症表现为小脑蚓部缺失或发育不良,小脑蚓部面积明显小于正常值,胼胝体发育不良表现为胼胝体缺失或发育不良,胼胝体长度明显小于正常值。因此,在第三检测模式中,成像处理模块110可确定目标影像数据中包含的胎儿的一个或多个特征解剖结构,以根据具体的特征解剖结构来确定胎儿头部的状态信息。
本实施例中,成像处理模块110可基于图像分割模型确定目标影像数据中包含的胎儿的一个或多个特征解剖结构。其中,图像分割方法包括参数活动轮廓模型(Snake)、图割模型(Graph Cut)、水平集模型(LevelSet)、随机游走(RandomWalker)模型中的一个或多个,以获得目标影像数据中的头部体、阴道、尿道、宫颈、膀胱、肛管或内膜等特征组织结构。
在一实施例中,成像处理模块110对标定不同特征解剖结构的第四预设样本图像集进行特征提取,生成第四预设样本图像集的图像特征集合。其中,第四预设样本图像集包括标定了不同特征解剖结构类型的若干第七类型样本图像。在对第三预设样本图像集进行特征提取时,成像处理模块110可获取第七类型样本图像中每一像素点及周期领域的图像块,并对每个图像块进行特征提取,以得到第四预设样本图像集的图像特征集合。其中,特征提取方法可以是PCA、LDA、Harr特征、纹理特征等,也可以采用深度神经网络来进行特征提取。之后,成像处理模块110可基于机器学习(如KNN、SVM、随机森林、神经网络等)得到第四学习模型。当获取目标影像数据时,成像处理模块110亦可获取目标影像数据中每一超声回波数据(或容积数据)所对应的数据块,其中,超声回波数据的数据块为包含超声回波数据的预设范围的超声回波数据。成像处理模块110对每一超声回波数据的数据块进行特征提取,以得到对应超声回波数据的数据块的图像特征,成像处理模块110还基于第四学习模型对每一超声回波数据的数据块的图像特征进行分类,以得到每一超声回波数据所对应的特征解剖结构。例如,当第四学习模型确定当前的超声回波数据为特征组织结构时,第四学习模型可将该超声回波数据标记为目标超声回波数据;当第四学习模型确定当前的超声回波数据为非特征组织结构时,第四学习模型可将该超声回波数据标记为背景超声回波数据。如此,在标示了目标影像数据中每一超声回波数据后,成像处理模块110可确定目标影像数据中标记为目标超声回波数据的特征组织结构的一个部分。
在一实施例中,成像处理模块110可对标定不同特征解剖结构的第五预设样本图像集进行特征提取,生成第五预设样本图像集的图像特征集合。其中,第五预设样本图像集包括标定了不同特征解剖结构类型的若干第八类型样本图像。成像处理模块110对第五预设样本图像集的图像特征集合进行深度学习网络以得到第五学习模型;并基于第五学习模型获取目标影像数据中包含的每一特征解剖结构。例如,成像处理模块110基于深度学习的端到端的语义分割网络方法:通过堆叠基层卷积层和全连接层来对第五预设样本图像集的图像特征集合进行特征的学习,加入上采样或者反卷积层来使得输入与输出的尺寸相同,从而直接得到目标影像数据中的特征组织结构及其相应类别,深度学习网络可包括但不限于FCN、U-Net、Mask R-CNN。
在一实施例中,第三检测模式可基于第二检测模式所确定的目标区域,即在第二检测模式所确定目标区域,并基于上述的第三检测模式确定目标区域内所包含的一个或多个特征解剖结构。或者,第三检测模式可基于用户确定的感兴趣区域框来确定感兴趣区域框内包含的特征解剖结构。或者,第三检测模式可获取用户的输入操作所绘制出的点或线,并基于图像分割算法(如Graph Cut、RandomWalker)得到对应的目标区域,之后,由第三检测模式检测出该目标区域所包含的特征解剖结构。
本实施例中,成像处理模块110可基于目标影像数据中的特征解剖结构确定胎儿头部的状态信息。例如,成像处理模块110可确定不同特征解剖结构的形态信息,并控制将特征解剖结构的形态信息与对应的标准组织结构的形态信息进行比较,确定胎儿头部的状态信息。
例如,每一特征解剖结构可具有一个或多个测量项,如每一特征解剖结构可包括解剖结构的面积、周长、长短径、长度、厚度和角度等测量项。因此,成像处理模块110在确定目标影像数据中的特征解剖结构后可获取每一特征解剖结构的测量项的数值,以根据解剖结构的测量项的数据确定胎儿头部的状态信息。例如,正中矢状面中的小脑蚓部,成像处理模块110可以测量面积、周长、前后径、上下径、脑干-小脑蚓部夹角(brainsstem-vermisangle,BV角)、脑干-小脑幕夹角(brainstem-tentorium angle,BT角)等测量项的数值;正中矢状面中的胼胝体,成像处理模块110可以测量胼胝体长度、厚度等测量项的数值。成像处理模块110可将每一特征解剖结构的测量项的数值与对应的标准组织结构的标准值进行比较,以确定胎儿头部的状态信息。其中,标准值为统计指标,可通过统计大量正常胎儿的测量值得到。
在一实施例中,由于特征解剖结构的形态(如特征解剖结构的轮廓信息)可用于确定头部的畸形类型,因此,成像处理模块110可获取各特征解剖结构的轮廓信息,并基于第六学习模型确定各特征解剖结构的轮廓信息的正常或异常的概率信息。其中,第六学习模型用于对第六预设样本图像集进行特征提取,生成第六预设样本图像集的图像特征集合,第六预设样本图像集包括标定头部正常的若干第九类型样本图像和标定头部的不同异常类型的若干第十类型样本图像。在其他实施例中,可通过上述第二检测模式得到目标影像数据包含特征解剖结构的目标区域,并基于第六学习模型确定目标区域中特征解剖结构的正常或异常的概率信息,并确定出最终的状态信息。
在其他实施例中,成像处理模块110在确定胎儿头部的状态信息时可结合上述第一检测模式确定的目标影像数据的状态信息所对应的概率、第二检测模式确定的目标影像数据的目标区域所对应的概率及第三检测模式所确定的特征解剖结构所对应的概率的综合概率(可为前述各概率的加权平均)。
步骤208,控制输出与所述胎儿头部的状态信息相对应的提示信息。
在不同的检测模式下,成像处理模块110输出与胎儿头部的状态信息相对应的提示信息可不相同。
请一并参阅图8,所示为本申请一实施例中胎儿头部的状态信息的示意图。在第一检测模式下,成像处理模块110可在提示显示区显示胎儿头部的正常的概率信息及不同异常类型所对应的概率信息。例如,正常的概率信息为0.98,胼胝体缺失或发育不良的概率信息为0.01,Dandy-walker综合症的概率信息为0.01,Blake囊肿的概率信息为0。
请一并参阅图9,所示为本申请又一实施例中胎儿头部的状态信息的示意图。在第二检测模式下,成像处理模块110可在提示显示区显示胎儿头部不同异常类型所对应的概率信息。例如,胼胝体异常(失或发育不良)的概率信息为0.02,小脑蚓部异常(Dandy-walker综合症)的概率信息为0.85。在控制显示胎儿头部的不同异常类型所对应的概率信息时,成像处理模块110还可在显示的目标影像数据的影像中包含不同特征解剖结构的子目标区域。例如,成像处理模块110在小脑蚓部的位置标示出矩形的子目标区域,并显示其概率信息为0.85。由于小脑蚓部异常的概率较大,成像处理模块110可将小脑蚓部的位置标示出矩形的子目标区域用红色矩形框进行标示。相应地,成像处理模块110在胼胝体的位置标示出矩形的子目标区域,并显示其概率信息为0.02。由于胼胝体异常的概率较小,成像处理模块110可将胼胝体的位置标示出矩形的子目标区域用绿色矩形框进行标示。
请一并参阅图10,所示为本申请再一实施例中胎儿头部的状态信息的示意图。在第三检测模式下,成像处理模块110通过精确检测和分割出关键解剖结构,然后对其进行精确的形态分析和定量测量,对头部类型进行判断。成像处理模块110可在提示显示区显示胎儿头部中各特征解剖结构的测量项及不同特征解剖结构的异常类型所对应的概率信息。例如,对于胎儿头部的小脑蚓部,提示显示区显示:面积为0.98平方厘米,前后径为1.16厘米,上下径为1厘米,脑干-小脑蚓部夹角为15度、脑干-小脑幕夹角为18度,形态异常概率为0.05,综合异常概率(Dandy-walker综合症)为0.95;对于胎儿头部的胼胝体,提示显示区显示:长度(直线)为2.6厘米、长度(曲线)为3.5厘米、厚度为0.5厘米、形态异常概率为0.05和综合异常概率(缺失或发育不良)为0.02。
在一实施例中,成像处理模块110还可生成诊断报告。例如,完成自动诊断后,成像处理模块110可自动生成诊断报告,减少用户手动填写报告的繁琐操作。报告中内容可以和界面上显示的自动诊断内容一致,也可以在界面显示的基础上增加内容,例如,报告中可增加病人的姓名、年龄、孕龄、病史等基本信息,同时也可增加一些描述性词汇来对界面显示内容做进一步解释。
上述超声成像方法通过基于目标影像数据自动确定胎儿头部的状态信息,并控制输出与胎儿头部的状态信息相对应的提示信息,通过获取胎儿的头部的超声数据后进行检查、确定胎儿头部的状态信息,如此,可减少因医护人员的主观性而影响检查的准确性的不足。
请参阅图11,所示为本申请又一实施例超声成像系统的框图示意图。如图11所示,所述超声成像系统80可应用上述的各实施例,下面对本申请所提供的超声成像系统80进行描述,所述超声成像系统80可以包括处理器800、存储装置802、探头100、控制电路804及显示器112,以及存储在所述存储装置802中并可向所述处理器800上运行的计算机程序(指令),所述超声成像系统80还可以包括其他的硬件部分,例如通信装置、按键、键盘等,在此不再赘述。所述处理器800可通过信号线808与探头100、控制电路804存储装置802及显示器112进行数据交换。
所述处理器800可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述超声成像系统80的控制中心,利用各种接口和线路连接整个超声成像系统80的各个部分。本实施例中,所述处理器800可用于实现所述成像处理模块110的全部功能,亦可集成有波束合成模块106、信号处理模块108的功能,具体可参考前述实施例。
所述控制电路804可包括上述实施例中的发射电路102、接收电路104、波束合成模块106及/或信号处理模块108的功能,具体可参考前述实施例。
所述存储装置802可用于存储所述计算机程序和/或模块,所述处理器800通过运行或执行存储在所述存储装置802内的计算机程序和/或模块,以及调用存储在存储装置802内的数据,实现上述超声成像方法的各种功能。所述存储装置802可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等。此外,存储装置802可以包括高速随机存取存储装置,还可以包括非易失性存储装置,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储装置件、闪存器件、或其他易失性固态存储装置件。
所述显示器112,可以显示用户界面(UI)、图形用户界面(GUI)、受测体头部的三维体数据所对应的画面、或正中矢状面,超声成像系统804还可以用作输入装置和输出装置,显示器112可以包括液晶显示器(LCD)、薄膜晶体管LCD(TFT-LCD)、有机发光二极管(OLED)触摸显示器、柔性触摸显示器、三维(3D)触摸显示器等中的至少一种。
所述处理器800通过读取存储装置802中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于执行前面任一实施例中的超声声像方法。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (44)
1.一种超声成像系统,其特征在于,所述超声成像系统包括:
探头,用于向胎儿的头部发射超声波后接收所述胎儿返回的超声回波,获得超声回波数据;
处理器,连接于所述探头,所述处理器执行计算机程序时实现以下过程:
基于所述超声回波数据获取与所述胎儿头部的正中矢状面检测相关的目标影像数据;
控制对所述目标影像数据进行特征解剖结构检测,获得所述目标影像数据中包含小脑蚓部的目标区域;
基于所述目标影像数据中包含小脑蚓部的的目标区域确定所述胎儿头部所对应的目标状态下的状态信息;
控制输出与所述胎儿头部的状态信息相对应的提示信息。
2.如权利要求1所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述基于所述目标影像数据中包含小脑蚓部的的目标区域确定所述胎儿头部所对应的目标状态下的状态信息:
获取所述目标区域中对应小脑蚓部的一个或多个测量项,其中,所述小脑蚓部的测量项包括小脑蚓部的面积、周长、前后径、上下径、脑干-小脑蚓部夹角或脑干-小脑幕夹角中的一个或多个;
控制将小脑蚓部的各个测量项的数值与标准小脑蚓部的各个测量项的标准值进行比较,以确定所述胎儿头部所对应的所述目标状态下的状态信息。
3.如权利要求2所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述控制输出与所述胎儿头部的状态信息相对应的提示信息:
控制在显示所述目标影像数据的影像中标示出小脑蚓部所对应的目标区域,并在所述目标区域中显示所述状态信息;或者,
控制在显示所述目标影像数据的影像中标示出小脑蚓部的各个测量项的位置信息,并在提示区域内显示各个测量项的数值及所述胎儿头部对应所述目标状态的状态信息。
4.一种超声成像系统,其特征在于,所述超声成像系统包括:
探头,用于向胎儿的头部发射超声波后接收所述胎儿返回的超声回波,获得超声回波数据;
处理器,连接于所述探头,所述处理器执行计算机程序时实现以下过程:
基于所述超声回波数据获取与所述胎儿头部的正中矢状面检测相关的目标影像数据;
控制对所述目标影像数据进行特征解剖结构检测,获得所述目标影像数据中包含胼胝体的目标区域;
基于所述目标影像数据中包含胼胝体的的目标区域确定所述胎儿头部所对应的目标状态下的状态信息;
控制输出与所述胎儿头部的状态信息相对应的提示信息。
5.如权利要求4所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述基于所述目标影像数据中包含胼胝体的的目标区域确定所述胎儿头部所对应的目标状态下的状态信息:
获取所述目标区域中对应胼胝体的一个或多个测量项,其中,所述胼胝体的测量项包括胼胝体的直线长度、曲线长度或厚度中的一个或多个;
控制将所述胼胝体的各个测量项的数值与标准胼胝体的各个测量项的标准值进行比较,以确定所述胎儿头部所对应的所述目标状态下的状态信息。
6.如权利要求5所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述控制输出与所述胎儿头部的状态信息相对应的提示信息:
控制在显示所述目标影像数据的影像中标示出胼胝体所对应的目标区域,并在所述目标区域中显示所述状态信息;或者,
控制在显示所述目标影像数据的影像中标示出胼胝体的各个测量项的位置信息,并在提示区域内显示各个测量项的数值及所述胎儿头部对应所述目标状态的状态信息。
7.一种超声成像系统,其特征在于,所述超声成像系统包括:
探头,用于向胎儿的头部发射超声波后接收所述胎儿返回的超声回波,获得超声回波数据;
处理器,连接于所述探头,所述处理器执行计算机程序时实现以下过程:
基于所述超声回波数据获取与所述胎儿头部的正中矢状面检测相关的目标影像数据;
基于所述目标影像数据确定所述胎儿头部的状态信息;
控制输出与所述胎儿头部的状态信息相对应的提示信息。
8.如权利要求7所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述基于所述目标影像数据确定所述胎儿头部的状态信息:
基于机器学习确定所述目标影像数据所对应的胎儿的头部的状态信息。
9.如权利要求8所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述基于机器学习确定所述目标影像数据所对应的胎儿的头部的状态信息:
控制对标定不同状态的第一预设样本图像集进行特征提取,生成所述第一预设样本图像集的图像特征集合,其中,所述第一预设样本图像集包括标定头部所对应的第一状态下的若干第一类型样本图像和标定头部所对应的第二状态下的若干第二类型样本图像;
控制对所述第一预设样本图像集的图像特征集合进行机器学习以得到第一学习模型;
控制对所述目标影像数据进行特征提取,生成对应所述目标影像数据的图像特征;
基于所述第一学习模型对所述目标影像数据的图像特征进行分类,以得到胎儿头部的状态信息。
10.如权利要求9所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述基于所述第一学习模型对所述目标影像数据的图像特征进行分类,以得到胎儿头部的状态信息:
基于所述第一学习模型得到胎儿头部所对应的第一状态下的状态信息和第二状态下的状态信息。
11.如权利要求10所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述控制输出与所述胎儿头部的状态信息相对应的提示信息:
控制显示所述胎儿头部的所对应的第一状态下的状态信息和第二状态下的状态信息。
12.如权利要求7所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述基于所述目标影像数据确定所述胎儿头部的状态信息:
检测所述目标影像数据中包含的所述胎儿的头部的特征解剖结构;
基于所述目标影像数据中的特征解剖结构确定所述胎儿头部的状态信息。
13.如权利要求12的所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述检测所述目标影像数据中包含的所述胎儿的特征解剖结构:
控制将所述胎儿头部的目标影像数据显示于显示器;
根据用户在所述显示器内的输入操作确定所述特征解剖结构。
14.如权利要求12的所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述检测所述目标影像数据中包含所述胎儿的特征解剖结构:
控制对所述目标影像数据进行特征解剖结构检测,确定所述目标影像数据中包含所述特征解剖结构的目标区域;
所述基于所述目标影像数据中的特征解剖结构确定所述胎儿头部的状态信息,包括:
基于所述目标区域确定所述胎儿头部的状态信息。
15.如权利要求14的所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述控制对所述目标影像数据进行特征解剖结构检测,确定所述目标影像数据中包含所述特征解剖结构的目标区域:
控制对具有标定信息的第二预设样本图像集进行特征提取,生成所述第二预设样本图像集的图像特征集合,其中,所述第二预设样本图像集包括标定了包含特征组织结构的目标区域的若干第三类型样本图像或者标定了包含特征组织结构所对应的掩膜的若干第四类型样本图像;
控制对所述第二预设样本图像集进行特征提取得到所述第二预设样本图像集的图像特征集合,并对所述第二预设样本图像集的图像特征集合进行学习,以得到第二学习模型;
基于所述第二学习模型确定所述目标影像数据中包含所述胎儿头部的特征组织结构的目标区域。
16.如权利要求15所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述基于所述目标区域确定所述胎儿头部的状态信息:
基于所述第二学习模型对所述目标区域进行分类处理,以获得所述胎儿头部的状态信息;或者,
在确定出所述目标影像数据中包含所述胎儿头部的特征组织结构的目标区域时,控制对所述目标区域进行特征提取,并基于第三学习模型对所述目标区域的图像特征进行分类,以得到胎儿头部的状态信息,其中,所述第三学习模型为对标定不同状态的第三预设样本图像集进行特征提取进行学习后得到的,所述第三预设样本图像集包括标定头部所对应的第一类型的若干第五类型样本图像和标定头部所对应的第二类型的若干第六类型样本图像。
17.如权利要求15所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述基于所述第二学习模型确定所述目标影像数据中包含所述胎儿头部的特征组织结构的目标区域:
控制对所述目标影像数据进行滑窗操作,并对位于滑窗内的目标影像数据进行图像特征提取;
基于所述第二学习模型确定位于滑窗内的目标影像数据是否为目标区域;
当位于滑窗内的目标影像数据为目标区域时,将位于滑窗内的目标影像数据标记为目标区域。
18.如权利要求15所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述基于所述第二学习模型确定所述目标影像数据中包含所述胎儿头部的特征组织结构的目标区域:
基于深度学习网络的边框回归模型对所述第二预设样本图像集进行特征提取,以得到所述第二学习模型;
基于所述第二学习模型获取所述目标影像数据中感兴趣区域所对应的边框,以得到位于所述边框的目标区域。
19.如权利要求14所述的超声成像系统,其特征在于,所述胎儿头部所对应的第二类型包括一个或多个子类型,所述状态信息包括所述胎儿头部所对应的第二类型中各子类型的的状态信息;所述处理器通过以下方式执行所述控制输出与所述胎儿头部的状态信息相对应的提示信息:
控制显示所述目标影像数据中包含特征解剖结构的目标区域所对应的不同子类型的状态信息。
20.如权利要求19所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述控制显示所述目标影像数据中包含特征解剖结构的目标区域所对应的不同子类型的状态信息:
显示所述目标影像数据中包含不同特征解剖结构的子目标区域;
显示各特征解剖结构的子目标区域所对应的子类型的状态信息。
21.如权利要求12所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述检测所述目标影像数据中包含所述胎儿的特征解剖结构:
确定所述目标影像数据中包含的所述胎儿头部的一个或多个特征解剖结构。
22.如权利要求21所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述确定所述目标影像数据中包含的所述胎儿头部的一个或多个特征解剖结构:
基于图像分割模型确定所述目标影像数据中包含的所述胎儿头部的一个或多个特征解剖结构。
23.如权利要求21所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述确定所述目标影像数据中包含的所述胎儿头部的一个或多个特征解剖结构:
控制对标定不同特征解剖结构的第四预设样本图像集进行特征提取,生成所述第四预设样本图像集的图像特征集合,其中,所述第四预设样本图像集包括标定了不同特征解剖结构的类型的若干第七类型样本图像;
控制对所述第四预设样本图像集的图像特征集合进行机器学习以得到第四学习模型;
获取所述目标影像数据中每一超声回波数据所对应的数据块,其中,超声回波数据的数据块为包含所述超声回波数据在内的的预设范围的超声回波数据;
控制对每一超声回波数据的数据块进行特征提取,以得到对应超声回波数据的数据块的图像特征;
基于所述第四学习模型对每一超声回波数据的数据块的图像特征进行分类,以得到每一超声回波数据所对应的特征解剖结构。
24.如权利要求21所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述确定所述目标影像数据中包含的所述胎儿头部的一个或多个特征解剖结构:
控制对标定不同特征解剖结构的第五预设样本图像集进行特征提取,生成所述第五预设样本图像集的图像特征集合,其中,第五预设样本图像集包括标定了不同特征解剖结构类型的若干第八类型样本图像;
控制对所述第五预设样本图像集的图像特征集合进行深度学习网络以得到第五学习模型;
基于所述第五学习模型获取所述目标影像数据中包含的每一特征解剖结构。
25.如权利要求21所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述确定所述目标影像数据中包含的所述胎儿头部的一个或多个特征解剖结构:
确定所述目标影像数据中包含特征解剖结构的目标区域;
检测所述目标区域中所包含的所述胎儿的一个或多个特征解剖结构。
26.如权利要求21所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述基于所述目标影像数据中的特征解剖结构确定所述胎儿头部的状态信息:
确定每一特征解剖结构的形态信息,并控制将所述特征解剖结构的形态信息与对应的标准组织结构的形态信息进行比较,确定所述胎儿头部的状态信息。
27.如权利要求26所述的超声成像系统,其特征在于,每一特征解剖结构具有一个或多个测量项,所述处理器通过以下方式执行所述确定所述胎儿头部的状态信息:
获取每一特征解剖结构的测量项;
控制将每一特征解剖结构的测量项的数值与对应的标准组织结构的标准值进行比较,以确定所述胎儿头部的状态信息;或者,
获取各特征解剖结构的轮廓信息;
基于第六学习模型确定各特征解剖结构的轮廓信息所对应的第一状态或第二状态信息。
28.如权利要求27所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述控制输出与所述胎儿头部的状态信息相对应的提示信息:
控制显示各特征解剖结构的测量项的数值;
控制显示根据各特征解剖结构的测量项的数值所确定所述胎儿头部的第一类型的状态信息及/或第二类型的状态信息。
29.如权利要求7所述的超声成像系统,其特征在于,与所述胎儿头部的正中矢状面检测相关的目标影像数据包括胎儿头部的正中矢状面的影像数据、胎儿头部的冠状面的影像数据或胎儿头部的横切面的影像数据;所述目标影像数据包括二维超声类型的影像数据、三维超声类型的影像数据中的一种或两种,其中,二维超声类型的目标影像数据为二维超声成像下所获得的二维超声回波数据,或者为三维超声成像中对应预设切面位置处的二维超声回波数据;三维超声类型的目标影像数据为三维超声成像所获得的全部或部分三维超声回波数据。
30.如权利要求7所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述基于所述超声回波数据获取与所述胎儿头部的正中矢状面检测相关的目标影像数据:
基于所述超声回波数据的成像模式获取与所述胎儿头部的正中矢状面检测相关的目标影像数据。
31.如权利要求30所述的超声成像系统,其特征在于,所述成像模式包括基于预设位置的成像模式,所述处理器通过以下方式执行所述基于所述超声回波数据的成像模式获取与所述胎儿头部的正中矢状面检测相关的目标影像数据:
获取所述超声回波数据所包含的三维超声回波数据;
获取所述三维超声回波数据中不同预设位置处的二维超声影像;
确定所述目标影像数据包含一个或多个预设位置处的二维超声影像。
32.如权利要求31所述的超声成像系统,其特征在于,所述预设位置包括胎儿头部的矢状面、冠状面、横切面中的一个或多个切面所对应的位置。
33.如权利要求30所述的超声成像系统,其特征,所述成像模式包括基于轨迹曲线的成像模式,所述处理器通过以下方式执行所述基于所述超声回波数据的成像模式获取与所述胎儿头部的正中矢状面检测相关的目标影像数据:
获取所述超声回波数据所包含的三维超声回波数据;
确定位于所述三维超声回波数据的一个剖面影像上的轨迹曲线;
基于所述轨迹曲线获取与所述胎儿头部的正中矢状面检测相关的目标影像数据。
34.如权利要求33所述的超声成像系统,其特征在于,所述处理器通过以下方式执行所述基于所述轨迹曲线获取与所述胎儿头部的正中矢状面检测相关的目标影像数据:
获取与所述剖面影像平行的多个平行切面影像;
根据所述轨迹曲线确定与所述剖面影像相垂直的轨迹面;
确定所述轨迹面与所述多个平行切面影像中每一平行切面影像相交的超声回波数据所组成的二维超声影像;
确定所述目标影像数据包含所述二维超声回波影像。
35.如权利要求33所述的超声成像系统,其特征在于,所述目标影像数据为预设切面位置处的二维超声影像,所述处理器通过以下方式执行所述确定位于所述三维超声回波数据的一个剖面影像上的轨迹曲线:
控制对所述剖面影像进行识别,确定所述剖面影像中包含所述二维超声影像的目标超声数据;
确定所述目标超声数据所组成的曲线为所述轨迹曲线;或者,
控制显示器显示所述剖面影像;
接收用户在所述剖面影像中的输入操作;
确定所述输入操作所对应的轨迹为所述轨迹曲线。
36.如权利要求30所述的超声成像系统,其特征在于,所述成像模式包括基于多平行切面的成像模式,所述处理器通过以下方式执行所述基于所述超声回波数据的成像模式获取与所述胎儿头部的正中矢状面检测相关的目标影像数据:
获取所述超声回波数据所包含的三维超声回波数据;
获取所述三维超声回波数据中相平行的二维平行切面;
确定所述目标影像数据包含多个平行的二维超声影像中的一个或多个。
37.如权利要求31、34、35或36中任一项所述的超声成像系统,其特征在于,所述二维超声影像包含预设厚度的超声回波数据,所述预设厚度的超声回波数据经容积渲染后得到的超声影像。
38.如权利要求31、34、35或36中任一项所述的超声成像系统,其特征在于,所述二维超声影像为所述目标影像数据中预设位置处的超声回波数据经容积渲染后得到的超声影像。
39.如权利要求7的所述的超声成像系统,其特征在于,所述处理器还通过以下方式执行所述控制输出与所述胎儿头部的状态信息相对应的提示信息:
生成包含所述胎儿头部的状态信息的状态结果报告。
40.一种超声成像系统,其特征在于,所述超声成像系统包括:
探头,用于向胎儿的头部发射超声波,并接收所述胎儿返回的超声回波,获得超声回波数据;
处理器,连接于所述探头,所述处理器用于基于所述超声回波数据获取与所述胎儿头部的正中矢状面检测相关的目标影像数据;所述处理器用于基于所述目标影像数据确定所述胎儿头部的状态信息,并控制输出与所述胎儿头部的状态信息相对应的提示信息。
41.一种超声成像方法,其特征在于,所述超声成像方法包括:
控制探头在向受测者的头部发射超声波后接收所述受测者返回的超声回波,获得超声回波数据;
基于所述超声回波数据获取与所述受测者头部的正中矢状面检测相关的目标影像数据;
控制对所述目标影像数据进行特征解剖结构检测,获得所述目标影像数据中包含小脑蚓部的目标区域;
基于所述目标影像数据中包含小脑蚓部的的目标区域确定所述受测者头部所对应的目标状态下的状态信息;
控制输出与所述受测者头部的状态信息相对应的提示信息。
42.一种超声成像方法,其特征在于,所述超声成像方法包括:
控制探头在向受测者的头部发射超声波后接收所述受测者返回的超声回波,获得超声回波数据;
基于所述超声回波数据获取与所述受测者头部的正中矢状面检测相关的目标影像数据;
控制对所述目标影像数据进行特征解剖结构检测,获得所述目标影像数据中包含胼胝体的目标区域;
基于所述目标影像数据中包含胼胝体的的目标区域确定所述受测者头部所对应的目标状态下的状态信息;
控制输出与所述受测者头部的状态信息相对应的提示信息。
43.一种超声成像方法,其特征在于,所述超声成像方法包括:
控制探头在向受测者的头部发射超声波后接收所述受测者返回的超声回波,获得超声回波数据;
基于所述超声回波数据获取与所述受测者头部的正中矢状面检测相关的目标影像数据;
基于所述目标影像数据确定所述受测者头部的状态信息;
控制输出与所述受测者头部的状态信息相对应的提示信息。
44.一种计算机可读存储介质,存储有计算机指令,其特征在于,所述计算机指令被处理器执行时实现如权利要求41至43中任一项所述的超声成像方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910905507.4A CN112617899A (zh) | 2019-09-24 | 2019-09-24 | 超声成像方法、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910905507.4A CN112617899A (zh) | 2019-09-24 | 2019-09-24 | 超声成像方法、系统及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112617899A true CN112617899A (zh) | 2021-04-09 |
Family
ID=75282651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910905507.4A Pending CN112617899A (zh) | 2019-09-24 | 2019-09-24 | 超声成像方法、系统及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112617899A (zh) |
-
2019
- 2019-09-24 CN CN201910905507.4A patent/CN112617899A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11229419B2 (en) | Method for processing 3D image data and 3D ultrasonic imaging method and system | |
CN111368586B (zh) | 超声成像方法及系统 | |
JP6467041B2 (ja) | 超音波診断装置、及び画像処理方法 | |
US20130046168A1 (en) | Method and system of characterization of carotid plaque | |
US20210393240A1 (en) | Ultrasonic imaging method and device | |
JP2013542046A (ja) | 超音波画像処理のシステムおよび方法 | |
US20220012875A1 (en) | Systems and Methods for Medical Image Diagnosis Using Machine Learning | |
CN112638273A (zh) | 生物测定测量和质量评估 | |
JP2023525742A (ja) | リスク及び不確実性の定量化を介する医療超音波画像に対する機械学習予測のゲーティング | |
KR20210081243A (ko) | 탄성초음파영상에 대한 변형률 계산 및 변형량의 자동 측정을 위한 방법 및 시스템 | |
Lu et al. | Multitask deep neural network for the fully automatic measurement of the angle of progression | |
WO2022099705A1 (zh) | 早孕期胎儿的超声成像方法和超声成像系统 | |
CN113017695A (zh) | 超声成像方法、系统及计算机可读存储介质 | |
US10433818B2 (en) | Color coding an image for identifying anatomy using quantitative transmission ultrasound tomography | |
US20200060657A1 (en) | System and method for assessing obstetric wellbeing | |
CN112617899A (zh) | 超声成像方法、系统及计算机可读存储介质 | |
US20220249060A1 (en) | Method for processing 3d image data and 3d ultrasonic imaging method and system | |
WO2022103659A1 (en) | System and method for detecting medical conditions | |
CN115813433A (zh) | 基于二维超声成像的卵泡测量方法和超声成像系统 | |
CN112512434B (zh) | 一种超声成像的方法及相关设备 | |
WO2022134049A1 (zh) | 胎儿颅骨的超声成像方法和超声成像系统 | |
KR102528242B1 (ko) | 인공지능을 이용하여 방광용적을 측정하는 의료영상장치 및 의료영상장치의 동작 방법 | |
CN114391878B (zh) | 一种超声成像设备 | |
US20240005513A1 (en) | Medical image processing apparatus and medical image processing method | |
WO2022134028A1 (zh) | 相似病例检索方法、相似病例检索系统和超声成像系统 |
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 |