CN112869775A - 空化处理方法、存储介质及超声设备 - Google Patents
空化处理方法、存储介质及超声设备 Download PDFInfo
- Publication number
- CN112869775A CN112869775A CN201911202533.7A CN201911202533A CN112869775A CN 112869775 A CN112869775 A CN 112869775A CN 201911202533 A CN201911202533 A CN 201911202533A CN 112869775 A CN112869775 A CN 112869775A
- Authority
- CN
- China
- Prior art keywords
- cavitation
- value
- real
- data
- target
- 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
- 238000003672 processing method Methods 0.000 title claims description 10
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000002604 ultrasonography Methods 0.000 claims description 90
- 238000012549 training Methods 0.000 claims description 57
- 238000003384 imaging method Methods 0.000 claims description 52
- 230000015654 memory Effects 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 26
- 230000005540 biological transmission Effects 0.000 claims description 19
- 238000013136 deep learning model Methods 0.000 claims description 6
- 239000003550 marker Substances 0.000 claims description 3
- 239000000523 sample Substances 0.000 description 36
- 210000001519 tissue Anatomy 0.000 description 15
- 238000004891 communication Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 210000000056 organ Anatomy 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 210000004072 lung Anatomy 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 4
- 210000002808 connective tissue Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000000981 epithelium Anatomy 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 210000002216 heart Anatomy 0.000 description 4
- 210000003734 kidney Anatomy 0.000 description 4
- 210000004185 liver Anatomy 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 210000003205 muscle Anatomy 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 210000004881 tumor cell Anatomy 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 101000987581 Homo sapiens Perforin-1 Proteins 0.000 description 1
- 102100028467 Perforin-1 Human genes 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 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
- A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
- A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
-
- 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
-
- 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
Abstract
本发明涉及一种空化处理方法,包括:获取待测区域的实时超声数据;基于所述实时超声数据,获得所述实时超声数据对应的实时超声图像;获取预设的目标空化值,基于所述目标空化值对所述实时超声图像进行处理,获得第一调整策略,所述第一调整策略包括至少一个空化参数的调整步骤及所述至少一个空化参数的调整步骤中每个步骤对应的所述至少一个空化参数调整值。
Description
技术领域
本发明涉及超声技术领域,具体涉及一种空化处理方法、存储介质及超声设备。
背景技术
在超声设备的临床应用中,医生可能需要对患者的病患组织或区域进行检查和处理,例如空化处理。空化处理是一种与新兴的技术,当超声波作用于液体时,例如,血液,液体会产生空腔,该空腔会经历形成、振荡、生长、收缩至崩溃的一系列过程。空化的过程是集中能量并迅速释放的过程。空化崩塌时,会在极短的时间和极小的空间内,产生高温和高压。高温可以达到5000K以上,高压可以在5x107Pa以上,并伴随强烈的冲击波和/或高速的射流。空化可以对肿瘤细胞进行有效的冲击和杀伤。在实际的临床应用中,当医生需要改变空化强度时,需要对预设的空化值进行相应的改变,空化值可以通过对预设的空化参数进行设置并调整,而医生在改变空化值时,需要手动的去更改空化参数,还需要在调整空化参数的过程中观察空化的效果,否则难以保证治疗效果,然而由于在空化参数值的调整过程中,手动调整时,参数幅度不易把控,参数调整的错误容易对患者造成伤害。
发明内容
有鉴于此,本发明实施例之一提供了一种空化处理方法,以解决需要手动调节空化参数的问题,包括:获取待测区域的实时超声数据;基于所述实时超声数据,获得所述实时超声数据对应的实时超声图像;获取预设的目标空化值,基于所述目标空化值对所述实时超声图像进行处理,获得第一调整策略,所述第一调整策略包括至少一个空化参数的调整步骤及所述至少一个空化参数的调整步骤中每个步骤对应的所述至少一个空化参数调整值。
在一些实施例中,所述基于所述目标空化值对所述实时超声图像进行处理之前,还包括:判断所述实时超声图像对应的内容是否包括空化区域,若是,则执行所述基于所述目标空化值对所述实时超声图像进行处理;若否,则执行获取待测区域的实时超声数据。
在一些实施例中,包括:所述实时超声数据包括空化参数的初始值;基于所述目标空化值和空化参数的初始值,利用空化参数调整模型对所述实时超声图像进行处理,获取到所述第一调整策略。
在一些实施例中,所述空化参数调整模型为深度学习模型;所述空化参数调整模型通过以下方法训练得到:获取第一训练集,所述第一训练集包括原始超声数据和标记数据,所述超声数据至少包括原始超声图像、空化参数初始值和目标空化值,所述超声图像对应的内容包括空化区域;所述标记数据包括目标空化值,以及基于预设的调整阈值和目标空化值获得样本调整策略,所述样本调整策略至少包括至少一个空化参数的调整步骤及每个步骤对应的所述至少一个空化参数调整值;利用所述第一训练集对初始模型进行训练,得到空化参数调整模型。
在一些实施例中,还包括:所述空化参数包括:发射频率、总增益、脉冲长度、脉冲频率、脉冲发射次数、发射电压、扫描线密度、空化感兴趣区域面积中的至少一个;所述预设的目标空化值根据以下公式计算得到:
V=f1(Voltage,gain,Pulse Length,PRF,Pluse Times,Line Density,Frequency,Size)
=C1×(Voltage)t1×gain×Pulse Length×PRF×Pluse Times×Line Density×(Frequency)t2×(Size)t3其中,V为预设的目标空化值;gain为总增益;Voltage为发射电压;Pulse Length为脉冲长度;PRF为脉冲频率;Pulse Times为脉冲发射次数;LineDensity为扫描线密度;Frequency为发射频率;Size为空化感兴趣区域面积;C1、t1、t2和t3为调节常数。
在一些实施例中,包括:利用成像参数设置模型对所述实时超声数据进行处理,获得所述实时超声数据对应的成像参数的预设值;基于所述成像参数的预设值,获得实时超声图像。
在一些实施例中,所述成像参数设置模型为深度学习模型;所述成像参数设置模型通过以下方法训练得到:获取第二训练集,所述第二训练集中包括样本超声数据和所述样本超声数据对应的成像参数的预设值;利用所述第二训练集对初始模型进行训练,得到所述成像参数设置模型。
本发明实施例提供的空化处理方法,使得通过指定目标的预设的空化目标值和获取到实时超声图像,能够自动提供包括至少一个空化参数的调整步骤及每个步骤对应的所述至少一个空化参数调整值,从而不再需要医生手动地对空化参数进行调整,节省调节时间,实现了参数的自动化推荐设置的功能,实现了空化处理的自动化,并且通过预设的调整阈值对空化参数进行调整,避免了在治疗过程中对患者的二次伤害。
本发明实施例之一提供了一种超声设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行本发明实施例所述的空化处理方法。
本发明实施例之一提供了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指令,所述计算机指令用于使所述计算机执行本发明实施例所述的空化处理方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例所示的空化处理方法100的流程图;
图2是本发明实施例所示的另一空化处理方法200的流程图;
图3是本发明实施例所示的成像参数设置模型训练方法300的流程图;
图4是本发明实施例所示的空化参数调整模型训练方法400的流程图;
图5是本发明实施例所示的另一空化参数调整模型训练方法500的流程图;
图6是本发明实施例所示的成像参数设置模型600的结构示意图;
图7是本发明实施例所示的空化参数调整模型700的结构示意图;
图8是本发明实施例所示的超声设备800的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,所述空化处理方法100可以包括:
步骤110:获取待测区域的实时超声数据。
在一些实施例中,可以通过超声设备(例如,彩色超声设备、黑白超声设备、掌上超声设备等)、数据库(例如,PACS系统)等方式获取到实时超声数据。例如,可以利用彩色超声设备对病患的肺部进行实时扫查,获得该病患肺部的实时超声数据。所述扫查的方式可以包括但不限于机械扇扫查、相控扇扫查、线阵式线性扫查、凸阵式扇形扫查、环形阵扇形扫查等。在实际的应用中,可以根据扫查的探头类型、待扫查的病患区域或组织选择相应的扫查方式,本发明实施例在此不做具体限定。在一些实施例中,所述待测区域可以包括:待测器官或待测组织等。所述待测器官可以包括但不限于脑部、肺部、心脏、肾脏、肝脏等。所述待测组织可以包括但不限于上皮组织、结缔组织、神经组织、肌肉组织等。
在一些实施例中,所述待测区域的面积、形状、位置可以由用户任意指定,也可以由超声设备主动获取得到。在一些实施例中,当超声设备获取到待测区域后,可以利用标识符、矩形框等方式,将所述待测区域识别出来。
步骤120:基于所述实时超声数据,获得所述实时超声数据对应的实时超声图像。
在一些实施例中,可以利用成像参数设置模型对所述实时超声数据进行处理,获得所述实时超声数据对应的成像参数的预设值;基于所述成像参数的预设值,获得实时超声图像。
在一些实施例中,所述成像参数设置模型的输入数据为超声数据,输出数据为所述超声数据对应的成像参数值。利用输出的成像参数值对超声数据进行成像处理,就可以获得该超声数据的超声图像。
在一些实施例中,所述成像参数设置模型可以为深度学习模型,深度学习模型由CNN和LSTM组成的多层神经网络组成,如图6所示,整个模型由三部分组成,分别为:输入单元,数据处理单元和输出单元。输入单元可以输入原始超声数据和过去n个成像参数,例如,分别为成像参数1、成像参数t(1<t<n)、成像参数n。输入单元可以分别以one-hot编码的形式编码对应的选择成像参数,例如,n为8。数据处理单元可以由CNN和LSTM组成,CNN用于从输入原始超声数据中提取特征,所述CNN可以使用包括但不限于VGG、ResNet、Inception等结构,LSTM用于把图像特征信息和成像参数调整历史信息串联起来,由(n+1)xm个LSTM结构组成,其中,n为成像参数的个数,m为LSTM层数(例如,利用9x2共18个LSTM组成,利用一维输入图像和8维历史调整成像参数信息输入,则每层使用9个LSTM结构,共两层)。成像参数设置模型结构如图6所示,原始超声数据经过CNN处理后,与历史成像参数调整信息一起输入到LSTM结构进行处理并输出下一时刻选择的成像参数。成像参数设置模型的相关内容可以参见图3的相关描述,在此不再赘述。
在一些实施例中,所述成像参数可以包括图像获取参数、显示参数、信号处理参数等。图像获取参数可以包括:接收频率、波束密度、穿透深度、总增益、时间补偿增益、焦点位置等。显示参数可以包括:动态范围、图像分辨率、对比度、缩放倍数、伽马校正、灰度映射、彩色映射等。信号处理参数可以包括:边缘增强、平滑、噪声滤波、壁滤波、线相关、帧相关、插值算法等。
例如,通过成像参数设置模型,获得的成像参数可以包括:将动态范围设置为100;将平滑设置为5。需要注意的是,大部分参数的取值应该是连续值,但是在目前的超声诊断设备上,往往把这些连续的取值离散化为几个档次,以方便用户调节。例如,“动态范围”的取值为20-290。又例如,“平滑”这个预设参数在超声诊断设备上的取值就设置为0-8这个范围内,即“平滑”的参数在0、1、2、3、4、5、6、7、8这9个档位中进行选择。
在一些实施例中,通过利用成像参数设置模型来自动调节成像参数,从而实现超声成像的自动化处理,使得通过超声设备实时扫查得到的超声数据的成像质量更佳。
步骤130:获取预设的目标空化值,基于所述目标空化值对所述实时超声图像进行处理,获得第一调整策略,所述第一调整策略包括至少一个空化参数的调整步骤及所述至少一个空化参数的调整步骤中每个步骤对应的所述至少一个空化参数调整值。
空化处理是一种与新兴的技术,当超声波作用于液体时,例如,血液,液体会产生空腔,该空腔会经历形成、振荡、生长、收缩至崩溃的一系列过程。空化的过程是集中能量并迅速释放的过程。当空化崩塌时,会在极短的时间和极小的空间内,产生高温和高压。高温可以达到5000K以上,高压可以在5x107Pa以上,并伴随强烈的冲击波和/或高速的射流。空化可以包括稳态空化和瞬态空化。空化会对正常细胞的结构和酶的生物活性有极大的破坏作用,但同时对肿瘤细胞可进行有效的杀伤。
在一些实施例中,所述目标空化值可以由超声设备进行默认设置,或者由用户根据实际的应用情况进行设置。
在一些实施例中,还可以获取预设的空化模式。所述空化模式可以包括稳态空化、瞬态空化、空化崩塌等。在一些实施例中,可以根据预设的空化模式获取到对应的目标空化值。例如,不同的空化模式可以设置有对应有不同的最优空化值。然后,当获取到需要的空化模式时,将该空化模式对应的最优空化值作为目标空化值。即,所述可以基于所述目标空化值和空化模式对所述实时超声图像进行处理,获得至少一个空化参数的调整值。所述最优空化值可以由超声设备默认推荐,或者由用户预先进行设置。
在一些实施例中,所述空化参数可以包括:发射频率、总增益、脉冲长度、脉冲频率、脉冲发射次数、发射电压、扫描线密度、空化感兴趣区域面积中的至少一个。所述发射频率,是指超声设备调节的发射脉冲的中心频率,例如,超声设备的发射频率的范围可以在2.5MHz-7.5MHz。所述总增益,是指用于超声设备调节对接收信号的放大倍数。所述脉冲长度,其又可以成为脉冲宽度,是指超声设备调节的发射脉冲的周期数量,例如,所述脉冲长度的调节范围可以为1-50周期。所述脉冲频率,是指在超声设备的脉冲长度确定的条件下,所述脉冲频率是指为超声设备调节的同一位置两次发射脉冲之间的时间间隔。所述脉冲发射次数,其可以包括两种发射方式,即对同一扫描线采用单次发射脉冲或者是多次发射脉冲。所述扫描线密度,是指超声设备在扫查过程中,发射的超声波的扫查密度,所述扫查密度可以根据实际的应用情况进行调节。所述空化感兴趣区域面积,是指在空化处理中,待测组织中可以对其进行空化处理的区域的面积大小。
所述预设的目标空化值可以按照公式(1)计算得到:
V=f1(Voltage,gain,Pulse Length,PRF,Pulse Times,Line Density,Frequency,Size)
=C1×(Voltage)t1×gain×Pulse Length×PRF×Pulse Times×Line Density×(Frequency)t2×(Size)t3
(1)
其中,V为预设的目标空化值;Voltage为发射电压;Pulse Length为脉冲长度;PRF为脉冲频率;Pulse Times为脉冲发射次数;Line Density为扫描线密度;Frequency为发射频率;Size为空化感兴趣区域面积;C1、t1、t2和t3分别为调节常数,在不同的情况下,用户可以设定不同的调节常数值,例如,将C1设为0.5,t1设为2,t2设为-0.5,t3设为-1。需要说明的是,C1、t1、t2和t3可以根据不同的应用情况进行不同的设置,本发明对此不作具体限定。在一些实施例中,可以基于所述目标空化值,利用空化参数调整模型对所述实时超声图像进行处理,获得至少一个空化参数的调整值。
在一些实施例中,所述空化参数调整模型可以为深度学习模型,深度学习模型由CNN和LSTM组成的多层神经网络组成,如图7所示,整个模型由三部分组成,分别为:输入单元,数据处理单元和输出单元。输入单元输入原始超声数据和过去n个空化参数,例如,n个空化参数可以分别为空化参数1、空化参数t(1<t<n),空化参数n。输入单元可以分别以one-hot编码的形式编码对应的选择空化参数,例如,n为8。数据处理单元由CNN和LSTM组成,CNN用于从输入原始超声数据中提取特征,所用CNN使用包括且不限于VGG、ResNet、Inception等结构组成,LSTM用于把图像特征信息和空化参数调整历史信息串联起来,由(n+1)xm个LSTM结构组成,其中,n为输入空化参数个数,m为LSTM层数(例如,使用9x2共18个LSTM组成,利用一维输入图像和8维历史调整空化参数信息输入,则每层使用9个LSTM结构,共两层)。网络模型结构如下图所示,原始超声数据经过CNN处理后,与历史空化参数调整信息一起输入到LSTM结构进行处理并输出下一时刻选择的调整参数。所述空化参数调整模型的内容可以参见图4和图5的相关描述,在此不再赘述。
在一些实施例中,所述空化参数可以具有对应的空化系数,包括:发射电压对应的第一空化系数、总增益对应的第二空化系数、脉冲长度对应的第三空化系数、脉冲频率对应的第四空化系数、脉冲发射次数对应的第五空化系数、扫描线密度对应的第六空化系数、发射频率对应的第七空化系数、空化感兴趣区域面积对应的第八空化系数。
所述预设的目标空化值可以按照公式(2)计算得到:
V=f2(Voltage,gain,Pulse Length,PRF,Pulse Times,Line Density,Frequency,Size,k1,k2,k3,k4,k5,k6,k7)
=C1×(k1×Voltage)t1×(k2×gain)×(k3×Pluse Length)×(k4×PRF)×(k5×Pluse Times)×(k6×Line Density)×(k7×Frequency)t2×(k8×Size)t3 (2)
其中,V为预设的目标空化值;gain为总增益;Voltage为发射电压;Pulse Length为脉冲长度;PRF为脉冲频率;Pulse Times为脉冲发射次数;Line Density为扫描线密度;Frequency为发射频率;Size为空化感兴趣区域面积;k1为第一空化系数;k2为第二空化系数;k3为第三空化系数;k4为第四空化系数;k5为第五空化系数;k6为第六空化系数;k7为第七空化系数;k8为第八空化系数;C1、t1、t2和t3分别为调节常数,在不同的情况下,用户可以设定不同的调节常数值,作为一种可选的示例,将C1设为0.5,t1设为2,t2设为-0.5,t3设为-1。需要说明的是,C1、t1、t2和t3可以根据不同的应用情况进行不同的设置,本发明对此不作具体限定。
在一些实施例中,当根据公式(1)计算目标空化值时,对应的空化参数调整模型的输入数据超声数据,所述超声数据包括超声图像、超声图像对应的空化参数初始值和目标空化值,该超声图像对应的内容包括空化区域,输出数据是空化参数调整值。
在一些实施例中,当根据公式(2)计算目标空化值时,对应的空化参数调整模型的输入数据是超声数据,所述超声数据包括超声图像、超声图像对应的空化参数初始值、空化参数对应的空化系数初始值和目标空化值,该超声图像对应的内容包括空化区域,输出数据是空化系数调整值。
在一些实施例中,所述基于所述目标空化值对所述实时超声图像进行处理之前,还可以包括:判断所述实时超声图像对应的内容是否包括空化区域,若是,则执行所述基于所述目标空化值对所述实时超声图像进行处理;若否,则执行获取待测区域的实时超声数据。在步骤130之前,还可以包括对获得的实时超声图像对应的内容是否包括空化区域进行判断的步骤,从而确认待测区域是否已经进行了空化现象,以便后续的空化参数的调整更加有针对性。在一些实施例中,所述待测区域中的空化区域的面积、形状、位置可以由用户任意指定,也可以由超声设备主动获取得到。在一些实施例中,可以识别出所述超声图像中对应的空化区域,并通过一定的标识方式进行显示。例如,当超声设备获取到空化区域后,可以利用标识符、矩形框等方式,将所述空化区域识别出来。
如图2所示,所述空化处理方法200可以包括:
步骤210:获取待测区域的实时超声数据。
在一些实施例中,可以通过超声设备(例如,彩色超声设备、黑白超声设备、掌上超声设备等)、数据库(例如,PACS系统)等方式获取到实时超声数据。步骤210的相关内容可以参考步骤110的相关描述,在此不再赘述。
步骤220:基于所述实时超声数据,获得所述实时超声数据对应的实时超声图像,所述实时超声图像对应的内容包括空化区域。
在一些实施例中,所述待测区域中的空化区域的面积、形状、位置可以由用户任意指定,也可以由超声设备主动获取得到。在一些实施例中,可以对超声图像进行识别处理,识别出所述超声图像中对应的空化区域,并通过一定的标识方式进行显示。例如,当超声设备获取到空化区域后,可以利用标识符、矩形框等方式,将所述空化区域识别出来。步骤220的相关内容可以参考步骤120的相关描述,在此不再赘述。
步骤230:获取预设的空化模式,基于所述空化模式对所述实时超声图像进行处理,获得第一调整策略,所述第一调整策略包括至少一个空化参数的调整步骤及所述至少一个空化参数的调整步骤中每个步骤对应的所述至少一个空化参数调整值。
在一些实施例中,所述空化模式可以由超声设备根据超声图像的空化区域进行默认设置,或者由用户根据实际的应用情况进行设置。所述空化模式可以包括稳态空化、瞬态空化、空化崩塌等。在一些实施例中,可以根据预设的空化模式获取到对应的目标空化值。例如,不同的空化模式可以设置有对应有不同的最优空化值。然后,当获取到需要的空化模式时,将该空化模式对应的最优空化值最优目标空化值。所述最优空化值可以由超声设备默认推荐,或者由用户预先进行设置。步骤230的相关内容可以参考步骤130的相关描述,在此不再赘述。
如图3所示,成像参数设置模型的训练方法300可以包括:
步骤310:获取第二训练集,所述第二训练集中包括样本超声数据和所述样本超声数据对应的样本成像参数的预设值。
在一些实施例中,所示样本超声数据可以是针对不同器官或者组织进行空化处理时的超声数据。所述器官可以包括但不限于脑部、肺部、心脏、肾脏、肝脏等。所述组织可以包括但不限于上皮组织、结缔组织、神经组织、肌肉组织等。
在一些实施例中,可以将所述样本超声数据调节至最佳成像效果得到的成像参数作为所述样本超声数据对应的样本成像参数。所述样本成像参数可以包括样本获取参数、样本显示参数、样本信号处理参数等。样本图像获取参数可以包括:接收频率、波束密度、穿透深度、总增益、时间补偿增益、焦点位置等。样本显示参数可以包括:动态范围、图像分辨率、对比度、缩放倍数、伽马校正、灰度映射、彩色映射等。样本信号处理参数可以包括:边缘增强、平滑、噪声滤波、壁滤波、线相关、帧相关、插值算法等。
在一些实施例中,可以基于所述样本超声数据和所述样本超声数据对应的样本成像参数的预设值,获得所述第二训练集。
步骤320:利用所述第二训练集对初始模型进行训练,得到所述成像参数设置模型。
在一些实施例中,所述初始模型可以具有多个初始模型参数,例如,学习率,超参数等。所述初始模型参数可以是默认值,也可以根据实际应用情况进行调整修改。当满足某一预设条件时,例如,训练样本数达到预定的数量,模型的检测正确率大于某一预定准确率阈值,或损失函数(Loss Function)的值小于某一预设值,训练过程停止,训练完成后获取到成像参数设置模型。
如图4所示,所述空化参数调整模型的训练方法400可以包括:
步骤410:获取第一训练集,所述第一训练集包括原始超声数据和标记数据,所述超声数据至少包括原始超声图像、空化参数初始值和目标空化值,所述超声图像对应的内容包括空化区域;所述标记数据包括目标空化值,以及基于预设的调整阈值和目标空化值获得的样本调整策略,所述样本调整策略至少包括至少一个空化参数的调整步骤及每个步骤对应的所述至少一个空化参数调整值。
在一些实施例中,所述原始超声图像数据对应的扫查对象可以是人体的器官或组织。所述器官可以包括但不限于脑部、肺部、心脏、肾脏、肝脏等。所述组织可以包括但不限于上皮组织、结缔组织、神经组织、肌肉组织等。所述扫查的方式可以包括但不限于机械扇扫查、相控扇扫查、线阵式线性扫查、凸阵式扇形扫查、环形阵扇形扫查等。
在一些实施例中,可以根据上述公式(1)获得目标空化值对应的至少一个空化参数的调整值,从而获得第一训练集。
在一些实施例中,获取标记数据的方法可以采用以下策略:
标记数据的收集可采用多种策略来进行收集:
策略a:采用随机采样算法来遍历收集标记数据,该方法通过执行以下收据收集步骤若干次来获得标记数据:
首先,采用随机算法从所有空化参数中随机选择任一空化参数进行调整,在一些实施例中,随机算法可以包括但不限于Monte Carlo求定积分法、随机K-选择法、随机快排序、素性判定的随机算法等。例如,可以对所有的空化参数分别进行赋值,将发射电压设置为1、总增益设置为2、脉冲长度设置为3、脉冲频率设置为4、脉冲发射次数设置为5、扫描线密度设置为6、发射频率设置为7、空化感兴趣区域面积设置为8,然后,通过随机算法任意选择在1至8范围内的一个数值,当数值为1时,则选择发射电压这个空化参数进行调整。然后,基于预设的调整阈值,例如,执行最小单位刻度的参数调整,记录调整前后的空化值、空化参数值、超声图像。当对该空化参数值进行调整后可以得到目标空化值,结束调整处理过程;如果对该空化参数值进行调整后不可以得到目标空化值,则反复执行以上步骤,进行空化参数选择及空化参数值调整,并记录调整前后的空化值、空化参数值、超声图像数据,直至根据调整后的空化参数可以得到目标空化值。将所有保存的空化参数、目标空化值和对应的超声数据作为标记数据。
策略b:由医生来收集标记数据,医生根据实际应用执行对指定区域进行目标空化值的操作:后台算法在医生执行每次操作过程中,以医生每次操作参数的最小刻度单位为间隔,记录下本次操作过程中所有空化参数值的变化,空化值的变化、超声图像。重复以上步骤若干次,直至得到目标空化值对应的若干个空化参数调整值,将最终得到的空化参数调整值、目标空化值作为标记数据。
例如,原始超声数据D0包括原始超声图像P0和多个空化参数初始值,所述多个空化参数初始值分别为Voltage0、gain0、Pulse Length0、PRF0、Pulse Times0、LineDensity0、Frequency0、Size0,目标空化值为V1,则可以根据多个空化参数初始值和原始超声图像P0对应的内容中的空化区域,对空化参数进行调整。例如,可以选择只对一个空化参数进行调整,作为一种可选的示例,仅选择对空化参数Voltage0进行调整,在调整的过程中,可以基于预设的调整阈值,例如,按照最小可调刻度间隔进行调整,得到Voltage0’,使得调整后的空化参数值可以根据公式(1)得到目标空化值V1,并按照调整的空化参数值保存对应的超声图像,将目标空化值V1和所有的空化参数作为标记数据,与原始超声数据D0作为第一训练集中的一个样本数据又例如,可以选择只对两个空化参数进行调整,作为一种可选的示例,只对Frequency0、Size0进行调整,在调整的过程中,可以基于预设的调整阈值,例如,按照最小可调刻度进行调整,分别调整得到Frequency0’、Size0’,使得调整后的空化参数值可以根据公式(1)得到目标空化值V1,并按照调整的空化参数值保存对应的超声图像,则将目标空化值V1和空化参数作为标记数据,与原始超声数据D0作为第一训练集中的另一个样本数据。又例如,可以基于预设的采样算法选择对多个空化参数进行调整,例如,可以选择随机采样算法来选择空化参数,作为一种可选的示例,将Pulse Length0调整为Pulse Length0’、PRF0调整为PRF0’、Pulse Times0调整为Pulse Times0’,在调整的过程中,可以基于预设的调整阈值,例如,按照最小可调刻度进行调整,使得调整后的多个空化参数值可以根据公式(1)得到目标空化值V1,并按照调整的空化参数值保存对应的超声图像,则将目标空化值V1和空化参数作为标记数据,与原始超声数据D0一起,作为第一训练集中的另一个样本数据。基于上述的方法,可以利用一个原始超声数据获得多个样本数据,从而扩展训练集中的样本量,使得经过训练后的模型得到的结果更加的准确。
步骤420:利用所述第一训练集对初始模型进行训练,得到空化参数调整模型。
在一些实施例中,所述初始模型可以具有多个初始模型参数,例如,学习率,超参数等。所述初始模型参数可以是默认值,也可以根据实际应用情况进行调整修改。当满足某一预设条件时,例如,训练样本数达到预定的数量,模型的检测正确率大于某一预定准确率阈值,或损失函数(Loss Function)的值小于某一预设值,训练过程停止,训练完成后获取到空化参数调整模型。
如图5所示,所述空化参数调整模型的训练方法500可以包括:
步骤510:获取第一训练集,所述第一训练集包括原始超声数据和标记数据,所述超声数据至少包括原始超声图像、空化系数初始值和目标空化值,所述超声图像对应的内容包括空化区域;所述标记数据包括目标空化值,以及基于预设的调整阈值和目标空化值获得的样本调整策略,所述样本调整策略至少包括至少一个空化系数的调整步骤及每个步骤对应的所述至少一个空化系数调整值。
在一些实施例中,所述原始超声图像数据对应的扫查对象可以是人体的器官或组织。所述器官可以包括但不限于脑部、肺部、心脏、肾脏、肝脏等。所述组织可以包括但不限于上皮组织、结缔组织、神经组织、肌肉组织等。所述扫查的方式可以包括但不限于机械扇扫查、相控扇扫查、线阵式线性扫查、凸阵式扇形扫查、环形阵扇形扫查等。
在一些实施例中,可以根据上述公式(2)获得目标空化值对应的至少一个空化系数的调整值,从而获得第一训练集。
在一些实施例中,获取标记数据的方法可以采用以下策略:
标记数据的收集可采用多种策略来进行收集:
策略a:采用随机采样算法来遍历收集标记数据,该方法通过执行以下收据收集步骤若干次来获得标记数据:
首先,采用随机算法从所有空化系数中随机选择任一空化系数进行调整,在一些实施例中,随机算法可以包括但不限于Monte Carlo求定积分法、随机K-选择法、随机快排序、素性判定的随机算法等。例如,可以对所有的空化系数分别进行赋值,将第一空化系数设置为1、第二空化系数设置为2、第三空化系数设置为3、第四空化系数设置为4、第五空化系数设置为5、第六空化系数设置为6、第七空化系数设置为7,第八空化系数设置为8,然后,通过随机算法任意选择在1至8范围内的一个数值,当数值为2时,则选择第二空化系数进行调整。然后,基于预设的调整阈值,例如,执行最小单位刻度的系数调整,记录调整前后的空化值、空化系数值、超声图像。当对该空化系数值进行调整后可以得到目标空化值,结束调整处理过程;如果对该空化系数值进行调整后不可以得到目标空化值,则反复执行以上步骤,进行空化系数选择及空化系数数值调整,并记录调整前后的空化值、空化系数值、超声图像数据,直至根据调整后的空化系数可以得到目标空化值,将最终得到空化系数调整值、目标空化值作为标记数据。
策略b:有医生来收集标记数据,医生根据实际应用执行对指定区域进行目标空化值的操作:后台算法在医生执行每次操作过程中,以医生每次操作系数的最小刻度单位为间隔,记录下本次操作过程中所有空化系数值的变化,空化值的变化、超声图像。重复以上步骤若干次,直至得到目标空化值对应的若干个空化系数调整值,将最终得到的空化系数调整值、目标空化值作为标记数据。
例如,原始超声数据D1包括原始超声图像P1、多个空化参数初始值和对应的空化系数初始值,所述多个空化参数初始值分别为Voltage1、gain1、Pulse Length1、PRF1、Pulse Times1、Line Density1、Frequency1、Size1,所述多个空化系数初始值分别为k10、k20、k30、k40、k50、k60、k70、k80,目标空化值为2,则可以根据多个空化参数初始值、多个空化系数初始值和原始超声图像P1对应的内容中的空化区域,对空化系数进行调整。例如,可以选择对一个空化系数进行调整,作为一种可选的示例,对空化参数k10进行调整,得到k10’,使得调整后的空化系数值可以根据公式(2)得到目标空化值V2,则将以空化系数可调最小刻度单位为间隔保存的空化值,空化系数调整值作为标记数据,与原始超声数据D1一起,作为第一训练集中的一个样本数据。又例如,可以选择对两个空化系数进行调整,作为一种可选的示例,将k20调整为k20’、k30调整为k30’,使得调整后的空化系数值可以根据公式(2)得到目标空化值V2,则以每次选择空化参数的可调最小刻度单位为间隔保存的空化值,空化系数值作为标记数据,与原始超声数据D1一起,作为第一训练集中的另一个样本数据。又例如,可以选择对多个空化系数进行调整,作为一种可选的示例,将k40调整为k40’、k50调整为k50’、k60调整为k60’,使得调整后的多个空化系数值可以根据公式(2)得到目标空化值V2,则将目标空化值V2以每次选择空化系数的可调最小刻度单位为间隔保存的空化值,空化系数值作为标记数据,与原始超声数据D1一起,作为第一训练集中的另一个样本数据。基于上述的方法,可以利用一个原始超声数据获得多个样本数据,从而扩展训练集中的样本量,使得经过训练后的模型得到的结果更加的准确。
步骤520:利用所述第一训练集对初始模型进行训练,得到空化参数调整模型。
在一些实施例中,所述初始模型可以具有多个初始模型参数,例如,学习率,超参数等。所述初始模型参数可以是默认值,也可以根据实际应用情况进行调整修改。当满足某一预设条件时,例如,训练样本数达到预定的数量,模型的检测正确率大于某一预定准确率阈值,或损失函数(Loss Function)的值小于某一预设值,训练过程停止,训练完成后获取到空化参数调整模型。
如图8所示,图8是本发明实施例提供的一种超声设备的结构示意图,如该超声设备800可以包括:至少一个处理器810,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口830,存储器840,至少一个通信总线820。其中,通信总线820用于实现这些组件之间的连接通信。其中,通信接口820可以包括显示屏(Display)、键盘(Keyboard),可选通信接口830还可以包括标准的有线接口、无线接口。存储器840可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
其中,通信总线820可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线820可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类别的总线。
其中,存储器840可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器840还可以包括上述种类的存储器的组合。
其中,处理器810可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器810还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器840还用于存储程序指令。处理器810可以调用程序指令,实现如本申请图1-7实施例中所示的空化处理方法。
本发明实施例还提供了一种非暂态计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的空化处理方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (9)
1.一种空化处理方法,其特征在于,包括:
获取待测区域的实时超声数据;
基于所述实时超声数据,获得所述实时超声数据对应的实时超声图像;
获取预设的目标空化值,基于所述目标空化值对所述实时超声图像进行处理,获得第一调整策略,所述第一调整策略包括至少一个空化参数的调整步骤及所述至少一个空化参数的调整步骤中每个步骤对应的所述至少一个空化参数调整值。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标空化值对所述实时超声图像进行处理之前,还包括:
判断所述实时超声图像对应的内容是否包括空化区域,
若是,则执行所述基于所述目标空化值对所述实时超声图像进行处理;
若否,则执行获取待测区域的实时超声数据。
3.根据权利要求1或2所述的方法,其特征在于,所述实时超声数据包括空化参数的初始值;
所述基于所述目标空化值对所述实时超声图像进行处理,包括:基于所述目标空化值和空化参数的初始值,利用空化参数调整模型对所述实时超声图像进行处理,获取到所述第一调整策略。
4.根据权利要求3所述的方法,其特征在于,所述空化参数调整模型为深度学习模型;
所述空化参数调整模型通过以下方法训练得到:
获取第一训练集,所述第一训练集包括原始超声数据和标记数据,
所述超声数据至少包括原始超声图像、空化参数初始值和目标空化值,所述超声图像对应的内容包括空化区域;
所述标记数据包括目标空化值,以及基于预设的调整阈值和目标空化目标获得的样本调整策略,所述样本调整策略至少包括至少一个空化参数的调整步骤及每个步骤对应的所述至少一个空化参数调整值;
利用所述第一训练集对初始模型进行训练,得到空化参数调整模型。
5.根据权利要求4所述的方法,其特征在于,还包括:
所述空化参数包括:发射频率、总增益、脉冲长度、脉冲频率、脉冲发射次数、发射电压、扫描线密度、空化感兴趣区域面积中的至少一个;
所述预设的目标空化值根据以下公式计算得到:
V=f1(Voltage,gain,Pulse Length,PRF,Pluse Times,Line Density,Frequency,Size)
=C1×(Voltage)t1×gain×Pulse Length×PRF×Pluse Times×Line Density×(Frequency)t2×(Size)t3
其中,V为预设的目标空化值;gain为总增益;Voltage为发射电压;Pulse Length为脉冲长度;PRF为脉冲频率;Pulse Times为脉冲发射次数;Line Density为扫描线密度;Frequency为发射频率;Size为空化感兴趣区域面积;C1、t1、t2和t3为调节常数。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述基于所述实时超声数据,获得所述实时超声数据对应的实时超声图像,包括:
利用成像参数设置模型对所述实时超声数据进行处理,获得所述实时超声数据对应的成像参数的预设值;
基于所述成像参数的预设值,获得实时超声图像。
7.根据权利要求6所述的方法,其特征在于,所述成像参数设置模型为深度学习模型;
所述成像参数设置模型通过以下方法训练得到:
获取第二训练集,所述第二训练集中包括样本超声数据和所述样本超声数据对应的成像参数的预设值;
利用所述第二训练集对初始模型进行训练,得到所述成像参数设置模型。
8.一种超声设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-7中任一项所述空化处理方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的空化处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911202533.7A CN112869775A (zh) | 2019-11-29 | 2019-11-29 | 空化处理方法、存储介质及超声设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911202533.7A CN112869775A (zh) | 2019-11-29 | 2019-11-29 | 空化处理方法、存储介质及超声设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112869775A true CN112869775A (zh) | 2021-06-01 |
Family
ID=76039244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911202533.7A Pending CN112869775A (zh) | 2019-11-29 | 2019-11-29 | 空化处理方法、存储介质及超声设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112869775A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033106A (zh) * | 2010-11-12 | 2011-04-27 | 中国科学院声学研究所 | 一种主动超声探测流体空化装置及方法 |
CN105496455A (zh) * | 2015-12-10 | 2016-04-20 | 飞依诺科技(苏州)有限公司 | 一种超声空化强度的调节方法和装置 |
CN106950832A (zh) * | 2017-03-08 | 2017-07-14 | 杭州电子科技大学 | 一种利用空化强度反馈的超声分散控制装置及方法 |
CN110175397A (zh) * | 2019-05-24 | 2019-08-27 | 重庆医科大学 | 一种基于人工神经网络模型的灭菌参数选择方法及系统 |
-
2019
- 2019-11-29 CN CN201911202533.7A patent/CN112869775A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102033106A (zh) * | 2010-11-12 | 2011-04-27 | 中国科学院声学研究所 | 一种主动超声探测流体空化装置及方法 |
CN105496455A (zh) * | 2015-12-10 | 2016-04-20 | 飞依诺科技(苏州)有限公司 | 一种超声空化强度的调节方法和装置 |
CN106950832A (zh) * | 2017-03-08 | 2017-07-14 | 杭州电子科技大学 | 一种利用空化强度反馈的超声分散控制装置及方法 |
CN110175397A (zh) * | 2019-05-24 | 2019-08-27 | 重庆医科大学 | 一种基于人工神经网络模型的灭菌参数选择方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5897227B1 (ja) | 医用診断装置、医用診断装置の作動方法および医用診断装置の作動プログラム | |
US9743911B2 (en) | Methods and systems for automatic control of subjective image quality in imaging of objects | |
CN103153195A (zh) | 超声波观测装置、超声波观测装置的动作方法以及超声波观测装置的动作程序 | |
CN110678933A (zh) | 超声临床特征检测与相关联的设备、系统和方法 | |
CN110325119A (zh) | 卵巢卵泡计数和大小确定 | |
JP6419976B2 (ja) | 超音波診断装置および超音波診断装置の制御方法 | |
DE102019202545A1 (de) | Platzierung der Region von Interesse für die quantitative Ultraschallbildgebung | |
DE102012108353A1 (de) | Klassifikationsvorverarbeitung in der medizinischen ultraschallscherwellenbildgebung | |
EP3680854B1 (en) | Learning program, learning apparatus, and learning method | |
CN104411250A (zh) | 超声波观测装置、超声波观测装置的动作方法以及超声波观测装置的动作程序 | |
CN114983468A (zh) | 利用实时检查完成性监视器的成像系统和方法 | |
WO2020075609A1 (ja) | 超音波診断装置および超音波診断装置の制御方法 | |
US10918360B2 (en) | Ultrasound diagnostic apparatus and method for controlling ultrasound diagnostic apparatus | |
JP2018020107A (ja) | 解析装置及び解析プログラム | |
DE102021105965A1 (de) | Schätzung der Aktivität einer Leberkrankheit mit mit medizinischer Ultraschall-Bildgebung | |
CN114680929A (zh) | 一种测量膈肌的超声成像方法和系统 | |
CN112869775A (zh) | 空化处理方法、存储介质及超声设备 | |
CN117392040A (zh) | 一种标准切面的识别方法、系统、装置及存储介质 | |
EP3179269A1 (en) | Analysis methods of ultrasound echo signals based on statistics of scatterer distributions | |
WO2020075575A1 (ja) | 超音波診断装置および超音波診断装置の制御方法 | |
WO2018047425A1 (ja) | 超音波診断装置、及びその作動方法 | |
US20230186468A1 (en) | Ultrasound diagnostic apparatus and control method of ultrasound diagnostic apparatus | |
EP4360564A1 (en) | Ultrasonic diagnostic device and method for controlling ultrasonic diagnostic device | |
WO2021042242A1 (zh) | 一种超声成像设备及其超声回波信号的处理方法 | |
CN116758179A (zh) | 一种基于k近邻估计的超声信息熵成像方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210601 |
|
RJ01 | Rejection of invention patent application after publication |