CN112932542A - 一种血管内中膜厚度的测量方法、系统和超声成像设备 - Google Patents

一种血管内中膜厚度的测量方法、系统和超声成像设备 Download PDF

Info

Publication number
CN112932542A
CN112932542A CN202110111588.8A CN202110111588A CN112932542A CN 112932542 A CN112932542 A CN 112932542A CN 202110111588 A CN202110111588 A CN 202110111588A CN 112932542 A CN112932542 A CN 112932542A
Authority
CN
China
Prior art keywords
subregion
region
media
subregions
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.)
Granted
Application number
CN202110111588.8A
Other languages
English (en)
Other versions
CN112932542B (zh
Inventor
洪继财
董永刚
吴丹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Zhongke Lepu Medical Technology Co ltd
Original Assignee
Shenzhen Zhongke Lepu Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Zhongke Lepu Medical Technology Co ltd filed Critical Shenzhen Zhongke Lepu Medical Technology Co ltd
Priority to CN202110111588.8A priority Critical patent/CN112932542B/zh
Publication of CN112932542A publication Critical patent/CN112932542A/zh
Application granted granted Critical
Publication of CN112932542B publication Critical patent/CN112932542B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Vascular Medicine (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明提供一种血管内中膜厚度的测量方法、系统和超声成像设备，通过将血管的超声图像输入到预先训练好的人工智能模型中，得到超声图像的感兴趣区域，感兴趣区域包含有内中膜图像；在感兴趣区域中划分出内中膜子区域和非内中膜子区域，并将非内中膜子区域去除；从感兴趣区域的内中膜子区域中确定目标内中膜子区域；识别出目标内中膜子区域的上边界和下边界；根据上边界和下边界计算得到内中膜厚度。可见，不论是感兴趣区域的确定还是后续的测量，均无需人工操作，提高了内中膜厚度测量的效率。

Description

一种血管内中膜厚度的测量方法、系统和超声成像设备
技术领域
本发明涉及医疗器械领域，具体涉及一种血管内中膜厚度的测量方法、系统和超声成像设备。
背景技术
医疗超声可对人体颈动脉的组织结构进行二维成像。通过对颈动脉血管组织中的内中膜厚度定量测量，可为临床判断颈动脉血管病变提供依据。在动脉粥样硬化病变基础上发生的心脑血管疾病是现代人类的主要杀手之一。而动脉粥样硬化是一个长期的发展过程。研究表明：颈动脉内中膜厚度与心肌梗塞的发生有着明显的相关性——内中膜厚度每增加0.1mm，心肌梗塞发生的危险性上升11％。因此，颈动脉的内中膜厚度可作为判别动脉粥样硬化程度的有效指标。基于超声图像的内中膜厚度测量，对颈动脉粥样硬化的预防及诊断有着积极意义。
临床中广泛采用超声成像方法获取颈动脉血管图像，之后由医生手工定点或边界描绘测量内中膜厚度。在没有计算机辅助的情况下，内中膜厚度测量需要医生手工描绘边界或者定点距离测量，由于血管内中膜非常纤薄，在图像中不容易定位准确，这依赖于医生的经验和主观性，一方面导致医生工作量大，效率不高；另一方面测量结果依赖个人经验和主观性。
发明内容
本发明提供一种血管内中膜厚度的测量方法、系统和超声成像设备，以提高血管内中膜厚度测量的效率。
一实施例提供一种血管内中膜厚度的测量方法,包括：
获取血管的超声图像；
将所述超声图像输入到预先训练好的人工智能模型中，得到超声图像的感兴趣区域，所述感兴趣区域包含有内中膜图像；
在所述感兴趣区域中划分出内中膜子区域和非内中膜子区域，并将所述非内中膜子区域去除；
从所述感兴趣区域的内中膜子区域中确定目标内中膜子区域；
识别出目标内中膜子区域的上边界和下边界；
根据所述上边界和下边界计算得到内中膜厚度。
一实施例提供的所述的方法中，所述人工智能模型为深度学习模型，所述深度学习模型通过如下方式训练得到：
获取多个血管的训练用超声图像；所述训练用超声图像标注有内中膜区域；
将所述训练用超声图像输入到预先设置的深度学习模型中进行训练，得到训练好的深度学习模型。
一实施例提供的所述的方法中，所述在所述感兴趣区域中划分出内中膜子区域和非内中膜子区域，并将所述非内中膜子区域去除，包括：
通过小波聚类算法在所述感兴趣区域中划分出血管腔子区域、内中膜子区域和血管外膜子区域，将血管腔子区域和血管外膜子区域去除。
一实施例提供的所述的方法中，所述从所述感兴趣区域的内中膜子区域中确定目标内中膜子区域，包括：
将所述感兴趣区域的各个内中膜子区域根据大小进行排序，前两大内中膜子区域为候选内中膜子区域；
分别统计前两大内中膜子区域占两者之和的占比，判断两个占比是否大于预设阈值；
在两个占比均大于预设阈值时，计算前两大内中膜子区域的各点到所述感兴趣区域中心点距离的均方差，将均方差小的内中膜子区域确定为目标内中膜子区域；
在只有一个占比大于预设阈值时，将该占比对应的内中膜子区域确定为目标内中膜子区域。
一实施例提供的所述的方法中，所述识别出目标内中膜子区域的上边界和下边界，包括：
对目标内中膜子区域分别从上往下和从下往上逐点搜索，将灰度发生剧烈变化的位置识别为边界，从而得到上边界和下边界。
一实施例提供的所述的方法中，所述根据所述上边界和下边界计算得到内中膜厚度，包括：
计算上边界和下边界一一对应的点之间的像素距离，根据像素尺寸将所述像素距离换算成厚度，得到内中膜厚度。
一实施例提供一种血管内中膜厚度的测量系统，包括：
图像获取模块，用于获取血管的超声图像；
人工智能模型，用于在所述超声图像上标记感兴趣区域，所述感兴趣区域包含有内中膜图像；
区域划分模块，用于在所述感兴趣区域中划分出内中膜子区域和非内中膜子区域，并将所述非内中膜子区域去除；
区域确定模块，用于从所述感兴趣区域的内中膜子区域中确定目标内中膜子区域；
边界确定模块，用于识别出目标内中膜子区域的上边界和下边界；
计算模块，用于根据所述上边界和下边界计算得到内中膜厚度。
一实施例提供的测量系统，区域确定模块从所述感兴趣区域的内中膜子区域中确定目标内中膜子区域，包括：
将所述感兴趣区域的各个内中膜子区域根据大小进行排序，前两大内中膜子区域为候选内中膜子区域；
分别统计前两大内中膜子区域占两者之和的占比，判断两个占比是否大于预设阈值；
在两个占比均大于预设阈值时，计算前两大内中膜子区域的各点到所述感兴趣区域中心点距离的均方差，将均方差小的内中膜子区域确定为目标内中膜子区域；
在只有一个占比大于预设阈值时，将该占比对应的内中膜子区域确定为目标内中膜子区域。
一实施例提供一种超声成像设备，包括：
超声探头，用于发射超声波，接收所述超声波的回波；
显示器；
处理器，用于控制所述超声探头向患者的血管发射超声波，根据所述超声探头接收的回波生成血管的超声图像；将所述超声图像输入到预先训练好的人工智能模型中，得到超声图像的感兴趣区域，所述感兴趣区域包含有内中膜图像；在所述感兴趣区域中划分出内中膜子区域和非内中膜子区域，并将所述非内中膜子区域去除；从所述感兴趣区域的内中膜子区域中确定目标内中膜子区域；识别出目标内中膜子区域的上边界和下边界；根据所述上边界和下边界计算得到内中膜厚度，并通过所述显示器显示所述内中膜厚度。
一实施例提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行以实现如上所述的方法。
依据上述实施例的血管内中膜厚度的测量方法、系统和超声成像设备，通过将血管的超声图像输入到预先训练好的人工智能模型中，得到超声图像的感兴趣区域，感兴趣区域包含有内中膜图像；在感兴趣区域中划分出内中膜子区域和非内中膜子区域，并将非内中膜子区域去除；从感兴趣区域的内中膜子区域中确定目标内中膜子区域；识别出目标内中膜子区域的上边界和下边界；根据上边界和下边界计算得到内中膜厚度。可见，不论是感兴趣区域的确定还是后续的测量，均无需人工操作，提高了内中膜厚度测量的效率。
附图说明
图1为本发明提供的血管内中膜厚度的测量系统一实施例的结构框图；
图2为本发明提供的血管内中膜厚度的测量方法一实施例的流程图；
图3为本发明提供的血管内中膜厚度的测量系统中，训练人工智能模型一实施例的流程图；
图4为本发明提供的血管内中膜厚度的测量系统中，划分出血管腔子区域、内中膜子区域和血管外膜子区域的感兴趣区域的示意图；
图5为图4中去除血管腔子区域和血管外膜子区域后的感兴趣区域的示意图；
图6为本发明提供的血管内中膜厚度的测量方法一实施例的流程图；
图7为只包含目标内中膜子区域的感兴趣区域的示意图；
图8为识别出目标内中膜子区域的上下边界的感兴趣区域的示意图；
图9为本发明提供的超声成像设备一实施例的结构框图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。
如图1所示，本发明提供的血管内中膜厚度的测量系统，包括图像获取模块10、人工智能模型20、区域划分模块30、区域确定模块40、边界确定模块50、计算模块60和显示模块70。
图像获取模块10用于获取血管的超声图像。
人工智能模型20用于在超声图像上标记感兴趣区域，感兴趣区域包含有内中膜图像。
区域划分模块30用于在感兴趣区域中划分出内中膜子区域和非内中膜子区域，并将非内中膜子区域去除。
区域确定模块40用于从感兴趣区域的内中膜子区域中确定目标内中膜子区域。
边界确定模块50用于识别出目标内中膜子区域的上边界和下边界。
计算模块60用于根据上边界和下边界计算得到内中膜厚度。
显示模块70用于显示内中膜厚度。
可见，不论是感兴趣区域的确定还是后续的测量，均无需人工操作，提高了内中膜厚度测量的效率。
如图2所示，测量系统对患者血管的内中膜厚度进行测量，其过程包括如下步骤：
步骤1、图像获取模块10获取患者血管的超声图像。该血管可以是动脉血管、静脉血管等。本实施例以颈动脉血管为例进行说明。例如，测量系统还包括存储器，存储器存储有患者颈动脉血管的超声图像，图像获取模块10从存储器中获取颈动脉血管的超声图像；又例如，图像获取模块10从其他设备获取颈动脉血管的超声图像；还例如，测量系统还包括超声探头，图像获取模块10控制超声探头向患者的颈动脉发射超声波，控制超声探头接收超声波的回波，根据回波生成颈动脉血管的超声图像等。
步骤2、图像获取模块10将颈动脉血管的超声图像输入到预先训练好的人工智能模型20中，人工智能模型20在超声图像上标记感兴趣区域(ROI)，从而得到超声图像的感兴趣区域，感兴趣区域包含有内中膜图像，图4所示的感兴趣区域包含了颈动脉血管，其上下管壁均有内中膜图像。其中，人工智能模型20可以是机器学习模型或深度学习模型等，本实施例以后者为例进行说明。本实施例中，人工智能模型20为深度学习模型，先通过AI技术让计算机系统识别出颈动脉超声图像中的内中膜组织，找到最有可能的内中膜部位的位置，从而确定感兴趣区域。如图3所示，深度学习模型通过如下方式训练得到：
步骤01、获取多个颈动脉血管的训练用超声图像。例如，在超声成像设备上采集不同人群的多个颈动脉血管的超声图像，医生通过标注工具将超声图像中颈动脉血管的内中膜区域(内中膜部位)标注出来。即，训练用超声图像标注有内中膜区域。
步骤02、将各个训练用超声图像输入到预先设置的深度学习模型中进行训练，使得深度学习模型建立超声图像与内中膜区域对应关系的模型函数，反复训练后得到训练好的深度学习模型。只要将包含有颈动脉血管的超声图像输入到深度学习模型，深度学习模型即可在该超声图像上标记出内中膜区域。
传统的内中膜厚度自动测量方法，即由医生手动确定感兴趣区域，再由计算机辅助测量内中膜厚度，实际是一种半自动的测量方法。在确定内中膜部位的过程中，仍然依赖于医生的个人经验和主观性的判断。如果医生确认的内中膜感兴趣区域的图像特征不明显，往往导致自动测量的结果质量不佳。而本发明采用深度学习模型确定包含有内中膜部位的感兴趣区域，不仅减轻了医生的工作负担，而且无需人工干预，使内中膜组织部位的定位和厚度测量上增加了稳定性和准确性。
后续步骤中对感兴趣区域的各种处理，可以基于超声图像对其感兴趣区域进行处理，也可以将超声图像的感兴趣区域截取出来，对截取出的感兴趣区域(图像)进行处理。
步骤3、区域划分模块30在感兴趣区域中划分出内中膜子区域b和非内中膜子区域，并将非内中膜子区域去除。如图4所示，非内中膜子区域包括血管腔子区域c和/或血管外膜子区域a。例如，区域划分模块30通过小波聚类算法在感兴趣区域中以像素级别划分出血管腔子区域c、内中膜子区域b和血管外膜子区域a，将血管腔子区域c和血管外膜子区域a去除，得到的感兴趣区域如图5所示。去除非内中膜子区域，可以将非内中膜子区域设置成背景色，如黑色或白色，便于凸显内中膜子区域b。
步骤4、区域确定模块40从感兴趣区域的内中膜子区域中确定目标内中膜子区域。如图6所示，其可以包括如下步骤：
步骤41、区域确定模块40将感兴趣区域的各个内中膜子区域根据大小进行排序，前两大内中膜子区域为候选内中膜子区域。步骤3之后，对于机器而言，感兴趣区域内剩下的每个连通区域都是内中膜子区域b，但实际上并不一定是，因为还可能存在噪声干扰等异常导致的连通区域(如图5中细小的连通区域)，故需要进行筛选。根据各个连通区域的面积，取前两大连通区域作为候选内中膜子区域，其他连通区域去除，就是一种筛选方式，提高了后续处理的效率和准确性。
步骤42、区域确定模块40分别统计前两大内中膜子区域占两者之和的占比，判断两个占比是否大于预设阈值。预设阈值小于50％，例如取值可以在20％-30％之间，本实施例以20％为例进行说明，主要用于去除掉很小的内中膜子区域。
在只有一个占比大于预设阈值时，区域确定模块40将该占比对应的内中膜子区域确定为目标内中膜子区域。例如感兴趣区域中只有一侧管壁的内中膜子区域，则除了最大的内中膜子区域，其他区域可能都是噪声区域，噪声区域面积小，故只有一个占比大于预设阈值的内中膜子区域。
在两个占比均大于预设阈值时，区域确定模块40计算前两大内中膜子区域的各点到感兴趣区域中心点距离的均方差，将均方差小的内中膜子区域确定为目标内中膜子区域。例如感兴趣区域中包括了上下管壁的内中膜子区域，则前两大内中膜子区域的差异不会过大；因此可以在两者之中选取更为合适的一个作为后续计算内中膜厚度的内中膜子区域，本实施例采用更为靠近感兴趣区域中心的内中膜子区域来计算内中膜厚度，其结果更为准确可靠。
具体的，如图6所示，步骤42中，区域确定模块40可将占比小于预设阈值的内中膜子区域去除，判断感兴趣区域中是否只剩下一个内中膜子区域，若是则将唯一的内中膜子区域作为计算内中膜厚度的目标内中膜子区域，此时的感兴趣区域如图7所示，然后进入步骤5；若否则说明两个占比均大于预设阈值，计算前两大内中膜子区域的各点到感兴趣区域中心点距离的均方差，将均方差小的内中膜子区域确定为目标内中膜子区域，将另一个内中膜子区域去除，此时的感兴趣区域如图7所示，然后进入步骤5。
经过步骤4之后，感兴趣区域只剩下了一个最佳的内中膜子区域(目标内中膜子区域)，后续的计算将快捷、可靠。
步骤5、边界确定模块50识别出目标内中膜子区域的上边界和下边界。例如，边界确定模块50对目标内中膜子区域分别从上往下和从下往上逐点搜索，将灰度发生剧烈变化的位置识别为边界，从而得到上边界L1和下边界L2(如图8所示)。具体的，可以从上往下比较相邻的两个像素的灰度，得到两个像素的灰度差异绝对值，判断灰度差异绝对值是否大于预设值，若是则确定这两个像素的交界处为灰度发生剧烈变化的位置(即上边界L1)。同样的，可以从下往上比较相邻的两个像素的灰度，得到两个像素的灰度差异绝对值，判断灰度差异绝对值是否大于预设值，若是则确定这两个像素的交界处为灰度发生剧烈变化的位置(即下边界L2)。预设值可根据实际需要进行设置。
步骤6、计算模块60根据上边界L1和下边界L2计算得到内中膜厚度，例如，计算上边界L1和下边界L2一一对应的点之间的像素距离，像素距离通常就是像素的数量，即L1上的点与L2上对应的点之间有多少个像素，再根据像素尺寸将像素距离换算成厚度，得到内中膜厚度。之后，显示模块70显示内中膜厚度。显示模块70可以是各类型的显示器。
由此可见，本发明提供的测量方法，能对超声图像中的内中膜的厚度进行自动测量，提高了内中膜厚度测量的效率，减小了医生的工作量，且无需依赖医生的经验和主观性，提高了测量的准确性和稳定性。
如图9所示，本发明还提供一种超声成像设备，其包括：超声探头81，发射和接收模块82，处理器83和显示器84。
超声探头81，其包括至少一个换能器，用于发射超声波，接收超声波的回波。
发射和接收模块82，其分别与超声探头81和处理器83连接，用于将发射序列、接收序列传输给超声探头81，并将超声探头81接收的超声波的回波传输给处理器83。
处理器83用于产生用于控制超声探头81发射超声波的发射序列，产生用于控制超声探头81接收超声波的回波的接收序列，对超声探头接收的回波进行处理生成超声图像。
本实施例中，处理器83还用于控制超声探头81向患者的血管发射超声波，根据超声探头81接收的回波生成血管的超声图像；将该超声图像输入到预先训练好的人工智能模型中，得到超声图像的感兴趣区域，感兴趣区域包含有内中膜图像；在感兴趣区域中划分出内中膜子区域和非内中膜子区域，并将非内中膜子区域去除；从感兴趣区域的内中膜子区域中确定目标内中膜子区域；识别出目标内中膜子区域的上边界和下边界；根据上边界和下边界计算得到内中膜厚度，并通过显示器84显示内中膜厚度。可见，上述测量系统的功能可以由处理器83完成，换而言之，处理器83包括上述的：图像获取模块10、人工智能模型20、区域划分模块30、区域确定模块40、边界确定模块50和计算模块60。由于处理器83包含的这些功能模块的具体功能，以及测量内中膜厚度的详细过程在上述实施例中已阐述，故在此不做赘述。
本领域技术人员可以理解，上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现，也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘、光盘、硬盘等，通过计算机执行该程序以实现上述功能。例如，将程序存储在设备的存储器中，当通过处理器执行存储器中程序，即可实现上述全部或部分功能。另外，当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中，通过下载或复制保存到本地设备的存储器中，或对本地设备的系统进行版本更新，当通过处理器执行存储器中的程序时，即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (10)

1.一种血管内中膜厚度的测量方法,其特征在于，包括：
获取血管的超声图像；
将所述超声图像输入到预先训练好的人工智能模型中，得到超声图像的感兴趣区域，所述感兴趣区域包含有内中膜图像；
在所述感兴趣区域中划分出内中膜子区域和非内中膜子区域，并将所述非内中膜子区域去除；
从所述感兴趣区域的内中膜子区域中确定目标内中膜子区域；
识别出目标内中膜子区域的上边界和下边界；
根据所述上边界和下边界计算得到内中膜厚度。
2.如权利要求1所述的方法，其特征在于，所述人工智能模型为深度学习模型，所述深度学习模型通过如下方式训练得到：
获取多个血管的训练用超声图像；所述训练用超声图像标注有内中膜区域；
将所述训练用超声图像输入到预先设置的深度学习模型中进行训练，得到训练好的深度学习模型。
3.如权利要求1所述的方法，其特征在于，所述在所述感兴趣区域中划分出内中膜子区域和非内中膜子区域，并将所述非内中膜子区域去除，包括：
通过小波聚类算法在所述感兴趣区域中划分出血管腔子区域、内中膜子区域和血管外膜子区域，将血管腔子区域和血管外膜子区域去除。
4.如权利要求1所述的方法，其特征在于，所述从所述感兴趣区域的内中膜子区域中确定目标内中膜子区域，包括：
将所述感兴趣区域的各个内中膜子区域根据大小进行排序，前两大内中膜子区域为候选内中膜子区域；
分别统计前两大内中膜子区域占两者之和的占比，判断两个占比是否大于预设阈值；
在两个占比均大于预设阈值时，计算前两大内中膜子区域的各点到所述感兴趣区域中心点距离的均方差，将均方差小的内中膜子区域确定为目标内中膜子区域；
在只有一个占比大于预设阈值时，将该占比对应的内中膜子区域确定为目标内中膜子区域。
5.如权利要求1所述的方法，其特征在于，所述识别出目标内中膜子区域的上边界和下边界，包括：
对目标内中膜子区域分别从上往下和从下往上逐点搜索，将灰度发生剧烈变化的位置识别为边界，从而得到上边界和下边界。
6.如权利要求1所述的方法，其特征在于，所述根据所述上边界和下边界计算得到内中膜厚度，包括：
计算上边界和下边界一一对应的点之间的像素距离，根据像素尺寸将所述像素距离换算成厚度，得到内中膜厚度。
7.一种血管内中膜厚度的测量系统,其特征在于，包括：
图像获取模块，用于获取血管的超声图像；
人工智能模型，用于在所述超声图像上标记感兴趣区域，所述感兴趣区域包含有内中膜图像；
区域划分模块，用于在所述感兴趣区域中划分出内中膜子区域和非内中膜子区域，并将所述非内中膜子区域去除；
区域确定模块，用于从所述感兴趣区域的内中膜子区域中确定目标内中膜子区域；
边界确定模块，用于识别出目标内中膜子区域的上边界和下边界；
计算模块，用于根据所述上边界和下边界计算得到内中膜厚度。
8.如权利要求7所述的测量系统，其特征在于，区域确定模块从所述感兴趣区域的内中膜子区域中确定目标内中膜子区域，包括：
将所述感兴趣区域的各个内中膜子区域根据大小进行排序，前两大内中膜子区域为候选内中膜子区域；
分别统计前两大内中膜子区域占两者之和的占比，判断两个占比是否大于预设阈值；
在两个占比均大于预设阈值时，计算前两大内中膜子区域的各点到所述感兴趣区域中心点距离的均方差，将均方差小的内中膜子区域确定为目标内中膜子区域；
在只有一个占比大于预设阈值时，将该占比对应的内中膜子区域确定为目标内中膜子区域。
9.一种超声成像设备,其特征在于，包括：
超声探头，用于发射超声波，接收所述超声波的回波；
显示器；
处理器，用于控制所述超声探头向患者的血管发射超声波，根据所述超声探头接收的回波生成血管的超声图像；将所述超声图像输入到预先训练好的人工智能模型中，得到超声图像的感兴趣区域，所述感兴趣区域包含有内中膜图像；在所述感兴趣区域中划分出内中膜子区域和非内中膜子区域，并将所述非内中膜子区域去除；从所述感兴趣区域的内中膜子区域中确定目标内中膜子区域；识别出目标内中膜子区域的上边界和下边界；根据所述上边界和下边界计算得到内中膜厚度，并通过所述显示器显示所述内中膜厚度。
10.一种计算机可读存储介质，其特征在于，所述介质上存储有程序，所述程序能够被处理器执行以实现如权利要求1至6中任意一项所述的方法。
CN202110111588.8A 2021-01-27 2021-01-27 一种血管内中膜厚度的测量方法、系统和超声成像设备 Active CN112932542B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110111588.8A CN112932542B (zh) 2021-01-27 2021-01-27 一种血管内中膜厚度的测量方法、系统和超声成像设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110111588.8A CN112932542B (zh) 2021-01-27 2021-01-27 一种血管内中膜厚度的测量方法、系统和超声成像设备

Publications (2)

Publication Number Publication Date
CN112932542A true CN112932542A (zh) 2021-06-11
CN112932542B CN112932542B (zh) 2022-11-08

Family

ID=76237920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110111588.8A Active CN112932542B (zh) 2021-01-27 2021-01-27 一种血管内中膜厚度的测量方法、系统和超声成像设备

Country Status (1)

Country Link
CN (1) CN112932542B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114391878A (zh) * 2022-01-27 2022-04-26 南京市溧水区人民医院 一种超声成像设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102163326A (zh) * 2010-12-22 2011-08-24 武汉沃生科学技术研究中心有限公司 血管超声图像中颈动脉血管内中膜的计算机自动分割和厚度均匀度分析方法
CN102332161A (zh) * 2011-09-13 2012-01-25 中国科学院深圳先进技术研究院 基于图像的血管内中膜厚度自动提取方法及系统
US8313437B1 (en) * 2010-06-07 2012-11-20 Suri Jasjit S Vascular ultrasound intima-media thickness (IMT) measurement system
US20140135627A1 (en) * 2011-02-11 2014-05-15 Jianming Liang Methods, systems, and media for determining carotid intima-media thickness
CN104665872A (zh) * 2014-12-29 2015-06-03 深圳开立生物医疗科技股份有限公司 一种基于超声图像的颈动脉内中膜厚度测量方法和装置
CN106408017A (zh) * 2016-09-13 2017-02-15 天津大学 基于深度学习的超生颈动脉内中膜厚度测量装置和方法
CN109919953A (zh) * 2019-01-21 2019-06-21 深圳蓝韵医学影像有限公司 颈动脉内中膜厚度测量的方法、系统和设备
CN111986139A (zh) * 2019-05-23 2020-11-24 深圳市理邦精密仪器股份有限公司 颈动脉内中膜厚度的测量方法、设备及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8313437B1 (en) * 2010-06-07 2012-11-20 Suri Jasjit S Vascular ultrasound intima-media thickness (IMT) measurement system
CN102163326A (zh) * 2010-12-22 2011-08-24 武汉沃生科学技术研究中心有限公司 血管超声图像中颈动脉血管内中膜的计算机自动分割和厚度均匀度分析方法
US20140135627A1 (en) * 2011-02-11 2014-05-15 Jianming Liang Methods, systems, and media for determining carotid intima-media thickness
CN102332161A (zh) * 2011-09-13 2012-01-25 中国科学院深圳先进技术研究院 基于图像的血管内中膜厚度自动提取方法及系统
CN104665872A (zh) * 2014-12-29 2015-06-03 深圳开立生物医疗科技股份有限公司 一种基于超声图像的颈动脉内中膜厚度测量方法和装置
CN106408017A (zh) * 2016-09-13 2017-02-15 天津大学 基于深度学习的超生颈动脉内中膜厚度测量装置和方法
CN109919953A (zh) * 2019-01-21 2019-06-21 深圳蓝韵医学影像有限公司 颈动脉内中膜厚度测量的方法、系统和设备
CN111986139A (zh) * 2019-05-23 2020-11-24 深圳市理邦精密仪器股份有限公司 颈动脉内中膜厚度的测量方法、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114391878A (zh) * 2022-01-27 2022-04-26 南京市溧水区人民医院 一种超声成像设备
CN114391878B (zh) * 2022-01-27 2024-05-17 南京市溧水区人民医院 一种超声成像设备

Also Published As

Publication number Publication date
CN112932542B (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
US11229419B2 (en) Method for processing 3D image data and 3D ultrasonic imaging method and system
Loizou A review of ultrasound common carotid artery image and video segmentation techniques
CN114027880B (zh) 超声图像中参数测量的方法和超声成像系统
US8740796B2 (en) Ultrasonic diagnostic device, and method for measuring intima-media thickness
JP7562936B2 (ja) 自動壁追跡を伴う超音波システム
CN111354006B (zh) 超声图像中目标组织的描迹方法及装置
US8727989B2 (en) Automatic diagnosis support apparatus, ultrasonic diagnosis apparatus, and automatic diagnosis support method
US8805043B1 (en) System and method for creating and using intelligent databases for assisting in intima-media thickness (IMT)
US10736608B2 (en) Ultrasound diagnostic device and ultrasound image processing method
JP7075854B2 (ja) 超音波診断装置及び表示方法
JP2020503099A (ja) 出産前超音波イメージング
US12026886B2 (en) Method and system for automatically estimating a hepatorenal index from ultrasound images
CN112932542B (zh) 一种血管内中膜厚度的测量方法、系统和超声成像设备
CN115330681A (zh) 一种超声图像测量方法、系统、智能终端及存储介质
CN115813439A (zh) 超声图像的检测方法及超声影像设备
Molinari et al. CARES 3.0: a two stage system combining feature-based recognition and edge-based segmentation for CIMT measurement on a multi-institutional ultrasound database of 300 images
US20220249060A1 (en) Method for processing 3d image data and 3d ultrasonic imaging method and system
CN109589140B (zh) 一种超声测量多项目处理方法和超声诊断系统
Mi et al. Detecting carotid intima-media from small-sample ultrasound images
CN112294361A (zh) 一种超声成像设备、盆底的切面图像生成方法
CN117036302B (zh) 主动脉瓣膜钙化程度的确定方法和系统
JP7555170B2 (ja) 超音波診断装置及び診断支援方法
EP4338682A2 (en) Methods, systems, devices and components for rapid on-site measurement, characterization and classification of a patient's carotid artery using a portable ultrasound probe or device
JP7299100B2 (ja) 超音波診断装置及び超音波画像処理方法
EP4213094A1 (en) Systems, methods, and apparatuses for pleural line detection

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