CN113379739B - 超声图像的识别方法、装置、设备及存储介质 - Google Patents
超声图像的识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113379739B CN113379739B CN202110836191.5A CN202110836191A CN113379739B CN 113379739 B CN113379739 B CN 113379739B CN 202110836191 A CN202110836191 A CN 202110836191A CN 113379739 B CN113379739 B CN 113379739B
- Authority
- CN
- China
- Prior art keywords
- calcification
- image
- identification information
- skeleton
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能领域,应用于智慧医疗领域中,提供一种超声图像的识别方法、装置、设备及存储介质,用于提高超声图像的识别准确性。超声图像的识别方法包括:对待检测部位超声图像依次进行病灶区域提取和病灶区域像素腐蚀得到病灶图像数据;对病灶图像数据分别进行斑点结构检测和线结构检测得到待处理图像数据;对待处理图像数据依次进行骨架特征提取和垂线特征分类,得到骨架垂线特征和非骨架垂线特征,并对骨架垂线特征进行彗星尾征检测得到彗星尾征识别信息;对非骨架垂线特征依次进行基于统计特性的钙化检测和钙化类型分类得到钙化识别信息,得到目标图像识别信息。此外,本发明还涉及区块链技术,待检测部位超声图像可存储于区块链中。
Description
技术领域
本发明涉及人工智能的图像处理领域,尤其涉及一种超声图像的识别方法、装置、设备及存储介质。
背景技术
由于超声成像是利用超声声束扫描人体,通过对反射信号的接收、处理,以获得体内器官的图,超声成像方法常用来判断脏器的位置、大小和形态,以确定病灶的范围和物理性质,因而,对于超声成像的身体部位超声图像的识别也是关注点。目前,一般采用的是对身体部位超声图像进行结节边缘识别、结节边缘分割和结节特征分类的方法。
但是,上述方法存在以下问题:分析的特征单一,对于散斑噪声严重、结节边缘模糊和对比度低等因素造成的身体部位超声图像的图像识别难度大,从而,导致了超声图像的识别准确性低。
发明内容
本发明提供一种超声图像的识别方法、装置、设备及存储介质,用于提高超声图像的识别准确性。
本发明第一方面提供了一种超声图像的识别方法,包括:
获取待检测部位超声图像,对所述待检测部位超声图像依次进行病灶区域提取和病灶区域像素腐蚀,得到病灶图像数据;
对所述病灶图像数据分别进行斑点结构检测和线结构检测,得到待处理图像数据,所述待处理图像数据包括斑点区域数据和脊线数据;
对所述待处理图像数据依次进行骨架特征提取和垂线特征分类,得到骨架垂线特征和非骨架垂线特征,并对所述骨架垂线特征进行彗星尾征检测,得到彗星尾征识别信息;
对所述非骨架垂线特征依次进行基于统计特性的钙化检测和钙化类型分类,得到钙化识别信息,并将所述彗星尾征识别信息和所述钙化识别信息确定为目标图像识别信息。
可选的,在本发明第一方面的第一种实现方式中,所述对所述非骨架垂线特征依次进行基于统计特性的钙化检测和钙化类型分类,得到钙化识别信息,并将所述彗星尾征识别信息和所述钙化识别信息确定为目标图像识别信息,包括:
获取所述非骨架垂线特征对应的非骨架垂线图像分割数据,通过所述斑点区域数据和所述脊线数据,对所述非骨架垂线图像分割数据进行筛选,得到多个备选区域;
通过预置的基于统计特性的分离融合机制,对所述多个备选区域依次进行钙化区域识别和钙化类型分析,得到钙化识别信息;
将所述彗星尾征识别信息和所述钙化识别信息进行合并,得到目标图像识别信息。
可选的,在本发明第一方面的第二种实现方式中,所述通过预置的基于统计特性的分离融合机制,对所述多个备选区域依次进行钙化区域识别和钙化类型分析,得到钙化识别信息,包括:
通过预置的基于统计特性的分离融合机制,计算所述多个备选区域中多个目标超像素区域的融合值和分离值,并根据所述融合值和所述分离值确定目标差值;
将所述目标差值与预设阈值进行对比分析,得到分析结果,并根据所述分析结果从所述多个备选区域中确定目标钙化区域;
获取所述目标钙化区域的钙化长度,并通过所述钙化长度确定所述目标钙化区域的钙化类型;
将所述目标钙化区域和所述钙化类型进行合并,得到钙化识别信息。
可选的,在本发明第一方面的第三种实现方式中,所述通过预置的基于统计特性的分离融合机制,计算所述多个备选区域中多个目标超像素区域的融合值和分离值,并根据所述融合值和所述分离值确定目标差值,包括:
通过预置的基于统计特性的分离融合机制,将所述多个备选区域中的多个目标超像素区域进行融合,得到已融合区域,对所述已融合区域进行似然度计算,得到融合值;
通过所述多个备选区域,对所述已融合区域进行分离,得到分离后的区域,对所述分离后的区域进行基于分布估值-钙化概率的和值计算,得到分离值;
计算所述融合值和所述分离值的差值,得到目标差值。
可选的,在本发明第一方面的第四种实现方式中,所述对所述病灶图像数据分别进行斑点结构检测和线结构检测,得到待处理图像数据,所述待处理图像数据包括斑点区域数据和脊线数据,包括:
对所述病灶图像数据依次进行病灶区域斑点检测和强度筛选,得到斑点区域数据;
对所述病灶图像数据依次进行特征提取、海森矩阵计算和筛选,得到目标特征信息组;
通过所述目标特征信息组构建线状结构得到脊线数据,并将所述斑点区域数据和所述脊线数据确定为待处理图像数据。
可选的,在本发明第一方面的第五种实现方式中,所述获取待检测部位超声图像,对所述待检测部位超声图像依次进行病灶区域提取和病灶区域像素腐蚀,得到病灶图像数据,包括:
获取待检测部位超声图像,对所述待检测部位超声图像进行脱敏,得到预处理后的待检测部位超声图像;
对所述预处理后的待检测部位超声图像依次进行病灶区域分割、病灶区域掩膜和像素向内腐蚀,得到病灶图像数据。
可选的,在本发明第一方面的第六种实现方式中,所述对所述待处理图像数据依次进行骨架特征提取和垂线特征分类,得到骨架垂线特征和非骨架垂线特征,并对所述骨架垂线特征进行彗星尾征检测,得到彗星尾征识别信息,包括:
对所述待处理图像数据依次进行目标边界点检测和骨架特征提取,得到骨架特征;
对所述骨架特征进行基于垂线特征的分类,得到骨架垂线特征和非骨架垂线特征;
对所述骨架垂线特征进行遍历和横线识别,得到横线特征信息;
按照预设彗星尾征检测策略,将所述横线特征信息与所述骨架垂线特征进行对比分析,得到彗星尾征识别信息。
本发明第二方面提供了一种超声图像的识别装置,包括:
像素腐蚀模块,用于获取待检测部位超声图像,对所述待检测部位超声图像依次进行病灶区域提取和病灶区域像素腐蚀,得到病灶图像数据;
第一检测模块,用于对所述病灶图像数据分别进行斑点结构检测和线结构检测,得到待处理图像数据,所述待处理图像数据包括斑点区域数据和脊线数据;
第二检测模块,用于对所述待处理图像数据依次进行骨架特征提取和垂线特征分类,得到骨架垂线特征和非骨架垂线特征,并对所述骨架垂线特征进行彗星尾征检测,得到彗星尾征识别信息;
分类确定模块,用于对所述非骨架垂线特征依次进行基于统计特性的钙化检测和钙化类型分类,得到钙化识别信息,并将所述彗星尾征识别信息和所述钙化识别信息确定为目标图像识别信息。
可选的,在本发明第二方面的第一种实现方式中,所述分类确定模块包括:
筛选单元,用于获取所述非骨架垂线特征对应的非骨架垂线图像分割数据,通过所述斑点区域数据和所述脊线数据,对所述非骨架垂线图像分割数据进行筛选,得到多个备选区域;
类型分析单元,用于通过预置的基于统计特性的分离融合机制,对所述多个备选区域依次进行钙化区域识别和钙化类型分析,得到钙化识别信息;
合并单元,用于将所述彗星尾征识别信息和所述钙化识别信息进行合并,得到目标图像识别信息。
可选的,在本发明第二方面的第二种实现方式中,所述类型分析单元包括:
计算子单元,用于通过预置的基于统计特性的分离融合机制,计算所述多个备选区域中多个目标超像素区域的融合值和分离值,并根据所述融合值和所述分离值确定目标差值;
第一确定子单元,用于将所述目标差值与预设阈值进行对比分析,得到分析结果,并根据所述分析结果从所述多个备选区域中确定目标钙化区域;
第二确定子单元,用于获取所述目标钙化区域的钙化长度,并通过所述钙化长度确定所述目标钙化区域的钙化类型;
合并子单元,用于将所述目标钙化区域和所述钙化类型进行合并,得到钙化识别信息。
可选的,在本发明第二方面的第三种实现方式中,所述计算子单元具体用于:
通过预置的基于统计特性的分离融合机制,将所述多个备选区域中的多个目标超像素区域进行融合,得到已融合区域,对所述已融合区域进行似然度计算,得到融合值;
通过所述多个备选区域,对所述已融合区域进行分离,得到分离后的区域,对所述分离后的区域进行基于分布估值-钙化概率的和值计算,得到分离值;
计算所述融合值和所述分离值的差值,得到目标差值。
可选的,在本发明第二方面的第四种实现方式中,所述第一检测模块具体用于:
对所述病灶图像数据依次进行病灶区域斑点检测和强度筛选,得到斑点区域数据;
对所述病灶图像数据依次进行特征提取、海森矩阵计算和筛选,得到目标特征信息组;
通过所述目标特征信息组构建线状结构得到脊线数据,并将所述斑点区域数据和所述脊线数据确定为待处理图像数据。
可选的,在本发明第二方面的第五种实现方式中,所述像素腐蚀模块具体用于:
获取待检测部位超声图像,对所述待检测部位超声图像进行脱敏,得到预处理后的待检测部位超声图像;
对所述预处理后的待检测部位超声图像依次进行病灶区域分割、病灶区域掩膜和像素向内腐蚀,得到病灶图像数据。
可选的,在本发明第二方面的第六种实现方式中,所述第二检测模块具体用于:
对所述待处理图像数据依次进行目标边界点检测和骨架特征提取,得到骨架特征;
对所述骨架特征进行基于垂线特征的分类,得到骨架垂线特征和非骨架垂线特征;
对所述骨架垂线特征进行遍历和横线识别,得到横线特征信息;
按照预设彗星尾征检测策略,将所述横线特征信息与所述骨架垂线特征进行对比分析,得到彗星尾征识别信息。
本发明第三方面提供了一种超声图像的识别设备,包括:存储器和至少一个处理器,所述存储器中存储有计算机程序;所述至少一个处理器调用所述存储器中的所述计算机程序,以使得所述超声图像的识别设备执行上述的超声图像的识别方法。
本发明的第四方面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中存储有计算机程序,当其在计算机上运行时,使得计算机执行上述的超声图像的识别方法。
本发明提供的技术方案中,获取待检测部位超声图像,对所述待检测部位超声图像进行病灶区域提取和病灶区域像素腐蚀,得到病灶图像数据;对所述病灶图像数据进行斑点结构检测和线结构检测,得到待处理图像数据,所述待处理图像数据包括斑点区域数据和脊线数据;对所述待处理图像数据进行骨架特征提取和垂线特征分类,得到骨架垂线特征和非骨架垂线特征,并对所述骨架垂线特征进行彗星尾征检测,得到彗星尾征识别信息;对所述非骨架垂线特征进行基于统计特性的钙化检测和钙化类型分类,得到钙化识别信息,并将所述彗星尾征识别信息和所述钙化识别信息确定为目标图像识别信息。本发明实施例中,通过对待检测部位超声图像、病灶区域提取和病灶区域像素腐蚀、斑点结构检测、线结构检测、骨架特征提取、垂线特征分类、彗星尾征检测、基于统计特性的钙化检测和钙化类型分类,分析的特征丰富,兼容性大,解决了对于散斑噪声严重、结节边缘模糊和对比度低等因素造成的图像识别难度大的问题,能够准确识别出待检测部位超声图像的钙化结构和钙化类别,从而提高了超声图像的识别准确性。
附图说明
图1为本发明实施例中超声图像的识别方法的一个实施例示意图;
图2为本发明实施例中超声图像的识别方法的另一个实施例示意图;
图3为本发明实施例中超声图像的识别装置的一个实施例示意图;
图4为本发明实施例中超声图像的识别装置的另一个实施例示意图;
图5为本发明实施例中超声图像的识别设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种超声图像的识别方法、装置、设备及存储介质,提高了超声图像的识别准确性。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中超声图像的识别方法的一个实施例包括:
101、获取待检测部位超声图像,对待检测部位超声图像依次进行病灶区域提取和病灶区域像素腐蚀,得到病灶图像数据。
可以理解的是,本发明的执行主体可以为超声图像的识别装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
通过超声设备对待检测部位进行超声成像,得到初始超声图像,通过预置的全同态加密算法对初始超声图像进行加密,得到待检测部位超声图像,并将待检测部位超声图像上传至基于区块链的云端,其中,本实施例中的待检测部位超声图像为甲状腺超声图像;服务器从基于区块链的云端中提取待检测部位超声图像,并调用全同态加密算法对待检测部位超声图像进行明文转换,得到处理后的待检测部位超声图像,并对处理后的待检测部位超声图像进行图像增强处理,得到增强超声图像,通过全同态加密算法确保待检测部位超声图像的安全性,以及对加密数据(待检测部位超声图像)数据要素最大价值的释放;调用预置的目标检测算法,对增强超声图像进行候选区域识别和候选区域分割,得到分割后的区域图像;通过预置的病灶区域图像,对分割后的区域图像进行匹配,得到目标病灶区域;调用预置的腐蚀算法,对目标病灶区域进行基于掩膜的腐蚀运算,得到病灶图像数据。
102、对病灶图像数据分别进行斑点结构检测和线结构检测,得到待处理图像数据,待处理图像数据包括斑点区域数据和脊线数据。
服务器可通过以下执行过程实现斑点结构检测:调用预置的斑点检测算法,该斑点检测算法可为高斯拉普通拉斯算子(laplace of gaussian,LOG)检测图像斑点算法,对病灶图像数据进行高斯滤波和多尺度检测,得到斑点区域数据,提高了斑点区域数据的准确性。
服务器也可通过以下执行过程实现斑点结构检测:获取病灶图像数据的目标尺寸大小,根据目标尺寸大小对病灶图像数据进行分类,得到第一图像数据和第二图像数据,第一图像数据为目标尺寸大小大于预设尺寸,第二图像数据为目标尺寸大小小于预设尺寸;调用预置的斑点检测算法中的行列式海森算法(determinant of hessian,DoH),对第一图像数据依次进行黑塞矩阵计算和加权行列式计算,得到第一斑点区域;调用预置的斑点检测算法中的双高斯差算法(difference of gaussian,DoG),对第二图像数据进行高斯滤波、相减和叠加,得到第二斑点区域;将第一斑点区域和第二斑点区域确定为斑点区域数据,提高了斑点区域数据提取的准确性和效率。
服务器对待处理图像数据(即为病灶区域)进行特征提取,得到病灶图像特征,该病灶图像特征包括但不限于病灶图像数据中每一个像素点对应的灰度特征、纹理特征和形状特征;对病灶图像特征依次进行海森矩阵计算和基于预设构建阈值的筛选,得到目标特征信息组;基于目标特征信息组构建线状结构得到脊线数据,以实现线结构检测;并将斑点区域数据和脊线数据确定为待处理图像数据。丰富了待处理图像数据的特征多样性,提高了待处理图像数据的有效性。
103、对待处理图像数据依次进行骨架特征提取和垂线特征分类,得到骨架垂线特征和非骨架垂线特征,并对骨架垂线特征进行彗星尾征检测,得到彗星尾征识别信息。
服务器对待处理图像数据(即病灶区域)进行骨架点检测,得到骨架点;根据骨架点对待处理图像数据进行骨架提取,得到骨架特征;对骨架特征进行垂线提取,得到垂线信息;将垂线信息对应的骨架特征分类为骨架垂线特征,将除了骨架垂线特征之外的骨架特征分类为非骨架垂线特征;按照预设彗星尾征检测策略,将横线特征信息与骨架垂线特征进行对比分析,得到彗星尾征识别信息,其中,该预设彗星尾征检测策略为:横线是否超过结节的1/5,垂线是否从上至下有回声衰减,彗星尾是否在囊性区域内,横线超过垂线长度的长度是否预设范围值内。
104、对非骨架垂线特征依次进行基于统计特性的钙化检测和钙化类型分类,得到钙化识别信息,并将彗星尾征识别信息和钙化识别信息确定为目标图像识别信息。
服务器获取非骨架垂线特征对应的图像区域,对非骨架垂线特征对应的图像区域进行结节的超像素分割,得到多个已分割区域,多个已分割区域包括多个第一超像素区域和多个第二超像素区域,各第一超像素区域的像素均大于各第二超像素区域的像素;通过斑点区域数据、脊线数据和多个第二超像素区域,对非骨架垂线图像分割数据进行筛选,得到多个备选区域;通过预置的基于统计特性的分离融合机制和多个第一超像素区域,对多个备选区域依次进行钙化区域识别和钙化类型分析,得到钙化识别信息;将彗星尾征识别信息和钙化识别信息进行合并,得到目标图像识别信息。
本发明实施例中,通过对待检测部位超声图像、病灶区域提取和病灶区域像素腐蚀、斑点结构检测、线结构检测、骨架特征提取、垂线特征分类、彗星尾征检测、基于统计特性的钙化检测和钙化类型分类,分析的特征丰富,兼容性大,解决了对于散斑噪声严重、结节边缘模糊和对比度低等因素造成的图像识别难度大的问题,能够准确识别出待检测部位超声图像的钙化结构和钙化类别,从而提高了超声图像的识别准确性。本方案可应用于智慧医疗领域中,从而推动智慧城市的建设。
请参阅图2,本发明实施例中超声图像的识别方法的另一个实施例包括:
201、获取待检测部位超声图像,对待检测部位超声图像依次进行病灶区域提取和病灶区域像素腐蚀,得到病灶图像数据。
具体地,服务器获取待检测部位超声图像,对待检测部位超声图像进行脱敏,得到预处理后的待检测部位超声图像;对预处理后的待检测部位超声图像依次进行病灶区域分割、病灶区域掩膜和像素向内腐蚀,得到病灶图像数据。
服务器通过从云端上提取患者的待检测部位的超声图像,从而得到待检测部位超声图像,待检测部位超声图像包括但不限于患者文字信息以及非待检测部位超声成像的非文字信息,其中,本实施例中的待检测部位超声图像为甲状腺超声图像;调用预置的目标检测算法,基于预设大小的多个锚框对待检测部位超声图像进行边界框识别和边界框分割,得到多个目标框,其中,基于预设大小的多个锚框为基于部位超声图像样本进行训练生成的多个不同区域对应不同尺寸的锚框,如:文字区域对应的锚框的大小与超声成像区域对应的锚框的大小不相同;对各目标框进行特征提取,得到目标框特征,对目标框特征进行分类,得到非部位超声区域,该非部位超声区域包括文字区域和非部位超声(非部位超声如:盖章的图像)的图像区域;将多个目标框中的非部位超声区域进行过滤掉,以实现对待检测部位超声图像的脱敏,从而得到预处理后的待检测部位超声图像。
服务器调用预置的全卷积神经网络UNet,对预处理后的待检测部位超声图像依次进行图像分割和病灶区域识别,得到目标病灶区域;对目标病灶区域进行掩膜处理,以实现病灶区域掩膜,从而得到病灶掩膜区域;调用预置的腐蚀算法,按照预设数量像素(例如:5个像素),将病灶掩膜区域向内腐蚀,得到病灶图像数据,以防止由于病灶分割边缘不准确对钙化区域的判断所造成的影响。提高了病灶图像数据的质量,从而提高了对超声图像的识别准确性。
202、对病灶图像数据分别进行斑点结构检测和线结构检测,得到待处理图像数据,待处理图像数据包括斑点区域数据和脊线数据。
具体地,服务器对病灶图像数据依次进行病灶区域斑点检测和强度筛选,得到斑点区域数据;对病灶图像数据依次进行特征提取、海森矩阵计算和筛选,得到目标特征信息组;通过目标特征信息组构建线状结构得到脊线数据,并将斑点区域数据和脊线数据确定为待处理图像数据。
服务器通过预置的斑点检测算法,本实施例中的斑点检测算法为基于局部极值的分水岭算法,对病灶图像数据依次进行多次二值化图像转换、候选圆点确定和圆点分类,以实现对病灶图像数据的斑点结构检测,并获取斑点检测的斑点强度和中心区域强度;判断斑点强度是否大于预设强度;若斑点强度大于预设强度,则计算斑点强度与中心区域强度的差值绝对值,并判断差值绝对值是否大于预设值,若差值绝对值大于预设值,则将病灶图像数据中对应的病灶区域确定为斑点区域数据,若差值绝对值小于或等于预设值,则将病灶图像数据中对应的病灶区域删除;若斑点强度小于或等于预设强度,则将病灶图像数据中对应的病灶区域删除。
服务器对病灶图像数据进行特征提取,得到病灶图像特征,该病灶图像特征包括但不限于病灶图像数据中每一个像素点对应的灰度特征、纹理特征和形状特征;通过预置的海森矩阵hessian matrix,对病灶图像特征进行矩阵计算,得到初始特征信息组,初始特征信息组的数量为两组,一组特征信息组包括一个特征值与一个特征向量;计算初始特征信息组中各特征值的绝对值,判断各特征值的绝对值是否均大于预置的目标值(例如:预置的目标值为10),若是,则将各特征值的绝对值之间进行大小比较,得到目标绝对值,该目标绝对值为较大的特征值的绝对值,若否,则将大于预置的目标值的特征值的绝对值确定为目标绝对值;将目标绝对值和目标绝对值对应的特征向量确定为目标特征信息组;按照预置的构建条件,基于目标特征信息组构建线状结构得到脊线数据,以实现病灶图像数据的线结构检测,其中,预置的构建条件如:同时满足以下条件:在线状结构的每个点都构建目标特征,该目标特征为目标特征信息组中的特征向量与一阶导数的乘积,线状结构的任意一点A与该点A的八邻域点都须符合条件1(任意一点A的目标特征*八邻域点特征*(该点A的特征向量*八邻域点的特征向量)<0);对于线状结构的任意一点A与线状结构的任意一点A须满足条件2(任意一点A的目标特征*(该点A的特征向量*八邻域点的一阶导数)<0)。将斑点区域数据和脊线数据确定为待处理图像数据。丰富了待处理图像数据的特征多样性,提高了待处理图像数据的有效性。
203、对待处理图像数据依次进行骨架特征提取和垂线特征分类,得到骨架垂线特征和非骨架垂线特征,并对骨架垂线特征进行彗星尾征检测,得到彗星尾征识别信息。
具体地,服务器对待处理图像数据依次进行目标边界点检测和骨架特征提取,得到骨架特征;对骨架特征进行基于垂线特征的分类,得到骨架垂线特征和非骨架垂线特征;对骨架垂线特征进行遍历和横线识别,得到横线特征信息;按照预设彗星尾征检测策略,将横线特征信息与骨架垂线特征进行对比分析,得到彗星尾征识别信息。
其中,目标边界点为不影响连通性的边界点,目标边界点包括孤立点,线段端点、可能骨架点、内部点、不影响删除点和需删除点,可能骨架点为可能为骨架的点,不影响删除点用于指示删除此点不会使连通域增多,需删除点表示需删除的面向右下方的边界点和左上方的边界点。服务器对待处理图像数据进行预设点检测,得到目标边界点;根据目标边界点对待处理图像数据中的骨架进行特征提取,得到骨架特征;对骨架特征进行垂线提取,得到垂线特征,根据垂线特征将骨架特征分类为骨架垂线特征和非骨架垂线特征;依次遍历骨架垂线特征,寻找垂线的上方是否有横线,从而得到横线特征信息;按照预设彗星尾征检测策略,将横线特征信息与骨架垂线特征进行对比分析,得到彗星尾征识别信息,其中,该预设彗星尾征检测策略为:横线是否超过结节的1/5,垂线是否从上至下有回声衰减,彗星尾是否在囊性区域内,横线超过垂线长度的长度是否预设范围值内。
204、获取非骨架垂线特征对应的非骨架垂线图像分割数据,通过斑点区域数据和脊线数据,对非骨架垂线图像分割数据进行筛选,得到多个备选区域。
服务器获取非骨架垂线特征对应的非骨架垂线图像分割数据的执行过程如下:服务器获取非骨架垂线特征对应的图像,对非骨架垂线特征对应的图像进行预设数量的超像素分割,得到非骨架垂线图像分割数据,本实施例中的预设数量的超像素包括两种超像素,分别为第一超像素和第二超像素,第一超像素的大小比第二超像素的大小大,非骨架垂线图像分割数据包括多个第一超像素区域和多个第二超像素区域,多个第一超像素区域的数量比多个第二超像素区域的数量多,例如:将非骨架垂线特征对应的图像分割为10个以内的大超像素块(即第一超像素),得到多个第一超像素区域,将非骨架垂线特征对应的图像分割为(裁剪crop出的图像区域的像素数/20)个小超像素块(即第二超像素)。其中,服务器将非骨架垂线特征对应的图像分割成第一超像素的多个第一超像素区域,将多个第一超像素区域分割为第二超像素的多个第二超像素区域;服务器也可将非骨架垂线特征对应的图像分割成第一超像素的多个第一超像素区域,以及第二超像素的多个第二超像素区域。由于超像素分割可以将图像分割成很多子区域,每个子区域内部之间的像素特征分布具有很强的一致性,从而提高了非骨架垂线图像分割数据之间的一致性。
服务器通过斑点区域数据和脊线数据,对非骨架垂线图像分割数据进行筛选的执行过程如下:将非骨架垂线图像分割数据中保留了所有斑点区域数据的图像区域提取出来,将非骨架垂线图像分割数据中与斑点区域数据有重合部分的脊线数据对应的图像区域提取出来,从而得到多个第一区域;计算非骨架垂线图像分割数据中以及各第二超像素区域的超像素块面积,以及各第二超像素区域中斑点区域数据占据的斑点面积,并计算斑点面积对于超像素块面积的占比,将占比大于预设比例(本实施例的预设比例为0.5)的第二超像素区域提取出来,并将多个第二超像素区域中包含保留的脊线数据的第二超像素区域提取出来,得到多个第二区域,将多个第一区域和多个第二区域确定为多个备选区域。提高了多个备选区域的特征丰富性和准确性。
205、通过预置的基于统计特性的分离融合机制,对多个备选区域依次进行钙化区域识别和钙化类型分析,得到钙化识别信息。
具体地,服务器通过预置的基于统计特性的分离融合机制,计算多个备选区域中多个目标超像素区域的融合值和分离值,并根据融合值和分离值确定目标差值;将目标差值与预设阈值进行对比分析,得到分析结果,并根据分析结果从多个备选区域中确定目标钙化区域;获取目标钙化区域的钙化长度,并通过钙化长度确定目标钙化区域的钙化类型;将目标钙化区域和钙化类型进行合并,得到钙化识别信息。
具体地,服务器通过预置的基于统计特性的分离融合机制,将多个备选区域中的多个目标超像素区域进行融合,得到已融合区域,对已融合区域进行似然度计算,得到融合值;通过多个备选区域,对已融合区域进行分离,得到分离后的区域,对分离后的区域进行基于分布估值-钙化概率的和值计算,得到分离值;计算融合值和分离值的差值,得到目标差值。
服务器通过预置的基于统计特性的分离融合机制中的纳卡伽马nakagami分布算法,将多个备选区域中的多个目标超像素区域(多个目标超像素区域为多个第一超像素区域)进行灰度分布的拟合处理,得到已融合区域,并获取根据大超像素块拟合出的参数(即已融合区域的拟合参数),根据大超像素块拟合出的参数计算已融合区域的似然度,得到融合值,其中,已融合区域的拟合参数包括衰落参数和伽马参数;将已融合区域中的多个备选区域进行去除,得到分离后的区域,调用纳卡伽马nakagami分布算法,对分离后的区域进行分布估计,得到分布估计值,对分布估计值进行对数概率计算,得到第一概率值,并通过预置的钙化概率直方图,计算分离后的区域的对数概率,得到第二概率值,计算第一概率值和第二概率值的和值,得到分离值;计算融合值和分离值的差值,得到目标差值。
将目标差值与预设阈值进行对比分析,得到分析结果,并根据分析结果从多个备选区域中确定目标钙化区域;获取目标钙化区域的钙化长度,并通过钙化长度确定目标钙化区域的钙化类型;将目标钙化区域和钙化类型进行合并,得到钙化识别信息。
服务器判断目标差值是否超过预设阈值的预设范围值,得到分析结果,若分析结果为是,则将对应的备选区域确定为目标钙化区域,若否,则将对应的备选区域确定为非目标钙化区域;获取目标钙化区域的最长边,计算最长边的长度,得到钙化长度,判断钙化长度是否小于预设长度(如:预设长度为0.1cm),若是,则将目标钙化区域的钙化类型判定为微钙化类型,若否,则将目标钙化区域的钙化类型判定为粗钙化类型,从而得到目标钙化区域的钙化类型(微钙化类型或粗钙化类型)。将目标钙化区域和钙化类型进行相加融合,得到钙化识别信息。通过基于统计特性的分离融合机制,提高了钙化识别信息的准确性。
206、将彗星尾征识别信息和钙化识别信息进行合并,得到目标图像识别信息。
服务器将彗星尾征识别信息和钙化识别信息进行相加融合,从而得到目标图像识别信息;或者,服务器将彗星尾征识别信息和钙化识别信息写入至预置的图像识别结果模板中,从而得到目标图像识别信息;或者,服务器通过彗星尾征识别信息和钙化识别信息,对预置的图像识别信息库中进行检索,得到对应的图像识别信息,该图像识别信息为结合彗星尾征识别信息和钙化识别信息进行判别所得的识别结果,将对应的图像识别信息作为目标图像识别信息,以实现彗星尾征识别信息和钙化识别信息的合并。
本发明实施例中,通过对待检测部位超声图像、病灶区域提取和病灶区域像素腐蚀、斑点结构检测、线结构检测、骨架特征提取、垂线特征分类、彗星尾征检测、基于统计特性的钙化检测和钙化类型分类,分析的特征丰富,兼容性大,解决了对于散斑噪声严重、结节边缘模糊和对比度低等因素造成的图像识别难度大的问题,能够准确识别出待检测部位超声图像的钙化结构和钙化类别,从而提高了超声图像的识别准确性。本方案可应用于智慧医疗领域中,从而推动智慧城市的建设。
上面对本发明实施例中超声图像的识别方法进行了描述,下面对本发明实施例中超声图像的识别装置进行描述,请参阅图3,本发明实施例中超声图像的识别装置一个实施例包括:
像素腐蚀模块301,用于获取待检测部位超声图像,对待检测部位超声图像依次进行病灶区域提取和病灶区域像素腐蚀,得到病灶图像数据;
第一检测模块302,用于对病灶图像数据分别进行斑点结构检测和线结构检测,得到待处理图像数据,待处理图像数据包括斑点区域数据和脊线数据;
第二检测模块303,用于对待处理图像数据依次进行骨架特征提取和垂线特征分类,得到骨架垂线特征和非骨架垂线特征,并对骨架垂线特征进行彗星尾征检测,得到彗星尾征识别信息;
分类确定模块304,用于对非骨架垂线特征依次进行基于统计特性的钙化检测和钙化类型分类,得到钙化识别信息,并将彗星尾征识别信息和钙化识别信息确定为目标图像识别信息。
上述超声图像的识别装置中各个模块的功能实现与上述超声图像的识别方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
本发明实施例中,通过对待检测部位超声图像、病灶区域提取和病灶区域像素腐蚀、斑点结构检测、线结构检测、骨架特征提取、垂线特征分类、彗星尾征检测、基于统计特性的钙化检测和钙化类型分类,分析的特征丰富,兼容性大,解决了对于散斑噪声严重、结节边缘模糊和对比度低等因素造成的图像识别难度大的问题,能够准确识别出待检测部位超声图像的钙化结构和钙化类别,从而提高了超声图像的识别准确性。本方案可应用于智慧医疗领域中,从而推动智慧城市的建设。
请参阅图4,本发明实施例中超声图像的识别装置的另一个实施例包括:
像素腐蚀模块301,用于获取待检测部位超声图像,对待检测部位超声图像依次进行病灶区域提取和病灶区域像素腐蚀,得到病灶图像数据;
第一检测模块302,用于对病灶图像数据分别进行斑点结构检测和线结构检测,得到待处理图像数据,待处理图像数据包括斑点区域数据和脊线数据;
第二检测模块303,用于对待处理图像数据依次进行骨架特征提取和垂线特征提取,得到骨架垂线特征和非骨架垂线特征,并对骨架垂线特征进行彗星尾征检测,得到彗星尾征识别信息;
分类确定模块304,用于对非骨架垂线特征依次进行基于统计特性的钙化检测和钙化类型分类,得到钙化识别信息,并将彗星尾征识别信息和钙化识别信息确定为目标图像识别信息;
其中,分类确定模块304具体包括:
筛选单元3041,用于获取非骨架垂线特征对应的非骨架垂线图像分割数据,通过斑点区域数据和脊线数据,对非骨架垂线图像分割数据进行筛选,得到多个备选区域;
类型分析单元3042,用于通过预置的基于统计特性的分离融合机制,对多个备选区域依次进行钙化区域识别和钙化类型分析,得到钙化识别信息;
合并单元3043,用于将彗星尾征识别信息和钙化识别信息进行合并,得到目标图像识别信息。
可选的,类型分析单元3042包括:
计算子单元30421,用于通过预置的基于统计特性的分离融合机制,计算多个备选区域中多个目标超像素区域的融合值和分离值,并根据融合值和分离值确定目标差值;
第一确定子单元30422,用于将目标差值与预设阈值进行对比分析,得到分析结果,并根据分析结果从多个备选区域中确定目标钙化区域;
第二确定子单元30423,用于获取目标钙化区域的钙化长度,并通过钙化长度确定目标钙化区域的钙化类型;
合并子单元30424,用于将目标钙化区域和钙化类型进行合并,得到钙化识别信息。
可选的,计算子单元30421还可以具体用于:
通过预置的基于统计特性的分离融合机制,将多个备选区域中的多个目标超像素区域进行融合,得到已融合区域,对已融合区域进行似然度计算,得到融合值;
通过多个备选区域,对已融合区域进行分离,得到分离后的区域,对分离后的区域进行基于分布估值-钙化概率的和值计算,得到分离值;
计算融合值和分离值的差值,得到目标差值。
可选的,第一检测模块302还可以具体用于:
对病灶图像数据依次进行病灶区域斑点检测和强度筛选,得到斑点区域数据;
对病灶图像数据依次进行特征提取、海森矩阵计算和筛选,得到目标特征信息组;
通过目标特征信息组构建线状结构得到脊线数据,并将斑点区域数据和脊线数据确定为待处理图像数据。
可选的,像素腐蚀模块301还可以具体用于:
获取待检测部位超声图像,对待检测部位超声图像进行脱敏,得到预处理后的待检测部位超声图像;
对预处理后的待检测部位超声图像依次进行病灶区域分割、病灶区域掩膜和像素向内腐蚀,得到病灶图像数据。
可选的,第二检测模块303还可以具体用于:
对待处理图像数据依次进行目标边界点检测和骨架特征提取,得到骨架特征;
对骨架特征进行基于垂线特征的分类,得到骨架垂线特征和非骨架垂线特征;
对骨架垂线特征进行遍历和横线识别,得到横线特征信息;
按照预设彗星尾征检测策略,将横线特征信息与骨架垂线特征进行对比分析,得到彗星尾征识别信息。
上述超声图像的识别装置中各模块和各单元的功能实现与上述超声图像的识别方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
本发明实施例中,通过对待检测部位超声图像、病灶区域提取和病灶区域像素腐蚀、斑点结构检测、线结构检测、骨架特征提取、垂线特征分类、彗星尾征检测、基于统计特性的钙化检测和钙化类型分类,分析的特征丰富,兼容性大,解决了对于散斑噪声严重、结节边缘模糊和对比度低等因素造成的图像识别难度大的问题,能够准确识别出待检测部位超声图像的钙化结构和钙化类别,从而提高了超声图像的识别准确性。本方案可应用于智慧医疗领域中,从而推动智慧城市的建设。
上面图3和图4从模块化功能实体的角度对本发明实施例中的超声图像的识别装置进行详细描述,下面从硬件处理的角度对本发明实施例中超声图像的识别设备进行详细描述。
图5是本发明实施例提供的一种超声图像的识别设备的结构示意图,该超声图像的识别设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对超声图像的识别设备500中的一系列计算机程序操作。更进一步地,处理器510可以设置为与存储介质530通信,在超声图像的识别设备500上执行存储介质530中的一系列计算机程序操作。
超声图像的识别设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的超声图像的识别设备结构并不构成对超声图像的识别设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本申请还提供一种超声图像的识别设备,包括:存储器和至少一个处理器,所述存储器中存储有计算机程序,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述计算机程序,以使得所述超声图像的识别设备执行上述超声图像的识别方法中的步骤。本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,计算机可读存储介质中存储有计算机程序,当计算机程序在计算机上运行时,使得计算机执行超声图像的识别方法的步骤。
进一步地,计算机可读存储介质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;存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干计算机程序用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种超声图像的识别方法,其特征在于,所述超声图像的识别方法包括:
获取待检测部位超声图像,对所述待检测部位超声图像依次进行病灶区域提取和病灶区域像素腐蚀,得到病灶图像数据;
对所述病灶图像数据分别进行斑点结构检测和线结构检测,得到待处理图像数据,所述待处理图像数据包括斑点区域数据和脊线数据;
对所述待处理图像数据依次进行骨架特征提取和垂线特征分类,得到骨架垂线特征和非骨架垂线特征,并对所述骨架垂线特征进行彗星尾征检测,得到彗星尾征识别信息;
对所述非骨架垂线特征依次进行基于统计特性的钙化检测和钙化类型分类,得到钙化识别信息,并将所述彗星尾征识别信息和所述钙化识别信息确定为目标图像识别信息。
2.根据权利要求1所述的超声图像的识别方法,其特征在于,所述对所述非骨架垂线特征依次进行基于统计特性的钙化检测和钙化类型分类,得到钙化识别信息,并将所述彗星尾征识别信息和所述钙化识别信息确定为目标图像识别信息,包括:
获取所述非骨架垂线特征对应的非骨架垂线图像分割数据,通过所述斑点区域数据和所述脊线数据,对所述非骨架垂线图像分割数据进行筛选,得到多个备选区域;
通过预置的基于统计特性的分离融合机制,对所述多个备选区域依次进行钙化区域识别和钙化类型分析,得到钙化识别信息;
将所述彗星尾征识别信息和所述钙化识别信息进行合并,得到目标图像识别信息。
3.根据权利要求2所述的超声图像的识别方法,其特征在于,所述通过预置的基于统计特性的分离融合机制,对所述多个备选区域依次进行钙化区域识别和钙化类型分析,得到钙化识别信息,包括:
通过预置的基于统计特性的分离融合机制,计算所述多个备选区域中多个目标超像素区域的融合值和分离值,并根据所述融合值和所述分离值确定目标差值;
将所述目标差值与预设阈值进行对比分析,得到分析结果,并根据所述分析结果从所述多个备选区域中确定目标钙化区域;
获取所述目标钙化区域的钙化长度,并通过所述钙化长度确定所述目标钙化区域的钙化类型;
将所述目标钙化区域和所述钙化类型进行合并,得到钙化识别信息。
4.根据权利要求3所述的超声图像的识别方法,其特征在于,所述通过预置的基于统计特性的分离融合机制,计算所述多个备选区域中多个目标超像素区域的融合值和分离值,并根据所述融合值和所述分离值确定目标差值,包括:
通过预置的基于统计特性的分离融合机制,将所述多个备选区域中的多个目标超像素区域进行融合,得到已融合区域,对所述已融合区域进行似然度计算,得到融合值;
通过所述多个备选区域,对所述已融合区域进行分离,得到分离后的区域,对所述分离后的区域进行基于分布估值-钙化概率的和值计算,得到分离值;
计算所述融合值和所述分离值的差值,得到目标差值。
5.根据权利要求1所述的超声图像的识别方法,其特征在于,所述对所述病灶图像数据分别进行斑点结构检测和线结构检测,得到待处理图像数据,所述待处理图像数据包括斑点区域数据和脊线数据,包括:
对所述病灶图像数据依次进行病灶区域斑点检测和强度筛选,得到斑点区域数据;
对所述病灶图像数据依次进行特征提取、海森矩阵计算和筛选,得到目标特征信息组;
通过所述目标特征信息组构建线状结构得到脊线数据,并将所述斑点区域数据和所述脊线数据确定为待处理图像数据。
6.根据权利要求1所述的超声图像的识别方法,其特征在于,所述获取待检测部位超声图像,对所述待检测部位超声图像依次进行病灶区域提取和病灶区域像素腐蚀,得到病灶图像数据,包括:
获取待检测部位超声图像,对所述待检测部位超声图像进行脱敏,得到预处理后的待检测部位超声图像;
对所述预处理后的待检测部位超声图像依次进行病灶区域分割、病灶区域掩膜和像素向内腐蚀,得到病灶图像数据。
7.根据权利要求1-6中任一项所述的超声图像的识别方法,其特征在于,所述对所述待处理图像数据依次进行骨架特征提取和垂线特征分类,得到骨架垂线特征和非骨架垂线特征,并对所述骨架垂线特征进行彗星尾征检测,得到彗星尾征识别信息,包括:
对所述待处理图像数据依次进行目标边界点检测和骨架特征提取,得到骨架特征;
对所述骨架特征进行基于垂线特征的分类,得到骨架垂线特征和非骨架垂线特征;
对所述骨架垂线特征进行遍历和横线识别,得到横线特征信息;
按照预设彗星尾征检测策略,将所述横线特征信息与所述骨架垂线特征进行对比分析,得到彗星尾征识别信息。
8.一种超声图像的识别装置,其特征在于,所述超声图像的识别装置包括:
像素腐蚀模块,用于获取待检测部位超声图像,对所述待检测部位超声图像依次进行病灶区域提取和病灶区域像素腐蚀,得到病灶图像数据;
第一检测模块,用于对所述病灶图像数据分别进行斑点结构检测和线结构检测,得到待处理图像数据,所述待处理图像数据包括斑点区域数据和脊线数据;
第二检测模块,用于对所述待处理图像数据依次进行骨架特征提取和垂线特征分类,得到骨架垂线特征和非骨架垂线特征,并对所述骨架垂线特征进行彗星尾征检测,得到彗星尾征识别信息;
分类确定模块,用于对所述非骨架垂线特征依次进行基于统计特性的钙化检测和钙化类型分类,得到钙化识别信息,并将所述彗星尾征识别信息和所述钙化识别信息确定为目标图像识别信息。
9.一种超声图像的识别设备,其特征在于,所述超声图像的识别设备包括:存储器和至少一个处理器,所述存储器中存储有计算机程序;
所述至少一个处理器调用所述存储器中的所述计算机程序,以使得所述超声图像的识别设备执行如权利要求1-7中任意一项所述的超声图像的识别方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述超声图像的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110836191.5A CN113379739B (zh) | 2021-07-23 | 2021-07-23 | 超声图像的识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110836191.5A CN113379739B (zh) | 2021-07-23 | 2021-07-23 | 超声图像的识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379739A CN113379739A (zh) | 2021-09-10 |
CN113379739B true CN113379739B (zh) | 2022-03-25 |
Family
ID=77582811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110836191.5A Active CN113379739B (zh) | 2021-07-23 | 2021-07-23 | 超声图像的识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379739B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822864B (zh) * | 2021-09-16 | 2023-10-31 | 什维新智医疗科技(上海)有限公司 | 一种乳腺结节钙化检测装置 |
CN113808100B (zh) * | 2021-09-16 | 2024-03-19 | 什维新智医疗科技(上海)有限公司 | 一种乳腺结节粗钙化识别装置 |
CN116523802B (zh) * | 2023-07-04 | 2023-08-29 | 天津大学 | 一种用于肝脏超声图像的增强优化方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014100717A2 (en) * | 2012-12-21 | 2014-06-26 | Integrated Diagnostics, Inc. | Compositions, methods and kits for diagnosis of lung cancer |
CN108257135A (zh) * | 2018-02-01 | 2018-07-06 | 浙江德尚韵兴图像科技有限公司 | 基于深度学习方法解读医学图像特征的辅助诊断系统 |
CN109846513A (zh) * | 2018-12-18 | 2019-06-07 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像方法、系统和图像测量方法、处理系统及介质 |
CN110222759A (zh) * | 2019-06-03 | 2019-09-10 | 中国医科大学附属第一医院 | 一种冠状动脉易损斑块自动识别系统 |
CN110264461A (zh) * | 2019-06-25 | 2019-09-20 | 南京工程学院 | 基于超声乳腺肿瘤图像的微小钙化点自动检测方法 |
CN110910441A (zh) * | 2019-11-15 | 2020-03-24 | 首都医科大学附属北京友谊医院 | 一种中心线提取的方法及装置 |
CN112381006A (zh) * | 2020-11-17 | 2021-02-19 | 深圳度影医疗科技有限公司 | 一种超声影像的分析方法、存储介质及终端设备 |
CN113034426A (zh) * | 2019-12-25 | 2021-06-25 | 飞依诺科技(苏州)有限公司 | 超声图像病灶描述方法、装置、计算机设备和存储介质 |
WO2021129325A1 (zh) * | 2019-12-25 | 2021-07-01 | 飞依诺科技(苏州)有限公司 | 超声图像病灶的分割方法、装置和计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5965868B2 (ja) * | 2013-06-11 | 2016-08-10 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | 刺入目標点設定装置及び超音波診断装置 |
-
2021
- 2021-07-23 CN CN202110836191.5A patent/CN113379739B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014100717A2 (en) * | 2012-12-21 | 2014-06-26 | Integrated Diagnostics, Inc. | Compositions, methods and kits for diagnosis of lung cancer |
CN108257135A (zh) * | 2018-02-01 | 2018-07-06 | 浙江德尚韵兴图像科技有限公司 | 基于深度学习方法解读医学图像特征的辅助诊断系统 |
CN109846513A (zh) * | 2018-12-18 | 2019-06-07 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像方法、系统和图像测量方法、处理系统及介质 |
CN110222759A (zh) * | 2019-06-03 | 2019-09-10 | 中国医科大学附属第一医院 | 一种冠状动脉易损斑块自动识别系统 |
CN110264461A (zh) * | 2019-06-25 | 2019-09-20 | 南京工程学院 | 基于超声乳腺肿瘤图像的微小钙化点自动检测方法 |
CN110910441A (zh) * | 2019-11-15 | 2020-03-24 | 首都医科大学附属北京友谊医院 | 一种中心线提取的方法及装置 |
CN113034426A (zh) * | 2019-12-25 | 2021-06-25 | 飞依诺科技(苏州)有限公司 | 超声图像病灶描述方法、装置、计算机设备和存储介质 |
WO2021129325A1 (zh) * | 2019-12-25 | 2021-07-01 | 飞依诺科技(苏州)有限公司 | 超声图像病灶的分割方法、装置和计算机设备 |
CN112381006A (zh) * | 2020-11-17 | 2021-02-19 | 深圳度影医疗科技有限公司 | 一种超声影像的分析方法、存储介质及终端设备 |
Non-Patent Citations (1)
Title |
---|
"医学影像信息系统中的智能化报告技术研究";谢哲;《中国博士学位论文全文数据库》;20210315(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113379739A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113379739B (zh) | 超声图像的识别方法、装置、设备及存储介质 | |
CN110490212B (zh) | 钼靶影像处理设备、方法和装置 | |
CN110678901B (zh) | 信息处理设备、信息处理方法和计算机可读存储介质 | |
CN114418957A (zh) | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 | |
CN111680556A (zh) | 交通卡口车辆类型的识别方法、装置、设备及存储介质 | |
CN111724342A (zh) | 一种用于超声影像中甲状腺微小结节的检测方法 | |
JPWO2020066257A1 (ja) | 分類装置、分類方法、プログラム、ならびに、情報記録媒体 | |
CN114882599A (zh) | 基于双分支神经网络的离线手写签名分割系统和方法 | |
CN111444907A (zh) | 文字识别的方法、装置、设备及存储介质 | |
Pervej et al. | Real-time computer vision-based bangla vehicle license plate recognition using contour analysis and prediction algorithm | |
US20160283821A1 (en) | Image processing method and system for extracting distorted circular image elements | |
Chen et al. | Image segmentation based on mathematical morphological operator | |
CN113177554A (zh) | 甲状腺结节识别与分割方法、系统、存储介质及设备 | |
JP2018124963A (ja) | 画像処理装置、画像認識装置、画像処理プログラム、及び画像認識プログラム | |
CN111814832A (zh) | 一种目标检测方法、装置及存储介质 | |
JP7165353B2 (ja) | 画像特徴量出力装置、画像認識装置、画像特徴量出力プログラム、及び画像認識プログラム | |
Ghandour et al. | Building shadow detection based on multi-thresholding segmentation | |
JP6377214B2 (ja) | テキスト検出方法および装置 | |
CN114067186B (zh) | 一种行人检测方法、装置、电子设备及存储介质 | |
CN106909936B (zh) | 一种基于双车辆可变形部件模型的车辆检测方法 | |
CN112528990B (zh) | 一种高动态星敏感器恒星光斑提取方法 | |
CN111860288B (zh) | 人脸识别方法、装置及系统、可读存储介质 | |
CN111382741B (zh) | 一种自然场景图片中文本检测方法、系统及设备 | |
Kurbatova et al. | Detection of roads from images based on edge segmentation and morphological operations | |
JP4409713B2 (ja) | 文書画像認識装置及び記録媒体 |
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 |