CN113409275A - 基于超声图像确定胎儿颈后透明层厚度的方法及相关装置 - Google Patents

基于超声图像确定胎儿颈后透明层厚度的方法及相关装置 Download PDF

Info

Publication number
CN113409275A
CN113409275A CN202110689101.4A CN202110689101A CN113409275A CN 113409275 A CN113409275 A CN 113409275A CN 202110689101 A CN202110689101 A CN 202110689101A CN 113409275 A CN113409275 A CN 113409275A
Authority
CN
China
Prior art keywords
contour line
contour
transparent
determining
coordinate
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
CN202110689101.4A
Other languages
English (en)
Other versions
CN113409275B (zh
Inventor
时俊楠
陈哲
刘芳蕾
王克强
王�琦
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.)
Qingdao Hisense Medical Equipment Co Ltd
Original Assignee
Qingdao Hisense Medical Equipment 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 Qingdao Hisense Medical Equipment Co Ltd filed Critical Qingdao Hisense Medical Equipment Co Ltd
Priority to CN202110689101.4A priority Critical patent/CN113409275B/zh
Publication of CN113409275A publication Critical patent/CN113409275A/zh
Application granted granted Critical
Publication of CN113409275B publication Critical patent/CN113409275B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/30088—Skin; Dermal

Abstract

本申请公开了一种基于超声图像确定胎儿颈后透明层厚度的方法及相关装置。用于计算胎儿颈后透明层的厚度。本申请实施例中，从胎儿超声图像中获取包含颈后透明层区域的图像块；对图像块进行轮廓提取并识别出上透明带的轮廓线和下透明带的轮廓线；将上透明带的轮廓线和下透明带的轮廓线之间的最大间距作为颈后透明层区域的厚度。

Description

基于超声图像确定胎儿颈后透明层厚度的方法及相关装置
技术领域
本申请涉及超声图像处理技术领域，尤其涉及一种基于超声图像确定胎儿颈后透明层厚度的方法及相关装置。
背景技术
相对于基因筛查胎儿遗传疾病的方式，产前超声筛查胎儿颈后透明层厚度技术是一种快速安全、无辐射的方法，在临床应用和市场占有率方面有重要价值。临床上NT的测量受到操作者的技术水平、超声设备的成像性能、以及孕妇和胎儿的体质因素影响，因此，如何排除这些影响是各类研究的重要方向。
实现产前早孕期二维超声的胎儿颈后透明层厚度自动测量计算的过程涉及到若干技术难点：(1)如何排除不同型号的超声设备下不同的成像风格、孕妇和胎儿体质等因素对图像分割造成的干扰；(2)如何进行NT-ROI区域的准确分割；(3)如何快速的自动定位NT上下层边缘；(4)如何准确定位NT上下边缘层的最厚位置处。由于存在这些技术上的难点，目前行业内存在的NT自动测量技术或存在着在不同超声设备上的泛化能力不足，或NT厚度计算不准确的问题。
发明内容
本申请的目的是提供一种基于超声图像确定胎儿颈后透明层厚度的方及相关装置，用于计算胎儿颈后透明层的厚度。
第一方面，本申请实施例提供了一种胎儿颈后透明层的方法，包括：
从胎儿超声图像中获取包含颈后透明层区域的图像块；
对所述图像块进行轮廓提取，得到第一轮廓线集合；
从所述第一轮廓线集合中识别出上透明带的轮廓线和下透明带的轮廓线；
识别所述上透明带的轮廓线和所述下透明带的轮廓线之间的最大间距作为所述颈后透明层区域的厚度。
在一个实施例中，所述从所述第一轮廓线集合中识别出上透明带的轮廓线和下透明带的轮廓线，包括：
识别所述第一轮廓线集合中各条轮廓线的类型；
若存在非直线型的轮廓线，则将所述非直线型的轮廓线分割为直线型轮廓线；
依据所述颈后透明层区域的特征，从各直线型轮廓线构成的第二轮廓线集合中寻找所述上透明带的轮廓线和所述下透明带的轮廓线；
其中，所述透明层区域的特征包括所述上透明带和所述下透明带之间具有暗液区域。
在一个实施例中，所述将所述非直线型的轮廓线分割为直线型轮廓线，包括：
针对所述非直线型的轮廓，确定所述非直线型的轮廓的横坐标的范围和纵坐标的范围；
根据所述横坐标的范围遍历所述非直线型轮廓；
在横坐标相同时，将纵坐标大的像素点构成的轮廓线确定为下透明带的轮廓线；
将纵坐标小的像素点构成的轮廓线确定为上透明带的轮廓线；
所述上透明带的轮廓线和所述下透明带的轮廓线为分割后的所述直线型轮廓线。
在一个实施例中，所述依据所述颈后透明层区域的特征，从各直线型轮廓线构成的第二轮廓线集合中寻找所述上透明带的轮廓线和所述下透明带的轮廓线，包括：
确定所述第二轮廓线集合中各轮廓线的第一中心坐标；
对第一中心坐标的纵坐标相邻的两轮廓线，识别所述两轮廓线上下两侧的像素点类别；
若所述两轮廓线上下两侧的像素点类别符合所述颈后透明层区域的特征，则依据所述两轮廓线的纵坐标，将所述两轮廓线分类为所述上透明带的轮廓线和所述下透明带的轮廓线；
其中，所述透明层区域的特征为所述两轮廓线中上轮廓线的上侧和下轮廓线下侧的像素点的类别为背景点，所述上轮廓线下侧和所述下轮廓线上侧的像素点的类别为前景点。
在一个实施例中，所述确定所述第二轮廓线集合中各轮廓线的第一中心坐标，包括：
确定所述第二轮廓线中各轮廓的横坐标范围和纵坐标范围；
根据所述横坐标范围确定所述各轮廓线的横坐标的最大值和最小值；
根据所述纵坐标的范围确定所述各轮廓线的纵坐标的最大值和最小值；
所述横坐标的最大值和最小值的均值为所述第一中心坐标的横坐标，所述纵坐标的最大值和最小值的均值为所述第一中心坐标的纵坐标。
在一个实施例中，所述识别所述第一轮廓线集合中各条轮廓线的类型，包括：
针对所述第一轮廓线集合中的每条轮廓线，分别执行：
确定所述轮廓线的第二中心点坐标；
在所述第二中心点的两侧，分别取至少一个满足预设条件的坐标点，所述预设条件包括所取坐标点的横坐标与所述第二中心点的横坐标的差值满足预设差值；
以所述第二中心点、所取的各坐标点分别所在的平行于纵向方向的线为参考线；
确定各条参考线与所述轮廓线的交点；
基于各条参考线的交点数量，得到所述轮廓线的类型；
其中，若存在至少一条参考线的交点数量少于两个点，则所述轮廓线类型为直线型；
若各条参考线的交点数量均大于或等于两个点，则所述轮廓线类型为非直线型。
在一个实施例中，所述颈后透明层区域为前景点，所述颈后透明层区域之外的点为背景点，确定所述两轮廓线上下两侧的像素点类别是否符合所述颈后透明层区域的特征，包括：
根据所述两轮廓线中第一中心坐标中的纵坐标值小的轮廓线作为上轮廓线，另一条轮廓线作为下轮廓线；
若所述两轮廓线上下两侧的像素点类别满足预设条件，则确定符合所述颈后透明层区域的特征；
若所述两轮廓线上下两侧的像素点类别不满足预设条件，则确定不符合所述颈后透明层区域的特征；
所述预设条件包括：上轮廓线的上侧和所述下轮廓线下侧的像素点的类别为背景点，且所述上轮廓线下侧和所述下轮廓线上侧的像素点的类别为前景点。
在一个实施例中，所述识别所述上透明带的轮廓线和所述下透明带的轮廓线之间的最大间距作为所述颈后透明层区域的厚度，包括：
计算所述上轮廓线和所述下轮廓线的平均斜率；
确定所述上透明带的轮廓线和所述下透明带的轮廓线在所述平均斜率的法线方向上的两坐标点，得到坐标点对；
将所述间距最大的坐标点对之间的距离确定为所述颈后透明层区域的厚度。
在一个实施例中，所述确定所述上透明带的轮廓线和所述下透明带的轮廓线在所述平均斜率的法线方向上的两坐标点，得到坐标点对，包括：
Figure BDA0003125827960000041
|(Yup-K′Xup)-(Ydown-K′Xdown)|≤C；其中，K′＝-1/K，K为所述平均斜率，Yup为所述上透明带的轮廓线上的坐标点的纵坐标，Ydown为所述下透明带的轮廓线上的坐标点的纵坐标，Xup为所述上透明带的轮廓线上的坐标点的横坐标，Xdown为所述下透明带的轮廓线上的坐标点的横坐标，C为第一预设值。
第二方面本申请还提供了一种胎儿颈后透明层的设备，所述设备包括控制器、第一存储器第二存储器：
所述第一存储器，用于存储可被所述控制器执行的计算机程序；
所述第二存储器，用于缓存输入信号；
所述控制器与所述第一存储器和所述第二存储器连接，被配置为执行从胎儿超声图像中获取包含颈后透明层区域的图像块；
对所述图像块进行轮廓提取，得到第一轮廓线集合；
从所述第一轮廓线集合中识别出上透明带的轮廓线和下透明带的轮廓线；
识别所述上透明带的轮廓线和所述下透明带的轮廓线之间的最大间距作为所述颈后透明层区域的厚度。
在一个实施例中，所述从所述第一轮廓线集合中识别出上透明带的轮廓线和下透明带的轮廓线，包括：
识别所述第一轮廓线集合中各条轮廓线的类型；
若存在非直线型的轮廓线，则将所述非直线型的轮廓线分割为直线型轮廓线；
依据所述颈后透明层区域的特征，从各直线型轮廓线构成的第二轮廓线集合中寻找所述上透明带的轮廓线和所述下透明带的轮廓线；
其中，所述透明层区域的特征包括所述上透明带和所述下透明带之间具有暗液区域。
在一个实施例中，所述将所述非直线型的轮廓线分割为直线型轮廓线，包括：
针对所述非直线型的轮廓，确定所述非直线型的轮廓的横坐标的范围和纵坐标的范围；
根据所述横坐标的范围遍历所述非直线型轮廓；
在横坐标相同时，将纵坐标大的像素点构成的轮廓线确定为下透明带的轮廓线；
将纵坐标小的像素点构成的轮廓线确定为上透明带的轮廓线；
所述上透明带的轮廓线和所述下透明带的轮廓线为分割后的所述直线型轮廓线。
在一个实施例中，所述依据所述颈后透明层区域的特征，从各直线型轮廓线构成的第二轮廓线集合中寻找所述上透明带的轮廓线和所述下透明带的轮廓线，包括：
确定所述第二轮廓线集合中各轮廓线的第一中心坐标；
对第一中心坐标的纵坐标相邻的两轮廓线，识别所述两轮廓线上下两侧的像素点类别；
若所述两轮廓线上下两侧的像素点类别符合所述颈后透明层区域的特征，则依据所述两轮廓线的纵坐标，将所述两轮廓线分类为所述上透明带的轮廓线和所述下透明带的轮廓线；
其中，所述透明层区域的特征为所述两轮廓线中上轮廓线的上侧和下轮廓线下侧的像素点的类别为背景点，所述上轮廓线下侧和所述下轮廓线上侧的像素点的类别为前景点。
在一个实施例中，所述确定所述第二轮廓线集合中各轮廓线的第一中心坐标，包括：
确定所述第二轮廓线中各轮廓的横坐标范围和纵坐标范围；
根据所述横坐标范围确定所述各轮廓线的横坐标的最大值和最小值；
根据所述纵坐标的范围确定所述各轮廓线的纵坐标的最大值和最小值；
所述横坐标的最大值和最小值的均值为所述第一中心坐标的横坐标，所述纵坐标的最大值和最小值的均值为所述第一中心坐标的纵坐标。
在一个实施例中，所述识别所述第一轮廓线集合中各条轮廓线的类型，包括：
针对所述第一轮廓线集合中的每条轮廓线，分别执行：
确定所述轮廓线的第二中心点坐标；
在所述第二中心点的两侧，分别取至少一个满足预设条件的坐标点，所述预设条件包括所取坐标点的横坐标与所述第二中心点的横坐标的差值满足预设差值；
以所述第二中心点、所取的各坐标点分别所在的平行于纵向方向的线为参考线；
确定各条参考线与所述轮廓线的交点；
基于各条参考线的交点数量，得到所述轮廓线的类型；
其中，若存在至少一条参考线的交点数量少于两个点，则所述轮廓线类型为直线型；
若各条参考线的交点数量均大于或等于两个点，则所述轮廓线类型为非直线型。
在一个实施例中，所述颈后透明层区域为前景点，所述颈后透明层区域之外的点为背景点，确定所述两轮廓线上下两侧的像素点类别是否符合所述颈后透明层区域的特征，包括：
根据所述两轮廓线中第一中心坐标中的纵坐标值小的轮廓线作为上轮廓线，另一条轮廓线作为下轮廓线；
若所述两轮廓线上下两侧的像素点类别满足预设条件，则确定符合所述颈后透明层区域的特征；
若所述两轮廓线上下两侧的像素点类别不满足预设条件，则确定不符合所述颈后透明层区域的特征；
所述预设条件包括：上轮廓线的上侧和所述下轮廓线下侧的像素点的类别为背景点，且所述上轮廓线下侧和所述下轮廓线上侧的像素点的类别为前景点。
在一个实施例中，所述识别所述上透明带的轮廓线和所述下透明带的轮廓线之间的最大间距作为所述颈后透明层区域的厚度，包括：
计算所述上轮廓线和所述下轮廓线的平均斜率；
确定所述上透明带的轮廓线和所述下透明带的轮廓线在所述平均斜率的法线方向上的两坐标点，得到坐标点对；
将所述间距最大的坐标点对之间的距离确定为所述颈后透明层区域的厚度。
在一个实施例中，所述确定所述上透明带的轮廓线和所述下透明带的轮廓线在所述平均斜率的法线方向上的两坐标点，得到坐标点对，包括：
Figure BDA0003125827960000071
|(Yup-K′Xup)-(Ydown-K′Xdown)|≤C；其中，K′＝-1/K，K为所述平均斜率，Yup为所述上透明带的轮廓线上的坐标点的纵坐标，Ydown为所述下透明带的轮廓线上的坐标点的纵坐标，Xup为所述上透明带的轮廓线上的坐标点的横坐标，Xdown为所述下透明带的轮廓线上的坐标点的横坐标，C为第一预设值。
本申请实施例中提出的胎儿颈后透明层厚度的计算方法，实现了自动式测量，大大缓解了超声医师的工作压力，提升了筛查效率。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，显而易见地，下面所介绍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为本申请实施例提供的一种基于超声图像确定胎儿颈后透明层厚度方法的应用场景图；
图2为本申请实施例提供的一种基于超声图像确定胎儿颈后透明层厚度方法的胎儿超声图像示意图；
图3为本申请实施例提供的一种基于超声图像确定胎儿颈后透明层厚度方法的颈后透明层区域的图像块示意图；
图4为本申请实施例提供的一种基于超声图像确定胎儿颈后透明层厚度方法的整体流程图；
图5为本申请实施例提供的一种基于超声图像确定胎儿颈后透明层厚度方法的得到第一轮廓线集合的示意图；
图6为本申请实施例提供的一种基于超声图像确定胎儿颈后透明层厚度方法的从第一轮廓线集合中识别出上透明带的轮廓线和下透明带的轮廓线的示意图；
图7为本申请实施例提供的一种基于超声图像确定胎儿颈后透明层厚度方法的确定第一轮廓线集合中各条轮廓线的类型的示意图；
图8为本申请实施例提供的一种基于超声图像确定胎儿颈后透明层厚度方法的轮廓线的第二中心点坐标的示意图；
图9为本申请实施例提供的一种基于超声图像确定胎儿颈后透明层厚度方法的第二中心点P在左右两侧分别取点的示意图；
图10为本申请实施例提供的一种基于超声图像确定胎儿颈后透明层厚度方法的轮廓线的示意图；
图11为本申请实施例提供的一种基于超声图像确定胎儿颈后透明层厚度方法的对轮廓线进行分割的示意图；
图12为本申请实施例提供的一种基于超声图像确定胎儿颈后透明层厚度方法的从第二轮廓线集合中寻找上透明带的轮廓线和下透明带的轮廓线的示意图；
图13为本申请实施例提供的一种基于超声图像确定胎儿颈后透明层厚度方法的颈后透明层区域示意图；
图14为本申请实施例提供的一种基于超声图像确定胎儿颈后透明层厚度方法的多对轮廓线的示意图；
图15为本申请实施例提供的一种基于超声图像确定胎儿颈后透明层厚度方法的确定颈后透明层厚度的示意图；
图16为本申请实施例提供的一种基于超声图像确定胎儿颈后透明层厚度方法的KUP的确定公式中各参数含义示意图。
具体实施方式
为了使本领域普通人员更好地理解本申请的技术方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本申请的说明书和权利要求书的术语″第一″、″第二″等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，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
发明人研究发现，相对于基因筛查胎儿遗传疾病的方式，产前超声筛查胎儿颈后透明层厚度技术是一种快速安全、无辐射的方法，在临床应用和市场占有率方面有重要价值。临床上NT的测量受到操作者的技术水平、超声设备的成像性能、以及孕妇和胎儿的体质因素影响，因此，如何排除这些影响是各类研究的重要方向。
实现产前早孕期二维超声的胎儿颈后透明层厚度自动测量计算的过程涉及到若干技术难点：(1)如何排除不同型号的超声设备下不同的成像风格、孕妇和胎儿体质等因素对图像分割造成的干扰；(2)如何进行NT-ROI区域的准确分割；(3)如何快速的自动定位NT上下层边缘；(4)如何准确定位NT上下边缘层的最厚位置处。由于存在这些技术上的难点，目前行业内存在的NT自动测量技术或存在着在不同超声设备上的泛化能力不足，或NT厚度计算不准确的问题。
发明人研究发现，胎儿颈后透明层是围绕在胎儿颈项后部流动性的半透明蛋白膜。在11周-13周内的早孕阶段超声产前检查中，胎儿颈后透明层厚度是判断胎儿是否存在唐氏综合征、心血管系统异常、神经系统畸形等疾病的重要生物学参数。以唐氏综合征为例，唐氏综合征发病率约占受孕人数的1％，出生率约为1/700～1/600，这一比例仍具一定规模性。由于国内二胎政策的全面放开，各级医院承受的超声胎儿产前检查的压力与日俱增。
有鉴于此，本申请提出了一种基于超声图像确定胎儿颈后透明层厚度的方法及相关装置，用于确定胎儿颈后透明层厚度，进而缓解超声医师的工作压力，提升产前筛查的效率。本申请的发明构思可概括为：从胎儿超声图像中获取包含颈后透明层区域的图像块；对图像块进行轮廓提取并识别出上透明带的轮廓线和下透明带的轮廓线；将上透明带的轮廓线和下透明带的轮廓线之间的最大间距作为颈后透明层区域的厚度。
如图1所示，为本申请实施例中的基于超声图像确定胎儿颈后透明层厚度的方法的应用场景图。图中包括：网络10、服务器20、存储器30、终端设备40；其中：
胎儿超声图像存储在存储器30中，在确定胎儿颈后透明层厚度时，服务器20通过网络10从存储器30中获取胎儿超声图像，该胎儿超声图像中获取包含颈后透明层区域的图像块然后对图像块进行轮廓提取，得到第一轮廓线集合；从第一轮廓线集合中识别出上透明带的轮廓线和下透明带的轮廓线；识别上透明带的轮廓线和下透明带的轮廓线之间的最大间距作为颈后透明层区域的厚度。需要知道的是，上述步骤也可由终端设备40执行。
本申请中的描述中仅就单个服务器或终端设备加以详述，但是本领域技术人员应当理解的是，示出的终端设备40、服务器20和存储器30旨在表示本公开的技术方案涉及的终端设备、服务器以及存储器的操作。对单个服务器和存储器加以详述至少为了说明方便，而非暗示对终端设备和服务器的数量、类型或是位置等具有限制。应当注意，如果向图示环境中添加附加模块或从其中去除个别模块，不会改变本申请的示例实施例的底层概念。另外，虽然为了方便说明而在图1中示出了从存储器30到服务器20的双向箭头，但本领域技术人员可以理解的是，上述数据的收发也是需要通过网络10实现的。
需要说明的是，本申请实施例中的存储器例如可以是缓存系统、也可以是硬盘存储、内存存储等等。此外，本申请提出的基于超声图像确定胎儿颈后透明层厚度方法不仅适用于图1所示的应用场景，还适用于任何有确定胎儿颈后透明层厚度需求的装置。
为了便于理解，下面结合附图对本申请实施例提供的基于超声图像确定胎儿颈后透明层厚度的方法进行详细说明。
首先按英国胎儿医学基金会(Fetal Medicine Foundation，FMF)公布的标准筛选出符合测量条件的图像。其中FMF公布的图像标准为：(1)正中矢状切面图，颈部处于自然状态；(2)头部和胸部占整个图形面积的70％-85％；(3)显示鼻骨；(4)显示鼻尖皮肤线；(5)显示上颌骨；(6)显示下巴等。标准的颈后透明层(Nuchal Translucency，NT)图像如图2所示。
从图2所示的胎儿超声图像中获取包含颈后透明层区域的图像块如图3所示，其中NT区域的厚度，是颈后透明带上下边缘的最厚处位置。其起始点应分别位于颈后透明带暗液区与软组织交界处、颈后透明带暗液区与胎儿皮肤交界处，如图3中的箭头所示。NT区域上下的解剖结构，依次为较暗回声区的颈椎、亮回声的胎儿软组织、无回声的颈后透明带暗液区域、亮回声的胎儿皮肤，以及无回声的子宫羊水区域。
如图4所示，为本申请实施例提供的基于超声图像确定胎儿颈后透明层厚度的整体流程图：
目前进行NT区域分割的方法主要有基于传统图像分割方法如阈值类、形变模型等方法，以及基于深度学习的分割模型方法。传统的分割算法，比如基于形变模型法，其分割效果依赖于初始化位置的选择，若初始化区域远离目标分割区域，则能量函数容易陷入局部极小值；同时，由于缺乏一定的拓扑适应性，导致其针对全局图像设置的参数可能无法优化到某些局部信息，进而影响后续的NT轮廓线的完整提取。而基于深度学习方法的分割，则完全依赖于训练集，由此产生较高的人力标注成本。且在实际情况下，受限于孕妇体质、胎儿胎位的因人而异，导致其深度学习模型在实际情况下的泛化能力有待增强。同时，由于不同厂家、不同型号的超声设备具有各自不同且难以检测和统计的噪声模式，导致在一台机器下采集到训练集学习到的分割模型，在其他型号的超声设备上的准确度性能大打折扣。
且由上述图2和图3可以看出NT区域在整个超声图像中的区域比例较小，考虑整体算法耗时与计算资源的占用，因此本申请采用预选感兴趣区域(region of interest，ROI)的方式作为前提实现。即在步骤401中：从胎儿超声图像中获取包含颈后透明层区域的图像块；
在步骤402中：对图像块进行轮廓提取，得到第一轮廓线集合；
由于NT-ROI区域的成像质量受到超声机器、孕妇体质、胎儿发育状况等因素影响，导致ROI图像的分辨率、对比度重要特性均因人而异、因机器而异。同时，上述因素也影响了胎儿的颈椎、软组织、NT的上下边缘轮廓等结构的回声特征。而一幅图像的直方图特征，能够反映该图像整体强弱响应分布点的基本特点。因此，通过分析医生预先所选NT-ROI区域的像素响应直方图分布特性，本申请选择基于统计特征的高斯混合模型，来表征NT-ROI中不同像素类别的概率分布特征，以排除机器因素和孕妇体质等外在不可控变量的影响。在本申请实施例中，支持医生随意调节ROI预选框的位置和大小，因此从医生使用角度上来讲灵活度较高。
在本申请实施例中，对图像块进行轮廓提取，得到第一轮廓线集合具体可实施为如图5所示的步骤：
由于超声波在人体内部发生折射波和散射波的相互干涉，反映在图像中，则会形成亮暗随机分布的噪声点。噪声的存在对于随后的图像分割以及边缘提取会产生较大的影响，因此，针对这种随机分布的散斑噪声，在步骤501中：对图像块进行降噪处理，得到降噪后图像块；
为了便于理解，下面首先对本申请中采用的高斯分布参数求解问题进行说明：
由中心极限定理可知，大量相互独立且服从统一分布的随机变量，在总体上也是服从高斯正态分布的。因此，本申请将对降噪后图像块的分割认为，建模为对两种高斯分布的参数求解问题，进而得到最终的二值掩码图像。
对于单通道的高斯分布，设其对应的均值为μ，方差为σ，输入的像素点为x，有：
Figure BDA0003125827960000131
对于多维的高斯分布而言，则有
Figure BDA0003125827960000132
其中，Θ＝{μ，∑}为高斯分布的参数集，μ为输入的D维均值列向量，∑为输入的DxD维的协方差矩阵。其中，D代表输入的x的特征维度数量，若仅采用单通道灰度图像素值作为输入特征，D＝1。若采用RGB彩色通道特征，则D＝3，此时，μ为1行3列的向量，其每一个元素值表示一个通道的颜色均值，∑为3x3矩阵，其每一个元素表示各个颜色通道之间的像素值协方差。对于某个像素点，设其像素值的概率分布由两种高斯分布组合而成，则对于单个像素点而言，其概率分布为：
Figure BDA0003125827960000133
其中，Π＝{a1，a2，...，aK}，aj为像素xi属于第k个高斯分布的先验概率，其满足下述约束：
Figure BDA0003125827960000134
0≤aj≤1。
在步骤502中：对降噪后图像块进行K均值聚类算法操作，得到图像块的初步分割结果；
在步骤503中：采用最大期望算法对初步分割结果进行运算，得到图像块的分割结果；
在步骤504中：获取分割结果的二值掩码图像，对二值掩码图像进行边缘提取操作，得到边缘图像；
在步骤505中：对边缘图像进行轮廓线提取，得到轮廓线集合。
在一个实施例中，针对边缘图像首先采用腐蚀膨胀的方法，对分隔和孤立的边缘点进行消除，同时对断连的边缘线段进行融合得到完整的边缘线。然后，基于边界跟踪的拓扑结构分析思想，实现提取边缘图像中所有轮廓线，进而得到第一轮廓线集合。
在步骤403中从第一轮廓线集合中识别出上透明带的轮廓线和下透明带的轮廓线；
在一个实施例中，从第一轮廓线集合中识别出上透明带的轮廓线和下透明带的轮廓线，具体可实施为如图6所示的步骤：
在步骤601中：识别第一轮廓线集合中各条轮廓线的类型；
在本申请实施例中，针对第一轮廓线集合中的每条轮廓线，分别执行如图7所示的步骤：
在步骤701中：确定轮廓线的第二中心点坐标；
在一个实施例中，如图8所示，计算图像X方向和Y方向上的最大值和最小值，即X方向上坐标取值范围以及Y方向上的取值范围：[Xmin，Xmax]，[Ymin，Ymax]。则第二中心点坐标P的为：P＝[(Xmin+Xmax)/2，(Ymin+Ymax)/2]。
在步骤702中：在第二中心点的两侧，分别取至少一个满足预设条件的坐标点，预设条件包括所取坐标点的横坐标与所述第二中心点的横坐标的差值满足预设差值；
在一个实施例中，如图9所示，针对第二中心点P在左右两侧分别取满足预设条件的P1、P2；在本申请实施例中，经本领域的技术人员实验测得所取坐标点的横坐标与所述第二中心点的横坐标的差值为1/3＊L，其中，L＝Xmax-Xmin。
在步骤703中：以第二中心点、所取的各坐标点分别所在的平行于纵向方向的线为参考线；
在步骤704中：确定各条参考线与轮廓线的交点；
在步骤705中：基于各条参考线的交点数量，得到轮廓线的类型。
其中，若存在至少一条参考线的交点数量少于两个点，则轮廓线类型为直线型；若各条参考线的交点数量均大于或等于两个点，则轮廓线类型为非直线型。
在一个实施例中，由于NT透明带内的暗液区轮廓形状、以及ROI区域内各组织边界分辨率随机器和孕妇体质以及胎儿发育情况而异，使得提取出的轮廓线形状并不固定于单一的模式。经过实际数据的测试和分析，总结出图10中三种主要的轮廓线形状；有图中可以看出轮廓线1存在至少一条参考线的交点数量少于两个点，故此轮廓线1为直线型；轮廓线2和轮廓线3的各条参考线的交点数量均大于或等于两个点，故此轮廓线2和轮廓线3为非直线型。
在一个实施例中，为了便于后续识别上透明带的轮廓线和下透明带的轮廓线，所以在步骤602中：若存在非直线型的轮廓线，则将非直线型的轮廓线分割为直线型轮廓线。
如图11所示，对图10中的轮廓线2和轮廓线3进行分割处理，将轮廓线2和轮廓线3处理成直线型轮廓线。
在步骤603中：依据颈后透明层区域的特征，从各直线型轮廓线构成的第二轮廓线集合中寻找上透明带的轮廓线和下透明带的轮廓线；其中，透明层区域的特征包括上透明带和下透明带之间具有暗液区域。在一个实施例中，可实施为如图12所示的步骤：
由于将非直线型的轮廓线分割为直线型轮廓线，所以为了后续计算的更精准，所以要重新计算第二轮廓线集合中的各个轮廓线的第一中心坐标，因此在步骤1201中：确定第二轮廓线集合中各轮廓线的第一中心坐标；
在步骤1202中：对第一中心坐标的纵坐标相邻的两轮廓线，识别两轮廓线上下两侧的像素点类别；
在步骤1203中：若两轮廓线上下两侧的像素点类别符合颈后透明层区域的特征，则依据两轮廓线的纵坐标，将两轮廓线分类为上透明带的轮廓线和下透明带的轮廓线；其中，透明层区域的特征为两轮廓线中上轮廓线的上侧和下轮廓线下侧的像素点的类别为背景点，上轮廓线下侧和下轮廓线上侧的像素点的类别为前景点。
在一个实施例中，如图13所示，颈后透明层区域为前景点，颈后透明层区域之外的点为背景点，确定两轮廓线上下两侧的像素点类别是否符合颈后透明层区域的特征具体可实施为：
根据两轮廓线中第一中心坐标中的纵坐标值小的轮廓线作为上轮廓线，另一条轮廓线作为下轮廓线；若两轮廓线上下两侧的像素点类别满足预设条件，则确定符合颈后透明层区域的特征；若两轮廓线上下两侧的像素点类别不满足预设条件，则确定不符合颈后透明层区域的特征；
预设条件包括：上轮廓线的上侧和下轮廓线下侧的像素点的类别为背景点，且上轮廓线下侧和下轮廓线上侧的像素点的类别为前景点。
在一个实施例中，可通过计算上轮廓线和下轮廓线的第一中心坐标在Y和-Y方向上的掩码值来确定像素点属于前景还是背景，如公式1为掩码值计算公式：
VBinary＝IBinary(p±P(0，η)) (公式1)；
其中，VBinary为掩码值，P为各轮廓线的第一中心坐标，η为一正整数常量(在本申请实施例中，经本领域的技术人员实验得到，η可为2-4)
本申请实施例采用上述方法，得到了上轮廓线和下轮廓线，在一个实施例中，如图14所示，存在多条上轮廓线，和下轮廓线，针对该情况，则选择距离NT区域中心位置最近的一对轮廓线做为上轮廓线和下轮廓线。
在步骤404中：识别上透明带的轮廓线和下透明带的轮廓线之间的最大间距作为颈后透明层区域的厚度。具体可实施为如图15所示的步骤：
在步骤1501中：计算上轮廓线和下轮廓线的平均斜率；如公式2所示：
Figure BDA0003125827960000161
其中，K为平均斜率，KUP为上轮廓线的拟合斜率，KDown为下轮廓线的拟合斜率。
KUP的确定方法如公式3所示：
Figure BDA0003125827960000162
其中，各参数含义如图16所示。
在步骤1502中：确定上透明带的轮廓线和下透明带的轮廓线在平均斜率的法线方向上的两坐标点，得到坐标点对；
在本申请实施例中，采用公式4得到坐标点对：
Figure BDA0003125827960000163
when|(Yup-K’XUp)-(YDown-K’XDown)|＜＝C (公式4)
其中，K′＝-1/K，K为所述平均斜率，Yup为所述上透明带的轮廓线上的坐标点的纵坐标，Ydown为所述下透明带的轮廓线上的坐标点的纵坐标，Xup为所述上透明带的轮廓线上的坐标点的横坐标，Xdown为所述下透明带的轮廓线上的坐标点的横坐标，C为正整数，由本领域的技术人员实验测得C可取3-5。
在步骤1503中：将间距最大的坐标点对之间的距离确定为颈后透明层区域的厚度。
在介绍了本申请实施例提供的胎儿颈后透明层厚度的计算方法后，基于相同的发明构思对本申请实施例提供的胎儿颈后透明层厚度的计算电子设备进行详细说明：
所述设备包括控制器、第一存储器第二存储器：
所述第一存储器，用于存储可被所述控制器执行的计算机程序；
所述第二存储器，用于缓存输入信号；
所述控制器与所述第一存储器和所述第二存储器连接，被配置为执行从胎儿超声图像中获取包含颈后透明层区域的图像块；
对所述图像块进行轮廓提取，得到第一轮廓线集合；
从所述第一轮廓线集合中识别出上透明带的轮廓线和下透明带的轮廓线；
识别所述上透明带的轮廓线和所述下透明带的轮廓线之间的最大间距作为所述颈后透明层区域的厚度。
在一个实施例中，所述从所述第一轮廓线集合中识别出上透明带的轮廓线和下透明带的轮廓线，包括：
识别所述第一轮廓线集合中各条轮廓线的类型；
若存在非直线型的轮廓线，则将所述非直线型的轮廓线分割为直线型轮廓线；
依据所述颈后透明层区域的特征，从各直线型轮廓线构成的第二轮廓线集合中寻找所述上透明带的轮廓线和所述下透明带的轮廓线；
其中，所述透明层区域的特征包括所述上透明带和所述下透明带之间具有暗液区域。
在一个实施例中，所述将所述非直线型的轮廓线分割为直线型轮廓线，包括：
针对所述非直线型的轮廓，确定所述非直线型的轮廓的横坐标的范围和纵坐标的范围；
根据所述横坐标的范围遍历所述非直线型轮廓；
在横坐标相同时，将纵坐标大的像素点构成的轮廓线确定为下透明带的轮廓线；
将纵坐标小的像素点构成的轮廓线确定为上透明带的轮廓线；
所述上透明带的轮廓线和所述下透明带的轮廓线为分割后的所述直线型轮廓线。
在一个实施例中，所述依据所述颈后透明层区域的特征，从各直线型轮廓线构成的第二轮廓线集合中寻找所述上透明带的轮廓线和所述下透明带的轮廓线，包括：
确定所述第二轮廓线集合中各轮廓线的第一中心坐标；
对第一中心坐标的纵坐标相邻的两轮廓线，识别所述两轮廓线上下两侧的像素点类别；
若所述两轮廓线上下两侧的像素点类别符合所述颈后透明层区域的特征，则依据所述两轮廓线的纵坐标，将所述两轮廓线分类为所述上透明带的轮廓线和所述下透明带的轮廓线；
其中，所述透明层区域的特征为所述两轮廓线中上轮廓线的上侧和下轮廓线下侧的像素点的类别为背景点，所述上轮廓线下侧和所述下轮廓线上侧的像素点的类别为前景点。
在一个实施例中，所述确定所述第二轮廓线集合中各轮廓线的第一中心坐标，包括：
确定所述第二轮廓线中各轮廓的横坐标范围和纵坐标范围；
根据所述横坐标范围确定所述各轮廓线的横坐标的最大值和最小值；
根据所述纵坐标的范围确定所述各轮廓线的纵坐标的最大值和最小值；
所述横坐标的最大值和最小值的均值为所述第一中心坐标的横坐标，所述纵坐标的最大值和最小值的均值为所述第一中心坐标的纵坐标。
在一个实施例中，所述识别所述第一轮廓线集合中各条轮廓线的类型，包括：
针对所述第一轮廓线集合中的每条轮廓线，分别执行：
确定所述轮廓线的第二中心点坐标；
在所述第二中心点的两侧，分别取至少一个满足预设条件的坐标点，所述预设条件包括所取坐标点的横坐标与所述第二中心点的横坐标的差值满足预设差值；
以所述第二中心点、所取的各坐标点分别所在的平行于纵向方向的线为参考线；
确定各条参考线与所述轮廓线的交点；
基于各条参考线的交点数量，得到所述轮廓线的类型；
其中，若存在至少一条参考线的交点数量少于两个点，则所述轮廓线类型为直线型；
若各条参考线的交点数量均大于或等于两个点，则所述轮廓线类型为非直线型。
在一个实施例中，所述颈后透明层区域为前景点，所述颈后透明层区域之外的点为背景点，确定所述两轮廓线上下两侧的像素点类别是否符合所述颈后透明层区域的特征，包括：
根据所述两轮廓线中第一中心坐标中的纵坐标值小的轮廓线作为上轮廓线，另一条轮廓线作为下轮廓线；
若所述两轮廓线上下两侧的像素点类别满足预设条件，则确定符合所述颈后透明层区域的特征；
若所述两轮廓线上下两侧的像素点类别不满足预设条件，则确定不符合所述颈后透明层区域的特征；
所述预设条件包括：上轮廓线的上侧和所述下轮廓线下侧的像素点的类别为背景点，且所述上轮廓线下侧和所述下轮廓线上侧的像素点的类别为前景点。
在一个实施例中，所述识别所述上透明带的轮廓线和所述下透明带的轮廓线之间的最大间距作为所述颈后透明层区域的厚度，包括：
计算所述上轮廓线和所述下轮廓线的平均斜率；
确定所述上透明带的轮廓线和所述下透明带的轮廓线在所述平均斜率的法线方向上的两坐标点，得到坐标点对；
将所述间距最大的坐标点对之间的距离确定为所述颈后透明层区域的厚度。
在一个实施例中，所述确定所述上透明带的轮廓线和所述下透明带的轮廓线在所述平均斜率的法线方向上的两坐标点，得到坐标点对，包括：
Figure BDA0003125827960000191
|(Yup-K′Xup)-(Ydown-K′Xdown)|≤C；其中，K′＝-1/K，K为所述平均斜率，Yup为所述上透明带的轮廓线上的坐标点的纵坐标，Ydown为所述下透明带的轮廓线上的坐标点的纵坐标，Xup为所述上透明带的轮廓线上的坐标点的横坐标，Xdown为所述下透明带的轮廓线上的坐标点的横坐标，C为第一预设值。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种基于超声图像确定胎儿颈后透明层厚度的方法，其特征在于，所述方法包括：
从胎儿超声图像中获取包含颈后透明层区域的图像块；
对所述图像块进行轮廓提取，得到第一轮廓线集合；
从所述第一轮廓线集合中识别出上透明带的轮廓线和下透明带的轮廓线；
识别所述上透明带的轮廓线和所述下透明带的轮廓线之间的最大间距作为所述颈后透明层区域的厚度。
2.根据权利要求1所述的方法，其特征在于，所述从所述第一轮廓线集合中识别出上透明带的轮廓线和下透明带的轮廓线，包括：
识别所述第一轮廓线集合中各条轮廓线的类型；
若存在非直线型的轮廓线，则将所述非直线型的轮廓线分割为直线型轮廓线；
依据所述颈后透明层区域的特征，从各直线型轮廓线构成的第二轮廓线集合中寻找所述上透明带的轮廓线和所述下透明带的轮廓线；
其中，所述透明层区域的特征包括所述上透明带和所述下透明带之间具有暗液区域。
3.根据权利要求2所述的方法，其特征在于，所述将所述非直线型的轮廓线分割为直线型轮廓线，包括：
针对所述非直线型的轮廓，确定所述非直线型的轮廓的横坐标的范围和纵坐标的范围；
根据所述横坐标的范围遍历所述非直线型轮廓；
在横坐标相同时，将纵坐标大的像素点构成的轮廓线确定为下透明带的轮廓线；
将纵坐标小的像素点构成的轮廓线确定为上透明带的轮廓线；
所述上透明带的轮廓线和所述下透明带的轮廓线为分割后的所述直线型轮廓线。
4.根据权利要求2所述的方法，其特征在于，所述依据所述颈后透明层区域的特征，从各直线型轮廓线构成的第二轮廓线集合中寻找所述上透明带的轮廓线和所述下透明带的轮廓线，包括
确定所述第二轮廓线集合中各轮廓线的第一中心坐标；
对第一中心坐标的纵坐标相邻的两轮廓线，识别所述两轮廓线上下两侧的像素点类别；
若所述两轮廓线上下两侧的像素点类别符合所述颈后透明层区域的特征，则依据所述两轮廓线的纵坐标，将所述两轮廓线分类为所述上透明带的轮廓线和所述下透明带的轮廓线；
其中，所述透明层区域的特征为所述两轮廓线中上轮廓线的上侧和下轮廓线下侧的像素点的类别为背景点，所述上轮廓线下侧和所述下轮廓线上侧的像素点的类别为前景点。
5.根据权利要求4所述的方法，其特征在于，所述确定所述第二轮廓线集合中各轮廓线的第一中心坐标，包括：
确定所述第二轮廓线中各轮廓的横坐标范围和纵坐标范围；
根据所述横坐标范围确定所述各轮廓线的横坐标的最大值和最小值；
根据所述纵坐标的范围确定所述各轮廓线的纵坐标的最大值和最小值；
所述横坐标的最大值和最小值的均值为所述第一中心坐标的横坐标，所述纵坐标的最大值和最小值的均值为所述第一中心坐标的纵坐标。
6.根据权利要求2所述的方法，其特征在于，所述识别所述第一轮廓线集合中各条轮廓线的类型，包括：
针对所述第一轮廓线集合中的每条轮廓线，分别执行：
确定所述轮廓线的第二中心点坐标；
在所述第二中心点的两侧，分别取至少一个满足预设条件的坐标点，所述预设条件包括所取坐标点的横坐标与所述第二中心点的横坐标的差值满足预设差值；
以所述第二中心点、所取的各坐标点分别所在的平行于纵向方向的线为参考线；
确定各条参考线与所述轮廓线的交点；
基于各条参考线的交点数量，得到所述轮廓线的类型；
其中，若存在至少一条参考线的交点数量少于两个点，则所述轮廓线类型为直线型；
若各条参考线的交点数量均大于或等于两个点，则所述轮廓线类型为非直线型。
7.根据权利要求4所述的方法，其特征在于，所述颈后透明层区域为前景点，所述颈后透明层区域之外的点为背景点，确定所述两轮廓线上下两侧的像素点类别是否符合所述颈后透明层区域的特征，包括：
根据所述两轮廓线中第一中心坐标中的纵坐标值小的轮廓线作为上轮廓线，另一条轮廓线作为下轮廓线；
若所述两轮廓线上下两侧的像素点类别满足预设条件，则确定符合所述颈后透明层区域的特征；
若所述两轮廓线上下两侧的像素点类别不满足预设条件，则确定不符合所述颈后透明层区域的特征；
所述预设条件包括：上轮廓线的上侧和所述下轮廓线下侧的像素点的类别为背景点，且所述上轮廓线下侧和所述下轮廓线上侧的像素点的类别为前景点。
8.根据权利要求1所述的方法，其特征在于，所述识别所述上透明带的轮廓线和所述下透明带的轮廓线之间的最大间距作为所述颈后透明层区域的厚度，包括：
计算所述上轮廓线和所述下轮廓线的平均斜率；
确定所述上透明带的轮廓线和所述下透明带的轮廓线在所述平均斜率的法线方向上的两坐标点，得到坐标点对；
将所述间距最大的坐标点对之间的距离确定为所述颈后透明层区域的厚度。
9.根据权利要求8所述的方法，其特征在于，所述确定所述上透明带的轮廓线和所述下透明带的轮廓线在所述平均斜率的法线方向上的两坐标点，得到坐标点对，包括：
Figure FDA0003125827950000031
|(Yup-K′Xup)-(Ydown-K′Xdown)|≤C；其中，K′＝-1/K，K为所述平均斜率，Yup为所述上透明带的轮廓线上的坐标点的纵坐标，Ydown为所述下透明带的轮廓线上的坐标点的纵坐标，Xup为所述上透明带的轮廓线上的坐标点的横坐标，Xdown为所述下透明带的轮廓线上的坐标点的横坐标，C为第一预设值。
10.一种基于超声图像确定胎儿颈后透明层厚度的设备，其特征在于，所述设备包括控制器、第一存储器第二存储器：
所述第一存储器，用于存储可被所述控制器执行的计算机程序；
所述第二存储器，用于缓存输入信号；
所述控制器与所述第一存储器和所述第二存储器连接，被配置为执行如权利要求1-9中任一所述的方法。
CN202110689101.4A 2021-06-22 2021-06-22 基于超声图像确定胎儿颈后透明层厚度的方法及相关装置 Active CN113409275B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110689101.4A CN113409275B (zh) 2021-06-22 2021-06-22 基于超声图像确定胎儿颈后透明层厚度的方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110689101.4A CN113409275B (zh) 2021-06-22 2021-06-22 基于超声图像确定胎儿颈后透明层厚度的方法及相关装置

Publications (2)

Publication Number Publication Date
CN113409275A true CN113409275A (zh) 2021-09-17
CN113409275B CN113409275B (zh) 2022-07-01

Family

ID=77682128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110689101.4A Active CN113409275B (zh) 2021-06-22 2021-06-22 基于超声图像确定胎儿颈后透明层厚度的方法及相关装置

Country Status (1)

Country Link
CN (1) CN113409275B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114255350A (zh) * 2021-12-23 2022-03-29 四川大学 一种腭部软硬组织厚度测量方法和系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1227635A (zh) * 1996-08-06 1999-09-01 康斯坦丁·罗格兹 全息大图象产生系统
CN101422352A (zh) * 2008-12-10 2009-05-06 华北电力大学（保定） 一种交互式冠状动脉虚拟血管镜的实现方法
US20120184449A1 (en) * 2010-12-23 2012-07-19 Sequenom, Inc. Fetal genetic variation detection
CN103263278A (zh) * 2013-01-23 2013-08-28 郑末晶 一种从超声图像上自动测量胎儿颈背透明物厚度的图像处理方法
CN104156967A (zh) * 2014-08-18 2014-11-19 深圳市开立科技有限公司 一种胎儿颈部透明层图像分割方法、装置及系统
CN110580697A (zh) * 2018-05-21 2019-12-17 珠海艾博罗生物技术股份有限公司 一种从超声视频图像中测量胎儿颈背透明物厚度的视频图像处理方法及系统
CN112215769A (zh) * 2020-10-09 2021-01-12 深圳开立生物医疗科技股份有限公司 一种超声图像处理方法、装置及超声设备和存储介质
CN112545566A (zh) * 2020-12-07 2021-03-26 武汉中旗生物医疗电子有限公司 一种胎儿颈部透明层测量方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1227635A (zh) * 1996-08-06 1999-09-01 康斯坦丁·罗格兹 全息大图象产生系统
US20020122024A1 (en) * 1996-08-06 2002-09-05 Konstantin Roggatz Computer processed integral photography apparatus and process for large 3D image production
CN101422352A (zh) * 2008-12-10 2009-05-06 华北电力大学（保定） 一种交互式冠状动脉虚拟血管镜的实现方法
US20120184449A1 (en) * 2010-12-23 2012-07-19 Sequenom, Inc. Fetal genetic variation detection
CN103384725A (zh) * 2010-12-23 2013-11-06 塞昆纳姆股份有限公司 胎儿遗传变异的检测
CN103263278A (zh) * 2013-01-23 2013-08-28 郑末晶 一种从超声图像上自动测量胎儿颈背透明物厚度的图像处理方法
CN104156967A (zh) * 2014-08-18 2014-11-19 深圳市开立科技有限公司 一种胎儿颈部透明层图像分割方法、装置及系统
CN110580697A (zh) * 2018-05-21 2019-12-17 珠海艾博罗生物技术股份有限公司 一种从超声视频图像中测量胎儿颈背透明物厚度的视频图像处理方法及系统
CN112215769A (zh) * 2020-10-09 2021-01-12 深圳开立生物医疗科技股份有限公司 一种超声图像处理方法、装置及超声设备和存储介质
CN112545566A (zh) * 2020-12-07 2021-03-26 武汉中旗生物医疗电子有限公司 一种胎儿颈部透明层测量方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JINHYEONG PARK ETAL.: ""Automatic Nuchal Translucency Measurement from Ultrasonography"", 《SPRINGER》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114255350A (zh) * 2021-12-23 2022-03-29 四川大学 一种腭部软硬组织厚度测量方法和系统
CN114255350B (zh) * 2021-12-23 2023-08-04 四川大学 一种腭部软硬组织厚度测量方法和系统

Also Published As

Publication number Publication date
CN113409275B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
WO2022063198A1 (zh) 一种肺部图像处理方法、装置及设备
JP2008520345A (ja) 超音波画像における病変の検出及び分類方法、及びそのシステム
CN116912255B (zh) 一种用于卵巢组织分析的卵泡区域分割方法
CN108765427A (zh) 一种前列腺图像分割方法
CN113077479A (zh) 急性缺血性脑卒中病灶自动分割方法、系统、终端及介质
Hu et al. Automated placenta segmentation with a convolutional neural network weighted by acoustic shadow detection
CN106651875B (zh) 基于多模态mri纵向数据的脑瘤时空协同分割方法
CN115429326A (zh) 一种超声成像方法及超声成像设备
TWI587844B (zh) 醫療影像處理裝置及其乳房影像處理方法
Potočnik et al. Computerized detection and recognition of follicles in ovarian ultrasound images: a review
CN103455821B (zh) 基于bi-rads的图像分析装置和方法
CN113409275B (zh) 基于超声图像确定胎儿颈后透明层厚度的方法及相关装置
CN112270667A (zh) 一种基于ti-rads的集成深度学习多标签识别方法
Yang et al. A new approach to automatic measure fetal head circumference in ultrasound images using convolutional neural networks
Song et al. Liver segmentation based on SKFCM and improved GrowCut for CT images
Shiney et al. A Review on techniques for computer aided diagnosis of soft markers for detection of down syndrome in ultrasound fetal images
CN107705308A (zh) 基于多模态磁共振的脑肿瘤图像分割方法
CN111481233B (zh) 胎儿颈项透明层厚度测量方法
Tarroni et al. Fully-automated identification and segmentation of aortic lumen from fetal ultrasound images
Miao et al. CoWRadar: Visual Quantification of the Circle of Willis in Stroke Patients.
CN114757953B (zh) 医学超声图像识别方法、设备及存储介质
Malathi et al. Histogram based classification of ultrasound images of placenta
CN112654299A (zh) 超声成像方法、设备、存储介质,处理器及计算机设备
CN115880287B (zh) 一种脑白质高信号病灶区域分割及评级装置
CN113222956B (zh) 基于超声图像识别血管中斑块的方法

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
GR01 Patent grant
GR01 Patent grant