CN113657553B - 一种结节回声类型判断装置 - Google Patents

一种结节回声类型判断装置 Download PDF

Info

Publication number
CN113657553B
CN113657553B CN202111019537.9A CN202111019537A CN113657553B CN 113657553 B CN113657553 B CN 113657553B CN 202111019537 A CN202111019537 A CN 202111019537A CN 113657553 B CN113657553 B CN 113657553B
Authority
CN
China
Prior art keywords
echo
nodule
region
area
roi
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
Application number
CN202111019537.9A
Other languages
English (en)
Other versions
CN113657553A (zh
Inventor
张淦钧
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.)
Shiwei Xinzhi Medical Technology Shanghai Co ltd
Original Assignee
Shiwei Xinzhi Medical Technology Shanghai 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 Shiwei Xinzhi Medical Technology Shanghai Co ltd filed Critical Shiwei Xinzhi Medical Technology Shanghai Co ltd
Priority to CN202111019537.9A priority Critical patent/CN113657553B/zh
Publication of CN113657553A publication Critical patent/CN113657553A/zh
Application granted granted Critical
Publication of CN113657553B publication Critical patent/CN113657553B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/08—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
    • 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
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明涉及一种结节回声类型判断装置，包括：ROI区域提取模块：用于从获取的超声图像中提取结节的ROI区域；参考区域确定模块：用于根据所述ROI区域确定一参考区域，并将所述参考区域作为等回声的参考；各回声类型区域划分模块：用于根据所述参考区域划分出结节的极低回声、低回声、等回声和高回声的区域；结节内最大比例回声类型确定模块：用于根据划分好的结节的极低回声、低回声、等回声和高回声的区域确定结节内最大比例回声类型。本发明可以实现对结节的回声进行有效判断，并且判断的准确率、时效性和灵活性较好。

Description

一种结节回声类型判断装置
技术领域
本发明涉及辅助医学诊断技术领域，特别是涉及一种结节回声类型判断装置。
背景技术
随着人工智能技术的深入发展，在医学超声图像领域的智能识别领域中，通过神经网络的方法对结节的良恶性进行预判的工作也越来越多。但是，神经网络相当于一个“黑盒”，无法提供判断的具体原因，同时准确率也很难达到90％以上，因此这种技术在实际应用环境中较难发挥充分的作用。在真实的超声影像诊断过程中，医生通常根据结节的回声类型、钙化类型、形状是否规则、纵横比以及边界是否清晰等特征对一个结节的良恶性进行判断。可见，对结节特征的自动判断既有充分的判断依据，也可做到可视化的效果，可以起到辅助医生判断的作用。其中，结节的主要回声类型对结节的良恶性具有重要的指导意义，当前现有的结节回声判断方法中，很多都是基于深度学习的分类网络进行判断的，准确率无法达到实用要求，并且无法提供精确的可视化结果。
发明内容
本发明所要解决的技术问题是提供一种结节回声类型判断装置，可以实现对结节的回声进行有效判断。
本发明解决其技术问题所采用的技术方案是：提供一种结节回声类型判断装置，包括：
ROI区域提取模块：用于从获取的超声图像中提取结节的ROI区域；
参考区域确定模块：用于根据所述ROI区域确定一参考区域，并将所述参考区域作为等回声的参考；
各回声类型区域划分模块：用于根据所述参考区域划分出结节的极低回声、低回声、等回声和高回声的区域；
结节内最大比例回声类型确定模块：用于根据划分好的结节的极低回声、低回声、等回声和高回声的区域确定结节内最大比例回声类型。
所述参考区域确定模块中根据所述ROI区域确定一参考区域，并将所述参考区域用于作为等回声的参考，具体为：通过预设边缘扩展百分比将所述ROI区域扩展为矩形区域，将所述矩形区域中的非ROI区域作为参考区域，并将所述参考区域作为等回声的参考。
所述各回声类型区域划分模块中根据所述参考区域划分出结节的极低回声、低回声、等回声和高回声的区域，公式为：其中，μout表示参考区域中像素灰度值的期望，σout表示参考区域中像素灰度值的标准差，fmax＝255，k表示第一可调节参数。所述各回声类型区域划分模块还包括：
根据划分出的结节的极低回声、低回声、等回声和高回声的区域Δ，确定极低回声和低回声的临界值Tl，公式为：
其中，αl表示第二可调节参数，kl表示第三可调节参数，fmin＝0；
根据划分出的结节的极低回声、低回声、等回声和高回声的区域Δ，确定低回声和等回声的临界值Tm，公式为：
其中，αm表示第四可调节参数，km表示第五可调节参数；
根据划分出的结节的极低回声、低回声、等回声和高回声的区域Δ，确定等回声和高回声的临界值Th，公式为：
其中，αh表示第六可调节参数，kh表示第七可调节参数。
所述结节内最大比例回声类型确定模块中根据划分好的结节的极低回声、低回声、等回声和高回声的区域确定结节内最大比例回声类型，具体为：根据预设尺寸算子，以开运算的方式对各类型回声区域进行过滤，以将小于预设区域的回声区域融合到大于预设区域的回声区域，最后得到结节内最大比例回声类型，公式为：其中，/>表示腐蚀操作符号，/>表示膨胀操作符号，A表示结节区域，B表示预设尺寸算子，x表示结节区域A的横坐标，y表示结节区域A的纵坐标。
还包括结节边缘提取模块：用于根据所述ROI区域来提取结节边缘，具体为：根据所述ROI区域的外边缘、以及靠近ROI外边缘并在ROI区域内部给定的像素点之间构成条形区域，将所述条形区域作为结节边缘，公式为：
其中，Norm(·)表示对向量的标准化操作，L表示结节边缘宽度，P表示结节边缘外侧边界上的点，P1、P2分别表示与点P相邻的点，Q表示点P内缩L后的位置点。
还包括钙化区域和回声衰减区域去除模块：用于根据确定好的结节内最大比例回声类型判断是否存在钙化区域和回声衰减区域，若存在，则将钙化区域回声衰减区域去除，公式为：R(i,j)＝m·(i-h)·(f(i,j)-Tl)，其中，(i,j)表示超声图像中的坐标点，f(·)表示超声图像在坐标点上的灰度值，Tl表示确定极低回声和低回声的临界值，(i-h)表示坐标点(i,j)到钙化区域的垂直距离，当R(i,j)∈[0,1]时，则表示坐标点(i,j)属于回声衰减区域，m表示第八可调节参数。
还包括无回声区域判断模块：用于根据所述各回声类型区域划分模块中的极低回声区域来判断无回声区域，公式为：其中，pane表示回声区域是无回声的概率且pane∈[0,1]，Rane表示在极低回声区域中灰度值小于12的像素个数所占比例，ka表示第九可调节参数，σl表示极低回声区域中像素集合的标准差。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明的回声判断的准确率可达90％，预测准确率高于通过深度学习分类网络判断的结果；本发明的时效性较高，在相同的运行环境中，本发明回声的判断速度约为20ms/张，运行速度高于深度学习分类网络；本发明的灵活性较高，与深度学习的“黑盒”式判断相比，本发明模拟各种判断准则，并通过调节判断回声模型中的参数，可以改变不同判断准则，并且由于真实的回声判断是一个主观的过程，因此不同医生的判断结果具有差异性，本发明可以通过调整参数，将判断标准向行业的判断标准贴近。
附图说明
图1是本发明实施方式的流程图；
图2是本发明实施方式的结节边缘对比示意图
图3是本发明实施方式的甲状腺结节的回声分布情况以及融合回声后的分布示意图；
图4是本发明实施方式的带有粗钙化和回声衰减的结节示意图；
图5是本发明实施方式的结节的ROI区域和非ROI区域示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种结节回声类型判断装置，请参阅图1，包括：
ROI区域提取模块：用于从获取的超声图像中提取结节的ROI区域；
参考区域确定模块：用于根据所述ROI区域确定一参考区域，并将所述参考区域作为等回声的参考；
各回声类型区域划分模块：用于根据所述参考区域划分出结节的极低回声、低回声、等回声和高回声的区域；
结节内最大比例回声类型确定模块：用于根据划分好的结节的极低回声、低回声、等回声和高回声的区域确定结节内最大比例回声类型。
本实施方式还包括结节边缘提取模块：用于根据所述ROI区域来提取结节边缘。
本实施方式还包括钙化区域和回声衰减区域去除模块：用于根据确定好的结节内最大比例回声类型判断是否存在钙化区域和回声衰减区域，若存在，则将钙化区域回声衰减区域去除。
本实施方式还包括无回声区域判断模块：用于根据所述各回声类型区域划分模块中的极低回声区域来判断无回声区域。
本实施方式的回声判断流程如下：
1.图像预处理。图像预处理阶段的主要步骤是对获取的超声图像进行中值滤波操作，超声图像中主要的噪声类型是斑点噪声(speckle noise)，而中值滤波是去除斑点噪声的有效方法之一，再通过ROI区域提取模块对预处理后的图像提取结节的ROI区域。
2.根据参考区域确定模块确定等回声参考区域。在实际判断结节回声的过程中，行业内通常将正常腺体组织区域作为等回声的参考，并且大部分的结节都在腺体内部。对于给定的一组结节边缘坐标点，可以确定结节的ROI区域，本实施方式将已知的结节ROI区域根据预设边缘扩展百分比向左右各外扩20％，形成一个矩形区域，并将矩形区域中的非ROI的部分作为等回声的参考区域。图5中的图(51)为带有结节的超声图像，图5中的图(52)示出了结节的ROI区域和非ROI区域，其中J所标识的区域表示ROI区域，I所标识的区域表示根据预设边缘扩展百分比外扩后的非ROI区域，I标识的区域即本实施方式中等回声的参考区域。
3.根据各回声类型区域划分模块计算各回声范围的临界值。根据下述的公式(1)至公式(4)可知，计算临界值的主要输入参数是非ROI区域(即参考区域)中所有像素灰度的期望和标准差。由于有的结节过大或在组织的边缘，在ROI区域在预设边缘扩展百分比外扩后会取到组织以外的区域甚至是超声图像的工作区之外，因此在计算期望和标准差前，要对非ROI区域中的像素进行过滤，排除掉过暗(可能是血管、非工作区等部分)和过亮(可能是筋膜部分)的区域，然后再计算期望和标准差，可求得与真实情况更贴近的等回声参考值。
4.根据钙化区域和回声衰减区域去除模块确定钙化和回声衰减区域。回声的衰减区域与粗钙化具有明显的位置对应关系，而衰减区域内的回声类型与极低回声相似，因此需要先确定粗钙化的位置，再充分考虑衰减区域的位置。同时，有的极低回声区域在虽然在粗钙化下方，但是形状上并不是由粗钙化产生的衰减，因此这里将判断此粗钙化未产生回声衰减。
5.根据结节内最大比例回声类型确定模块实现回声区域之间的合并。合并过程是对模拟真实人眼判断的进一步优化过程，忽略掉小的区域，同时也要考虑某些病灶点不能被合并掉。
6.统计各类型回声所占比例。在真实判断结节的主要回声过程中，所占面积最大的为主要回声，因此最后通过统计的方式计算各类回声所占比例，将比例最高的回声类型作为主要回声。
以下对本实施方式进行详细介绍：
本实施方式对行业内判断结节回声的各个因素进行建模，并根据不同因素的重要性，对所有的子模型设置不同的权重以及排序，最后实现一个可以综合性考虑结节回声的模型。
判断一个结节回声过程中，主要的考虑因素有：
1.在超声影像中确定某一个区域，作为等回声的参考，低于等回声确定的某个范围的回声可以作为低回声、极低回声或无回声来考虑。例如：在甲状腺中，通常以正常的甲状腺腺体作为等回声的参考；在乳腺中，通常以乳腺腺体作为等回声并偏高回声的参考，以脂肪作为低回声的参考。
2.结节的边缘部分与正常腺体的灰度差异，会给人眼带来更明显的感受，因此边缘部位的灰度差需要单独考虑权重。
3.结节内所占比例最大的回声类型作为结节的主要回声，但是人眼实际的观察是以区域(块)为单位的，而不是以像素为单位，因此除了钙化以外，极小区域的回声不会作为单独的回声类型考虑，而是归并到周围的大部分回声类型中统一考虑。
4.钙化部分以及粗钙化下面产生的回声衰减，均不作为回声类型考虑。
5.无回声与极低回声在超声图像的显示中，都是灰度非常低的，但是无回声的内部更加均质，极低回声区域内部常伴有低回声存在。
6.后方回声增强是无回声的一个显著特征，但是也存在特例，少部分的均质结节也会伴随后方回声增强的产生。
7.整个过程都需要考虑人眼对灰度差异的感知特点。
根据上述判断结节回声的主要因素，本实施方式考虑如何具体地实现每个因素，并建立符合逻辑的应用模型。
进一步地，所述参考区域确定模块中根据所述ROI区域确定一参考区域，并将所述参考区域用于作为等回声的参考，具体为：通过预设边缘扩展百分比将所述ROI区域扩展为矩形区域，将所述矩形区域中的非ROI区域作为参考区域，并将所述参考区域作为等回声的参考。本实施方式中的预设边缘扩展百分比为20％。
进一步地，所述各回声类型区域划分模块中根据所述参考区域划分出结节的极低回声、低回声、等回声和高回声的区域，公式为：
其中，μout表示参考区域中像素灰度值的期望，σout表示参考区域中像素灰度值的标准差，fmax＝255，k表示第一可调节参数；通过调节k可以更好的模拟人眼对明暗对比的感知变化。人眼在低亮度区域内的敏感度比在高亮度区域的敏感度要高，因此μout与Δ成正比，越亮的图，需要更大的亮度变化才会更符合人眼对亮度的感知。同时，σout越大，说明结节周边区域的明暗变化较大，大概率的存在亮点或暗点，对人眼影响较大，此时人眼对于明暗感知更加敏感，因此适当减小Δ。
进一步地，所述各回声类型区域划分模块还包括：
根据划分出的结节的极低回声、低回声、等回声和高回声的区域Δ，确定极低回声和低回声的临界值Tl，公式为：
其中，αl表示第二可调节参数，kl表示第三可调节参数，fmin＝0；
根据划分出的结节的极低回声、低回声、等回声和高回声的区域Δ，确定低回声和等回声的临界值Tm，公式为：
其中，αm表示第四可调节参数，km表示第五可调节参数；
根据划分出的结节的极低回声、低回声、等回声和高回声的区域Δ，确定低回声和高回声的临界值Th，公式为：
其中，αh表示第六可调节参数，kh表示第七可调节参数。
各个回声区域的判断，主要是通过确定Δ后得出的，Δ是通过人眼对亮度感知的特点进行的亮度变化模型，公式(2)至公式(4)是在此基础上对回声区域判断的进一步完善。
进一步地，假设将结节最外边缘向内给定的像素点距离的部分作为结节边缘部分，这一部分由于是与正常组织距离较近的部分，在人眼观察时，边缘对视觉的影响较大，如图2所示，因此边缘部分的灰度所占权重应更大。
进一步地，所述结节边缘提取模块：用于根据所述ROI区域来提取结节边缘，具体为：根据所述ROI区域的外边缘、以及靠近ROI外边缘并在ROI区域内部给定的像素点之间构成条形区域，将所述条形区域作为结节边缘，公式为：
其中，Norm(·)表示对向量的标准化操作，L表示给定的像素点距离，P表示结节边缘外侧边界上的点，P1、P2分别表示与点P相邻的点，Q表示点P内缩L后的位置点，并且Q位于结节边缘的内侧边界上。
进一步地，所述结节内最大比例回声类型确定模块中根据划分好的结节的极低回声、低回声、等回声和高回声的区域确定结节内最大比例回声类型，具体为：根据预设尺寸算子，以开运算的方式对各类型回声区域进行过滤，以将小于预设区域的回声区域融合到大于预设区域的回声区域，最后得到结节内最大比例回声类型，公式为：
其中，表示腐蚀操作符号，/>表示膨胀操作符号，A表示结节区域，B表示预设尺寸算子，x表示结节区域A的横坐标，y表示结节区域A的纵坐标。如图3所示，图(31)是通过公式(1)至公式(4)计算出的回声类型分布，其中C所标识的区域表示极低回声，D所标识的区域表示低回声，E所标识的区域表示等回声。通常，人眼在观察整个结节时，会忽略掉结节中点状区域的回声，以块状区域作为回声类型的基本判断单位。通过将小的回声区域进行融合后，得到图(32)，更符合人眼的判断标准。
进一步地，所述钙化区域和回声衰减区域去除模块：用于根据确定好的结节内最大比例回声类型判断是否存在钙化区域和回声衰减区域，若存在，则将钙化区域回声衰减区域去除，公式为：
R(i,j)＝m·(i-h)·(f(i,j)-Tl) (8)
其中，(i,j)表示超声图像中的坐标点，f(·)表示超声图像在坐标点上的灰度值，Tl表示确定极低回声和低回声的临界值，(i-h)表示坐标点(i,j)到钙化区域的垂直距离，当R(i,j)∈[0,1]时，则表示坐标点(i,j)属于回声衰减区域，m表示第八可调节参数。如图4所示，为带有粗钙化和大面积回声衰减的结节，图(42)为根据粗钙化区域结合公式(8)判断出的回声衰减区域，其中，G所标识的区域为钙化区域，H所标识的区域为回声衰减区域，F所标识的区域为可正常统计回声的部分。在医生判断结节回声的过程中，钙化部分和衰减部分是不作为判断回声的参考的，因此将这两个部分区域去除掉再进行统计。
进一步地，在区分无回声和极低回声时，根据无回声灰度值更低，区域内回声更均质的特点，可以提供该回声区域是无回声的概率。通过无回声区域判断模块根据所述各回声类型区域划分模块中的极低回声区域来判断无回声区域，公式为：
其中，pane表示回声区域是无回声的概率且pane∈[0,1]，Rane表示在极低回声区域中灰度值小于12的像素个数所占比例，ka表示第九可调节参数，σl表示极低回声区域中像素集合的标准差。
经过后期实验数据对比发现，本实施方式的各项性能均优于基于深度学习网络对结节进行判断的方法，对比结果如下：
一、准确率
回声判断的准确率可达90％，预测准确率高于通过深度学习分类网络判断的结果。通过使用Darknet-19分类网络模型，训练数据集为已标注主要回声的600张甲状腺结节超声图像，训练后回声判断的准确率为68％。
二、时效性
在Core i7-10700处理器的运行环境中，回声的判断速度约为20ms/张，运行速度高于深度学习分类网络。
三、灵活性
与深度学习的“黑盒”式判断相比，本实施方式可以改变判断准则，即通过改变可调节参数，可以模拟出不同判断准则。由于真实的回声判断是一个主观的过程，因此不同医生的判断结果具有差异性，本实施方式可以通过调整参数，将判断标准向某个医生的判断标准贴近。
由此可见，本发明的回声判断的准确率较高且运行时效较快，本发明能够实现对结节回声的准确判断。

Claims (6)

1.一种结节回声类型判断装置，其特征在于，包括：
ROI区域提取模块：用于从获取的超声图像中提取结节的ROI区域；
参考区域确定模块：用于根据所述ROI区域确定一参考区域，并将所述参考区域作为等回声的参考；
各回声类型区域划分模块：用于根据所述参考区域划分出结节的极低回声、低回声、等回声和高回声的区域，其采用的公式为：其中，μout表示参考区域中像素灰度值的期望，σout表示参考区域中像素灰度值的标准差，fmax＝255，k表示第一可调节参数；所述各回声类型区域划分模块还包括：
根据划分出的结节的极低回声、低回声、等回声和高回声的区域Δ，确定极低回声和低回声的临界值Tl，公式为：
其中，αl表示第二可调节参数，kl表示第三可调节参数，fmin＝0；
根据划分出的结节的极低回声、低回声、等回声和高回声的区域Δ，确定低回声和等回声的临界值Tm，公式为：
其中，αm表示第四可调节参数，km表示第五可调节参数；
根据划分出的结节的极低回声、低回声、等回声和高回声的区域Δ，确定等回声和高回声的临界值Th，公式为：
其中，αh表示第六可调节参数，kh表示第七可调节参数；
结节内最大比例回声类型确定模块：用于根据划分好的结节的极低回声、低回声、等回声和高回声的区域确定结节内最大比例回声类型。
2.根据权利要求1所述的结节回声类型判断装置，其特征在于，所述参考区域确定模块中根据所述ROI区域确定一参考区域，并将所述参考区域用于作为等回声的参考，具体为：通过预设边缘扩展百分比将所述ROI区域扩展为矩形区域，将所述矩形区域中的非ROI区域作为参考区域，并将所述参考区域作为等回声的参考。
3.根据权利要求1所述的结节回声类型判断装置，其特征在于，所述结节内最大比例回声类型确定模块中根据划分好的结节的极低回声、低回声、等回声和高回声的区域确定结节内最大比例回声类型，具体为：根据预设尺寸算子，以开运算的方式对各类型回声区域进行过滤，以将小于预设区域的回声区域融合到大于预设区域的回声区域，最后得到结节内最大比例回声类型，公式为：其中，/>表示腐蚀操作符号，表示膨胀操作符号，A表示结节区域，B表示预设尺寸算子，x表示结节区域A的横坐标，y表示结节区域A的纵坐标。
4.根据权利要求1所述的结节回声类型判断装置，其特征在于，还包括结节边缘提取模块：用于根据所述ROI区域来提取结节边缘，具体为：根据所述ROI区域的外边缘、以及靠近ROI外边缘并在ROI区域内部给定的像素点之间构成条形区域，将所述条形区域作为结节边缘，公式为：
其中，Norm(·)表示对向量的标准化操作，L表示结节边缘宽度，P表示结节边缘外侧边界上的点，P1、P2分别表示与点P相邻的点，Q表示点P内缩L后的位置点。
5.根据权利要求1所述的结节回声类型判断装置，其特征在于，还包括钙化区域和回声衰减区域去除模块：用于根据确定好的结节内最大比例回声类型判断是否存在钙化区域和回声衰减区域，若存在，则将钙化区域回声衰减区域去除，公式为：R(i,j)＝m·(i-h)·(f(i,j)-Tl)，其中，(i,j)表示超声图像中的坐标点，f(·)表示超声图像在坐标点上的灰度值，Tl表示确定极低回声和低回声的临界值，(i-h)表示坐标点(i,j)到钙化区域的垂直距离，当R(i,j)∈[0,1]时，则表示坐标点(i,j)属于回声衰减区域，m表示第八可调节参数。
6.根据权利要求1所述的结节回声类型判断装置，其特征在于，还包括无回声区域判断模块：用于根据所述各回声类型区域划分模块中的极低回声区域来判断无回声区域，公式为：其中，pane表示回声区域是无回声的概率且pane∈[0,1]，Rane表示在极低回声区域中灰度值小于12的像素个数所占比例，ka表示第九可调节参数，σl表示极低回声区域中像素集合的标准差。
CN202111019537.9A 2021-09-01 2021-09-01 一种结节回声类型判断装置 Active CN113657553B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111019537.9A CN113657553B (zh) 2021-09-01 2021-09-01 一种结节回声类型判断装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111019537.9A CN113657553B (zh) 2021-09-01 2021-09-01 一种结节回声类型判断装置

Publications (2)

Publication Number Publication Date
CN113657553A CN113657553A (zh) 2021-11-16
CN113657553B true CN113657553B (zh) 2023-12-26

Family

ID=78493408

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111019537.9A Active CN113657553B (zh) 2021-09-01 2021-09-01 一种结节回声类型判断装置

Country Status (1)

Country Link
CN (1) CN113657553B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102438529A (zh) * 2008-12-22 2012-05-02 美的派特恩公司 自动检测医学图像中的病变的方法和系统
EP2980757A1 (en) * 2014-07-29 2016-02-03 AmCad BioMed Corporation Quantification and imaging methods of the echo-texture feature
CN106780451A (zh) * 2016-12-07 2017-05-31 西安电子科技大学 X射线、超声、红外图像融合乳腺肿块图像检测方法
CN111528914A (zh) * 2020-06-02 2020-08-14 深圳市人民医院 一种图像处理方法和装置
CN111815557A (zh) * 2020-06-04 2020-10-23 上海联影智能医疗科技有限公司 图像分析方法、装置、设备及存储介质
CN112308065A (zh) * 2020-07-09 2021-02-02 什维新智医疗科技(上海)有限公司 一种识别超声图像中特征的方法、系统及电子设备
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
CN113034508A (zh) * 2019-12-25 2021-06-25 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)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030095696A1 (en) * 2001-09-14 2003-05-22 Reeves Anthony P. System, method and apparatus for small pulmonary nodule computer aided diagnosis from computed tomography scans

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102438529A (zh) * 2008-12-22 2012-05-02 美的派特恩公司 自动检测医学图像中的病变的方法和系统
EP2980757A1 (en) * 2014-07-29 2016-02-03 AmCad BioMed Corporation Quantification and imaging methods of the echo-texture feature
CN106780451A (zh) * 2016-12-07 2017-05-31 西安电子科技大学 X射线、超声、红外图像融合乳腺肿块图像检测方法
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
CN113034508A (zh) * 2019-12-25 2021-06-25 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
CN111528914A (zh) * 2020-06-02 2020-08-14 深圳市人民医院 一种图像处理方法和装置
CN111815557A (zh) * 2020-06-04 2020-10-23 上海联影智能医疗科技有限公司 图像分析方法、装置、设备及存储介质
CN112308065A (zh) * 2020-07-09 2021-02-02 什维新智医疗科技(上海)有限公司 一种识别超声图像中特征的方法、系统及电子设备

Also Published As

Publication number Publication date
CN113657553A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN110033456B (zh) 一种医疗影像的处理方法、装置、设备和系统
CN110276356B (zh) 基于r-cnn的眼底图像微动脉瘤识别方法
WO2019104767A1 (zh) 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法
CN107644420B (zh) 基于中心线提取的血管图像分割方法、核磁共振成像系统
CN107784651B (zh) 一种基于模糊检测加权的模糊图像质量评价方法
US20090252429A1 (en) System and method for displaying results of an image processing system that has multiple results to allow selection for subsequent image processing
EP1880363A1 (en) Method and apparatus for image segmentation
DE102008060789A1 (de) System und Verfahren zur nicht überwachten Detektion und Gleason-Abstufung für ein Prostatakrebspräparat (Whole-Mount) unter Verwendung von NIR Fluoreszenz
JP2011500217A (ja) 分類器出力及び画像中の信頼性測度の表示
Lin et al. Detection and segmentation of cervical cell cytoplast and nucleus
Petroudi et al. Breast density segmentation using texture
CN112001895B (zh) 一种甲状腺钙化检测装置
CN113012093B (zh) 青光眼图像特征提取的训练方法及训练系统
CN115797607B (zh) 一种增强vr真实效果的图像优化处理方法
CN111062953A (zh) 一种超声图像中甲状旁腺增生的识别方法
CN116311412A (zh) 一种融合3d注意力机制和空洞卷积的口罩佩戴检测方法
CN112270667A (zh) 一种基于ti-rads的集成深度学习多标签识别方法
CN116758336A (zh) 一种基于人工智能的医学图像智能分析系统
CN113657553B (zh) 一种结节回声类型判断装置
CN108447066B (zh) 胆道图像分割方法、终端、存储介质
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
CN115546232A (zh) 一种肝脏超声图像工作区域提取方法、系统及电子设备
Ortiz-Jaramillo et al. Computing contrast ratio in images using local content information
CN113989588A (zh) 一种基于自学习的五边形绘图测试智能评价系统及方法
Mahmoud et al. Novel feature extraction methodology based on histopathalogical images and subsequent classification by Support Vector Machine

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
CB02 Change of applicant information

Address after: 201114 room 101-8, building 3, No. 2388, Chenhang Road, Minhang District, Shanghai

Applicant after: Shiwei Xinzhi medical technology (Shanghai) Co.,Ltd.

Address before: 1628 suzhao Road, Minhang District, Shanghai 201112

Applicant before: Shiwei Xinzhi medical technology (Shanghai) Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant