CN113793316B - 一种超声扫查区域提取方法、装置、设备和存储介质 - Google Patents

一种超声扫查区域提取方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN113793316B
CN113793316B CN202111067520.0A CN202111067520A CN113793316B CN 113793316 B CN113793316 B CN 113793316B CN 202111067520 A CN202111067520 A CN 202111067520A CN 113793316 B CN113793316 B CN 113793316B
Authority
CN
China
Prior art keywords
area
image
ultrasonic scanning
value
scanning area
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
CN202111067520.0A
Other languages
English (en)
Other versions
CN113793316A (zh
Inventor
程栋梁
何年安
王晨
刘振
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.)
Hefei Hebin Intelligent Robot Co ltd
Original Assignee
Hefei Hebin Intelligent Robot 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 Hefei Hebin Intelligent Robot Co ltd filed Critical Hefei Hebin Intelligent Robot Co ltd
Priority to CN202111067520.0A priority Critical patent/CN113793316B/zh
Publication of CN113793316A publication Critical patent/CN113793316A/zh
Application granted granted Critical
Publication of CN113793316B publication Critical patent/CN113793316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/187Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/20Analysis of motion
    • G06T7/246Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/20Analysis of motion
    • G06T7/254Analysis of motion involving subtraction of images
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/60Analysis of geometric attributes
    • G06T7/62Analysis of geometric attributes of area, perimeter, diameter or volume

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种超声扫查区域提取方法、装置、设备和存储介质,属于图像处理领域。方法步骤包括:获取超声扫查设备输出的视频序列的一帧图像,提取其中的运动区域;对运动区域检测最大连通区域,获取下一帧图像,重复检测最大连通区域,直到最大连通区域连续N帧保持稳定,提取此时的最大连通区域,即为超声扫查区域。本发明可以实现快速准确的提取超声扫查区域,并计算区域相关参数,为后续机器学习算法的训练和测试奠定基础,避免在无效内容区域产生的误检,避免无效的计算量,提高识别的准确率和效率。

Description

一种超声扫查区域提取方法、装置、设备和存储介质
技术领域
本发明涉及图像处理领域,更具体地说,涉及一种超声扫查区域提取方法、装置、设备和存储介质。
背景技术
医学超声扫查是一种基于超声的医学影像学诊断技术,使肌肉和内脏器官——包括其大小、结构和病理学病灶——可视化。现在超声检查在医学中广泛应用。它可能起诊断作用,也可能在治疗过程中起引导作用,它可以实时生成图像,检查操作者可动态选择对诊断最有用的部分观察并记录。
随着医疗技术的发展,基于机器学习的图像处理技术被广泛用于医疗领域,尤其是超声图像的识别与分析中。机器学习通过学习数据中的模式,然后利用发现的模式来预测未来的数据或在不确定的条件下进行决策。深度学习作为机器学习的一部分,通过训练神经网络来对超声图像进行识别,完成分类、分割等任务。
超声扫查设备的图像界面上除了实时扫查的图像,还包括其他的功能界面,如部位选择,参数显示等内容。而对于超声图像识别技术,只有有效的超声扫查区域才是有用的信息,其他的部位选择、参数等图像内容对于超声图像识别技术都是不需要的。不同扫描部位,超声扫查区域的形状和大小不一,其形状通常有矩形、扇形。
现有技术都是直接使用原始超声图像(整个界面图像)训练模型,在测试时也使用原始图像进行测试。例如中国发明公开:一种在线训练甲状腺肿瘤超声图像识别方法及其装置,公开号:CN108364293A公开了一种在线训练甲状腺肿瘤超声图像识别方法及其装置,所述方法包括:获取一组甲状腺肿瘤超声图像,从中选取肿瘤区域并扩增一定边缘范围后切割,进行良恶性标注,将切割下来的图像存入图像库,并与所述图像库中部分原有的图像组成训练集;用训练集训初级甲状腺肿瘤超声图像识别模型形成进阶甲状腺肿瘤超声图像识别模型;获取待识别的甲状腺肿瘤超声图像,选取肿瘤区域并扩增一定边缘范围后切割,用所述进阶甲状腺肿瘤超声图像识别模型进行良恶性识别。该识别方法获取的超声图像除了扫查区域外,还有其他的功能界面,如部位选择,参数显示等内容,只有扫查区域对于模型的训练和测试是有效的,其他的功能界面,如部位选择、参数显示等内容对于超声图像识别是无效内容。并且在模型训练的预处理阶段,对图片进行了尺寸调整,将图像缩小到一个小的尺寸上,这就会导致有效的扫查区域缩小,在测试时,会降低此类目标的检出率。另一方面深度学习模型的正确率很难做到百分之百正确,就不可避免会在无效内容的区域产生一定数量的误检,造成较差的用户体验。而使用有效区域矫正后,就可避免很低级的误检。
发明内容
1.要解决的技术问题
针对现有技术中存在的获取原始超声图像包含无效内容的问题,本发明提供了一种超声扫查区域提取方法,它可以实现快速准确的提取超声扫查区域,并计算区域相关参数,为后续机器学习算法的训练和测试奠定基础,避免在无效内容区域产生的误检,避免无效的计算量,提高识别的准确率和效率。
2.技术方案
本发明的目的通过以下技术方案实现。
本发明的一方面提供一种超声扫查区域提取方法,包括:
步骤101:获取超声扫查设备输出的视频序列的一帧图像,对其进行运动目标检测以提取原始图像中的运动区域;
步骤102:对运动区域检测最大连通区域,设最大连通区域的面积为area,计算area的值,设area的最大值为max_area,max_area的初始值为0,如果area>max_area,那么将area的值赋给max_area;
步骤103:获取下一帧图像,重复步骤101和步骤102,直到max_area的值连续N帧保持不变,N为一个给定的大于1的整数;
步骤104:在max_area的值连续N帧保持不变时,提取此时的最大连通区域,即为超声扫查区域。
更进一步的,步骤101中进行运动目标检测以提取原始图像中的运动区域包括以下步骤:
步骤201:计算当前帧图像与上一帧图像的帧差,得到帧差图像;
步骤202:对帧差图像进行二值化处理,对图像中的每一像素点,如果该像素点的像素值大于或等于给定的阈值,那么将该像素点的像素值赋为A,A是一个大于0的数,如果该像素点的像素值小于给定的阈值,那么将该像素点的像素值赋为0,得到二值图像;
步骤203:计算二值图像中像素值为A的像素点的数量占所有像素点总数量比例,如果比例低于一个给定的比例B,则获取下一帧,回到步骤201;
步骤204:如果比例高于或等于B,设mask图像,所述mask图像的尺寸与超声扫查设备输出的图像的尺寸相同,所述mask图像的像素值的初始值为全0,将二值图像与mask图像进行按位或运算,将运算结果赋给mask图像,运算后的mask图像中记录了所有的运动区域。
更进一步的,在提取到超声扫查区域后,还包括:
步骤105:对超声扫查区域进行直线检测,并对每一个检测到的直线计算其斜率,如果有两个直线的斜率相等,则认为超声扫查区域形状是长方形,否则认为超声扫查区域形状是扇形。
更进一步的,在认为超声扫查区域形状是扇形后,还包括:
步骤106:找到两条最长直线,计算两条最长直线的交点,所述交点即是扇形的圆心。
本发明的另一方面提供一种超声扫查区域提取装置,其特征在于,包括:
运动检测模块,被配置为获取超声扫查设备输出的视频序列的一帧图像,对其进行运动目标检测以提取原始图像中的运动区域;
最大连通区域检测模块,被配置为对运动区域检测最大连通区域,设最大连通区域的面积为area,计算area的值,设area的最大值为max_area,max_area的初始值为0,如果area>max_area,那么将area的值赋给max_area;
输出模块,被配置为在max_area的值连续N帧保持不变时,提取此时的最大连通区域,即为超声扫查区域。
更进一步的,最大连通区域检测模块进行运动目标检测以提取原始图像中的运动区域包括以下步骤:
步骤201:计算当前帧图像与上一帧图像的帧差,得到帧差图像;
步骤202:对帧差图像进行二值化处理,对图像中的每一像素点,如果该像素点的像素值大于或等于给定的阈值,那么将该像素点的像素值赋为A,A是一个大于0的数,如果该像素点的像素值小于给定的阈值,那么将该像素点的像素值赋为0,得到二值图像;
步骤203:计算二值图像中像素值为A的像素点的数量占所有像素点总数量比例,如果比例低于一个给定的比例B,则获取下一帧,回到步骤201;
步骤204:如果比例高于或等于B,设mask图像,所述mask图像的尺寸与超声扫查设备输出的图像的尺寸相同,所述mask图像的像素值的初始值为全0,将二值图像与mask图像进行按位或运算,将运算结果赋给mask图像,运算后的mask图像中记录了所有的运动区域。
更进一步的,还包括:
形状检测模块,被配置为对超声扫查区域进行直线检测,并对每一个检测到的直线计算其斜率,如果有两个直线的斜率相等,则认为超声扫查区域形状是长方形,否则认为超声扫查区域形状是扇形。
更进一步的,还包括:
圆心检测模块,被配置为如果超声扫查区域形状是扇形,则找到两条最长直线,计算两条最长直线的交点,所述交点即是扇形的圆心。
本发明的又一方面提供一种超声扫查区域提取设备,包括:
处理器,和
存储器,所述存储器存储有计算机可执行指令,所述计算机可执行指令当由处理器执行时促使处理器执行上述的方法。
本发明的又一方面提供一种计算机可读记录介质,存储有计算机可执行指令,其中,所述计算机可执行指令当由处理器执行时促使处理器执行上述的方法。
3.有益效果
相比于现有技术,本发明的优点在于:本发明可以实现快速准确的提取超声扫查区域,并计算区域相关参数,为后续机器学习算法的训练和测试奠定基础,避免在无效内容区域产生的误检,避免无效的计算量,提高识别的准确率和效率。提取超声扫查区域后,不仅可大大提高后续AI模型的精度,例如提高检出率、正确率等,还能提高测量等任务的精度。
附图说明
图1为本发明的超声扫查区域提取方法的流程图;
图2为本发明的运动目标检测的流程图;
图3为通过本发明提取出长方形的超声扫查区域的图像示例;
图4为通过本发明提取出扇形的超声扫查区域的图像示例;
图5为本发明的超声扫查区域提取装置的框图;
图6为本发明的超声扫查区域提取设备的框图。
具体实施方式
在下文中将结合附图对本申请的示范性实施例进行描述。为了清楚和简明起见,在说明书中并未描述实施例的所有特征。然而,应该了解,在对实施例进行实施的过程中必须做出很多特定于实施方式的设置,以便实现开发人员的具体目标,例如,符合与系统及业务相关的那些限制条件,并且这些限制条件可能会随着实施方式的不同而有所改变。此外,还应该了解,虽然开发工作有可能是非常复杂和费时的,但对得益于本发明的本领域技术人员来说,这种开发工作仅仅是例行的任务。
在此,还应当注意,为了避免因不必要的细节而模糊了本申请,在附图中仅仅示出了与至少根据本发明的方案密切相关的处理步骤和/或系统结构,而省略了与本申请关系不大的其他细节。
首先参照图1描述根据本发明的一个实施例的超声扫查区域提取方法的流程图。在该超声扫查区域提取方法中,要从超声扫查设备输出的图像中提取出超声扫查区域。在流程开始之前,首先对步骤中将要用到的mask和max_area进行初始化,max_area是一个数,它的值被初始化为0,mask是一个图像,其尺寸与超声扫查设备输出的视频序列的一帧图像的尺寸相同,mask中所有的像素点的像素值被初始化为0。
步骤101:获取超声扫查设备输出的视频序列的一帧图像,对其进行运动目标检测以提取原始图像中的运动区域;
参照图2,进行运动目标检测的具体实现包括以下步骤:
步骤201:计算当前帧图像与上一帧图像的帧差,即进行按位相减运算,运算结果取绝对值,得到帧差图像,计算可以通过OpenCV或其他工具实现,OpenCV是一个基于BSD许可(开源)发行的跨平台计算机视觉和机器学习软件库,可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列C函数和少量C++类构成,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。
OpenCV用C++语言编写,它具有C++,Python,Java和MATLAB接口,并支持Windows,Linux,Android和Mac OS,OpenCV主要倾向于实时视觉应用,并在可用时利用MMX和SSE指令,如今也提供对于C#、Ch、Ruby,GO的支持。
步骤202:对帧差图像进行二值化处理,对图像中的每一像素点,如果该像素点的像素值大于或等于给定的阈值,那么将该像素点的像素值赋为A,A是一个大于0的数,如果该像素点的像素值小于给定的阈值,那么将该像素点的像素值赋为0,得到二值图。二值化处理是通过选取适当的阈值,将图像上的像素点设置为黑或者白,一般来说,图像处理中用8位表示像素值,这样像素值在0~255间,因此黑的值为0,白的值为255,即A为255。如果用更多的位数来表示像素值,例如12位或16位,那么A也会相对应的为4096或65536。由于超声扫查区域的像素会不断变化、运动,经过二值化处理,运动的点被检测出来,运动的点的像素值是A,其他静止的界面区域则被过滤掉,静止的点的像素值为0。
步骤203:计算二值图像中像素值为A的像素点的数量占所有像素点总数量比例,如果比例低于一个给定的比例B,意味着运动的点太少,则获取下一帧,回到步骤201,此步骤是为了过滤医生不扫查时产生的静止画面,例如将B设为1%,运动的点仅占1%,就不进行下一步,回到步骤201处理下一帧图像。
步骤204:如果比例高于或等于B,将二值图像与在流程开始之前已经初始化的mask图像进行按位或运算,将运算结果赋给mask图像,运算后的mask图像中记录了所有的运动区域。
回到图1,在提取运动区域后,执行步骤102:对运动区域检测最大连通区域,可以通过OpenCV提供的findContours()函数检测,也可以通过其他工具。设最大连通区域的面积为area,计算area的值,max_area表示area的最大值,已经在流程开始前被初始化为0,如果area>max_area,那么将area的值赋给max_area;
步骤103:获取下一帧图像,重复步骤101和步骤102,直到max_area的值连续N帧保持不变,N为一个给定的大于1的整数,max_area的值连续N帧保持不变,说明检测出来的最大连通区域连续N帧保持稳定;
步骤104:在max_area的值连续N帧保持不变时,说明最大连通区域稳定,超声扫查区域已经全部被检测出来,提取此时的最大连通区域,此时的最大连通区域就是超声扫查区域,在一个部位的超声扫查过程中,超声扫查区域会被提取出来。现有技术中,对于超声图像进行识别与分析一般都是直接获取的超声扫查设备输出的图像,在这种图像中除了扫查区域外,还有其他的无效内容,如果不加处理直接进入后续识别步骤,会降低识别的效率和准确率。将超声扫查区域提取出来,为后续机器学习算法的训练和测试奠定基础,避免在无效内容区域产生的误检,避免无效的计算量,提高识别的准确率和效率。
步骤105:对超声扫查区域进行直线检测,可以通过OpenCV提供的cvHoughLine()函数检测,并对每一个检测到的直线计算其斜率,如果有两个直线的斜率相等,则认为超声扫查区域形状是长方形,否则认为超声扫查区域形状是扇形。通过检测超声扫查区域的形状,将形状作为参数输入后续机器学习算法的训练和测试,能够提高识别的准确率和效率。图3为一张超声扫查设备直接输出的图像,其中含有大量无效内容,经过本方法,图像内长方形的超生扫查区域被提取出来。
步骤106:对于扇形的超声扫查区域,找到两条最长直线,计算两条最长直线的交点,所述交点即是扇形的圆心。通过检测超声扫查区域的圆心,将圆心作为参数输入后续机器学习算法的训练和测试,能够提高识别的准确率和效率。图4为另一张超声扫查设备直接输出的图像,其中含有大量无效内容,经过本方法,图像内扇形的超生扫查区域被提取出来。
本方法能够快速准确的提取超声扫查区域,并计算区域相关参数,提高后续机器学习算法的精度,适用于多种算法类任务,例如甲状腺病灶检测任务。在甲状腺数据集上,不经本方法直接对超声扫查设备输出的全图进行训练,并在测试机的全图上进行检测,正确率为92.2%,检出率为91.1%。如果采用本方法提取出超声扫查区域后训练并测试,测试集的指标为,正确率95.1%,检出率93.5%。,采用本方法能够获得显著的提高。
本发明除了提供了上述超声扫查区域提取方法之外,还提供了对应的超声扫查区域提取方法装置以及超声扫查区域提取方法设备,接下来将参照图3和图4对此进行说明。
参照图5描述根据本发明的一个实施例的超声扫查区域提取装置的框图,所示的一种超声扫查区域提取装置300,包括:
运动检测模块301,被配置为获取超声扫查设备输出的视频序列的一帧图像,对其进行运动目标检测以提取原始图像中的运动区域;
最大连通区域检测模块302,对运动区域检测最大连通区域,设最大连通区域的面积为area,计算area的值,设area的最大值为max_area,max_area的初始值为0,如果area>max_area,那么将area的值赋给max_area;
输出模块303,被配置为在max_area的值连续N帧保持不变时,提取此时的最大连通区域,即为超声扫查区域。现有技术中,对于超声图像进行识别与分析一般都是直接获取的超声扫查设备输出的图像,在这种图像中除了扫查区域外,还有其他的无效内容,如果不加处理直接进入后续识别步骤,会降低识别的效率和准确率。将超声扫查区域提取出来,为后续机器学习算法的训练和测试奠定基础,避免在无效内容区域产生的误检,避免无效的计算量,提高识别的准确率和效率。
形状检测模块304,被配置为对超声扫查区域进行直线检测,并对每一个检测到的直线计算其斜率,如果有两个直线的斜率相等,则认为超声扫查区域形状是长方形,否则认为超声扫查区域形状是扇形。通过检测超声扫查区域的形状,将形状作为参数输入后续机器学习算法的训练和测试,能够提高识别的准确率和效率。
圆心检测模块305,被配置为如果超声扫查区域形状是扇形,则找到两条最长直线,计算两条最长直线的交点,所述交点即是扇形的圆心。通过检测超声扫查区域的圆心,将圆心作为参数输入后续机器学习算法的训练和测试,能够提高识别的准确率和效率。
由于以上已经在描述超声扫查区域提取方法的过程中,对上述操作所涉及的内容的细节进行了介绍,因此这里为简洁起见不再赘述,相关细节可参照上文超声扫查区域提取方法的描述。
参照图6描述根据本发明的一个实施例的超声扫查区域提取设备的框图,超声扫查区域提取设备400,包括处理器401和存储器402,处理器401和存储器402都可以通过总线403相连。
处理器401可以根据存储在存储器402中的程序执行各种动作和处理。具体地,处理器401可以是一种集成电路芯片,具有信号的处理能力。上述处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,可以是X86架构或ARM架构的。
存储器402存储有计算机指令,在计算机指令被处理器401执行时实现上述图像分割的方法。存储器402可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(SDRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、增强型同步动态随机存取存储器(ESDRAM)、同步连接动态随机存取存储器(SLDRAM)和直接内存总线随机存取存储器(DR RAM)。应注意,本文描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本发明的一个实施例还提供一种计算机可读记录介质,存储有计算机可执行指令,其中,所述计算机可执行指令当由处理器执行时促使处理器执行上述的方法。
本公开还提供了一种计算机可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时可以实现上述的方法。类似地,本公开实施例中的计算机可读存储介质可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。应注意,本文描述的计算机可读存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
需要说明的是,附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上示意性地对本公开及其实施方式进行了描述,该描述没有限制性,在不背离本发明的精神或者基本特征的情况下,能够以其他的具体形式实现本发明。附图中所示的也只是本公开的实施方式之一,实际的结构并不局限于此,权利要求中的任何附图标记不应限制所涉及的权利要求。所以,如果本领域的普通技术人员受其启示,在不脱离本创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本专利的保护范围。此外,“包括”一词不排除其他元件或步骤,在元件前的“一个”一词不排除包括“多个”该元件。产品权利要求中陈述的多个元件也可以由一个元件通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。

Claims (8)

1.一种超声扫查区域提取方法,步骤包括:
步骤101:获取超声扫查设备输出的视频序列的一帧图像,对其进行运动目标检测以提取原始图像中的运动区域;
步骤102:对运动区域检测最大连通区域,设最大连通区域的面积为area,计算area的值,设area的最大值为max_area,max_area的初始值为0,如果area>max_area,那么将area的值赋给max_area;
步骤103:获取下一帧图像,重复步骤101和步骤102,直到max_area的值连续N帧保持不变,N为一个给定的大于1的整数;
步骤104:在max_area的值连续N帧保持不变时,提取此时的最大连通区域,即为超声扫查区域;
步骤105:对超声扫查区域进行直线检测,并对每一个检测到的直线计算其斜率,如果有两个直线的斜率相等,则认为超声扫查区域形状是长方形,否则认为超声扫查区域形状是扇形。
2.如权利要求1所述的一种超声扫查区域提取方法,其特征在于,步骤101中进行运动目标检测以提取原始图像中的运动区域包括以下步骤:
步骤201:计算当前帧图像与上一帧图像的帧差,得到帧差图像;
步骤202:对帧差图像进行二值化处理,对图像中的每一像素点,如果该像素点的像素值大于或等于给定的阈值,那么将该像素点的像素值赋为A,A是一个大于0的数,如果该像素点的像素值小于给定的阈值,那么将该像素点的像素值赋为0,得到二值图像;
步骤203:计算二值图像中像素值为A的像素点的数量占所有像素点总数量比例,如果比例低于一个给定的比例B,则获取下一帧,回到步骤201;
步骤204:如果比例高于或等于B,设mask图像,所述mask图像的尺寸与超声扫查设备输出的图像的尺寸相同,所述mask图像的像素值的初始值为全0,将二值图像与mask图像进行按位或运算,将运算结果赋给mask图像,运算后的mask图像中记录了所有的运动区域。
3.如权利要求1所述的一种超声扫查区域提取方法,其特征在于,在认为超声扫查区域形状是扇形后,还包括:
步骤106:对每一个检测到的直线计算其长度,找到两条最长直线,计算两条最长直线的交点,所述交点即是扇形的圆心。
4.一种超声扫查区域提取装置,其特征在于,包括:
运动检测模块,被配置为获取超声扫查设备输出的视频序列的一帧图像,对其进行运动目标检测以提取原始图像中的运动区域;
最大连通区域检测模块,被配置为对运动区域检测最大连通区域,设最大连通区域的面积为area,计算area的值,设area的最大值为max_area,max_area的初始值为0,如果area>max_area,那么将area的值赋给max_area;
输出模块,被配置为在max_area的值连续N帧保持不变时,提取此时的最大连通区域,即为超声扫查区域;
还包括:形状检测模块,被配置为对超声扫查区域进行直线检测,并对每一个检测到的直线计算其斜率,如果有两个直线的斜率相等,则认为超声扫查区域形状是长方形,否则认为超声扫查区域形状是扇形。
5.如权利要求4所述的一种超声扫查区域提取装置,其特征在于,运动检测模块进行运动目标检测以提取原始图像中的运动区域包括以下步骤:
步骤201:计算当前帧图像与上一帧图像的帧差,得到帧差图像;
步骤202:对帧差图像进行二值化处理,对图像中的每一像素点,如果该像素点的像素值大于或等于给定的阈值,那么将该像素点的像素值赋为A,A是一个大于0的数,如果该像素点的像素值小于给定的阈值,那么将该像素点的像素值赋为0,得到二值图像;
步骤203:计算二值图像中像素值为A的像素点的数量占所有像素点总数量比例,如果比例低于一个给定的比例B,则获取下一帧,回到步骤201;
步骤204:如果比例高于或等于B,设mask图像,所述mask图像的尺寸与超声扫查设备输出的图像的尺寸相同,所述mask图像的像素值的初始值为全0,将二值图像与mask图像进行按位或运算,将运算结果赋给mask图像,运算后的mask图像中记录了所有的运动区域。
6.如权利要求4所述的装置,其特征在于,还包括:
圆心检测模块,被配置为如果超声扫查区域形状是扇形,则找到两条最长直线,计算两条最长直线的交点,所述交点即是扇形的圆心。
7. 一种超声扫查区域提取设备,包括:
处理器,和
存储器,所述存储器存储有计算机可执行指令,所述计算机可执行指令当由处理器执行时促使处理器执行如权利要求1-3中的任一项所述的超声扫查区域提取方法。
8.一种计算机可读记录介质,存储有计算机可执行指令,其中,所述计算机可执行指令当由处理器执行时促使处理器执行如权利要求1-3中的任一项所述的超声扫查区域提取方法。
CN202111067520.0A 2021-09-13 2021-09-13 一种超声扫查区域提取方法、装置、设备和存储介质 Active CN113793316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111067520.0A CN113793316B (zh) 2021-09-13 2021-09-13 一种超声扫查区域提取方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111067520.0A CN113793316B (zh) 2021-09-13 2021-09-13 一种超声扫查区域提取方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN113793316A CN113793316A (zh) 2021-12-14
CN113793316B true CN113793316B (zh) 2023-09-12

Family

ID=78879964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111067520.0A Active CN113793316B (zh) 2021-09-13 2021-09-13 一种超声扫查区域提取方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN113793316B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115937219B (zh) * 2023-03-14 2023-05-12 合肥合滨智能机器人有限公司 一种基于视频分类的超声图像部位识别方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101290656A (zh) * 2008-05-23 2008-10-22 北京大学深圳研究生院 一种用于版面分析中的连通区域提取方法及装置
JP2013020616A (ja) * 2011-07-07 2013-01-31 Ricoh Co Ltd オブジェクト追跡方法及びオブジェクト追跡装置
CN103065314A (zh) * 2012-12-28 2013-04-24 中国电子科技集团公司第五十四研究所 一种基于线描述子的图像连通域快速标记方法
CN106599861A (zh) * 2016-12-20 2017-04-26 江苏大学附属医院 一种超声报告数值自动读取方法及装置
CN106846339A (zh) * 2017-02-13 2017-06-13 广州视源电子科技股份有限公司 一种图像检测方法和装置
WO2017162069A1 (zh) * 2016-03-25 2017-09-28 阿里巴巴集团控股有限公司 一种图像文本的识别方法和装置
CN107845094A (zh) * 2017-11-20 2018-03-27 北京小米移动软件有限公司 图像文字检测方法、装置及计算机可读存储介质
CN110751678A (zh) * 2018-12-12 2020-02-04 北京嘀嘀无限科技发展有限公司 运动目标的检测方法、装置和电子设备
CN111105427A (zh) * 2019-12-31 2020-05-05 佛山科学技术学院 一种基于连通区域分析的肺部图像分割方法及系统
CN111539926A (zh) * 2020-04-20 2020-08-14 京东方科技集团股份有限公司 一种图像检测方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101290656A (zh) * 2008-05-23 2008-10-22 北京大学深圳研究生院 一种用于版面分析中的连通区域提取方法及装置
JP2013020616A (ja) * 2011-07-07 2013-01-31 Ricoh Co Ltd オブジェクト追跡方法及びオブジェクト追跡装置
CN103065314A (zh) * 2012-12-28 2013-04-24 中国电子科技集团公司第五十四研究所 一种基于线描述子的图像连通域快速标记方法
WO2017162069A1 (zh) * 2016-03-25 2017-09-28 阿里巴巴集团控股有限公司 一种图像文本的识别方法和装置
CN106599861A (zh) * 2016-12-20 2017-04-26 江苏大学附属医院 一种超声报告数值自动读取方法及装置
CN106846339A (zh) * 2017-02-13 2017-06-13 广州视源电子科技股份有限公司 一种图像检测方法和装置
CN107845094A (zh) * 2017-11-20 2018-03-27 北京小米移动软件有限公司 图像文字检测方法、装置及计算机可读存储介质
CN110751678A (zh) * 2018-12-12 2020-02-04 北京嘀嘀无限科技发展有限公司 运动目标的检测方法、装置和电子设备
CN111105427A (zh) * 2019-12-31 2020-05-05 佛山科学技术学院 一种基于连通区域分析的肺部图像分割方法及系统
CN111539926A (zh) * 2020-04-20 2020-08-14 京东方科技集团股份有限公司 一种图像检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
边缘算子在视频对象提取中的应用;洪飞, 王军, 吴志美;计算机辅助设计与图形学学报(第01期);全文 *

Also Published As

Publication number Publication date
CN113793316A (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
US10810735B2 (en) Method and apparatus for analyzing medical image
CN111862044B (zh) 超声图像处理方法、装置、计算机设备和存储介质
CN111161275B (zh) 医学图像中目标对象的分割方法、装置和电子设备
CN111325739B (zh) 肺部病灶检测的方法及装置,和图像检测模型的训练方法
CA3068526A1 (en) Classification and 3d modelling of 3d dento-maxillofacial structures using deep learning methods
CN110176010B (zh) 一种图像检测方法、装置、设备及存储介质
CN113034389B (zh) 图像处理方法、装置、计算机设备和存储介质
JP2007307358A (ja) 画像処理方法および装置ならびにプログラム
Tripathi et al. Automatic detection of fracture in femur bones using image processing
CN111488872B (zh) 图像检测方法、装置、计算机设备和存储介质
CN109363697B (zh) 一种乳腺影像病灶识别的方法及装置
CN113989407B (zh) Ct影像中肢体部位识别模型训练方法及系统
CN113284160A (zh) 一种手术导航标记珠体识别的方法、装置和设备
WO2023047118A1 (en) A computer-implemented method of enhancing object detection in a digital image of known underlying structure, and corresponding module, data processing apparatus and computer program
CN113793316B (zh) 一种超声扫查区域提取方法、装置、设备和存储介质
Goutham et al. Automatic localization of landmarks in cephalometric images via modified U-Net
CN112200780B (zh) 骨组织定位方法、装置、计算机设备和存储介质
JP7352261B2 (ja) 学習装置、学習方法、プログラム、学習済みモデルおよび骨転移検出装置
CN111507977A (zh) 一种图像中钡剂信息提取方法
CN116959712A (zh) 基于病理图像的肺腺癌预后方法、系统、设备及存储介质
CN109685796B (zh) 医学图像处理方法、装置、设备和存储介质
CN115496748B (zh) 小肠图像的肠段识别方法、装置及存储介质
CN116433695A (zh) 一种乳腺钼靶图像的乳腺区域提取方法及系统
CN118302791A (zh) 医学图像中生物对象的基于机器学习的分割
JP2005261596A (ja) 画像処理装置及び方法

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