CN114255226A - 多普勒全流程定量分析方法及装置、电子设备和存储介质 - Google Patents

多普勒全流程定量分析方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114255226A
CN114255226A CN202111579934.1A CN202111579934A CN114255226A CN 114255226 A CN114255226 A CN 114255226A CN 202111579934 A CN202111579934 A CN 202111579934A CN 114255226 A CN114255226 A CN 114255226A
Authority
CN
China
Prior art keywords
user interface
image
doppler
interface image
key points
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.)
Pending
Application number
CN202111579934.1A
Other languages
English (en)
Inventor
陈亦新
陈晓天
张培芳
王宝泉
吴振洲
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.)
Beijing Ande Yizhi Technology Co ltd
Original Assignee
Beijing Ande Yizhi Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Ande Yizhi Technology Co ltd filed Critical Beijing Ande Yizhi Technology Co ltd
Priority to CN202111579934.1A priority Critical patent/CN114255226A/zh
Publication of CN114255226A publication Critical patent/CN114255226A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06T2207/20084—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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本公开涉及一种多普勒全流程定量分析方法及装置、电子设备和存储介质，所述方法包括：接收输入的多普勒频谱成像的用户界面图像；确定所述用户界面图像的模态识别结果和部位识别结果；根据所述模态识别结果和所述部位识别结果，对所述用户界面图像进行运动信息的定量分析；其中，所述模态识别结果包括脉冲波多普勒、连续波多普勒和组织多普勒中的一种。本公开实施例能够提高分析得到的目标对象运动信息的准确性，实现对多普勒图像的全流程自动化定量分析。

Description

多普勒全流程定量分析方法及装置、电子设备和存储介质
技术领域
本公开涉及超声成像领域，尤其涉及一种多普勒全流程定量分析方法及装置、电子设备和存储介质。
背景技术
多普勒超声波成像技术可用于获取运动对象的运动信息，例如，可以用于获取血流或组织运动速度波形图像，通过对波形图像的分析，即可获取血流或组织运动速度。
然而，在相关技术中，通过多普勒超声波成像技术获取运动信息的准确性较低。
发明内容
有鉴于此，本公开提出了一种多普勒全流程定量分析技术方案。
根据本公开的一方面，提供了一种多普勒全流程定量分析方法，包括：接收输入的多普勒频谱成像的用户界面图像；确定所述用户界面图像的模态识别结果和部位识别结果；根据所述模态识别结果和所述部位识别结果，对所述用户界面图像进行目标对象运动信息的定量分析；其中，所述模态识别结果包括脉冲波多普勒、连续波多普勒和组织多普勒中的一种。
在一种可能的实现方式中，所述确定所述用户界面图像的模态识别结果和部位识别结果，包括：对所述用户界面图像进行模态分类，得到模态识别结果；识别所述用户界面图像中的扇形区域；基于所述扇形区域中的图像特征进行部位分类，得到部位识别结果。
在一种可能的实现方式中，在所述根据所述模态识别结果和所述部位识别结果，对所述用户界面图像进行目标对象运动信息的定量分析前，所述方法还包括：对用户界面图像的图像质量进行评估，得到表征用户界面图像质量的质量分数；根据所述质量分数，对用户界面图像执行与质量分数对应的图像处理，以提升所述用户界面图像的图像质量，包括：在质量分数大于预设阈值的情况下，对所述用户界面图像进行图像预处理；在质量分数小于预设阈值的情况下，对所述用户界面图像进行图像增强处理。
在一种可能的实现方式中，所述根据所述模态识别结果和所述部位识别结果，对所述用户界面图像进行目标对象运动信息的定量分析，包括：对所述用户界面图像进行关键点检测；确定检测到的关键点的像素值；将所述关键点的像素值转换为血流速度和/或组织运动速度。
在一种可能的实现方式中，在所述模态识别结果为连续波多普勒的情况下，所述对所述用户界面图像进行关键点检测包括：对所述用户界面图像进行波形检测；对检测到的波形进行平滑处理；通过极值法对平滑处理后的波形进行关键点筛选，其中，连续波多普勒的关键点包括波峰。
在一种可能的实现方式中，在所述模态识别结果为脉冲波多普勒的情况下，所述对所述用户界面图像进行关键点检测包括：对所述用户界面图像进行波形检测；对检测到的波形进行平滑处理；在所述部位识别结果为二尖瓣的情况下，使用分水岭方法筛选平滑处理后的波形的关键点，其中，二尖瓣的脉冲波多普勒的关键点包括E峰、A峰；在所述部位识别结果不为二尖瓣的情况下，使用极值法筛选平滑处理后的波形的关键点，其中，不为二尖瓣的脉冲波多普勒的关键点包括波峰。
在一种可能的实现方式中，在所述模态识别结果为组织多普勒的情况下，所述方法还包括：对所述用户界面图像进行波形检测；所述对所述用户界面图像进行关键点检测，包括：检测所述用户界面图像中的关键点，其中，组织多普勒的关键点包括s’、e’、a’；对检测到的关键点进行非极大抑制操作，筛选有效关键点，所述有效关键点包括在预设区域内置信度最高的点；对所述有效关键点进行波形匹配，得到一个波形周期的有效关键点。
根据本公开的另一方面，提供了一种多普勒全流程定量分析装置，包括：接收模块，用于接收输入的多普勒频谱成像的用户界面图像；模态部位确定模块，用于确定所述用户界面图像的模态识别结果和部位识别结果；定量分析模块，用于根据所述模态识别结果和所述部位识别结果，对所述用户界面图像进行目标对象运动信息的定量分析；其中，所述模态识别结果包括脉冲波多普勒、连续波多普勒和组织多普勒中的一种。
在一种可能的实现方式中，所述模态部位确定模块包括：模态识别子模块，用于对所述用户界面图像进行模态分类，得到模态识别结果；扇形区域识别子模块，用于识别所述用户界面图像中的扇形区域；部位识别子模块，用于基于所述扇形区域中的图像特征进行部位分类，得到部位识别结果。
在一种可能的实现方式中，所述装置还包括：图像质量评估模块，用于在所述根据所述模态识别结果和所述部位识别结果，对所述用户界面图像进行目标对象运动信息的定量分析前，对用户界面图像的图像质量进行评估，得到表征用户界面图像质量的质量分数；图像处理模块，用于根据所述质量分数，对用户界面图像执行与质量分数对应的图像处理，以提升所述用户界面图像的图像质量。
在一种可能的实现方式中，所述图像处理模块包括：图像预处理子模块，用于在质量分数大于预设阈值的情况下，对所述用户界面图像进行图像预处理；图像增强处理子模块，用于在质量分数小于预设阈值的情况下，对所述用户界面图像进行图像增强处理。
在一种可能的实现方式中，所述图像处理模块还包括：预处理子模块，用于在对所述用户界面图像进行图像增强处理后，在用户界面图像的质量分数大于预设阈值的情况下，所述图像预处理子模块对图像增强处理后的所述用户界面图像进行图像预处理。
在一种可能的实现方式中，所述图像增强处理子模块包括：第一增强处理子子模块，用于对所述质量分数小于预设阈值的用户界面图像进行第一图像处理，得到第一增强图像，在所述第一增强图像的质量分数大于预设阈值的情况下，将所述第一增强图像作为第一增强结果；第二增强处理子子模块，用于对质量分数小于预设阈值的所述第一增强图像进行第二图像处理，得到第二增强图像，在所述第二增强图像的质量分数大于预设阈值的情况下，将所述第二增强图像作为第二增强结果；第三增强处理子子模块，用于对质量分数小于预设阈值的所述第二增强图像进行第三图像处理，得到第三增强图像，在所述第三增强图像的质量分数大于预设阈值的情况下，将所述第三增强图像作为第三增强结果；所述第一图像处理、第二图像处理、第三图像处理分别为下述图像处理技术中的一种：低通滤波处理、锐化处理、直方图均衡处理。
在一种可能的实现方式中，所述预处理子模块用于：在得到所述第一增强结果、所述第二增强结果或所述第三增强结果后，对所述用户界面图像进行图像预处理；在未得到所述第一增强结果、所述第二增强结果或所述第三增强结果的情况下，发出重新选择图像的指示。
在一种可能的实现方式中，所述定量分析模块，包括：关键点检测子模块，用于对所述用户界面图像进行关键点检测；像素值确定子模块，用于确定检测到的关键点的像素值；像素值转换子模块，用于将所述关键点的像素值转换为血流速度和/或组织运动速度。
在一种可能的实现方式中，在所述模态识别结果为连续波多普勒的情况下，所述关键点检测子模块包括：波形检测子子模块，用于对所述用户界面图像进行波形检测；平滑处理子子模块，用于对检测到的波形进行平滑处理；关键点筛选子子模块，用于通过极值法对平滑处理后的波形进行关键点筛选，其中，连续波多普勒的关键点包括波峰。
在一种可能的实现方式中，在所述模态识别结果为脉冲波多普勒的情况下，所述关键点检测子模块包括：波形检测子子模块，用于对所述用户界面图像进行波形检测；平滑处理子子模块，用于对检测到的波形进行平滑处理；关键点筛选子子模块，用于在所述部位识别结果为二尖瓣的情况下，使用分水岭方法筛选平滑处理后的波形的关键点，其中，二尖瓣的脉冲波多普勒的关键点包括E峰、A峰；在所述部位识别结果不为二尖瓣的情况下，使用极值法筛选平滑处理后的波形的关键点，其中，不为二尖瓣的脉冲波多普勒的关键点包括波峰。
在一种可能的实现方式中，在所述模态识别结果为组织多普勒的情况下，所述装置还包括：波形检测模块，用于对所述用户界面图像进行波形检测；关键点检测子模块包括：关键点检测子子模块，用于检测所述用户界面图像中的关键点，其中，组织多普勒的关键点包括s’、e’、a’；关键点筛选子子模块，用于对检测到的关键点进行非极大抑制操作，筛选有效关键点，所述有效关键点包括在预设区域内置信度最高的点；波形匹配子子模块，用于对所述有效关键点进行波形匹配，得到一个波形周期的有效关键点。
根据本公开的另一方面，提供了一种多普勒全流程定量分析装置，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述方法。
根据本公开的另一方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。
通过本公开的实施例，能够自动确定用户界面成像的模态和部位，并以此为基础对用户界面图像进行目标对象运动信息的定量分析，相对于现有技术中人为判断模态部位的方法，能够提高分析得到的目标对象运动信息的准确性，实现了对多普勒图像的全流程自动化分析。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开一实施例的多普勒全流程定量分析方法的流程图。
图2示出根据本公开一实施例的模态部位识别方法的流程图。
图3示出根据本公开一实施例的二尖瓣脉冲波多普勒分割图。
图4示出根据本公开一实施例的三尖瓣连续波多普勒分割图。
图5示出根据本公开一实施例的室间隔组织多普勒分割图。
图6示出根据本公开一实施例的Unet分割模型架构。
图7示出根据本公开一实施例的质量评估模型的实施流程图。
图8示出根据本公开一实施例的多普勒全流程定量分析装置的框图。
图9示出根据本公开一实施例的一种电子设备的框图。
图10示出根据本公开一实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
超声波由声源发射在介质中传播，如遇到与声源作相对运动的接收器或界面，或者当声源、声接收器和声传播介质的界面作相对运动时，其发射的超声频率和接收器所接收到的声波频率会随界面运动的情况而发生改变，这一现象称为多普勒效应。多普勒超声医学成像技术利用多普勒原理，来反应考察脏器中的运动信息。目前，临床上常用的超声多普勒血流成像技术主要包括以下几种模态：
脉冲波多普勒超声(PW)：一种发射超声脉冲，并对散射的高频回波进行处理，获取某一深度的血管中血流速度的多普勒成像技术。
连续波多普勒超声(CW)：一种发射高频连续震荡，并对反射的连续信号进行处理，可以检测高速血流的多普勒成像技术。
组织多普勒成像(TDI)：一种只提取来自心肌运动的多普勒频移信号，可以检测心肌室壁运动的成像技术。
由于脉冲波多普勒超声、连续波多普勒超声和能组织多普勒成像各自原理不同，所在临床上的应用具有不同的优势。
图1示出根据本公开一实施例的多普勒全流程定量分析方法的流程图，该方法可以应用于多普勒全流程定量分析装置，多普勒全流程定量分析装置可以为终端设备、服务器或者其他处理设备等。其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。
在一些可能的实现方式中，该多普勒全流程定量分析方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
图1示出根据本公开实施例的多普勒全流程定量分析方法的流程图。如图1所示，该流程包括：
步骤S11，接收输入的多普勒频谱成像的用户界面图像。
步骤S12，确定所述用户界面图像的模态识别结果和部位识别结果。
步骤S13，根据所述模态识别结果和所述部位识别结果，对所述用户界面图像进行目标对象运动信息的定量分析。
其中，用户界面图像可以是任意需要进行目标对象运动信息的定量分析的多普勒频谱图像。进一步的，在一种可能的实现方式中，用户界面图像可以包含表示超声波所探测的身体部位的截面的扇形区域和表示多普勒波形的波形图像区域。在一种可能的实现方式中，可以通过用户界面图像的扇形区域识别超声波所探测的身体具体部位、通过用户界面图像的扇形区域和波形图像区域识别具体的多普勒模态。
具体地，在一种可能的实现方式中，本公开实施例中提出的多普勒全流程定量分析方法，可以用于对心脏某一部位的多普勒频谱图像进行全流程定量分析。因此，在一个示例中，多普勒模态可以包括脉冲波多普勒、连续波多普勒和组织多普勒中的一种，具体部位可以包含：二尖瓣(MV)、三尖瓣(TV)、主动脉瓣(AV)、肺动脉瓣(PV)、室间隔(IVS)、左室侧壁(LW)中的一种。在一种可能的实现方式中，本公开实施例中提出的方法也可以应用于对身体其他部位的其他包含扇形区域或波形图像区域的多普勒频谱图像进行全流程定量分析方法。后续各公开实施例均以心脏的具体部位为例进行说明，在用户界面图像为身体其他部位的多普勒频谱图像的情况下，其处理方法可以根据本公开实施例提出的方法进行灵活扩展，不再举例说明。
采用本申请的方法能够自动确定用户界面成像的模态和部位，并以此为基础对用户界面图像进行目标对象运动信息的定量分析，相对于现有技术中人为判断模态部位的方法，实现了对多普勒图像的全流程自动化分析；相对于现有技术中所有模态的多普勒图像分析均采用同一个处理流程，针对不同模态的特性设计不同的模型结构以进行目标对象运动信息的定量分析，提高分析得到的目标对象运动信息的准确性，使得定量分析的准确率得到提高。
就人体心脏而言，多普勒信号的来源有血流和室壁运动两种。可以分别用彩色多普勒血流成像(Color Doppler Flow Imaging，CDFI)技术和多普勒组织成像(DopplerTissue Imaging，DTI)技术来反应这两种运动。目前，多普勒血流显像技术已有五种模式：连续多普勒、彩色多普勒速度图、彩色多普勒能量图、彩色多普勒速度能量图。现有技术多为脉冲波多普勒和连续波多普勒这两种彩色多普勒血流成像的定量分析，缺少对于组织多普勒图像的定量分析。
本公开实施例加入了组织多普勒图像的定量分析，组织多普勒图像与其他模态的多普勒图像可以进行联合定量分析。目标对象运动信息，包括心脏的血流、室壁等组织的运动信息。
在本公开实施例中，模态识别和部位识别的具体实现方式可以根据实际情况灵活决定，可以参见下述各公开实施例，在此先不做展开。
图2示出根据本公开实施例的模态部位识别方法的流程图。如图2所示，步骤S12包括：
步骤S121，对所述用户界面图像进行模态分类，得到模态识别结果。
在一种可能的实现方式中，可以通过神经网络来对用户界面图像的模态进行分类，来判断图像是脉冲波多普勒、连续波多普勒、还是组织多普勒，以提高模态分类的识别精度和稳定性。如果不是上述三种类型，则不予执行本方法，并等待新的图像数据。神经网络的具体实现形式以及训练方式在本公开实施例中均不作限制，可以根据实际情况灵活选择，神经网络的初始模型可以根据实际情况任意选择，在一个示例中，可以将Resnet18作为神经网络的实现形式。
步骤S122，识别所述用户界面图像中的扇形区域。
具体的，用户界面图像中的扇形区域可以表示部位，通过对用户界面图像的扇形区域进行分割，可以进一步得到部位分类结果。
在一种可能的实现方式中，可以通过神经网络来对用户界面图像的扇形区域进行分割，以进行下一步的部位判断。神经网络的具体实现形式以及训练方式在本公开实施例中均不作限制，可以根据实际情况灵活选择，神经网络的初始模型可以根据实际情况任意选择，在一个示例中，可以将Unet模型作为神经网络的实现形式。
图6展示了集成了注意力方法的Unet分割模型架构。602和604分别表示多普勒图像的用户界面(输入模型的数据)和分割的扇形区域位置(输出数据)。606表示模型结构内的用于提高模型精度的跳层链接结构。608表示集成了注意力机制的卷积核为3x3的卷积层。在每一个卷积层后都加上归一化层和激活层，在图6中卷积层，归一化层和激活层统一表示为608。在两个608结构后加上610最大池化层。612表示基于双线性插值的上采样层。614与608类似，为不具有注意力机制的卷积层、归一化层和激活层的组合。616表示卷积核为1的卷积层，不包含归一化层和激活层。Unet分割模型的跳层链接结构606，将相同分辨率的特征信息从收缩阶段连接至扩张阶段，两部分信息经过融合后作为下一层的输入，以实现使用很少的训练数据得到精确的分割结果。
步骤S123，基于所述扇形区域中的图像特征进行部位分类，得到部位识别结果。
可以通过神经网络来对用户界面图像的扇形区域进行部位分类，以提高部位分类的准确度和稳定性。来判断图像的部位是二尖瓣、三尖瓣、主动脉瓣、肺动脉瓣、室间隔、或者侧壁。神经网络的具体实现形式以及训练方式在本公开实施例中均不作限制，可以根据实际情况灵活选择，神经网络的初始模型可以根据实际情况任意选择，在一个示例中，可以将Unet模型作为神经网络的实现形式。
在一种可能的实现方式中，所述确定所述用户界面图像的模态和部位识别结果可以通过一模态部位分类模块实现，该模态部位分类模块包含模态分类子模型、部位分类子模型和扇形分割子模型。三个子模型集成的多阶段模态部位分类模型的精度较高。在现有技术中，多普勒图像数据是没有标记模态和部位的，模态部位的自动识别可以让“多普勒图像分析”全流程实现自动化。
在几何学，某个曲线族的包络线(Envelope)，是跟该曲线族的每条线都有至少一点相切的一条曲线。现有技术中，通过对波形进行识别绘制包络线，然后根据包络线对波形进行目标对象运动信息的定量分析。多普勒成像的质量会对上述结果产生较大影响。因为，成像质量可能与医生手法、患者呼吸强度、仪器型号等有关。质量分数越高表明图像成像质量越好，对于成像质量差的图像，这种方式会对定量分析有较大偏差，通过人为的调整包络线灵敏度虽然一定程度可以缓解，但是这种粗略的定量分析的方法的稳定性不高。
在一种可能的实现方式中，在所述根据所述模态识别结果和所述部位识别结果，对所述用户界面图像进行目标对象运动信息的定量分析前，所述方法还包括：
对用户界面图像的图像质量进行评估，得到表征用户界面图像质量的质量分数；
根据所述质量分数，对用户界面图像执行与质量分数对应的图像处理，以提升所述用户界面图像的图像质量。
其中，通过质量分数对用户界面图像进行分类，对不同质量分数的用户界面图像采用不同的处理方法，以提高对用户界面图像的定量分析的质量。
在一种可能的实现方式中，通过神经网络实现对用户界面图像的质量评估，对于不同成像质量的多普勒图像都可以稳定、精确的分析出每一个心动周期的波形，以实现对用户界面图像的稳定的定量分析。神经网络的具体实现形式以及训练方式在本公开实施例中均不作限制，可以根据实际情况灵活选择，神经网络的初始模型可以根据实际情况任意选择，在一个示例中，可以将Resnet18作为神经网络的实现形式。图7是质量评估模型的实施流程图。对于同一张图片，通过平移来构建不同的图像，从而得到总计8次的识别波形的结果。如果8次识别结果一致，则表明图像质量较高；如果8次识别结果波动大，则表明图像质量差。波动用方差来表示，通过计算每一个像素的8次预测的方差的均值，作为图像的质量分数的伪标签，而后通过回归神经网络Resnet18来学习伪标签。这样可以提高运行速度，因为需要运行8次的计算图像质量的分割模型的速度是每秒可以计算1张图片的质量分数，而通过回归神经网络Resnet18推理图片的质量分数，则可以达到0.02秒每张图片。另外，该质量评估的方法是一种基于波形检测模型的无监督方法，不需要额外标注质量分数。
在一种可能的实现方式中，所述根据所述质量分数，对用户界面图像执行与质量分数对应的图像处理，包括：
在质量分数大于预设阈值的情况下，对所述用户界面图像进行图像预处理；
在质量分数小于预设阈值的情况下，对所述用户界面图像进行图像增强处理。
其中，精确的定量分析结果依赖于高质量的图像，图像预处理是消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性，为下一步的定量分析提供高质量的图像。本实施例中图像预处理方法包括：将所述用户界面图像转换为灰度图像；将所述灰度图像的像素取值范围缩小到预设范围内。在一种可能的实现方式中，将用户界面图像转换为灰度图像，是将多普勒频谱图像的RGB彩色图像转换为统一的表示亮度的灰度图像，将所述灰度图像的像素取值范围缩小到预设范围内是将灰度图像的像素取值范围缩小到0～1区间。通过将用户界面图像转换为灰度图像、将所述灰度图像的像素取值范围缩小到预设范围内，有助于提高用户界面图像的一致性，提高后续定量分析的稳定性。
对质量分数小于阈值的用户界面图像进行质量增强，是将低质量的用户界面图像的质量进行提高，进一步方便后面的定量分析中对用户界面图像的识别操作。
在一种可能的实现方式中，在对所述用户界面图像进行图像增强处理后，所述方法还包括：在图像增强处理后的用户界面图像的质量分数大于预设阈值的情况下，对图像增强处理后的所述用户界面图像进行图像预处理。
在本实施例中，对质量分数小于阈值的用户界面图像进行质量增强，以筛选出质量增强后大于预设阈值的用户界面图像，有利于提高用户界面图像的利用率。具体的质量增强方法及过程可以参见下述各公开实施例，在此先不做展开。
在一种可能的实现方式中，所述对所述用户界面图像进行图像增强处理，包括：
对所述质量分数小于预设阈值的用户界面图像进行第一图像处理，得到第一增强图像，在所述第一增强图像的质量分数大于预设阈值的情况下，将所述第一增强图像作为第一增强结果；
对质量分数小于预设阈值的所述第一增强图像进行第二图像处理，得到第二增强图像，在所述第二增强图像的质量分数大于预设阈值的情况下，将所述第二增强图像作为第二增强结果；
对质量分数小于预设阈值的所述第二增强图像进行第三图像处理，得到第三增强图像，在所述第三增强图像的质量分数大于预设阈值的情况下，将所述第三增强图像作为第三增强结果；
所述第一图像处理、第二图像处理、第三图像处理分别为下述图像处理技术中的一种：
低通滤波处理、锐化处理、直方图均衡处理。
具体的，通过低通滤波处理、锐化处理、直方图均衡处理这三种图像增强处理方法，尽可能提高用户界面图像的质量。其中，低通滤波处理、锐化处理、直方图均衡处理这三种图像增强处理方法的执行顺序可以任意调整，本公开对此不作限定。
在一种可能的实现方式中，所述对图像增强处理后的所述用户界面图像进行图像预处理，包括：
在得到所述第一增强结果、所述第二增强结果或所述第三增强结果后，对所述用户界面图像进行图像预处理；
在未得到所述第一增强结果、所述第二增强结果或所述第三增强结果的情况下，发出重新选择图像的指示。
其中，在对用户界面图像进行增强处理后，如果得到所述第一增强结果、所述第二增强结果或所述第三增强结果，则该用户界面图像的质量分数已达到进行图像预处理等后续操作的预设阈值，如果未得到所述第一增强结果、所述第二增强结果或所述第三增强结果，则该用户界面图像的质量分数未达到进行图像预处理等后续操作的预设阈值，则不再进行图像预处理等后续操作，发出重新选择图像的指示，提醒医生是否需要重新记录图像，并等待新图像数据。通过本公开实施例的方法，只要有一种图像增强处理方法得到的用户界面图像的质量分数大于阈值，即可进行下一步的定量分析操作，从而实现用户界面图像的充分利用。
在一种可能的实现方式中，所述根据所述模态识别结果和所述部位识别结果，对所述用户界面图像进行目标对象运动信息的定量分析，包括：
对所述用户界面图像进行关键点检测；
确定检测到的关键点的像素值；
将所述关键点的像素值转换为血流速度和/或组织运动速度。
通过上述公开实施例可以看出，在得到模态识别结果和部位识别结果后，通过对用户界面图像的关键点进行检测，得到关键点。不同部位和模态的用户界面图像的关键点和关键点的获取方式有所不同，可以参见下述各公开实施例，在此先不做展开。在本公开实施例中，用户界面图像的定量分析主要指血流峰值流速和/或组织运动速度，可通过读取图像的meta信息，获取到像素和血流速度和/或组织运动速度之间的转换关系，从而根据检测的关键点的像素值来计算对应点的血流速度和/或组织运动速度，从而实现对组织多普勒的定量分析。其中，meta信息为包含有用户输入、标签信息及像素信息等的图像信息。
在一种可能的实现方式中，在所述模态识别结果为连续波多普勒的情况下，所述对所述用户界面图像进行关键点检测包括：
对所述用户界面图像进行波形检测；
对检测到的波形进行平滑处理；
通过极值法对平滑处理后的波形进行关键点筛选，其中，连续波多普勒的关键点包括波峰。
在本公开的实施例中，模态识别结果为连续波多普勒的用户界面图像的关键点为波峰。具体的，通过对所述用户界面图像进行波形检测，可以得到模态识别结果为连续波多普勒的用户界面图像的波形，具体的波形检测方式在本公开实施例中均不作限制，可以根据实际情况灵活选择。在一种可能的实现方式中，可以通过神经网络来对用户界面图像的波形进行检测，以实现波形检测的稳定性和识别精度。神经网络的初始模型可以根据实际情况任意选择，在一个示例中，可以将Unet作为神经网络的实现形式。
在一种可能的实现方式中，可以通过先做腐蚀，然后膨胀的操作对检测到的波形进行平滑处理，以实现波形边缘平滑，方便后面的波峰检测操作。
在一种可能的实现方式中，使用极值法提取反流血流速度峰值。如图4所示，408表示血流速度的峰值流速。通过读取图像的meta信息，获取像素与血流速度之间的转换关系，从而根据检测的极值点来计算血流峰值流速，从而实现连续波多普勒的定量分析。
在一种可能的实现方式中，在所述模态识别结果为脉冲波多普勒的情况下，所述对所述用户界面图像进行关键点检测包括：
对所述用户界面图像进行波形检测；
对检测到的波形进行平滑处理；
在所述部位识别结果为二尖瓣的情况下，使用分水岭方法筛选平滑处理后的波形的关键点，其中，二尖瓣的脉冲波多普勒的关键点包括E峰、A峰；
在所述部位识别结果不为二尖瓣的情况下，使用极值法筛选平滑处理后的波形的关键点，其中，不为二尖瓣的脉冲波多普勒的关键点包括波峰。
在本公开的实施例中，模态识别结果为脉冲波多普勒的用户界面图像的关键点有两种情况，在部位识别结果为二尖瓣的情况下，脉冲波多普勒的关键点包括E峰、A峰，在部位识别结果不为二尖瓣的情况下，脉冲波多普勒的关键点包括波峰。其中，E峰是左室舒张早期快速充盈的充盈峰，A峰是舒张晚期(心房收缩)充盈的充盈峰。
具体的，通过对所述用户界面图像进行波形检测，可以得到模态识别结果为连续波多普勒的用户界面图像的波形，具体的波形检测方式在本公开实施例中均不作限制，可以根据实际情况灵活选择。在一种可能的实现方式中，可以通过神经网络来对用户界面图像的波形进行检测，以提高波形检测的稳定性。神经网络的初始模型可以根据实际情况任意选择，在一个示例中，可以将Unet作为神经网络的实现形式。
在一种可能的实现方式中，可以通过先做腐蚀，然后膨胀的操作对检测到的波形进行平滑处理，以实现波形边缘平滑，方便后面的波峰检测操作。
在一种可能的实现方式中，根据部位识别结果对波形进行关键点的检测，具体的部位识别方法和步骤如前所述，此处不再进行描述。在所述部位识别结果为二尖瓣的情况下，使用分水岭方法筛选平滑处理后的波形的关键点，如图3所示，306为E峰的峰值流速，308为A峰的峰值流速。在所述部位识别结果不为二尖瓣的情况下，使用极值法筛选平滑处理后的波形的关键点，其中，不为二尖瓣的脉冲波多普勒的关键点包括波峰。如果部位是三尖瓣(TV)，主动脉瓣(AV)和肺动脉瓣(PV)时，则波形为单峰，通过极值法来寻找血流峰值流速即可。之后读取meta数据获取图像像素和血流速度之间的转换关系，即可对脉冲波多普勒图像进行定量分析。
在一种可能的实现方式中，在所述模态识别结果为组织多普勒的情况下，在所述对所述用户界面图像进行关键点检测的同时，所述方法还包括：
对所述用户界面图像进行波形检测；
所述对所述用户界面图像进行关键点检测，包括：
检测所述用户界面图像中的关键点，其中，组织多普勒的关键点包括s’、e’、a’；
对检测到的关键点进行非极大抑制操作，筛选有效关键点，所述有效关键点包括在预设区域内置信度最高的点；
对所述有效关键点进行波形匹配，得到一个波形周期的有效关键点。
在本公开的实施例中，模态识别结果为组织波多普勒的用户界面图像的关键点为s’、e’、a’，其中s'表示收缩波峰值、e’表示早期舒张波峰值、a’表示晚期舒张波峰值。
具体的，通过对所述用户界面图像进行波形和关键点检测，可以得到模态识别结果为组织多普勒的用户界面图像的波形和关键点，具体的波形、关键点检测方式在本公开实施例中均不作限制，可以根据实际情况灵活选择。在一种可能的实现方式中，可以通过神经网络来对用户界面图像的波形和关键点进行检测，以提高波形和关键点检测的稳定性。神经网络的初始模型可以根据实际情况任意选择，在一个示例中，可以使用双并行的Unet网络，集成了注意力模块，自动检测模态识别结果为组织波多普勒的用户界面图像的的关键点和波形。
在一种可能的实现方式中，使用非极大抑制的方法对检测的关键点进行筛选，在预设区域内只有置信度最高的点为有效关键点，而这个区域的其他关键点则为无效关键点。在一种可能的实现方式中，可将预设区域设置为像素点半径为30的圆形，最高置信度的点会将圆形内的其他点的置信度置0。图5中的506、512、518三个点表示不同心动周期的s’关键点；508、514、522三个点表示不同心动周期的e’关键点；510、516、522三个点表示不同心动周期的a’关键点。检测出来的关键点并没有匹配心动周期，对所述有效关键点进行波形匹配，得到一个波形周期的有效关键点，如图5中所示，506、508、510为一个心动周期的关键点，通过116方法来匹配同一个心动周期的关键点，同时舍弃不完整的心动周期。之后读取图像的meta信息，获取到像素和组织运动速度之间的转换关系，从而根据检测的关键点来计算对应点的组织运动速度，从而实现对组织多普勒的定量分析。
在一种可能的实现方式中，在多普勒全流程定量分析结束后，将检测到的波形和关键点显示在图像上，并输出定量分析结果。进一步的，不同心动周期的关键点可使用不同颜色进行标识，方便相关医务人员查看。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了多普勒全流程定量分析装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种多普勒全流程定量分析方法，相应技术方案和描述可参见方法部分的相应记载，不再赘述。
图8示出根据本公开实施例的多普勒全流程定量分析装置的框图，如图8所示，所示装置包括：
接收模块81，用于接收输入的多普勒频谱成像的用户界面图像；
模态部位确定模块82，用于确定所述用户界面图像的模态识别结果和部位识别结果；
定量分析模块83，用于根据所述模态识别结果和所述部位识别结果，对所述用户界面图像进行目标对象运动信息的定量分析；
其中，所述模态识别结果包括脉冲波多普勒、连续波多普勒和组织多普勒中的一种。
在一种可能的实现方式中，所述模态部位确定模块包括：模态识别子模块，用于对所述用户界面图像进行模态分类，得到模态识别结果；扇形区域识别子模块，用于识别所述用户界面图像中的扇形区域；部位识别子模块，用于基于所述扇形区域中的图像特征进行部位分类，得到部位识别结果。
在一种可能的实现方式中，所述装置还包括：图像质量评估模块，用于在所述根据所述模态识别结果和所述部位识别结果，对所述用户界面图像进行目标对象运动信息的定量分析前，对用户界面图像的图像质量进行评估，得到表征用户界面图像质量的质量分数；图像处理模块，用于根据所述质量分数，对用户界面图像执行与质量分数对应的图像处理，以提升所述用户界面图像的图像质量。
在一种可能的实现方式中，所述图像处理模块包括：图像预处理子模块，用于在质量分数大于预设阈值的情况下，对所述用户界面图像进行图像预处理；图像增强处理子模块，用于在质量分数小于预设阈值的情况下，对所述用户界面图像进行图像增强处理。
在一种可能的实现方式中，所述图像处理模块还包括：预处理子模块，用于在对所述用户界面图像进行图像增强处理后，在用户界面图像的质量分数大于预设阈值的情况下，所述图像预处理子模块对图像增强处理后的所述用户界面图像进行图像预处理。
在一种可能的实现方式中，所述图像增强处理子模块包括：第一增强处理子子模块，用于对所述质量分数小于预设阈值的用户界面图像进行第一图像处理，得到第一增强图像，在所述第一增强图像的质量分数大于预设阈值的情况下，将所述第一增强图像作为第一增强结果；第二增强处理子子模块，用于对质量分数小于预设阈值的所述第一增强图像进行第二图像处理，得到第二增强图像，在所述第二增强图像的质量分数大于预设阈值的情况下，将所述第二增强图像作为第二增强结果；第三增强处理子子模块，用于对质量分数小于预设阈值的所述第二增强图像进行第三图像处理，得到第三增强图像，在所述第三增强图像的质量分数大于预设阈值的情况下，将所述第三增强图像作为第三增强结果；所述第一图像处理、第二图像处理、第三图像处理分别为下述图像处理技术中的一种：低通滤波处理、锐化处理、直方图均衡处理。
在一种可能的实现方式中，所述预处理子模块用于：在得到所述第一增强结果、所述第二增强结果或所述第三增强结果后，对所述用户界面图像进行图像预处理；在未得到所述第一增强结果、所述第二增强结果或所述第三增强结果的情况下，发出重新选择图像的指示。
在一种可能的实现方式中，所述定量分析模块，包括：关键点检测子模块，用于对所述用户界面图像进行关键点检测；像素值确定子模块，用于确定检测到的关键点的像素值；像素值转换子模块，用于将所述关键点的像素值转换为血流速度和/或组织运动速度。
在一种可能的实现方式中，在所述模态识别结果为连续波多普勒的情况下，所述关键点检测子模块包括：波形检测子子模块，用于对所述用户界面图像进行波形检测；平滑处理子子模块，用于对检测到的波形进行平滑处理；关键点筛选子子模块，用于通过极值法对平滑处理后的波形进行关键点筛选，其中，连续波多普勒的关键点包括波峰。
在一种可能的实现方式中，在所述模态识别结果为脉冲波多普勒的情况下，所述关键点检测子模块包括：波形检测子子模块，用于对所述用户界面图像进行波形检测；平滑处理子子模块，用于对检测到的波形进行平滑处理；关键点筛选子子模块，用于在所述部位识别结果为二尖瓣的情况下，使用分水岭方法筛选平滑处理后的波形的关键点，其中，二尖瓣的脉冲波多普勒的关键点包括E峰、A峰；在所述部位识别结果不为二尖瓣的情况下，使用极值法筛选平滑处理后的波形的关键点，其中，不为二尖瓣的脉冲波多普勒的关键点包括波峰。
在一种可能的实现方式中，在所述模态识别结果为组织多普勒的情况下，所述装置还包括：波形检测模块，用于对所述用户界面图像进行波形检测；关键点检测子模块包括：关键点检测子子模块，用于检测所述用户界面图像中的关键点，其中，组织多普勒的关键点包括s’、e’、a’；关键点筛选子子模块，用于对检测到的关键点进行非极大抑制操作，筛选有效关键点，所述有效关键点包括在预设区域内置信度最高的点；波形匹配子子模块，用于对所述有效关键点进行波形匹配，得到一个波形周期的有效关键点。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现上述方法的指令。
本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图9示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图9，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(3G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图10示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。服务器的处理结果可发送至终端设备，通过终端设备进行显示。参照图10，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OS XTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种多普勒全流程定量分析方法，其特征在于，包括：
接收输入的多普勒频谱成像的用户界面图像；
确定所述用户界面图像的模态识别结果和部位识别结果；
根据所述模态识别结果和所述部位识别结果，对所述用户界面图像进行目标对象运动信息的定量分析；
其中，所述模态识别结果包括脉冲波多普勒、连续波多普勒和组织多普勒中的一种。
2.根据权利要求1所述的方法，其特征在于，所述确定所述用户界面图像的模态识别结果和部位识别结果，包括：
对所述用户界面图像进行模态分类，得到模态识别结果；
识别所述用户界面图像中的扇形区域；
基于所述扇形区域中的图像特征进行部位分类，得到部位识别结果。
3.根据权利要求1所述的方法，其特征在于，在所述根据所述模态识别结果和所述部位识别结果，对所述用户界面图像进行目标对象运动信息的定量分析前，所述方法还包括：
对用户界面图像的图像质量进行评估，得到表征用户界面图像质量的质量分数；
根据所述质量分数，对用户界面图像执行与质量分数对应的图像处理，以提升所述用户界面图像的图像质量，包括：
在质量分数大于预设阈值的情况下，对所述用户界面图像进行图像预处理；
在质量分数小于预设阈值的情况下，对所述用户界面图像进行图像增强处理。
4.根据权利要求1所述的方法，其特征在于，所述根据所述模态识别结果和所述部位识别结果，对所述用户界面图像进行目标对象运动信息的定量分析，包括：
对所述用户界面图像进行关键点检测；
确定检测到的关键点的像素值；
将所述关键点的像素值转换为血流速度和/或组织运动速度。
5.根据权利要求4所述的方法，其特征在于，在所述模态识别结果为连续波多普勒的情况下，所述对所述用户界面图像进行关键点检测包括：
对所述用户界面图像进行波形检测；
对检测到的波形进行平滑处理；
通过极值法对平滑处理后的波形进行关键点筛选，其中，连续波多普勒的关键点包括波峰。
6.根据权利要求4所述的方法，其特征在于，在所述模态识别结果为脉冲波多普勒的情况下，所述对所述用户界面图像进行关键点检测包括：
对所述用户界面图像进行波形检测；
对检测到的波形进行平滑处理；
在所述部位识别结果为二尖瓣的情况下，使用分水岭方法筛选平滑处理后的波形的关键点，其中，二尖瓣的脉冲波多普勒的关键点包括E峰、A峰；
在所述部位识别结果不为二尖瓣的情况下，使用极值法筛选平滑处理后的波形的关键点，其中，不为二尖瓣的脉冲波多普勒的关键点包括波峰。
7.根据权利要求4所述的方法，其特征在于，在所述模态识别结果为组织多普勒的情况下，所述方法还包括：对所述用户界面图像进行波形检测；
所述对所述用户界面图像进行关键点检测，包括：
检测所述用户界面图像中的关键点，其中，组织多普勒的关键点包括s’、e’、a’；
对检测到的关键点进行非极大抑制操作，筛选有效关键点，所述有效关键点包括在预设区域内置信度最高的点；
对所述有效关键点进行波形匹配，得到一个波形周期的有效关键点。
8.一种多普勒全流程定量分析装置，其特征在于，包括：
接收模块，用于接收输入的多普勒频谱成像的用户界面图像；
模态部位确定模块，用于确定所述用户界面图像的模态识别结果和部位识别结果；
定量分析模块，用于根据所述模态识别结果和所述部位识别结果，对所述用户界面图像进行目标对象运动信息的定量分析；
其中，所述模态识别结果包括脉冲波多普勒、连续波多普勒和组织多普勒中的一种。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。
10.一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
CN202111579934.1A 2021-12-22 2021-12-22 多普勒全流程定量分析方法及装置、电子设备和存储介质 Pending CN114255226A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111579934.1A CN114255226A (zh) 2021-12-22 2021-12-22 多普勒全流程定量分析方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111579934.1A CN114255226A (zh) 2021-12-22 2021-12-22 多普勒全流程定量分析方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN114255226A true CN114255226A (zh) 2022-03-29

Family

ID=80794139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111579934.1A Pending CN114255226A (zh) 2021-12-22 2021-12-22 多普勒全流程定量分析方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114255226A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017154008A1 (en) * 2016-03-10 2017-09-14 Bar-Ilan University Method and system of automatic analysis of doppler echocardiography images
CN110088799A (zh) * 2016-11-09 2019-08-02 三星电子株式会社 图像处理设备和图像处理方法
CN111415311A (zh) * 2020-03-27 2020-07-14 北京航空航天大学杭州创新研究院 资源节约型图像质量增强模型
US20210052252A1 (en) * 2018-12-11 2021-02-25 Eko.Ai Pte. Ltd. Clinical workflow to diagnose heart disease based on cardiac biomarker measurements and ai recognition of 2d and doppler modality echocardiogram images
CN112733722A (zh) * 2021-01-11 2021-04-30 深圳力维智联技术有限公司 姿态识别方法、装置、系统及计算机可读存储介质
CN113194836A (zh) * 2018-12-11 2021-07-30 Eko.Ai私人有限公司 识别和分析2d和多普勒模态超声心动图图像以用于自动化心脏测量以及心脏病的诊断、预测和预后的自动化临床工作流
US20210259664A1 (en) * 2018-12-11 2021-08-26 Eko.Ai Pte. Ltd. Artificial intelligence (ai) recognition of echocardiogram images to enhance a mobile ultrasound device
US20210330284A1 (en) * 2020-04-28 2021-10-28 GE Precision Healthcare LLC Method and system for providing enhanced color flow doppler and pulsed wave doppler ultrasound images by applying clinically specific flow profiles

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017154008A1 (en) * 2016-03-10 2017-09-14 Bar-Ilan University Method and system of automatic analysis of doppler echocardiography images
CN110088799A (zh) * 2016-11-09 2019-08-02 三星电子株式会社 图像处理设备和图像处理方法
US20210052252A1 (en) * 2018-12-11 2021-02-25 Eko.Ai Pte. Ltd. Clinical workflow to diagnose heart disease based on cardiac biomarker measurements and ai recognition of 2d and doppler modality echocardiogram images
CN113194836A (zh) * 2018-12-11 2021-07-30 Eko.Ai私人有限公司 识别和分析2d和多普勒模态超声心动图图像以用于自动化心脏测量以及心脏病的诊断、预测和预后的自动化临床工作流
US20210259664A1 (en) * 2018-12-11 2021-08-26 Eko.Ai Pte. Ltd. Artificial intelligence (ai) recognition of echocardiogram images to enhance a mobile ultrasound device
CN111415311A (zh) * 2020-03-27 2020-07-14 北京航空航天大学杭州创新研究院 资源节约型图像质量增强模型
US20210330284A1 (en) * 2020-04-28 2021-10-28 GE Precision Healthcare LLC Method and system for providing enhanced color flow doppler and pulsed wave doppler ultrasound images by applying clinically specific flow profiles
CN112733722A (zh) * 2021-01-11 2021-04-30 深圳力维智联技术有限公司 姿态识别方法、装置、系统及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈明: "《心脏与血管超声生物力学》", 31 March 2014 *

Similar Documents

Publication Publication Date Title
TWI713054B (zh) 圖像分割方法及裝置、電子設備和儲存媒體
WO2022151755A1 (zh) 目标检测方法及装置、电子设备、存储介质、计算机程序产品和计算机程序
EP1916947B1 (en) Medical image analysis
CN112435740B (zh) 信息处理设备、检查系统、信息处理方法和存储介质
CN112541928A (zh) 网络训练方法及装置、图像分割方法及装置和电子设备
US20190374203A1 (en) Ultrasound medical detection devices and imaging method, imaging system and display terminal
US20160128672A1 (en) Ultrasound diagnosis apparatus and method
WO2022156235A1 (zh) 神经网络训练和图像处理方法及装置、电子设备及存储介质
WO2023061042A1 (zh) 心率检测方法及装置、电子设备和存储介质
CN113034491B (zh) 一种冠脉钙化斑块检测方法及装置
EP3786886A1 (en) Information processing apparatus, inspection system, information processing method, program, and storage medium
WO2021259394A2 (zh) 一种图像处理方法及装置、电子设备和存储介质
US10265052B2 (en) Method of displaying ultrasound image and ultrasound diagnosis apparatus
US11096667B2 (en) Ultrasound imaging apparatus and method of controlling the same
CN114387436A (zh) 壁冠状动脉检测方法及装置、电子设备和存储介质
CN112890866A (zh) 超声成像方法、系统及计算机可读存储介质
CN114255226A (zh) 多普勒全流程定量分析方法及装置、电子设备和存储介质
US20160155259A1 (en) Volume rendering apparatus and volume rendering method
KR102617894B1 (ko) 초음파 진단 장치 및 초음파 영상을 생성하기 위한 방법
CN112767347A (zh) 一种图像配准方法及装置、电子设备和存储介质
KR102700668B1 (ko) 대상체의 초음파 영상을 디스플레이하는 방법 및 장치
EP3524168A1 (en) Ultrasound imaging apparatus and method of controlling same
CN111968106A (zh) 图像处理方法及装置、电子设备和存储介质
CN114565622B (zh) 房间隔缺损长度的确定方法及装置、电子设备和存储介质
EP3851051B1 (en) Ultrasound diagnosis apparatus and operating method thereof

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220329