CN114298958A - 超声成像系统和超声图像分析方法 - Google Patents
超声成像系统和超声图像分析方法 Download PDFInfo
- Publication number
- CN114298958A CN114298958A CN202011009386.4A CN202011009386A CN114298958A CN 114298958 A CN114298958 A CN 114298958A CN 202011009386 A CN202011009386 A CN 202011009386A CN 114298958 A CN114298958 A CN 114298958A
- Authority
- CN
- China
- Prior art keywords
- rads
- feature
- lesion
- type
- map
- 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
Links
- 238000003703 image analysis method Methods 0.000 title abstract description 23
- 238000003384 imaging method Methods 0.000 title description 15
- 230000003902 lesion Effects 0.000 claims abstract description 297
- 238000002604 ultrasonography Methods 0.000 claims abstract description 152
- 238000005192 partition Methods 0.000 claims abstract description 131
- 238000012285 ultrasound imaging Methods 0.000 claims abstract description 89
- 239000000523 sample Substances 0.000 claims abstract description 48
- 210000001685 thyroid gland Anatomy 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims description 50
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000002308 calcification Effects 0.000 claims description 21
- 210000005075 mammary gland Anatomy 0.000 claims description 20
- 210000000481 breast Anatomy 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 17
- 230000017531 blood circulation Effects 0.000 claims description 12
- 238000013136 deep learning model Methods 0.000 claims description 11
- 238000010191 image analysis Methods 0.000 claims description 11
- 239000003086 colorant Substances 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000001144 postural effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 14
- 230000005540 biological transmission Effects 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 29
- 230000011218 segmentation Effects 0.000 description 20
- 238000013135 deep learning Methods 0.000 description 18
- 208000004434 Calcinosis Diseases 0.000 description 17
- 238000001514 detection method Methods 0.000 description 15
- 206010028980 Neoplasm Diseases 0.000 description 13
- 201000011510 cancer Diseases 0.000 description 13
- 230000006870 function Effects 0.000 description 13
- 230000036210 malignancy Effects 0.000 description 13
- 230000003211 malignant effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000003993 interaction Effects 0.000 description 8
- 238000002372 labelling Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 238000002592 echocardiography Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 210000001519 tissue Anatomy 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 210000000746 body region Anatomy 0.000 description 2
- 208000030270 breast disease Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 206010011732 Cyst Diseases 0.000 description 1
- 208000009453 Thyroid Nodule Diseases 0.000 description 1
- 208000024799 Thyroid disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 208000031513 cyst Diseases 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000003372 endocrine gland Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical group O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004579 scanning voltage microscopy Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000008247 solid mixture Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000036642 wellbeing Effects 0.000 description 1
Images
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
一种超声成像系统和超声图像分析方法，超声成像系统包括超声探头、发射电路、接收电路、处理器和显示器，处理器用于：获取被测对象甲状腺区域的超声图像；检测其中的病灶，并识别病灶在至少五个TI‑RADS特征类型下对应的TI‑RADS病灶特征；确定TI‑RADS评分，并由此确定病灶的TI‑RADS分级；以TI‑RADS特征类型作为雷达图的分类轴生成雷达图；其中，分类轴将雷达图划分为多个分区，每个分类轴或每个分区用于表示一个TI‑RADS特征类型，至少一个分类轴或分区上具有用于表示评分的刻度单位；基于TI‑RADS评分在雷达图上生成特征图形；显示器用于显示雷达图、特征图形和TI‑RADS分级。本发明采用雷达图和特征图形对病灶的评分进行直观地呈现，有利于指导和优化对超声图像中的病灶进行的分析。
Description
技术领域
本发明总地涉及超声成像技术领域，更具体地涉及一种超声成像系统和超声图像分析方法。
背景技术
甲状腺是人体最大的内分泌腺，在人体生长发育和新陈代谢方面扮演着重要的角色。近年来甲状腺结节的发病率呈上升趋势。同样地，近年来乳腺疾病的发病率和死亡率逐年持续上升，目前已成为威胁女性身心健康的常见疾病。超声检查因具有无创、操作简单、价格低廉、可重复操作等特点，已成为乳腺、甲状腺疾病临床诊断的首选方案。
甲状腺和乳腺病灶的征象复杂，诊断工作受限于医生的临床经验，具有一定的主观性。美国放射学会(American College of Radiology，ACR)于2017年提出的TI-RADS(Thyroid Imaging Reporting And Data System，甲状腺影像报告和数据系统)评估标准是目前甲状腺超声诊断应用广泛的分级评价标准。TI-RADS评估标准是对甲状腺作为一个整体器官的所有影像学的正常与异常情况的诊断报告进行了规范，使用统一的专业术语、标准的诊断归类及检查程序。ACR于2013提出的BI-RADS(Breast Imaging Reporting andData System，乳腺影像报告和数据系统)评估标准则对乳腺病灶的超声表现进行了总结。
TI-RADS评估标准和BI-RADS评估标准中涉及的诊断规则众多，一方面这对于低年资、基层医院医生来说难于操作和记忆；另一方面，将根据以上标准确定的病灶特征以文字化方式呈现不够清晰直观。
发明内容
在发明内容部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
针对现有技术的不足，本发明实施例第一方面提供了一种超声成像系统，所述超声成像系统包括：
超声探头；
发射电路，用于激励所述超声探头向被测对象的甲状腺区域发射超声波；
接收电路，用于控制所述超声探头接收从所述甲状腺区域返回的超声回波以获得超声回波信号；
处理器，用于：
获取通过对被测对象的甲状腺区域进行超声扫描得到的超声图像；
检测所述超声图像中的病灶，并识别所述病灶在至少五个TI-RADS特征类型下对应的TI-RADS病灶特征；
确定所述TI-RADS病灶特征对应的TI-RADS评分，并根据所述TI-RADS评分确定所述病灶的TI-RADS分级；
以所述至少五个TI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，所述分类轴将所述雷达图划分为多个分区，每个所述分类轴或者每个所述分区用于表示一个所述TI-RADS特征类型，至少一个所述分类轴或至少一个所述分区上具有用于表示评分的刻度单位；
基于确定的所述TI-RADS病灶特征对应的TI-RADS评分在所述雷达图上生成特征图形；
显示器，用于显示所述雷达图、所述特征图形和所述TI-RADS分级。
本发明实施例第二方面提供一种超声成像系统，所述超声成像系统包括：
超声探头；
发射电路，用于激励所述超声探头向被测对象的甲状腺区域发射超声波；
接收电路，用于控制所述超声探头接收从所述甲状腺区域返回的超声回波以获得超声回波信号；
处理器，用于：
获取通过对被测对象的甲状腺区域进行超声扫描得到的超声图像；
检测所述超声图像中的病灶，并识别所述病灶在至少五个TI-RADS特征类型下对应的TI-RADS病灶特征；
确定所述TI-RADS病灶特征对应的TI-RADS评分；
以所述至少五个TI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，所述分类轴将所述雷达图划分为多个分区，每个所述分类轴或者每个所述分区用于表示一个所述TI-RADS特征类型，至少一个所述分类轴或至少一个所述分区上具有用于表示评分的刻度单位；
基于确定的所述TI-RADS病灶特征对应的TI-RADS评分在所述雷达图上生成特征图形；
显示器，用于显示所述雷达图和所述特征图形。
本发明实施例第三方面提供一种超声图像分析方法，所述方法包括：
获取通过对被测对象的甲状腺区域进行超声扫描得到的超声图像；
检测所述超声图像中的病灶，并识别所述病灶在至少五个TI-RADS特征类型下对应的TI-RADS病灶特征；
确定所述TI-RADS病灶特征对应的TI-RADS评分，并根据所述TI-RADS评分确定所述病灶的TI-RADS分级；
以所述至少五个TI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，所述分类轴将所述雷达图划分为多个分区，每个所述分类轴或者每个所述分区用于表示一个所述TI-RADS特征类型，至少一个所述分类轴或至少一个所述分区上具有用于表示评分的刻度单位；
基于确定的所述TI-RADS病灶特征对应的TI-RADS评分在所述雷达图上生成特征图形；
显示所述雷达图、所述特征图形和所述TI-RADS分级。
本发明实施例第四方面提供一种超声图像分析方法，所述方法包括：
获取通过对被测对象的甲状腺区域进行超声扫描得到的超声图像；
检测所述超声图像中的病灶，并识别所述病灶在至少五个TI-RADS特征类型下对应的TI-RADS病灶特征；
确定所述TI-RADS病灶特征对应的TI-RADS评分；
以所述至少五个TI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，所述分类轴将所述雷达图划分为多个分区，每个所述分类轴或者每个所述分区用于表示一个所述TI-RADS特征类型，至少一个所述分类轴或至少一个所述分区上具有用于表示评分的刻度单位；
基于确定的所述TI-RADS病灶特征对应的TI-RADS评分在所述雷达图上生成特征图形；
显示所述雷达图和所述特征图形。
本发明实施例第五方面提供一种超声成像系统，所述超声成像系统包括：
超声探头；
发射电路，用于激励所述超声探头向被测对象的乳腺区域发射超声波；
接收电路，用于控制所述超声探头接收从所述乳腺区域返回的超声回波以获得超声回波信号；
处理器，用于：
获取通过对被测对象的乳腺区域进行超声扫描得到的超声图像；
检测所述超声图像中的病灶；
确定所述病灶在至少七个BI-RADS特征类型下对应的BI-RADS评分；
基于预训练的BI-RADS分级模型确定所述病灶的BI-RADS分级；
以所述至少七个BI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，所述分类轴将所述雷达图划分为多个分区，每个所述分类轴或者每个所述分区用于表示一个所述BI-RADS特征类型，至少一个所述分类轴或至少一个所述分区上具有用于表示评分的刻度单位；
基于确定的所述BI-RADS特征类型对应的BI-RADS评分在所述雷达图上生成特征图形；显示器，用于显示所述雷达图、所述特征图形和所述BI-RADS分级。
本发明实施例第六方面提供一种超声图像分析方法，所述方法包括：
获取通过对被测对象的乳腺区域进行超声扫描得到的超声图像；
检测所述超声图像中的病灶；
确定所述病灶在至少七个BI-RADS特征类型下对应的BI-RADS评分；
基于预训练的BI-RADS分级模型确定所述病灶的BI-RADS分级；
以所述至少七个BI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，所述分类轴将所述雷达图划分为多个分区，每个所述分类轴或者每个所述分区用于表示一个所述BI-RADS特征类型，至少一个所述分类轴或至少一个所述分区上具有用于表示评分的刻度单位；
基于确定的所述BI-RADS特征类型对应的BI-RADS评分在所述雷达图上生成特征图形；
显示所述雷达图、所述特征图形和所述BI-RADS分级。
本发明实施例第七方面提供一种超声成像系统，所述超声成像系统包括：
超声探头；
发射电路，用于激励所述超声探头向被测对象的乳腺区域发射超声波；
接收电路，用于控制所述超声探头接收从所述乳腺区域返回的超声回波以获得超声回波信号；
处理器，用于：
获取通过对被测对象的乳腺区域进行超声扫描得到的超声图像；
检测所述超声图像中的病灶；
确定所述病灶在至少七个BI-RADS特征类型下对应的BI-RADS评分；
以所述至少七个BI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，所述分类轴将所述雷达图划分为多个分区，每个所述分类轴或者每个所述分区用于表示一个所述BI-RADS特征类型，至少一个所述分类轴或至少一个所述分区上具有用于表示评分的刻度单位；
基于确定的所述BI-RADS特征类型对应的BI-RADS评分在所述雷达图上生成特征图形；
显示器，用于显示所述雷达图和所述特征图形。
本发明实施例第八方面提供一种超声图像分析方法，所述方法包括：
获取通过对被测对象的乳腺区域进行超声扫描得到的超声图像；
检测所述超声图像中的病灶；
确定所述病灶在至少七个BI-RADS特征类型下对应的BI-RADS评分；
以所述至少七个BI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，所述分类轴将所述雷达图划分为多个分区，每个所述分类轴或者每个所述分区用于表示一个所述BI-RADS特征类型，至少一个所述分类轴或至少一个所述分区上具有用于表示评分的刻度单位；
基于确定的所述BI-RADS特征类型对应的BI-RADS评分在所述雷达图上生成特征图形；
显示所述雷达图和所述特征图形。
根据本发明实施例的超声图像分析方法和超声成像系统采用雷达图对病灶的评分进行直观地呈现，有利于指导和优化对超声图像中的病灶进行的分析。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
在附图中：
图1示出根据本发明一个实施例的超声成像系统的示意性框图；
图2示出根据本发明一个实施例的基于TI-RADS评估标准的雷达图、特征图形和TI-RADS分级；
图3示出根据本发明另一个实施例的基于TI-RADS评估标准的雷达图、特征图形和TI-RADS分级；
图4示出根据本发明一个实施例的结合TI-RADS评估标准进行绘制的雷达图、特征图形和TI-RADS分级；
图5示出根据本发明一个实施例的当所有TI-RADS评分均为0时的雷达图、特征图形和TI-RADS分级；
图6示出了根据本发明一个实施例的显示界面；
图7示出根据本发明一个实施例的超声图像分析方法的示意性流程图；
图8示出根据本发明另一个实施例的超声图像分析方法的示意性流程图；
图9示出根据本发明一个实施例的基于BI-RADS评估标准的雷达图、特征图形和BI-RADS分级；
图10示出根据本发明又一个实施例的超声图像分析方法的示意性流程图；
图11示出根据本发明再一个实施例的超声图像分析方法的示意性流程图。
具体实施方式
为了使得本发明的目的、技术方案和优点更为明显，下面将参照附图详细描述根据本发明的示例实施例。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明中描述的本发明实施例，本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本发明的保护范围之内。
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
应当理解的是，本发明能够以不同形式实施，而不应当解释为局限于这里提出的实施例。相反地，提供这些实施例将使公开彻底和完全，并且将本发明的范围完全地传递给本领域技术人员。
在此使用的术语的目的仅在于描述具体实施例并且不作为本发明的限制。在此使用时，单数形式的“一”、“一个”和“所述/该”也意图包括复数形式，除非上下文清楚指出另外的方式。还应明白术语“组成”和/或“包括”，当在该说明书中使用时，确定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时，术语“和/或”包括相关所列项目的任何及所有组合。
为了彻底理解本发明，将在下列的描述中提出详细的结构，以便阐释本发明提出的技术方案。本发明的可选实施例详细描述如下，然而除了这些详细描述外，本发明还可以具有其他实施方式。
下面，首先参考图1描述根据本申请一个实施例的超声成像系统，图1示出了根据本申请实施例的超声成像系统100的示意性结构框图。
如图1所示，超声成像系统100包括超声探头110、发射电路112、接收电路114、处理器116和显示器118。其中，发射电路112用于激励该超声探头110向被测对象的甲状腺区域发射超声波；接收电路114用于控制该超声探头110接收从该甲状腺区域返回的超声回波以获得超声回波信号；处理器116用于：获取通过对被测对象的甲状腺区域进行超声扫描得到的超声图像；检测该超声图像中的病灶，并识别该病灶在至少五个TI-RADS特征类型下对应的TI-RADS病灶特征；确定所述TI-RADS病灶特征对应的TI-RADS评分，并根据所述TI-RADS评分确定所述病灶的TI-RADS分级；以至少五个TI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，所述分类轴将雷达图划分为多个分区，每个分类轴或者每个分区用于表示一个TI-RADS特征类型，至少一个该分类轴或至少一个该分区上具有用于表示评分的刻度单位；基于确定的该TI-RADS病灶特征对应的TI-RADS评分在该雷达图上生成特征图形；显示器118用于显示该雷达图、该特征图形和该TI-RADS分级。进一步地，超声成像系统还可以包括发射/接收选择开关120和波束合成电路122，发射电路112和接收电路114可以通过发射/接收选择开关120与超声探头110连接。
本发明实施例的超声成像系统100为甲状腺的超声检查提供一种智能化辅助分析手段，能够提高医生的诊断效率和准确性。其中，以雷达图的形式将甲状腺病灶的TI-RADS分析结果进行图形化显示可以使医生更直观地了解病灶的各超声属性及恶性程度，为医生更加具象地解读病患的TI-RADS分析结果提供了有力支持。
超声探头110包括多个换能器阵元，多个换能器阵元可以排列成一排构成线阵，或排布成二维矩阵构成面阵，多个换能器阵元也可以构成凸阵列。换能器阵元用于根据激励电信号发射超声波，或将接收的超声波转换为电信号，因此每个换能器阵元可用于实现电脉冲信号和超声波的相互转换，从而实现向被测对象的目标区域的组织发射超声波、也可用于接收经组织反射回的超声波回波。在进行超声检测时，可通过发射序列和接收序列控制哪些换能器阵元用于发射超声波，哪些换能器阵元用于接收超声波，或者控制换能器阵元分时隙用于发射超声波或接收超声波的回波。参与超声波发射的换能器阵元可以同时被电信号激励，从而同时发射超声波；或者，参与超声波束发射的换能器阵元也可以被具有一定时间间隔的若干电信号激励，从而持续发射具有一定时间间隔的超声波。
在超声成像过程中，发射电路112用于激励超声探头110向被测对象发射超声波；接收电路114用于控制超声探头110接收从被测对象返回的超声回波，以获得超声回波信号。
具体地，在超声成像过程中，发射电路112将经过延迟聚焦的发射脉冲通过发射/接收选择开关120发送到超声探头110。超声探头110受发射脉冲的激励而向被测对象的目标区域的组织发射超声波束，经一定延时后接收从目标区域的组织反射回来的带有组织信息的超声回波，并将此超声回波重新转换为电信号。接收电路114接收超声探头110转换生成的电信号，获得超声回波信号，并将这些超声回波信号送入波束合成电路122，波束合成电路122对超声回波数据进行聚焦延时、加权和通道求和等处理，然后送入处理器116。
可选地，处理器116可以实现为软件、硬件、固件或其任意组合，并且可以使用单个或多个专用集成电路(Application Specific Integrated Circuit，ASIC)、单个或多个通用集成电路、单个或多个微处理器、单个或多个可编程逻辑器件、或者前述电路和/或器件的任意组合、或者其他适合的电路或器件。并且，处理器116可以控制所述超声成像系统100中的其它组件以执行本说明书中的各个实施例中的方法的相应步骤。
处理器116对超声回波信号进行信号检测、信号增强、数据转换、对数压缩等处理以形成超声图像。处理器116得到的超声图像可以在显示器118上显示，也可以存储于存储器124中。除了对超声回波信号进行处理以实时生成目标区域的超声图像以外，处理器116还可以通过其他方式获取被测对象目标区域的超声图像，例如，处理器116可以从存储器124中提取预先存储的目标区域的超声图像，处理器116也可以控制接收从其他超声系统或网络中传输而来的目标区域的超声图像。其中，目标区域为进行超声成像的身体区域，例如，在实时扫查中，目标区域指医生通过探头扫查的身体区域。在一个实施例中，被测对象的目标区域包括甲状腺区域。
获取超声图像后，可以采用自动、手动或半自动的方式检测超声图像中的病灶。
当处理器116自动检测超声图像中的病灶时，可以首先基于检测算法或检测模型标记出病灶区域的大致位置，并基于分割算法进行病灶边界的分割或提取。检测算法包括但不限于基于深度学习、机器学习、传统图像处理等算法。
示例性地，当采用深度学习算法时，需要先基于已收集的样本超声图像及高年资医师对其中病灶区域标注结果(即ROI区域的边界框，即坐标信息)对深度学习神经网络进行训练，深度学习神经网络包括但不限于RCNN、Faster-RCNN、SSD、YOLO等。在网络训练阶段，计算迭代过程中病灶的检测结果和标注结果之间的误差，并以误差最小化为目的不断更新网络中的权值，不断重复该过程，使检测结果逐渐逼近病灶区域ROI的真实值，得到训练好的ROI检测模型。该模型可以实现对于新输入数据的自动化病灶检测提取。
当采用传统图像处理与机器学习相结合的方法进行病灶区域的检测时，首先基于图像处理方法寻找到待选区域，例如使用Select Search(选择性搜索算法)算法；接着，将待选区域变换至固定大小，并使用图像处理方式提取图像的梯度、纹理等图像特征，例如基于Sift算子、HoG算子、GLCM灰度共生矩阵等进行图像特征的提取。之后，通过训练好的传统机器学习算法利用该图像特征通过回归得到病灶的边界框。
在基于分割算法进行病灶边界的分割或提取时，可以基于训练好的深度学习分割模型对检测出的病灶ROI区域或直接对超声全图进行病灶边界提取。深度学习分割网络包括Unet、FCN以及在其基础上进行改进的网络。示例性地，当进行深度学习分割模型的训练时，输入样本超声图像和图像中病灶的标注区域，该标注区域可以为病灶的二值化图像、也可以将病灶位置信息写入xml或json等标注文件。计算模型输出的分割结果与标注结果的误差，不断迭代使误差最小化，直至分割结果趋近于真实值，从而完成深度学习分割模型的训练。
在一些实施例中，也可以采用同步检测、分割的多任务深度学习网络进行边界提取，该类深度学习网络包括mask-RCNN、PolarMask、SOLO等，这类深度学习网络第一步首先定位病灶区域的大致位置，再对病灶边界进行精细分割。
用于病灶分割的传统图像处理算法可以是基于区域的分割算法或基于梯度的分割算法，其中基于区域的分割算法包括区域生长法、分水岭算法、大津阈值法等；基于梯度的分割算法如sobel(索贝尔)算子、canny(坎尼)算子等。
当采用基于机器学习的病灶分割实现方法时，可以预先基于已收集的超声图像和病灶标注结果训练机器学习分割模型，采用SVM、Kmeans(K均值聚类算法)、Cmeans(C均值聚类算法)等机器学习模型对图像像素点的灰度值或纹理值进行二分类，判断每个像素点或代表当前像素点的纹理特征向量是否属于病灶区域，从而实现病灶区域的分割或提取。
以上示出了几种示例性的病灶自动检测方式，在其他实现方式中，也可以由用户手动在超声图像中标注病灶区域，例如在显示器118上显示超声图像，并根据用户执行的手动标注操作确定其中病灶所在位置。或者，还可以通过半自动检测的方式来确定病灶所在位置，例如，首先基于机器识别算法自动检测超声图像上的病灶的位置，再由用户进一步修改或校正，以获取更为精确的位置。初次之外也可以采用任何其他合适的方法检测超声图像中的病灶。
之后，处理器116识别超声图像中的病灶在至少五个TI-RADS特征类型下对应的TI-RADS病灶特征。具体地，ACR于2017年提出的TI-RADS评估标准包括以下五个TI-RADS特征类型：形状类型、成分类型、回声类型、局灶性强回声类型(也可以称为强回声类型或钙化类型)和边缘类型，每个TI-RADS特征类型包括若干TI-RADS病灶特征，每个TI-RADS病灶特征对应于一个TI-RADS评分。示例性地，在ACR提出的TI-RADS评估标准中，每个TI-RADS特征类型所包括的病灶特征及其TI-RADS评分分别为：
a)形状类型：病灶宽大于高(0分)、病灶高大于宽(3分)；
b)成分类型：囊性(0分)、海绵样(0分)、囊实混合(1分)、实性(2分)；
c)回声类型：无回声(0分)、高或等回声(1分)、低回声(2分)、极低回声(3分)；
d)钙化类型：无钙化或大彗星尾征(0分)、粗大钙化(1分)、周边钙化(2分)、微钙化(3分)；
e)边缘类型：平滑(0分)、轮廓不清晰(0分)、不规则(2分)、向甲状腺外侵犯(3分)。
需要注意的是，本申请对TI-RADS评估标准的版本不做限制，无论是哪个国家或组织制定的TI-RADS评估标准，无论是目前已有的TI-RADS评估标准或未来更新的TI-RADS评估标准，都应包括在本申请的范围之内。若未来更新的TI-RADS评估标准包括更多的TI-RADS特征类型，则可以根据以上五个TI-RADS特征类型绘制雷达图，也可以根据以上五个TI-RADS特征类型以及新增的TI-RADS特征类型绘制雷达图。
示例性地，识别病灶在每个TI-RADS特征类型下的TI-RADS病灶特征的方法包括但不限于以下几种：基于深度学习的方法、基于传统图像特征结合机器学习的方法、以及上述两种方法相结合。
其中，当基于深度学习的方法识别TI-RADS病灶特征时，可以采用多任务神经网络模型进行多个TI-RADS特征类型下的TI-RADS病灶特征的预测，也可以采用单任务神经网络模型对单个TI-RADS特征类型下的TI-RADS病灶特征进行预测。
当采用多任务神经网络模型同时进行多个TI-RADS特征类型下的TI-RADS病灶特征的预测时，一种实施例是以提取出的病灶区域的超声图像作为输入，直接采用多任务深度学习网络的多个分类分支来预测每个TI-RADS特征类型下的TI-RADS病灶特征，即将形状类型、成分类型、回声类型、局灶强回声类型和边缘类型视为5个预测任务。例如，在预测形状类型时，输入的病灶区域的超声图像经过共有卷积块和私有卷积块后，输出对应的分类标签。其中各部分卷积块采用的骨干网络包括但不限于典型的深度学习卷积分类网络，例如AlexNet、Resnet、VGG等。
在对此类网络模型进行训练时，可以单独训练每个TI-RADS特征类型的分类子网，也可以同时训练整个网络，通过计算各分支预测结果和标定结果之间的误差(标定结果即病灶的边缘类型、形状类型、回声类型等分支的真实结果)，不断迭代，逐渐逼近，最终得到各个TI-RADS特征类型的分类模型及其分类准确性。
采用单任务神经网络模型对单个TI-RADS特征类型下的TI-RADS病灶特征进行预测时，可以对每个TI-RADS特征类型分别构建一个深度学习网络模型，采用多个深度学习网络模型并行进行多个TI-RADS特征类型的分类。
当采用基于传统图像特征结合机器学习的方法进行识别时，首先采用特征提取算法针对单个TI-RADS特征类型进行图像特征提取，之后对提取到的图像特征进行分类，以得到该TI-RADS特征类型下的TI-RADS病灶特征。
其中，所提取的图像特征包括但不限于直方图、灰度共生矩阵特征等。在提取到图像特征以后，可以根据预先设定的阈值基于图像特征进行划分，例如针对回声类型，可以提取图像的灰度特征，当病灶内部的图像灰度均值大于甲状腺实质区域灰度时，可以将病灶的回声类型划分为高回声或等回声。或者，也可以将图像特征串联机器学习模型进行对应TI-RADS特征类型下TI-RADS病灶特征的预测，例如针对回声类型，可以将提取到的图像特征输入到SVM、Kmean、KNN等机器学习模型中，对病灶的回声类型进行预测，得到病灶的回声类型预测结果。
当结合以上几种方法进行TI-RADS病灶特征的识别时，可以将每个TI-RADS特征类型单独视为一个预测或分类任务，对不同TI-RADS特征类型采用适合该TI-RADS特征类型的算法或模型，既可以是上述基于深度学习的方法，也可以是上述基于传统图像特征结合机器学习的方法。除此之外，也可以采用其他任何合适的方法进行TI-RADS病灶特征的识别。
如上所述，TI-RADS评估标准中的每个TI-RADS病灶特征对应一个TI-RADS评分，因而识别到病灶在每个TI-RADS特征类型下的TI-RADS病灶特征之后，即可以得到相应的TI-RADS评分。在一些实施例中，也可以直接识别病灶的TI-RADS评分，例如，可以将上述的多任务神经网络模型或单任务神经网络模型的输出直接设置为TI-RADS评分。
除了确定病灶的TI-RADS评分以外，处理器116还用于还根据多个TI-RADS评分确定病灶的TI-RADS分级。例如，处理器116对TI-RADS评分进行求和，以得到TI-RADS评分的总和，并根据所述TI-RADS评分的总和与TI-RADS分级的对应关系确定病灶的TI-RADS分级。或者，处理器116也可以对不同TI-RADS特征类型的TI-RADS评分进行加权求和，根据加权求和的结果确定病灶的TI-RADS分级。
具体地，TI-RADS评估标准根据TI-RADS评分的总和将病灶划分为TR1、TR2、TR3、TR4和TR5五个TI-RADS分级，用TR等级来表示甲状腺病灶的恶性可疑程度，TR等级越高，甲状腺病灶疑似恶性的可能性越高。其中，TI-RADS评分的总和与TI-RADS分级的映射关系参见表1：
表1
例如，若识别到病灶在形状、成分、回声、局灶性强回声和边缘类型下对应的TI-RADS病灶特征及TI-RADS评分分别为实性(2分)、高或等回声(1分)、宽大于高(0分)、不规则(2分)和微钙化(3分)，则TI-RADS评分的总和为8分，根据表1的映射关系可以确定病灶的TI-RADS分级为TR5。
如上所述，处理器116确定了病灶每个TI-RADS特征类型的TI-RADS评分以及总的TI-RADS分级，之后，处理器116基于至少五个TI-RADS特征类型绘制雷达图，并基于确定的TI-RADS病灶特征对应的TI-RADS评分在雷达图上生成特征图形，通过雷达图和显示在雷达图上的特征图形将基于TI-RADS评估标准对病灶进行分析所得到的分析结果进行清晰和直观地呈现。
其中，雷达图也可以称为星图或蛛网图等，是一种用于同时显示三个或更多维度的变量的二维图表。具体地，以至少五个TI-RADS特征类型作为雷达图的分类轴生成雷达图，其中，分类轴将雷达图划分为多个分区，每个分类轴或者每个分区用于表示一个该TI-RADS特征类型，至少一个该分类轴或至少一个该分区上具有用于表示评分的刻度单位。在一些实施例中，示例性地，雷达图由内到外所对应的TI-RADS评分逐渐增加，最中心位置处对应0分，边缘为位置处对应3分。通过将特征图形与雷达图进行对照，用户可以快速了解病灶在每个TI-RADS特征类型下的TI-RADS评分。
在一些实施例中，雷达图还可以包括底图，分类轴自底图的中心区域延伸至底图的边缘，将底图划分为多个分区。在以下描述各种形式的雷达图中，底图的形状可以为圆形，也可以为多边形或者其他形状，此处不做限制。当底图的形状为多边形时，多边形的边数可以等于TI-RADS特征类型的个数，即由于TI-RADS特征类型的个数为五个，因而底图可以为五边形，五个分类轴分别连接五边形的中心和每个顶点。可以理解的是，除了用多边形的边数表示TI-RADS特征类型的个数，还可以用多边形每条边对应的分块或者分区表示TI-RADS特征类型的个数，此处不做限制。当底图的形状为圆形时，多个分类轴可以自圆心起将圆形底图分为五个扇形。
在一个实施例中，至少一个分区中具有网格线，该网格线将该分区划分为至少两个子区间，以便于通过将特征图形与网格线进行对照以确定特征图形表示的TI-RADS评分，例如每个分区内特征图形占据的子区间的个数可以代表相应的TI-RADS评分。示例性地，每个区域的多个网格线可以等距离平行排列。
在一个实施例中，底图的每个分区用于表示一个TI-RADS特征类型，每个分区内的特征图形的面积表示与该分区对应的TI-RADS特征类型的TI-RADS评分，每个分区处标识有与该分区对应的TI-RADS特征类型。用户可以根据每个分区内特征图形的面积确定相应TI-RADS特征类型的TI-RADS评分，面积越大则TI-RADS评分越高。
参见图2，其中示出了每个分区用于表示一个TI-RADS特征类型的雷达图。图2所示的雷达图的底图为圆形，但在其他实现方式中，底图的形状也可以替换为五边形，或者也可以不显示底图。在图2所示的雷达图中，五个分类轴230将底图210划分为五个分区220，每个分区220对应一个TI-RADS特征类型，并且在每个分区220外侧标注了与之对应的TI-RADS特征类型。分区220中显示有表示相应TI-RADS特征类型的TI-RADS评分的特征图形240，特征图形240的面积越大，则对应的TI-RADS评分越高。表示成分类型和形状类型的分区之间的分类轴上标识有用于表示评分的刻度单位，可以参考刻度单位确定每个分区的特征图形所代表的分值；该刻度单位也可以标识在每个分区的中间位置。
其中，形状、成分、回声、钙化和边缘类型所对应的TI-RADS评分分别为0分、2分、1分、3分和2分，各个分区的特征图形的面积取决于每个区域对应的TI-RADS评分，即对应于钙化类型的分区的特征图形面积最大，对应于形状类型的分区的特征图形面积为0，即不显示特征图形。
在一个实施例中，不同分区内的特征图形可以显示为不同的颜色或图案，以便于在不同的特征图形之间进行区分。例如，在图2所示的雷达图中，钙化、回声、边缘和成分类型对应的特征图形可以分别显示为绿色、黄色、红色和蓝色；当然，特征图形也可以采用其他任何合适的颜色或图案。
在另一个实施例中，雷达图的每个分类轴用于表示一个TI-RADS特征类型，特征图形为连接每个该分类轴上表示与该分类轴对应的TI-RADS特征类型的TI-RADS评分的坐标点所构成的图形，每个分类轴处标识有与该分类轴对应的TI-RADS特征类型。
参见图3，其中示出了每个分区对应一个TI-RADS特征类型的雷达图。图3所示的雷达图的底图为五边形，但在其他实现方式中，底图的形状也可以替换为圆形，或者也可以不显示底图。在图3所示的雷达图中，五个分类轴320将底图310划分为五个分区330，每个分类轴320对应一个TI-RADS特征类型，并且在分类轴320顶点处标注了与之对应的TI-RADS特征类型。通过将每个分类轴320上表示病灶实际TI-RADS评分的坐标点相连构成了特征图形340。可以参考特征图形340的形状确定每个TI-RADS特征类型的TI-RADS评分，例如特征图形在表示形状的分类轴处突出，则可以确定病灶的形状指示形状类型的TI-RADS评分最高。
在一个实施例中，可以结合TI-RADS评估标准对雷达图的底图和分类轴进行绘制，使雷达图提供更多关于TI-RADS评估标准的信息。
例如，在一些实施例中，分类轴中的第一分类轴包括最大刻度单位、最小刻度单位和预设刻度单位，其中，该预设刻度单位用于表示第一分类轴对应的第一TI-RADS特征类型下各TI-RADS病灶特征能够获得的最大TI-RADS评分；上述超声图像分析方法还包括：当该预设刻度单元小于该最大刻度单位且大于该最小刻度单位时，将第一分类轴中最大刻度单位和预设刻度单位之间的部分与最小刻度单位和预设刻度单位之间的部分区别化显示。其中，该区别化显示可以包括：将最小刻度单位和预设刻度单位之间的部分绘制为实线，将最大刻度单位和预设刻度单位之间的部分绘制为虚线。例如，参见图4，对于成分类型来说，该类型下的TI-RADS病灶特征的TI-RADS评分只有0分、1分和2分，不存在评分为3分的TI-RADS病灶特征。例如，第一分类轴可以是与该成分类型相对应的坐标轴，该成分类型的TI-RADS评分最高只能够到2分，其小于该第一分类轴对应的最大刻度单位3分。因此，可以将该第一分类轴上2分和3分之间的部分显示为虚线，以表示成分类型的TI-RADS评分最高只能够到2分。
在一些实施例中，由于并非全部的TI-RADS特征类型下均包含全部评分的TI-RADS病灶特征，例如形状类型只存在0分和3分的病灶特征，成分类型只存在0分、1分和2分的病灶特征；因而可以通过网格线表示每个TI-RADS特征类型下存在的TI-RADS病灶特征的评分；在这种情况下，TI-RADS评分的分值刻度可以标注在包含全部评分的TI-RADS特征类型对应的分类轴上。具体地，当相邻分类轴对应的TI-RADS特征类型下同时存在同一个TI-RADS评分的TI-RADS病灶特征时，则可以用网格线连接表示同一个TI-RADS评分的坐标点，例如若相邻分类轴对应的TI-RADS特征类型下同时存在1分的TI-RADS病灶特征时，则在相邻坐标轴上标识1分的坐标点之间连接网格线；当相邻分类轴对应的TI-RADS特征类型下不同时存在同一个TI-RADS评分的TI-RADS病灶特征时，则不设置网格线，例如，若一个分类轴对应的TI-RADS特征类型下存在1分的TI-RADS病灶特征，与之相邻的分类轴对应的TI-RADS特征类型下不存在1分的TI-RADS病灶特征，则不存在连接两个坐标点的网格线。
继续参照图4，边缘类型下存在的TI-RADS评分为0分、2分和3分，不存在TI-RADS评分为1分的TI-RADS病灶特征，因而与边缘类型相对应的分类轴上只标注表示0分、2分和3分的坐标点，未标注表示1分的坐标点。强回声类型下存在全部的TI-RADS评分，因而与强回声类型对应的分类轴上标注有表示0分、1分、2分和3分的坐标点。由于与边缘类型对应的分类轴上不存在表示1分的坐标点，因此与边缘类型对应的分类轴和与强回声类型对应的分类轴之间在表示2分的坐标点之间连接有网格线，而不存在连接表示评分为1分的坐标点的网格线。
在一个实施例中，当采用如上所述的每个分类轴对应一个TI-RADS特征类型的雷达图时，分类轴上表示TI-RADS评分为0分的坐标原点可以偏离雷达图的中心位置，即偏离所有分类轴延长线的交点位置。由此，当所有TI-RADS评分均为0分时，特征图形为连接每个分类轴上坐标原点所构成的位于底图中心位置的小图形，从而避免在所有TI-RADS评分均为0分时特征图形完全消失而影响用户体验。图5示出了当所有TI-RADS评分为0分时的雷达图，雷达图中最中心位置处的小五边形表示此时的特征图形，可以将此时的特征图形与底图中原有的小五边形进行区别化显示，例如改变小五边形的颜色，以表示该小五边形为此时的特征图形。
在一个实施例中，还可以将特征图形中对应不同TI-RADS评分的部分显示为不同的颜色。例如，可以将特征图形的颜色设置为由中心到边缘由浅到深渐变、由深到浅渐变、或由一种颜色到另一种颜色渐变。用户可以根据特征图形的颜色渐变的程度确定病灶由每个TI-RADS特征类型下的TI-RADS病灶特征指示病灶为恶性的程度。当采用如图2所示的每个区域对应一个TI-RADS特征类型的雷达图时，每个区域内特征图形边缘的颜色反映TI-RADS病灶特征的恶性程度；当采用如图3所示的每个分类轴对应一个TI-RADS特征类型的雷达图时，特征图形与每个分类轴的交点附近的颜色反映TI-RADS病灶特征的恶性程度。
例如，针对图3所示的雷达图，若将其特征图形的颜色设置为由内到外由浅到深渐变，假设特征图形的颜色为绿色，则由于形状类型的TI-RADS评分为3分，因而沿着与形状类型对应的分类轴，特征图形的颜色由表示0分的坐标点附近的浅绿色渐变至表示3分的坐标点附近的深绿色。而边缘类型的TI-RADS评分为0分，因而特征图形在与边缘类型对应的分类轴的交点附近为浅绿色。
在一个实施例中，可以根据病灶的TI-RADS分级或者根据TI-RADS评分的总和确定该底图的颜色、特征图形的颜色、分类轴的颜色、网格线的颜色或TI-RADS分级结果边框的颜色等。例如，若TI-RADS分级结果为TR5，高度疑似恶性，则可以将底图显示为深红色；若TI-RADS分级结果为TR3提示良性，则可以将底图显示为柔和的浅蓝色。底图的颜色可以指底图的背景颜色，也可以指底图边缘的颜色。特征图形的颜色可以指特征图形的背景颜色，也可以指特征图形边缘的颜色。
在本发明实施例的雷达图中，由于特征图形的面积受到各个TI-RADS评分的影响，因而可以计算该特征图形的面积与该底图的面积的比值，并显示该比值，通过该比值反映病灶的总体评分情况。TI-RADS评分的总和取值是0-15分的标量，与病灶的恶性程度成正比，但很多医生未必知道TI-RADS评分与病灶恶性程度之间的对应关系。上述比值是对TI-RADS评分通过雷达图进行离散化后所得到的0-100％之间的概率值，病灶的恶性程度越高，该比值越接近100％，其相比0-15分的TR总分更加形象，方便医生理解。示例性地，该比值可以显示在该雷达图周围，或者，该比值也可以显示在该超声图像中的病灶周围。
在一个实施例中，可以将雷达图和特征图形与以下至少一个同时显示：超声图像、甲状腺体位图、超声图像中的感兴趣区域、在超声图像中检测到的病灶的边界、被测对象的个人信息，以便于用户对照浏览、综合分析。其中可以将部分信息显示在主屏上，将部分信息显示在触摸屏上。图6示出了同时显示雷达图和特征图形610、甲状腺体位图620、超声图像630和在超声图像中检测到的病灶的边界640的一种示例性的显示界面。用户在雷达图和特征图形610上进行操作时，甲状腺体位图620和超声图像630上可以显示与用户的操作相呼应的效果。
示例性地，当用户选择雷达图或特征图形中与每个TI-RADS特征类型相对应的位置时，可以在超声图像中显示与用户选中的TI-RADS特征类型相呼应的效果，以便于用户对应TI-RADS查看超声图像。雷达图或特征图形中与每个TI-RADS特征类型相对应的位置可以包括与每个TI-RADS特征类型相对应的分区、与每个TI-RADS特征类型相对应的特征图形、标识每个TI-RADS特征类型的文字等。
例如，当确定用户选择该雷达图中与形状类型或边缘类型相对应的位置时，可以将超声图像中病灶区域的边界进行突出显示，使用户可以对应形状类型或边缘类型的TI-RADS评分查看病灶的实际形状或边缘；当确定用户选择雷达图中与回声类型或成分类型相对应的位置时，可以将该超声图像中的整个病灶区域进行突出显示；当确定用户选择雷达图中与钙化类型相对应的位置时，可以将在该超声图像中提取到的钙化区域进行突出显示。上述突出显示可以是闪烁显示或高亮显示等。
显示器118用于显示所述雷达图、所述特征图形和所述TI-RADS分级。雷达图和特征图形可以呈现每个TI-RADS特征类型的TI-RADS评分，TI-RADS分级指示病灶整体的良恶性程度。例如，图2、图3所示的雷达图周围显示的病灶TI-RADS分级为TR5，图4所示的雷达图周围显示的病灶TI-RADS分级为TR4，图5所示的雷达图周围显示的病灶TI-RADS分级为TR0。
显示器118与处理器116连接，显示器118可以为触摸显示屏、液晶显示屏等；或者，显示器118可以为独立于超声成像系统100之外的液晶显示器、电视机等独立显示器；或者，显示器118可以是智能手机、平板电脑等电子设备的显示屏，等等。其中，显示器118的数量可以为一个或多个。例如，显示器118可以包括主屏和触摸屏，主屏主要用于显示超声图像，触摸屏主要用于人机交互。
显示器118在显示雷达图、所述特征图形和所述TI-RADS分级的同时还可以提供给用户进行人机交互的图形界面，在图形界面上设置一个或多个被控对象，提供给用户利用人机交互装置输入操作指令来控制这些被控对象，从而执行相应的控制操作。例如，在图形界面上显示图标，利用人机交互装置可以对该图标进行操作，用来执行特定的功能，例如在超声图像上绘制出感兴趣区域框等。
可选地，超声成像系统100还可以包括显示器118之外的其他人机交互装置，其与处理器116连接，例如，处理器116可以通过外部输入/输出端口与人机交互装置连接，外部输入/输出端口可以是无线通信模块，也可以是有线通信模块，或者两者的组合。外部输入/输出端口也可基于USB、如CAN等总线协议、和/或有线网络协议等来实现。
其中，人机交互装置可以包括输入设备，用于检测用户的输入信息，该输入信息例如可以是对超声波发射/接收时序的控制指令，可以是在超声图像上绘制出点、线或框等的操作输入指令，或者还可以包括其他指令类型。输入设备可以包括键盘、鼠标、滚轮、轨迹球、移动式输入设备(比如带触摸显示屏的移动设备、手机等等)、多功能旋钮等等其中之一或者多个的结合。人机交互装置还可以包括诸如打印机之类的输出设备。
超声成像系统100还可以包括存储器124，用于存储处理器执行的指令、存储接收到的超声回波、存储超声图像，等等。存储器可以为闪存卡、固态存储器、硬盘等。其可以为易失性存储器和/或非易失性存储器，为可移除存储器和/或不可移除存储器等。
应理解，图1所示的超声成像系统100所包括的部件只是示意性的，其可以包括更多或更少的部件，本申请对此不做限定。
下面，将参考图7描述根据本发明实施例的超声图像分析方法。图7是本发明实施例的超声图像分析方法700的一个示意性流程图。如图7所示，本发明实施例的超声图像分析方法700包括如下步骤：
在步骤S710，获取通过对被测对象的甲状腺区域进行超声扫描得到的超声图像；
在步骤S720，检测所述超声图像中的病灶，并识别所述病灶在至少五个TI-RADS特征类型下对应的TI-RADS病灶特征；
在步骤S730，确定所述TI-RADS病灶特征对应的TI-RADS评分，并根据所述TI-RADS评分确定所述病灶的TI-RADS分级；
在步骤S740，以所述至少五个TI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，所述分类轴将所述雷达图划分为多个分区，每个所述分类轴或者每个所述分区用于表示一个所述TI-RADS特征类型，至少一个所述分类轴或至少一个所述分区上具有用于表示评分的刻度单位；
在步骤S750，基于确定的所述TI-RADS病灶特征对应的TI-RADS评分在所述雷达图上生成特征图形；
在步骤S760，显示所述雷达图和所述TI-RADS分级。本发明实施例的超声图像分析方法200可以由上述的超声成像系统100实现。各个步骤的相关描述可以参照上文对超声成像系统100的相关描述，在此不做赘述。
根据本发明实施例的超声成像系统和超声图像分析方法700采用雷达图对病灶的TI-RADS评分进行直观地呈现，同时显示病灶的TI-RADS分级，有利于指导和优化对超声图像中的病灶进行的分析。
下面继续参照图1描述根据本申请另一个实施例的超声成像系统，该超声成像系统包括超声探头110、发射电路112、接收电路114、处理器116和显示器118，各个部件的相关描述可以参照上文对超声成像系统100的相关描述，以下仅对超声成像系统的主要功能进行描述，而省略以上已经描述过的细节内容。
具体地，发射电路112用于激励该超声探头110向被测对象的甲状腺区域发射超声波；接收电路114用于控制该超声探头110接收从该甲状腺区域返回的超声回波以获得超声回波信号；处理器116用于：获取通过对被测对象的甲状腺区域进行超声扫描得到的超声图像；检测该超声图像中的病灶，并识别该病灶在至少五个TI-RADS特征类型下对应的TI-RADS病灶特征；确定该TI-RADS病灶特征对应的TI-RADS评分；以至少五个TI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，该分类轴将该雷达图划分为多个分区，每个分类轴或者每个分区用于表示一个TI-RADS特征类型，至少一个该分类轴或至少一个该分区上具有用于表示评分的刻度单位；基于确定的TI-RADS病灶特征对应的TI-RADS评分在该雷达图上生成特征图形；显示器118用于显示该雷达图和该特征图形。
本实施例的超声成像系统与上文所述的超声成像系统大体上类似，以下省略了部分相同的细节内容。本实施例的超声成像系统同样是根据TI-RADS特征类型生成雷达图，并根据病灶在每个TI-RADS特征类型下的TI-RADS评分在雷达图上生成特征图形，雷达图和特征图形的具体形式可以参见上文。与上述超声成像系统不同的是，本实施例的超声成像系统不限制根据该TI-RADS评分的总和确定该病灶的TI-RADS分级，则不限制将TI-RADS分级与雷达图一同显示，只需要通过雷达图呈现病灶在每个TI-RADS特征类型下的TI-RADS评分。
在一个实施例中，除雷达图以外，还可以显示全部TI-RADS评分的总和。TI-RADS评分的总和越高，指示病灶为恶性病灶的可能性越大。在另一个实施例中，该雷达图还包括底图，该分类轴自该底图的中心区域延伸至该底图的边缘，以将该底图划分为多个分区，该方法还包括计算雷达图中特征图形的面积与底图的面积的比值，并显示该比值。该比值越高，指示病灶为恶性病灶的可能性越大。
图8示出了根据本申请另一个实施例的超声图像分析方法800的示意性流程图。如图8所示，所述超声图像分析方法800包括以下步骤：
步骤S810，获取通过对被测对象的甲状腺区域进行超声扫描得到的超声图像；
步骤S820，检测所述超声图像中的病灶，并识别所述病灶在至少五个TI-RADS特征类型下对应的TI-RADS病灶特征；
步骤S830，确定所述TI-RADS病灶特征对应的TI-RADS评分；
步骤S840，以所述至少五个TI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，所述分类轴将所述雷达图划分为多个分区，每个所述分类轴或者每个所述分区用于表示一个所述TI-RADS特征类型，至少一个所述分类轴或至少一个所述分区上具有用于表示评分的刻度单位；
步骤S850，基于确定的所述TI-RADS病灶特征对应的TI-RADS评分在所述雷达图上生成特征图形；
步骤S860，显示所述雷达图和所述特征图形。
本发明实施例的超声图像分析方法800可以由上述的超声成像系统实现，各个步骤的相关描述可以参照上文的相关描述，在此不做赘述。
根据本申请实施例的超声图像分析方法800和超声成像系统采用雷达图对病灶的评分进行直观地呈现，有利于指导和优化对超声图像中的病灶进行的分析。
本申请实施例另一方面提供一种超声成像系统。继续参照图1，该超声成像系统包括超声探头110、发射电路112、接收电路114、处理器116和显示器118，各个部件的相关描述可以参照上文对超声成像系统100的相关描述，以下仅对超声成像系统的主要功能进行描述，而省略以上已经描述过的细节内容。
具体地，发射电路112用于激励该超声探头110向被测对象的乳腺区域发射超声波；接收电路114用于控制该超声探头110接收从该曲线区域返回的超声回波以获得超声回波信号；处理器116用于：获取通过对被测对象的乳腺区域进行超声扫描得到的超声图像；检测该超声图像中的病灶；确定该病灶在至少七个BI-RADS特征类型下对应的BI-RADS评分；基于预训练的BI-RADS分级模型确定该病灶的BI-RADS分级；以该至少七个BI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，该分类轴将该雷达图划分为多个分区，每个分类轴或者每个分区用于表示一个BI-RADS特征类型，至少一个该分类轴或至少一个该分区上具有用于表示评分的刻度单位；基于确定的BI-RADS特征类型对应的BI-RADS评分在该雷达图上生成特征图形；显示器118用于显示该雷达图、该特征图形和该BI-RADS分级。
本发明实施例的超声成像系统为乳腺的超声检查提供一种智能化辅助分析手段，能够提高医生的诊断效率和准确性。其中，以雷达图的形式将乳腺病灶的BI-RADS分析结果进行图形化显示可以使医生更直观地了解病灶的各超声属性及恶性程度，为医生更加具象地解读病患的BI-RADS分析结果提供了有力支持。
具体地，处理器116获得的超声图像可以是实时对被测对象的乳腺区域进行超声扫描以得到该超声图像，也可以从存储器中提取预先存储的被测对象的乳腺区域的超声图像；或者还可以接收从其他超声系统或网络中传输而来的被测对象的乳腺区域的超声图像。
获得超声图像之后，可以采用自动、手动或半自动的方式检测超声图像中的病灶。病灶的检测方法可以参见上文对甲状腺病灶的检测方法，在此不做赘述。
之后，处理器116确定该病灶在至少七个BI-RADS特征类型下对应的BI-RADS评分。ACR提出的BI-RADS评估标准包括以下七个BI-RADS特征类型：方向类型、形状类型、边缘类型、内部回声类型、后方回声类型、钙化类型和血流类型，每个BI-RADS特征类型包括若干BI-RADS病灶特征。具体地，每个BI-RADS特征类型所包括的BI-RADS病灶特征分别为：
方向类型：平行，不平行；
形状类型：椭圆形，圆形，不规则形；
边缘类型：清晰，模糊，成角，微分叶，毛刺；
内部回声类型：无回声，等回声，囊实性混合回声，低回声，不均匀回声，高回声；
后方回声类型：增强，无改变，衰减，混合性改变；
钙化类型：无钙化，有钙化；
血流类型：无血流，边缘血流，内部血流。
需要注意的是，本申请对BI-RADS评估标准的版本不做限制，无论是哪个国家或组织制定的BI-RADS评估标准，无论是目前已有的BI-RADS评估标准或未来更新的BI-RADS评估标准，都应包括在本申请的范围之内。若未来更新的BI-RADS评估标准包括更多的BI-RADS特征类型，则可以根据以上七个BI-RADS特征类型绘制雷达图，也可以根据以上七个BI-RADS特征类型以及新增的BI-RADS特征类型绘制雷达图。
由于目前的BI-RADS评估标准中并未明确规定不同BI-RADS病灶特征对于乳腺病灶BI-RADS分级的具体贡献，仅表明了不同BI-RADS病灶特征指示了不同的恶性程度，因而本申请实施例首先对每个BI-RADS特征类型进行定量化分析以得到对应的BI-RADS评分。
在一个实施例中，病灶的每个BI-RADS特征类型的BI-RADS评分为该病灶由每个BI-RADS特征类型下的BI-RADS病灶特征指示为预设病灶状态的概率。以下主要以预设病灶状态为恶性病灶状态为例进行描述，但预设病灶状态也可以是良性病灶状态或其他病灶状态。
具体地，可以将方向、形状、边缘、内部回声、后方回声、钙化和血流这7个BI-RADS特征类型分别视为7个分类问题。对于每一个BI-RADS特征类型而言，均可以采用多种特征构造算法提取当前BI-RADS特征类型的相关图像特征，并基于每一类图像特征(例如内部回声相关的图像特征)单独预测病灶的为预设病灶状态的概率，将该概率作为当前BI-RADS特征类型的BI-RADS评分。对七个BI-RADS特征类型可以得到7个BI-RADS评分。
在一个实施例中，可以基于深度学习网络的多任务机制来实现对于BI-RADS评分的定量化评估。具体地，将该超声图像分别输入到针对每个BI-RADS特征类型的预训练的深度学习模型，将深度学习模型的BI-RADS特征预测分支作为主干网络，在其中分化出概率预测分支。由该深度学习模型的概率预测分支预测每个BI-RADS特征类型下的概率，并由该深度学习模型的特征预测分支预测每个BI-RADS特征类型下的BI-RADS病灶特征。
其中，主干网络包括但不限于AlexNet、VGG、ResNet等典型的特征提取网络。以内部回声类型为例，模型的主干分支用于预测内部回声类别，网络末尾输出层的特征图为该分支分类不同内部回声类型时产生的特征图，将该特征图提取出来，单独经过若干个私有卷积块操作来进行病灶良、恶性分类的预测，得到病灶以内部回声相关的图像特征进行预测为恶性病灶的概率。在进行模型训练时，可以先单独训练内部回声类型预测分支达到一定的精度，再微调整个网络。
在另一个实施例中，可以基于特征提取算法针对每个BI-RADS特征类型提取该超声图像的图像特征，基于该图像特征，采用预训练的概率预测机器学习模型预测每个BI-RADS特征类型下的概率，并采用预训练的特征预测机器学习模型预测每个BI-RADS特征类型下的BI-RADS病灶特征。
以内部回声类型为例，首先提取病灶灰度、灰度衰减率、熵等内部回声相关的图像特征，基于SVM、随机森林、逻辑回归等机器学习算法预测病灶基于当前图像特征分类为恶性病灶的概率。同时，基于这些特征和另外的预测模型来分类BI-RADS特征类型，例如将内部回声类型分为高回声、等回声等具体子类。
除此之外，可以采用结合的方法。具体地，分别利用深度学习模型和特征提取算法提取该超声图像的图像特征，将该深度学习模型和该特征提取算法提取的该图像特征进行融合，以得到每个BI-RADS特征类型对应的融合图像特征，并基于该融合图像特征预测概率。特征融合方式不限于拼接、降维等操作。
在另一个实施例中，病灶的每个BI-RADS特征类型的BI-RADS评分为每个BI-RADS特征类型下的BI-RADS病灶特征对病灶的BI-RADS分级的贡献度。具体地，BI-RADS评估标准将乳腺病灶按照恶性程度划分为1、2、3、4a、4b、4c、5共7个分级，当BI-RADS评分为每个BI-RADS特征类型下的BI-RADS病灶特征对病灶的BI-RADS分级的贡献度时，在执行步骤S930的过程中同时执行步骤S940，即确定病灶的BI-RADS分级。
示例性地，首先提取该超声图像在每个BI-RADS特征类型下的图像特征，并将每个BI-RADS特征类型下的图像特征整合为高维特征。图像特征提取可以采用传统图像处理方法、机器学习或深度学习方法，每个BI-RADS特征类型可以对应提取多个图像特征。
接着，基于该高维特征预测病灶的BI-RADS分级。例如，可以采用随机森林分类器基于该高维特征进行BI-RADS分级的预测。之后，根据每个BI-RADS特征类型下的图像特征，利用机器学习模型评估每个BI-RADS特征类型下的BI-RADS病灶特征对该BI-RADS分级的贡献度。具体的，一个实例中，可以基于随机森林模型，得到每个BI-RADS特征类型下的图像特征的基尼(GINI)指数；该GINI指数可以评估每个BI-RADS特征类型下的每个图像特征在随机森林分类器中的重要性评分，该重要性反映了不同图像特征与分类器得到的BI-RADS分级结果的相关性。示例性地，在得到每个图像对应的GINI指数以后，对所有特征的得分除以总数，进行归一化操作。最后，单独对各个BI-RADS特征类型相关的各个图像特征对应的GINI指数进行加权，以得到每个BI-RADS特征类型的最终的BI-RADS评分，用于反应对应BI-RADS特征类型的BI-RADS病灶特征对BI-RADS分级的贡献度。
以上对基于GINI指数计算BI-RADS病灶特征对BI-RADS分级的贡献度的一个实例进行了说明。在本申请的另一个计算BI-RADS病灶特征对BI-RADS分级的贡献度的实施例中，可以基于多种特征提取方法提取所述超声图像在每个BI-RADS特征类型下的图像特征，并采用逻辑回归预测模型针对BI-RADS分级问题，拟合出每个BI-RADS特征类型下的BI-RADS病灶特征对BI-RADS分级的贡献度值。图像特征的提取方法可参考前述相关说明进行理解，此处不再赘言。
该逻辑回归预测模型的决策函数包括线性决策函数或非线性决策函数。决策函数可以如下面的公式1所示：
其中，z为决策函数，如公式(1)所示的，可以将决策函数z通过sigmoid函数映射为一个[0,1]区间内的概率值g(z)，g(z)表示BI-RADS分级结果。
在本发明的实施例中，决策函数z包括但不仅限于线性决策函数，如下公式2所示：
z(x)＝w0x0+w1x1+…+wnxn 公式2
其中，[x1,x2,x3,…,xn]表示输入的乳腺超声图像特征；xn表示特征值；wn为不同特征值xn对应的回归系数，即特征值xn对于当前BI-RADS分级预测问题的贡献度权值。在本申请的实施例中，可以对贡献度系数wn进行标准化及归一化操作。
最后，单独对各个BI-RADS特征类型相关的各个图像特征对应的贡献度系数进行加权，得到每个BI-RADS特征类型下的BI-RADS病灶特征对BI-RADS分级的贡献度值。
处理器116还用于基于预训练的BI-RADS分级模型确定病灶的BI-RADS分级。如上所述，若BI-RADS评分为每个BI-RADS特征类型下的BI-RADS病灶特征对病灶的BI-RADS分级的贡献度，则在确定贡献度的过程中即确定了病灶的BI-RADS分级。若BI-RADS评分为病灶由每个BI-RADS特征类型下的BI-RADS病灶特征指示为预设病灶状态的概率，则可以采用其他训练好的BI-RADS分级模型确定病灶的BI-RADS分级。
之后，处理器116基于BI-RADS特征类型绘制雷达图，并基于BI-RADS特征类型对应的BI-RADS评分在雷达图上生成特征图形。雷达图和特征图形的形式与上文中用于呈现TI-RADS评分的雷达图类似，区别之处主要在于用于绘制雷达图和特征图形的量化指标不同。该雷达图具体包括底图、将该底图划分为多个分区的多个分类轴、以及表示每个BI-RADS特征类型的BI-RADS评分的特征图形。具体地，以该至少七个BI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，该分类轴将该雷达图划分为多个分区，每个分类轴或者每个分区用于表示一个BI-RADS特征类型，至少一个该分类轴或至少一个该分区上具有用于表示评分的刻度单位。
在一个实施例中，该雷达图还包括底图，该分类轴自该底图的中心区域延伸至该底图的边缘，以将该底图划分为多个分区。其中，该底图的形状为圆形或多边形。当底图为多边形时，多边形的边数等于BI-RADS特征类型的个数，由于ACR提出的评估标准包括七个BI-RADS特征类型，因而底图的形状可以为七边形。
示例性地，至少一个分区中具有网格线，该网格线将该分区划分为至少两个子区间。当底图为圆形时，网格线为弧线；当底图为多边形时，网格线为与多边形的每个边相平行的直线。
在一个实施例中，底图的每个分区用于表示一个BI-RADS特征类型，每个分区内的特征图形的面积表示与该分区对应的BI-RADS特征类型的BI-RADS评分，每个分区处标识有与该分区对应的BI-RADS特征类型。
参见图9，其中示出了底图的每个分区用于表示一个BI-RADS特征类型的雷达图。在图9所示的雷达图中，七个分类轴920将底图910划分为七个分区930，每个分区930内的特征图形940的面积表示与该分区对应的BI-RADS特征类型的BI-RADS评分，该BI-RADS评分为该病灶由对应BI-RADS特征类型下的BI-RADS病灶特征指示为恶性的概率。在图9的示例中，每个分区930处标注有对应的BI-RADS特征类型，血流类型和形状类型之间的分类轴处标注有BI-RADS评分的刻度单位。
在图9所示的雷达图中，不同分区内的特征图形可以显示为不同的颜色或图案，以便于对不同分区的特征图形进行区分，有利于确定每个分区内特征图形的面积。
在另一个实施例中，雷达图的每个分类轴用于表示一个BI-RADS特征类型，特征图形为连接每个分类轴上表示与该分类轴对应的BI-RADS特征类型的BI-RADS评分的坐标点所构成的图形，每个分类轴处标识有与该分类轴对应的BI-RADS特征类型。
在一个实施例中，可以将特征图形中对应不同BI-RADS评分的部分显示为不同的颜色。在一个实施例中，可以根据病灶的BI-RADS分级确定特征图形的颜色。除此之外，还可以根据病灶的BI-RADS分级确定底图的颜色。
在一个实施例中，当病灶的每个BI-RADS特征类型的BI-RADS评分为该病灶由每个BI-RADS特征类型下的BI-RADS病灶特征指示为预设病灶状态的概率时，由于病灶由每个BI-RADS特征类型下的BI-RADS病灶特征指示为预设病灶状态的概率越大，则特征图形的面积越大，因而还可以计算特征图形的面积与该底图的面积的比值，并显示该比值，该比值可以反映病灶为该预设病灶状态的概率，例如反映病灶为恶性病灶的概率。
在一些实施例中，可以将该雷达图或特征图形与以下至少一个同时显示：该超声图像、乳腺体位图、该超声图像中的感兴趣区域、在该超声图像中检测到的病灶的边界、该被测对象的个人信息。
其中，将该雷达图或特征图形与该超声图像同时显示后，处理器116还用于：当确定用户选择雷达图或特征图形中与每个BI-RADS特征类型相对应的位置时，控制显示器118在超声图像中显示与对应的BI-RADS特征类型相呼应的效果。雷达图或特征图形中与每个BI-RADS特征类型相对应的位置可以包括与每个BI-RADS特征类型相对应的分区、与每个BI-RADS特征类型相对应的特征图形、标识每个BI-RADS特征类型的文字等。
示例性地，当处理器116确定用户选择雷达图或特征图形中与形状类型或边缘类型相对应的位置时，可以控制显示器118将该超声图像中病灶区域的边界进行突出显示，以呈现超声图像中病灶区域的形状或边界。当处理器116确定用户选择雷达图或特征图形中与边缘类型、内部回声类型或后方回声类型相对应的位置时，可以控制显示器118将该超声图像中的病灶区域进行突出显示，例如将整个病灶区域进行闪烁。当处理器116确定用户选择雷达图或特征图形中与钙化类型相对应的位置时，可以控制显示器118将在该超声图像中提取到的钙化区域进行突出显示，例如将超声图像中的钙化区域进行闪烁。当处理器116确定用户选择雷达图或特征图形中与血流类型相对应的位置时，可以提取与超声图像相对应的彩色血流图像，并控制显示器118将该彩色血流图像叠加显示在该超声图像上。该彩色血流图像可以在获取该超声图像以后，针对超声图像中的感兴趣区域进行血流成像而获得。
显示器118用于显示所述雷达图、所述特征图形和所述BI-RADS分级。例如，参见图9，可以在雷达图周围显示病灶的BI-RADS分级，图9所示的病灶的BI-RADS分级为4b级。雷达图和特征图形可以呈现每个BI-RADS特征类型的BI-RADS评分的量化结果，BI-RADS分级指示病灶整体的良恶性程度。用户可以对二者进行综合分析，以得到更为准确、全面的分析结果。
下面，将参考图10描述根据本发明实施例另一方面的超声图像分析方法。图10是本发明实施例的超声图像分析方法1000的一个示意性流程图。如图10所示，本发明实施例的超声图像分析方法1000包括如下步骤：
步骤S1010，获取通过对被测对象的乳腺区域进行超声扫描得到的超声图像；
步骤S1020，检测所述超声图像中的病灶；
步骤S1030，确定所述病灶在至少七个BI-RADS特征类型下对应的BI-RADS评分；
步骤S1040，基于预训练的BI-RADS分级模型确定所述病灶的BI-RADS分级；
步骤S1050，以所述至少七个BI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，所述分类轴将所述雷达图划分为多个分区，每个所述分类轴或者每个所述分区用于表示一个所述BI-RADS特征类型，至少一个所述分类轴或至少一个所述分区上具有用于表示评分的刻度单位；
在步骤S1060，基于确定的所述BI-RADS特征类型对应的BI-RADS评分在所述雷达图上生成特征图形；
步骤S1070，显示所述雷达图、所述特征图形和所述BI-RADS分级。
本发明实施例的超声图像分析方法1000可以由上述的超声成像系统实现，各个步骤的相关描述可以参照上文的相关描述，在此不做赘述。
根据本发明实施例的超声图像分析方法900和超声成像系统对乳腺病灶每个BI-RADS特征类型下的BI-RADS评分进行量化，并将量化得到的BI-RADS通过雷达图和特征图形进行直观地呈现，同时将病灶的BI-RADS分级与雷达图一同显示，有利于指导和优化对超声图像中的病灶进行的分析。
本申请实施例还提供一种超声成像系统。继续参照图1，该超声成像系统包括超声探头110、发射电路112、接收电路114、处理器116和显示器118，各个部件的相关描述可以参照上文对超声成像系统100的相关描述，以下仅对超声成像系统的主要功能进行描述，而省略以上已经描述过的细节内容。
具体地，发射电路112用于激励该超声探头110向被测对象的乳腺区域发射超声波；接收电路114用于控制该超声探头110接收从该乳腺区域返回的超声回波以获得超声回波信号；处理器116用于：获取通过对被测对象的乳腺区域进行超声扫描得到的超声图像；检测该超声图像中的病灶；确定该病灶在至少七个BI-RADS特征类型下对应的BI-RADS评分；以该至少七个BI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，该分类轴将该雷达图划分为多个分区，每个分类轴或者每个分区用于表示一个BI-RADS特征类型，至少一个该分类轴或至少一个该分区上具有用于表示评分的刻度单位；基于确定的BI-RADS特征类型对应的BI-RADS评分在该雷达图上生成特征图形；显示器118用于显示该雷达图和该特征图形。
本实施例的超声成像系统与上文所述的超声成像系统大体上类似，以下省略了部分相同的细节内容。在本实施例的超声成像系统中，同样是量化病灶每个BI-RADS特征类型的BI-RADS评分，并根据病灶在每个BI-RADS特征类型下的BI-RADS评分在雷达图上绘制特征图形，雷达图和特征图形的具体形式可以参见上文。与上述超声成像系统不同的是，本实施例的超声成像系统不限制确定该病灶的BI-RADS分级，也不限制将BI-RADS分级与雷达图一同显示，只需要通过雷达图呈现病灶在每个BI-RADS特征类型下的BI-RADS评分。
在一个实施例中，病灶的每个BI-RADS特征类型的BI-RADS评分为该病灶由每个BI-RADS特征类型下的BI-RADS病灶特征指示为预设病灶状态的概率。在另一个实施例中，病灶的每个BI-RADS特征类型的BI-RADS评分为每个BI-RADS特征类型下的BI-RADS病灶特征对该BI-RADS分级的贡献度。
下面参照附图11描述根据本申请另一个实施例的超声图像分析方法。图11示出了根据本申请另一个实施例的超声图像分析方法1100的示意性流程图。如图11所示，所述超声图像分析方法1100包括以下步骤：
在步骤S1110，获取通过对被测对象的乳腺区域进行超声扫描得到的超声图像；
在步骤S1120，检测所述超声图像中的病灶；
在步骤S1130，确定所述病灶在至少七个BI-RADS特征类型下对应的BI-RADS评分；
在步骤S1140，以所述至少七个BI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，所述分类轴将所述雷达图划分为多个分区，每个所述分类轴或者每个所述分区用于表示一个所述BI-RADS特征类型，至少一个所述分类轴或至少一个所述分区上具有用于表示评分的刻度单位；
在步骤S1150，基于确定的所述BI-RADS特征类型对应的BI-RADS评分在所述雷达图上生成特征图形；
在步骤S1160，显示所述雷达图和所述特征图形。
根据本申请实施例的超声图像分析方法1100和超声成像系统对乳腺病灶每个BI-RADS特征类型下的BI-RADS评分进行量化，并将量化得到的BI-RADS通过雷达图和特征图形进行直观地呈现，有利于指导和优化对超声图像中的病灶进行的分析。
尽管这里已经参考附图描述了示例实施例，应理解上述示例实施例仅仅是示例性的，并且不意图将本发明的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本发明的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本发明的范围之内。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该本发明的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如相应的权利要求书所反映的那样，其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域的技术人员可以理解，除了特征之间相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些模块的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (45)
1.一种超声成像系统，其特征在于，所述超声成像系统包括：
超声探头；
发射电路，用于激励所述超声探头向被测对象的甲状腺区域发射超声波；
接收电路，用于控制所述超声探头接收从所述甲状腺区域返回的超声回波以获得超声回波信号；
处理器，用于：
获取通过对被测对象的甲状腺区域进行超声扫描得到的超声图像；
检测所述超声图像中的病灶，并识别所述病灶在至少五个TI-RADS特征类型下对应的TI-RADS病灶特征；
确定所述TI-RADS病灶特征对应的TI-RADS评分，并根据所述TI-RADS评分确定所述病灶的TI-RADS分级；
以所述至少五个TI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，所述分类轴将所述雷达图划分为多个分区，每个所述分类轴或者每个所述分区用于表示一个所述TI-RADS特征类型，至少一个所述分类轴或至少一个所述分区上具有用于表示评分的刻度单位；
基于确定的所述TI-RADS病灶特征对应的TI-RADS评分在所述雷达图上生成特征图形；
显示器，用于显示所述雷达图、所述特征图形和所述TI-RADS分级。
2.根据权利要求1所述的超声成像系统，其特征在于，所述TI-RADS特征类型包括形状类型、成分类型、回声类型、钙化类型和边缘类型。
3.根据权利要求1所述的超声成像系统，其特征在于，所述雷达图为圆形雷达图，每个所述分区用于表示一个TI-RADS特征类型，每个所述分区内的所述特征图形的面积表示与所述分区对应的TI-RADS特征类型的所述TI-RADS评分，每个所述分区处标识有与所述分区对应的TI-RADS特征类型。
4.根据权利要求3所述的超声成像系统，其特征在于，所述处理器还用于控制所述显示器将不同所述分区内的所述特征图形显示为不同的颜色或图案。
5.根据权利要求1所述的超声成像系统，其特征在于，所述雷达图为多边形雷达图，每个所述分类轴用于表示一个TI-RADS特征类型，所述特征图形为连接每个所述分类轴上表示与所述分类轴对应的TI-RADS特征类型的所述TI-RADS评分的坐标点所构成的图形，每个所述分类轴处标识有与所述分类轴对应的TI-RADS特征类型。
6.根据权利要求5所述的超声成像系统，其特征在于，所述分类轴上表示TI-RADS评分为0分的坐标原点偏离所述雷达图的中心位置。
7.根据权利要求1所述的超声成像系统，其特征在于，至少一个所述分区具有网格线，所述网格线用于将所述分区划分为至少两个子区间。
8.根据权利要求1所述的超声成像系统，其特征在于，所述分类轴中的第一分类轴包括最大刻度单位、最小刻度单位和预设刻度单位，其中，所述预设刻度单位用于表示所述第一分类轴对应的第一TI-RADS特征类型下各TI-RADS病灶特征能够获得的最大TI-RADS评分；所述处理器还用于：
当所述预设刻度单元小于所述最大刻度单位且大于所述最小刻度单位时，控制所述显示器将所述第一分类轴中所述最大刻度单位和所述预设刻度单位之间的部分与所述最小刻度单位和所述预设刻度单位之间的部分区别化显示。
9.根据权利要求1所述的超声成像系统，其特征在于，所述处理器还用于：控制所述显示器将所述特征图形中对应不同TI-RADS评分的部分显示为不同的颜色。
10.根据权利要求1所述的超声成像系统，其特征在于，所述处理器还用于：根据所述病灶的TI-RADS分级或者根据确定所述雷达图的颜色，和/或根据所述病灶的TI-RADS分级或者根据所述TI-RADS评分的总和确定所述特征图形的颜色。
11.根据权利要求1所述的超声成像系统，其特征在于，所述雷达图还包括底图，所述分类轴自所述底图的中心区域延伸至所述底图的边缘，将所述底图划分为多个所述分区。
12.根据权利要求11所述的超声成像系统，其特征在于，所述底图为圆形或多边形，所述多边形的边数等于TI-RADS特征类型的个数。
13.根据权利要求11所述的超声成像系统，其特征在于，所述处理器还用于：
计算所述特征图形的面积与所述底图的面积的比值，并控制所述显示器显示所述比值。
14.根据权利要求13所述的超声成像系统，其特征在于，所述比值显示在所述雷达图周围，或者，所述比值显示在所述超声图像中的病灶周围。
15.根据权利要求1所述的超声成像系统，其特征在于，所述处理器还用于：控制所述显示器将所述雷达图或所述特征图形与以下至少一个同时显示：
所述超声图像、甲状腺体位图、所述超声图像中的感兴趣区域、在所述超声图像中检测到的病灶的边界、所述被测对象的个人信息。
16.根据权利要求15所述的超声成像系统，其特征在于，所述处理器还用于：
当确定用户选择所述雷达图或所述特征图形中与每个TI-RADS特征类型相对应的位置时，控制所述显示器在超声图像中显示与所述TI-RADS特征类型相呼应的效果。
17.根据权利要求16所述的超声成像系统，其特征在于，所述当确定用户选择所述雷达图或所述特征图形中与每个TI-RADS特征类型相对应的位置时，控制所述显示器在超声图像中显示与所述TI-RADS特征类型相呼应的效果，包括以下至少一种：
当确定用户选择所述雷达图或所述特征图形中与形状类型和/或边缘类型相对应的位置时，控制所述显示器将所述超声图像中病灶区域的边界进行突出显示；
当确定用户选择所述雷达图或所述特征图形中与回声类型和/或成分类型相对应的位置时，控制所述显示器将所述超声图像中的病灶区域进行突出显示；
当确定用户选择所述雷达图或所述特征图形中与钙化类型相对应的位置时，控制所述显示器将在所述超声图像中提取到的钙化区域进行突出显示。
18.根据权利要求1所述的超声成像系统，其特征在于，所述处理器用于识别所述病灶在每个TI-RADS特征类型下的TI-RADS病灶特征包括以下至少一种方式：
所述处理器用于基于多任务神经网络模型进行多个TI-RADS特征类型下的TI-RADS病灶特征的预测，
所述处理器用于基于单任务神经网络模型对单个TI-RADS特征类型下的TI-RADS病灶特征进行预测，
所述处理器用于采用特征提取算法针对单个TI-RADS特征类型进行图像特征提取、并对提取到的图像特征进行分类以得到所述TI-RADS特征类型下的TI-RADS病灶特征。
19.根据权利要求1所述的超声成像系统，其特征在于，所述处理器用于根据所述TI-RADS评分确定所述病灶的TI-RADS分级包括：
所述处理器用于对所述TI-RADS评分进行求和，以得到所述TI-RADS评分的总和；根据所述TI-RADS评分的总和与TI-RADS分级的对应关系确定所述病灶的TI-RADS分级。
20.一种超声成像系统，其特征在于，所述超声成像系统包括：
超声探头；
发射电路，用于激励所述超声探头向被测对象的甲状腺区域发射超声波；
接收电路，用于控制所述超声探头接收从所述甲状腺区域返回的超声回波以获得超声回波信号；
处理器，用于：
获取通过对被测对象的甲状腺区域进行超声扫描得到的超声图像；
检测所述超声图像中的病灶，并识别所述病灶在至少五个TI-RADS特征类型下对应的TI-RADS病灶特征；
确定所述TI-RADS病灶特征对应的TI-RADS评分；
以所述至少五个TI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，所述分类轴将所述雷达图划分为多个分区，每个所述分类轴或者每个所述分区用于表示一个所述TI-RADS特征类型，至少一个所述分类轴或至少一个所述分区上具有用于表示评分的刻度单位；
基于确定的所述TI-RADS病灶特征对应的TI-RADS评分在所述雷达图上生成特征图形；
显示器，用于显示所述雷达图和所述特征图形。
21.根据权利要求20所述的超声成像系统，其特征在于，所述处理器还用于：
控制所述显示器显示全部所述TI-RADS评分的总和。
22.根据权利要求20所述的超声成像系统，其特征在于，所述雷达图还包括底图，所述分类轴自所述底图的中心区域延伸至所述底图的边缘，以将所述底图划分为多个所述分区，所述处理器还用于：
计算所述特征图形的面积与所述底图的面积的比值，并控制所述显示器显示所述比值。
23.一种超声图像分析方法，其特征在于，所述方法包括：
获取通过对被测对象的甲状腺区域进行超声扫描得到的超声图像；
检测所述超声图像中的病灶，并识别所述病灶在至少五个TI-RADS特征类型下对应的TI-RADS病灶特征；
确定所述TI-RADS病灶特征对应的TI-RADS评分，并根据所述TI-RADS评分确定所述病灶的TI-RADS分级；
以所述至少五个TI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，所述分类轴将所述雷达图划分为多个分区，每个所述分类轴或者每个所述分区用于表示一个所述TI-RADS特征类型，至少一个所述分类轴或至少一个所述分区上具有用于表示评分的刻度单位；
基于确定的所述TI-RADS病灶特征对应的TI-RADS评分在所述雷达图上生成特征图形；
显示所述雷达图、所述特征图形和所述TI-RADS分级。
24.一种超声图像分析方法，其特征在于，所述方法包括：
获取通过对被测对象的甲状腺区域进行超声扫描得到的超声图像；
检测所述超声图像中的病灶，并识别所述病灶在至少五个TI-RADS特征类型下对应的TI-RADS病灶特征；
确定所述TI-RADS病灶特征对应的TI-RADS评分；
以所述至少五个TI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，所述分类轴将所述雷达图划分为多个分区，每个所述分类轴或者每个所述分区用于表示一个所述TI-RADS特征类型，至少一个所述分类轴或至少一个所述分区上具有用于表示评分的刻度单位；
基于确定的所述TI-RADS病灶特征对应的TI-RADS评分在所述雷达图上生成特征图形；
显示所述雷达图和所述特征图形。
25.一种超声成像系统，其特征在于，所述超声成像系统包括：
超声探头；
发射电路，用于激励所述超声探头向被测对象的乳腺区域发射超声波；
接收电路，用于控制所述超声探头接收从所述乳腺区域返回的超声回波以获得超声回波信号；
处理器，用于：
获取通过对被测对象的乳腺区域进行超声扫描得到的超声图像；
检测所述超声图像中的病灶；
确定所述病灶在至少七个BI-RADS特征类型下对应的BI-RADS评分；
基于预训练的BI-RADS分级模型确定所述病灶的BI-RADS分级；
以所述至少七个BI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，所述分类轴将所述雷达图划分为多个分区，每个所述分类轴或者每个所述分区用于表示一个所述BI-RADS特征类型，至少一个所述分类轴或至少一个所述分区上具有用于表示评分的刻度单位；
基于确定的所述BI-RADS特征类型对应的BI-RADS评分在所述雷达图上生成特征图形；
显示器，用于显示所述雷达图、所述特征图形和所述BI-RADS分级。
26.根据权利要求25所述的超声成像系统，其特征在于，所述病灶在至少七个BI-RADS特征类型下对应的BI-RADS评分为所述病灶由所述至少七个BI-RADS特征类型下对应的BI-RADS病灶特征指示为预设病灶状态的概率，或者，
所述病灶在至少七个BI-RADS特征类型下对应的BI-RADS评分为所述至少七个BI-RADS特征类型下对应的BI-RADS病灶特征对所述BI-RADS分级的贡献度。
27.根据权利要求26所述的超声成像系统，其特征在于，当所述BI-RADS评分为所述病灶由所述至少七个BI-RADS特征类型对应的BI-RADS病灶特征指示为预设病灶状态的概率时，所述处理器用于确定所述至少七个BI-RADS特征类型中每个BI-RADS特征类型对应的BI-RADS评分包括以下至少一种方式：
所述处理器用于将所述超声图像分别输入到针对每个BI-RADS特征类型的预训练的深度学习模型，由所述深度学习模型的概率预测分支预测每个BI-RADS特征类型下的所述概率，并由所述深度学习模型的特征预测分支预测每个BI-RADS特征类型下的BI-RADS病灶特征；
所述处理器用于基于特征提取算法针对每个BI-RADS特征类型提取所述超声图像的图像特征，基于所述图像特征，采用预训练的概率预测机器学习模型预测每个BI-RADS特征类型下的所述概率，并采用预训练的特征预测机器学习模型预测每个BI-RADS特征类型对应的BI-RADS病灶特征；
所述处理器用于分别利用深度学习模型和特征提取算法提取所述超声图像的图像特征，将所述深度学习模型和所述特征提取算法提取的所述图像特征进行融合，以得到每个BI-RADS特征类型对应的融合图像特征，并基于所述融合图像特征预测所述概率。
28.根据权利要求26所述的超声成像系统，其特征在于，当所述BI-RADS评分为所述至少七个BI-RADS特征类型对应的BI-RADS病灶特征对所述BI-RADS分级的贡献度时，所述处理器用于确定所述病灶的所述至少七个BI-RADS特征类型中每个BI-RADS特征类型对应的BI-RADS评分包括：
所述处理器用于提取所述超声图像在每个BI-RADS特征类型下的图像特征，并将所述每个BI-RADS特征类型下的图像特征整合为高维特征；
基于所述高维特征预测所述BI-RADS分级；
根据所述每个BI-RADS特征类型下的图像特征，利用机器学习模型评估每个BI-RADS特征类型下的BI-RADS病灶特征对所述BI-RADS分级的贡献度。
29.根据权利要求25所述的超声成像系统，其特征在于，所述BI-RADS特征类型包括方向类型、形状类型、边缘类型、内部回声类型、后方回声类型、钙化类型和血流类型。
30.根据权利要求25所述的超声成像系统，其特征在于，所述雷达图为圆形雷达图，每个所述分区用于表示一个BI-RADS特征类型，每个所述分区内的所述特征图形的面积表示与所述分区对应的BI-RADS特征类型的所述BI-RADS评分，每个所述分区处标识有与所述分区对应的BI-RADS特征类型。
31.根据权利要求30所述的超声成像系统，其特征在于，所述处理器还用于控制所述显示器将不同所述分区内的所述特征图形显示为不同的颜色或图案。
32.根据权利要求25所述的超声成像系统，其特征在于，所述雷达图为多边形雷达图，每个所述分类轴用于表示一个BI-RADS特征类型，所述特征图形为连接每个所述分类轴上表示与所述分类轴对应的BI-RADS特征类型的BI-RADS评分的坐标点所构成的图形，每个所述分类轴处标识有与所述分类轴对应的BI-RADS特征类型。
33.根据权利要求25所述的超声成像系统，其特征在于，至少一个所述分区具有网格线，所述网格线用于将所述分区划分为至少两个子区间。
34.根据权利要求25所述的超声成像系统，其特征在于，所述处理器还用于：控制所述显示器将所述特征图形中对应不同BI-RADS评分的部分显示为不同的颜色。
35.根据权利要求25所述的超声成像系统，其特征在于，所述处理器还用于：根据所述病灶的BI-RADS分级确定所述特征图形的颜色，和/或根据所述病灶的BI-RADS分级确定所述雷达图的颜色。
36.根据权利要求25所述的超声成像系统，其特征在于，所述雷达图还包括底图，所述分类轴自所述底图的中心区域延伸至所述底图的边缘，以将所述底图划分为多个所述分区。
37.根据权利要求36所述的超声成像系统，其特征在于，所述底图为圆形或多边形，所述多边形的边数等于BI-RADS特征类型的个数。
38.根据权利要求36所述的超声成像系统，其特征在于，所述病灶的至少七个BI-RADS特征类型对应的BI-RADS评分为所述病灶由所述至少七个BI-RADS特征类型对应的BI-RADS病灶特征指示为预设病灶状态的概率，所述处理器还用于：
计算所述特征图形的面积与所述底图的面积的比值，并控制所述显示器显示所述比值。
39.根据权利要求25所述的超声成像系统，其特征在于，所述处理器还用于：控制所述显示器将所述雷达图或所述特征图形与以下至少一个同时显示：
所述超声图像、乳腺体位图、所述超声图像中的感兴趣区域、在所述超声图像中检测到的病灶的边界、所述被测对象的个人信息。
40.根据权利要求39所述的超声成像系统，其特征在于，所述处理器还用于：
当确定用户选择所述雷达图或所述特征图形中与每个BI-RADS特征类型相对应的位置时，控制所述显示器在超声图像中显示与所述BI-RADS特征类型相呼应的效果。
41.根据权利要求40所述的超声成像系统，其特征在于，所述当确定用户选择所述雷达图或所述特征图形中与每个BI-RADS特征类型相对应的位置时，控制所述显示器在超声图像中显示与所述BI-RADS特征类型相呼应的效果，包括以下至少一种：
当确定用户选择所述雷达图或所述特征图形中与形状类型和/或边缘类型相对应的位置时，控制所述显示器将所述超声图像中病灶区域的边界进行突出显示；
当确定用户选择所述雷达图或所述特征图形中与边缘类型、内部回声类型和/或后方回声类型相对应的位置时，控制所述显示器将所述超声图像中的病灶区域进行突出显示；
当确定用户选择所述雷达图或所述特征图形中与钙化类型相对应的位置时，控制所述显示器将在所述超声图像中提取到的钙化区域进行突出显示；
当确定用户选择所述雷达图或所述特征图形中与血流类型相对应的位置时，提取与所述超声图像相对应的彩色血流图像，并控制所述显示器将所述彩色血流图像叠加显示在所述超声图像上。
42.一种超声图像分析方法，其特征在于，所述方法包括：
获取通过对被测对象的乳腺区域进行超声扫描得到的超声图像；
检测所述超声图像中的病灶；
确定所述病灶在至少七个BI-RADS特征类型下对应的BI-RADS评分；
基于预训练的BI-RADS分级模型确定所述病灶的BI-RADS分级；
以所述至少七个BI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，所述分类轴将所述雷达图划分为多个分区，每个所述分类轴或者每个所述分区用于表示一个所述BI-RADS特征类型，至少一个所述分类轴或至少一个所述分区上具有用于表示评分的刻度单位；
基于确定的所述BI-RADS特征类型对应的BI-RADS评分在所述雷达图上生成特征图形；
显示所述雷达图、所述特征图形和所述BI-RADS分级。
43.一种超声成像系统，其特征在于，所述超声成像系统包括：
超声探头；
发射电路，用于激励所述超声探头向被测对象的乳腺区域发射超声波；
接收电路，用于控制所述超声探头接收从所述乳腺区域返回的超声回波以获得超声回波信号；
处理器，用于：
获取通过对被测对象的乳腺区域进行超声扫描得到的超声图像；
检测所述超声图像中的病灶；
确定所述病灶在至少七个BI-RADS特征类型下对应的BI-RADS评分；
以所述至少七个BI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，所述分类轴将所述雷达图划分为多个分区，每个所述分类轴或者每个所述分区用于表示一个所述BI-RADS特征类型，至少一个所述分类轴或至少一个所述分区上具有用于表示评分的刻度单位；
基于确定的所述BI-RADS特征类型对应的BI-RADS评分在所述雷达图上生成特征图形；
显示器，用于显示所述雷达图和所述特征图形。
44.根据权利要求43所述的超声成像系统，其特征在于，所述病灶的至少七个BI-RADS特征类型对应的BI-RADS评分为所述病灶由所述至少七个BI-RADS特征类型对应的BI-RADS病灶特征指示为预设病灶状态的概率，或者，
所述病灶的至少七个BI-RADS特征类型对应的BI-RADS评分为所述至少七个BI-RADS特征类型对应的BI-RADS病灶特征对所述病灶的BI-RADS分级的贡献度。
45.一种超声图像分析方法，其特征在于，所述方法包括：
获取通过对被测对象的乳腺区域进行超声扫描得到的超声图像；
检测所述超声图像中的病灶；
确定所述病灶在至少七个BI-RADS特征类型下对应的BI-RADS评分；
以所述至少七个BI-RADS特征类型作为雷达图的分类轴生成雷达图；其中，所述分类轴将所述雷达图划分为多个分区，每个所述分类轴或者每个所述分区用于表示一个所述BI-RADS特征类型，至少一个所述分类轴或至少一个所述分区上具有用于表示评分的刻度单位；
基于确定的所述BI-RADS特征类型对应的BI-RADS评分在所述雷达图上生成特征图形；
显示所述雷达图和所述特征图形。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011009386.4A CN114298958A (zh) | 2020-09-23 | 2020-09-23 | 超声成像系统和超声图像分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011009386.4A CN114298958A (zh) | 2020-09-23 | 2020-09-23 | 超声成像系统和超声图像分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114298958A true CN114298958A (zh) | 2022-04-08 |
Family
ID=80964065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011009386.4A Pending CN114298958A (zh) | 2020-09-23 | 2020-09-23 | 超声成像系统和超声图像分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114298958A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115908538A (zh) * | 2022-11-14 | 2023-04-04 | 安图实验仪器(郑州)有限公司 | 基于雷达图面积的疾病预测方法 |
-
2020
- 2020-09-23 CN CN202011009386.4A patent/CN114298958A/zh active Pending
Non-Patent Citations (3)
| Title |
|---|
| KAI LIU等: "Evaluating a Fully Automated Pulmonary Nodule Detection Approach and Its Impact on Radiologist Performance", 《RADIOLOGY: ARTIFICIAL INTELLIGENCE》, vol. 1, no. 3, 29 May 2019 (2019-05-29), pages 1 - 9, XP055605970, DOI: 10.1148/ryai.2019180084 * |
| XUJIEL: "甲状腺结节TI-RADS分级解读", pages 1 - 8, Retrieved from the Internet <URL:https://www.medsci.cn/article/show_article.do?id=65af19114e47> * |
| 末晚自习室: "常见图表规范：雷达图、折线图和面积图", pages 1 - 4, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/205439035> * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115908538A (zh) * | 2022-11-14 | 2023-04-04 | 安图实验仪器(郑州)有限公司 | 基于雷达图面积的疾病预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111768366A (zh) | 超声成像系统、bi-rads分级方法及模型训练方法 | |
| US11051790B2 (en) | System comprising indicator features in high-resolution micro-ultrasound images | |
| US9277902B2 (en) | Method and system for lesion detection in ultrasound images | |
| US7133546B2 (en) | Digital medical image analysis | |
| CN110473186B (zh) | 一种基于医学图像的检测方法、模型训练的方法及装置 | |
| US11375984B2 (en) | Method and system for managing feature reading and scoring in ultrasound and/or optoacoustic images | |
| US10238368B2 (en) | Method and system for lesion detection in ultrasound images | |
| CN112215799A (zh) | 一种磨玻璃肺结节自动分类方法及系统 | |
| WO2022110525A1 (zh) | 一种癌变区域综合检测装置及方法 | |
| CN112842394A (zh) | 一种超声成像系统及超声成像方法、存储介质 | |
| CN103169506A (zh) | 一种自动识别肝癌的超声诊断装置和方法 | |
| WO2020257482A1 (en) | Method and system for managing feature reading and scoring in ultrasound and/or optoacoustice images | |
| CN114298958A (zh) | 超声成像系统和超声图像分析方法 | |
| WO2024093911A1 (zh) | 一种超声成像方法及超声设备 | |
| CN114521914A (zh) | 超声参数测量方法和超声参数测量系统 | |
| CN113693627A (zh) | 基于超声图像的病灶处理方法、超声成像设备、存储介质 | |
| JP5702943B2 (ja) | 病理診断支援装置、病理診断支援方法、病理診断支援のための制御プログラムおよび該制御プログラムを記録した記録媒体 | |
| CN113229850A (zh) | 超声盆底成像方法和超声成像系统 | |
| CN115517709A (zh) | 超声成像方法和超声成像系统 | |
| WO2022134049A1 (zh) | 胎儿颅骨的超声成像方法和超声成像系统 | |
| CN110867241A (zh) | 类似图像显示控制装置、系统及方法、显示控制装置、系统及方法、以及记录介质 | |
| AlZoubi et al. | Explainable DCNN Decision Framework for Breast Lesion Classification from Ultrasound Images Based on Cancer Characteristics | |
| CN113974688B (zh) | 超声成像方法和超声成像系统 | |
| WO2022134028A1 (zh) | 相似病例检索方法、相似病例检索系统和超声成像系统 | |
| CN118557220A (zh) | 超声成像系统及超声图像分析方法 |
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 |