CN114521914A - 超声参数测量方法和超声参数测量系统 - Google Patents
超声参数测量方法和超声参数测量系统 Download PDFInfo
- Publication number
- CN114521914A CN114521914A CN202011322027.4A CN202011322027A CN114521914A CN 114521914 A CN114521914 A CN 114521914A CN 202011322027 A CN202011322027 A CN 202011322027A CN 114521914 A CN114521914 A CN 114521914A
- Authority
- CN
- China
- Prior art keywords
- lung
- ultrasonic
- target
- region
- head
- 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
- 238000000034 method Methods 0.000 title claims abstract description 114
- 210000004072 lung Anatomy 0.000 claims abstract description 248
- 210000003754 fetus Anatomy 0.000 claims abstract description 238
- 238000000691 measurement method Methods 0.000 claims abstract description 33
- 238000005259 measurement Methods 0.000 claims abstract description 29
- 208000020816 lung neoplasm Diseases 0.000 claims abstract description 14
- 208000037841 lung tumor Diseases 0.000 claims abstract description 14
- 210000001103 thalamus Anatomy 0.000 claims abstract description 10
- 238000002604 ultrasonography Methods 0.000 claims description 133
- 210000003128 head Anatomy 0.000 claims description 87
- 230000000542 thalamic effect Effects 0.000 claims description 84
- 206010056342 Pulmonary mass Diseases 0.000 claims description 73
- 230000011218 segmentation Effects 0.000 claims description 56
- 239000000523 sample Substances 0.000 claims description 52
- 230000001605 fetal effect Effects 0.000 claims description 39
- 210000005003 heart tissue Anatomy 0.000 claims description 28
- 230000000747 cardiac effect Effects 0.000 claims description 26
- 210000005240 left ventricle Anatomy 0.000 claims description 16
- 210000005246 left atrium Anatomy 0.000 claims description 14
- 210000005245 right atrium Anatomy 0.000 claims description 14
- 210000005241 right ventricle Anatomy 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 210000004556 brain Anatomy 0.000 claims description 9
- 238000002592 echocardiography Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 210000000709 aorta Anatomy 0.000 claims description 6
- 210000003709 heart valve Anatomy 0.000 claims description 6
- 230000002861 ventricular Effects 0.000 claims description 6
- 210000001159 caudate nucleus Anatomy 0.000 claims description 3
- 210000002987 choroid plexus Anatomy 0.000 claims description 3
- 210000000211 third ventricle Anatomy 0.000 claims description 3
- 210000004276 hyalin Anatomy 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 6
- 206010028980 Neoplasm Diseases 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 37
- 238000010801 machine learning Methods 0.000 description 19
- 238000001514 detection method Methods 0.000 description 13
- 238000013135 deep learning Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 9
- 238000003709 image segmentation Methods 0.000 description 9
- 238000012706 support-vector machine Methods 0.000 description 9
- 210000001519 tissue Anatomy 0.000 description 9
- 230000003993 interaction Effects 0.000 description 8
- 238000005295 random walk Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 241000270295 Serpentes Species 0.000 description 5
- 210000003484 anatomy Anatomy 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000012285 ultrasound imaging Methods 0.000 description 5
- 206010030113 Oedema Diseases 0.000 description 4
- 210000005013 brain tissue Anatomy 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000002685 pulmonary effect Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010012713 Diaphragmatic hernia Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 201000005890 congenital diaphragmatic hernia Diseases 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010058314 Dysplasia Diseases 0.000 description 1
- 241000233870 Pneumocystis Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 210000002458 fetal heart Anatomy 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 201000000317 pneumocystosis Diseases 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000036266 weeks of gestation Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0866—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving foetal diagnosis; pre-natal or peri-natal diagnosis of the baby
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0883—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the heart
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
- A61B8/461—Displaying means of special interest
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Veterinary Medicine (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Cardiology (AREA)
- Gynecology & Obstetrics (AREA)
- Pregnancy & Childbirth (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
一种超声参数测量方法和超声参数测量系统，基于获取的目标胎儿的心脏舒张末期四腔心标准切面和丘脑水平标准横切面，分别确定左肺区域和/或右肺区域面积，以及头围长，从而确定肺头比；在肺部存在肿块的情况下，基于获取的目标胎儿的肺部肿块区域和丘脑水平标准横切面，分别确定肺部肿块区域体积和头围长，从而确定肺头比；这两种测量方法在整个测量过程中包括了全自动和半自动的方式，相对于现有技术中用户手动进行测量，提高了工作效率和测量准确性。
Description
技术领域
本申请涉及超声测量技术领域，更具体地涉及一种超声参数测量方法和超声参数测量系统。
背景技术
超声检查由于其安全、方便、无辐射、廉价等优势，在临床检查上具有广泛的应用，成为医生进行疾病诊断的主要辅助手段之一。在超声众多的检查项目中，胎儿肺头比的检查是一项重要的检查项目，通过测量肺头比有助于筛查胎儿是否存在隔离肺、肺囊腺瘤样以及肺膈疝等疾病，对胎儿生长发育状况的评估至关重要。
对于胎儿肺头比的计算需要首先定位出胎儿的心脏舒张末期四腔心切面和丘脑切面，然后基于对应切面测量肺部面积和头围，若肺部存在肿块，则还需要测量肺部肿块得体积，而手工描记出肺部(或者肿块)和颅脑，不仅需要一定得临床经验知识，而且十分耗时，影响医生的工作效率，而且评估不准确。
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。
一个实施例中，提供了一种超声参数测量方法，包括：
获取目标胎儿的心脏舒张末期四腔心标准切面，所述心脏舒张末期四腔心标准切面包括右肺区域和/或左肺区域；
所述处理器在所述心脏舒张末期四腔心标准切面上确定右肺区域和/或左肺区域；
所述处理器基于所述右肺区域和/或左肺区域，确定所述右肺区域的面积和/或左肺区域的面积；
获取所述目标胎儿的丘脑水平标准横切面；
所述处理器在所述丘脑水平标准横切面上确定头围区域；
所述处理器基于所述头围区域，确定头围长；
基于所述右肺区域的面积和/或左肺区域的面积、以及所述头围长，确定所述目标胎儿的肺头比。
一个实施例中，还包括：
当所述目标胎儿的肺头比异常时，显示所述目标胎儿的肺头比，和/或输出提示信息。
一个实施例中，还包括：
显示所述目标胎儿的肺头比，和/或输出提示信息。
一个实施例中，所述显示所述目标胎儿的肺头比，包括以下至少之一：
通过文字形式显示所述目标胎儿的肺头比，通过数字形式显示所述胎儿的肺头比，和在肺头比标准分布图上显示所述胎儿的肺头比。
一个实施例中，所述输出提示信息，包括以下至少之一：
通过文字形式输出所述胎儿肺头比提示信息；
通过输出所述胎儿肺头比与临床标准参考比的比较结果作为提示信息；和
通过在肺头比标准分布图上直观显示所述胎儿肺头比与所述临床标准参考比，以此作为提示信息。
一个实施例中，所述获取目标胎儿的心脏舒张末期四腔心标准切面，包括：
控制发射/接收电路激励超声探头向目标胎儿的心脏组织发射超声波，并接收所述超声波的回波，以获得至少一个心动周期内的超声回波信号，所述心脏组织包括右肺和/或左肺，所述至少一个心动周期包括心脏舒张末期；
基于所述超声回波信号获取所述目标胎儿的心脏组织在所述至少一个心动周期内的二维超声图像；
基于所述二维超声图像确定所述目标胎儿的心脏舒张末期四腔心标准切面。
一个实施例中，所述获取目标胎儿的心脏舒张末期四腔心标准切面，包括：
控制发射/接收电路激励超声探头向目标胎儿的心脏组织发射超声波，并接收所述超声波的回波，以获得至少一个心动周期内的超声回波信号，所述心脏组织包括右肺和/或左肺，所述至少一个心动周期包括心脏舒张末期；
基于所述超声回波信号获取所述目标胎儿的心脏组织在所述至少一个心动周期内的三维超声图像；
基于所述三维超声图像确定所述目标胎儿的心脏舒张末期四腔心标准切面。
一个实施例中，所述获取目标胎儿的心脏舒张末期四腔心标准切面，包括：
所述处理器获取目标胎儿的心脏舒张末期四腔心标准切面；或者
接收用户将第一指定切面图像确认为目标胎儿的心脏舒张末期四腔心标准切面的指令，确认所述第一指定切面图像为所述心脏舒张末期四腔心标准切面。
一个实施例中，所述所述处理器获取目标胎儿的心脏舒张末期四腔心标准切面，包括：
所述处理器获取至少一个心动周期内目标胎儿的第一超声图像，所述第一超声图像包括心脏组织区域；
从所述第一超声图像中提取心脏舒张末期的多个第一候选切面，采用第一学习模型判断所述多个第一侯选切面作为心脏舒张末期四腔心标准切面的概率，并将概率满足第一阈值或者概率最大的所述第一候选切面确定为目标胎儿的心脏舒张末期四腔心标准切面；
从所述第一超声图像中确定包含第一目标特征结构区域的第二候选切面，所述第二候选切面中第一目标特征结构区域满足第一预设要求的目标切面确定为目标胎儿的心脏舒张末期四腔心标准切面，其中所述第一目标特征结构包括左心室、右心室、左心房、右心房、心脏瓣膜、瓣膜交叉点、主动脉和脊柱。
一个实施例中，所述第一预设要求包括：所述左心室区域、右心室区域、左心房区域和右心房区域在所述第二候选切面上的面积和满足第二阈值；或者
所述左心室区域、右心室区域、左心房区域和右心房区域在所述第二候选切面上的面积和为最大值。
一个实施例中，所述在所述心脏舒张末期四腔心标准切面上确定右肺区域和/或左肺区域，包括：
所述处理器在所述心脏舒张末期四腔心标准切面上对右肺区域和/或左肺区域进行分割，以得到所述右肺区域和/或左肺区域的边界。
一个实施例中，所述获取所述目标胎儿的丘脑水平标准横切面，包括：
控制发射/接收电路激励超声探头向目标胎儿的脑部组织发射超声波，并接收所述超声波的回波，以获得超声回波信号；
基于所述超声回波信号获取所述目标胎儿的脑部组织的至少两帧二维超声图像；
基于所述至少两帧二维超声图像确定所述目标胎儿的丘脑水平标准横切面。
一个实施例中，所述获取所述目标胎儿的丘脑水平标准横切面，包括：
控制发射/接收电路激励超声探头向目标胎儿的脑部组织发射超声波，并接收所述超声波的回波，以获得超声回波信号；
基于所述超声回波信号获取所述目标胎儿的脑部组织的三维超声图像；
基于所述三维超声图像确定所述目标胎儿的丘脑水平标准横切面。
一个实施例中，所述获取所述目标胎儿的丘脑水平标准横切面，包括：
处理器获取目标胎儿的丘脑水平标准横切面；或者
接收用户对第二指定切面帧确认的指令，确定所述第二指定切面帧为目标胎儿的丘脑水平标准横切面。
一个实施例中，所述处理器获取目标胎儿的丘脑水平标准横切面，包括：
处理器获取所述目标胎儿的第二超声图像，所述超声图像包括头部区域；
从所述第二超声图像中提取多个第三候选切面，采用第二学习模型判断所述多个第二侯选切面作为丘脑水平标准横切面的概率，并将概率满足第三阈值的所述第二候选切面确定为目标胎儿的丘脑水平标准横切面；或者
处理器从所述第二超声图像中确定包含第二目标特征结构区域的第四候选切面，所述第四候选切面中第二目标特征结构区域满足第二预设要求的目标切面确定为目标胎儿的丘脑水平标准横切面，其中，所述第二目标特征结构包括第三脑室、丘脑、透明隔腔、侧脑室后角、脉络丛、大脑外侧裂、尾状核、侧脑室前角、脑中线。
一个实施例中，所述第二预设要求包括：
所述第二目标特征结构区域中至少两个目标特征结构区域在所述第四候选切面上的位置关系满足所述至少两个目标特征结构预设的相对位置关系。
一个实施例中，所述在所述丘脑水平标准横切面上确定头围区域，包括：
处理器在所述丘脑水平标准横切面上对头围区域进行分割，以得到所述头围区域的边界。
一个实施例中，提供了一种超声参数测量方法，包括：
获取目标胎儿的肺部超声图像，所述肺部超声图像包括肺部肿块区域；
基于所述肺部超声图像，确定所述肺部肿块区域的体积；
获取所述目标胎儿的丘脑水平标准横切面；
所述处理器在所述丘脑水平标准横切面上确定头围区域；
所述处理器基于所述头围区域确定所述头围长；
基于所述肺部的肿块区域的体积，以及所述头围长，确定所述目标胎儿的肺头比。
一个实施例中，还包括：
显示所述目标胎儿的肺头比，和/或输出提示信息。
一个实施例中，所述基于所述肺部超声图像确定所述肺部肿块区域的体积，包括：
从肺部超声图像中获取相互垂直的第三切面图像和第四切面图像，其中所述第三切面图像包含的肺部肿块区域满足第三预设要求，所述第四切面图像包含的肺部肿块区域满足第四预设要求；
在所述第三切面图像和第四切面图像上确定用于计算所述肺部肿块区域体积的相关参数；
基于所述相关参数，确定所述肺部肿块区域的体积。
一个实施例中，所述肺部超声图像为肺部三维超声图像，所述基于所述肺部超声图像确定所述肺部肿块区域的体积，包括：
在所述肺部三维超声图像上确定所述肺部肿块区域；
基于所述肺部肿块区域，确定所述肺部肿块区域的体积。
一个实施例中，所述在所述肺部三维超声图像上确定所述肺部肿块区域，包括：
处理器在所述肺部三维超声图像上对所述肺部肿块区域进行分割，以得到所述肺部肿块区域的边界；或者
接收用户对所述肺部三维超声图像上肺部肿块区域边界确定的指令，以得到所述肺部肿块区域的边界。
一个实施例中，所述处理器在所述肺部三维超声图像上对所述肺部肿块区域进行分割，以得到所述肺部肿块区域的边界，包括：
在所述肺部三维超声图像的多个二维切面图像中对所述肺部肿块区域进行分割；
综合多个所述二维切面图像上所述肺部肿块区域的分割结果，以得到所述肺部肿块区域在所述肺部三维超声图像中的边界。
一个实施例中，所述肺部三维超声图像的多个二维切面图像为所述肺部三维超声图像中的所有二维切面图像，或者，
所述肺部三维超声图像的多个二维切面为对所述肺部三维超声图像中以预设规则进行采以得到的采样图像，所述综合多个所述二维切面上的所述肺部肿块区域的边界包括：对所述采样图像的分割结果进行三维插值，以得到所述肺部肿块区域在所述肺部三维超声图像中的边界。
一个实施例中，所述处理器在所述肺部三维超声图像上自动对所述肺部肿块区域进行分割，以得到所述肺部肿块区域的边界，包括：
对所述肺部三维超声图像进行三维分割，以得到所述肺部肿块区域在所述肺部三维超声图像中的边界。
一个实施例中，提供了一种超声参数测量方法，其特征在于，所述方法包括：
获取目标胎儿的心脏舒张末期四腔心标准切面，所述心脏舒张末期四腔心标准切面包括右肺区域和/或左肺区域；
在所述心脏舒张末期四腔心标准切面上确定右肺区域和/或左肺区域；
基于所述右肺区域和/或左肺区域，确定所述右肺区域的面积和/或左肺区域的面积；
获取所述目标胎儿的丘脑水平标准横切面；
在所述丘脑水平标准横切面上确定头围区域；
基于所述头围区域，确定头围长；
基于所述右肺区域的面积和/或左肺区域的面积、以及所述头围长，确定所述目标胎儿的肺头比。
一个实施例中，还包括：
当所述目标胎儿的肺头比异常时，显示所述目标胎儿的肺头比，和/或输出提示信息。
一个实施例中，还包括：
显示所述目标胎儿的肺头比，和/或输出提示信息。
一个实施例中，所述显示所述目标胎儿的肺头比，包括：
通过文字形式显示所述目标胎儿的肺头比；或者通过数字形式显示所述胎儿的肺头比；或者在肺头比标准分布图上显示所述胎儿的肺头比。
一个实施例中，所述输出提示信息，包括：
通过文字形式输出所述胎儿肺头比提示信息；或者输出所述胎儿肺头比与临床标准参考比的比较结果作为提示信息；或者通过在肺头比标准分布图上直观显示所述胎儿肺头比与所述临床标准参考比，以此作为提示信息。
一个实施中，提供了一种超声参数测量方法，所述方法包括：
获取目标胎儿的肺部超声图像，所述肺部超声图像包括肺部肿块区域；
基于所述肺部超声图像，确定所述肺部肿块区域的体积；
获取所述目标胎儿的丘脑水平标准横切面；
在所述丘脑水平标准横切面上确定头围区域；
基于所述头围区域确定头围长；
基于所述肺部的肿块区域的体积，以及所述头围长，确定所述目标胎儿的肺头比。
一个实施例中，还包括：
显示所述目标胎儿的肺头比，和/或输出提示信息。
一个实施例中，提供了一种超声参数测量系统，包括：
超声探头；
发射电路，用于激励所述超声探头向目标胎儿的心脏组织发射第一超声波，和用于激励所述超声探头向目标胎儿的头部发射第二超声波；
接收电路，用于激励所述超声探头接收所述第一超声波的回波，以获得第一超声回波信号，和用于激励所述超声探头接收所述第二超声波的回波，以获得第二超声回波信号；
处理器，用于执行如上述实施例中的任一项所述的超声参数测量方法。
一个实施例中，提供了一种超声参数测量系统，包括：
超声探头；
发射电路，用于激励所述超声探头向目标胎儿的心脏组织发射第三超声波，和用于激励所述超声探头向目标胎儿的头部发射第四超声波；
接收电路，用于激励所述超声探头接收所述第三超声波的回波，以获得第三超声回波信号，和用于激励所述超声探头接收所述第四超声波的回波，以获得第四超声回波信号；
处理器，用于执行如上述实施例中的任一项所述的超声参数测量方法。
根据本申请实施例的超声参数测量方法和超声参数测量系统，提供了两种测胎儿肺头比的方法，一种是基于获取的目标胎儿的心脏舒张末期四腔心标准切面和丘脑水平标准横切面确定肺部区域面积和头围长，从而计算肺头比；一种是基于获取的目标胎儿的肺部肿块区域和丘脑水平标准横切面确定肺部肿块区域体积和头围长，从而确定肺头比。两种方式均包括了半自动和全自动的方式，相对于现有技术中用户手动进行测量，提高了工作效率和测量准确性。
附图说明
为了更清楚地说明本申请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示出根据本申请实施例的超声参数测量系统的示意性框图；
图2示出根据本发明一实施例的超声参数测量方法的示意性流程图；
图3示出根据本发明另一实施例的超声参数测量方法的示意图；
图4示出根据本发明另一实施例的超声参数测量方法的示意图；
图5示出根据本发明另一实施例的超声参数测量方法的示意图；
图6示出根据本发明另一实施例的超声参数测量方法的示意性流程图；
图7示出根据本发明另一实施例的超声参数测量方法的示意图；
图8示出根据本发明另一实施例的超声参数测量方法的示意图；
图9示出根据本发明另一实施例的超声参数测量方法的示意图；
图10示出根据本发明另一实施例的超声参数测量方法的示意性流程图；
图11示出根据本发明另一实施例的超声参数测量方法的示意性流程图；
具体实施方式
为了使得本申请的目的、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申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请中描述的本申请实施例，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申请的保护范围之内。
在下文的描述中，给出了大量具体的细节以便提供对本申请更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本申请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，为了避免与本申请发生混淆，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，本申请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，并且将本申请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申请的限制。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。
为了彻底理解本申请，将在下列的描述中提出详细的结构，以便阐释本申请提出的技术方案。本申请的可选实施例详细描述如下，然而除了这些详细描述外，本申请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参数测量系统，图1示出了根据本申请实施例的超声参数测量系统100的示意性结构框图。
如图1所示，超声参数测量系统100包括超声探头110、发射/接收电路112、处理器114以及显示器116。进一步地，超声成像系统100还可以包括波束合成电路和发射/接收选择开关等。
超声探头110通常包括多个阵元的阵列。在每次发射超声波时，超声探头110的所有阵元或者部分阵元参与超声波的发射。此时，这些参与超声波发射的阵元中的每个阵元或者每部分阵元分别受到发射脉冲的激励并分别发射超声波，这些阵元分别发射的超声波在传播过程中发生叠加，形成被发射到目标胎儿的目标组织所在区域的合成超声波束。
发射/接收电路112可以通过发射/接收选择开关与超声探头110连接。发射/接收选择开关也可以被称为发送/接收控制器，其可以包括发送控制器和接收控制器，发送控制器用于激励超声探头110经由发射电路向目标胎儿的目标组织所在区域发射超声波；接收控制器用于通过超声探头110经由接收电路接收从目标胎儿的目标组织所在区域返回的超声回波，从而获得超声回波数据。之后，发射/接收电路112将超声回波的电信号送入波束合成电路，波束合成电路对该电信号进行聚焦延时、加权和通道求和等处理，然后将处理后的超声回波数据送入处理器114。
可选地，处理器114可以通过软件、硬件、固件或其任意组合来实现，可以使用电路、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，从而使得处理器114可以执行本说明书中的各个实施例中的方法的相应步骤。并且，处理器114可以控制所述超声成像系统100中的其它组件以执行期望的功能。
处理器114对其接收到的超声回波数据进行处理，得到目标胎儿的目标组织的三维超声数据。作为示例，超声探头110在一系列扫描平面内发射/接收超声波，由处理器114根据其三维空间关系进行整合，实现目标胎儿的目标组织在三维空间的扫描以及三维图像的重建。最后，由处理器114对其进行去噪、平滑、增强等部分或全部图像后处理步骤后，获取目标胎儿的目标组织三维超声数据。处理器114可以获取目标胎儿心脏组织的三维超声数据，也可以获取目标胎儿头部的三维超声数据。处理器114还用于从三维超声数据中提取目标胎儿的标准切面。处理器114得到的标准切面可以存储于存储器中或在显示器116上显示。处理器114可以从目标组织的三维超声数据中提取感兴趣区域。处理器114可以从获取的标准切面上进行相关参数的测量。并且，处理器114还可以对测量结果在显示器116上显示。
显示器116与处理器114连接，显示器116可以为触摸显示屏、液晶显示屏等；或者显示器116可以为独立于超声成像系统100之外的液晶显示器、电视机等独立显示设备；或者显示器116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116的数量可以为一个或多个。例如，显示器116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116可以显示处理器114得到的超声图像。此外，显示器116在显示超声图像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。
可选地，超声成像系统100还可以包括显示器116之外的其他人机交互装置，其与处理器114连接，例如，处理器114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，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所示的超声参数测量系统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。本申请对此不限定。
下面，将参考图2描述根据本申请实施例的目标胎儿的超声参数测量方法。图2是本申请实施例的目标胎儿的超声参数测量方法200的一个示意性流程图，该方法应用于超声参数测量系统100，超声参数测量方法实施例包括：
步骤21，获取目标胎儿的心脏舒张末期四腔心标准切面，所述心脏舒张末期四腔心标准切面包括右肺区域和/或左肺区域。
心脏舒张末期属于心动周期的一部分，临床上心脏舒张末期一般指的是左心室舒张末期，四腔心指的是左心室，右心室，左心房，右心房这四个区域，四腔心标准切面指的是同时包括左心室、右心室、左心房、右心房、心脏瓣膜、瓣膜交叉点、主动脉和脊柱特征结构的二维切面。所以心脏舒张末期四腔心标准切面指的是处于左心室舒张末期，且同时包括左心室、右心室、左心房、右心房、心脏瓣膜、瓣膜交叉点、主动脉和脊柱特征结构的切面。
由于肺部里面充满的是气泡，在超声图像上肺部图像特征不明显，但因为人身体肺部组织紧邻四腔心区域，所以临床上一般是通过获取四腔心的标准切面来获取肺部组织的图像，在四腔心标准切面上获取的肺部区域的面积也是比较准确的。
肺部区域包括右肺区域和左肺区域，通常心脏舒张末期四腔心标准切面或者包括左肺区域；或者包括右肺区域，参考图3所示；或者左肺区域和右肺区域都包括。
获取目标胎儿的心脏舒张末期四腔心标准切面，可以基于二维图像获取，也可以基于三维图像获取。
一个实施例中，控制发射/接收电路激励超声探头向目标胎儿的心脏组织发射超声波，并接收所述超声波的回波，以获得至少一个心动周期内的超声回波信号，所述心脏组织包括右肺和/或左肺，所述至少一个心动周期包括心脏舒张末期；
基于所述超声回波信号获取所述目标胎儿的心脏组织在所述至少一个心动周期内的二维超声图像；
基于所述二维超声图像确定所述目标胎儿的心脏舒张末期四腔心标准切面。
一个实施例中，控制发射/接收电路激励超声探头向目标胎儿的心脏组织发射超声波，并接收所述超声波的回波，以获得至少一个心动周期内的超声回波信号，所述心脏组织包括右肺和/或左肺，所述至少一个心动周期包括心脏舒张末期；
基于所述超声回波信号获取所述目标胎儿的心脏组织在所述至少一个心动周期内的三维超声图像；
基于所述三维超声图像确定所述目标胎儿的心脏舒张末期四腔心标准切面。
在上述实施例的基础上，用户可以手动获取目标胎儿的心脏舒张末期四腔心标准切面，或者处理器自动获取目标胎儿的心脏舒张末期四腔心标准切面。
一个实施例中，处理器接收用户将第一指定切面图像确认为目标胎儿的心脏舒张末期四腔心标准切面的指令，确认所述第一指定切面图像为所述心脏舒张末期四腔心标准切面。
处理器也可以自动获取目标胎儿的心脏舒张末期四腔心标准切面。一个实施例中，处理器获取至少一个心动周期目标胎儿的第一超声图像，第一超声图像包括心脏组织区域，其中第一超声图像可以是二维超声图像，或者也可以是三维超声图像。
基于获取的第一超声图像，处理器通过整体图像识别的方法确定心脏舒张末期四腔心标准切面，或者处理器通过检测目标特征结构确定心脏舒张末期四腔心标准切面。
处理器通过整体图像识别的方法确定心脏舒张末期四腔心标准切面，从第一超声图像中手动或自动提取心脏舒张末期的多个第一候选切面，将多个第一候选切面输入至已经训练好的第一学习模型中，处理器基于第一学习模型直接提取多个第一候选切面的中每个候选切面的图像特征，并基于第一学习模型对每个第一候选切面整体的标准程度进行评分或分类实现，判断多个第一候选切面作为心脏舒张末期四腔心标准切面的概率，并将概率满足第一阈值或概率最大的第一候选切面确定为目标胎儿的心脏舒张末期四腔心标准切面。
其中第一学习模型可以通过传统的机器学习方法训练。首先建立数据库，需要获取大量切面样本数据，并且切面样本数据对应标定了属于四腔心标准切面的概率；将待测切面输入到第一学习模型中，第一学习模型提取待测切面的图像特征，如局部的上下文信息、纹理信息、Harr特征等，在经过与之关联的分类器，如支持向量机、Adaboost、随机森林等，从而确定待测切面属于四腔心标准切面的概率。
或者，第一学习模型基于深度学习方法训练获得。该方法与上述采用传统机器学习方法建立第一学习模型类似，涉及的具体算法会有差别。该方法通过神经网络架构实现，属于分类网络器，其主要结构为卷积层、激活层、池化层和全连接层的堆叠，通过浅层的卷积层对图像进行相关特征的提取，再在全连接层对提取到的特征进行线性组合，最后输出待测切面为四腔心标准切面的概率。
多个候选第一切面通过第一学习模型输出每个候选第一切面为心脏舒张末期四腔心标准切面的概率，并将概率满足第一阈值或者概率最大的第一候选切面确定为目标胎儿的心脏舒张末期四腔心标准切面。
一个实施例中，第一阈值可以为医生自己根据需求输入，或者机器自动设定；或者将多个第一候选切面中概率最大的第一候选切面确定为目标胎儿的心脏舒张末期四腔心标准切面。
一个实施例中，处理器通过检测目标特征结构来确定心脏舒张末期四腔心标准切面。从第一超声图像中确定包含第一目标特征结构区域的第二候选切面，所述第二候选切面中第一目标特征结构区域满足第一预设要求的目标切面确定为目标胎儿的心脏舒张末期四腔心标准切面，其中目标特征结构包含左心室、右心室、左心房、右心房、心脏瓣膜、瓣膜交叉点、主动脉和脊柱。
第二候选切面中同时包括左心室区域、右心室区域、左心房区域、右心房区域、心脏瓣膜区域、瓣膜交叉点区域、主动脉区域和脊柱区域，再从第二候选切面中选取左心室区域、右心室区域、左心房区域、右心房区域的面积满足一定条件的切面作为目标胎儿的心脏舒张末期四腔心标准切面。
一个实施例中，第一预设要求为左心室区域、右心室区域、左心房区域和右心房区域在所述第二候选切面上的面积和满足第二阈值，其中第二阈值可以为医生自己根据需求输入，或者机器自动设定；
一个实施例中，第一预设要求为左心室区域、右心室区域、左心房区域和右心房区域在所述第二候选切面上的面积和为最大值。
处理器通过检测目标特征结构从第二候选切面中确定心脏舒张末期四腔心标准切面，其中检测目标特征结构可以采用目标检测法，或者可以采用目标分割法。
目标检测法主要有两种，一个是基于传统机器学习的目标检测方法，具
体地说，该方法主要分为以下三个步骤：1)首先通过移动滑动窗进行区域选择，其中滑动窗口需要设置不同的尺度，不同的长宽比；2)然后基于区域内的图像块提取相关特征，其中相关特征如Harr特征，HOG特征等；3)最后将提取的特征送入分类器中进行分类检测相关解剖结构，其中分类器如SVM，Adaboost等；另一个是基于深度学习的目标检测方法，该方法主要分为两种，一种是候选区域+深度学习分类的目标检测方法，该方法主要是通过提取候选区域，然后对相应区域进行深度学习为主的分类方案，如R-CNN(SelectiveSearch+CNN+SVM)，SPP-Net(ROI Pooling)，Fast R-CNN(Selective Search+CNN+ROI)，Faster R-CNN(RPN+CNN+ROI)，R-FCN等；另外一种是基于深度学习的回归方法，其主要步骤是首先将图像切分为S＊S个网格，然后让每个网格负责检测物体中心落在这个网格上的物体，最后网络输出这个物体的位置坐标和该物体所属类别的概率，其中位置坐标如中心点坐标以及长宽等，相关的算法如YOLO系列(YOLO V1,YOLO V2,YOLO V3)，SSD,DenseBox等算法。
目标分割法主要有两种，一种是传统的图像分割算法，该算法不需要大
量的数据，其主要步骤是：1)首先利用图像分割算法对目标即胎儿心脏区域进行分割，传统的分割算法有基于水平集(Level Set)分割算法，随机游走(Random Walker)，图割(Graph Cut)，Snake等；2)基于得到的心脏分割结果确定心脏舒张末期四腔心标准切面。
另一种是基于机器学习的图像分割算法，其主要步骤为：1)数据库的准
备步骤：该算法需要大量的数据及其对应的数据标定结果，分割算法需要的标定为四腔心切面上关键的解剖结构。2)关键解剖结构的分割。3)基于关键解剖结构分割结果定位出四腔心标准切面。
机器学习的图像分割算法主要有两种，一种是基于传统机器学习的语义
分割算法，常见的步骤为将待测图像分为很多个图像块，然后对图像块进行特征的提取，其中特征的提取方式有传统的PCA、LDA、Harr特征、纹理特征等，也可以使用深度神经网络，如Overfeat网络来进行特征的提取，然后对提取的特征使用级联的分类器，如KNN、SVM、随机森林等判别器进行分类，从而确定当前图像块是否为胎儿四腔心关键解剖结构，将该分类结果作为当前图像块的中心点得分割结果，最后得到整个图像的分割结果。另一种是端到端的语义分割算法，其结构类似于基于深度学习的定位算法，但是其不同之处在于将全连接层使用上采样或者反卷积层来代替，从而得到一个和输入图像尺寸一致的输出图像，该输出图像直接分割出目标区域即心脏四腔心的结构，该方法是一个监督学习，常见的网络有FCN、U-Net、Mask R-CNN等。基于得到的分割结果，确定心脏舒张末期四腔心标准切面。
步骤22，处理器在所述心脏舒张末期四腔心标准切面上确定右肺区域和/或左肺区域。
一个实施例中，处理器在所述心脏舒张末期四腔心标准切面上确定右肺区域，或者处理器在所述心脏舒张末期四腔心标准切面上确定左肺区域，或者处理器在所述心脏舒张末期四腔心标准切面上确定右肺区域和左肺区域。
一个实施例中，处理器在所述心脏舒张末期四腔心标准切面上对右肺区域和/或左肺区域进行分割，以得到右肺区域和/或左肺区域的边界。
其中处理器可以采用传统的分割方法进行分割，或者也可以采用机器学习方法进行分割。
传统的分割方法有基于水平集(Level Set)分割算法，随机游走(Random Walk)，图割(Graph Cut)，Snake等。
也可通过机器学习的方法通过学习数据库中的胎儿肺部区域的特征来对胎儿的肺部区域进行分割。其主要步骤为：1)构建数据库，数据库中应包含了大量的数据集及其对应的标记结果，标记信息是对目标进行精确分割的边界信息。2)分割步骤，分割算法主要有两种，一种是基于传统机器学习的分割算法，一种是基于深度学习的分割算法，具体如下：
基于传统机器学习的语义分割算法，常见的步骤为将待测图像分为很多个图像块，然后对图像块进行特征的提取，其中特征的提取方式有传统的PCA、LDA、Harr特征、纹理特征等，也可以使用深度神经网络，如Overfeat网络来进行特征的提取；然后对提取的特征使用级联的分类器，其中分类器如KNN、SVM、随机森林等判别器，从而确定当前图像块是否为胎儿肺部区域，将该分类结果作为当前图像块的中心点得分割结果，最后得到整个图像的分割结果。
基于深度学习的端到端语义分割算法，其结构就是通过卷积层、池化层、上采样或者反卷积层等的堆叠，从而得到一个和输入图像尺寸一致的输出图像，该输出图像直接分割出胎儿肺部区域，该方法是一个监督学习，所以输入的监督信息是目标区域的边界信息，数据准备比较耗时，常见的网络有FCN、U-Net、Mask R-CNN等。
步骤23，所述处理器基于所述右肺区域和/左肺区域，确定所述右肺区域的面积和/或左肺区域的面积。
处理器基于上述分割获得的心脏舒张末期四腔心标准切面上的右肺区域和/或左肺区域的边界，参考图3所示，确定右肺区域的面积，或者确定左肺区域的面积，或者确定基于右肺区域的面积和左肺区域确定的能够表征右肺区域和左肺区域平均值的面积，例如将右肺区域和左肺区域进行相加然后求其平均面积，或者通过右肺区域面积与左肺区域面积分别与各自的权重相乘，然后取其平均面积。
步骤24，获取所述目标胎儿的丘脑水平标准横切面。
用户手动获取目标胎儿的丘脑水平标准横切面，或者处理器自动获取目标胎儿的丘脑水平标准横切面，参考图4所示。
获取目标胎儿的丘脑水平标准横切面，可以基于二维图像获取，也可以基于三维图像获取。
一个实施例中，控制发射/接收电路激励超声探头向目标胎儿的头部发射超声波，并接收所述超声波的回波，以获得超声回波信号；
基于所述超声回波信号获取所述目标胎儿的头部的至少两帧二维超声图像；
基于所述至少两帧二维超声图像确定所述目标胎儿的丘脑水平标准横切面。
一个实施例中，控制发射/接收电路激励超声探头向目标胎儿的头部发射超声波，并接收所述超声波的回波，以获得超声回波信号；
基于所述超声回波信号获取所述目标胎儿的头部的三维超声图像；
基于所述三维超声图像确定所述目标胎儿的丘脑水平标准横切面。
在上述实施例的基础上，不管是基于获取的二维图像还是三维图像，可以自动或手动确认丘脑水平标准切面。
一个实施例中，接收用户对第二指定切面帧确认的指令，确定所述第二制定切面帧为丘脑水平标准横切面；或者处理器自动获取目标胎儿的丘脑水平标准横切面。
一个实施例中，处理器获取目标胎儿的第二超声图像，第二超声图像包括头部区域，其中第二超声图像可以是二维超声图像，或者也可以是三维超声图像。
基于获取的第二超声图像，处理器通过整体图像识别的方法确定目标胎儿的丘脑水平标准横切面，从所述第二超声图像中自动或手动提取多个第三候选切面，采用第二学习模型判断所述多个第二侯选切面作为丘脑水平标准横切面的概率，并将概率满足第三阈值的所述第二候选切面确定为目标胎儿的丘脑水平标准横切面。其中第二学习模型训练方法如前述第一学习模型的训练方法，在此不再赘述。
多个候选第三切面通过第三学习模型输出每个候选第三切面为目标胎儿的丘脑水平标准横切面的概率，并将概率满足第三阈值或者概率最大的第三候选切面确定为目标胎儿的丘脑水平标准横切面。其中，第三阈值可以为医生自己根据需求输入，或者机器自动设定。
一个实施例中，基于获取的第二超声图像，处理器通过检测目标特征结构确定目标胎儿的丘脑水平标准横切面。处理器从所述第二超声图像中确定包含第二目标特征结构区域的第四候选切面，所述第四候选切面中第二目标特征结构区域满足第二预设要求的目标切面确定为目标胎儿的丘脑水平标准横切面，其中，所述第二目标特征结构包括第三脑室、丘脑、透明隔腔、侧脑室后角、脉络丛、大脑外侧裂、尾状核、侧脑室前角、脑中线。
一个实施例中，第二预设要求包括所述第二目标特征结构区域中至少两个目标特征结构区域在所述第四候选切面上的位置关系满足所述至少两个目标特征结构预设的相对位置关系。例如，在人体结构中丘脑结构居于脑中线呈对称结构，即丘脑结构居于脑中线呈对称结构为丘脑结构和脑中线这两个目标特征结构预设的相对位置，通过检测丘脑结构是否局域脑中线两侧对称来确定目标胎儿的丘脑水平标准横切面；再例如，透明隔腔居于脑中线前三分之一，同样道理，也可将其视为透明隔腔和脑中线的预设的相对位置，从而判断目标胎儿的丘脑水平标准横切面。
处理器通过检测第二目标特征结构从第四候选切面中确定目标胎儿的丘脑水平标准横切面，其中检测第二目标特征结构可以采用目标检测法，或者可以采用目标分割法，如前述所述处理器通过检测第一目标检测结构从第二候选切面中确定丘脑水平标准横切面相同，在此不再赘述。
步骤25，所述处理器在所述丘脑水平标准横切面上确定头围区域。
一个实施例中，处理器在上述获得的丘脑水平标准横切面上确定头围区域。其中处理器可以通过分割法在丘脑水平标准横切面上对头围区域进行分割，以得到头围区域的边界，参考图4所示。
其中处理器可以采用传统的分割方法对丘脑水平标准横切面上的头围区域进行分割，或者也可以采用机器学习方法进行分割。
传统的分割方法有基于水平集(Level Set)分割算法，随机游走(Random Walk)，图割(Graph Cut)，Snake等，或者是目标拟合算法有Hough变换、Randon变换、RANSAC等。
处理器通过机器学习方法在丘脑水平标准横切面上对头围区域进行分割，如前述处理器通过机器学习方法在心脏舒张末期四腔心标准切面上左肺和/或右肺区域进行分割方法相同，在此不再赘述。
步骤26，处理器基于所述头围区域，确定头围长。
处理器基于上述获得的头围区域的边界信息，自动确定头围长。
步骤27，基于所述右肺区域的面积和/或左肺区域的面积、以及所述头围长，确定所述目标胎儿的肺头比。
基于所述右肺区域的面积和/或左肺区域的面积、以及所述头围长，处理器可以自动确定所述目标胎儿的肺头比，或者用户可以手动确定目标胎儿的肺头比。
步骤28，显示所述目标胎儿的肺头比，和/或输出提示信息。
显示器显示目标胎儿的肺头比，和/或输出提示信息。其中显示器可以仅显示目标胎儿的肺头比，或者显示器可以仅显示提示信息，或者显示同时显示目标胎儿的肺头比和提示信息。
基于目标胎儿左肺和/或右肺区域、以及头围区域计算的肺头比(简称为LHR)，LHR可以采用文字形式显示；或者可以采用数字形式显示所述胎儿的肺头比；或者在肺头比标准分布图上显示所述胎儿的肺头比；或者以上上述方式的任意组合。
LHR可以用来评估胎儿肺发育不良的严重程度及评估胎儿出生后发生呼吸障碍的危险程度，主要用于胎儿肺膈疝的筛查，所以也可以根据LHR的值输出提示信息，以给到医生更为直观的参考信息。例如，在妊娠24-26周时，若LHR大于1.4则提示预后良好；LHR小于1.4，则提示有38％的存活率；若LHR小于1.0则提示预后较差；而若小于0.6则提示病死率达到100％等。
其中，LHR的提示信息可以通过文字形式输出所述胎儿肺头比提示信息，或者通过输出所述胎儿肺头比与临床标准参考比的比较结果作为提示信息，或者通过在肺头比标准分布图上直观显示所述胎儿肺头比与所述临床标准参考比，以此作为提示信息，或者上述方式的任意组合，参考图5所示。
一个实施例中，当所述目标胎儿的肺头比异常时，显示所述目标胎儿的肺头比，和/或输出提示信息。在目标胎儿的肺头比异常时，显示目标胎儿的肺头比，和/或输出提示信息；而在肺头比正常时，可显示目标胎儿的肺头比，和/或输出提示信息，也可以不显示这些信息。在临床上如果一旦判断肺头比有异常，需要给出医生提示信息，对于肺头比正常的情况，则可以给出医生提示信息。
一个实施例中，提供了一种超声参数测量方法，其流程参考图10所示，包括：
步骤41，获取目标胎儿的心脏舒张末期四腔心标准切面，所述心脏舒张末期四腔心标准切面包括右肺区域和/或左肺区域。
步骤42，在所述心脏舒张末期四腔心标准切面上确定右肺区域和/或左肺区域。
步骤43，基于所述右肺区域和/或左肺区域，确定所述右肺区域的面积和/或左肺区域的面积。
步骤44，获取所述目标胎儿的丘脑水平标准横切面。
步骤45，在所述丘脑水平标准横切面上确定头围区域。
步骤46，基于所述头围区域，确定头围长。
步骤47，基于所述右肺区域的面积和/或左肺区域的面积、以及所述头围长，确定所述目标胎儿的肺头比。
在上述实施例的基础上，还包括：
步骤48，显示所述目标胎儿的肺头比，和/或输出提示信息。
一个实施例中，当所述目标胎儿的肺头比异常时，显示所述目标胎儿的肺头比，和/或输出提示信息。
一个实施例中，通过文字形式显示所述目标胎儿的肺头比；或者通过数字形式显示所述胎儿的肺头比；或者在肺头比标准分布图上显示所述胎儿的肺头比。
一个实施例中，通过文字形式输出所述胎儿肺头比提示信息；或者输出所述胎儿肺头比与临床标准参考比的比较结果作为提示信息；或者通过在肺头比标准分布图上直观显示所述胎儿肺头比与所述临床标准参考比，以此作为提示信息。
本实施例提供了一种超声参数测量的方法和系统，基于获取的目标胎儿的心脏舒张末期的四腔心标准切面和丘脑水平标准横切面，分别确定肺部区域面积头围长，从而确定肺头比，在整个测量过程中包括了全自动和半自动的方式，相对于现有技术中用户手动进行测量，提高了工作效率和测量准确性。
以下实施例将会介绍另外一种计算肺头比的方法，基于肺部肿块区域的体积和头围长得到肺头比，与前一种计算方法不同，本实施例中的计算方法适用于肺部有肿块的情况。
一个实施例中，提供可一种超声参数测量系统，超声参数测量系统包括超声探头、发射/接收电路、处理器以及显示器。可参考前述所述超声测量系统100，在此不再赘述。
下面，将参考图6描述根据本申请实施例的目标胎儿的超声参数测量方法。图6是本申请实施例的胎儿的超声参数测量方法300的一个示意性流程图，该方法应用于上述超声参数测量系统，超声参数测量方法实施例包括：
步骤31，获取目标胎儿的肺部超声图像，所述肺部超声图像包括肺部肿块区域。
所述肺部超声图像可以为肺部二维超声图像，其中肺部二维超声图像可以包括从不同的切面方向获取的肺部二维超声图像；或者肺部超声图像也可以为肺部三维超声图像。
步骤32，基于所述肺部超声图像确定所述肺部肿块区域的体积。
基于所述肺部超声图像，用户可以手动确定肺部肿块区域的体积，或者处理器基于肺部超声图像自动确定肺部肿块区域的体积。
一个实施例中，在上述实施例的基础上，基于获取的肺部三维超声图像或者多个切面方向获取的肺部二维超声图像，手动或自动获取相互垂直的第三切面图像和第四切面图像，参考图7、8所示，其中所述第三切面图像包含的肺部肿块区域满足第三预设要求，第四切面图像包含的肺部肿块区域满足第四预设要求，在所述第三切面图像和第四切面图像上确定用于计算所述肺部肿块区域体积的相关参数，基于所述相关参数，确定肺部肿块区域的体积。
基于获取的肺部三维超声图像上选取一个方向，或者基于获取的多个切面方向获取的肺部二维超声图像中选取一个方向，以此方向确定为第三切面方向。在平行于第三切面图像的方向获取多个切面图像，这多个切面图像上可能都会有肺部肿块区域，手动或自动从中选取肺部肿块区域面积最大的切面图像，或者选取肺部肿块区域面积满足预设阈值要求的切面图像，而预设阈值可以用户自定义，也可以机器设定。将选取满足要求的切面图像即为第三切面图像，其中第三预设要求包括肺部肿块区域最大或者肺部肿块区域面积满足预设阈值。
基于获取的第三切面图像确定长径和宽径。将第三切面图像的长度最大的径长确定为第三切面图像的长径；基于确定的第三切面图像的最长径，确定与长径垂直的宽径，其中长径与所述确定的宽径不是严格意义上的垂直，例如可以在第三切面图像上与长径成85°到95°的范围内选取最长的宽径，这样选取的宽径能够满足临床上的要求。处理器将第三切面图像的长径和宽径确定为肿块区域的长径和宽径。
基于第三切面图像上确定的长径和宽径，确定经过第三切面图像的长径或宽径，且与第三切面图像垂直的两个切面图像，在所述两个切面图像中满足第四预设要求的切面图像确定为第四切面图像，其中第四预设要求为与第三切面图像垂直的径长较长的切面图像。处理器将所述较长的径长确定为肿块的高。
基于相互垂直的第三切面图像和第四切面图像确定肿块区域的长径、宽径和高，结合临床经验公式(长*宽*高)*0.523，可以确定肺部肿块区域的体积。其中第三切面图像和第四切面图像并不代表顺序，而仅是为区分不同的切面图像。
一个实施例中，肺部超声图像为肺部三维超声图像，基于肺部三维超声图像确定肺部肿块区域，从而确定肺部肿块区域的体积。
其中处理器在肺部三维超声图像上对肺部肿块区域进行分割，以得到所述肺部肿块区域的边界；或者接收用户对肺部三维超声图像上肺部肿块区域边界确定的指令，以得到肺部肿块区域的边界。
处理器在肺部三维超声图像上自动分割肺部肿块区域。大体分为两种方法，一种是二维图像分割法，即将肺部三维超声图像切分为多个二维切面，从多个二维切面中分割出肺部肿块区域，综合多个二维切面中肺部肿块区域的分割结构，以得到所述肺部肿块区域在所述肺部三维超声图像中的边界。
其中肺部三维超声图像的多个二维切面图像为所述肺部三维超声图像中的所有二维切面图像；或者所述肺部三维超声图像的多个二维切面为对所述肺部三维超声图像中以预设规则进行采以得到的采样图像，例如间隔预设距离平行切取，对所述采样图像的分割结果进行三维插值，以得到所述肺部肿块区域在所述肺部三维超声图像中的边界。
二维图像分割法主要有两种方式，一种是传统的分割算法，不需要通过大量数据进行建模；一种是基于机器学习的图像分割法，需要大量数据建立学习模型。
传统的图像分割传统的图像分割算法是通过目标检测方法(如点检测、线检测)检测肿块区域，从而对该区域进行分割，常用的分割算法有基于水平集(Level Set)分割算法，随机游走(Random Walk)，图割(Graph Cut)，Snake等。
基于机器学习的方法通过学习数据库中的肺部肿块的特点来对肿块区域进行分割。其主要步骤为：1)构建数据库，数据库中应包含了大量的数据集及其对应的标记结果，标记信息是对目标进行了精确分割的边界信息。2)分割步骤，分割算法主要有两种，一种是基于传统机器学习的分割算法，一种是基于深度学习的分割算法，具体如下：
基于传统机器学习的语义分割算法，常见的步骤为将图像分为很多个图像块，然后对图像块进行特征的提取，特征的提取方式有传统的PCA、LDA、Harr特征、纹理特征等，也可以使用深度神经网络，如Overfeat网络等来进行特征的提取，然后对提取的特征使用级联的分类器进行分类，其中分类器如KNN、SVM、随机森林等判别器，从而确定当前图像块是否为肺部肿块区域，将该分类结果作为当前图像块的中心点标记结果，最后得到整个图像的分割结果。
基于深度学习的端到端的语义分割算法，其结构就是通过卷积层、池化层、上采样或者反卷积层等的堆叠，从而得到一个和输入图像尺寸一致的输出图像，该输出图像直接分割出需要的肺部肿块区域，该方法是一个监督学习，所以输入的监督信息是目标区域的)边界信息，数据准备比较耗时，常见的二维网络有FCN、U-Net、Mask R-CNN等。
另一种是三维图像分割法，即将肺部三维超声图像直接进行三维分割，从而确定肺部肿块区域在肺部三维超声图像中肺部肿块区域的边界。
基于三维肿块数据的分割可以通过目标检测方法(如点检测、线检测)
检测肿块区域，从而对该区域进行分割，该方法不需要大量的标记数据，常用的分割算法有基于水平集(Level Set)分割算法，随机游走(Random Walk)，图割(Graph Cut)，Snake，三维大律法，聚类，马尔可夫随机场等。
也可以利用机器学习方法通过学习数据库中肺部肿块的特征来对肿块区域进行分割。其主要步骤为：1)构建数据库，数据库中应包含了大量的数据集及其对应的标记结果，标记信息是对目标进行了精确分割的边界信息)。2)分割步骤，分割算法主要有两种，一种是基于传统机器学习的分割算法，一种是基于深度学习的分割算法，具体如下：
基于传统机器学习的语义分割算法，常见的步骤为将待测图像分为很多个图像块，然后对图像块进行特征的提取(如基于sobel算子的边缘检测提取三维数据边缘特征、梯度，纹理特征等，或者是利用神经网络，如Medicalnet，进行特征的提取)，然后对提取的特征使用级联的分类器进行分类，其中分类器如如KNN、SVM、随机森林等判别器，从而确定当前图像块是否为肺部肿块区域，将该分类结果作为当前图像块的中心点标记结果，最后得到整个图像的分割结果。
基于深度学习的端到端语义分割算法，其结构就是通过三维下的卷积层、池化层、上采样或者反卷积层等的堆叠，从而得到一个和输入图像尺寸一致的输出图像，该输出图像直接分割出需要的肺部肿块区域，该方法是一个监督学习，所以输入的监督信息是目标区域的边界信息，数据准备比较耗时，常见三维分割网络有3D U-Net、3D FCN、Medical-Net等。
在上述实施例的基础上，基于获取的肺部肿块区域的边界信息，确定肺部肿块区域的体积。
步骤33，获取所述目标胎儿的丘脑水平标准横切面。
一个实施例中，获取目标胎儿的丘脑水平标准横切面，可以基于二维图像获取，也可以基于三维图像获取。
在上述实施例的基础上，用户手动获取目标胎儿的丘脑水平标准横切面，或者处理器自动获取目标胎儿的丘脑水平标准横切面。
其中处理器通过整体图像识别的方法确定目标胎儿的丘脑水平标准横切面，或者处理器通过检测目标特征结构确定目标胎儿的丘脑水平标准横切面，如前文所述，在此不再赘述。
步骤34，所述处理器在所述丘脑水平标准横切面上确定头围区域。
处理自动在丘脑水平横切面上确定头围区域。其中，处理器可以通过传统的分割法或机器学习分割法对丘脑水平标准横切面上的头围区域进行分割，如前所述，在此不再赘述。
步骤35，所述处理器基于所述头围区域，确定头围长。
基于上述实施例获取的头围区域，处理器自动确定头围长。
步骤36，基于所述肺部的肿块区域的体积，以及所述头围长，确定所述目标胎儿的肺头比。
基于肺部的肿块区域的体积，以及头围长，可以通过手动方式或自动方式确定目标胎儿的肺头比。
步骤37，显示所述目标胎儿的肺头比，和/或输出提示信息。
显示器显示目标胎儿的肺头比，和/或输出提示信息。其中显示器可以仅显示目标胎儿的肺头比，或者显示器可以仅显示提示信息，或者显示同时显示目标胎儿的肺头比和提示信息。
基于目标胎儿肺部肿块区域、以及头围区域计算的肺头比(简称为CVR)，CVR可以采用文字形式提示；或者可以采用数字形式显示所述胎儿的肺头比；或者在肺头比标准分布图上显示所述胎儿的肺头比；或者以上上述方式的任意组合。
CVR指标主要与胎儿水肿及出生后呼吸系统症状相关，该指标适用于隔离肺以及胎儿肺囊腺瘤样病变(Congenital Cystic Adenomatoid Malformation，CCAM)的筛查，所以也可以根据CVR的值输出提示信息，以给到医生更为直观的参考信息。例如，对于CVR大于1.6的隔离肺和CCAM胎儿，并不是全部都会出现水肿，其水肿风险增加，胎儿死亡率增大，因此当胎儿的肺头比CVR大于1.6可提示胎儿水肿和出生后呼吸系统症状风险增大。
其中，CVR的提示信息可以通过文字形式输出所述胎儿肺头比提示信息，或者通过输出所述胎儿肺头比与临床标准参考比的比较结果作为提示信息，或者通过在肺头比标准分布图上直观显示所述胎儿肺头比与所述临床标准参考比，以此作为提示信息，或者上述方式的任意组合，参考图9所示。
一个实施例中，当所述目标胎儿的肺头比异常时，显示所述目标胎儿的肺头比，和/或输出提示信息。在目标胎儿的肺头比异常时，显示目标胎儿的肺头比，和/或输出提示信息；而在肺头比正常时，可显示目标胎儿的肺头比，和/或输出提示信息，也可以不显示这些信息。在临床上如果一旦判断肺头比有异常，需要给出医生提示信息，对于肺头比正常的情况，则可以给出医生提示信息也可以出。
一个实施例中，提供了一种超声参数测量方法，参考流程图11所示，包括：
步骤51，获取目标胎儿的肺部超声图像，所述肺部超声图像包括肺部肿块区域。
步骤52，基于所述肺部超声图像，确定所述肺部肿块区域的体积。
步骤53，获取所述目标胎儿的丘脑水平标准横切面；
步骤54，在所述丘脑水平标准横切面上确定头围区域；
步骤55，基于所述头围区域确定头围长；
步骤56，基于所述肺部的肿块区域的体积，以及所述头围长，确定所述目标胎儿的肺头比。
在上述实施例的基础上，还包括：
步骤57，显示所述目标胎儿的肺头比，和/或输出提示信息。
本实施例提供了一种超声参数测量的方法和系统，基于获取的目标胎儿的肺部肿块区域和丘脑水平标准横切面，分别确定肺部肿块区域体积和头围长，从而确定肺头比，在整个测量过程中包括了全自动和半自动的方式，相对于现有技术中用户手动进行测量，提高了工作效率和测量准确性。
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，并且不意图将本申请的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改，而不偏离本申请的范围和精神。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申请的范围之内。
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申请的范围。
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，本申请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，为了精简本申请并帮助理解各个发明方面中的一个或多个，在对本申请的示例性实施例的描述中，本申请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，并不应将该本申请的方法解释成反映如下意图：即所要求保护的本申请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申请的单独实施例。
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申请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。
本申请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)来实现根据本申请实施例的一些模块的一些或者全部功能。本申请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)。这样的实现本申请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申请进行说明而不是对本申请进行限制，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。本申请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。
以上所述，仅为本申请的具体实施方式或对具体实施方式的说明，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。本申请的保护范围应以权利要求的保护范围为准。
Claims (36)
1.一种超声参数测量方法，其特征在于，所述方法包括：
获取目标胎儿的心脏舒张末期四腔心标准切面，所述心脏舒张末期四腔心标准切面包括右肺区域和/或左肺区域；
处理器在所述心脏舒张末期四腔心标准切面上确定右肺区域和/或左肺区域；
所述处理器基于所述右肺区域和/或左肺区域，确定所述右肺区域的面积和/或左肺区域的面积；
获取所述目标胎儿的丘脑水平标准横切面；
所述处理器在所述丘脑水平标准横切面上确定头围区域；
所述处理器基于所述头围区域，确定头围长；
基于所述右肺区域的面积和/或左肺区域的面积、以及所述头围长，确定所述目标胎儿的肺头比。
2.根据权利要求1所述的方法，其特征在于，还包括：
当所述目标胎儿的肺头比异常时，显示所述目标胎儿的肺头比，和/或输出提示信息。
3.根据权利要求1所述的方法，其特征在于，还包括：
显示所述目标胎儿的肺头比，和/或输出提示信息。
4.根据权利要求2或3所述的方法，其特征在于，所述显示所述目标胎儿的肺头比，包括以下至少之一：
通过文字形式显示所述目标胎儿的肺头比，通过数字形式显示所述胎儿的肺头比，和在肺头比标准分布图上显示所述胎儿的肺头比。
5.根据权利要求2或3所述的方法，其特征在于，所述输出提示信息，包括以下至少之一：
通过文字形式输出所述胎儿肺头比提示信息；
通过输出所述胎儿肺头比与临床标准参考比的比较结果作为提示信息；和
通过在肺头比标准分布图上直观显示所述胎儿肺头比与所述临床标准参考比，以此作为提示信息。
6.根据权利要求1所述的方法，其特征在于，所述获取目标胎儿的心脏舒张末期四腔心标准切面，包括：
控制发射/接收电路激励超声探头向目标胎儿的心脏组织发射超声波，并接收所述超声波的回波，以获得至少一个心动周期内的超声回波信号，所述心脏组织包括右肺和/或左肺，所述至少一个心动周期包括心脏舒张末期；
基于所述超声回波信号获取所述目标胎儿的心脏组织在所述至少一个心动周期内的二维超声图像；
基于所述二维超声图像确定所述目标胎儿的心脏舒张末期四腔心标准切面。
7.根据权利要求1所述的方法，其特征在于，所述获取目标胎儿的心脏舒张末期四腔心标准切面，包括：
控制发射/接收电路激励超声探头向目标胎儿的心脏组织发射超声波，并接收所述超声波的回波，以获得至少一个心动周期内的超声回波信号，所述心脏组织包括右肺和/或左肺，所述至少一个心动周期包括心脏舒张末期；
基于所述超声回波信号获取所述目标胎儿的心脏组织在所述至少一个心动周期内的三维超声图像；
基于所述三维超声图像确定所述目标胎儿的心脏舒张末期四腔心标准切面。
8.根据权利要求1所述的方法，其特征在于，所述获取目标胎儿的心脏舒张末期四腔心标准切面，包括：
所述处理器获取目标胎儿的心脏舒张末期四腔心标准切面；或者
接收用户将第一指定切面图像确认为目标胎儿的心脏舒张末期四腔心标准切面的指令，确认所述第一指定切面图像为所述心脏舒张末期四腔心标准切面。
9.根据权利要求8所述的方法，其特征在于，所述所述处理器获取目标胎儿的心脏舒张末期四腔心标准切面，包括：
所述处理器获取至少一个心动周期内目标胎儿的第一超声图像，所述第一超声图像包括心脏组织区域；
从所述第一超声图像中提取心脏舒张末期的多个第一候选切面，采用第一学习模型判断所述多个第一侯选切面作为心脏舒张末期四腔心标准切面的概率，并将概率满足第一阈值或者概率最大的所述第一候选切面确定为目标胎儿的心脏舒张末期四腔心标准切面；
从所述第一超声图像中确定包含第一目标特征结构区域的第二候选切面，所述第二候选切面中第一目标特征结构区域满足第一预设要求的目标切面确定为目标胎儿的心脏舒张末期四腔心标准切面，其中所述第一目标特征结构包括左心室、右心室、左心房、右心房、心脏瓣膜、瓣膜交叉点、主动脉和脊柱。
10.根据权利要求9所述的方法，其特征在于，所述第一预设要求包括：所述左心室区域、右心室区域、左心房区域和右心房区域在所述第二候选切面上的面积和满足第二阈值；或者
所述左心室区域、右心室区域、左心房区域和右心房区域在所述第二候选切面上的面积和为最大值。
11.根据权利要求1所述的方法，其特征在于，所述在所述心脏舒张末期四腔心标准切面上确定右肺区域和/或左肺区域，包括：
所述处理器在所述心脏舒张末期四腔心标准切面上对右肺区域和/或左肺区域进行分割，以得到所述右肺区域和/或左肺区域的边界。
12.根据权利要求1所述的方法，其特征在于，所述获取所述目标胎儿的丘脑水平标准横切面，包括：
控制发射/接收电路激励超声探头向目标胎儿的头部发射超声波，并接收所述超声波的回波，以获得超声回波信号；
基于所述超声回波信号获取所述目标胎儿的头部的至少两帧二维超声图像；
基于所述至少两帧二维超声图像确定所述目标胎儿的丘脑水平标准横切面。
13.根据权利要求1所述的方法，其特征在于，所述获取所述目标胎儿的丘脑水平标准横切面，包括：
控制发射/接收电路激励超声探头向目标胎儿的头部发射超声波，并接收所述超声波的回波，以获得超声回波信号；
基于所述超声回波信号获取所述目标胎儿的头部的三维超声图像；
基于所述三维超声图像确定所述目标胎儿的丘脑水平标准横切面。
14.根据权利要求1所述的方法，其特征在于，所述获取所述目标胎儿的丘脑水平标准横切面，包括：
处理器获取目标胎儿的丘脑水平标准横切面；或者
接收用户对第二指定切面帧确认的指令，确定所述第二指定切面帧为目标胎儿的丘脑水平标准横切面。
15.根据权利要求14所述的方法，其特征在于，所述处理器获取目标胎儿的丘脑水平标准横切面，包括：
处理器获取所述目标胎儿的第二超声图像，所述超声图像包括头部区域；
从所述第二超声图像中提取多个第三候选切面，采用第二学习模型判断所述多个第二侯选切面作为丘脑水平标准横切面的概率，并将概率满足第三阈值的所述第二候选切面确定为目标胎儿的丘脑水平标准横切面；或者
处理器从所述第二超声图像中确定包含第二目标特征结构区域的第四候选切面，所述第四候选切面中第二目标特征结构区域满足第二预设要求的目标切面确定为目标胎儿的丘脑水平标准横切面，其中，所述第二目标特征结构包括第三脑室、丘脑、透明隔腔、侧脑室后角、脉络丛、大脑外侧裂、尾状核、侧脑室前角、脑中线。
16.根据权利要求15所述的方法，其特征在于，所述第二预设要求包括：
所述第二目标特征结构区域中至少两个目标特征结构区域在所述第四候选切面上的位置关系满足所述至少两个目标特征结构预设的相对位置关系。
17.根据权利要求1所述的方法，其特征在于，所述在所述丘脑水平标准横切面上确定头围区域，包括：
处理器在所述丘脑水平标准横切面上对头围区域进行分割，以得到所述头围区域的边界。
18.一种超声参数测量方法，其特征在于，所述方法包括：
获取目标胎儿的肺部超声图像，所述肺部超声图像包括肺部肿块区域；
基于所述肺部超声图像，确定所述肺部肿块区域的体积；
获取所述目标胎儿的丘脑水平标准横切面；
所述处理器在所述丘脑水平标准横切面上确定头围区域；
所述处理器基于所述头围区域，确定头围长；
基于所述肺部的肿块区域的体积，以及所述头围长，确定所述目标胎儿的肺头比。
19.根据权利要求18所述的方法，其特征在于，还包括：
显示所述目标胎儿的肺头比，和/或输出提示信息。
20.根据权利要求18所述的方法，其特征在于，所述基于所述肺部超声图像确定，所述肺部肿块区域的体积，包括：
从所述肺部超声图像中获取相互垂直的第三切面图像和第四切面图像，其中所述第三切面图像包含的肺部肿块区域满足第三预设要求，所述第四切面图像包含的肺部肿块区域满足第四预设要求；
在所述第三切面图像和第四切面图像上确定用于计算所述肺部肿块区域体积的相关参数；
基于所述相关参数，确定所述肺部肿块区域的体积。
21.根据权利要求18所述的方法，其特征在于，所述肺部超声图像为肺部三维超声图像，所述基于所述肺部超声图像确定所述肺部肿块区域的体积，包括：
在所述肺部三维超声图像上确定所述肺部肿块区域；
基于所述肺部肿块区域，确定所述肺部肿块区域的体积。
22.根据权利要求21所述的方法，其特征在于，所述在所述肺部三维超声图像上确定所述肺部肿块区域，包括：
处理器在所述肺部三维超声图像上对所述肺部肿块区域进行分割，以得到所述肺部肿块区域的边界；或者
接收用户对所述肺部三维超声图像上肺部肿块区域边界确定的指令，以得到所述肺部肿块区域的边界。
23.根据权利要求22所述的方法，其特征在于，所述处理器在所述肺部三维超声图像上对所述肺部肿块区域进行分割，以得到所述肺部肿块区域的边界，包括：
处理器在所述肺部三维超声图像的多个二维切面图像中对所述肺部肿块区域进行分割；
综合多个所述二维切面图像上所述肺部肿块区域的分割结果，以得到所述肺部肿块区域在所述肺部三维超声图像中的边界。
24.根据权利要求23所述的方法，其特征在于，所述肺部三维超声图像的多个二维切面图像为所述肺部三维超声图像中的所有二维切面图像，或者，
所述肺部三维超声图像的多个二维切面为对所述肺部三维超声图像中以预设规则进行采以得到的采样图像，所述综合多个所述二维切面上的所述肺部肿块区域的边界包括：对所述采样图像的分割结果进行三维插值，以得到所述肺部肿块区域在所述肺部三维超声图像中的边界。
25.根据权利要求22所述的方法，其特征在于，所述处理器在所述肺部三维超声图像上对所述肺部肿块区域进行分割，以得到所述肺部肿块区域的边界，包括：
所述处理器对所述肺部三维超声图像进行三维分割，以得到所述肺部肿块区域在所述肺部三维超声图像中的边界。
26.一种超声参数测量方法，其特征在于，所述方法包括：
获取目标胎儿的心脏舒张末期四腔心标准切面，所述心脏舒张末期四腔心标准切面包括右肺区域和/或左肺区域；
在所述心脏舒张末期四腔心标准切面上确定右肺区域和/或左肺区域；
基于所述右肺区域和/或左肺区域，确定所述右肺区域的面积和/或左肺区域的面积；
获取所述目标胎儿的丘脑水平标准横切面；
在所述丘脑水平标准横切面上确定头围区域；
基于所述头围区域，确定头围长；
基于所述右肺区域的面积和/或左肺区域的面积、以及所述头围长，确定所述目标胎儿的肺头比。
27.根据权利要求26所述的方法，其特征在于，还包括：
当所述目标胎儿的肺头比异常时，显示所述目标胎儿的肺头比，和/或输出提示信息。
28.根据权利要求26所述的方法，其特征在于，还包括：
显示所述目标胎儿的肺头比，和/或输出提示信息。
29.根据权利要求27或28所述的方法，其特征在于，所述显示所述目标胎儿的肺头比，包括：
通过文字形式显示所述目标胎儿的肺头比；或者通过数字形式显示所述胎儿的肺头比；或者在肺头比标准分布图上显示所述胎儿的肺头比。
30.根据权利要求27或28所述的方法，其特征在于，所述输出提示信息，包括：
通过文字形式输出所述胎儿肺头比提示信息；或者输出所述胎儿肺头比与临床标准参考比的比较结果作为提示信息；或者通过在肺头比标准分布图上直观显示所述胎儿肺头比与所述临床标准参考比，以此作为提示信息。
31.一种超声参数测量方法，其特征在于，所述方法包括：
获取目标胎儿的肺部超声图像，所述肺部超声图像包括肺部肿块区域；
基于所述肺部超声图像，确定所述肺部肿块区域的体积；
获取所述目标胎儿的丘脑水平标准横切面；
在所述丘脑水平标准横切面上确定头围区域；
基于所述头围区域确定头围长；
基于所述肺部的肿块区域的体积，以及所述头围长，确定所述目标胎儿的肺头比。
32.根据权利要求31所述的方法，其特征在于，还包括：
显示所述目标胎儿的肺头比，和/或输出提示信息。
33.一种超声参数测量系统，其特征在于，包括：
超声探头；
发射电路，用于激励所述超声探头向目标胎儿的心脏组织发射第一超声波，和用于激励所述超声探头向目标胎儿的头部发射第二超声波；
接收电路，用于激励所述超声探头接收所述第一超声波的回波，以获得第一超声回波信号，和用于激励所述超声探头接收所述第二超声波的回波，以获得第二超声回波信号；
处理器，用于执行如权利要求1-17中的任一项所述的超声参数测量方法。
34.一种超声参数测量系统，其特征在于，包括：
超声探头；
发射电路，用于激励所述超声探头向目标胎儿的心脏组织发射第三超声波，和用于激励所述超声探头向目标胎儿的头部发射第四超声波；
接收电路，用于激励所述超声探头接收所述第三超声波的回波，以获得第三超声回波信号，和用于激励所述超声探头接收所述第四超声波的回波，以获得第四超声回波信号；
处理器，用于执行如权利要求18-25中的任一项所述的超声参数测量方法。
35.一种超声参数测量系统，其特征在于，包括：
超声探头；
发射电路，用于激励所述超声探头向目标胎儿的心脏组织发射第一超声波，和用于激励所述超声探头向目标胎儿的头部发射第二超声波；
接收电路，用于激励所述超声探头接收所述第一超声波的回波，以获得第一超声回波信号，和用于激励所述超声探头接收所述第二超声波的回波，以获得第二超声回波信号；
处理器，用于执行如权利要求26-30中的任一项所述的超声参数测量方法。
36.一种超声参数测量系统，其特征在于，包括：
超声探头；
发射电路，用于激励所述超声探头向目标胎儿的心脏组织发射第三超声波，和用于激励所述超声探头向目标胎儿的头部发射第四超声波；
接收电路，用于激励所述超声探头接收所述第三超声波的回波，以获得第三超声回波信号，和用于激励所述超声探头接收所述第四超声波的回波，以获得第四超声回波信号；
处理器，用于执行如权利要求31-32中的任一项所述的超声参数测量方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011322027.4A CN114521914A (zh) | 2020-11-23 | 2020-11-23 | 超声参数测量方法和超声参数测量系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011322027.4A CN114521914A (zh) | 2020-11-23 | 2020-11-23 | 超声参数测量方法和超声参数测量系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114521914A true CN114521914A (zh) | 2022-05-24 |
Family
ID=81619070
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011322027.4A Pending CN114521914A (zh) | 2020-11-23 | 2020-11-23 | 超声参数测量方法和超声参数测量系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114521914A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115760851A (zh) * | 2023-01-06 | 2023-03-07 | 首都儿科研究所附属儿童医院 | 基于机器学习的超声图像数据处理方法及其系统 |
| CN115861295A (zh) * | 2023-02-09 | 2023-03-28 | 南京左右脑医疗科技集团有限公司 | 大脑中线结构识别方法、装置和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101791231A (zh) * | 2010-01-28 | 2010-08-04 | 深圳市妇幼保健院 | 一种从超声图像上自动判断胎儿脑积水的图像处理方法 |
| CN103955698A (zh) * | 2014-03-12 | 2014-07-30 | 深圳大学 | 从超声图像中自动定位标准切面的方法 |
| CN104732520A (zh) * | 2015-01-31 | 2015-06-24 | 西安华海盈泰医疗信息技术有限公司 | 一种胸部数字影像的心胸比测量算法及系统 |
| CN105433981A (zh) * | 2015-12-07 | 2016-03-30 | 深圳开立生物医疗科技股份有限公司 | 一种超声成像方法、装置及其超声设备 |
| CN107569257A (zh) * | 2017-09-29 | 2018-01-12 | 深圳开立生物医疗科技股份有限公司 | 超声图像处理方法及系统、超声诊断设备 |
| CN108078592A (zh) * | 2017-12-29 | 2018-05-29 | 深圳开立生物医疗科技股份有限公司 | 超声图像处理方法及装置、超声诊断装置、可读存储介质 |
-
2020
- 2020-11-23 CN CN202011322027.4A patent/CN114521914A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101791231A (zh) * | 2010-01-28 | 2010-08-04 | 深圳市妇幼保健院 | 一种从超声图像上自动判断胎儿脑积水的图像处理方法 |
| CN103955698A (zh) * | 2014-03-12 | 2014-07-30 | 深圳大学 | 从超声图像中自动定位标准切面的方法 |
| CN104732520A (zh) * | 2015-01-31 | 2015-06-24 | 西安华海盈泰医疗信息技术有限公司 | 一种胸部数字影像的心胸比测量算法及系统 |
| CN105433981A (zh) * | 2015-12-07 | 2016-03-30 | 深圳开立生物医疗科技股份有限公司 | 一种超声成像方法、装置及其超声设备 |
| CN107569257A (zh) * | 2017-09-29 | 2018-01-12 | 深圳开立生物医疗科技股份有限公司 | 超声图像处理方法及系统、超声诊断设备 |
| CN108078592A (zh) * | 2017-12-29 | 2018-05-29 | 深圳开立生物医疗科技股份有限公司 | 超声图像处理方法及装置、超声诊断装置、可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 尚宁等: "正常胎儿肺头比的超声测量", 《广州医药》, vol. 46, no. 6, 30 November 2015 (2015-11-30), pages 24 - 26 * |
| 李洁等: "胎儿常见肺部肿块的超声诊断价值及误诊分析", 《临床研究》, vol. 28, no. 5, 31 May 2020 (2020-05-31), pages 20 - 22 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115760851A (zh) * | 2023-01-06 | 2023-03-07 | 首都儿科研究所附属儿童医院 | 基于机器学习的超声图像数据处理方法及其系统 |
| CN115861295A (zh) * | 2023-02-09 | 2023-03-28 | 南京左右脑医疗科技集团有限公司 | 大脑中线结构识别方法、装置和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210177373A1 (en) | Ultrasound system with an artificial neural network for guided liver imaging | |
| Namburete et al. | Learning-based prediction of gestational age from ultrasound images of the fetal brain | |
| JP6467041B2 (ja) | 超音波診断装置、及び画像処理方法 | |
| CN100463655C (zh) | 一种腹部ct图像自动测量装置 | |
| CN110325119B (zh) | 卵巢卵泡计数和大小确定 | |
| CN111768366A (zh) | 超声成像系统、bi-rads分级方法及模型训练方法 | |
| CN103514597A (zh) | 图像处理装置 | |
| Cerrolaza et al. | Deep learning with ultrasound physics for fetal skull segmentation | |
| EP3996039A1 (en) | Image analysis method supporting illness development prediction for a neoplasm in a human or animal body | |
| CN111374712B (zh) | 一种超声成像方法及超声成像设备 | |
| CN104094314A (zh) | 使用定量t1映射进行风险区域的自动探测 | |
| CN115004223A (zh) | 用于在医学图像中自动检测解剖结构的方法和系统 | |
| CN107708550A (zh) | 用于检测和测量解剖异常的分段回声结构的表面建模 | |
| US10736608B2 (en) | Ultrasound diagnostic device and ultrasound image processing method | |
| CN114521914A (zh) | 超声参数测量方法和超声参数测量系统 | |
| CN112638273A (zh) | 生物测定测量和质量评估 | |
| CN111820948B (zh) | 胎儿生长参数测量方法、系统及超声设备 | |
| WO2022099705A1 (zh) | 早孕期胎儿的超声成像方法和超声成像系统 | |
| CN110604592A (zh) | 一种髋关节的成像方法以及髋关节成像系统 | |
| CN102119341B (zh) | 在超声成像系统中划分和计算体积的方法 | |
| CN115670517A (zh) | 胎儿脑室比率的测量方法及超声成像系统 | |
| CN115330681A (zh) | 一种超声图像测量方法、系统、智能终端及存储介质 | |
| CN114617581A (zh) | 一种早孕期胎儿的超声成像方法和系统 | |
| CN113229850A (zh) | 超声盆底成像方法和超声成像系统 | |
| JP5959880B2 (ja) | 超音波診断装置 |
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 |