CN114631849A - 腹主动脉成像方法及相关设备 - Google Patents
腹主动脉成像方法及相关设备 Download PDFInfo
- Publication number
- CN114631849A CN114631849A CN202011481308.4A CN202011481308A CN114631849A CN 114631849 A CN114631849 A CN 114631849A CN 202011481308 A CN202011481308 A CN 202011481308A CN 114631849 A CN114631849 A CN 114631849A
- Authority
- CN
- China
- Prior art keywords
- abdominal aorta
- image
- inner diameter
- abdominal
- target
- 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
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
- A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/13—Tomography
- A61B8/14—Echo-tomography
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Vascular Medicine (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本申请提供了一种腹主动脉成像方法,通过在得到目标对象腹部空间的超声回波信号后,基于超声回波信号重建腹主动脉的三维超声图像,从三维超声图像中选取目标切面图像,基于目标切面图像计算腹主动脉的相关信息。三维超声图像直观地展示了腹主动脉的整体结构信息,所提供的腹主动脉信息更加丰富,计算得到的腹主动脉相关信息更加准确,从而基于该三维超声图像得到的疾病诊断结果准确度也更高。另外,本申请实施例还提供了超声检测设备,以保证上述方法在实际中的应用及实现。
Description
技术领域
本申请涉及医疗设备技术领域,更具体地,是腹主动脉成像方法及相关设备。
背景技术
腹主动脉可能发生异常如扩张为主动脉瘤,威胁人们的生命健康。目前对腹主动脉进行检测的主要方式是超声扫描,即使用超声探头对腹主动脉各段进行连续的横断面扫查、纵断面扫查以及病变区血管段的多切面扫查,得到腹主动脉的二维图像,根据二维图像观察动脉血管的管壁、管腔的状态,进而评估腹主动脉是否出现动脉瘤等病变情况。
然而,该种超声检测方式每次成像只能得到腹主动脉的一个切面影像,基于该影像数据得到的诊断结果并不够准确。
发明内容
对此,本申请提供了一种腹主动脉成像方法及相关设备,用于解决腹主动脉超声诊断结果不够准确的技术问题。
第一方面,本申请实施例提供了一种腹主动脉成像方法,包括:
控制超声检测探头向目标对象的腹部空间发射超声波,并控制所述超声检测探头接收从所述目标对象的腹部空间返回的超声回波信号;
基于所述超声回波信号进行三维图像重建,得到所述腹主动脉的三维超声图像;
从所述三维超声图像中选取目标切面图像,所述目标切面图像包括腹主动脉横切面图像和/或腹主动脉纵切面图像;
基于所述目标切面图像,计算腹主动脉的相关信息
第二方面,本申请实施例提供了一种腹主动脉成像方法,包括:
控制超声检测探头向目标对象的腹部空间发射超声波,并控制所述超声检测探头接收从所述目标对象的腹部空间返回的超声回波信号;
基于所述超声回波信号进行三维图像重建,得到所述腹主动脉的三维超声图像;
显示所述腹主动脉的三维超声图像。
第三方面,本申请实施例提供了一种超声检测设备,包括:
超声检测探头,用于向目标对象的腹部空间发射超声波;
处理器,配置为控制所述超声检测探头向目标对象的腹部空间发射超声波,并控制所述超声检测探头接收从所述目标对象的腹部空间返回的超声回波信号;基于所述超声回波信号进行三维图像重建,得到所述腹主动脉的三维超声图像;从所述三维超声图像中选取目标切面图像,所述目标切面图像包括腹主动脉横切面图像和/或腹主动脉纵切面图像;以及基于所述目标切面图像,计算腹主动脉的相关信息。
第四方面,本申请实施例提供了一种超声检测设备,包括:
超声检测探头,用于向目标对象的腹部空间发射超声波;
处理器,配置控制超声检测探头向目标对象的腹部空间发射超声波,并控制所述超声检测探头接收从所述目标对象的腹部空间返回的超声回波信号;基于所述超声回波信号进行三维图像重建,得到所述腹主动脉的三维超声图像;
显示器,用于显示所述腹主动脉的三维超声图像。
由以上技术方案可以看出,本申请实施例至少具有如下优点:
在得到目标对象腹部空间的超声回波信号后,基于超声回波信号重建得到腹主动脉的三维超声图像,从三维超声图像中获取目标切面图像,基于该目标切面图像计算腹主动脉的相关信息。三维超声图像可以为医护人员提供更丰富的腹主动脉信息,所计算得到的腹主动脉相关信息更加准确,进而在一定程度上提高了腹主动脉疾病诊断的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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的前提下,还可以根据这些附图获得其他的附图。
图1为腹主动脉检测方法的一个实施例流程图;
图2为腹主动脉检测方法的另一实施例流程图;
图3为从三维超声图像中确定腹主动脉区域的两种实现方式示意图;
图4为腹主动脉区域断面的两种识别方式示意图;
图5A及图5B为腹主动脉区域的两种不同标记方式示意图;
图6为基于图像库进行特征匹配识别腹主动脉区域的一个示意图;
图7为腹主动脉检测方法的又一实施例流程图;
图8A为基于腹主动脉纵切面图像进行内径测量的一个示意图;
图8B为基于腹主动脉横切面图像进行内径测量的一个示意图;
图9为为横切面内径变化曲线的一个示意;
图10为腹主动脉检测设备的一个结构示意图;
图11为腹主动脉检测设备的另一结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
目前,腹主动脉的主要检查方式为,使用超声检测设备采集腹主动脉的超声影像,基于超声影像对腹主动脉的病变情况进行诊断,病变情况包括但不限于腹主动脉瘤。超声检查由于安全、方便、无辐射、廉价等优势特点,在临床检查上具有广泛的应用,成为很多疾病诊断的主要辅助手段之一。但是,发明人在实现该现有技术的过程中,发现其至少存在以下技术问题:医护人员通常需要对腹主动脉各种切面进行连续扫查,耗费时间较长,且依据超声影像得到的疾病诊断结果准确度有待进一步提高。
为至少解决以上一个技术问题,本申请实施例提供了一种腹主动脉成像方法,该方法可以生成并显示腹主动脉的三维超声图像,依据该三维超声图像得到的腹主动脉疾病诊断结果更加准确。该方法可以应用于超声检测设备,见图1,腹主动脉成像方法的一个实施例具体包括:步骤101-步骤103。
101、控制超声检测探头向目标对象的腹部空间发射超声波,并控制超声检测探头接收从目标对象的腹部空间返回的超声回波信号。
具体地,超声检测设备具有超声检测探头,处理器可以控制该探头发射超声波。在本申请实施例的应用场景中,医护人员可以将超声检测探头对准目标对象的腹部空间,超声检测检测设备可以接收到腹部空间返回的超声回波信号。目的对象可以是人,也可以是具有腹腔的其他类型的动物。
102、基于述超声回波信号进行三维图像重建,得到腹主动脉的三维超声图像。
具体地,目标对象的腹部空间存在有腹主动脉,超声回波信号携带有腹主动脉的相关信息。对超声回波信号进行重建以得到腹主动脉的三维超声图像。一种重建方式是,超声回波信号为三维超声回波信号,且具有对应的空间位置信息。例如,使用容积探头或面阵探头等具有三维检测能力的检测探头获取三维超声回波信号,三维超声回波信号携带有空间位置信息,直接使用三维超声回波信号进行三维图像的重建,以得到三维超声图像。另一种重建方式是,处理超声回波信号得到腹主动脉的多帧二维超声数据,并获得二维超声数据对应的空间位置信息;基于多帧所述二维超声数据以及所述二维超声数据对应的空间位置信息,重建所述腹主动脉的三维超声图像。以下对第二种重建方式进行详细说明。
其中,二维超声数据是由超声检测设备对腹主动脉区域进行超声检测获得,超声检测方式包括但不限于二维B-mode、彩色血流、频谱多普勒等,此处不做限定。具体地,超声检测设备包括检测探头如凸阵探头,医护人员可以使用检测探头对准腹主动脉自上而下或自下而上行连续横断面扫查。横切面观察起点常位于膈肌下,终点达左、右髂总动脉分叉水平处,使用凸阵探头进行扫查时可以进行起点位置到终点位置的连续扫查;或者医护人员也可以预先观察找到腹主动脉感兴趣区段的位置再使用检测探头如容积探头扫查。
扫查时检测探头可以向目标对象发射超声波,并接收从目标对象返回的超声回波信号,超声检测设备处理超声回波信号以获得目标对象的二维超声图像。本步骤中的二维超声数据可以是二维超声图像,也可以是超声回波信号。如果获得的是超声回波信号,则可以将超声回波信号处理得到二维超声图像再进行后续的三维重建步骤,或者直接使用超声回波信号进行后续的三维重建步骤。
需要说明的是,为了实现三维超声图像的重建,不仅需要获得二维超声数据还需要获得二维超声数据对应的空间位置信息。空间位置信息表示的是二维超声数据所扫描的腹主动脉在腹部空间的位置信息,示例性地,空间位置信息可以具体包括空间坐标信息以及方位信息,或者其他能够体现出空间位置的信息。
空间位置信息的一种获得方式为,检测探头可以携带空间定位装置,空间定位装置可以感知检测探头在三维空间中的运动轨迹,检测探头可以采集到二维超声数据,空间定位装置为二维超声数据提供对应的空间位置信息。
获得多帧二维超声数据以及二维超声数据的空间位置信息后,便可以进行三维超声图像的重建。二维超声数据可以表示出腹主动脉一平面下的图像数据是怎样的,根据二维超声数据的空间位置信息可以确定出该二维超声数据对应的该平面在腹部空间的哪个空间位置,也可以确定出各个二维超声数据之间的相对位置,从而实现三维超声图像的重建。
三维超声图像的重建可以具体包括多种实现方式,本申请实施例以体数据重建方式为例进行说明。具体地,体数据重建方式包括体数据构建及体素值映射两个步骤。
1、体数据构建:确定待重建的三维超声图像的腹主动脉体数据。
具体地,体数据可以认为是一个假定的三维空间结构,在本申请实施例的应用场景中即为待重建的三维腹主动脉。确定出的体数据可以具体包括坐标原点、维度、体素间的物理间隔等参数,具体可采用包围盒技术或者其他方法,此处不做限定。
2、体素值映射:根据二维超声数据中的像素与腹主动脉体数据的体素之间的映射关系,将多帧二维超声数据的像素值映射为腹主动脉体数据的体素值,以得到腹主动脉的三维超声图像。
首先,由二维超声数据得到二维超声图像,需要说明的是该二维超声图像可以并不输出显示。根据多帧二维超声图像的空间位置信息,建立多帧二维超声图像中的像素与所述腹主动脉体数据的体素之间的映射关系。具体地,提取二维超声图像所包括的像素,并基于各个像素的空间位置建立各个像素与腹主动脉体数据对应空间位置体素之间的映射关系。然后,根据映射关系将多帧二维超声图像的像素值映射为腹主动脉体数据的体素值,该像素值映射过程可选择采用前向映射、反向映射或基于函数的映射等方式。
前向映射,是一种从二维超声图像中的像素映射至腹主动脉体数据的体素的映射方式。具体过程包括:遍历二维超声图像中所包括的每个像素,根据每个像素的空间坐标位置的变换矩阵,把像素映射至相应的体素上,在映射过程中可能存在多个像素被映射至同一体素的情况,对于该种情况可根据一定的方法对相应的体素赋值,如最近邻像素法或像素均值法等。由于二维超声数据采样过程的稀疏性,经过前向映射后可能还存在一些未被赋值的体素,对于此类未赋值的空缺体素可基于其相近体素进行差值计算,并将计算结果作为其赋值,以保证体素赋值的全面性。
反向映射,是一种由腹主动脉体数据的体素到二维超声图像中的像素的映射方式。具体过程包括:遍历腹主动脉体数据中的每个体素,通过空间位置变换找到一组与当前体素对应的像素集合。再通过一定的规则,利用像素集合对当前体素进行赋值,比如基于一个像素值赋值的最近邻体素法,或使用多个像素值的各种插值算法(距离加权插值、中值滤波插值等等)。具体的赋值方式可依据实际情况而定,此处不做限定。
基于函数的映射,是构建二维超声图像中的像素与腹主动脉体数据的体素之间的映射函数关系,并基于映射函数关系进行映射。具体过程包括:根据二维超声图像中的像素点及其空间位置信息构建像素与体素之间的映射函数关系,并对映射函数关系进行拟合,再根据拟合得到的映射函数关系计算出体数据中体素的体素值。
可以理解的是,对映射方式的选择需要基于期望达到的三维超声图像成像效果及图像处理耗费时长等因素进行综合考虑,具体所使用的映射方式可依据实际情况进行调整,此处不做限定。经过体素值映射后可以得到腹主动脉体数据的体素值,腹主动脉体数据被赋予体素值也即得到了腹主动脉的三维超声图像。
103、显示腹主动脉的三维超声图像。
具体地,在得到腹主动脉体数据的体素值后,可依据体素值对腹主动脉体数据进行渲染显示,显示方法可以包括面绘制、体绘制等。其中体绘制方法可以具体包括:光线投射算法、错切-变形算法、频域体绘制算法和抛雪球算法等方式,此处并不限定。
以光线投射算法为例进行说明。基于不同的显示目的,可选择光线投射路径上的最大值、最小值、平均值(X-ray方式)等多种属性进行显示,或者可以根据光照模型增加光源的效果等方式进行显示。可以理解的是,在显示腹主动脉的三维超声图像的同时,还可以提供三维超声图像中所包括的各种正交切面的显示,从而提供直观而丰富的腹主动脉结构信息。
从以上技术方案可以看出,本申请实施例所提供的腹主动脉成像方法重建腹主动脉的三维超声图像,可以对三维超声图像进行展示。三维超声图像直观地展示了腹主动脉的整体结构信息,所提供的腹主动脉信息更加丰富,从而基于该三维超声图像得到的疾病诊断结果准确度也更高。
需要说明的是,在本申请另一实施例中,步骤102得到腹主动脉的三维超声图像后,可以从三维超声图像中选取目标切面图像如包括腹主动脉横切面图像和/或腹主动脉纵切面图像;基于目标切面图像计算腹主动脉的相关信息。在该实施例中,步骤103显示三维超声图像的步骤可以执行也可以省略。有关选取目标切面图像以及计算腹主动脉相关信息的过程以下详细说明,此处并不赘述。
以上实施例得到的三维超声图像可以是腹部空间的整体结构,除了包括腹主动脉血管之外,还包括其他的人体器官或组织结构。为方便对腹主动脉进行诊断,本申请在获取到三维超声图像后,还可对三维超声图像进行识别以从三维超声图像中定位出腹主动脉区域,直观地将腹主动脉在三维超声图像中的位置展示给医护人员,医护人员对该区域的腹主动脉可以进行观察或测量等疾病诊断操作。
见图2,其示出了腹主动脉成像方法的又一实施例,该实施例在图1所示实施例的基础上,还包括步骤204。需要说明的是,本实施例中步骤201至步骤203与上述图1对应实施例中步骤101至步骤103类似,此处不再赘述,以下仅对步骤S204进行说明。
204、基于腹主动脉的结构特征,对三维超声图像进行图像识别,以识别出三维超声图像中的腹主动脉区域。
具体地,腹主动脉具有自身特有的结构特征,结构特征可以包括腹主动脉的解剖结构方面的特征,也可以包括腹主动脉的图像特征,或者包括其他方面的特征。根据该结构特征从三维超声图像中定位出腹主动脉区域。
如图3所示,本申请提供腹主动脉区域的两种确定方式:1、基于三维体数据识别腹主动脉区域。2、基于二维超声图像识别腹主动脉区域。下面对两种方式分别进行说明。
1、基于三维超声图像的三维体数据识别腹主动脉区域。
具体地,可以使用基于三维体数据的深度学习图像分割方法,从三维超声图像识别腹主动脉区域。
首先,需要获得预先训练完成的神经网络模型,神经网络模型由深度学习算法对具有腹主动脉区域标记的三维超声体数据训练得到。神经网络模型可具体选择3D Unet、V-Net、DeepMedic、Thickened 2D Networks等在三维数据识别问题上表现较好的神经网络模型,可以理解的是,在实际实施过程中神经网络模型的架构可依据应用需求进行调整,具体此处不做限定。
训练过程中可先构建超声体数据库,超声体数据库存储有三维超声体数据,对三维超声体数据添加标注,进而使用具有标注的三维超声体数据对神经网络模型进行训练。神经网络模型所使用的深度学习算法可以对神经网络模型自身进行优化,以使得训练完成的神经网络模型具有识别出所输入的图像中是否存在腹主动脉区域及标记腹主动脉区域范围的能力。
训练完成神经网络模型后,则可将三维超声图像输入训练得到的神经网络模型,以获得所述神经网络基于学习到的腹主动脉特征输出的识别结果,识别结果用于表示腹主动脉区域在三维超声图像中的空间位置。示例性地,识别结果可以具体是腹主动脉的边界范围。
2、基于三维超声图像中的二维超声图像识别腹主动脉区域。
在实际实施过程中,对腹主动脉的识别也可基于三维超声图像中的多帧二维超声图像完成。具体可以包括选切面、区域断面识别以及区域断面拼接三个步骤。
2.1、选切面。从三维超声图像中选择多帧二维的腹主动脉切面图像,腹主动脉切面图像包括腹主动脉横切面图像和/或腹主动脉纵切面图像。
具体地,从三维超声图像中选择出参与识别过程的多帧腹主动脉切面图像,该腹主动脉切面图像为二维图像。为保证腹主动脉区域的识别效果,可选择三维超声图像包括的所有腹主动脉横切面图像或所有腹主动脉纵切面图像进行识别。或者考虑到识别效率,也可选择三维超声图像中的部分腹主动脉切面图像参与识别过程,如间隔一帧或若干帧抽取腹主动脉切面图像进而降低参与识别过程的数据量,再以插值的方式获得其他帧腹主动脉切面图像的识别结果,进而根据整体识别结果定位出腹主动脉区域。具体的腹主动脉切面图像选择方式可依据实际情况而定,此处不做限定。
2.2、区域断面识别。基于腹主动脉的结构特征,在腹主动脉切面图像中识别腹主动脉区域。
具体地,如前所述腹主动脉具有自身的结构特征,基于该结构特征可以实现对该腹主动脉切面图像中的腹主动脉区域的识别,所识别出的腹主动脉区域可以称为腹主动脉区域断面。
见图4,关于腹主动脉区域断面的识别本申请提供如下识别方式:基于深度学习的识别以及基于非深度学习的识别。基于深度学习的识别,指的是基于预先训练完成的神经网络模型对切面图像进行识别得到腹主动脉区域。基于非深度学习的识别,指的是基于预先构建的图像库与腹主动脉切面图像的图像特征进行匹配得到腹主动脉区域。需要说明的是,两种识别方式的不同之处在于,前者可以使用深度学习算法从图像数据库的图像中自动学习图像特征,并利用主动学习到的图像特征进行识别,而后者需要基于人工设置的图像特征进行识别。更具体地,基于深度学习的识别可以包括基于深度学习的目标检测法及基于深度学习的图像分割法两种具体实现方式,基于非深度学习的识别也可以包括基于非深度学习的目标检测法及基于非深度学习的图像分割法两种具体实现方式。以下对四种具体实现方式进行说明。
(1)基于深度学习的目标检测法。
具体地,获得预先训练完成的神经网络模型,对神经网络模型进行训练时,采用的训练集包括多张二维超声图像且二维超声图像具有标注信息。即若二维超声图像中存在腹主动脉区域,则使用包围该区域的规则形状框来标注感兴趣区域,该区域即腹主动脉区域。神经网络模型可基于框内的图像信息及框所在的位置信息对自身进行优化,进而使得神经网络模型具有识别二维超声图像中是否包括腹主动脉区域的能力,以及在是的情况下使用规则形状框对腹主动脉区域进行标记的能力。示例性地,神经网络模型可为Faster-RCNN、YOLO、SSD、RetinaNet、EfficientDet、FCOS、CenterNet等检测器,可以理解的是,在方案实际实施过程中可对神经网络模型的形式进行调整,此处不做限定。
将腹主动脉切面图像输入神经网络模型,以得到神经网络模型基于腹主动脉的结构特征输出的识别结果。由于训练集中标注信息为包围腹主动脉区域的规则形状框,相应地识别结果包括包围腹主动脉区域的规则形状框。示例性地如图5A所示,在二维超声图像中使用规则的矩形框定位腹主动脉区域。需要说明的是,若腹主动脉切面图像不存在腹主动脉区域,则不出现规则形状框。可见,基于识别结果可以确定出腹主动脉切面图像是否存在腹主动脉区域,以及存在腹主动脉区域的情况下腹主动脉区域的大概位置以及范围。
本方法的一种具体实现方式为,基于深度学习的Bounding-Box(检测框)进行检测识别。具体地,通过堆叠基层卷积层和全连接层来对构建的图像数据库进行特征的学习和参数的回归,对于一幅输入的待识别腹部图像,可以通过神经网络模型直接回归出对应的感兴趣区域的检测框,同时获取其感兴趣区域内组织结构的类别,常见的神经网络模型如上所述,不再赘述。
(2)基于深度学习的图像分割法。
具体地,获得预先训练完成的神经网络模型,对神经网络模型进行训练时,采用的训练集包括多张二维超声图像且二维超声图像具有标注信息。若二维超声图像中存在腹主动脉区域,使用腹主动脉区域的边界线来标记腹主动脉区域的具体边界范围。同理,神经网络模型可基于边界线内的图像信息及边界线所在的位置信息对自身进行优化,进而使得神经网络模型具有识别二维超声图像中是否包括腹主动脉区域的能力,以及在是的情况下使用边界线对腹主动脉区域进行标记的能力。示例性地,神经网络模型可为FCN、Unet、SegNet、DeepLab、Mask RCNN等网络模型,可以理解的是,在方案实际实施过程中可对神经网络模型的形式进行调整,此处不做限定。神经网络模型基于训练集训练后具有将二维超声图像中的腹主动脉区域用边界线标记出的能力。
将腹主动脉切面图像输入神经网络模型,以得到神经网络模型基于腹主动脉的结构特征输出的识别结果。由于训练集中标注信息为标记腹主动脉区域的边界线,相应地识别结果包括标记腹主动脉区域的边界线。示例性地如图5B所示,在二维超声图像中使用边界线定位腹主动脉区域。需要说明的是,若腹主动脉切面图像不存在腹主动脉区域,则不出现边界线。可见,基于识别结果可以确定出腹主动脉切面图像是否存在腹主动脉区域,以及存在腹主动脉区域的情况下腹主动脉区域的具体边界范围。
本方法的一种具体实现方式为,为基于深度学习的端到端的语义分割网络方法。具体地,该方法使用的神经网络模型与基于深度学习的检测框识别方法的结构类似,不同点在于将全连接层去除,加入上采样或者反卷积层来使得输入的待识别腹部图像与输出的待识别腹部图像尺寸相同,从而直接得到输入的待识别腹部图像的腹主动脉区域及其相应类别。常见的神经网络模型如上所述,不再赘述。
以上腹主动脉区域的两种识别方法,在对感兴趣区域(腹主动脉区域)的定位和识别过程中,采用机器学习方法在图像数据库中学习可以区别目标区域和非目标区域的特征或规律,然后再根据该特征或规律对待识别的其他图像进行感兴趣区域的定位和识别。具体可以包括如下两个步骤:第一步构建图像数据库,图像数据库通常包含多幅腹部图像及对应的腹主动脉区域的标定结果,其中标定结果可以根据实际的任务需要进行设定,可以是包含腹主动脉的ROI(感兴趣区域)框,也可是对腹主动脉进行精确分割的Mask(掩膜),如果实际任务需要定位多个类别的腹主动脉,则还需要指定每个ROI框或Mask的类别;第二步进行定位和识别,即构建图像数据库后,再基于机器学习算法学习图像数据库中可以区别腹主动脉区域和非腹主动脉区域的特征或规律来实现对待识别腹部图像中腹主动脉区域的定位和识别。可见,腹主动脉区域的两种识别方法中,都是基于由深度学习构建的神经网络模型,不同结构的神经网络模型所采用的标注信息形式不同,目标检测法的标注信息为包围腹主动脉区域的规则形状框,图像分割法的标注信息为腹主动脉区域的边界线,但标注信息也可以为其他形状,只要是能够标记出腹主动脉区域的大致位置范围即可。基于该启示本领域技术人员可以想到使用其他结构的神经网络模型实现腹主动脉区域的识别。因此,基于神经网络的识别方法可以概括为:获得预先训练完成的神经网络模型,神经网络模型由深度学习算法对具有标注信息的多帧二维腹主动脉切面图像样本训练得到,标注信息用于表示腹主动脉切面图像样本中的腹主动脉区域;将腹主动脉切面图像输入神经网络模型,以得到神经网络模型基于腹主动脉的结构特征输出的识别结果,识别结果用于表示腹主动脉切面图像包括的腹主动脉区域。
(3)基于非深度学习的目标检测法。
预先构建图像库,图像库中包含有腹主动脉二维图像,且腹主动脉二维图像使用规则形状框预先标记有感兴趣区域即腹主动脉区域。进一步地,可以获得腹主动脉二维图像中腹主动脉区域的图像特征。该图像特征用于与实际实施中待识别的腹主动脉切面图像的图像特征进行比对,需要说明的是,为了加快处理效率,该图像特征可以是预先处理得到并存储在图像库,或者为了减少存储空间,并不预先存储图像特征而是在获得待识别腹主动脉切面图像后实时处理得到。
在实际实施过程中,获得腹主动脉切面图像后,基于腹主动脉的结构特征,利用目标检测算法从腹主动脉切面图像中检测感兴趣图像区域,并使用规则形状框标记感兴趣图像区域,并提取感兴趣图像区域的图像特征。例如,通过滑动窗或选择性搜索等方法,在腹主动脉切面图像中框选出一组候选的感兴趣区域,再分别对候选框区域进行特征提取,可以提取PCA、LDA、HOG、Harr、LBP、SIFT、纹理等图像特征,也可以是神经网络所提取的图像特征。
将提取得到的图像特征与规则形状框预先标记的腹主动脉区域的图像特征进行匹配,如可采用线性分类器、支持向量机(SupportVector Machine,SVM)、最近邻(k-NearestNeighbors,KNN)、随机森林或简单的神经网络等判别器进行匹配。根据匹配结果可确定腹主动脉切面图像的感兴趣区域是否包含腹主动脉区域。
(4)基于非深度学习的图像分割法。
预先构建图像库,图像库的设置方式与上述基于图像库的目标分割法类似,不同的是标记腹主动脉区域的方式由规则形状框换为边界线,用边界线标记出腹主动脉区域的具体边界范围。其他说明可见上文内容,此处并不赘述。
在实际实施过程中,获得腹主动脉切面图像后,基于腹主动脉的结构特征,利用图像分割算法从所述腹主动脉切面图像中分割感兴趣图像区域,并标记所述感兴趣图像区域的轮廓。例如,通过阈值分割、snake、水平集、GraphCut等图像处理方法对图像进行预分割,在预分割后的图像中选择一组候选的目标结构边界范围作为感兴趣图像区域,之后在对感兴趣图像区域的边界范围包围的区域进行特征提取,如所提取的特征类型可为PCA、LDA、HOG、Harr、LBP、SIFT等特征类型,也可以是神经网络提取的特征类型。
将提取得到的图像特征与边界线预先标记的腹主动脉区域的图像特征进行匹配,如可采用线性分类器、支持向量机(SupportVectorMachine,SVM)或简单的神经网络等分类器进行匹配。根据匹配结果可确定腹主动脉切面图像的感兴趣区域是否包含腹主动脉区域。
本方法的一种具体实现方式为,首先对腹主动脉区域进行定位,所定位的区域可以为目标感兴趣区域(ROI)或掩膜(Mask),然后对定位区域进行特征提取,所提取特征可以包括PCA特征、LDA特征、Harr特征、纹理特征等,也可以是采用深度神经网络提取的特征,然后使用判别器对提取到的特征和从图像数据库中提取出的图像特征进行匹配并分类,以确定腹主动脉切面图像的感兴趣区域是否包含腹主动脉区域。其中,判别器可以具体为KNN、SVM、随机森林、神经网络等。
以上腹主动脉区域的两种识别方法均基于非深度学习算法完成识别,不同的是图像库中标注信息形式不同,目标检测法的标注信息为包围腹主动脉区域的规则形状框,图像分割法的标注信息为腹主动脉区域的边界线,但标注信息也可以为其他形状,只要是能够标记出腹主动脉区域的大致位置范围即可。基于以上两种实现方式,本领域技术人员可以想到其他实现方式同样利用非深度学习算法进行特征匹配,以实现腹主动脉区域的识别目的。参照图6,基于非深度学习算法的识别方法可以概括为:基于腹主动脉的结构特征,从腹主动脉切面图像中选择感兴趣图像区域,并提取感兴趣图像区域的图像特征;从预先构建的图像库中获得腹主动脉二维图像,并获得腹主动脉二维图像预先标记的腹主动脉区域的图像特征;将提取的图像特征与预先标记的腹主动脉区域的图像特征进行匹配,以确定感兴趣图像区域是否包含腹主动脉区域。
以上提供的多种识别方案,均可基于腹主动脉的结构特征在腹主动脉切面图像中识别到腹主动脉区域。在实际实施过程中,可以根据实际需求选择腹主动脉区域的具体识别方式,且可依据实际情况进行调整,具体此处不做限定。
2.3、区域断面拼接。基于多帧二维的腹主动脉切面图像中的腹主动脉区域,拼接得到三维超声图像的腹主动脉区域。
可以理解的是,从各帧腹主动脉切面图像中识别出的腹主动脉区域为断面,如果腹主动脉切面图像既包括腹主动脉横切面图像又包括腹主动脉纵切面图像,则将同类型的腹主动脉切面图像断面进行拼接合并,以得到三维的腹主动脉区域。
以上详细说明了腹主动脉区域的两种确定方式,其中步骤1描述了基于三维体数据的方式,步骤2.1-步骤2.3描述了基于二维超声图像得到三维的腹主动脉区域的方式。第一种实现方式考虑了图像序列中相邻图像之间的关联性,第二种实现方式利用了整帧二维超声图像中的图像信息使得参与处理的图像信息更加全面,两种方式均可以从一定程度上提高腹主动脉区域识别结果的准确度。
由图2所示的实施例可以看出,该技术方案可以展示三维的腹主动脉区域,不仅使得医护人员可以更直观地确定腹主动脉在三维超声图像中的位置,且可以更全面地展示腹主动脉的特点,医护人员进行的疾病诊断准确度也较高。
需要说明的是,在上述腹主动脉的定位过程中,可以得到目标切面图像依据该目标切面图像还可以识别该目标切面图像中是否包含有夹层动脉瘤的相关信息,具体说明可以参见下文关于夹层动脉瘤的识别过程,此处先不赘述。
在图1展示三维超声图像的基础上,进一步还可以基于三维超声图像对腹主动脉区域的一些参数信息进行计算分析。如图7所示,该方法实施例包括步骤701-步骤704。需要说明的是,该步骤704与步骤703展示三维超声图像的先后执行顺序并非局限于图7所示,也可以交换顺序或并行执行。有关本实施例中步骤701至步骤702的说明可以参见图1实施例中重建三维超声图像的第二种重建方式,此处不再赘述,以下仅对增加的步骤704进行说明。
704、从三维超声图像中选取目标切面图像,基于目标切面图像计算腹主动脉的相关信息。
具体地,按照一定方式从重建的三维超声图像中选取切面图像,所选取的切面图像称为目标切面图像,目标切面图像包括腹主动脉横切面图像和/或腹主动脉纵切面图像。
在一实施例中,目标切面图像可以由医疗人员手动选择,也可以是设备自动选择。下面对两种不同的选择方式分别进行说明。
(1)医护人员手动选择。超声检测设备可提供旋转或移动三维超声图像的功能,以显示不同空间视角下的三维超声图像,进而帮助医护人员选取感兴趣的切面图像。例如,医护人员可以从展示的三维超声图像中或从已定位的腹主动脉区域中选取一个或多个感兴趣的切面图像,或者,医护人员可以输入目标视角或选定特定视角等信息,超声检测设备根据该信息确定所感兴趣的切面图像。响应用户在目标空间视角下的三维超声图像中选择腹主动脉感兴趣切面图像的操作,将医护人员选择的腹主动脉感兴趣切面图像确定为目标切面图像。
(2)根据对三维超声图像的特征识别进行自动选择。
基于腹主动脉的结构特征,对三维超声图像进行图像识别,以识别出三维超声图像中的腹主动脉区域;确定腹主动脉区域的中心线,基于腹主动脉区域的中心线选取目标切面图像。其中从三维超声图像中识别出腹主动脉区域,可以通过上述图2实施例中步骤204的实现方式实现,此处不再赘述。
腹主动脉区域的中心线可以表示腹主动脉区域的中心位置,可以直接测量获得,或者也可以通过拟合方式获得。其中,拟合方式的实现过程包括:从三维超声图像中选取至少一张腹主动脉横切面图像;从至少一张腹主动脉横切面图像中识别出的腹主动脉区域,确定中心位置;基于至少一张腹主动脉横切面图像的腹主动脉区域中心位置,拟合腹主动脉区域的中心线。
具体来讲,对于采用图像分割方法或目标检测方法所提取的腹主动脉区域采用不同的中心线拟合方式。
若腹主动脉区域是基于图像分割方法确定的,则已经通过边界线标记出区域边界,因此可以在选定的腹主动脉横切面图像中,采用最小二乘拟合、霍夫变换、RANSAC等方法在腹主动脉区域边界上拟合出一个圆,并将该圆的圆心位置作为中心位置,然后采用最小二乘拟合、脊回归、局部加权回归、KNN、SVM等机器学习方法,将这些中心位置拟合出腹主动脉区域的中心线。
若腹主动脉区域是基于目标检测方法确定的,则已经通过规则形状框标记出区域边界,因此可以将规则形状框的中心点作为中心位置,基于中心位置得到中心线;或者进一步采用边缘提取、阈值分割、基于区域的分割等图像处理方法细化腹主动脉区域的边界范围,再采用上述方法由边界范围获取其中心位置进而拟合出中心线。
得到腹主动脉区域的中心线后,可以选择通过中心线的腹主动脉纵切面图像作为目标切面图像,也可选择与腹主动脉纵切面图像正交的腹主动脉横切面图像作为目标切面图像,或者两者均选择,此处不做限定。该种方式选择的目标切面图像若展示给医护人员,图像视角较佳为医护人员提供的信息更加丰富,且更利于医护人员执行测量等操作。
目标切面图像可以进一步展示给医护人员,由医护人员进行观察或者进一步执行其他步骤如测量等。或者目标切面图像并不进行展示,依据目标切面图像计算腹主动脉的各种相关信息,相关信息再进一步展示给医护人员即可。基于目标切面图像计算的腹主动脉相关信息,包括但不限于管径、是否包含动脉瘤等等,本申请并不做具体限定。
需要说明的是,在某一些实施方式得到的目标切面图像中例如若目标切面图像为用户自主选择,则目标切面图像可能不具有腹主动脉区域的识别结果。则可以先通过以下两种方式对目标切面图像中的腹主动脉区域进行识别,然后再基于识别结果计算腹主动脉的相关信息。
第一种方式,由医护人员手动在目标切面标记腹主动脉区域。即,响应医护人员在目标切面图像上标记腹主动脉边界的操作,将腹主动脉边界包围的图像区域确定为腹主动脉区域。例如,超声检测设备提供描边工具,医护人员可以使用该工具对感兴趣的区域即腹主动脉区域的边界进行标记。第二种方式,基于腹主动脉的结构特征在目标切面图像中识别腹主动脉区域。具体的识别过程可以参见上述图2实施例中步骤204的实现方式实现,此处不再赘述。
从确定目标切面图像后,还可对腹主动脉的相关信息进行计算,以便辅助医生完成诊断过程。其中,腹主动脉的相关信息可以包括腹主动脉的管径和/或腹主动脉瘤的相关信息。下面对两类信息分别进行说明。
1、腹主动脉的管径。腹主动脉的管径具体可以包括,腹主动脉的长轴方向内径和/或腹主动脉的短轴方向内径。
图8A为腹主动脉纵切面图像,结合图8A对腹主动脉的长轴方向内径进行解释以及对该内径的计算过程进行说明。腹主动脉的长轴方向内径也可称为纵切面内径,指的是根据腹主动脉纵切面图像得到的腹主动脉管腔内径。其可以通过以下两种方式计算获得。
若腹主动脉纵切面图像具有标记腹主动脉区域的边界线,则确定腹主动脉区域的中心线,基于边界线和中心线计算腹主动脉的长轴方向内径。具体计算过程例如图8A所示,在腹主动脉血管的前壁或后壁的边界采样多个点,对于每个采样点找到另一侧壁边界上对应的点,如生成通过采样点且与腹主动脉的中心线垂直的直线,找到直线与另一侧管壁相交的点,进而将管壁两侧点之间的距离确定为该采样点的腹主动脉的长轴方向内径。每个采样点按照该方式都可以确定出一腹主动脉的长轴方向内径,进而将所有采样点对应的长轴方向内径进行统计分析,如最大值、最小值、均值、方差等,得到腹主动脉的长轴方向内径。
若腹主动脉纵切面图像具有标记腹主动脉区域的规则形状框,则确定腹主动脉区域的中心线,基于规则形状框和中心线计算腹主动脉的长轴方向内径。具体计算过程例如,将包围腹主动脉的规则形状框的一侧边界作为腹主动脉血管一侧的边界,从该边界上选取一些点作为采样点,与上一方式类似地测量得到腹主动脉的长轴方向内径。需要说明的是,以规则形状框的边界得到的测量结果可能不够精确,因此基于规则形状框进一步采用边缘提取、阈值分割、基于区域的分割等图像处理方法得到腹主动脉更精确的边界,然后再按照上述基于边界范围的方法进行采样测量以及统计分析等步骤,得到更加准确的腹主动脉的长轴方向内径。
图8B为腹主动脉横切面图像,结合图8B对腹主动脉的短轴方向内径进行解释以及对该内径的计算过程进行说明。腹主动脉的短轴方向内径也可称为横切面内径,指的是根据腹主动脉横切面图像得到的腹主动脉管腔内径。
若腹主动脉横切面图像具有标记腹主动脉区域的边界线,则基于边界线计算腹主动脉的短轴方向内径。例如,可依据边界线范围计算边界范围的圆周半径、边界范围的最大内径或边界范围一感兴趣的纵向经线长度,作为腹主动脉的短轴方向内径。
若腹主动脉横切面图像具有标记腹主动脉区域的规则形状框,则将规则形状框的长或宽确定为腹主动脉的短轴方向内径。例如,可以选择规则形状框的长或宽作为内径,或者进一步对规则形状框内的区域采用边缘提取、阈值分割、基于区域的分割等图像处理方法细化腹主动脉区域的边界范围,再采用上述基于边界范围的方法进行采样测量以及统计分析等步骤,以得到更加准确的腹主动脉的长轴方向内径。
各帧腹主动脉横切面图像均可以测量出短轴方向内径,医护人员可以通过超声诊断设备的轨迹球进行滑动,以选择不同帧的腹主动脉横切面图像,进而查看当前帧的腹主动脉横切面图像的内径大小。当然,医护人员也可以按照该种方式对各帧腹主动脉纵切面图像的内径进行查看。
进一步地,为了展示各帧图像测量的内径的不同,可以绘制长轴方向内径变化曲线和/或短轴方向变化曲线。
具体地,根据多帧腹主动脉横切面图像以及腹主动脉横切面图像对应的短轴方向内径,生成短轴内径变化曲线。短轴内径变化曲线的横坐标为腹主动脉横切面图像在腹主动脉中心线的位置,纵坐标为腹主动脉横切面图像测量得到的短轴方向内径。
根据多帧腹主动脉纵切面图像以及腹主动脉纵切面图像对应的长轴方向内径,生成长轴内径变化曲线。长轴内径变化曲线的横坐标为腹主动脉纵切面图像在腹主动脉中心线的位置,纵坐标为腹主动脉纵切面图像对应的长轴方向内径。示例性地,图9为短轴内径变化曲线的一个示意图。
为直观地给医护人员提示一些内径信息,可对内径变化曲线中的某些信息进行标记。通常地,内径大于特定值则说明该位置存在腹主动脉瘤的可能性较大,因此在一实施例中,可在短轴内径变化曲线上标记短轴方向内径最大值,并进一步显示该内径最大值所对应的腹主动脉横切面图像。同样地,也可以在长轴内径变化曲线上标记长轴方向内径最大值,并进一步显示该内径最大值所对应的腹主动脉横切面图像。标记方式可以为高亮、添加指示、添加颜色等各种具有提示作用的方式,本申请并不具体限定。
2、腹主动脉瘤的相关信息。基于目标切面图像,还可以计算腹主动脉瘤的相关信息,如夹层动脉瘤的相关信息和/或非夹层动脉瘤的相关信息。
具体地,腹主动脉瘤是指腹主动脉成瘤样扩张,是最常见的主动脉异常,可能伴随有血栓、内膜剥离或破裂,腹主动脉瘤破裂甚至极有可能导致死亡,严重威胁人们生命安全。与正常动脉直径相比,通常直径增大50%以上定义为腹主动脉瘤。对腹主动脉而言,这意味着直径超过3.0cm考虑发生动脉瘤。腹主动脉瘤可以分为夹层动脉瘤以及非夹层动脉瘤。
夹层动脉瘤的相关信息可以由神经网络模型得到,该神经网络模型由深度学习算法对腹主动脉切面图像训练得到,且所述腹主动脉切面图像具有与夹层动脉瘤相关的标注信息。将目标切面图像输入预先训练完成的神经网络模型,以获得神经网络模型输出的夹层动脉瘤相关信息。
依据所使用的深度学习算法种类的不同,腹主动脉瘤的确定方式可以分为图像分类方法、目标检测方法和图像分割方法。
基于深度学习的图像分类方法中,所使用的神经网络模型种类可以包括AlexNet、VGG、ResNet、Inception、MobileNet等模型,所使用的训练集为具有标签的腹主动脉切面图像,标签用于表示腹主动脉切面图像是否存在夹层动脉瘤。使用训练集完成对神经网络模型的训练后,将三维超声图像中提取的目标切面图像输入至训练好的神经网络模型中,则神经网络模型计算目标切面图像存在夹层动脉瘤及不存在夹层动脉瘤的概率,并将最大概率对应的标签作为该目标切面图像的识别结果输出,基于输出结果即可判断该目标切面图像是否包含有夹层动脉瘤,也就是说神经网络模型输出的夹层动脉瘤相关信息为目标切面图像是否包含夹层动脉瘤。可以理解的是,为保证判断结果的准确性,可一次输入多帧目标切面图像以获得更加准确的识别结果。
基于深度学习的目标检测方法中,所使用的神经网络模型可以包括Faster-RCNN、YOLO、SSD、RetinaNet、EfficientDet、FCOS、CenterNet等模型,所使用的训练集为具有标注的腹主动脉切面图像,标注信息为腹主动脉切面图像中夹层动脉瘤所在的区域位置。具体地,标注信息为在腹主动脉切面图像存在夹层动脉瘤的情况下,使用包围着夹层动脉瘤的规则形状框对其进行标记,规则形状框的位置可以通过其坐标信息进行表示。使用训练集完成对神经网络模型的训练后,将三维超声图像中提取的目标切面图像输入至训练好的神经网络模型中,则神经网络模型会输出该图像是否存在夹层动脉瘤,以及在存在的情况下输出夹层动脉瘤的区域位置。具体是使用规则形状框将夹层动脉瘤包围,规则形状框的坐标信息可以表示夹层动脉瘤在腹主动脉切面图像中的区域位置。
基于深度学习的图像分割方法中,所使用的神经网络模型可以包括FCN、Unet、SegNet、DeepLab、Mask RCNN等模型,所使用的训练集具有标注的腹主动脉切面图像,标注信息为腹主动脉切面图像中夹层动脉瘤所在的区域位置。具体地,标注信息为在腹主动脉切面图像存在夹层动脉瘤的情况下,对夹层动脉瘤的轮廓进行标记。使用训练集完成对神经网络模型的训练后,将三维超声图像中提取的目标切面图像输入至训练好的神经网络模型中,则神经网络模型会输出该图像是否存在夹层动脉瘤,以及在存在的情况下输出夹层动脉瘤的区域位置,具体是使用边界线描绘夹层动脉瘤的区域范围。
可见,基于深度学习的目标检测方法以及基于深度学习的图像分割方法均可以输出目标切面图像中夹层动脉瘤的区域位置。
为提高腹主动脉瘤的识别效率,夹层动脉瘤的识别可以在识别腹主动脉区域的过程中进行。即将目标切面图像输入预先训练完成的神经网络模型,以获得神经网络模型输出的夹层动脉瘤相关信息;神经网络模型由对腹主动脉切面图像的训练得到,且腹主动脉切面图像具有与夹层动脉瘤相关的标注信息。训练方法包括深度学习算法如基于深度学习的图像分类、目标检测或图像分割的方法等,也可以包括其他非深度学习算法。
具体地,腹主动脉区域的识别过程中可以得到目标切面图像,将所识别的目标切面图像输入至用于识别夹层动脉瘤的神经网络模型中,从而同时完成对腹主动脉区域及夹层动脉瘤的识别。对夹层动脉瘤的识别过程在对三维超声图像的腹主动脉区域部分识别过程中完成,二者不存在执行顺序的相互冲突。
除了可以对夹层动脉瘤的相关信息进行计算之外,还可以对非夹层动脉瘤的相关信息进行确定,相关信息可以是目标切面图像是否包含非夹层动脉瘤,例如可以基于腹主动脉区域的管径测量结果进行确定。具体地,根据腹主动脉的长轴方向内径和腹主动脉的短轴方向内径,确定目标切面图像是否包含非夹层动脉瘤,并在确定为是的基础上对非夹层动脉瘤进行提示。具体的非夹层动脉瘤提示方式可以包括:
(1)若腹主动脉的长轴方向内径超过预设的长轴内径阈值或腹主动脉的短轴方向内径超过预设的短轴内径阈值,则提示目标切面图像包含非夹层动脉瘤。
具体地,可以根据临床经验设定非夹层动脉瘤对应的内径阈值(长轴内径阈值或短轴内径阈值),包括但不限定于3.0厘米。具体地,可以选择长轴方向内径最大值或短轴方向内径最大值进行判断,超出该阈值则说明腹主动脉存在病变可能并可能存在非夹层动脉瘤。
(2)若多帧腹主动脉的长轴方向内径的平均值超过预设的长轴内径平均阈值,或者若多帧腹主动脉的短轴方向内径的平均值超过预设的短轴内径平均阈值,则提示目标切面图像包含非夹层动脉瘤。
具体地,计算腹主动脉的在长轴方向或短轴方向的平均内径,基于该平均内径与预设阈值之间的关系判断是否存在非夹层动脉瘤,若平均内径的值大于预设阈值则说明可能存在非夹层动脉瘤则可以进行提示。
(3)若腹主动脉的长轴方向内径的最大值与最小值之间的差值占最小值的比值超过预设的长轴内径比值阈值,或者,若腹主动脉的短轴方向内径的最大值与最小值之间的差值占最小值的比值超过预设的短轴内径比值阈值,则提示目标切面图像包含非夹层动脉瘤。
具体地,腹主动脉管径的变形情况也可以作为判断目标切面图像是否包含非夹层动脉瘤的依据。变形情况可以通过内径比值来确定,且预先设置内径比值阈值如0.5等数值。不论腹主动脉的长轴方向内径还是短轴方向内径,内径的最大值与最小值之间的差值占最小值的比值超过预设内径比值阈值,则认为腹主动脉出现变形且变形情况严重,进而认为存在非夹层动脉瘤。需要说明的是,长轴方向内径对应的内径比值阈值,与短轴方向内径对应的内径比值阈值可以相同也可以不同,本申请并不做具体限定。
需要说明的是,自动测量腹主动脉的相关信息时,若目标切面图像为医护人员人工选择,则需要先根据选目标切面图像时使用的切片工具的方位信息,判断目标切面图像属于横切面类型还是纵切面类型,然后再对目标切面图像中的腹主动脉区域进行定位,具体定位方法可以参见上文详细说明。除了自动测量腹主动脉内径外,超声检测设备还可以为医护人员提供手动测量工具,以使医护人员在所选的目标切面图像上进行测量,并将测量结果实时显示出来。
现有的腹主动脉检测过程中,医护人员根据二维的超声图像观察腹主动脉管壁情况以及管腔情况,如官腔前后径以及横径等,还需要在腹主动脉扫查过程中挑选病变区多个切面下有利于诊断的最佳二维超声图像,并手动测量管径等信息。该操作流程相对繁琐耗时、效率较低且对于水平及经验有限的医护人员,可能不易准确地挑选出评估病变区最佳的切面做出准确的手动测量。然而,本申请提供的实施例可以实现切面图像的自动选择,或者可以自动定位腹主动脉区域并自动进行相关重要诊断指标的测量,从而不仅简化了医护人员的操作流程,且提高了医护人员的腹主动脉超声检查效率和准确率。
腹主动脉成像方法通过多帧二维超声数据及其对应的空间位置信息重建腹主动脉的三维超声图像,并对三维超声图像进行展示。三维超声图像直观地展示了腹主动脉的整体结构信息,所提供的腹主动脉信息更加丰富,从而基于该三维超声图像得到的疾病诊断结果准确度也更高。
为了保证上述方法实施例在实际中的应用及实现,本申请还提供了一种超声检测设备,具体包括超声检测探头以及处理器。
超声检测探头,用于向目标对象的腹部空间发射超声波;
处理器,配置为控制所述超声检测探头向目标对象的腹部空间发射超声波,并控制所述超声检测探头接收从所述目标对象的腹部空间返回的超声回波信号;基于所述超声回波信号进行三维图像重建,得到所述腹主动脉的三维超声图像;从所述三维超声图像中选取目标切面图像,所述目标切面图像包括腹主动脉横切面图像和/或腹主动脉纵切面图像;以及基于所述目标切面图像,计算腹主动脉的相关信息。
在一种实现方式中,所述处理器计算的腹主动脉的相关信息包括以下至少一项:腹主动脉的长轴方向内径、腹主动脉的短轴方向内径以及腹主动脉瘤的相关信息;所述腹主动脉瘤的相关信息包括:夹层动脉瘤的相关信息和/或非夹层动脉瘤的相关信息。
在一种实现方式中,所述处理器基于所述目标切面图像,确定夹层动脉瘤的相关信息,具体用于:将所述目标切面图像输入预先训练完成的神经网络模型,以获得所述神经网络模型输出的夹层动脉瘤相关信息;所述神经网络模型由深度学习算法对腹主动脉切面图像训练得到,且所述腹主动脉切面图像具有与夹层动脉瘤相关的标注信息。
在一种实现方式中,所述标注信息为所述腹主动脉切面图像是否包含夹层动脉瘤,所述神经网络模型输出的夹层动脉瘤相关信息为所述目标切面图像是否包含夹层动脉瘤。
在一种实现方式中,所述标注信息为所述腹主动脉切面图像中夹层动脉瘤所在的区域位置,所述神经网络模型输出的夹层动脉瘤相关信息为所述目标切面图像中夹层动脉瘤的区域位置。
在一种实现方式中,超声检测设备还包括显示器;所述处理器基于所述目标切面图像,确定非夹层动脉瘤的相关信息,具体用于:根据所述腹主动脉的长轴方向内径和/或腹主动脉的短轴方向内径生成提示信息,所述提示信息用于提示所述目标切面图像是否包含非夹层动脉瘤;显示器,用于显示所述提示信息。
本申请还提供了一种超声检测设备,如图10所示,超声检测设备可以具体包括:超声检测探头1001、处理器1002以及显示器1003。
超声检测探头1001,用于向目标对象的腹部空间发射超声波。
处理器1002,配置为控制超声检测探头向目标对象的腹部空间发射超声波,并控制所述超声检测探头接收从所述目标对象的腹部空间返回的超声回波信号;基于所述超声回波信号进行三维图像重建,得到所述腹主动脉的三维超声图像。
需要说明的是,该超声检测设备可以集成有超声探头以及超声波的处理电路,从而由该超声检测设备自身对超声波进行处理得到该二维超声数据。或者,该超声检测设备也可以为超声成像设备,并不集成有超声探头以及超声波的处理电路,在其他超声检测设备处理得到二维超声数据后,将二维超声数据发送给该超声成像设备,由该超声成像设备重建得到三维超声图像。
有关二维超声数据的说明可以参见图1实施例相关内容,此处并不赘述。
另外,在该超声检测设备设置有超声探头的情况下,其还可以设置有空间定位装置,如磁场空间定位装置,以提供二维超声数据的空间位置信息。例如,磁场空间定位装置可以具体包含电磁场发生器、空间位置感测器(或接收器)和微处理器三部分,其可以感知超声探头在三维空间中的运动轨迹,提供三维重建时所需的每帧二维超声图像的空间坐标和方位信息。或者,在该超声检测设备未设置有超声探头的情况下,二维超声数据的空间位置信息可以由其他可以测量三维空间位置的装置获得,并与二维超声数据一并发送给该超声检测装置。
显示器1003,用于显示所述腹主动脉的三维超声图像。
在一种实现方式中,所述处理器基于所述超声回波信号进行三维图像重建,得到所述腹主动脉的三维超声图像,具体用于:
处理所述超声回波信号得到所述腹主动脉的多帧二维超声数据,并获得所述二维超声数据对应的空间位置信息,所述空间位置信息用于表示所述二维超声数据所扫描的腹主动脉在腹部空间的位置信息;以及基于多帧所述二维超声数据以及所述二维超声数据对应的空间位置信息,重建所述腹主动脉的三维超声图像。更具体的实现方式为,确定待重建的三维超声图像的腹主动脉体数据;根据多帧所述二维超声数据的空间位置信息,建立多帧所述二维超声数据中的像素与所述腹主动脉体数据的体素之间的映射关系;根据所述映射关系,将多帧所述二维超声数据的像素值映射为所述腹主动脉体数据的体素值,以得到腹主动脉的三维超声图像。
在一种实现方式中,所述处理器,还配置为从所述三维超声图像中选取目标切面图像,所述目标切面图像包括腹主动脉横切面图像和/或腹主动脉纵切面图像;以及基于所述目标切面图像,计算腹主动脉的相关信息。
在一种实现方式中,所述处理器从所述三维超声图像中选取目标切面图像,具体用于:
旋转和/或移动所述三维超声图像,以显示不同空间视角下的三维超声图像;响应用户在目标空间视角下的三维超声图像中选择腹主动脉感兴趣切面图像的操作,将用户选择的腹主动脉感兴趣切面图像确定为目标切面图像。
在一种实现方式中,所述处理器从所述三维超声图像中选取目标切面图像,具体用于:
基于腹主动脉的结构特征,对所述三维超声图像进行图像识别,以识别出所述三维超声图像中的腹主动脉区域;确定所述腹主动脉区域的中心线;基于所述腹主动脉区域的中心线,选取目标切面图像。
在一种实现方式中,所述处理器确定所述腹主动脉区域的中心线,具体用于:
从所述三维超声图像中选取至少一张腹主动脉横切面图像;从所述至少一张腹主动脉横切面图像中识别出的腹主动脉区域,确定中心位置;基于至少一张所述腹主动脉横切面图像的腹主动脉区域中心位置,拟合所述腹主动脉区域的中心线。
在一种实现方式中,所述处理器基于所述腹主动脉区域的中心线,选取目标切面图像,具体用于:
从所述三维超声图像中,选取通过所述中心线的腹主动脉纵切面图像作为目标切面图像;或者,从所述三维超声图像中,选取与所述腹主动脉纵切面图像正交的腹主动脉横切面图像作为目标切面图像。
在一种实现方式中,所述处理器,还配置为基于腹主动脉的结构特征,对所述三维超声图像进行图像识别,以识别出所述三维超声图像中的腹主动脉区域。
在一种实现方式中,所述处理器基于腹主动脉的结构特征,对所述三维超声图像进行图像识别,具体用于:
从所述三维超声图像中选择多帧二维的腹主动脉切面图像,所述腹主动脉切面图像包括腹主动脉横切面图像和/或腹主动脉纵切面图像;基于腹主动脉的结构特征,在所述腹主动脉切面图像中识别腹主动脉区域;基于多帧二维的所述腹主动脉切面图像中的腹主动脉区域,拼接得到三维超声图像的腹主动脉区域。
在一种实现方式中,所述处理器基于腹主动脉的结构特征,在所述腹主动脉切面图像中识别腹主动脉区域,具体用于:
获得预先训练完成的神经网络模型,其中所述神经网络模型由深度学习算法对具有标注信息的多帧二维腹主动脉切面图像样本训练得到,所述标注信息用于表示所述腹主动脉切面图像样本中的腹主动脉区域;将所述腹主动脉切面图像输入所述神经网络模型,以得到所述神经网络模型基于所述腹主动脉的结构特征输出的识别结果,所述识别结果用于表示所述腹主动脉切面图像包括的腹主动脉区域。
在一种实现方式中,所述标注信息为包围腹主动脉区域的规则形状框,则所述识别结果包括包围腹主动脉区域的规则形状框;或,所述标注信息为标记腹主动脉区域的边界线,则所述识别结果包括标记腹主动脉区域的边界线。
在一种实现方式中,所述处理器基于腹主动脉的结构特征,在所述腹主动脉切面图像中识别腹主动脉区域,具体用于:
基于所述腹主动脉的结构特征,从所述腹主动脉切面图像中选择感兴趣图像区域,并提取所述感兴趣图像区域的图像特征;从预先构建的图像库中获得腹主动脉二维图像,并获得所述腹主动脉二维图像预先标记的腹主动脉区域的图像特征;将提取的图像特征与预先标记的腹主动脉区域的图像特征进行匹配,以确定所述感兴趣图像区域是否包含腹主动脉区域。
在一种实现方式中,所述处理器从所述腹主动脉切面图像中选择感兴趣图像区域,具体用于:
利用目标检测算法从所述腹主动脉切面图像中检测感兴趣图像区域,并使用规则形状框标记所述感兴趣图像区域;或,利用图像分割算法从所述腹主动脉切面图像中分割感兴趣图像区域,并标记所述感兴趣图像区域的轮廓。
在一种实现方式中,所述处理器基于腹主动脉的结构特征,对所述三维超声图像进行图像识别,具体用于:
获得预先训练完成的神经网络模型,所述神经网络模型由深度学习算法对具有腹主动脉区域标记的三维超声体数据训练得到;将所述三维超声图像输入所述神经网络模型,以获得所述神经网络基于学习到的腹主动脉特征输出的识别结果,所述识别结果用于表示腹主动脉区域在所述三维超声图像中的空间位置。
在一种实现方式中,所述处理器基于所述目标切面图像,确定腹主动脉的相关信息,具体用于:
若所述目标切面图像不具有对腹主动脉区域的识别结果,则响应用户在所述目标切面图像上标记腹主动脉边界的操作,将所述腹主动脉边界包围的图像区域确定为腹主动脉区域;基于所述目标切面图像的腹主动脉区域,计算腹主动脉的相关信息。
在一种实现方式中,所述处理器基于所述目标切面图像,确定腹主动脉的相关信息,具体用于:
若所述目标切面图像不具有对腹主动脉区域的识别结果,则基于腹主动脉的结构特征,在所述目标切面图像中识别腹主动脉区域;基于所述目标切面图像的腹主动脉区域,计算腹主动脉的相关信息。
在一种实现方式中,所述腹主动脉的相关信息包括以下至少一项:腹主动脉的长轴方向内径、腹主动脉的短轴方向内径以及腹主动脉瘤的相关信息;所述腹主动脉瘤的相关信息包括:夹层动脉瘤的相关信息和/或非夹层动脉瘤的相关信息。
在一种实现方式中,所述处理器基于所述目标切面图像,计算腹主动脉的长轴方向内径和/或腹主动脉的短轴方向内径,具体用于:
若所述腹主动脉横切面图像具有标记腹主动脉区域的边界线,基于所述边界线计算腹主动脉的短轴方向内径;和/或,若所述腹主动脉纵切面图像具有标记腹主动脉区域的边界线,确定所述腹主动脉区域的中心线,基于所述边界线和所述中心线计算腹主动脉的长轴方向内径。
在一种实现方式中,所述处理器基于所述目标切面图像,计算腹主动脉的长轴方向内径和/或腹主动脉的短轴方向内径,具体用于:
若所述腹主动脉横切面图像具有包围腹主动脉区域的规则形状框,将所述规则形状框的长或宽确定为腹主动脉的短轴方向内径;和/或,若所述腹主动脉纵切面图像具有包围腹主动脉区域的规则形状框,确定所述腹主动脉区域的中心线,基于所述规则形状框和所述中心线计算腹主动脉的长轴方向内径。
在一种实现方式中,所述处理器,还配置为根据多帧所述腹主动脉横切面图像以及所述腹主动脉横切面图像对应的短轴方向内径,生成短轴内径变化曲线;其中所述短轴内径变化曲线的横坐标为腹主动脉横切面图像在腹主动脉中心线的位置,纵坐标为腹主动脉横切面图像对应的短轴方向内径;和/或,根据多帧所述腹主动脉纵切面图像以及所述腹主动脉纵切面图像对应的长轴方向内径,生成长轴内径变化曲线;其中所述长轴内径变化曲线的横坐标为腹主动脉纵切面图像在腹主动脉中心线的位置,纵坐标为腹主动脉纵切面图像对应的长轴方向内径。
在一种实现方式中,所述处理器,还配置为在所述短轴内径变化曲线上标记短轴方向内径最大值;和/或,在所述长轴内径变化曲线上标记长轴方向内径最大值。
在一种实现方式中,所述显示器,还用于显示所述短轴方向内径最大值对应的腹主动脉横切面图像;和/或,显示所述长轴方向内径最大值对应的腹主动脉纵切面图像。
在一种实现方式中,所述处理器基于所述目标切面图像,确定夹层动脉瘤的相关信息,具体用于:
将所述目标切面图像输入预先训练完成的神经网络模型,以获得所述神经网络模型输出的夹层动脉瘤相关信息;所述神经网络模型由深度学习算法对腹主动脉切面图像训练得到,且所述腹主动脉切面图像具有与夹层动脉瘤相关的标注信息。
在一种实现方式中,所述标注信息为所述腹主动脉切面图像是否包含夹层动脉瘤,所述神经网络模型输出的夹层动脉瘤相关信息为所述目标切面图像是否包含夹层动脉瘤。
在一种实现方式中,所述标注信息为所述腹主动脉切面图像中夹层动脉瘤所在的区域位置,所述神经网络模型输出的夹层动脉瘤相关信息为所述目标切面图像中夹层动脉瘤的区域位置。
在一种实现方式中,所述处理器基于所述目标切面图像,确定非夹层动脉瘤的相关信息,具体用于:
根据所述腹主动脉的长轴方向内径和/或腹主动脉的短轴方向内径,提示所述目标切面图像是否包含非夹层动脉瘤。
在一种实现方式中,所述处理器根据所述腹主动脉的长轴方向内径和/或腹主动脉的短轴方向内径,提示所述目标切面图像是否包含非夹层动脉瘤,具体用于:
若所述腹主动脉的长轴方向内径超过预设的长轴内径阈值,提示所述目标切面图像包含非夹层动脉瘤;
若所述腹主动脉的短轴方向内径超过预设的短轴内径阈值,提示所述目标切面图像包含非夹层动脉瘤;
若多帧所述腹主动脉的长轴方向内径的平均值超过预设的长轴内径平均阈值,提示所述目标切面图像包含非夹层动脉瘤;
若多帧所述腹主动脉的短轴方向内径的平均值超过预设的短轴内径平均阈值,提示所述目标切面图像包含非夹层动脉瘤;
若所述腹主动脉的长轴方向内径的最大值与最小值之间的差值占所述最小值的比值超过预设的长轴内径比值阈值,提示所述目标切面图像包含非夹层动脉瘤;
若所述腹主动脉的短轴方向内径的最大值与最小值之间的差值占所述最小值的比值超过预设的短轴内径比值阈值,提示所述目标切面图像包含非夹层动脉瘤。
在一种实现方式中,所述处理器,还配置为在所述基于腹主动脉的结构特征,在所述腹主动脉切面图像中识别腹主动脉区域的步骤之后,将所述目标切面图像输入预先训练完成的神经网络模型,以获得所述神经网络模型输出的夹层动脉瘤相关信息;所述神经网络模型由深度学习算法对腹主动脉切面图像训练得到,且所述腹主动脉切面图像具有与夹层动脉瘤相关的标注信息。
见图11,本申请实施例还提供了超声检测设备的一种具体结构,包括:探头1101、空间定位装置1102、发射电路1103、发射/接收选择开关1104、接收电路1105、波束合成电路1106、处理器1107、显示器1108以及存储器1109。
发射电路1103可以激励探头1101向目标区域发射超声波,目标区域如腹主动脉区域;接收电路1105可以通过探头1101接收从目标区域返回的超声回波,从而获得超声回波信号/数据;该超声回波信号/数据经过波束合成电路1106进行波束合成处理后,送入处理器1107。空间定位装置1102可以获得探头的运动轨迹,从而获得二维超声图像的空间位置信息。空间位置信息也送入处理器1107。
处理器1107对该超声回波信号/数据进行处理,以获得目标区域的二维超声图像;以及获得腹主动脉的多帧二维超声数据以及所述二维超声数据对应的空间位置信息,所述空间位置信息用于表示所述二维超声数据所扫描的腹主动脉在腹部空间的位置信息;以及基于多帧所述二维超声数据以及所述二维超声数据对应的空间位置信息,重建所述腹主动脉的三维超声图像。另外,处理器1107还可以执行上述各个方法实施例中与处理器相关的其他步骤,此处并不赘述。
处理器1107获得的三维超声图像可以存储于存储器1109中,三维超声图像可以在显示器1108上显示。
在一个实施例中,该超声检测设备的显示器1108可以为触摸显示屏、液晶显示屏等,也可以是独立于超声检测设备之外的液晶显示器、电视机等独立显示设备,也可为手机、平板电脑等电子设备上的显示屏,等等。
实际应用中,处理器1107可以为特定用途集成电路(Application SpecificIntegrated Circuit,ASIC)、数字信号处理器(Digital Signal Processor,DSP)、数字信号处理装置(Digital Signal Processing Device,DSPD)、可编程逻辑装置(ProgrammableLogic Device,PLD)、现场可编程门阵列(Field Programmable Gate Array,FPGA)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器中的至少一种,从而使得该处理器1107可以执行本申请的各个实施例中的超声成像方法的相应步骤。
存储器1109可以是易失性存储器(volatile memory),例如随机存取存储器(Random Access Memory,RAM);或者非易失性存储器(non-volatile memory),例如只读存储器(Read Only Memory,ROM),快闪存储器(flash memory),硬盘(Hard Disk Drive,HDD)或固态硬盘(Solid-State Drive,SSD);或者以上种类的存储器的组合,并向处理器提供指令和数据。
本文参照了各种示范实施例进行说明。然而,本领域的技术人员将认识到,在不脱离本文范围的情况下,可以对示范性实施例做出改变和修正。例如,各种操作步骤以及用于执行操作步骤的组件,可以根据特定的应用或考虑与系统的操作相关联的任何数量的成本函数以不同的方式实现(例如一个或多个步骤可以被删除、修改或结合到其他步骤中)。
本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同的对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法或设备固有的其他步骤或单元。
另外,如本领域技术人员所理解的,本文的原理可以反映在计算机可读存储介质上的计算机程序产品中,该可读存储介质预装有计算机可读程序代码。任何有形的、非暂时性的计算机可读存储介质皆可被使用,包括磁存储设备(硬盘、软盘等)、光学存储设备(CD-ROM、DVD、Blu Ray盘等)、闪存和/或诸如此类。这些计算机程序指令可被加载到通用计算机、专用计算机或其他可编程数据处理设备上以形成机器,使得这些在计算机上或其他可编程数据处理装置上执行的指令可以生成实现指定的功能的装置。这些计算机程序指令也可以存储在计算机可读存储器中,该计算机可读存储器可以指示计算机或其他可编程数据处理设备以特定的方式运行,这样存储在计算机可读存储器中的指令就可以形成一件制造品,包括实现指定功能的实现装置。计算机程序指令也可以加载到计算机或其他可编程数据处理设备上,从而在计算机或其他可编程设备上执行一系列操作步骤以产生一个计算机实现的进程,使得在计算机或其他可编程设备上执行的指令可以提供用于实现指定功能的步骤。
前述具体说明已参照各种实施例进行了描述。然而,本领域技术人员将认识到,可以在不脱离本披露的范围的情况下进行各种修正和改变。因此,对于本披露的考虑将是说明性的而非限制性的意义上的,并且所有这些修改都将被包含在其范围内。同样,有关于各种实施例的优点、其他优点和问题的解决方案已如上所述。然而,益处、优点、问题的解决方案以及任何能产生这些的要素,或使其变得更明确的解决方案都不应被解释为关键的、必需的或必要的。本文中所用的术语“包括”和其任何其他变体,皆属于非排他性包含,这样包括要素列表的过程、方法、文章或设备不仅包括这些要素,还包括未明确列出的或不属于该过程、方法、系统、文章或设备的其他要素。此外,本文中所使用的术语“耦合”和其任何其他变体都是指物理连接、电连接、磁连接、光连接、通信连接、功能连接和/或任何其他连接。
以上实施例仅表达了几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (57)
1.一种腹主动脉成像方法,其特征在于,包括:
控制超声检测探头向目标对象的腹部空间发射超声波,并控制所述超声检测探头接收从所述目标对象的腹部空间返回的超声回波信号;
基于所述超声回波信号进行三维图像重建,得到所述腹主动脉的三维超声图像;
从所述三维超声图像中选取目标切面图像,所述目标切面图像包括腹主动脉横切面图像和/或腹主动脉纵切面图像;
基于所述目标切面图像,计算腹主动脉的相关信息。
2.如权利要求1所述的腹主动脉成像方法,其特征在于,
所述腹主动脉的相关信息包括以下至少一项:腹主动脉的长轴方向内径、腹主动脉的短轴方向内径以及腹主动脉瘤的相关信息;
所述腹主动脉瘤的相关信息包括:夹层动脉瘤的相关信息和/或非夹层动脉瘤的相关信息。
3.如权利要求1或2所述的腹主动脉成像方法,其特征在于,所述基于所述目标切面图像,计算腹主动脉的长轴方向内径和/或腹主动脉的短轴方向内径的步骤,包括:
若所述腹主动脉横切面图像具有标记腹主动脉区域的边界线,基于所述边界线计算腹主动脉的短轴方向内径;和/或,
若所述腹主动脉纵切面图像具有标记腹主动脉区域的边界线,确定所述腹主动脉区域的中心线,基于所述边界线和所述中心线计算腹主动脉的长轴方向内径。
4.如权利要求1或2所述的腹主动脉成像方法,其特征在于,所述基于所述目标切面图像,计算腹主动脉的长轴方向内径和/或腹主动脉的短轴方向内径的步骤,包括:
若所述腹主动脉横切面图像具有包围腹主动脉区域的规则形状框,将所述规则形状框的长或宽确定为腹主动脉的短轴方向内径;和/或,
若所述腹主动脉纵切面图像具有包围腹主动脉区域的规则形状框,确定所述腹主动脉区域的中心线,基于所述规则形状框和所述中心线计算腹主动脉的长轴方向内径。
5.如权利要求1-4任意一项所述的腹主动脉成像方法,其特征在于,还包括:
根据多帧所述腹主动脉横切面图像以及所述腹主动脉横切面图像对应的短轴方向内径,生成短轴内径变化曲线;其中所述短轴内径变化曲线的横坐标为腹主动脉横切面图像在腹主动脉中心线的位置,纵坐标为腹主动脉横切面图像对应的短轴方向内径;和/或,
根据多帧所述腹主动脉纵切面图像以及所述腹主动脉纵切面图像对应的长轴方向内径,生成长轴内径变化曲线;其中所述长轴内径变化曲线的横坐标为腹主动脉纵切面图像在腹主动脉中心线的位置,纵坐标为腹主动脉纵切面图像对应的长轴方向内径。
6.如权利要求1-5任意一项所述的腹主动脉成像方法,其特征在于,还包括:
在所述短轴内径变化曲线上标记短轴方向内径最大值;和/或,
在所述长轴内径变化曲线上标记长轴方向内径最大值。
7.如权利要求1-6任意一项所述的腹主动脉成像方法,其特征在于,还包括:
显示所述短轴方向内径最大值对应的腹主动脉横切面图像;和/或,
显示所述长轴方向内径最大值对应的腹主动脉纵切面图像。
8.一种腹主动脉成像方法,其特征在于,包括:
控制超声检测探头向目标对象的腹部空间发射超声波,并控制所述超声检测探头接收从所述目标对象的腹部空间返回的超声回波信号;
基于所述超声回波信号进行三维图像重建,得到所述腹主动脉的三维超声图像;
显示所述腹主动脉的三维超声图像。
9.如权利要求8所述的腹主动脉成像方法,其特征在于,所述基于所述超声回波信号进行三维图像重建,得到所述腹主动脉的三维超声图像的步骤,包括:
处理所述超声回波信号得到所述腹主动脉的多帧二维超声数据,并获得所述二维超声数据对应的空间位置信息,所述空间位置信息用于表示所述二维超声数据所扫描的腹主动脉在腹部空间的位置信息;
基于多帧所述二维超声数据以及所述二维超声数据对应的空间位置信息,重建所述腹主动脉的三维超声图像。
10.如权利要求8所述的腹主动脉成像方法,其特征在于,还包括:
从所述三维超声图像中选取目标切面图像,所述目标切面图像包括腹主动脉横切面图像和/或腹主动脉纵切面图像;
基于所述目标切面图像,计算腹主动脉的相关信息。
11.如权利要求10所述的腹主动脉成像方法,其特征在于,所述从所述三维超声图像中选取目标切面图像的步骤,包括:
旋转和/或移动所述三维超声图像,以显示不同空间视角下的三维超声图像;
响应用户在目标空间视角下的三维超声图像中选择腹主动脉感兴趣切面图像的操作,将用户选择的腹主动脉感兴趣切面图像确定为目标切面图像。
12.如权利要求10所述的腹主动脉成像方法,其特征在于,所述从所述三维超声图像中选取目标切面图像的步骤,包括:
基于腹主动脉的结构特征,对所述三维超声图像进行图像识别,以识别出所述三维超声图像中的腹主动脉区域;
确定所述腹主动脉区域的中心线;
基于所述腹主动脉区域的中心线,选取目标切面图像。
13.如权利要求12所述的腹主动脉成像方法,其特征在于,所述确定所述腹主动脉区域的中心线的步骤,包括:
从所述三维超声图像中选取至少一张腹主动脉横切面图像;
从所述至少一张腹主动脉横切面图像中识别出的腹主动脉区域,确定中心位置;
基于至少一张所述腹主动脉横切面图像的腹主动脉区域中心位置,拟合所述腹主动脉区域的中心线。
14.如权利要求12所述的腹主动脉成像方法,其特征在于,所述基于所述腹主动脉区域的中心线,选取目标切面图像的步骤,包括:
从所述三维超声图像中,选取通过所述中心线的腹主动脉纵切面图像作为目标切面图像;或者,
从所述三维超声图像中,选取与所述腹主动脉纵切面图像正交的腹主动脉横切面图像作为目标切面图像。
15.如权利要求8所述的腹主动脉成像方法,其特征在于,还包括:
基于腹主动脉的结构特征,对所述三维超声图像进行图像识别,以识别出所述三维超声图像中的腹主动脉区域。
16.如权利要求12或15所述的腹主动脉成像方法,其特征在于,所述基于腹主动脉的结构特征,对所述三维超声图像进行图像识别的步骤,包括:
从所述三维超声图像中选择多帧二维的腹主动脉切面图像,所述腹主动脉切面图像包括腹主动脉横切面图像和/或腹主动脉纵切面图像;
基于腹主动脉的结构特征,在所述腹主动脉切面图像中识别腹主动脉区域;
基于多帧二维的所述腹主动脉切面图像中的腹主动脉区域,拼接得到三维超声图像的腹主动脉区域。
17.如权利要求16所述的腹主动脉成像方法,其特征在于,所述基于腹主动脉的结构特征,在所述腹主动脉切面图像中识别腹主动脉区域的步骤,包括:
获得预先训练完成的神经网络模型,其中所述神经网络模型由深度学习算法对具有标注信息的多帧二维腹主动脉切面图像样本训练得到,所述标注信息用于表示所述腹主动脉切面图像样本中的腹主动脉区域;
将所述腹主动脉切面图像输入所述神经网络模型,以得到所述神经网络模型基于所述腹主动脉的结构特征输出的识别结果,所述识别结果用于表示所述腹主动脉切面图像包括的腹主动脉区域。
18.如权利要求17所述的腹主动脉成像方法,其特征在于,
所述标注信息为包围腹主动脉区域的规则形状框,则所述识别结果包括包围腹主动脉区域的规则形状框;或,
所述标注信息为标记腹主动脉区域的边界线,则所述识别结果包括标记腹主动脉区域的边界线。
19.如权利要求16所述的腹主动脉成像方法,其特征在于,所述基于腹主动脉的结构特征,在所述腹主动脉切面图像中识别腹主动脉区域的步骤,包括:
基于所述腹主动脉的结构特征,从所述腹主动脉切面图像中选择感兴趣图像区域,并提取所述感兴趣图像区域的图像特征;
从预先构建的图像库中获得腹主动脉二维图像,并获得所述腹主动脉二维图像预先标记的腹主动脉区域的图像特征;
将提取的图像特征与预先标记的腹主动脉区域的图像特征进行匹配,以确定所述感兴趣图像区域是否包含腹主动脉区域。
20.如权利要求19所述的腹主动脉成像方法,其特征在于,所述从所述腹主动脉切面图像中选择感兴趣图像区域的步骤,包括:
利用目标检测算法从所述腹主动脉切面图像中检测感兴趣图像区域,并使用规则形状框标记所述感兴趣图像区域;或,
利用图像分割算法从所述腹主动脉切面图像中分割感兴趣图像区域,并标记所述感兴趣图像区域的轮廓。
21.如权利要求12或15所述的腹主动脉成像方法,其特征在于,所述基于腹主动脉的结构特征,对所述三维超声图像进行图像识别的步骤,包括:
获得预先训练完成的神经网络模型,所述神经网络模型由深度学习算法对具有腹主动脉区域标记的三维超声体数据训练得到;
将所述三维超声图像输入所述神经网络模型,以获得所述神经网络基于学习到的腹主动脉特征输出的识别结果,所述识别结果用于表示腹主动脉区域在所述三维超声图像中的空间位置。
22.如权利要求10所述的腹主动脉成像方法,其特征在于,所述基于所述目标切面图像,确定腹主动脉的相关信息的步骤,包括:
若所述目标切面图像不具有对腹主动脉区域的识别结果,则响应用户在所述目标切面图像上标记腹主动脉边界的操作,将所述腹主动脉边界包围的图像区域确定为腹主动脉区域;
基于所述目标切面图像的腹主动脉区域,计算腹主动脉的相关信息。
23.如权利要求10所述的腹主动脉成像方法,其特征在于,所述基于所述目标切面图像,确定腹主动脉的相关信息的步骤,包括:
若所述目标切面图像不具有对腹主动脉区域的识别结果,则基于腹主动脉的结构特征,在所述目标切面图像中识别腹主动脉区域;
基于所述目标切面图像的腹主动脉区域,计算腹主动脉的相关信息。
24.如权利要求10所述的腹主动脉成像方法,其特征在于,
所述腹主动脉的相关信息包括以下至少一项:腹主动脉的长轴方向内径、腹主动脉的短轴方向内径以及腹主动脉瘤的相关信息;
所述腹主动脉瘤的相关信息包括:夹层动脉瘤的相关信息和/或非夹层动脉瘤的相关信息。
25.如权利要求24所述的腹主动脉成像方法,其特征在于,所述基于所述目标切面图像,计算腹主动脉的长轴方向内径和/或腹主动脉的短轴方向内径的步骤,包括:
若所述腹主动脉横切面图像具有标记腹主动脉区域的边界线,基于所述边界线计算腹主动脉的短轴方向内径;和/或,
若所述腹主动脉纵切面图像具有标记腹主动脉区域的边界线,确定所述腹主动脉区域的中心线,基于所述边界线和所述中心线计算腹主动脉的长轴方向内径。
26.如权利要求24所述的腹主动脉成像方法,其特征在于,所述基于所述目标切面图像,计算腹主动脉的长轴方向内径和/或腹主动脉的短轴方向内径的步骤,包括:
若所述腹主动脉横切面图像具有包围腹主动脉区域的规则形状框,将所述规则形状框的长或宽确定为腹主动脉的短轴方向内径;和/或,
若所述腹主动脉纵切面图像具有包围腹主动脉区域的规则形状框,确定所述腹主动脉区域的中心线,基于所述规则形状框和所述中心线计算腹主动脉的长轴方向内径。
27.如权利要求24所述的腹主动脉成像方法,其特征在于,还包括:
根据多帧所述腹主动脉横切面图像以及所述腹主动脉横切面图像对应的短轴方向内径,生成短轴内径变化曲线;其中所述短轴内径变化曲线的横坐标为腹主动脉横切面图像在腹主动脉中心线的位置,纵坐标为腹主动脉横切面图像对应的短轴方向内径;和/或,
根据多帧所述腹主动脉纵切面图像以及所述腹主动脉纵切面图像对应的长轴方向内径,生成长轴内径变化曲线;其中所述长轴内径变化曲线的横坐标为腹主动脉纵切面图像在腹主动脉中心线的位置,纵坐标为腹主动脉纵切面图像对应的长轴方向内径。
28.如权利要求27所述的腹主动脉成像方法,其特征在于,还包括:
在所述短轴内径变化曲线上标记短轴方向内径最大值;和/或,
在所述长轴内径变化曲线上标记长轴方向内径最大值。
29.如权利要求28所述的腹主动脉成像方法,其特征在于,还包括:
显示所述短轴方向内径最大值对应的腹主动脉横切面图像;和/或,
显示所述长轴方向内径最大值对应的腹主动脉纵切面图像。
30.如权利要求24所述的腹主动脉成像方法,其特征在于,所述基于所述目标切面图像,确定夹层动脉瘤的相关信息的步骤,包括:
将所述目标切面图像输入预先训练完成的神经网络模型,以获得所述神经网络模型输出的夹层动脉瘤相关信息;
所述神经网络模型由深度学习算法对腹主动脉切面图像训练得到,且所述腹主动脉切面图像具有与夹层动脉瘤相关的标注信息。
31.如权利要求30所述的腹主动脉成像方法,其特征在于,
所述标注信息为所述腹主动脉切面图像是否包含夹层动脉瘤,所述神经网络模型输出的夹层动脉瘤相关信息为所述目标切面图像是否包含夹层动脉瘤。
32.如权利要求30所述的腹主动脉成像方法,其特征在于,
所述标注信息为所述腹主动脉切面图像中夹层动脉瘤所在的区域位置,所述神经网络模型输出的夹层动脉瘤相关信息为所述目标切面图像中夹层动脉瘤的区域位置。
33.如权利要求24所述的腹主动脉成像方法,其特征在于,所述基于所述目标切面图像,确定非夹层动脉瘤的相关信息的步骤,包括:
根据所述腹主动脉的长轴方向内径和/或腹主动脉的短轴方向内径,提示所述目标切面图像是否包含非夹层动脉瘤。
34.如权利要求33所述的腹主动脉成像方法,其特征在于,所述根据所述腹主动脉的长轴方向内径和/或腹主动脉的短轴方向内径,提示所述目标切面图像是否包含非夹层动脉瘤的步骤,包括:
若所述腹主动脉的长轴方向内径超过预设的长轴内径阈值,提示所述目标切面图像包含非夹层动脉瘤;
若所述腹主动脉的短轴方向内径超过预设的短轴内径阈值,提示所述目标切面图像包含非夹层动脉瘤;
若多帧所述腹主动脉的长轴方向内径的平均值超过预设的长轴内径平均阈值,提示所述目标切面图像包含非夹层动脉瘤;
若多帧所述腹主动脉的短轴方向内径的平均值超过预设的短轴内径平均阈值,提示所述目标切面图像包含非夹层动脉瘤;
若所述腹主动脉的长轴方向内径的最大值与最小值之间的差值占所述最小值的比值超过预设的长轴内径比值阈值,提示所述目标切面图像包含非夹层动脉瘤;
若所述腹主动脉的短轴方向内径的最大值与最小值之间的差值占所述最小值的比值超过预设的短轴内径比值阈值,提示所述目标切面图像包含非夹层动脉瘤。
35.如权利要求16所述的腹主动脉成像方法,其特征在于,在所述基于腹主动脉的结构特征,在所述腹主动脉切面图像中识别腹主动脉区域的步骤之后,还包括:
将所述目标切面图像输入预先训练完成的神经网络模型,以获得所述神经网络模型输出的夹层动脉瘤相关信息;
所述神经网络模型由深度学习算法对腹主动脉切面图像训练得到,且所述腹主动脉切面图像具有与夹层动脉瘤相关的标注信息。
36.一种超声检测设备,其特征在于,包括:
超声检测探头,用于向目标对象的腹部空间发射超声波;
处理器,配置为控制所述超声检测探头向目标对象的腹部空间发射超声波,并控制所述超声检测探头接收从所述目标对象的腹部空间返回的超声回波信号;基于所述超声回波信号进行三维图像重建,得到所述腹主动脉的三维超声图像;从所述三维超声图像中选取目标切面图像,所述目标切面图像包括腹主动脉横切面图像和/或腹主动脉纵切面图像;以及基于所述目标切面图像,计算腹主动脉的相关信息。
37.如权利要求36所述的超声检测设备,其特征在于,所述处理器计算的腹主动脉的相关信息包括以下至少一项:腹主动脉的长轴方向内径、腹主动脉的短轴方向内径以及腹主动脉瘤的相关信息;
所述腹主动脉瘤的相关信息包括:夹层动脉瘤的相关信息和/或非夹层动脉瘤的相关信息。
38.如权利要求37所述的超声检测设备,其特征在于,所述处理器基于所述目标切面图像,确定夹层动脉瘤的相关信息,具体用于:
将所述目标切面图像输入预先训练完成的神经网络模型,以获得所述神经网络模型输出的夹层动脉瘤相关信息;
所述神经网络模型由深度学习算法对腹主动脉切面图像训练得到,且所述腹主动脉切面图像具有与夹层动脉瘤相关的标注信息。
39.如权利要求38所述的超声检测设备,其特征在于,
所述标注信息为所述腹主动脉切面图像是否包含夹层动脉瘤,所述神经网络模型输出的夹层动脉瘤相关信息为所述目标切面图像是否包含夹层动脉瘤。
40.如权利要求38所述的超声检测设备,其特征在于,
所述标注信息为所述腹主动脉切面图像中夹层动脉瘤所在的区域位置,所述神经网络模型输出的夹层动脉瘤相关信息为所述目标切面图像中夹层动脉瘤的区域位置。
41.如权利要求37所述的超声检测设备,其特征在于,还包括显示器;
所述处理器基于所述目标切面图像,确定非夹层动脉瘤的相关信息,具体用于:根据所述腹主动脉的长轴方向内径和/或腹主动脉的短轴方向内径生成提示信息,所述提示信息用于提示所述目标切面图像是否包含非夹层动脉瘤;
显示器,用于显示所述提示信息。
42.一种超声检测设备,其特征在于,包括:
超声检测探头,用于向目标对象的腹部空间发射超声波;
处理器,配置为控制超声检测探头向目标对象的腹部空间发射超声波,并控制所述超声检测探头接收从所述目标对象的腹部空间返回的超声回波信号;基于所述超声回波信号进行三维图像重建,得到所述腹主动脉的三维超声图像;
显示器,用于显示所述腹主动脉的三维超声图像。
43.如权利要求42所述的超声检测设备,其特征在于,所述处理器基于所述超声回波信号进行三维图像重建,得到所述腹主动脉的三维超声图像,具体用于:
处理所述超声回波信号得到所述腹主动脉的多帧二维超声数据,并获得所述二维超声数据对应的空间位置信息,所述空间位置信息用于表示所述二维超声数据所扫描的腹主动脉在腹部空间的位置信息;
基于多帧所述二维超声数据以及所述二维超声数据对应的空间位置信息,重建所述腹主动脉的三维超声图像。
44.如权利要求42所述的超声检测设备,其特征在于,
所述处理器,还配置为从所述三维超声图像中选取目标切面图像,所述目标切面图像包括腹主动脉横切面图像和/或腹主动脉纵切面图像;以及基于所述目标切面图像,计算腹主动脉的相关信息。
45.如权利要求44所述的超声检测设备,其特征在于,所述处理器从所述三维超声图像中选取目标切面图像,具体用于:
旋转和/或移动所述三维超声图像,以显示不同空间视角下的三维超声图像;
响应用户在目标空间视角下的三维超声图像中选择腹主动脉感兴趣切面图像的操作,将用户选择的腹主动脉感兴趣切面图像确定为目标切面图像。
46.如权利要求42所述的超声检测设备,其特征在于,
所述处理器,还配置为基于腹主动脉的结构特征,对所述三维超声图像进行图像识别,以识别出所述三维超声图像中的腹主动脉区域。
47.如权利要求40所述的超声检测设备,其特征在于,所述处理器基于腹主动脉的结构特征,在所述腹主动脉切面图像中识别腹主动脉区域,具体用于:
获得预先训练完成的神经网络模型,其中所述神经网络模型由深度学习算法对具有标注信息的多帧二维腹主动脉切面图像样本训练得到,所述标注信息用于表示所述腹主动脉切面图像样本中的腹主动脉区域;
将所述腹主动脉切面图像输入所述神经网络模型,以得到所述神经网络模型基于所述腹主动脉的结构特征输出的识别结果,所述识别结果用于表示所述腹主动脉切面图像包括的腹主动脉区域。
48.如权利要求46所述的超声检测设备,其特征在于,所述处理器基于腹主动脉的结构特征,对所述三维超声图像进行图像识别,具体用于:
获得预先训练完成的神经网络模型,所述神经网络模型由深度学习算法对具有腹主动脉区域标记的三维超声体数据训练得到;
将所述三维超声图像输入所述神经网络模型,以获得所述神经网络基于学习到的腹主动脉特征输出的识别结果,所述识别结果用于表示腹主动脉区域在所述三维超声图像中的空间位置。
49.如权利要求44所述的超声检测设备,其特征在于,
所述腹主动脉的相关信息包括以下至少一项:腹主动脉的长轴方向内径、腹主动脉的短轴方向内径以及腹主动脉瘤的相关信息;
所述腹主动脉瘤的相关信息包括:夹层动脉瘤的相关信息和/或非夹层动脉瘤的相关信息。
50.如权利要求49所述的超声检测设备,其特征在于,所述处理器基于所述目标切面图像,计算腹主动脉的长轴方向内径和/或腹主动脉的短轴方向内径,具体用于:
若所述腹主动脉横切面图像具有标记腹主动脉区域的边界线,基于所述边界线计算腹主动脉的短轴方向内径;和/或,
若所述腹主动脉纵切面图像具有标记腹主动脉区域的边界线,确定所述腹主动脉区域的中心线,基于所述边界线和所述中心线计算腹主动脉的长轴方向内径。
51.如权利要求49所述的超声检测设备,其特征在于,所述处理器基于所述目标切面图像,计算腹主动脉的长轴方向内径和/或腹主动脉的短轴方向内径,具体用于:
若所述腹主动脉横切面图像具有包围腹主动脉区域的规则形状框,将所述规则形状框的长或宽确定为腹主动脉的短轴方向内径;和/或,
若所述腹主动脉纵切面图像具有包围腹主动脉区域的规则形状框,确定所述腹主动脉区域的中心线,基于所述规则形状框和所述中心线计算腹主动脉的长轴方向内径。
52.如权利要求49所述的超声检测设备,其特征在于,
所述处理器,还配置为根据多帧所述腹主动脉横切面图像以及所述腹主动脉横切面图像对应的短轴方向内径,生成短轴内径变化曲线;其中所述短轴内径变化曲线的横坐标为腹主动脉横切面图像在腹主动脉中心线的位置,纵坐标为腹主动脉横切面图像对应的短轴方向内径;和/或,根据多帧所述腹主动脉纵切面图像以及所述腹主动脉纵切面图像对应的长轴方向内径,生成长轴内径变化曲线;其中所述长轴内径变化曲线的横坐标为腹主动脉纵切面图像在腹主动脉中心线的位置,纵坐标为腹主动脉纵切面图像对应的长轴方向内径。
53.如权利要求50所述的超声检测设备,其特征在于,
所述处理器,还配置为在所述短轴内径变化曲线上标记短轴方向内径最大值;和/或,在所述长轴内径变化曲线上标记长轴方向内径最大值。
54.如权利要求49所述的超声检测设备,其特征在于,所述处理器基于所述目标切面图像,确定夹层动脉瘤的相关信息,具体用于:
将所述目标切面图像输入预先训练完成的神经网络模型,以获得所述神经网络模型输出的夹层动脉瘤相关信息;
所述神经网络模型由深度学习算法对腹主动脉切面图像训练得到,且所述腹主动脉切面图像具有与夹层动脉瘤相关的标注信息。
55.如权利要求49所述的超声检测设备,其特征在于,所述处理器基于所述目标切面图像,确定非夹层动脉瘤的相关信息,具体用于:
根据所述腹主动脉的长轴方向内径和/或腹主动脉的短轴方向内径,提示所述目标切面图像是否包含非夹层动脉瘤。
56.如权利要求55所述的超声检测设备,其特征在于,所述处理器根据所述腹主动脉的长轴方向内径和/或腹主动脉的短轴方向内径,提示所述目标切面图像是否包含非夹层动脉瘤,具体用于:
若所述腹主动脉的长轴方向内径超过预设的长轴内径阈值,提示所述目标切面图像包含非夹层动脉瘤;
若所述腹主动脉的短轴方向内径超过预设的短轴内径阈值,提示所述目标切面图像包含非夹层动脉瘤;
若多帧所述腹主动脉的长轴方向内径的平均值超过预设的长轴内径平均阈值,提示所述目标切面图像包含非夹层动脉瘤;
若多帧所述腹主动脉的短轴方向内径的平均值超过预设的短轴内径平均阈值,提示所述目标切面图像包含非夹层动脉瘤;
若所述腹主动脉的长轴方向内径的最大值与最小值之间的差值占所述最小值的比值超过预设的长轴内径比值阈值,提示所述目标切面图像包含非夹层动脉瘤;
若所述腹主动脉的短轴方向内径的最大值与最小值之间的差值占所述最小值的比值超过预设的短轴内径比值阈值,提示所述目标切面图像包含非夹层动脉瘤。
57.如权利要求46所述的超声检测设备,其特征在于,
所述处理器,还配置为在所述基于腹主动脉的结构特征,在所述腹主动脉切面图像中识别腹主动脉区域的步骤之后,将所述目标切面图像输入预先训练完成的神经网络模型,以获得所述神经网络模型输出的夹层动脉瘤相关信息;所述神经网络模型由深度学习算法对腹主动脉切面图像训练得到,且所述腹主动脉切面图像具有与夹层动脉瘤相关的标注信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011481308.4A CN114631849A (zh) | 2020-12-15 | 2020-12-15 | 腹主动脉成像方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011481308.4A CN114631849A (zh) | 2020-12-15 | 2020-12-15 | 腹主动脉成像方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114631849A true CN114631849A (zh) | 2022-06-17 |
Family
ID=81944910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011481308.4A Pending CN114631849A (zh) | 2020-12-15 | 2020-12-15 | 腹主动脉成像方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114631849A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953418A (zh) * | 2023-02-01 | 2023-04-11 | 公安部第一研究所 | 安检ct三维图像中笔记本区域剥离方法、存储介质及设备 |
-
2020
- 2020-12-15 CN CN202011481308.4A patent/CN114631849A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953418A (zh) * | 2023-02-01 | 2023-04-11 | 公安部第一研究所 | 安检ct三维图像中笔记本区域剥离方法、存储介质及设备 |
CN115953418B (zh) * | 2023-02-01 | 2023-11-07 | 公安部第一研究所 | 安检ct三维图像中笔记本区域剥离方法、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520519B (zh) | 一种图像处理方法、装置及计算机可读存储介质 | |
CN110338841B (zh) | 三维成像数据的显示处理方法和三维超声成像方法及系统 | |
Menchón-Lara et al. | Early-stage atherosclerosis detection using deep learning over carotid ultrasound images | |
US10383592B2 (en) | Apparatus and method for aiding imaging diagnosis | |
Rossi et al. | Combination of low level processing and active contour techniques for semi-automated volumetric lung lesion segmentation from thoracic CT images | |
US9109391B2 (en) | Method and branching determination device for determining a branching point within a hollow organ | |
JP5851160B2 (ja) | 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム | |
WO2016194161A1 (ja) | 超音波診断装置、及び画像処理方法 | |
US9087370B2 (en) | Flow diverter detection in medical imaging | |
CN112672691B (zh) | 一种超声成像方法及设备 | |
CN111374712B (zh) | 一种超声成像方法及超声成像设备 | |
US20210082108A1 (en) | Image processing for assessment of flat anatomical structures | |
Chen et al. | Automatic ovarian follicle quantification from 3D ultrasound data using global/local context with database guided segmentation | |
CN114631849A (zh) | 腹主动脉成像方法及相关设备 | |
CN115690556B (zh) | 一种基于多模态影像学特征的图像识别方法及系统 | |
CN115482223A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
Valarmathi et al. | Deep Learning Model for Automated Kidney Stone Detection using VGG16 | |
Al et al. | Reinforcement learning-based automatic diagnosis of acute appendicitis in abdominal ct | |
CN111862014A (zh) | 一种基于左右侧脑室分割的alvi自动测量方法及装置 | |
WO2022134049A1 (zh) | 胎儿颅骨的超声成像方法和超声成像系统 | |
van Erp | Automatic Abdominal Aortic Aneurysm Detection from Ultrasound Imaging using Deep Learning | |
EP4252670A1 (en) | Methods and systems for ultrasound-based structure localization using image and user inputs | |
Sajid et al. | Spatial Awareness of Cancer Cells Using Segmentation Process | |
CN111493931A (zh) | 一种超声成像方法及设备、计算机可读存储介质 | |
CN117036302A (zh) | 主动脉瓣膜钙化程度的确定方法和系统 |
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 |