CN115049661A - 目标结构围度测量方法、装置、超声设备及存储介质 - Google Patents
目标结构围度测量方法、装置、超声设备及存储介质 Download PDFInfo
- Publication number
- CN115049661A CN115049661A CN202210974125.9A CN202210974125A CN115049661A CN 115049661 A CN115049661 A CN 115049661A CN 202210974125 A CN202210974125 A CN 202210974125A CN 115049661 A CN115049661 A CN 115049661A
- Authority
- CN
- China
- Prior art keywords
- target
- characteristic
- processed
- boundary
- target structure
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 230000004044 response Effects 0.000 claims abstract description 174
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000005259 measurement Methods 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 24
- 230000009466 transformation Effects 0.000 claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000012916 structural analysis Methods 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims description 70
- 238000004364 calculation method Methods 0.000 claims description 68
- 238000002604 ultrasonography Methods 0.000 claims description 64
- 238000001914 filtration Methods 0.000 claims description 53
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000004458 analytical method Methods 0.000 claims description 34
- 238000000354 decomposition reaction Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 10
- 238000000691 measurement method Methods 0.000 claims description 8
- 238000012512 characterization method Methods 0.000 claims description 4
- 210000001015 abdomen Anatomy 0.000 description 29
- 210000003754 fetus Anatomy 0.000 description 28
- 230000001605 fetal effect Effects 0.000 description 26
- 238000004422 calculation algorithm Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 14
- 238000013135 deep learning Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 239000000523 sample Substances 0.000 description 8
- 238000003709 image segmentation Methods 0.000 description 6
- 230000003187 abdominal effect Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000011173 large scale experimental method Methods 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007012 clinical effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30044—Fetus; Embryo
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Quality & Reliability (AREA)
- Pregnancy & Childbirth (AREA)
- Gynecology & Obstetrics (AREA)
- Geometry (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开一种目标结构围度测量方法、装置、超声设备及存储介质。该方法包括:获取待处理超声图像;对所述待处理超声图像进行结构分析,获取目标结构属性,所述目标结构属性包括目标相位特征和目标频率特征;将所述目标相位特征和所述目标频率特征输入神经网络模型进行分割处理,获取目标结构对应的边界概率响应图;对所述目标相位特征和所述目标频率特征进行二阶变换,获取目标结构对应的边界强度响应图;对所述目标结构对应的边界概率响应图和边界强度响应图进行结合处理,获取目标结构对应的结构边界响应图;根据所述目标结构对应的结构边界响应图进行围度测量,获取目标结构围度。该方法可保障目标结构围度测量的准确性。
Description
技术领域
本发明涉及超声成像技术领域,尤其涉及一种目标结构围度测量方法、装置、超声设备及存储介质。
背景技术
目前超声在孕妇的产前检查和诊断方面具有不可替代的作用。通过定期的超声检查,医生能够对孕妇体内胎儿的发育情况做出及时的判断,及时对生产时或者生产后的风险项进行评估和对症处理。现有这种妇产超声检查中,有关胎儿的相关测量项非常多,包括但不限于头围、双顶径、腹围、颈后透明层和肱骨股骨长等。医生可根据测量得到这些测量项的数值计算出胎儿的孕周,并确定胎儿的发育是否正常。因此,这些测量项的准确计算是妇产超声检查流程中非常重要的环节。
现有超声设备通常基于传统图像算法,利用图像增强和边缘增强等技术,使目标结构位置突显,确定目标结构边界,从而计算目标结构围度。由于胎儿腹部和胎儿头部等目标结构的切面形状接近于椭圆,因此,在确定目标结构边界后,可根据目标结构边界拟合出一个椭圆并计算椭圆周长,从而确定目标结构围度。
近几年来,由于深度学习技术的飞速发展,研究者和工程师们迅速将其应用到各行各业的实际问题中去,而对于胎儿腹围和胎儿头围等切面类似椭圆的目标结构围度的自动识别也自然进入了工程师的视野。目前深度学习自动测量目标结构围度包括如下步骤:一、将超声图像输入到神经网络之中给出初步图像分割结果;二、依据这个图像分割结果进行椭圆拟合。但这种做法很难保证实际临床效果的鲁棒性。一般来说,深度学习从本质上来说更容易学习到超声图像的纹理细节这些高频特征,而超声图像中不可避免的存在有斑点噪声,这种斑点噪声也是一种纹理细节的高频特征,影响深度学习技术测量目标结构围度的准确性。
发明内容
本发明实施例提供一种目标结构围度测量方法、装置、超声设备及存储介质,以解决现有超声图像中目标结构围度测量准确性较低的问题。
一种目标结构围度测量方法,包括:
获取待处理超声图像;
对所述待处理超声图像进行结构分析,获取目标结构属性,所述目标结构属性包括目标相位特征和目标频率特征;
将所述目标相位特征和所述目标频率特征输入神经网络模型进行分割处理,获取目标结构对应的边界概率响应图;
对所述目标相位特征和所述目标频率特征进行二阶变换,获取目标结构对应的边界强度响应图;
对所述目标结构对应的边界概率响应图和边界强度响应图进行结合处理,获取目标结构对应的结构边界响应图;
根据所述目标结构对应的结构边界响应图进行围度测量,获取目标结构围度。
一种目标结构围度测量装置,包括:
待处理超声图像获取模块,用于获取待处理超声图像;
目标结构属性获取模块,用于对所述待处理超声图像进行结构分析,获取目标结构属性,所述目标结构属性包括目标相位特征和目标频率特征;
边界概率响应图获取模块,用于将所述目标相位特征和所述目标频率特征输入神经网络模型进行分割处理,获取目标结构对应的边界概率响应图;
边界强度响应图获取模块,用于对所述目标相位特征和所述目标频率特征进行二阶变换,获取目标结构对应的边界强度响应图;
结构边界响应图获取模块,用于对所述目标结构对应的边界概率响应图和边界强度响应图进行结合处理,获取目标结构对应的结构边界响应图;
目标结构围度获取模块,用于根据所述目标结构对应的结构边界响应图进行围度测量,获取目标结构围度。
一种超声设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述目标结构围度测量方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述目标结构围度测量方法。
上述目标结构围度测量方法、装置、超声设备及存储介质,对待处理超声图像进行结构分析,获取目标相位特征和目标频率特征这两项目标结构属性,为胎儿腹部或胎儿头部等目标结构本身具有的结构属性;接着,将目标相位特征和目标频率特征输入神经网络模型进行图像分割处理,获取目标结构对应的边界强度响应图,一方面可提升处理速度,另一方面可保障采用深度学习技术进行处理过程的鲁棒性,避免纹理细节的干扰;接着,对目标结构对应的边界概率响应图和边界强度响应图进行结合处理,获取目标结构对应的结构边界响应图,以达到采用传统图像算法进行处理,使得其边界强度响应图与目标结构属性相关而非传统空间边缘这一纹理特征,可避免纹理特征的干扰,有助于保障边界强度响应图的准确性;接着,对目标结构对应的边界概率响应图和边界强度响应图进行结合处理,获取目标结构对应的结构边界响应图,使得获取到的结构边界响应图集成有深度学习技术和传统图像算法的优点并弥补各自技术的缺点,保障基于结构边界响应图测量得到的目标结构围度的准确性和可解释性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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。
图1是本发明一实施例中超声图像的一结构示意图;
图2是本发明一实施例中目标结构围度测量方法的一流程图;
图3是图2中步骤S202的一流程图;
图4是图3中步骤S302的一流程图;
图5是图4中步骤S401的一流程图;
图6是图3中步骤S303的一流程图;
图7是图6中步骤S603的一流程图;
图8是图2中步骤S203的一流程图;
图9是图2中步骤S204的一流程图;
图10是本发明一实施例中目标结构围度测量装置的一示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供的目标结构围度测量方法,该目标结构围度测量方法可应用在超声设备中,超声设备包括主控制器和与主控制器相连的超声探头、波束合成处理器、图像处理器和显示屏。主控制器为超声设备的控制器,主控制器与超声设备中的其他功能模块相连,包括但不限于超声探头、波束合成处理器、图像处理器和显示屏等功能模块相连,用于控制各个功能模块工作。
超声探头是超声波的发射和接收装置。本示例中,为了保证不同角度的超声图像都能够有较大的横向扫描覆盖范围,即保证不同角度的超声图像有较大的交叠范围,现有超声探头一般由若干大小相同的长条形压电换能器(每单个压电换能器称为阵元)等间隔排列组成;或者将多个压电换能器是呈二维阵列,即阵元排列成二维矩阵形状。超声探头内的压电换能器将施加在其上的电压脉冲激励转换成机械振动,从而对外发出超声波;超声波在人体组织等媒介中传播,会产生反射波和散射波等回波模拟信号,各个压电换能器可将回波模拟信号转换成回波电信号,对回波电信号进行放大和模数转换,转换成回波数字信号,再将回波数字信号发送给波束合成处理器。
波束合成处理器与超声探头相连,用于接收超声探头发送的回波数字信号,对一个或多个通道的回波数字信号进行波束合成,获取一路或多路回波合成信号,将回波合成信号发送给图像处理器。
图像处理器与波束合成处理器相连,用于接收波束合成处理器发送的回波合成信号,对回波合成信号进行图像合成、空间复合和其他图像处理操作,将处理后的超声图像发送给显示屏,以使显示屏显示处理后的超声图像。
本示例中,图像处理器在将超声图像发送给显示屏进行显示之前,还可对超声图像中的胎儿腹部围度或者胎儿头部围度等目标结构围度进行测量,可保障目标结构围度测量结果的准确性。
在一实施例中,如图2所示,提供一种目标结构围度测量方法,以该方法应用在图1中的图像处理器为例进行说明,包括如下步骤:
S201:获取待处理超声图像;
S202:对待处理超声图像进行结构分析,获取目标结构属性,目标结构属性包括目标相位特征和目标频率特征;
S203:将目标相位特征和目标频率特征输入神经网络模型进行分割处理,获取目标结构对应的边界概率响应图;
S204:对目标相位特征和目标频率特征进行二阶变换,获取目标结构对应的边界强度响应图;
S205:对目标结构对应的边界概率响应图和边界强度响应图进行结合处理,获取目标结构对应的结构边界响应图;
S206:根据目标结构对应的结构边界响应图进行围度测量,获取目标结构围度。
其中,待处理超声图像是指需要进行处理的超声图像。
作为一示例,步骤S201中,图像处理器可获取待处理超声图像,该待处理超声图像为需要测量胎儿的目标结构围度的超声图像。此处的目标结构围度包括但不限于胎儿腹部围度和胎儿头部围度等切面形状类似椭圆形状的围度。以了便于描述,本实施例中以胎儿腹部围度为例进行说明,胎儿头部围度或者其他切面形状类似椭圆形状的围度的测量过程与胎儿腹部围度的测量过程相似,只需修改相应的参数即可。
其中,目标结构属性是指待处理超声图像中表征胎儿中的目标结构的结构属性,此处的目标结构是指需要测量的结构,例如,可以为胎儿腹部或者胎儿头部。目标相位特征是指与胎儿腹部和胎儿头部等目标结构相关的相位特征。目标频率特征是指与胎儿腹部和胎儿头部等目标结构相关的频率特征。
作为一示例,步骤S202中,图像处理器在获取待处理超声图像后,需对待处理超声图像进行结构分析,以分析确定待处理超声图像中胎儿的结构属性,将其确定为目标结构属性。与传统胎儿腹部围度测量方法一般侧重于边界这一空间属性,往往会忽略胎儿腹部本身具有独特的结构属性,因此,为了获取更精确的测量结果,需要综合分析超声图像中多项结构属性来协同判断,因此,需对待处理超声图像进行结构分析,确定目标相位特征和目标频率特征等目标结构属性。
作为一示例中,步骤S203中,图像处理器将结构分析所确定的目标相位特征和目
标频率特征作为输入,输入到预先训练好的神经网络模型进行处理,获取目标结构对应的
边界概率响应图。该目标结构对应的边界概率响应图是指反映特定区域
属于目标结构的边界的概率的响应图,例如,为胎儿腹部概率的响应图。
本示例中,神经网络模型的设计方式有多种,可优选U型编码器-解码器的经典分割框架。训练方式和一般的神经网络训练方式一样即可,不作详述。可理解地,在采用神经网络模型进行分割处理时,其输入不为待处理超声图像本身,而为待处理超声图像进行结构分析所确定的目标相位特征和目标频率特征,即采用传统图像算法针对性提取到的目标结构属性,在神经网络架构设计时,不用设计很深很大的网络层,可以通过连续池化层迅速降维来提升计算速度。训练数据集依旧是需要请专业医生进行人工标注,这些都是深度学习领域的常规操作,不作详细说明。一般来说,在神经网络模型的输入为待处理超声图像本身时,其输出为待处理超声图像对应的二值化图像;而神经网络模型的输入为目标相位特征和目标频率特征时,其输出为目标结构的边界概率响应图,也就是说,与传统神经网络模型的输入和输出均不同。也就是说,本方案中用于计算目标结构对应的边界概率响应图的特征不再是传统图像算法中的空间边缘,而是目标频率特征和目标相位特征这两个目标结构属性,可克服传统图像算法基于空间边缘进行图像分割时,容易学习到待处理超声图像中的纹理细节这些高频特征,导致图像分割过程存在的鲁棒性差的问题。
作为一示例,步骤S204中,图像处理器对目标相位特征和目标频率特征进行二阶
变换,即需要采用传统图像算法对目标相位特征和目标频率特征这两个目标结构属性进行
两轮变换,以获取目标结构对应的边界强度响应图。例如,可先对目标频率特征
进行二阶变换,获取反映目标结构的纹理特征的二阶变换结果,再对二阶变换结果和目标
相位特征进行相关处理,以使获取到的目标结构对应的边界强度响应图既与由
目标频率特征相关,包括但不限于纹理频率特征,又与目标相位特征相关,与传统图像算法
采用的空间边缘这一空间属性不同,可避免采集空间边缘过程中不可避免地引入斑点噪声
影响最终测量结果的准确性。
作为一示例,步骤S205中,图像处理器对目标结构对应的边界概率响应图
和边界强度响应图进行结合处理,获取目标结构对应的结构边界响应图。
本示例中,图像处理器可采用预先设置的结合算法
,对目标结构对应的边界概率响应图和边界强度响应图进行结合处理,
获取目标结构对应的结构边界响应图;其中,是一个类似的S形映射函数。
作为一示例,步骤S206中,图像处理器根据目标结构对应的结构边界响应图进行围度测量,获取目标结构围度。本示例中,图像处理器采用预先设置的目标响应
阈值,对目标结构对应的结构边界响应图进行二值化计算,获取二值化图像bw,例如,二值
化图像bw为由1和0所形成的图像。接着,将二值化图像bw中像素值非零的位置作为种子像
素,结构边界响应图作为权重,进行椭圆的加权最小二乘法拟合,获取目标结构所在
区域的椭圆参数。最后,根据解析几何容易得到椭圆参数对应的椭圆的周长,将这周长确定
为目标结构围度,这些是初等数学内容,不作详述。最后,将结构边界响应图叠加显
示在显示器的图像中,并标注目标结构围度,例如,标注胎儿腹部围度对应的测量值。
本实施例所提供的目标结构围度测量方法中,对待处理超声图像进行结构分析,获取目标相位特征和目标频率特征这两项目标结构属性,为胎儿腹部或胎儿头部等目标结构本身具有的结构属性;接着,将目标相位特征和目标频率特征输入神经网络模型进行图像分割处理,获取目标结构对应的边界强度响应图,一方面可提升处理速度,另一方面可保障采用深度学习技术进行处理过程的鲁棒性,避免纹理细节的干扰;接着,对目标结构对应的边界概率响应图和边界强度响应图进行结合处理,获取目标结构对应的结构边界响应图,以达到采用传统图像算法进行处理,使得其边界强度响应图与目标结构属性相关而非传统空间边缘这一纹理特征,可避免纹理特征的干扰,有助于保障边界强度响应图的准确性;接着,对目标结构对应的边界概率响应图和边界强度响应图进行结合处理,获取目标结构对应的结构边界响应图,使得获取到的结构边界响应图集成有深度学习技术和传统图像算法的优点并弥补各自技术的缺点,保障基于结构边界响应图测量得到的目标结构围度的准确性和可解释性。
在一实施例中,如图3所示,步骤S202,即对待处理超声图像进行结构分析,获取目标结构属性,包括:
S301:采用滤波器对待处理超声图像进行滤波处理,获取目标滤波特征;
S302:对待处理超声图像和目标滤波特征进行相位分析,获取目标相位特征;
S303:对待处理超声图像和目标滤波特征进行频率匹配,获取目标频率特征。
作为一示例,步骤S301中,图像处理器在获取待处理超声图像后,可采用带有偏转方向的滤波器采用滤波器对待处理超声图像进行滤波处理,获取目标滤波特征。本示例中,图像处理器采用但不限于Gabor滤波器对待处理超声图像进行滤波处理,即在频域不同尺度和不同方向进行特征提取,将Gabor滤波器输出的图像特征确定为目标滤波特征,此处的频域不同尺度可理解为不同波长。采用一组Gabor滤波器对待处理超声图像进行滤波,其本质是对待处理超声图像进行加窗傅里叶变换,以便在频域不同尺度和不同方向上提取特征,将提取到的Gabor特征确定为目标滤波特征。本示例中,图像处理器采用N*M个滤波器采用滤波器对待处理超声图像进行滤波处理,获取N*M个目标滤波特征,其中,N为方向数量,N≥3,M为波长数量,M≥2。
一般来说,如果想要通过多个方向的滤波器合成一个方向的响应结果,则需采用
至少三个方向的滤波器,而为了方便进行纹理频率估计,需采用至少两个波长进行加权估
计,因此,所采用的一组Gabor滤波器至少包含三个不同的方向,且每个方向都至少包含二
个不同波长,即3*2=6,也即这一组Gabor滤波器至少应当包括有6个滤波器,每一个滤波器
具有自己专属的波长以及方向,用公式表达为:,其中,Img为
待处理超声图像,*代表滤波,G代表的就是滤波器,下标代表第几个滤波器,为滤波器的
波长,为滤波器的方向, fout为滤波后输出的Gabor特征,即目标滤波特征,显然,有几个
滤波器,就有几个fout,i为滤波器编号。由于Gabor滤波器是复数的,显然输出的fout也是
复数形式,因此,至少6组复数信号的Gabor特征即为目标滤波特征。
在一实施例中,如图4所示,步骤S302,即对待处理超声图像和目标滤波特征进行相位分析,获取目标相位特征,包括:
S401:对待处理超声图像进行结构张量分析,获取结构取向角和结构能量信息;
S402:对目标滤波特征和结构取向角进行线性组合,获取取向方向复数特征;
S403:对取向方向复数特征进行相位计算,获取原始相位特征;
S404:根据结构能量信息和原始相位特征进行反对称优化,获取目标相位特征。
作为一示例,步骤S401中,图像处理器可采用结构张量分析算法,对每一待处理超声图像进行结构张量分析,获取每一待处理超声图像对应的结构张量矩阵;接着,对待处理超声图像对应的结构张量矩阵进行本征分解和信息提取,获取结构取向角和结构能量信息。该结构张量矩阵可以为采用结构张量分析算法直接分析所获得的矩阵,也可以为对结构张量分析算法直接分析所获得的矩阵进行优化处理的矩阵。可理解地,图像处理器通过对待处理超声图像进行结构张量分析,可获取反映待处理超声图像在物理空间维度的结构张量矩阵,再对结构张量矩阵进行本征分解和信息提取,使得获取到的结构取向角和结构能量信息能够充分反映待处理超声图像中胎儿的目标结构的结构属性。其中,结构取向角是指结构张量矩阵提取到的某一结构所在位置的取向角,也就是该结构所在位置的主方向。结构能量信息是指结构张量矩阵中的与结构能量相关的信息,此处的能量即幅度。
作为一示例,步骤S402中,图像处理器在确定结构取向角后,即确定结构所在位置的主方向后,可依据待处理超声图像对应的N*M个目标滤波特征和结构取向角进行线性结合,获取其取向方向复数特征。本示例中,图像处理器在获取N*M个目标滤波特征后,可从M个波长中确定任一波长作为目标波长,对同一目标波长对应的N个方向对应的目标滤波特征和结构取向角进行线性组合,以将N个方向的目标滤波特征压缩为结构取向角所在方向的滤波响应值,即主方向对应的滤波响应值。一般来说,不管采用M个波长中的哪一个作为目标波长,其线性组合所获取的取向角方向特征非常接近,为了简化计算,只需选取任一个作为目标波长即可。虽然之前的波长设置是多个,但在这里是选择其中一个波长作为目标波长就可以,但是具体选择哪一个要根据胎儿腹部结构属性进行测试之后选定,不同的超声设备机型,这个会略有不同,属于算法经验参数。
例如,结构取向角定义为结构张量矩阵提取到的目标结构所在位置的取向角,也就是该目标结构所在位置的主方向,N个方向与结构取向角所在的方向大概率不一致,因此,需将N个方向对应的目标滤波特征与结构取向角进行线性组合,获取结构取向角所在方向的滤波响应值,将其确定为取向方向复数特征。例如,在滤波器的方向数量N为三个,三个方向对应的目标滤波特征分别为xTheta1、 xTheta2和 xTheta3;可根据三个方向和结构取向角这四个角度,计算每个方向对应的调整系数A、B和C,调整系数的计算过程由Freeman在91年确定的滤波器组合定理唯一确定;最后,采用取向角方向特征公式对三个方向的目标滤波特征进行计算,获取取向方向复数特征,其中,取向角方向特征公式xThetaTarget=xTheta1 * A + xTheta2 * B + xTheta3 * C ,xThetaTarget代表的是取向角方向(主方向)的滤波响应值,即取向方向复数特征。
作为一示例,步骤S403中,图像处理器对取向方向复数特征进行相位计算,获取原始相位特征。本示例中,取向方向复数特征为线性组合后的取向角方向特征,一般包括实部和虚部,可采用相位特征计算方法对取向方向复数特征进行相位计算,获取原始相位特征,其中,相位特征计算方法为采用虚部对实部进行反正切计算即可,其计算过程可采用现有技术,在此不一一赘述。
作为一示例,步骤S404,图像处理器可根据结构能量信息和原始相位特征进行反
对称优化,获取目标相位特征。本示例中,对胎儿腹部或者胎儿头部等切面形状类似椭圆形
状的目标结构边界来说,取向方向复数特征的虚部会相对于实部非常大,使得其计算出的
原始相位特征接近90度,即存在反对称特征,为了进一步对目标结构围度进行计算,需要对
接近90度的原始相位特征进行反对称优化,以获取最终所需的目标相位特征。本示例中,图
像处理器可采用,对结构能量信息和原始相位特征进行反
对称优化,获取目标相位特征,其中,为目标相位特征,mag为结构能量信息,phi为原始相
位特征,abs()是求绝对值,sin是正弦函数。可理解地,由于胎儿腹部围度和胎儿头部围度
等切面形状类似椭圆形状,其测量到的原始相位特征均接近90度,存在反对称特征,此时,
需根据结构能量信息和原始相位特征进行反对称优化,以使获取到的目标相位特征不再为
反对称特征。
本实施例中,对待处理超声图像进行结构张量分析,获取结构取向角和结构能量信息,这些信息可反映胎儿的目标结构的结构属性;再对目标滤波特征和结构取向角进行线性组合,获取取向方向复数特征,以实现将不同方向和不同波长的目标滤波特征进行线性组合,获取主方向的滤波响应值;对取向方向复数特征进行相位计算,获取原始相位特征后,为了使胎儿腹部围度和胎儿头部围度等切面形状类似椭圆形状的原始相位特征更加接近理论上的90度,以提高后续目标结构围度测量的准确性,因此,需基于结构能量信息和原始相位特征进行反对称优化,有助于保障目标结构围度测量的准确性。
在一实施例中,如图5所示,步骤S401,即对待处理超声图像进行结构张量分析,获取结构取向角和结构能量信息,包括:
S501:对待处理超声图像进行结构张量分析,获取待处理超声图像对应的结构张量矩阵;
S502:对待处理超声图像对应的结构张量矩阵进行本征分解,获取取向特征向量、梯度特征值和取向特征值;
S503:对取向特征向量进行反正切计算,获取结构取向角;
S504:对梯度特征值和取向特征值进行求模计算,获取结构能量信息。
作为一示例,步骤S501中,图像处理器可以采用结构张量分析算法,对待处理超声
图像中任一像素点的邻近区域进行结构张量分析,确定该像素点的结构张
量矩阵,使得该结构张量矩阵可以有效反映像素点的邻近区域的空间结构信息,即
空域信息。此处的邻近区域是以某一像素点为中心,若干个采样点所形成的区域。
本示例中,结构张量分析算法如下:
作为一示例,步骤S502中,图像处理器可对待处理超声图像中,每一像素点的结构张量矩阵进行本征分解,获取两个特征向量和两个特征值,其中,两个特
征向量包括梯度特征向量和取向特征向量,两个特征值包括梯度特征值和取向特征值。本示例中,对结构张量矩阵进行本征分解是将矩阵分解为由
特征值和特征向量表示的矩阵之积的处理过程,又可称为特征分解(Eigendecomposition)
或谱分解(Spectral decomposition)。此处的梯度特征向量是指对结构张量矩阵进行本征
分解所获取到的梯度方向的特征向量。取向特征向量是指对结构张量矩阵进行本征分解所
获取到的取向方向的特征向量。梯度特征值是指梯度方向的特征值,是结构张量矩阵进行
本征分解所获取到的两个特征值中的较大值,即两个特征值中的主特征值,反映梯度方向
的强度,与人眼对超声图像结构感知一致。一般来说,梯度特征值越大,越能说明该像素点
更接近线状结构(由于任何曲线中某一点的局域范围内,均形成近似线状结构)。取向特征
值是指取向方向的特征值,是结构张量矩阵进行本征分解所获取到的两个特征值中的较小
值。
作为一示例,步骤S503中,图像处理器在获取待处理超声图像对应的梯度特征向
量和取向特征向量后,可对取向特征向量进行反正切计算,以将反正
切计算获取的取向角oriAngle,确定为结构取向角,可理解为取向角方向特征。
作为一示例,步骤S505中,图像处理器在获取待处理超声图像对应的梯度特征值和取向特征值后,可对梯度特征值和取向特征值进行求模计算,
获取结构能量信息。本示例中,采用求模计算公式,对梯
度特征值和取向特征值进行求模计算,获取结构能量信息。
本实施例中,根据待处理超声图像对应的结构张量矩阵进行本征分解,再分析到的取向特征向量确定其对应的结构取向角,根据分析获取到的梯度特征值和取向特征值确定其对应的结构能量信息,使得该结构取向角和结构能量信息能够充分反映待处理超声图像中的胎儿的目标结构的结构属性。
在一实施例中,如图6所示,步骤S303,即对待处理超声图像和目标滤波特征进行频率匹配,获取目标频率特征,包括:
S601:对目标滤波特征进行能量计算,获取滤波响应能量;
S602:对滤波响应能量进行频率计算,获取目标频率表征;
S603:对待处理超声图像进行局域分布计算,获取目标可靠性;
S604:采用目标可靠性对目标频率表征进行数值优化,获取目标频率特征。
作为一示例,步骤S601中,图像处理器获取到的目标滤波特征包含不同波长和不同方向的滤波响应值,可采用预先设置的滤波响应能量公式,对不同波长和不同方向的滤波响应值进行能量计算,即计算不同波长的滤波响应值对应的能量(也称为幅度),将其输出结果确定为滤波响应能量。本示例中,滤波响应能量公式如下:
其中,为滤波器的波长,为滤波器的方向, fout为滤波器处理后输出的目标滤
波特征,为第i个波长对应的滤波响应能量。本示例中,所计算出的滤波响应能量是对每
一个波长,先对同属该波长下的不同方向的目标滤波特征进行模的平方和计算,再对模的
平方和进行开方,将其计算结果确定为滤波响应能量,即该波长对应的滤波响应能量。一般
来说,在采用滤波器对待处理超声图像进行滤波处理过程中设置有M个波长,则步骤S601中
会获取M个不同波长对应的滤波响应能量。
作为一示例,步骤S602中,图像处理器先对滤波响应能量进行归一化处理,获取滤
波响应能量对应的归一化能量值。本示例中,图像处理器可采用归一化能量值公式,对所有滤波响应能量进行归一化处理,获取滤波响应能量对应
的归一化能量值,其中,为归一化能量值,为第i个波长对应的滤波响应能
量。可理解地,对所有滤波响应能量进行归一化处理,可保障所获取到的每一个归一化能量
值小于1,且不同波长对应的归一化能量值的总和为1。接着,以归一化能量值为权重,对波
长的倒数进行加权求和,获取目标频率表征,即,其中,
为目标频率表征。可理解地,由于波长与频率具有反比关系,因此,根据滤波响应能量进行
频率计算是一种变相的频率匹配,通过加权求和,获得一个最可能的目标频率表征v。
作为一示例,步骤S603中,图像处理器可对待处理超声图像中每一像素点对应的像素灰度值进行局域分布统计,以确定待处理超声图像为目标结构的可靠性,将其确定为目标可靠性。例如,在目标结构为胎儿腹部时,由于胎儿腹部实质中,除开血管和脊柱外是非常均匀的组织,其在局域统计上符合一定的分布关系,因此,可通过对待处理超声图像中每一像素点对应的像素灰度值进行局域分布统计,以确定其为胎儿腹部的目标可靠性。
作为一示例,步骤S604中,图像处理器在对待处理超声图像进行局域分布计算确
定目标可靠性后,可采用目标可靠性对目标频率表征进行数值优化,获取数值优化后的目
标频率特征。本示例中,可采用目标可靠性对目标频率表征进行数值优化是指采用目标可
靠性对目标频率表征进行一次重构,具体可采用归一化卷积计算方式进行数值优化,获取
目标频率特征。例如,归一化卷积计算方式为,其中,代表卷积,
app为目标可靠性,v为目标频率表征,FR表示的是一个各向同性滤波核,可以优选高斯滤波
核即可;k为经过数值优化后的频率,即目标频率特征。
在一实施例中,如图7所示,步骤S603,即对待处理超声图像进行局域分布计算,获取目标可靠性,包括:
S701:获取待处理超声图像中每一目标像素点对应的邻近区域的所有像素灰度值,对所有像素灰度值进行参数估算,获取实测特征参数;
S702:根据实测特征参数和标准特征参数,确定目标可靠性。
其中,目标像素点是指需要进行处理的像素点。目标像素点对应的邻近区域是指由目标像素点及其对应的邻近像素点所形成的区域。邻近像素点是指接近目标像素点的像素点。 实测特征参数是指对待处理超声图像中的像素灰度值进行局域分布统计所确定的特征参数。标准特征参数是指预先经过大规模实验所确定的特征参数。
作为一示例,步骤S701中,由于待处理超声图像中每一目标结构所在区域的所有
像素点对应的像素灰度值在局域统计上符合一定的分布关系,例如,在目标结构为胎儿腹
部时,由于胎儿腹部实质中,除开血管和脊柱外是非常均匀的组织,其局域统计上符合一定
的分布关系。本示例中,为了表征这种分布,采用最小二乘法,取Rayleigh分布(即瑞利分
布)进行参数估计,即对待处理超声图像中的每一目标像素点,先获取每一目标像素点对应
的邻近区域中的所有像素点对应的像素灰度值;然后,对每一目标像素点对应的邻近区域
中的所有像素点对应的像素灰度值进行Rayleigh参数的拟合,得到Rayleigh分布唯一的特
征参数,将其确定为实测特征参数。
作为一示例,步骤S702中,图像处理器获取待处理超声图像局域分布统计确定实
测特征参数后,将实测特征参数与大规模实验得到的目标结构对应的标准特征参数进行比对,确定目标像素点为目标结构中的像素点的概率,即为目标可靠性。例如,在
目标结构为胎儿腹部时,根据实测特征参数和标准特征参数进行比对,即可得到目
标像素点所在位置有多像胎儿腹部实质的概率,从而确定目标可靠性。本示例中,目标可靠
性的计算公式如下:,式中,abs表示取绝对值,H表
征一个单调递减的,值域为[0,1]的渐变函数,不限制具体类型,优选采用sigmoid函数。
本实施例中,根据实测特征参数和预先经过大规模实验所确定目标结构的标准特征参数进行对比,确定目标像素点所在位置为目标结构的概率,将其确定为目标可靠性。
在一实施例中,如图8所示,步骤S203,即将目标相位特征和目标频率特征输入神经网络模型进行分割处理,获取目标结构对应的边界概率响应图,包括:
S801:将目标相位特征和目标频率特征输入神经网络模型进行分割处理,获取目标结构对应的概率分布图;
S802:对目标结构对应的概率分布图进行梯度计算,获取目标结构对应的边界概率响应图。
作为一示例,步骤S801中,图像处理器将结构分析所确定的目标相位特征和目标频率特征作为输入,输入到预先训练好的神经网络模型进行处理,将其输出结果,确定为目标结构对应的概率分布图,例如,在目标结构为胎儿腹部时,可得到一个胎儿腹部的概率分布图,概率越接近1,即属于胎儿腹部的可能性越高,越接近0,则属于胎儿腹部的可能性越低。
作为一示例,步骤S802中,图像处理器在获取到目标结构对应的概率分布图后,可
对目标结构对应的概率分布图进行梯度计算,将其梯度计算结果确定为神经网络模型分割
出的目标结构对应的边界概率响应图。一般来说,梯度越高,其边界概率响应图越
大。进一步地,在对目标结构对应的概率分布图进行梯度计算之前,还可先对对目标结构对
应的概率分布图进行高斯平滑处理,以稳定目标结构对应的概率分布图的区域内部;然后,
对高斯平滑处理后的概率分布图进行梯度计算,保障获取到的概率分布图的图像效果。其
中,高斯平滑和求梯度是图像处理常规操作,不作详述。
在一实施例中,如图9所示,步骤S204,即对目标相位特征和目标频率特征进行二阶变换,获取目标结构对应的边界强度响应图,包括:
S901:对目标频率特征进行一阶变换,获取符合目标频率特征的可能性分布图;
S902:对目标频率特征的可能性分布图进行二阶变换,获取目标结构对应的边界响应分布图;
S903:对目标结构对应的边界响应分布图和目标相位特征进行相关处理,获取目标结构对应的边界强度响应图。
作为一示例,步骤S901中,图像处理器在获取目标频率特征后,可对目标频率特征
进行一阶变换,包括但不限于模糊从属性计算,以获取频率符合目标频率特征的实测频率
可能性;然后,将计算确定的实测频率可能性和预先经过大规模实验所确定的标准频
率可能性进行对比,可确定其频率符合目标频率特征的概率,将其确定为可能性分布
图。本示例中,可采用可能性分布图的计算公式类似上面局域分布估计,具体为,式中,abs表示取绝对值,H表征一个单调递减的,
值域为[0,1]的渐变函数,不限制具体类型,优选采用sigmoid函数,为可能性分布
图。
作为一示例中,步骤S902中,图像处理器在一阶变换获取可能性分布图,可
对可能性分布图继续进行二阶变换,具体对可能性分布图进行梯度计算,以
将梯度计算结果确定为目标结构对应的边界响应分布图vGrad,该边界响应分布图vGrad可
反映目标结构的纹理特征。进一步地,在对可能性分布图进行梯度计算之前,还可先
对可能性分布图进行高斯平滑处理,以保障后续梯度计算的图像效果。其中,梯度计
算方式可以采用图像处理中的经典算子,不作详述。
作为一示例,步骤S903中,图像处理器将二阶变换得到的目标结构对应的边界响
应分布图vGrad和目标结构属性中的目标相位特征进行相关处理,采用但不限于传统相
关算法进行处理,获取目标结构对应的边界强度响应图。本示例中,可采用这一相关算法对边界响应分布图vGrad和目标
相位特征进行相关计算,其中为一个S形映射曲线,目标是将乘积的结果映射到[0,1]
的区间,并尽可能保持适中的数值,其函数形式比较多样,可采用指数函数进行参数控制得
到。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种目标结构围度测量装置,该目标结构围度测量装置与上述实施例中目标结构围度测量方法一一对应。如图10所示,该目标结构围度测量装置包括待处理超声图像获取模块1001、目标结构属性获取模块1002、边界概率响应图获取模块1003、边界强度响应图获取模块1004、结构边界响应图获取模块1005和目标结构围度获取模块1006。各功能模块详细说明如下:
待处理超声图像获取模块1001,用于获取待处理超声图像;
目标结构属性获取模块1002,用于对待处理超声图像进行结构分析,获取目标结构属性,目标结构属性包括目标相位特征和目标频率特征;
边界概率响应图获取模块1003,用于将目标相位特征和目标频率特征输入神经网络模型进行分割处理,获取目标结构对应的边界概率响应图;
边界强度响应图获取模块1004,用于对目标相位特征和目标频率特征进行二阶变换,获取目标结构对应的边界强度响应图;
结构边界响应图获取模块1005,用于对目标结构对应的边界概率响应图和边界强度响应图进行结合处理,获取目标结构对应的结构边界响应图;
目标结构围度获取模块1006,用于根据目标结构对应的结构边界响应图进行围度测量,获取目标结构围度。
在一实施例中,目标结构属性获取模块,包括:
目标滤波特征获取子模块,用于采用滤波器对待处理超声图像进行滤波处理,获取目标滤波特征;
目标相位特征获取子模块,用于对待处理超声图像和目标滤波特征进行相位分析,获取目标相位特征;
目标频率特征获取子模块,用于对待处理超声图像和目标滤波特征进行频率匹配,获取目标频率特征。
在一实施例中,目标相位特征获取子模块,包括:
结构张量分析单元,用于对待处理超声图像进行结构张量分析,获取结构取向角和结构能量信息;
取向方向复数特征获取单元,用于对目标滤波特征和结构取向角进行线性组合,获取取向方向复数特征;
原始相位特征获取单元,用于对取向方向复数特征进行相位计算,获取原始相位特征;
目标相位特征获取单元,用于根据结构能量信息和原始相位特征进行反对称优化,获取目标相位特征。
在一实施例中,结构张量分析单元,包括:
结构张量矩阵获取子单元,用于对待处理超声图像进行结构张量分析,获取待处理超声图像对应的结构张量矩阵;
结构张量矩阵分解子单元,用于对待处理超声图像对应的结构张量矩阵进行本征分解,获取取向特征向量、梯度特征值和取向特征值;
结构取向角获取子单元,用于对取向特征向量进行反正切计算,获取结构取向角;
结构能量信息获取子单元,用于对梯度特征值和取向特征值进行求模计算,获取结构能量信息。
在一实施例中,目标频率特征获取子模块,包括:
滤波响应能量获取单元,用于对目标滤波特征进行能量计算,获取滤波响应能量;
目标频率表征获取单元,用于对滤波响应能量进行频率计算,获取目标频率表征;
目标可靠性获取单元,用于对待处理超声图像进行局域分布计算,获取目标可靠性;
目标频率特征获取单元,用于采用目标可靠性对目标频率表征进行数值优化,获取目标频率特征。
在一实施例中,目标可靠性获取单元,包括:
实测特征参数获取子单元,用于获取待处理超声图像中每一目标像素点对应的邻近区域的所有像素灰度值,对所有像素灰度值进行参数估算,获取实测特征参数;
目标可靠性获取子单元,用于根据实测特征参数和标准特征参数,确定目标可靠性。
在一实施例中,边界概率响应图获取模块,包括:
概率分布图获取子模块,用于将目标相位特征和目标频率特征输入神经网络模型进行分割处理,获取目标结构对应的概率分布图;
边界概率响应图获取子模块,用于对目标结构对应的概率分布图进行梯度计算,获取目标结构对应的边界概率响应图。
在一实施例中,边界强度响应图获取模块,包括:
可能性分布图获取子模块,用于对目标频率特征进行一阶变换,获取符合目标频率特征的可能性分布图;
边界响应分布图获取子模块,用于对目标频率特征的可能性分布图进行二阶变换,获取目标结构对应的边界响应分布图;
边界强度响应图获取子模块,用于对目标结构对应的边界响应分布图和目标相位特征进行相关处理,获取目标结构对应的边界强度响应图。
关于目标结构围度测量装置的具体限定可以参见上文中对于目标结构围度测量方法的限定,在此不再赘述。上述目标结构围度测量装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于超声设备中的处理器中,也可以以软件形式存储于超声设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一实施例中,提供一种超声设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例中目标结构围度测量方法,例如图2所示S201-S206,或者图3至图9中所示,为避免重复,这里不再赘述。或者,处理器执行计算机程序时实现目标结构围度测量装置这一实施例中的各模块/单元的功能,例如图10所示的待处理超声图像获取模块1001、目标结构属性获取模块1002、边界概率响应图获取模块1003、边界强度响应图获取模块1004、结构边界响应图获取模块1005和目标结构围度获取模块1006的功能,为避免重复,这里不再赘述。
在一实施例中,提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中目标结构围度测量方法,例如图2所示S201-S206,或者图3至图9中所示,为避免重复,这里不再赘述。或者,该计算机程序被处理器执行时实现上述目标结构围度测量装置这一实施例中的各模块/单元的功能,例如图10所示的待处理超声图像获取模块1001、目标结构属性获取模块1002、边界概率响应图获取模块1003、边界强度响应图获取模块1004、结构边界响应图获取模块1005和目标结构围度获取模块1006的功能,为避免重复,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (18)
1.一种目标结构围度测量方法,其特征在于,包括:
获取待处理超声图像;
对所述待处理超声图像进行结构分析,获取目标结构属性,所述目标结构属性包括目标相位特征和目标频率特征;
将所述目标相位特征和所述目标频率特征输入神经网络模型进行分割处理,获取目标结构对应的边界概率响应图;
对所述目标相位特征和所述目标频率特征进行二阶变换,获取目标结构对应的边界强度响应图;
对所述目标结构对应的边界概率响应图和边界强度响应图进行结合处理,获取目标结构对应的结构边界响应图;
根据所述目标结构对应的结构边界响应图进行围度测量,获取目标结构围度。
2.如权利要求1所述的目标结构围度测量方法,其特征在于,所述对所述待处理超声图像进行结构分析,获取目标结构属性,包括:
采用滤波器对所述待处理超声图像进行滤波处理,获取目标滤波特征;
对所述待处理超声图像和所述目标滤波特征进行相位分析,获取目标相位特征;
对所述待处理超声图像和所述目标滤波特征进行频率匹配,获取目标频率特征。
3.如权利要求1所述的目标结构围度测量方法,其特征在于,所述对所述待处理超声图像和所述目标滤波特征进行相位分析,获取目标相位特征,包括:
对所述待处理超声图像进行结构张量分析,获取结构取向角和结构能量信息;
对所述目标滤波特征和所述结构取向角进行线性组合,获取取向方向复数特征;
对所述取向方向复数特征进行相位计算,获取原始相位特征;
根据所述结构能量信息和所述原始相位特征进行反对称优化,获取目标相位特征。
4.如权利要求3所述的目标结构围度测量方法,其特征在于,所述对所述待处理超声图像进行结构张量分析,获取结构取向角和结构能量信息,包括:
对所述待处理超声图像进行结构张量分析,获取所述待处理超声图像对应的结构张量矩阵;
对所述待处理超声图像对应的结构张量矩阵进行本征分解,获取取向特征向量、梯度特征值和取向特征值;
对所述取向特征向量进行反正切计算,获取结构取向角;
对所述梯度特征值和所述取向特征值进行求模计算,获取结构能量信息。
5.如权利要求2所述的目标结构围度测量方法,其特征在于,所述对所述待处理超声图像和所述目标滤波特征进行频率匹配,获取目标频率特征,包括:
对所述目标滤波特征进行能量计算,获取滤波响应能量;
对所述滤波响应能量进行频率计算,获取目标频率表征;
对所述待处理超声图像进行局域分布计算,获取目标可靠性;
采用所述目标可靠性对所述目标频率表征进行数值优化,获取目标频率特征。
6.如权利要求5所述的目标结构围度测量方法,其特征在于,所述对所述待处理超声图像进行局域分布计算,获取目标可靠性,包括:
获取所述待处理超声图像中每一目标像素点对应的邻近区域的所有像素灰度值,对所有像素灰度值进行参数估算,获取实测特征参数;
根据所述实测特征参数和标准特征参数,确定目标可靠性。
7.如权利要求1所述的目标结构围度测量方法,其特征在于,所述将所述目标相位特征和所述目标频率特征输入神经网络模型进行分割处理,获取目标结构对应的边界概率响应图,包括:
将所述目标相位特征和所述目标频率特征输入神经网络模型进行分割处理,获取目标结构对应的概率分布图;
对所述目标结构对应的概率分布图进行梯度计算,获取目标结构对应的边界概率响应图。
8.如权利要求1所述的目标结构围度测量方法,其特征在于,所述对所述目标相位特征和所述目标频率特征进行二阶变换,获取目标结构对应的边界强度响应图,包括:
对所述目标频率特征进行一阶变换,获取符合所述目标频率特征的可能性分布图;
对所述目标频率特征的可能性分布图进行二阶变换,获取目标结构对应的边界响应分布图;
对所述目标结构对应的边界响应分布图和所述目标相位特征进行相关处理,获取目标结构对应的边界强度响应图。
9.一种目标结构围度测量装置,其特征在于,包括:
待处理超声图像获取模块,用于获取待处理超声图像;
目标结构属性获取模块,用于对所述待处理超声图像进行结构分析,获取目标结构属性,所述目标结构属性包括目标相位特征和目标频率特征;
边界概率响应图获取模块,用于将所述目标相位特征和所述目标频率特征输入神经网络模型进行分割处理,获取目标结构对应的边界概率响应图;
边界强度响应图获取模块,用于对所述目标相位特征和所述目标频率特征进行二阶变换,获取目标结构对应的边界强度响应图;
结构边界响应图获取模块,用于对所述目标结构对应的边界概率响应图和边界强度响应图进行结合处理,获取目标结构对应的结构边界响应图;
目标结构围度获取模块,用于根据所述目标结构对应的结构边界响应图进行围度测量,获取目标结构围度。
10.如权利要求9所述的目标结构围度测量装置,其特征在于,所述目标结构属性获取模块,包括:
目标滤波特征获取子模块,用于采用滤波器对所述待处理超声图像进行滤波处理,获取目标滤波特征;
目标相位特征获取子模块,用于对所述待处理超声图像和所述目标滤波特征进行相位分析,获取目标相位特征;
目标频率特征获取子模块,用于对所述待处理超声图像和所述目标滤波特征进行频率匹配,获取目标频率特征。
11.如权利要求10所述的目标结构围度测量装置,其特征在于,所述目标相位特征获取子模块,包括:
结构张量分析单元,用于对所述待处理超声图像进行结构张量分析,获取结构取向角和结构能量信息;
取向方向复数特征获取单元,用于对所述目标滤波特征和所述结构取向角进行线性组合,获取取向方向复数特征;
原始相位特征获取单元,用于对所述取向方向复数特征进行相位计算,获取原始相位特征;
目标相位特征获取单元,用于根据所述结构能量信息和所述原始相位特征进行反对称优化,获取目标相位特征。
12.如权利要求11所述的目标结构围度测量装置,其特征在于,所述结构张量分析单元,包括:
结构张量矩阵获取子单元,用于对所述待处理超声图像进行结构张量分析,获取所述待处理超声图像对应的结构张量矩阵;
结构张量矩阵分解子单元,用于对所述待处理超声图像对应的结构张量矩阵进行本征分解,获取取向特征向量、梯度特征值和取向特征值;
结构取向角获取子单元,用于对所述取向特征向量进行反正切计算,获取结构取向角;
结构能量信息获取子单元,用于对所述梯度特征值和所述取向特征值进行求模计算,获取结构能量信息。
13.如权利要求10所述的目标结构围度测量装置,其特征在于,所述目标频率特征获取子模块,包括:
滤波响应能量获取单元,用于对所述目标滤波特征进行能量计算,获取滤波响应能量;
目标频率表征获取单元,用于对所述滤波响应能量进行频率计算,获取目标频率表征;
目标可靠性获取单元,用于对所述待处理超声图像进行局域分布计算,获取目标可靠性;
目标频率特征获取单元,用于采用所述目标可靠性对所述目标频率表征进行数值优化,获取目标频率特征。
14.如权利要求13所述的目标结构围度测量装置,其特征在于,所述目标可靠性获取单元,包括:
实测特征参数获取子单元,用于获取所述待处理超声图像中每一目标像素点对应的邻近区域的所有像素灰度值,对所有像素灰度值进行参数估算,获取实测特征参数;
目标可靠性获取子单元,用于根据所述实测特征参数和标准特征参数,确定目标可靠性。
15.如权利要求9所述的目标结构围度测量装置,其特征在于,所述边界概率响应图获取模块,包括:
概率分布图获取子模块,用于将所述目标相位特征和所述目标频率特征输入神经网络模型进行分割处理,获取目标结构对应的概率分布图;
边界概率响应图获取子模块,用于对所述目标结构对应的概率分布图进行梯度计算,获取目标结构对应的边界概率响应图。
16.如权利要求9所述的目标结构围度测量装置,其特征在于,所述边界强度响应图获取模块,包括:
可能性分布图获取子模块,用于对所述目标频率特征进行一阶变换,获取符合所述目标频率特征的可能性分布图;
边界响应分布图获取子模块,用于对所述目标频率特征的可能性分布图进行二阶变换,获取目标结构对应的边界响应分布图;
边界强度响应图获取子模块,用于对所述目标结构对应的边界响应分布图和所述目标相位特征进行相关处理,获取目标结构对应的边界强度响应图。
17.一种超声设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述目标结构围度测量方法。
18.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述目标结构围度测量方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210974125.9A CN115049661B (zh) | 2022-08-15 | 2022-08-15 | 目标结构围度测量方法、装置、超声设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210974125.9A CN115049661B (zh) | 2022-08-15 | 2022-08-15 | 目标结构围度测量方法、装置、超声设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115049661A true CN115049661A (zh) | 2022-09-13 |
CN115049661B CN115049661B (zh) | 2022-11-25 |
Family
ID=83166728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210974125.9A Active CN115049661B (zh) | 2022-08-15 | 2022-08-15 | 目标结构围度测量方法、装置、超声设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049661B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050107704A1 (en) * | 2003-11-14 | 2005-05-19 | Von Behren Patrick L. | Motion analysis methods and systems for medical diagnostic ultrasound |
CN108186051A (zh) * | 2017-12-26 | 2018-06-22 | 珠海艾博罗生物技术股份有限公司 | 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理系统 |
CN111008943A (zh) * | 2019-12-24 | 2020-04-14 | 广州柏视医疗科技有限公司 | 低剂量dr图像降噪方法及系统 |
CN111915541A (zh) * | 2020-07-31 | 2020-11-10 | 平安科技(深圳)有限公司 | 基于人工智能的图像增强处理方法、装置、设备及介质 |
-
2022
- 2022-08-15 CN CN202210974125.9A patent/CN115049661B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050107704A1 (en) * | 2003-11-14 | 2005-05-19 | Von Behren Patrick L. | Motion analysis methods and systems for medical diagnostic ultrasound |
CN108186051A (zh) * | 2017-12-26 | 2018-06-22 | 珠海艾博罗生物技术股份有限公司 | 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理系统 |
CN111008943A (zh) * | 2019-12-24 | 2020-04-14 | 广州柏视医疗科技有限公司 | 低剂量dr图像降噪方法及系统 |
CN111915541A (zh) * | 2020-07-31 | 2020-11-10 | 平安科技(深圳)有限公司 | 基于人工智能的图像增强处理方法、装置、设备及介质 |
Non-Patent Citations (2)
Title |
---|
ZHICHAO FU ET AL.: "Edge-aware deep image deblurring", 《ARXIV:1907.02282V2 [CS.CV]》 * |
李璟 等: "超声图像中胎儿头围的自动测量", 《深圳大学学报理工版》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115049661B (zh) | 2022-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11490877B2 (en) | System and method of identifying characteristics of ultrasound images | |
EP3637099B1 (en) | Image reconstruction method based on a trained non-linear mapping | |
JP7194691B2 (ja) | 超音波臨床特徴検出及び関連する装置、システム、及び方法 | |
CN111248880B (zh) | 一种基于光体积变化描记图法信号的血压预测方法和装置 | |
CN111820948B (zh) | 胎儿生长参数测量方法、系统及超声设备 | |
CN113240587B (zh) | 超分辨率扫描变换方法、装置、超声设备及存储介质 | |
CN114947951B (zh) | 超声成像控制方法、装置、超声设备及存储介质 | |
CN110840484B (zh) | 自适应匹配最优声速的超声成像方法、装置及超声设备 | |
JP7292370B2 (ja) | 胎児体重推定を実施するための方法およびシステム | |
CN115049661B (zh) | 目标结构围度测量方法、装置、超声设备及存储介质 | |
CN114078112A (zh) | 肝脏变性程度的检测方法、装置、计算机设备和存储介质 | |
US20130315462A1 (en) | Use of a Two-Dimensional Analytical Signal in Sonography | |
CN116831626A (zh) | 超声波束合成方法及设备 | |
US20230285001A1 (en) | Systems and methods for identifying a vessel from ultrasound data | |
KR20230011856A (ko) | 의료 초음파의 정량적 이미징 방법 및 장치 | |
JP2023552330A (ja) | 個人が1つ又は複数の病害を有する可能性を予測すること | |
Zhang et al. | Compressed ultrasound signal reconstruction using a low-rank and joint-sparse representation model | |
US20230360225A1 (en) | Systems and methods for medical imaging | |
Gundersen et al. | Hardware-Independent Deep Signal Processing: A Feasibility Study in Echocardiography | |
CN114782283B (zh) | 超声图像增强方法、装置、超声设备及存储介质 | |
CN110236593B (zh) | 一种模板匹配的医学超声波束形成方法 | |
US20230404534A1 (en) | Measuring method for peristalsis information based on ultrasonic scanning, measuring apparatus thereof and medium | |
CN115227293A (zh) | 一种基于宽带超声回波特征的乳腺肿瘤筛查方法和装置 | |
Baradarani et al. | Super-Resolution with Embedded Denoising via Image Frequency Separation and Convolutional Neural Network in a Prototyped Transcranial Ultrasound Brain Imaging Scanner | |
Xu | Hybrid Receive Beamforming Applied to Ultrasound Imaging |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |