CN115249245A - 超声成像参数优化方法、装置、计算机设备及存储介质 - Google Patents

超声成像参数优化方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN115249245A
CN115249245A CN202211154856.5A CN202211154856A CN115249245A CN 115249245 A CN115249245 A CN 115249245A CN 202211154856 A CN202211154856 A CN 202211154856A CN 115249245 A CN115249245 A CN 115249245A
Authority
CN
China
Prior art keywords
current
value
image
model
ultrasonic
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
Application number
CN202211154856.5A
Other languages
English (en)
Other versions
CN115249245B (zh
Inventor
芦振寰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Wisonic Medical Technology Co ltd
Original Assignee
Shenzhen Wisonic Medical Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Wisonic Medical Technology Co ltd filed Critical Shenzhen Wisonic Medical Technology Co ltd
Priority to CN202211154856.5A priority Critical patent/CN115249245B/zh
Publication of CN115249245A publication Critical patent/CN115249245A/zh
Application granted granted Critical
Publication of CN115249245B publication Critical patent/CN115249245B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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]

Landscapes

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

Abstract

本发明公开一种超声成像参数优化方法、装置、计算机设备及存储介质。该方法包括：获取当前优化任务，基于当前优化任务，确定目标动作空间；采用基于目标动作空间构建的原始超声成像参数优化模型，对当前优化任务对应的当前状态数据进行处理，获取调整参数值；基于调整参数值，控制成像设备采集第一超声图像，接收成像设备反馈的第一超声图像；基于第一超声图像进行模型评估，获取模型评估结果；若模型未收敛，则采用第一超声图像和调整参数值，更新当前状态数据；若模型已收敛，则将原始超声成像参数优化模型，确定为目标超声成像参数优化模型。该方法采用机器学习手段替代人工优化，节省超声成像参数优化成本，提高超声成像参数优化的效率。

Description

超声成像参数优化方法、装置、计算机设备及存储介质
技术领域
本发明涉及超声成像技术领域，尤其涉及一种超声成像参数优化方法、装置、计算机设备及存储介质。
背景技术
超声成像过程中，每个模块中都包含着大量可调的参数，这些参数用来控制成像过程中硬件、软件和算法的设置，会影响最终的超声设备的成像效果，因此通过调整参数来优化超声设备的图像是非常重要的一个步骤。但是一个超声成像系统中，参数量非常巨大，而且由于人体每个部位的特性不同，每个超声探头的特性也不同。因此需要专人在每个检查模式下，对每个超声探头进行定制性的参数调整，以求得到最好的图像质量。这种过程需要耗费大量人力且流程不受控制，非常依赖经验，因此，使用算法介入来替代或者节省人力的参数优化是亟需的问题。但是超声成像参数优化是一个明确的连续的动作，并且当前动作会对后续所有的超声图像产生影响，即修改一个超声成像参数均会影响多个质量指标，因此，很难使用普通的自动算法来进行量化和处理。
发明内容
本发明实施例提供一种超声成像参数优化方法、装置、计算机设备及存储介质，以解决现有超声成像参数优化过程存在人力成本较大且具有不可控性的问题。
一种超声成像参数优化方法，包括：
获取当前优化任务，基于所述当前优化任务，确定目标动作空间；
采用基于所述目标动作空间构建的原始超声成像参数优化模型，对所述当前优化任务对应的当前状态数据进行处理，获取调整参数值；
基于所述调整参数值，控制成像设备采集第一超声图像，接收所述成像设备反馈的第一超声图像；
基于所述第一超声图像进行模型评估，获取模型评估结果；
若所述模型评估结果为模型未收敛，则采用所述第一超声图像和所述调整参数值，更新所述当前状态数据；
若所述模型评估结果为模型已收敛，则将所述原始超声成像参数优化模型，确定为目标超声成像参数优化模型。
一种超声成像参数优化装置，包括：
目标动作空间确定模块，用于获取当前优化任务，基于所述当前优化任务，确定目标动作空间；
调整参数值获取模块，用于采用基于所述目标动作空间构建的原始超声成像参数优化模型，对所述当前优化任务对应的当前状态数据进行处理，获取调整参数值；
第一超声图像接收模块，用于基于所述调整参数值，控制成像设备采集第一超声图像，接收所述成像设备反馈的第一超声图像；
模型评估结果获取模块，用于基于所述第一超声图像进行模型评估，获取模型评估结果；
当前状态数据更新模块，用于若所述模型评估结果为模型未收敛，则采用所述第一超声图像和所述调整参数值，更新所述当前状态数据；
目标优化模型获取模块，用于若所述模型评估结果为模型已收敛，则将所述原始超声成像参数优化模型，确定为目标超声成像参数优化模型。
一种计算机设备，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超声成像参数优化方法。
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超声成像参数优化方法。
上述超声成像参数优化方法、装置、计算机设备及存储介质，先根据当前优化任务确定目标动作空间，以便基于目标动作空间确定其对应的预先训练的原始超声成像参数优化模型，保障原始超声成像参数优化模型的针对性，使其适用不同优化任务的需求；接着，基于所述目标动作空间构建的原始超声成像参数优化模型，对所述当前优化任务对应的当前状态数据进行处理，以确定其需要优化调整的超声成像参数对应的调整参数值，基于该调整参数值控制成像设备采集第一超声图像，根据第一超声图像进行模型评估，以确定目标超声成像参数优化模型，以达到结合原始超声成像参数优化模型所在的仿真环境和超声设备共同训练，以达到利用强化学习替代人工调整超声成像参数的目的。本方案，能够大幅减少人工在超声成像参数优化方面的投入,可以快速优质的对超声设备的超声成像参数进行调节，并获得符合预期的超声图像。并且，基于所述目标动作空间构建的原始超声成像参数优化模型进行强化学习，可以具象的观察参数优化的路径，可以更方便的总结优化规律并提取参数优化经验，对后续参数优化有着指导作用，有助于保障参数优化后的超声图像的图像质量。
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成像参数优化方法的一应用环境示意图；
图2是本发明一实施例中超声成像参数优化方法的一流程图；
图3是图2中步骤S201的一流程图；
图4是图2中步骤S202的一流程图；
图5是图2中步骤S204的一流程图；
图6是图5中步骤S501的一流程图；
图7是图5中步骤S501的另一流程图；
图8是图7中步骤S703的另一流程图；
图9是图5中步骤S502之后执行的一流程图；
图10是本发明一实施例中超声成像参数优化装置的一示意图。
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超声成像参数优化方法，该超声成像参数优化方法可应用在图1所示的应用环境中，具体应用在图1所示的计算机设备中，计算机设备可与成像模块通信，可根据成像模块采集到的超声图像训练超声成像参数优化模型，并将超声成像参数优化模型输出的优化参数下发给至少一个超声设备。计算机设备包括控制模块、学习模块和数据接口。
控制模块主要负责设置学习模块的各项超参数，约定数据接口的格式和传输控制逻辑。以异步控制策略为例，可将超声设备反馈的超声图像立即返回学习模块进行更新，无需等待其他超声设备成像完成；而同步控制策略中，则需由数据接口接受数据并等待，直到所有超声设备成像完成，统一返回给学习模块进行更新。
学习模块主要进行强化学习的模块，即强化学习智能体对应的功能模块，包括动作的选择和神经网络参数的优化。
其中，数据接口主要用于对下发的优化参数和接收到的超声图像进行标准化处理，同时对至少一个超声设备进行管理，保证超声设备和学习模块的数据交互。以下发优化参数为例，数据接口根据学习模块生成的优化参数进行封装，包括头文件和数据体两部分。其中头文件包括该优化参数对应的控制终端的编号、已经训练的迭代次数等信息，数据体则是强化学习生成的新的超声成像参数。
成像模块包括至少一个超声设备，每一超声设备为可根据超声成像参数优化模型输出的优化参数，重新采集生成第一超声图像，包括超声机器和仿真环境。其中，为保证实验稳定运行，超声探头固定在超声体模上，可根据具体任务选择靶点体模或者婴儿体模等。仿真系统使用模拟数据作为原始数据，根据具体任务可选择血管和均匀组织等模拟数据。超声设备的设置尽量保持多样化，分别代表不同的检查模式或者成像环境，每个超声设备会分配一个预设权重，若想优化具体某个环境下的超声图像，把相关成像环境的超声设备的权重调高，其他超声设备的权重降低，以此来控制反馈到学习模块的信息。
每个超声设备都是一个完整的超声成像系统，包括如下处理流程：探头发射超声波，各阵元通道接收超声回波，模拟信号放大，模数转换，波束合成, 带通滤波, 求模, 对数压缩以及各项图像后处理工作, 最终在显示器上显示，在超声设备进行超声成像过程中，其超声成像参数控制则分布在各个处理流程中，具体表现如下：
（1）超声探头发射超声波；
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；或者是接二维阵列，阵元排列成二维矩阵形状。超声探头发射超声波的过程，具体是指压电换能器将施加在其上面的电压脉冲激励转换成机械振动从而对外发射超声波。超声探头发射超声波的过程，其超声成像参数主要来控制发射的波形、孔径和延时等。
（2）各阵元通道接收超声回波；
超声波发出后，人体组织会把超声波散射或者反射回探头，超声探头上的各阵元对应的压电换能器能把回波引起的机械振动转换成电信号，在对应的阵元通道中形成回波模拟信号。在各阵元通道接收超声回波过程中，其超声成像参数主要是控制解调、增益和孔径。
（3）波束合成；
波束合成主要是将各阵元通道接收到的回波模拟信号按照几何关系和物理原理进行扫描线数据的合成，获取波束合成数据。在波束合成过程中，其超声成像参数包括波束合成的点数、线束和截位等。
（4）波束合成数据上传；
将波束合成数据上传到超声设备的图像处理器或者计算机设备（即PC端），即需要按照原本设计的格式将上传波束合成数据包解析成组织好的数据格式。
（5）求模；
上传到图像处理器或者计算机设备（即PC端）的波束合成数据经过解析过是排列成采样点数乘以扫描线数的二维矩阵, 但每一个位置的信号是复数信号, 为了能够更加直观地成像, 这一步对复数信号求模, 得到信号的能量, 以能量来表征该位置的信号。
（6）对数压缩；
由于上一步求模后的数据值范围很大, 为了让人眼能够更好地感知图像的结构,一般会在求模操作后对数据作一次对数压缩, 使超声图像的组织层次更加清晰。
（7）空间复合；
空间复合的一般作用是通过将多个角度发射接收的同一区域图像进行复合, 通过减弱相干效应的方式, 极大地减弱斑点噪声的程度, 并同时提升图像整体的对比分辨力。 在空间复合过程中，其超声成像参数包括复合角度、发射次数和扫描方式等。
（8）图像后处理；
图像后处理 包括了一系列超声常规图像处理操作, 如增益与动态变换、 图像增强和 边缘增强滤波等。 在图像后处理过程中，其超声成像参数是参数优化的最后调整的参数，包括盲区调整、帧相关、整场增益和灰阶映射等。
（9）数字扫描变换；
数字扫描变换主要是为了将基于扫描线的极坐标系, 转换成真实的物理直角坐标系。
（10）输出直角坐标图像显示；
该部分没有可调参数, 将上一步的结果显示到显示器上即可。
综上，超声设备在实现超声成像过程中，基本上每个处理过程均包含不同的可调的超声成像参数，这些可调的超声成像参数构成了超声成像的基础。下面主要介绍学习模块的处理流程。
强化学习是一类特殊的机器学习算法，借鉴于行为主义心理学。与有监督学习和无监督学习的目标不同，算法要解决的问题是智能体（agent，即运行强化学习算法的实体）在环境中怎样执行动作以获得最大的累计奖励。
对本技术领域而言，传统的自动算法或者机器学习很难介入到超声成像参数优化的流程中，但是强化学习智能体的概念可以很好地代替专家来进行参数优化的尝试，智能体每一次参数调节都可以认为是一个动作，引起超声图像的改变，超声图像和超声成像参数的改变就形成了一个新的状态；强化学习智能体会根据新的状态选择下一个动作……直到超声图像优化到目标效果或者次数到达限制。
在一实施例中，如图2所示，提供一种超声成像参数优化方法，以该方法应用在图1中的计算机设备为例进行说明，包括如下步骤：
S201：获取当前优化任务，基于当前优化任务，确定目标动作空间；
S202：采用基于目标动作空间构建的原始超声成像参数优化模型，对当前优化任务对应的当前状态数据进行处理，获取调整参数值；
S203：基于调整参数值，控制成像设备采集第一超声图像，接收成像设备反馈的第一超声图像；
S204：基于第一超声图像进行模型评估，获取模型评估结果；
S205：若模型评估结果为模型未收敛，则采用第一超声图像和调整参数值，更新当前状态数据；
S206：若模型评估结果为模型已收敛，则将原始超声成像参数优化模型，确定为目标超声成像参数优化模型。
其中，当前优化任务是指当前时刻进行超声成像参数优化的具体场景，例如,当前时刻需要优化上肢动脉模式下的血管图像或者优化腹部模式下的器官成像。
其中，目标动作空间是当前优化任务所确定的动作空间，作为一示例，目标动作空间可以为离散动作空间或者连续动作空间。离散动作空间是指动作调整不连续的动作空间。连续动作空间是指动作调整连续的动作空间。
作为一示例，步骤S201中，计算机设备可接收用户触发的当前优化任务，采集当前优化任务对应的原始超声图像，接收用户对原始超声图像进行人工优化后的优化超声图像，在人工优化过程中，监控超声成像参数从初始状态到最终状态的变化情况，基于这一变化情况，确定超声成像参数对应的目标动作空间，即确定超声成像参数对应的目标动作空间为离散动作空间还是连续动作空间。由于超声图像成像过程中涉及到超声成像参数数量较多，若使用所有超声成像参数来进行模型的训练会导致无法收敛,通过对当前优化任务进行分析缩小需要调整的参数范围,确定所需调整的超声成像参数对应的目标动作空间，可有效的增加模型训练的成功率。
其中，原始超声成像参数优化模型是指当前时刻之前训练完成的超声成像参数优 化模型，可以理解为强化学习智能体内置的超声成像参数优化模型。当前状态数据是指当 前时刻对应的状态数据，可采用
Figure 597027DEST_PATH_IMAGE001
表示，包括当前超声图像和当前参数值。此处的当前超 声图像是指当前时刻需要输入原始超声成像参数优化模型进行处理的超声图像。当前参数 值是指超声设备采集当前超声图像时的参数值。
作为一示例，步骤S202中，计算机设备在确定当前优化任务对应的目标动作空间 后，可将当前优化任务对应的当前状态数据，具体将当前超声图像和当前参数值，输入预先 训练的基于目标动作空间的原始超声成像参数优化模型进行处理，以使原始超声成像参数 优化模型对当前状态数据
Figure 310905DEST_PATH_IMAGE001
进行处理，利用当前状态数据
Figure 825063DEST_PATH_IMAGE001
对原始超声成像参数优化 模型的神经网络参数进行调整，获取原始超声成像参数优化模型输出的调整参数值。此处 的调整参数值是指原始超声成像参数优化模型输出的参数值，可理解为需要调整的超声成 像参数的具体数值。
本示例中，计算机设备的学习模块包括强化学习智能体，该强化学习智能体上设 有基于目标动作空间的原始超声成像参数优化模型，可对当前优化任务对应的当前状态数 据
Figure 377529DEST_PATH_IMAGE001
进行强化学习，利用当前状态数据
Figure 988639DEST_PATH_IMAGE001
对原始超声成像参数优化模型的神经网络参 数进行调整，获取原始超声成像参数优化模型输出的调整参数值。
其中，第一超声图像是指超声设备基于调整参数值，重新采集的超声图像。
作为一示例，步骤S203中，计算机设备在获取原始超声成像参数优化模型输出的调整参数值后，可将调整参数值发送给成像设备，以使成像设备基于该调整参数值重新采集第一超声图像，该计算机设备还可接收超声设备反馈的第一超声图像。
作为一示例，步骤S204中，计算机设备在获取到超声设备重新采集的第一超声图像后，需根据重新采集到的第一超声图像进行模型评估，即根据第一超声图像，评估原始超声成像参数优化模型是否满足预先收敛条件，获取模型评估结果。本示例中，对第一超声图像进行模型评估过程，可理解为评估重新采集的第一超声图像是否满足预设需求的过程，例如，是否满足精度要求。
作为一示例，步骤S205中，计算机设备在模型评估结果为模型未收敛时，需将第一超声图像和调整参数值，更新为新的当前状态数据，再将更新后的当前状态数据输入到目标动作空间构建的原始超声成像参数优化模型，重复执行步骤S201-S204，直至其最终生成的第一超声图像的模型评估结果满足预设收敛条件。
作为一示例，步骤S206中，计算机设备在模型评估结果为模型已收敛时，认定重新采集的第一超声图像已满足预设收敛条件，此时，可将神经网络参数调整后的原始超声成像参数优化模型，确定为训练完成的目标超声成像参数优化模型。一般来说目标超声成像参数优化模型训练完成后,该模型可以用于实际场景的图像优化，例如，有一台新的超声设备需要进行图像优化时，可使用训练好的目标超声成像参数优化模型,输入当前图像.根据模型输出结果（即需要调整的超声成像参数）进行调整就可以快速的自动完成该超声设备的图像优化。
本实施例中，先根据当前优化任务确定目标动作空间，以便基于目标动作空间确定其对应的预先训练的原始超声成像参数优化模型，保障原始超声成像参数优化模型的针对性，使其适用不同优化任务的需求；接着，基于目标动作空间构建的原始超声成像参数优化模型，对当前优化任务对应的当前状态数据进行处理，以确定其需要优化调整的超声成像参数对应的调整参数值，基于该调整参数值控制成像设备采集第一超声图像，根据第一超声图像进行模型评估，以确定目标超声成像参数优化模型，以达到结合原始超声成像参数优化模型所在的仿真环境和超声设备共同训练，以达到利用强化学习替代人工调整超声成像参数的目的。本方案，能够大幅减少人工在超声成像参数优化方面的投入,可以快速优质的对超声设备的超声成像参数进行调节，并获得符合预期的超声图像。并且，基于目标动作空间构建的原始超声成像参数优化模型进行强化学习，可以具象的观察参数优化的路径，可以更方便的总结优化规律并提取参数优化经验，对后续参数优化有着指导作用，有助于保障参数优化后的超声图像的图像质量。
在一实施例中，如图3所示，步骤S201，即基于当前优化任务，确定目标动作空间，包括：
S301：基于当前优化任务，获取当前优化参数对应的参数数量和参数值粒度；
S302：若参数数量小于预设数量，且参数值粒度大于预设粒度，则确定目标动作空间为离散动作空间；
S303：若参数数量不小于预设数量，或者参数值粒度不大于预设粒度，则确定目标动作空间为连续动作空间。
其中，当前优化参数是指基于当前优化任务所确定的人工优化的超声成像参数，即用户对原始超声图像进行人工优化过程中调整的超声成像参数。
作为一示例，步骤S301中，计算机设备接收到当前优化任务后，在计算机设备的显示界面上显示所有超声成像参数，以供用户从所有超声成像参数中选择确定至少一个当前优化参数；在确定至少一个当前优化参数后，需获取所有当前优化参数对应的参数数量，并获取用户输入的每一当前优化参数对应的参数值粒度。此处的参数值粒度为用户进行人工优化时，对当前优化参数进行调整的间隔大小，比如当前优化参数1，其单次调整的值为加减0.1，而当前优化参数2，其单次调整的值为加减1，则当前优化参数2的参数值粒度大于当前优化参数1的参数值粒度。
其中，预设数量是预先设置的用于界定不同动作空间的数量。预设粒度是预先设置的用于界定不同动作空间的粒度。
作为一示例，步骤S302中，计算机设备在获取当前优化参数对应的参数数量和参数值粒度后，可将参数数量与预设数量进行比较，将参数值粒度与预设粒度进行比较，若参数数量小于预设数量，且参数值粒度大于预设粒度，则确定目标动作空间为离散动作空间。
本示例中，当用户筛选出的当前优化参数对应的参数数量不多，且当前优化参数 对应的参数值粒度大于预设粒度（即对精度要求不高）时，可确定当前优化任务对应的目标 动作空间为离散动作空间。例如，当前优化任务对应的目标动作空间为
Figure 217626DEST_PATH_IMAGE002
,
Figure 219081DEST_PATH_IMAGE003
代表第一个参数的向下调整,
Figure 949139DEST_PATH_IMAGE004
代表 第一个参数的向上调整,调整步长是固定值,其他动作也同理。离散动作空间的精度稍低, 但是可以算法选择方面会有更多的空间,且更容易训练。
作为一示例，步骤S303中，计算机设备在获取当前优化参数对应的参数数量和参数值粒度后，可将参数数量与预设数量进行比较，将参数值粒度与预设粒度进行比较，若参数数量不小于预设数量，且参数值粒度不大于预设粒度，则确定目标动作空间为连续动作空间。
本示例中，当用户筛选出的当前优化参数对应的参数数量较多，或者当前优化参 数对应的参数值粒度不大于预设粒度（即对精度要求较高）时，可确定当前优化任务对应的 目标动作空间为连续动作空间。例如，当前优化任务对应的目标动作空间为
Figure 539389DEST_PATH_IMAGE005
,
Figure 267174DEST_PATH_IMAGE006
代表第一个参数需要设置的值，其他动作同理。连续动作 空间精度高,不受到固定调整补偿的限制，且动作空间维度较小，但是连续动作空间在训练 算法的选择层面有限制，且训练时更不易收敛。
本实施例中，根据当前优化任务进行人工优化，根据当前优化参数对应的参数数量和参数值粒度，确定其目标动作空间，以达到根据人工优化过程确定超声成像参数优化模型训练的需求，即确定需保障训练成功率，还是需要保障精度。
在一实施例中，当前状态数据包括当前超声图像；
如图4所示，步骤S202，即采用基于目标动作空间构建的原始超声成像参数优化模型，对当前优化任务对应的当前状态数据进行处理，获取调整参数值，包括：
S401：对当前超声图像进行特征提取，获取当前图像特征；
S402：采用原始超声成像参数优化模型中的演员网络，对当前图像特征进行处理，获取推荐动作；
S403：采用原始超声成像参数优化模型中的评论家网络，对当前图像特征进行处理，获取评估价值；
S404：基于推荐动作和评估价值，确定调整参数值。
本示例中，计算机设备上设有强化学习智能体，该强化学习智能体上设有基于目 标动作空间的原始超声成像参数优化模型，将当前状态数据
Figure 552662DEST_PATH_IMAGE001
输入该强化学习智能体，强 化学习智能体可根据当前状态数据
Figure 961777DEST_PATH_IMAGE001
（当前超声图像和当前参数值），计算出需要优化的 超声成像参数对应的调整参数值。
强化学习智能体中包含策略函数，用于控制动作选择逻辑，代表当前状态下应该选取什么样的动作。例如，随机性策略函数如下：
Figure 219583DEST_PATH_IMAGE007
其中，a代表动作，s代表状态。
Figure 180586DEST_PATH_IMAGE008
代表策略函数，即在当前状态s下,采取不同动作a 的概率分布。本示例中，在根据随机性策略函数确定采用不同策略函数后，可根据概率分布 来采样决定要执行的动作。
强化学习智能体中还包含价值函数，代表着当前状态下后续能获得的奖励的期望，是对当前状态S的价值评估。例如，价值函数公式如下:
Figure 842118DEST_PATH_IMAGE009
强化学习智能体可采用任何强化学习算法进行训练，以下面以A2C算法为例,说明强化学习智能体的训练过程，在A2C算法中，包含一个神经网络，该神经网络末端的设计两个分支，分别为演员网络actor和评论家网络critic，其中，演员网络actor用于预测动作，即拟合强化学习智能体的策略函数。评论家网络critic用于实现价值评估，即拟合强化学习智能体的价值函数。
作为一示例，步骤S401中，计算机设备（具体为强化学习智能体）接收到当前状态数据时，可对当前状态数据中的当前超声图像进行特征提取，以将当前超声图像抽象为高阶的特征表示，从而获取当前图像特征，使其可输入神经网络进行处理，保障神经网络处理的效率。
作为一示例，步骤S402中，计算机设备（具体为强化学习智能体）在获取当前超声图像对应的当前图像特征后，可将该当前图像特征输入原始超声成像参数优化模型的演员网络actor进行处理，获取演员网络actor输出的推荐动作。本示例中，演员网络actor对当前图像特征进行处理，获取目标动作空间对应的N个动作的策略函数值，即当前策略函数输出的N个动作的策略函数值；再根据N个策略函数值，确定推荐动作，例如，选取策略函数值较大的至少一个动作，确定为推荐动作。
作为一示例，步骤S403中，计算机设备（具体为强化学习智能体）在获取当前超声图像对应的当前图像特征后，可将该当前图像特征输入原始超声成像参数优化模型的评论家网络critic进行处理，获取评论家网络critic输出的评估价值，即评论家网络critic中的价值函数估算出的价值。
作为一示例，步骤S404中，计算机设备（具体为强化学习智能体）在根据当前状态数据确定对应的推荐动作和评估价值后，可基于该推荐动作和评估价值，输出基于当前状态数据确定的调整参数值，并更新原始超声成像参数优化模型的神经网络参数，即更新演员网络actor的网络权重和评论家网络critic的网络权重。本示例中，神经网络的权重通过梯度下降法更新，更新公式如下：
Figure 648400DEST_PATH_IMAGE010
其中，
Figure 26292DEST_PATH_IMAGE011
是当前时刻的奖励reward，可理解为基于当前状态数据确定的奖励 reward；
Figure 767983DEST_PATH_IMAGE012
是折扣因子，可以为依据经验确定的常数因子；
Figure 293642DEST_PATH_IMAGE013
下一时刻的状态，具体可包括 下一时刻对应的超声图像和参数值；s是当前时刻的状态，具体可包括当前时刻对应的当前 超声图像和当前参数值；
Figure 106878DEST_PATH_IMAGE014
和
Figure 260647DEST_PATH_IMAGE015
分别是演员网络actor的网络权重和评论家网络critic的 网络权重；
Figure 829032DEST_PATH_IMAGE016
和
Figure 186195DEST_PATH_IMAGE017
分别是策略函数和价值函数；
Figure 803121DEST_PATH_IMAGE018
和
Figure 952343DEST_PATH_IMAGE019
为常数。从公式可以看出，网络权重 的更新只需要使用
Figure 52148DEST_PATH_IMAGE020
这样的四元组，先计算出中间值
Figure 224503DEST_PATH_IMAGE021
，再根据中间值
Figure 176279DEST_PATH_IMAGE021
， 分别计算
Figure 320952DEST_PATH_IMAGE014
和
Figure 965560DEST_PATH_IMAGE015
，其中，
Figure 625212DEST_PATH_IMAGE022
和
Figure 770891DEST_PATH_IMAGE013
都可根据当前时刻以后，超声设备所采集到的第一超声图 像获取；a由演员网络actor中的策略函数进行选择确定；奖励r可依据后续的模型评估结果 确定。
在一实施例中，如图5所示，步骤S204，即基于第一超声图像进行模型评估，获取模型评估结果，包括：
S501：基于第一超声图像进行模型评估，获取当前奖励值；
S502：若当前奖励值未达到预设奖励值，则确定模型评估结果为模型未收敛；
S503：若当前奖励值达到预设奖励值，则确定模型评估结果为模型已收敛。
作为一示例，步骤S501中，计算机设备在获取超声设备采集到的第一超声图像后，需根据实际情况，采用不同的模型评估算法，实现基于第一超声图像进行模型评估，以获取当前奖励值。本示例中，在计算机设备将强化学习智能体输出的调整参数值发送给超声设备，以使超声设备采集新的第一超声图像，该第一超声图像可理解为该调整参数值对应的动作产生的效果，由上述强化学习智能体的描述可知，需采用策略函数评估调整参数值对应的动作的有效程度，因此，需计算其调整参数值对应的动作的当前奖励值reward。
其中，预设奖励值是预先设置的用于评估是否满足预设收敛条件的奖励值。
作为一示例，步骤S502中，计算机设备在根据第一超声图像确定当前奖励值后，可将该当前奖励值与预设奖励值进行比较，在当前奖励值未达到预设奖励值，则认定其不满足预设收敛条件，确定模型评估结果为模型未收敛。
作为一示例，步骤S503中，计算机设备在根据第一超声图像确定当前奖励值后，可将该当前奖励值与预设奖励值进行比较，在当前奖励值达到预设奖励值，则认定其满足预设收敛条件，确定模型评估结果为模型已收敛。
本实施例中，基于超声设备重新采集到的第一超声图像，对强化学习智能体中的原始超声成像参数优化模型进行模型评估，根据其计算出的当前奖励值和预设奖励值的比较结果，确定模型是否收敛，以达到结合原始超声成像参数优化模型所在的仿真环境和超声设备共同训练，以达到利用强化学习替代人工调整超声成像参数的目的，保障训练后的目标超声成像参数优化模型输出的优化参数值的有效性，保障基于优化参数值采集到的超声图像的图像质量。
在一实施例中，如图6所示，步骤S501，即基于第一超声图像进行模型评估，获取当前奖励值，包括：
S601：对第一超声图像进行质量检测，获取实测噪声值、实测分辨率和实测对比度；
S602：对实测噪声值、实测分辨率和实测对比度进行标准化处理，获取标准噪声值、标准分辨率和标准对比度；
S603：基于标准噪声值、标准分辨率和标准对比度，获取当前奖励值。
其中，实测噪声值是指实时测量到的噪声值。实测分辨率是指实时测量到的分辨率。实测对比度是指实时测量到的对比度。
作为一示例，步骤S601中，计算机设备在其强化学习智能体的优化目标是保障其质量指标满足预设标准时，具体应用在无监督学习过程中，可采用预先设置的不同质量指标算法，对第一超声图像进行检测，具体包括：采用噪声检测算法对第一超声图像进行质量检测，获取实测噪声值；采用分辨率检测算法对第一超声图像进行质量检测，获取实测分辨率；采用对比度检测算法对第一超声图像进行质量检测，获取实测对比度。
作为一示例，步骤S602中，计算机设备在获取第一超声设备在不同维度下的实测质量值（即实测噪声值、实测分辨率和实测对比度）后，需将不同维度的实测质量值转换为相同数值范围下的质量值，其转换过程如下：采用噪声值标准化函数对实测噪声值进行标准化处理，获取标准噪声值；采用分辨率标准化函数对实测分辨率进行标准化处理，获取标准分辨率；采用对比度标准化函数对实测对比度进行标准化处理，获取标准对比度。本示例中，噪声值标准化函数、分辨率标准化函数和对比度标准化函数可采用但限于归一化函数，以使标准化后的数值在相同数值范围内，具有可比性。
作为一示例，步骤S603中，计算机设备在获取到相同数值范围下的标准噪声值、标准分辨率和标准对比度后，可对相同数值范围下的标准噪声值、标准分辨率和标准对比度进行加权处理，获取当前奖励值。
例如，在无监督学习的应用场景下，采用可量化图像质量的噪声指标、分辨率指标和对比度指标进行模型评估，具体包括：对第一超声图像进行特征提取，以提取第一超声图像本身的各种属性，包括但不限于噪声指标对应的实测噪声值、分辨率指标对应的实测分辨率和对比度指标对应的实测对比度；接着，对实测噪声值、实测分辨率和实测对比度进行标准化处理，获取标准噪声值、标准分辨率和标准对比度；最后，对标准噪声值、标准分辨率和标准对比度进行加权处理，获取当前奖励值，其计算公式如下：
Figure 363547DEST_PATH_IMAGE023
其中,
Figure 382318DEST_PATH_IMAGE018
为通过先验知识指定噪声指标对应的加权权重；
Figure 466949DEST_PATH_IMAGE019
为通过先验知识指定 分辨率指标对应的加权权重；
Figure 26106DEST_PATH_IMAGE012
为通过先验知识指定对比度指标对应的加权权重；noise为 噪声指标对应的实测噪声值；resolution为分辨率指标对应的实测分辨率；contrast为对 比度指标对应的实测对比度，f为噪声指标对应的噪声值标准化函数；g为分辨率指标对应 的分辨率标准化函数；h为对比度指标对应的对比度标准化函数。
本实施例中，在无监督学习的应用场景下，对超声设备重新采集的第一超声图像，可确定量化评估超声图像的图像质量的多个质量指标（噪声指标、分辨率指标和对比度指标），获取多个质量指标对应的实测质量值；对多个质量指标对应的实测质量值进行标准化和加权处理，以获取模型评估结果，保障模型评估结果的客观性和准确性。
在一实施例中，当前状态数据还包括对第一超声图像进行优化后的第二超声图像；
如图7所示，步骤S501，即基于第一超声图像进行模型评估，获取当前奖励值，包括：
S701：对第一超声图像和第二超声图像进行特征提取，获取第一图像特征和第二图像特征；
S702：对第一图像特征和第二图像特征进行差异计算，获取峰值信噪比和结构相似度；
S703：根据第一图像特征、第二图像特征、峰值信噪比和结构相似度，获取当前奖励值。
其中，第二超声图像是基于第一超声图像优化完成后的超声图像，可以为用户对第一超声图像进行人工优化后的超声图像，用于作为第一超声图像的对比图像。
作为一示例，步骤S701中，计算机设备在其强化学习智能体的优化目标是采集用户在不同的标准下的优化结果作为其优化目标时，具体应用在有监督学习过程中，可获取超声设备生成的第一超声图像，并获取对第一超声图像进行人工优化后的第二超声图像；然后，分别对第一超声图像和第二超声图像进行特征提取，获取第一超声图像对应的第一图像特征和第二超声图像对应的第二图像特征。
作为一示例，步骤S702中，计算机设备在获取第一图像特征和第二图像特征后，可对第一图像特征和第二图像特征进行差异计算，计算出两个超声图像的图像特征之间的差异特征，具体计算第一图像特征和第二图像特征之间的峰值信噪比psnr和结构相似度ssim等；或者，采用自编码器、PCA等机器学习算法对两个图像特征进行降维，提取降维后的图像特征，以便比较降维后的差异度。
作为一示例，步骤S703中，计算机设备可对第一图像特征、第二图像特征、峰值信噪比psnr和结构相似度ssim进行加权计算，获取模型评估结果。本示例中，计算机设备可根据第一图像特征和第二图像特征，计算两者之间的特征差，确定为原始特征差值；再对原始特征差值、峰值信噪比psnr和结构相似度ssim进行加权计算进行加权计算，获取模型评估结果。
本实施例中，在有监督学习的应用场景上，对超声设备重新采集的第一超声图像及其对应的第二超声图像进行特征提取，对提取后的第一图像特征和第二图像特征进行差异计算和加权处理，以获取模型评估结果，使得模型评估结果充分考虑两个超声图像之间的图像差异，保障模型评估结果的客观性和准确性。
在一实施例中，如图8所示，步骤S703，即根据第一图像特征、第二图像特征、峰值信噪比和结构相似度，获取当前奖励值，包括：
S801：对第一图像特征和第二图像特征进行降维处理，获取第一降维特征和第二降维特征；
S802：根据第一降维特征和第二降维特征，确定目标特征差值；
S803：对目标特征差值、峰值信噪比和结构相似度进行加权处理，获取当前奖励值。
作为一示例，步骤S801中，计算机设备采用自编码器、PCA等机器学习算法，对第一 图像特征进行降维处理，获取对应的第一降维特征
Figure 942110DEST_PATH_IMAGE024
；对第二图像特征进行降 维处理，获取对应的第二降维特征
Figure 286110DEST_PATH_IMAGE025
。本示例中，对第一图像特征和第二图 像特征进行降维处理，有助于降低计算难度，提高后续计算的处理效率。
作为一示例，步骤S802中，计算机设备在获取第一降维特征
Figure 982670DEST_PATH_IMAGE024
和第二 降维特征
Figure 955306DEST_PATH_IMAGE025
后，可计算第一降维特征
Figure 991395DEST_PATH_IMAGE024
和第二降维特征
Figure 148707DEST_PATH_IMAGE025
之间的差异特征，确定为目标特征差值。该目标特征差值可反应两个降维 特征之间的差异度。
作为一示例，步骤S803中，计算机设备在获取目标特征差值后，可先判断目标特征差值、峰值信噪比和结构相似度是否在相同数值范围内；若均在相同数值范围内，则直接对目标特征差值、峰值信噪比和结构相似度进行加权处理，获取当前奖励值；若不在相同数值范围内，则先进行标准化处理，再对标准化处理后的目标特征差值、峰值信噪比和结构相似度进行加权处理，获取当前奖励值，使得模型评估结果充分考虑两个超声图像之间的图像差异，保障模型评估结果的客观性和准确性。
例如，在目标特征差值与峰值信噪比和结构相似度不在相同数值范围内，可先对目标特征差值进行标准化处理，再将标准化处理后的标准特征差值与峰值信噪比和结构相似度进行加权处理，获取模型评估结果，其加权公式如下：
Figure 191618DEST_PATH_IMAGE026
其中,
Figure 295840DEST_PATH_IMAGE018
、
Figure 983173DEST_PATH_IMAGE019
和
Figure 186753DEST_PATH_IMAGE012
为通过先验知识指定的加权权重；psnr为峰值信噪比；ssim为结 构相似度；feature为采用自编码器、PCA等机器学习算法进行降维处理所提取的特征，下标 new代表第一超声图像的特征，target为第二超声图像的特征；f为标准化函数。
本实施例中，计算机设备可根据计算出的当前奖励值reward判断强化学习的训练迭代是否达到终止状态，即是否满足预设收敛条件；若满足预设收敛条件，则认定第一超声图像的特征已经等同或者接近的第二超声图像的特征，说明第一超声图像的优化结束，进入下一轮优化；若不满足预设收敛条件，则需基于当前奖励值reward进行反馈，以调整原始超声成像参数优化模型的神经网络参数。
在一实施例中，如图9所示，步骤S502之后，即在确定模型评估结果为模型未收敛之后，超声成像参数优化方法还包括：
S901：对当前奖励值进行重映射，获取重映射奖励值；
S902：根据重映射奖励值和正则项奖励值，获取更新奖励值，基于更新奖励值，调整原始超声成像参数优化模型的神经网络参数。
作为一示例，步骤S901中，计算机设备在获取当前奖励值reward后，可采用重映射 函数对当前奖励值reward进行重映射，以获取重映射奖励值。例如，计算机设备可采用s型 重映射函数，例如，sigmoid函数等，对当前奖励值reward进行重映射，获取重映射奖励值
Figure 530009DEST_PATH_IMAGE027
。本示例中，对当前奖励值reward进行重映射，以获取重映射奖励值，使得重 映射奖励值更符合强化学习智能体进行学习训练的数值空间。
其中，正则项奖励值是指预先基于先验知识设置的奖励值，用于实现对重映射奖励值进行帮助校正。也就是说，正则项奖励值是由先验知识确定，可根据目标优化的超声设备的超声探头和检查模式确定。
作为一示例，步骤S902中，计算机设备在获取重映射奖励值后，可将重映射奖励值和正则项奖励值，计算相应的更新奖励值。例如，将重映射奖励值和正则项奖励值之和，确定为更新奖励值。即更新奖励值的计算公式如下：
Figure 234660DEST_PATH_IMAGE028
其中，f为重映射函数，一般采用s型重映射函数对当前奖励值reward的数值范围 进行重映射，比如常用的sigmoid函数等。正则项奖励值主要是针对超声图像的先验知识设 置的奖励值。以图像增益为例，超声图像的增益人眼适应区间是以80增益为中心的类正态 分布曲线，若重新生成的第一超声图像的增益过高或者过低，则会对当前奖励值reward进 行一定的惩罚，形成正则项奖励值
Figure 668178DEST_PATH_IMAGE029
。同理，针对动态范围、对比度等质 量指标也遵循超声图像的分布曲线。该正则项奖励值是对所有质量指标的正则项进行组合 所形成的奖励值。
本实施例中，先对当前奖励值进行重映射，使得重映射奖励值更符合强化学习智能体进行学习训练的数值空间；再利用正则项奖励值对重映射奖励值进行更新，以利用更新奖励值调整原始超声成像参数优化模型的神经网络参数，以达到优化原始超声成像参数优化模型的目的。
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，提供一种超声成像参数优化装置，该超声成像参数优化装置与上述实施例中超声成像参数优化方法一一对应。如图10所示，该超声成像参数优化装置包括目标动作空间确定模块1001、调整参数值获取模块1002、第一超声图像接收模块1003、模型评估结果获取模块1004、当前状态数据更新模块1005和目标优化模型获取模块1006。各功能模块详细说明如下：
目标动作空间确定模块1001，用于获取当前优化任务，基于当前优化任务，确定目标动作空间；
调整参数值获取模块1002，用于采用基于目标动作空间构建的原始超声成像参数优化模型，对当前优化任务对应的当前状态数据进行处理，获取调整参数值；
第一超声图像接收模块1003，用于基于调整参数值，控制成像设备采集第一超声图像，接收成像设备反馈的第一超声图像；
模型评估结果获取模块1004，用于基于第一超声图像进行模型评估，获取模型评估结果；
当前状态数据更新模块1005，用于若模型评估结果为模型未收敛，则采用第一超声图像和调整参数值，更新当前状态数据；
目标优化模型获取模块1006，用于若模型评估结果为模型已收敛，则将原始超声成像参数优化模型，确定为目标超声成像参数优化模型。
在一实施例中，目标动作空间确定模块1001，包括：
优化参数获取子模块，用于基于当前优化任务，获取当前优化参数对应的参数数量和参数值粒度；
离散动作空间获取子模块，用于若参数数量小于预设数量，且参数值粒度大于预设粒度，则确定目标动作空间为离散动作空间；
目标动作空间获取子模块，用于若参数数量不小于预设数量，或者参数值粒度不大于预设粒度，则确定目标动作空间为连续动作空间。
在一实施例中，当前状态数据包括当前超声图像；
调整参数值获取模块1002，包括：
当前图像特征获取子模块，用于对当前超声图像进行特征提取，获取当前图像特征；
推荐动作获取子模块，用于采用原始超声成像参数优化模型中的演员网络，对当前图像特征进行处理，获取推荐动作；
评估价值获取子模块，用于采用原始超声成像参数优化模型中的评论家网络，对当前图像特征进行处理，获取评估价值；
调整参数值确定子模块，用于基于推荐动作和评估价值，确定调整参数值。
在一实施例中，模型评估结果获取模块1004，包括：
当前奖励值获取子模块，用于基于第一超声图像进行模型评估，获取当前奖励值；
未收敛结果获取子模块，用于若当前奖励值未达到预设奖励值，则确定模型评估结果为模型未收敛；
已收敛结果获取子模块，用于若当前奖励值达到预设奖励值，则确定模型评估结果为模型已收敛。
在一实施例中，当前奖励值获取子模块，包括：
质量检测单元，用于对第一超声图像进行质量检测，获取实测噪声值、实测分辨率和实测对比度；
标准化处理单元，用于对实测噪声值、实测分辨率和实测对比度进行标准化处理，获取标准噪声值、标准分辨率和标准对比度；
第一奖励值获取单元，用于基于标准噪声值、标准分辨率和标准对比度，获取当前奖励值。
在一实施例中，当前状态数据还包括对第一超声图像进行优化后的第二超声图像；
当前奖励值获取子模块，包括：
特征提取单元，用于对第一超声图像和第二超声图像进行特征提取，获取第一图像特征和第二图像特征；
差异计算单元，用于对第一图像特征和第二图像特征进行差异计算，获取峰值信噪比和结构相似度；
第二奖励值获取单元，用于根据第一图像特征、第二图像特征、峰值信噪比和结构相似度，获取当前奖励值。
在一实施例中，第二奖励值获取单元，包括：
降维特征获取子单元，用于对第一图像特征和第二图像特征进行降维处理，获取第一降维特征和第二降维特征；
目标特征差值获取子单元，用于根据第一降维特征和第二降维特征，确定目标特征差值；
当前奖励值获取子单元，用于对目标特征差值、峰值信噪比和结构相似度进行加权处理，获取当前奖励值。
在一实施例中，超声成像参数优化装置还包括：
重映射奖励值获取子模块，用于对当前奖励值进行重映射，获取重映射奖励值；
神经网络参数调整子模块，用于根据重映射奖励值和正则项奖励值，获取更新奖励值，基于更新奖励值，调整原始超声成像参数优化模型的神经网络参数。
关于超声成像参数优化装置的具体限定可以参见上文中对于超声成像参数优化方法的限定，在此不再赘述。上述超声成像参数优化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计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，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，提供一种计算机设备，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超声成像参数优化方法，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超声成像参数优化装置这一实施例中的各模块/单元的功能，例如图10所示的目标动作空间确定模块1001、调整参数值获取模块1002、第一超声图像接收模块1003、模型评估结果获取模块1004、当前状态数据更新模块1005和目标优化模型获取模块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超声成像参数优化方法，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超声成像参数优化装置这一实施例中的各模块/单元的功能，例如图10所示的目标动作空间确定模块1001、调整参数值获取模块1002、第一超声图像接收模块1003、模型评估结果获取模块1004、当前状态数据更新模块1005和目标优化模型获取模块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)

1.一种超声成像参数优化方法，其特征在于，包括：
获取当前优化任务，基于所述当前优化任务，确定目标动作空间；
采用基于所述目标动作空间构建的原始超声成像参数优化模型，对所述当前优化任务对应的当前状态数据进行处理，获取调整参数值；
基于所述调整参数值，控制成像设备采集第一超声图像，接收所述成像设备反馈的第一超声图像；
基于所述第一超声图像进行模型评估，获取模型评估结果；
若所述模型评估结果为模型未收敛，则采用所述第一超声图像和所述调整参数值，更新所述当前状态数据；
若所述模型评估结果为模型已收敛，则将所述原始超声成像参数优化模型，确定为目标超声成像参数优化模型。
2.如权利要求1所述的超声成像参数优化方法，其特征在于，所述基于所述当前优化任务，确定目标动作空间，包括：
基于所述当前优化任务，获取当前优化参数对应的参数数量和参数值粒度；
若所述参数数量小于预设数量，且所述参数值粒度大于预设粒度，则确定所述目标动作空间为离散动作空间；
若所述参数数量不小于预设数量，或者所述参数值粒度不大于预设粒度，则确定所述目标动作空间为连续动作空间。
3.如权利要求1所述的超声成像参数优化方法，其特征在于，所述当前状态数据包括当前超声图像；
所述采用基于所述目标动作空间构建的原始超声成像参数优化模型，对所述当前优化任务对应的当前状态数据进行处理，获取调整参数值，包括：
对所述当前超声图像进行特征提取，获取当前图像特征；
采用所述原始超声成像参数优化模型中的演员网络，对所述当前图像特征进行处理，获取推荐动作；
采用所述原始超声成像参数优化模型中的评论家网络，对所述当前图像特征进行处理，获取评估价值；
基于所述推荐动作和所述评估价值，确定调整参数值。
4.如权利要求1所述的超声成像参数优化方法，其特征在于，所述基于所述第一超声图像进行模型评估，获取模型评估结果，包括：
基于所述第一超声图像进行模型评估，获取当前奖励值；
若所述当前奖励值未达到预设奖励值，则确定所述模型评估结果为模型未收敛；
若所述当前奖励值达到预设奖励值，则确定所述模型评估结果为模型已收敛。
5.如权利要求4所述的超声成像参数优化方法，其特征在于，所述基于所述第一超声图像进行模型评估，获取当前奖励值，包括：
对所述第一超声图像进行质量检测，获取实测噪声值、实测分辨率和实测对比度；
对所述实测噪声值、所述实测分辨率和所述实测对比度进行标准化处理，获取标准噪声值、标准分辨率和标准对比度；
基于所述标准噪声值、所述标准分辨率和所述标准对比度，获取当前奖励值。
6.如权利要求4所述的超声成像参数优化方法，其特征在于，所述当前状态数据还包括对所述第一超声图像进行优化后的第二超声图像；
所述基于所述第一超声图像进行模型评估，获取当前奖励值，包括：
对所述第一超声图像和所述第二超声图像进行特征提取，获取第一图像特征和第二图像特征；
对所述第一图像特征和所述第二图像特征进行差异计算，获取峰值信噪比和结构相似度；
根据所述第一图像特征、所述第二图像特征、所述峰值信噪比和所述结构相似度，获取当前奖励值。
7.如权利要求6所述的超声成像参数优化方法，其特征在于，所述根据所述第一图像特征、所述第二图像特征、所述峰值信噪比和所述结构相似度，获取当前奖励值，包括：
对所述第一图像特征和所述第二图像特征进行降维处理，获取第一降维特征和第二降维特征；
根据所述第一降维特征和所述第二降维特征，确定目标特征差值；
对所述目标特征差值、所述峰值信噪比和所述结构相似度进行加权处理，获取当前奖励值。
8.如权利要求4所述的超声成像参数优化方法，其特征在于，在所述确定所述模型评估结果为模型未收敛之后，所述超声成像参数优化方法还包括：
对所述当前奖励值进行重映射，获取重映射奖励值；
根据所述重映射奖励值和正则项奖励值，获取更新奖励值，基于所述更新奖励值，调整所述原始超声成像参数优化模型的神经网络参数。
9.一种超声成像参数优化装置，其特征在于，包括：
目标动作空间确定模块，用于获取当前优化任务，基于所述当前优化任务，确定目标动作空间；
调整参数值获取模块，用于采用基于所述目标动作空间构建的原始超声成像参数优化模型，对所述当前优化任务对应的当前状态数据进行处理，获取调整参数值；
第一超声图像接收模块，用于基于所述调整参数值，控制成像设备采集第一超声图像，接收所述成像设备反馈的第一超声图像；
模型评估结果获取模块，用于基于所述第一超声图像进行模型评估，获取模型评估结果；
当前状态数据更新模块，用于若所述模型评估结果为模型未收敛，则采用所述第一超声图像和所述调整参数值，更新所述当前状态数据；
目标优化模型获取模块，用于若所述模型评估结果为模型已收敛，则将所述原始超声成像参数优化模型，确定为目标超声成像参数优化模型。
10.如权利要求9所述的超声成像参数优化装置，其特征在于，所述目标动作空间确定模块，包括：
优化参数获取子模块，用于基于所述当前优化任务，获取当前优化参数对应的参数数量和参数值粒度；
离散动作空间获取子模块，用于若所述参数数量小于预设数量，且所述参数值粒度大于预设粒度，则确定所述目标动作空间为离散动作空间；
目标动作空间获取子模块，用于若所述参数数量不小于预设数量，或者所述参数值粒度不大于预设粒度，则确定所述目标动作空间为连续动作空间。
11.如权利要求9所述的超声成像参数优化装置，其特征在于，所述当前状态数据包括当前超声图像；
所述调整参数值获取模块，包括：
当前图像特征获取子模块，用于对所述当前超声图像进行特征提取，获取当前图像特征；
推荐动作获取子模块，用于采用所述原始超声成像参数优化模型中的演员网络，对所述当前图像特征进行处理，获取推荐动作；
评估价值获取子模块，用于采用所述原始超声成像参数优化模型中的评论家网络，对所述当前图像特征进行处理，获取评估价值；
调整参数值确定子模块，用于基于所述推荐动作和所述评估价值，确定调整参数值。
12.如权利要求9所述的超声成像参数优化装置，其特征在于，所述模型评估结果获取模块，包括：
当前奖励值获取子模块，用于基于所述第一超声图像进行模型评估，获取当前奖励值；
未收敛结果获取子模块，用于若所述当前奖励值未达到预设奖励值，则确定所述模型评估结果为模型未收敛；
已收敛结果获取子模块，用于若所述当前奖励值达到预设奖励值，则确定所述模型评估结果为模型已收敛。
13.如权利要求12所述的超声成像参数优化装置，其特征在于，所述当前奖励值获取子模块，包括：
质量检测单元，用于对所述第一超声图像进行质量检测，获取实测噪声值、实测分辨率和实测对比度；
标准化处理单元，用于对所述实测噪声值、所述实测分辨率和所述实测对比度进行标准化处理，获取标准噪声值、标准分辨率和标准对比度；
第一奖励值获取单元，用于基于所述标准噪声值、所述标准分辨率和所述标准对比度，获取当前奖励值。
14.如权利要求12所述的超声成像参数优化装置，其特征在于，所述当前状态数据还包括对所述第一超声图像进行优化后的第二超声图像；
所述当前奖励值获取子模块，包括：
特征提取单元，用于对所述第一超声图像和所述第二超声图像进行特征提取，获取第一图像特征和第二图像特征；
差异计算单元，用于对所述第一图像特征和所述第二图像特征进行差异计算，获取峰值信噪比和结构相似度；
第二奖励值获取单元，用于根据所述第一图像特征、所述第二图像特征、所述峰值信噪比和所述结构相似度，获取当前奖励值。
15.如权利要求14所述的超声成像参数优化装置，其特征在于，所述第二奖励值获取单元，包括：
降维特征获取子单元，用于对所述第一图像特征和所述第二图像特征进行降维处理，获取第一降维特征和第二降维特征；
目标特征差值获取子单元，用于根据所述第一降维特征和所述第二降维特征，确定目标特征差值；
当前奖励值获取子单元，用于对所述目标特征差值、所述峰值信噪比和所述结构相似度进行加权处理，获取当前奖励值。
16.如权利要求12所述的超声成像参数优化装置，其特征在于，所述超声成像参数优化装置还包括：
重映射奖励值获取子模块，用于对所述当前奖励值进行重映射，获取重映射奖励值；
神经网络参数调整子模块，用于根据所述重映射奖励值和正则项奖励值，获取更新奖励值，基于所述更新奖励值，调整所述原始超声成像参数优化模型的神经网络参数。
17.一种计算机设备，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任一项所述超声成像参数优化方法。
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任一项所述超声成像参数优化方法。
CN202211154856.5A 2022-09-22 2022-09-22 超声成像参数优化方法、装置、计算机设备及存储介质 Active CN115249245B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211154856.5A CN115249245B (zh) 2022-09-22 2022-09-22 超声成像参数优化方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211154856.5A CN115249245B (zh) 2022-09-22 2022-09-22 超声成像参数优化方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN115249245A true CN115249245A (zh) 2022-10-28
CN115249245B CN115249245B (zh) 2022-12-23

Family

ID=83699865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211154856.5A Active CN115249245B (zh) 2022-09-22 2022-09-22 超声成像参数优化方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN115249245B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115375854A (zh) * 2022-10-25 2022-11-22 天津市肿瘤医院（天津医科大学肿瘤医院） 融合液晶器件的超声影像设备图像处理方法及相关装置
CN116543889A (zh) * 2023-07-05 2023-08-04 深圳市依诺普医疗设备有限公司 基于医疗物联网的内窥镜远程操控系统及方法
CN117152052A (zh) * 2023-06-01 2023-12-01 中南大学 一种面向工业图像质量的智能反馈控制方法与系统

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013114510A (ja) * 2011-11-29 2013-06-10 Nippon Hoso Kyokai <Nhk> 画像空間超解像装置及びプログラム
US20170103532A1 (en) * 2015-09-16 2017-04-13 Siemens Healthcare Gmbh Intelligent Medical Image Landmark Detection
CN107403446A (zh) * 2016-05-18 2017-11-28 西门子保健有限责任公司 用于使用智能人工代理的图像配准的方法和系统
CN109478325A (zh) * 2016-07-19 2019-03-15 唯盼健康科技有限公司 用于临床决策优化的系统和装置
US20190378291A1 (en) * 2018-06-07 2019-12-12 Siemens Healthcare Gmbh Adaptive nonlinear optimization of shape parameters for object localization in 3d medical images
CN112084936A (zh) * 2020-09-08 2020-12-15 济南博观智能科技有限公司 一种人脸图像预处理方法、装置、设备及存储介质
CN112132805A (zh) * 2020-09-22 2020-12-25 深圳市人工智能与机器人研究院 一种基于人体特征的超声机器人状态归一化方法及系统
CN112419303A (zh) * 2020-12-09 2021-02-26 上海联影医疗科技股份有限公司 神经网络训练方法、系统、可读存储介质和设备
CN112998750A (zh) * 2021-02-22 2021-06-22 深圳华声医疗技术股份有限公司 超声图像合成方法、装置、超声设备及存储介质
WO2021164276A1 (zh) * 2020-07-31 2021-08-26 平安科技（深圳）有限公司 目标跟踪方法、装置、计算机设备及存储介质
CN114518751A (zh) * 2021-12-31 2022-05-20 中国人民解放军国防科技大学 基于最小二乘截断时域差分学习的路径规划决策优化方法
CN114581499A (zh) * 2022-02-21 2022-06-03 成都信息工程大学 一种结合智能体和注意力机制的多模态医学图像配准方法
CN114693552A (zh) * 2022-03-25 2022-07-01 上海深至信息科技有限公司 一种基于深度学习的可调节图像优化系统和方法
CN114947951A (zh) * 2022-08-01 2022-08-30 深圳华声医疗技术股份有限公司 超声成像控制方法、装置、超声设备及存储介质
CN115019185A (zh) * 2022-08-03 2022-09-06 华中科技大学 类脑连续学习协同围捕方法、系统及介质
CN115063499A (zh) * 2022-05-26 2022-09-16 天津大学 面向磁共振成像放射状采样轨迹的切片自适应确定方法
CN115082320A (zh) * 2022-07-22 2022-09-20 深圳华声医疗技术股份有限公司 超声图像超分辨率处理方法、超声设备及存储介质

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013114510A (ja) * 2011-11-29 2013-06-10 Nippon Hoso Kyokai <Nhk> 画像空間超解像装置及びプログラム
US20170103532A1 (en) * 2015-09-16 2017-04-13 Siemens Healthcare Gmbh Intelligent Medical Image Landmark Detection
CN107403446A (zh) * 2016-05-18 2017-11-28 西门子保健有限责任公司 用于使用智能人工代理的图像配准的方法和系统
CN109478325A (zh) * 2016-07-19 2019-03-15 唯盼健康科技有限公司 用于临床决策优化的系统和装置
US20190378291A1 (en) * 2018-06-07 2019-12-12 Siemens Healthcare Gmbh Adaptive nonlinear optimization of shape parameters for object localization in 3d medical images
WO2021164276A1 (zh) * 2020-07-31 2021-08-26 平安科技（深圳）有限公司 目标跟踪方法、装置、计算机设备及存储介质
CN112084936A (zh) * 2020-09-08 2020-12-15 济南博观智能科技有限公司 一种人脸图像预处理方法、装置、设备及存储介质
CN112132805A (zh) * 2020-09-22 2020-12-25 深圳市人工智能与机器人研究院 一种基于人体特征的超声机器人状态归一化方法及系统
CN112419303A (zh) * 2020-12-09 2021-02-26 上海联影医疗科技股份有限公司 神经网络训练方法、系统、可读存储介质和设备
CN112998750A (zh) * 2021-02-22 2021-06-22 深圳华声医疗技术股份有限公司 超声图像合成方法、装置、超声设备及存储介质
CN114518751A (zh) * 2021-12-31 2022-05-20 中国人民解放军国防科技大学 基于最小二乘截断时域差分学习的路径规划决策优化方法
CN114581499A (zh) * 2022-02-21 2022-06-03 成都信息工程大学 一种结合智能体和注意力机制的多模态医学图像配准方法
CN114693552A (zh) * 2022-03-25 2022-07-01 上海深至信息科技有限公司 一种基于深度学习的可调节图像优化系统和方法
CN115063499A (zh) * 2022-05-26 2022-09-16 天津大学 面向磁共振成像放射状采样轨迹的切片自适应确定方法
CN115082320A (zh) * 2022-07-22 2022-09-20 深圳华声医疗技术股份有限公司 超声图像超分辨率处理方法、超声设备及存储介质
CN114947951A (zh) * 2022-08-01 2022-08-30 深圳华声医疗技术股份有限公司 超声成像控制方法、装置、超声设备及存储介质
CN115019185A (zh) * 2022-08-03 2022-09-06 华中科技大学 类脑连续学习协同围捕方法、系统及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
芦振寰: "基于深度学习的端到端心电自动分类方法研究与实现", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115375854A (zh) * 2022-10-25 2022-11-22 天津市肿瘤医院（天津医科大学肿瘤医院） 融合液晶器件的超声影像设备图像处理方法及相关装置
CN115375854B (zh) * 2022-10-25 2022-12-20 天津市肿瘤医院（天津医科大学肿瘤医院） 融合液晶器件的超声影像设备图像处理方法及相关装置
CN117152052A (zh) * 2023-06-01 2023-12-01 中南大学 一种面向工业图像质量的智能反馈控制方法与系统
CN117152052B (zh) * 2023-06-01 2024-02-20 中南大学 一种面向工业图像质量的智能反馈控制方法与系统
CN116543889A (zh) * 2023-07-05 2023-08-04 深圳市依诺普医疗设备有限公司 基于医疗物联网的内窥镜远程操控系统及方法
CN116543889B (zh) * 2023-07-05 2023-12-08 深圳市依诺普医疗设备有限公司 基于医疗物联网的内窥镜远程操控系统及方法

Also Published As

Publication number Publication date
CN115249245B (zh) 2022-12-23

Similar Documents

Publication Publication Date Title
CN115249245B (zh) 超声成像参数优化方法、装置、计算机设备及存储介质
US11593933B2 (en) Systems and methods for ultrasound image quality determination
EP3637099A1 (en) Image reconstruction method based on a trained non-linear mapping
US20210192720A1 (en) System and methods for ultrasound image quality determination
US20200222029A1 (en) Information processing apparatus, information processing method, and storage medium
JP7237147B2 (ja) バイオメトリック測定及び品質評価
CN109875606B (zh) 基于先验反射成像的超声ct声速成像的方法
CN112912758A (zh) 用于对超声信号进行自适应波束形成的方法和系统
CN114947951B (zh) 超声成像控制方法、装置、超声设备及存储介质
CN112470028A (zh) 通过深度学习进行的超声成像及关联的设备、系统和方法
DE102004028710B4 (de) Verfahren und System zur automatischen Änderung einer medizinischen Bildverarbeitung und ein medizinisches Ultraschallbildgebungsverfahren
CN111340805A (zh) B超图像处理装置、脂肪肝b超图像处理装置及b超系统
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
JP2016041117A (ja) 超音波診断装置
CN108877902B (zh) 超声图像亮度调节方法及调节系统
JP2022513225A (ja) フレームのインデックス付け及び画像レビューのためのシステム及び方法
CN115761452A (zh) 基于强化学习的超声图像优化方法、设备及存储介质
CN115330681A (zh) 一种超声图像测量方法、系统、智能终端及存储介质
CN112704517B (zh) 子宫内膜蠕动超声图像处理方法、系统、设备及存储介质
CN112370073A (zh) 超声声速校正方法、超声信号处理设备及存储介质
US20230360225A1 (en) Systems and methods for medical imaging
JP7297995B2 (ja) 媒体の非線形剪断波弾性を推定するための超音波方法及びシステム
CN116616817B (zh) 超声心率检测方法、装置、超声设备及存储介质
CN115049661B (zh) 目标结构围度测量方法、装置、超声设备及存储介质
US20230025182A1 (en) System and methods for ultrasound acquisition with adaptive transmits

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