CN115330681A - 一种超声图像测量方法、系统、智能终端及存储介质 - Google Patents

一种超声图像测量方法、系统、智能终端及存储介质 Download PDF

Info

Publication number
CN115330681A
CN115330681A CN202210809500.4A CN202210809500A CN115330681A CN 115330681 A CN115330681 A CN 115330681A CN 202210809500 A CN202210809500 A CN 202210809500A CN 115330681 A CN115330681 A CN 115330681A
Authority
CN
China
Prior art keywords
image
neural network
type
sampling line
measurement
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
Application number
CN202210809500.4A
Other languages
English (en)
Inventor
薛姗
白永志
欧阳俊华
邢锐桐
李彬
孙瑞超
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 Lanying Medical Technology Co ltd
Original Assignee
Shenzhen Lanying 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 Lanying Medical Technology Co ltd filed Critical Shenzhen Lanying Medical Technology Co ltd
Priority to CN202210809500.4A priority Critical patent/CN115330681A/zh
Publication of CN115330681A publication Critical patent/CN115330681A/zh
Pending legal-status Critical Current

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
    • 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
    • A61B8/0883—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of the heart
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/48—Diagnostic techniques
    • A61B8/486—Diagnostic techniques involving arbitrary m-mode
    • 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
    • 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
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/30048—Heart; Cardiac
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Quality & Reliability (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种超声图像测量方法、系统、智能终端及存储介质，所述方法包括：获取待分析的患者心脏左室长轴标准切面的超声数据图像；基于已训练的卷积神经网络，根据超声数据图像，得到M型取样线的位置；其中，M型用于表征在心动周期中测量心腔的大小或心瓣膜的运动；根据M型取样线的位置获取M型超声心动图，基于预设的神经网络，对M型超声心动图进行若干测量项的测量和计算，得到测量结果。本发明实施例使用算法模型，可准确标注目标图像的关键部位从而自动确定M型取样线的位置并对生成的M超声心动图进行自动测量和计算，减少人为误差，提高测量结果的准确性，同时基于算法模型的测量减少手动操作，提高了心脏超声的检查速度。

Description

一种超声图像测量方法、系统、智能终端及存储介质
技术领域
本发明涉及超声医学技术领域，尤其涉及的是一种超声图像测量方法、系统、智能终端及存储介质。
背景技术
超声心动图检查可对左心室整体及局部收缩功能进行定性及定量评价,已经成为临床无创性评价心室收缩功能的重要方法。目前,有许多评价左心室收缩功能的指标,临床最常用的评价左心室收缩功能的指标为左室射血分数(LVEF),其简便易行,且有较好的预测价值。左室射血分数(LVEF)指每搏输出量占心室舒张末期容积量(即心脏前负荷)的百分比，正常值为50-70％，射血分数是一个容积比率指标，是判断心力衰竭类型的重要指征之一，从容积的角度反映的心室的射血功能。
M型超声心动图是超声心动图最基本的检测技术,其时间参数具有较高的准确性。主要用于观测心脏快速运动解剖结构的时间变化状态。通过左心室一维径线估测左心室三维容量，可以在一维径线同时对心脏的收缩期和舒张期进行测量，相对于B型超声心动图自动心功能更简便易行。但是现有的现阶段在M型超声心动图上的测量主要依靠临床超声医生的经验在左室长轴切面的心脏二维超声图像上手动确定出M取样线的位置(取样线与室间隔及左室后壁保持垂直)，之后再在M型超声心动图进行多个测量项的手动测量，会出现测量偏差，同时增加医生的工作量。
因此，现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种超声图像测量方法、系统、智能终端及存储介质，旨在解决现有技术中在M型超声心动图上的测量主要依靠临床超声医生的经验在左室长轴切面的心脏二维超声图像上手动确定出M取样线的位置(取样线与室间隔及左室后壁保持垂直)，之后再在M型超声心动图进行多个测量项的手动测量，会出现测量偏差，同时增加医生的工作量的问题。
本发明解决问题所采用的技术方案如下：
第一方面，本发明实施例提供一种超声图像测量方法，其中，所述方法包括：
获取待分析的患者心脏左室长轴标准切面的超声数据图像；
基于已训练的卷积神经网络，根据所述超声数据图像，得到M型取样线的位置；其中，所述M型用于表征在心动周期中测量心腔的大小或心瓣膜的运动；
根据M型取样线的位置获取M型超声心动图，基于预设的神经网络，对所述M型超声心动图进行若干测量项的测量和计算，得到测量结果。
在一种实现方式中，所述卷积神经网络包括编码器、解码器和分类器，其中，所述编码器包括卷积层、批标准化层、池化层、inception网络、注意力网络；所述解码器包括若干卷积块、赋值和剪裁模块、最大池化层。
在一种实现方式中，所述卷积神经网络的训练过程包括：
获取训练视频数据，并根据所述训练视频数据，得到掩膜数据；
将所述掩膜数据和所述训练视频数据作为训练集，对所述卷积神经网络进行训练，以得到已训练的卷积神经网络。
在一种实现方式中，所述根据所述训练视频数据，得到掩膜数据包括：
接收用户对所述训练视频数据的标注信息，得到掩膜数据。
在一种实现方式中，所述基于已训练的卷积神经网络，根据所述超声数据图像，得到M型取样线的位置包括：
将所述超声数据图像输入至所述卷积神经网络，得到分割图像；
对所述分割图像进行二值化处理，得到二值化图像；
基于预设的算法，对所述二值化图像进行修正处理，得到目标二值化图像；
根据所述目标二值化图像获取M型取样线的位置。
在一种实现方式中，所述根据M型取样线的位置获取M型超声心动图，基于预设的神经网络，对所述M型超声心动图进行若干测量项的测量和计算，得到测量结果包括：
通过预设的设备以M型取样线的位置和预设的方向对人体进行扫描，得到M型超声心动图；
基于maskrcnn神经网络对所述M型超声心动图进行检测，得到内径最大距离和内径最小距离；
基于预设的计算规则，对所述内径最大距离和所述内径最小距离进行混合运算，得到与若干指标一一对应的若干测量结果。
在一种实现方式中，所述方法还包括：
基于微调模块，对所述M型取样线的位置进行微调，得到更新的测量结果；
根据测量结果，确定心力衰竭类型。
第二方面，本发明实施例还提供一种基于超声图像测量方法的医学超声成像系统，其中，所述系统包括：发射电路，用于发射脉冲至相控阵超声探头；
发射/接收选择开关，用于对发射信号或者接收信号进行选择；
信号处理模块，用于对信号进行滤波去噪处理；
接收电路，用于接收目标组织的超声回波信号；
探头模块，用于向目标组织发射超声波；
显示模块，用于对超声图像进行显示；
图像处理模块包括：
图像获取模块，用于获取待分析的患者心脏左室长轴标准切面的超声数据图像；
M型取样线的位置获取模块，用于基于已训练的卷积神经网络，根据所述超声数据图像，得到M型取样线的位置；其中，所述M型用于表征在心动周期中测量心腔的大小或心瓣膜的运动；
测量模块，用于根据M型取样线的位置获取M型超声心动图，基于预设的神经网络，对所述M型超声心动图进行若干测量项的测量和计算，得到测量结果。
第三方面，本发明实施例还提供一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如上述任意一项所述的超声图像测量方法。
第四方面，本发明实施例还提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上述中任意一项所述的超声图像测量方法。
本发明的有益效果：本发明实施例首先获取待分析的患者心脏左室长轴标准切面的超声数据图像；然后基于已训练的卷积神经网络，根据所述超声数据图像，得到M型取样线的位置；其中，所述M型用于表征在心动周期中测量心腔的大小或心瓣膜的运动；最后根据M型取样线的位置获取M型超声心动图，基于预设的神经网络，对所述M型超声心动图进行若干测量项的测量和计算，得到测量结果；可见，本发明实施例中使用算法模型，可准确标注目标图像的关键部位从而自动确定M型取样线的位置并对生成的M超声心动图进行自动测量和计算，减少人为误差，提高测量结果的准确性，同时基于算法模型的测量减少手动操作，提高了心脏超声的检查速度。
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中记载的一些实施例，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为本发明实施例提供的超声图像测量方法流程示意图。
图2为本发明实施例提供的一种实施方式的心脏左室长轴标准切面自动测量的流程图。
图3为本发明实施例提供的一种实施方式的解码器结构的示意图。
图4为本发明实施例提供的一种实施方式的分割结果图。
图5为本发明实施例提供的一种实施方式的M取样线的位置图。
图6为本发明实施例提供的一种实施方式的M超声心动图。
图7为本发明实施例提供的一种实施方式的包含室间隔的上边界和左室后壁的下边界的黑白图。
图8为本发明实施例提供的一种实施方式的Canny边缘检测后的图。
图9为本发明实施例提供的一种实施方式的内径最大值和最小值距离示意图。
图10为本发明实施例提供的一种实施方式的内径的最大值和最小值横坐标分别对应的上下边缘纵坐标示意图。
图11为本发明实施例提供的一种实施方式的M超声心动图的测量项和测量线的示意图。
图12为本发明实施例提供的基于超声图像测量方法的医学超声成像系统的原理框图。
图13为本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
本发明公开了一种超声图像测量方法、系统、智能终端及存储介质，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
由于现有技术中，在M型超声心动图上的测量主要依靠临床超声医生的经验在左室长轴切面的心脏二维超声图像上手动确定出M取样线的位置(取样线与室间隔及左室后壁保持垂直)，之后再在M型超声心动图进行多个测量项的手动测量，会出现的问题：
1.目前的心脏超声心动图需要医生人为识别并确定M取样线的位置，同时在超声心动图上要进行多个测量项的测量都需要医生手动进行描点定标，大大增加了医生的工作流。
2.不同医生对同一幅图像的手动测量也会带来主观的偏差，导致测量结果不够标准和一致，影响医院的质控要求。
为了解决现有技术的问题，本实施例提供了一种超声图像测量方法，通过上述方法使用算法模型，可准确标注目标图像的关键部位从而自动确定M型取样线的位置并对生成的M超声心动图进行自动测量和计算，减少人为误差，提高测量结果的准确性，同时基于算法模型的测量减少手动操作，提高了心脏超声的检查速度。具体实施时，首先获取待分析的患者心脏左室长轴标准切面的超声数据图像；然后基于已训练的卷积神经网络，根据所述超声数据图像，得到M型取样线的位置；其中，所述M型用于表征在心动周期中测量心腔的大小或心瓣膜的运动；最后根据M型取样线的位置获取M型超声心动图，基于预设的神经网络，对所述M型超声心动图进行若干测量项的测量和计算，得到测量结果。
示例性方法
本实施例提供一种超声图像测量方法，该方法可以应用于超声医学的智能终端。具体如图1所示，所述方法包括：
步骤S100、获取待分析的患者心脏左室长轴标准切面的超声数据图像；
具体地，如图2所示，人体心脏左室长轴标准切面的超声数据图像获取方式包括但不限于直接从医学超声仪器、以及从医学超声仪器中导出的、实时采集获取的图像、视频等数据。所述待分析的人体心脏左室长轴标准切面的超声数据图像包含多帧或实时的左室长轴切面，左室长轴切面是超声心动图检查的基本切面，适用于所有心脏病的诊断参考。
得到超声数据图像后，就可以执行如图1所示的如下步骤：S200、基于已训练的卷积神经网络，根据所述超声数据图像，得到M型取样线的位置；其中，所述M型用于表征在心动周期中测量心腔的大小或心瓣膜的运动；
具体地，卷积神经网络是成熟的神经网络模型，可准确标注超声数据图像的室间隔、左室后壁等关键部位，进而根据所述关键部位得到M型取样线的位置。
在一种实现方式中，所述卷积神经网络包括编码器、解码器和分类器，其中，所述编码器包括卷积层、批标准化层、池化层、inception网络、注意力网络；所述解码器包括若干卷积块、赋值和剪裁模块、最大池化层。
具体地，本实例中设计单输入，多输出卷积神经网络对多通道图像进行分割。神经网络包括三个部分：编码器、解码器。编码器用于特征提取，可由卷积层、批标准化层(BatchNormalization层)、池化层(pool层)、inception网络、注意力网络(attention网络)等组成的网络架构，如常见的vgg系列、resnet系列等特征提取网络。解码器用于分割输出部分，对获取的特征进行上采样、链接等操作，获取与输入图像长宽相等的图像，解码器的结构如图3所示，最后通过分类器进行像素级分类，最终实现分割，如unet、deeplab等网络，此处分割结果为将像素分为室间隔与非室间隔。
在一种实现方式中，所述卷积神经网络的训练过程包括：获取训练视频数据，并接收用户对所述训练视频数据的标注信息，得到掩膜数据；将所述掩膜数据和所述训练视频数据作为训练集，对所述卷积神经网络进行训练，以得到已训练的卷积神经网络。
具体地，采集患者心脏标准左室长轴切面心动视频数据，专家对采集到的视频流每帧进行室间隔和左室后壁部位的标注，将标注信息输入至系统，系统就可以得到标准的掩模数据。将掩模数据和视频数据作为训练集，对卷积神经网络进行训练，在训练的过程中，不断调整卷积神经网络的超参数，如学习率。不断的训练，直至损失函数满足预设的条件，得到已训练的卷积神经网络，最终的用于在线任务。
步骤S200包括如下步骤：
S201、将所述超声数据图像输入至所述卷积神经网络，得到分割图像；
S202、对所述分割图像进行二值化处理，得到二值化图像；
S203、基于预设的算法，对所述二值化图像进行修正处理，得到目标二值化图像；
S204、根据所述目标二值化图像获取M型取样线的位置。
具体地，将所述超声数据图像输入至所述卷积神经网络，得到分割图像，如图4所示；然后采用现有技术中的图像处理方法，对所述分割图像进行二值化处理，得到室间隔和左室后壁部位二值化图像，预设的算法为空洞填充、形态学以及保留区域连通域最大区域算法，基于预设的算法，对所述二值化图像进行修正处理，得到目标二值化图像，最后系统根据所述目标二值化图像就可以自动获取M型取样线的位置：同时垂直于室间隔区域和左室后壁区域的直线，如图5所示。
得到M型取样线的位置后，就可以执行如图1所示的如下步骤：S300、根据M型取样线的位置获取M型超声心动图，基于预设的神经网络，对所述M型超声心动图进行若干测量项的测量和计算，得到测量结果。
具体地，系统可以根据M型取样线的位置获取M型超声心动图，预设的神经网络可以为maskrcnn神经网络，这样，基于预设的神经网络，对所述M型超声心动图进行若干测量项的测量和计算，得到与若干测量项一一对应的测量结果。
S300包括如下步骤：
S301、通过预设的设备以M型取样线的位置和预设的方向对人体进行扫描，得到M型超声心动图；
S302、基于maskrcnn神经网络对所述M型超声心动图进行检测，得到内径最大距离和内径最小距离；
S303、基于预设的计算规则，对所述内径最大距离和所述内径最小距离进行混合运算，得到与若干指标一一对应的若干测量结果。
具体地，M型取样线位置确定后；通过医学超声成像系统模块以M型取样线的位置对人体进行扫描，得到M型超声心动图。M超声心动图的成像原理是：换能器以固定的位置和预设方向对人体扫描,将代表扫描深度的时基信号加到显示器的垂直偏转板上,再将声束扫描途径中不同深度的回波信号,在垂直扫描线上以辉度调制型进行显示。另在显示器的水平偏转板上加有一慢变化的时基扫描信号,使代表深度的垂直扫描线沿水平轴移动。由于探头固定,随着心脏有节律地收缩与舒张，心脏各层组织和探头间的距离便发生节律性改变,显示一条线(即一维空间)上的活动曲线，即M型超声心动图，如图6所示。此外，M超声心动图可以被替换为直线解剖M型超声心动图，直线解剖M型超声心动图克服了传统M型取样线只能围绕探头旋转的局限性，它的取样线可以调节到任意部位进行任意旋转，可在各切面评价任意节段的室壁运动，即使在心脏形态发生改变或移位的情况下也能迅速获得准确信息。此外，直线解剖M型超声心动图可做多根取样线同时扫描，提高了工作效率。
得到M型超声心动图后，基于maskrcnn神经网络对所述M型超声心动图进行检测：将分割出来的M型超声心动图图像进行模板提取(包含室间隔的上边界和左室后壁的下边界)，提取之后进行自适应二值化处理，将灰度图像变成黑白图像，如图7所示，进行Canny边缘检测(包括内部左室内径黑色区域和左室内径上下边界之间的边缘)，如图8所示，接着进行滤波平滑处理平滑边界的轮廓，计算内部上下边界之间的纵向距离(具体为遍历全部水平方向像素点，然后在纵方向分别从上往下和从下往上找到第一个像素值不为0的点，然后两个点之间的距离即为纵向距离)，其中，纵向距离有多个，因为在M型心动图中会出现多个收缩期和舒张期，测算内径最大距离LVIDd和内径最小距离LVIDs，如图9所示，并将比例不正常的图像舍弃(内径最小距离与内径最大距离的比例应该低于0.9)，最终输出内径最大距离LVIDd和内径最小距离LVIDs的测量结果。
此外，根据内径最大距离LVIDd和内径最小距离LVIDs的测量结果，就可以得到外径距离：将内径符合测量结果的图像进行外径测量，将之前的内径的图像的最大最小值的横向坐标的记录，然后用该坐标在图像分割区域的上下边缘纵坐标减去该横坐标下内径对应的纵坐标，就是对应的上下外径的距离，接着进行外径的筛选，如果边缘太薄(边缘厚度指的是上外径距离(室间隔距离)和下外径距离(左室后壁距离)，如图10所示，边缘厚度太薄的判断标准：上外径的距离应该大于正常人室间隔距离的下限(大于1mm)，下外径的距离应该大于正常人左室后壁距离的下限(大于1mm)，输出测量结果：内径最大距离横坐标对应的上外径的距离即为IVSd；内径最大距离横坐标对应的下外径的距离即为LVPWd；内径最小距离横坐标对应的上外径的距离即为IVSs；内径最小距离横坐标对应的下外径的距离即为LVPWs，如图11所示。
预设的计算规则为如表1所示的计算公式，基于预设的计算规则，对所述内径最大距离和所述内径最小距离进行混合运算：系统同步给出计算项(指标)EDV、ESV、SV、CO、EF、FS、％IVS、％LVPW、RWT、IVSd/LVPWd的测量结果；所有计算项的测量结果可以通过勾选来决定显示或者不显示。
Figure BDA0003740065630000111
Figure BDA0003740065630000121
在一种实现方式中，如图11所示，在M型心动图上进行的测量,系统首先获取操作人员手动确定的A线和B线的横坐标位置，然后自动标注并测量所有测量项：IVSd、LVIDd、LVPWd、IVSs、LVIDs、LVPWs。
在一种实现方式中，所述方法还包括如下步骤：基于微调模块，对所述M型取样线的位置进行微调，得到更新的测量结果；根据测量结果，确定心力衰竭类型。
具体地，微调模块为获取操作人员的手动调节结果，也即操作人员可以用手拨动轨迹球来调整测量点的位置，然后微调模块就可以接收到该位置，从而得到更新的测量结果，其中，测量点的位置包括B型图像中M型取样线位置和M型超声心动图中的测量线和测量点，如图11所示。
这样根据得到的最终的测量结果，就可以得到心力衰竭类型：按照左室射血分数(EF)高低，EF<40％的心衰叫射血分数降低的心衰(HFrEF)；EF≥50％叫射血分数保留的心衰(HFpEF)，EF处于40％～49％的心衰叫临界范围的心衰(HFmrEF)。
本发明的创性点：
1、本发明创新性的提出通过智能超声对人体心脏左心室射血分数进行测量和计算。
2、本发明的实施流程。
3、通过卷积神经网络智能算法模型，对多帧图像或者实时动态的左室长轴切面切面进行分割，找出左室长轴切面中的室间隔和左室后壁的位置，从而确定二维超声心动图中M取样线的位置；
4、通过maskrcnn神经网络模型，自动给出M型超声心动图上的测量线并显示测量项和计算项的结果；所有计算项的结果可以通过勾选决定显示或者不显示。
基于上述超声图像测量方法的两个可能的替代方案：
替代方案1
系统对在超声心动图中包含标准的心脏左室长轴切面超声图像视频进行保存，通过算法自动分析视频数据筛选出标准的心脏左室长轴切面并在标准切面上确定M取样线的位置，之后对M型超声心动图进行自动测量和计算。
替代方案2
系统对在超声心动图中进行实时动态分析，通过算法实时标注超声图像下标准的心脏左室长轴切面的概率并在最大概率的标准切面上确定M取样线的位置，之后对M型超声心动图进行自动测量和计算。
示例性设备
如图12中所示，本发明实施例提供一种基于超声图像测量方法的医学超声成像系统，该系统包括：发射电路，用于发射脉冲至相控阵超声探头；
发射/接收选择开关，用于对发射信号或者接收信号进行选择；
信号处理模块，用于对信号进行滤波去噪处理；
接收电路，用于接收目标组织的超声回波信号；
探头模块，用于向目标组织发射超声波；
显示模块，用于对超声图像进行显示；
图像处理模块包括：
图像获取模块，用于获取待分析的患者心脏左室长轴标准切面的超声数据图像；
M型取样线的位置获取模块，用于基于已训练的卷积神经网络，根据所述超声数据图像，得到M型取样线的位置；其中，所述M型用于表征在心动周期中测量心腔的大小或心瓣膜的运动；
测量模块，用于根据M型取样线的位置获取M型超声心动图，基于预设的神经网络，对所述M型超声心动图进行若干测量项的测量和计算，得到测量结果。
具体地，医学超声成像系统包括：探头模块、发射电路、接受电路、发射/接受选择开关、信号处理模块、图像处理模块、显示模块。发射电路通过“发射/接受选择开关”将发射脉冲发送至相控阵超声探头模块，探头模块受到发射脉冲激励向目标组织(人体心脏)发射超声波，接收电路接收到目标组织的超声回波信号，并将超声回波信号传送至信号处理模块进行相关的信号处理(也即滤波去噪等)，之后将处理后的超声信号传送至图像处理模块，图像处理模块根据用户所需成像模式的不同，对超声信号进行不同的处理，获得不同模式的超声图像，如B图像、C图像、M图像和D图像等，在本实施例中，图像处理模块包括：图像获取模块，用于获取待分析的患者心脏左室长轴标准切面的超声数据图像；M型取样线的位置获取模块，用于基于已训练的卷积神经网络，根据所述超声数据图像，得到M型取样线的位置；其中，所述M型用于表征在心动周期中测量心腔的大小或心瓣膜的运动；测量模块，用于根据M型取样线的位置获取M型超声心动图，基于预设的神经网络，对所述M型超声心动图进行若干测量项的测量和计算，得到测量结果。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图13所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种超声图像测量方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏，该智能终端的温度传感器是预先在智能终端内部设置，用于检测内部设备的运行温度。
本领域技术人员可以理解，图13中的原理图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行以下操作的指令：
获取待分析的患者心脏左室长轴标准切面的超声数据图像；
基于已训练的卷积神经网络，根据所述超声数据图像，得到M型取样线的位置；其中，所述M型用于表征在心动周期中测量心腔的大小或心瓣膜的运动；
根据M型取样线的位置获取M型超声心动图，基于预设的神经网络，对所述M型超声心动图进行若干测量项的测量和计算，得到测量结果。
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，本发明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。
综上所述，本发明公开了一种超声图像测量方法、系统、智能终端及存储介质，所述方法包括：获取待分析的患者心脏左室长轴标准切面的超声数据图像；基于已训练的卷积神经网络，根据超声数据图像，得到M型取样线的位置；其中，M型用于表征在心动周期中测量心腔的大小或心瓣膜的运动；根据M型取样线的位置获取M型超声心动图，基于预设的神经网络，对M型超声心动图进行若干测量项的测量和计算，得到测量结果。本发明实施例使用算法模型，可准确标注目标图像的关键部位从而自动确定M型取样线的位置并对生成的M超声心动图进行自动测量和计算，减少人为误差，提高测量结果的准确性，同时基于算法模型的测量减少手动操作，提高了心脏超声的检查速度。
基于上述实施例，本发明公开了一种超声图像测量方法，应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种超声图像测量方法，其特征在于，所述方法包括：
获取待分析的患者心脏左室长轴标准切面的超声数据图像；
基于已训练的卷积神经网络，根据所述超声数据图像，得到M型取样线的位置；其中，所述M型用于表征在心动周期中测量心腔的大小或心瓣膜的运动；
根据M型取样线的位置获取M型超声心动图，基于预设的神经网络，对所述M型超声心动图进行若干测量项的测量和计算，得到测量结果。
2.根据权利要求1所述的超声图像测量方法，其特征在于，所述卷积神经网络包括编码器、解码器和分类器，其中，所述编码器包括卷积层、批标准化层、池化层、inception网络、注意力网络；所述解码器包括若干卷积块、赋值和剪裁模块、最大池化层。
3.根据权利要求1所述的超声图像测量方法，其特征在于，所述卷积神经网络的训练过程包括：
获取训练视频数据，并根据所述训练视频数据，得到掩膜数据；
将所述掩膜数据和所述训练视频数据作为训练集，对所述卷积神经网络进行训练，以得到已训练的卷积神经网络。
4.根据权利要求3所述的超声图像测量方法，其特征在于，所述根据所述训练视频数据，得到掩膜数据包括：
接收用户对所述训练视频数据的标注信息，得到掩膜数据。
5.根据权利要求1所述的超声图像测量方法，其特征在于，所述基于已训练的卷积神经网络，根据所述超声数据图像，得到M型取样线的位置包括：
将所述超声数据图像输入至所述卷积神经网络，得到分割图像；
对所述分割图像进行二值化处理，得到二值化图像；
基于预设的算法，对所述二值化图像进行修正处理，得到目标二值化图像；
根据所述目标二值化图像获取M型取样线的位置。
6.根据权利要求1所述的超声图像测量方法，其特征在于，所述根据M型取样线的位置获取M型超声心动图，基于预设的神经网络，对所述M型超声心动图进行若干测量项的测量和计算，得到测量结果包括：
通过预设的设备以M型取样线的位置和预设的方向对人体进行扫描，得到M型超声心动图；
基于maskrcnn神经网络对所述M型超声心动图进行检测，得到内径最大距离和内径最小距离；
基于预设的计算规则，对所述内径最大距离和所述内径最小距离进行混合运算，得到与若干指标一一对应的若干测量结果。
7.根据权利要求1所述的超声图像测量方法，其特征在于，所述方法还包括：
基于微调模块，对所述M型取样线的位置进行微调，得到更新的测量结果；
根据测量结果，确定心力衰竭类型。
8.一种基于权利要求1-7任一项所述的超声图像测量方法的医学超声成像系统，其特征在于，所述系统包括：
发射电路，用于发射脉冲至相控阵超声探头；
发射/接收选择开关，用于对发射信号或者接收信号进行选择；
信号处理模块，用于对信号进行滤波去噪处理；
接收电路，用于接收目标组织的超声回波信号；
探头模块，用于向目标组织发射超声波；
显示模块，用于对超声图像进行显示；
图像处理模块包括：
图像获取模块，用于获取待分析的患者心脏左室长轴标准切面的超声数据图像；
M型取样线的位置获取模块，用于基于已训练的卷积神经网络，根据所述超声数据图像，得到M型取样线的位置；其中，所述M型用于表征在心动周期中测量心腔的大小或心瓣膜的运动；
测量模块，用于根据M型取样线的位置获取M型超声心动图，基于预设的神经网络，对所述M型超声心动图进行若干测量项的测量和计算，得到测量结果。
9.一种智能终端，其特征在于，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如权利要求1-7中任意一项所述的方法。
10.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如权利要求1-7中任意一项所述的方法。
CN202210809500.4A 2022-07-11 2022-07-11 一种超声图像测量方法、系统、智能终端及存储介质 Pending CN115330681A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210809500.4A CN115330681A (zh) 2022-07-11 2022-07-11 一种超声图像测量方法、系统、智能终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210809500.4A CN115330681A (zh) 2022-07-11 2022-07-11 一种超声图像测量方法、系统、智能终端及存储介质

Publications (1)

Publication Number Publication Date
CN115330681A true CN115330681A (zh) 2022-11-11

Family

ID=83917517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210809500.4A Pending CN115330681A (zh) 2022-07-11 2022-07-11 一种超声图像测量方法、系统、智能终端及存储介质

Country Status (1)

Country Link
CN (1) CN115330681A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797296A (zh) * 2022-12-05 2023-03-14 北京智影技术有限公司 一种膈肌厚度自动测量方法、装置和存储介质
US20240111045A1 (en) * 2019-10-16 2024-04-04 Koninklijke Philips N.V. Method and apparatus for deep learning-based ultrasound beamforming

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240111045A1 (en) * 2019-10-16 2024-04-04 Koninklijke Philips N.V. Method and apparatus for deep learning-based ultrasound beamforming
US12092735B2 (en) * 2019-10-16 2024-09-17 Koninklijke Philips N.V. Method and apparatus for deep learning-based ultrasound beamforming
CN115797296A (zh) * 2022-12-05 2023-03-14 北京智影技术有限公司 一种膈肌厚度自动测量方法、装置和存储介质
CN115797296B (zh) * 2022-12-05 2023-09-05 北京智影技术有限公司 一种膈肌厚度自动测量方法、装置和存储介质

Similar Documents

Publication Publication Date Title
US20220091144A1 (en) Ultrasound imaging device and imaging method thereof
US11229419B2 (en) Method for processing 3D image data and 3D ultrasonic imaging method and system
US8538103B2 (en) Medical image processing device, medical image processing method, medical image diagnostic apparatus, operation method of medical image diagnostic apparatus, and medical image display method
US8081806B2 (en) User interface and method for displaying information in an ultrasound system
EP2263545B1 (en) Ultrasonograph
JP5645811B2 (ja) 医用画像診断装置、関心領域設定方法、医用画像処理装置、及び関心領域設定プログラム
CN115330681A (zh) 一种超声图像测量方法、系统、智能终端及存储介质
US20130046168A1 (en) Method and system of characterization of carotid plaque
US10736608B2 (en) Ultrasound diagnostic device and ultrasound image processing method
US11593933B2 (en) Systems and methods for ultrasound image quality determination
EP2189117B1 (en) Region setting for intima media thickness measurement in an ultrasound system
JP5726081B2 (ja) 超音波診断装置及び弾性画像の分類プログラム
US10398411B2 (en) Automatic alignment of ultrasound volumes
JPWO2010092919A1 (ja) 医用画像表示方法、医用画像診断装置、及び医用画像表示装置
CN112638273A (zh) 生物测定测量和质量评估
CN114246611B (zh) 用于超声成像系统的自适应接口的系统和方法
JP6382633B2 (ja) 超音波診断装置
KR20210081243A (ko) 탄성초음파영상에 대한 변형률 계산 및 변형량의 자동 측정을 위한 방법 및 시스템
CN116269496A (zh) 基于隐式神经表示的心脏三维超声成像及心功能评估系统
CN112638267A (zh) 超声成像方法及系统、存储介质、处理器和计算机设备
US12004900B2 (en) System and methods for a measurement tool for medical imaging
CN116650006A (zh) 用于自动超声检查的系统和方法
WO2024020616A1 (en) Determining sub-noise gain level for ultrasound
CN117814840A (zh) 早孕胎儿的超声成像方法和超声成像系统
CN118742264A (zh) 用于执行胎儿体重估计的方法和系统

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