CN115546200A - 超声图像处理装置 - Google Patents

超声图像处理装置 Download PDF

Info

Publication number
CN115546200A
CN115546200A CN202211397658.1A CN202211397658A CN115546200A CN 115546200 A CN115546200 A CN 115546200A CN 202211397658 A CN202211397658 A CN 202211397658A CN 115546200 A CN115546200 A CN 115546200A
Authority
CN
China
Prior art keywords
ultrasonic
abnormal
section
image
sectional
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
CN202211397658.1A
Other languages
English (en)
Inventor
李肯立
徐卓凡
朱宁波
谭光华
肖国庆
唐卓
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.)
Hunan University Chongqing Research Institute
Original Assignee
Hunan University Chongqing Research Institute
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 Hunan University Chongqing Research Institute filed Critical Hunan University Chongqing Research Institute
Priority to CN202211397658.1A priority Critical patent/CN115546200A/zh
Publication of CN115546200A publication Critical patent/CN115546200A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10132Ultrasound image
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本申请涉及一种超声图像处理装置、方法、计算机设备、存储介质。所述方法包括:预处理模块,用于对被测对象的超声视频流进行预处理,得到超声切面图像,类别处理模块,用于根据所述超声切面图像的图像特征,确定所述超声切面图像的切面类别,小结构处理模块,用于根据所述超声切面图像的切面类别对应的检测网络模型,对所述超声切面图像所包括的小结构进行识别,异常识别模块,用于在所述超声切面图像存在异常的小结构时,确定所述超声切面图像异常。确定超声切面异常后,可为医生提供参考,扩大了超声图像提供的信息量。

Description

超声图像处理装置
技术领域
本申请涉及图像处理技术领域,特别是涉及一种超声图像处理装置、方法、计算机设备和存储介质。
背景技术
随着现代医疗的发展,在临床医学检查中,超声成像已经成为不可或缺的一种影像学检查手段。但我国各地区超声检查诊断水平参差不齐,检查人员培训不到位,超声检查结果同质化水平低,漏误诊经常发生;由于我国人口基数大,检查医生常面临超负荷的工作强度和压力,造成检查速度过快,漏误诊率增加。
然而现有的超声图像处理方式简单,侧重提供检测数值,提供给医生的信息量较少。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高超声图像信息量的超声图像处理装置、方法、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种超声图像处理装置,所述装置包括:
预处理模块,用于对被测对象的超声视频流进行预处理,得到超声切面图像;
类别处理模块,用于根据所述超声切面图像的图像特征,确定所述超声切面图像的切面类别;
小结构处理模块,用于根据所述超声切面图像的切面类别对应的检测网络模型,对所述超声切面图像所包括的小结构进行识别;
异常识别模块,用于在所述超声切面图像存在异常的小结构时,确定所述超声切面图像异常。
在其中一个实施例中,所述异常识别模块,还用于若所述切面类别的多帧所述超声切面图像异常时,确定该类别的切面异常。
在其中一个实施例中,所述装置还包括:
异常分类模块,用于将异常的切面类别与普通异常切面集进行匹配,若确定所述切面类别的异常类别为普通异常,则根据所述超声切面图像的异常的小结构确定超声切面图像存在异常结构。
在其中一个实施例中,所述装置还包括输出模块;
所述异常分类模块,还用于将异常的切面类别与特定异常切面集进行匹配,若确定所述切面类别的异常类别为特定异常时,获取与所述切面类别相关的至少一个目标切面类别;
所述输出模块,用于输出对所述至少一个目标切面类别进行扫描的提示。
在其中一个实施例中,所述装置还包括分析模块。
所述异常识别模块,用于确定所述至少一个目标切面类别是否异常;
所述分析模块,用于在所述至少一个目标切面类别异常时,根据特定异常的所述切面类别、所述特定异常的所述切面类别中异常的小结构、所述相关的至少一个目标切面类别,以及所述目标切面类别中的异常的小结构,确定超声切面图像存在异常结构。
在其中一个实施例中,所述小结构处理模块,用于将所述超声切面图像输入所述切面类别对应的检测网络模型,获取所述检测网络模型检测的所述超声切面图像中的小结构的数量,若不存在异常的小结构,则根据所述超声切面图像中小结构的数量确定所述超声切面图像的标准类型。
第二方面,本申请提供了一种超声图像处理方法,所述方法包括:
对被测对象的超声视频流进行预处理,得到超声切面图像;
根据所述超声切面图像的图像特征,确定所述超声切面图像的切面类别;
根据所述超声切面图像的切面类别对应的检测网络模型,对所述超声切面图像所包括的小结构进行识别;
在所述超声切面图像存在异常的小结构时,确定所述超声切面图像异常。
第三方面,本申请提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
第五方面,本申请提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的方法的步骤。
上述超声图像处理装置、方法、计算机设备、存储介质和计算机程序产品,预处理模块,用于对超声切面图像进行预处理,得到超声切面图像,类别处理模块,用于根据超声切面图像的图像特征,确定超声切面图像的切面类别,便于后续为超声切面图像的切面类别选取对应的检测网络模型,进而准确识别超声切面图像所包含的小结构。异常识别模块,用于在超声切面图像存在异常的小结构时,确定超声切面图像异常。该超声图像处理装置确定超声切面异常后,可为医生提供参考,扩大了超声图像提供的信息量。
附图说明
图1为一个实施例中超声图像处理方法的应用环境图;
图2为一个实施例中超声图像处理装置的结构框图;
图3为一个实施例中鼻唇冠状切面异常结构的确定方法流程示意图;
图4为一个实施例中超声切面图像的异常结构为单纯唇裂的示意图;
图5为一个实施例中超声切面图像的异常结构为双侧唇裂的示意图;
图6为一个实施例中超声切面图像的异常结构为中央型唇裂的示意图;
图7为一个实施例中超声切面图像的异常结构为单侧唇腭裂的示意图;
图8为一个实施例中超声切面图像的异常结构为双侧唇腭裂的示意图;
图9为一个实施例中超声切面图像的异常结构为上唇、上牙槽骨、硬腭均缺失的示意图;
图10为一个实施例中超声切面图像的异常结构为上牙槽骨缺失、硬腭缺失的示意图;
图11为一个实施例中超声切面图像的异常结构为硬腭缺失的示意图;
图12为一个实施例中超声切面图像的异常结构为下颌斜冠状切面硬腭裂的示意图;
图13为一个实施例中超声切面图像的异常结构为颌下斜冠状切面硬腭裂的示意图;
图14为一个实施例中超声切面图像的异常结构为颌下斜冠状切面软腭裂的示意图;
图15为一个实施例中超声图像处理方法的流程示意图;
图16为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
现代医疗中,超声已经成为普遍、常规、不可或缺的影像学检查手段。超声成像就是用超声波获得物体可见图像的方法。由于超声波可以穿透很多不透光的物体,所以利用超声波可以获得这些物体内部结构声学特性的信息,超声成像技术将这些信息变成人眼可见的图像。
当被测对象的某一个切面被判断为异常切面时,那么根据异常切面出现的异常的小结构一般可以认为被测对象患有某种的疾病,一些疾病(鼻骨缺失)可以通过单一异常切面的判断即可得出结论,而还有大部分疾病(唇腭裂、无脑畸形等)还需要其他切面的判断结果进行统计过后才能得出最终的结论。
但是,现有的超声检查手段仅能为医生提供数值信息或简单图像信息,无法为医生提供更深层次的信息。
有鉴于此,本申请提供了一种超声图像处理方法,本申请的方法可以应用于图1所示的应用场景中,其中,探头100用于获取被测对象的超声视频流,计算机设备102对超声视频流进行预处理,得到超声切面图像。计算机设备102根据超声切面图像的图像特征,确定超声切面图像的切面类别。计算机设备102根据超声切面图像的切面类别对应的检测网络模型,对超声切面图像所包括的小结构进行识别,在超声切面图像存在异常的小结构时,确定超声切面图像异常。
在一个实施例中,如图2所示,提供了一种超声图像处理装置,以该装置包括:预处理模块200、类别处理模块202、小结构处理模块204和异常识别模块206。
其中,预处理模块200用于对被测对象的超声视频流进行预处理,得到超声切面图像。
其中,被测对象可以是人体或动物,以被测对象为胎儿为例,通过对胎儿的某部位进行扫描,得到超声视频流,超声视频流包含多张超声切面图像。
对超声视频流进行预处理,指将超声视频流依据时间先后分为多张超声切面图像的过程。
类别处理模块202,用于根据超声切面图像的图像特征,确定超声切面图像的切面类别。
其中,通过深度学习分类模型对超声切面图像依据超声切面图像的图像特征进行分类,具体地,通过比较超声切面图像的图像特征与图像特征库中的标准图像特征进行匹配,若匹配的结果高于预设阈值,则输出该标准图像特征所对应的切面类别。
具体地,可采用swin transformer模型对超声切面图像的图像特征进行分类,根据swin transformer模型库中的标准图像特征与超声切面图像的图像特征的匹配结果,将匹配成功后的标准图像特征所对应的切面类型输出为超声切面图像的图像特征的具体切面类型。
其中,切面类型可以为鼻唇冠状切面、上牙槽水平横切面、颜面部正中矢状切面、经颌下斜冠状切面或经下唇或下颌斜冠状等。
其中,切面类型还可以是胎儿颅脑、颜面部、颈部、胸部、心脏、肺、腹部、脊柱、四肢等部位的切面。可以理解的,上述切面类型可以是来自胎儿、小儿和成人。
通过对不同人群的超声切面图像的图像特征进行分类,得到超声切面图像所属的切面类别,为后续进一步识别细化特征提供依据。
小结构处理模块204,用于根据超声切面图像的切面类别对应的检测网络模型,对超声切面图像所包括的小结构进行识别。
其中,小结构指超声切面图像中包含的特征区域,具体地,指鼻唇冠状切面中包含鼻、双侧鼻孔、鼻柱、人中、上唇、下唇、口角、下颌等小结构。其中,根据每个小结构具有标准结构特征,若小结构符合标准结构特征,则为正常的小结构,若小结构不符合标准结构特征,则为异常的小结构,正常的小结构和异常的小结构之间的区别体现在小结构的面积、形状等特征上。
可以是一个超声切面图像的切面类别对应一个检测网络模型,也可以是多个超声切面图像的切面类别对应一个检测网络模型。其中,检测网络模型可以是预先训练好的目标检测网络训练的模型,如,yolov5。
其中,对超声切面图像所包括的小结构进行识别,确定超声切面图像包含正常的小结构或异常的小结构。若确定超声切面图像只包含正常的小结构,根据正常的小结构的数量和正常的小结构的置信度,判定超声切面图像的正常的小结构的正常类型。
正常类型包括标准、基本标准、非标准。若小结构的数量与标准切面中小结构数量一致且小结构置信度大于正常小结构阈值,则当前超声切面图像的正常的小结构的正常类型为标准类型。若小结构的数量与基本标准切面中小结构数量一致且小结构置信度大于正常小结构阈值,则当前超声切面图像的正常的小结构的正常类型为基本标准类型。若小结构的数量与非标准切面中小结构数量一致且小结构置信度大于正常小结构阈值,则当前超声切面图像的正常的小结构的正常类型为非标准类型。
通过根据超声切面图像的切面类别对应的检测网络模型,对超声切面图像所包括的小结构进行识别,识别出正常的小结构或异常的小结构,为后续根据正常的小结构或异常的小结构的数量对超声切面图像进一步判断提供依据。
异常识别模块206,用于在超声切面图像存在异常的小结构时,确定超声切面图像异常。
其中,异常的小结构与正常的小结构可以是一一对应关系,例如,正常的小结构为鼻柱,异常的小结构为鼻柱断裂。
若超声切面图像存在异常的小结构时,表示该超声切面图像异常。
本实施例中,预处理模块,用于对超声切面图像进行预处理,得到超声切面图像,类别处理模块,用于根据超声切面图像的图像特征,确定超声切面图像的切面类别,便于后续为超声切面图像的切面类别选取对应的检测网络模型,进而准确识别超声切面图像所包含的小结构。异常识别模块,用于在超声切面图像存在异常的小结构时,确定超声切面图像异常。该超声图像处理装置在确定超声切面异常后,可为医生提供参考,扩大了超声图像提供的信息量。
在一个实施例中,异常识别模块,还用于若切面类别的多帧超声切面图像异常时,确定该类别的切面异常。
其中,在对被测对象进行扫描的过程中,可能由于部分原因导致扫描出来的超声切面图像过暗、结构遮挡或者系统模型不足,偶尔会出现原本正常的超声切面图像被识别为异常的超声切面图像或者原本异常的超声切面图像识别为正常的超声切面图像。
具体地,以超声切面图像的切面类别为鼻唇冠状切面为例,在被测对象被扫描时,可能由于探头角度或者被测对象姿态不正,导致超声切面图像过暗、结构遮挡,从而使得原本正常的超声切面图像被识别为异常的超声切面图像或者使得原本异常的超声切面图像识别为正常的超声切面图像。又或者在进行超声切面图像的切面类别判断时没有充足的系统模型,无法准确识别出异常的小结构,导致异常的超声切面图像被判断为正常的小结构。
通过确定多帧超声切面图像异常时从而确定类别的切面异常,避免了因为超声切面图像过暗、结构遮挡或者系统模型不足,而导致的超声切面图像识别不准的问题。
在一个实施例中,异常分类模块,用于将异常的切面类别与普通异常切面集进行匹配,若确定切面类别的异常类别为普通异常,则根据超声切面图像的异常的小结构确定超声切面图像存在异常结构。
其中,普通异常切面集包含多个普通异常超声切面图像的切面类别。普通异常指单一的异常或简单异常,可以根据单一切面进行判断的异常类别。
具体地,将异常的切面类别与普通异常切面集依据相似度进行匹配,将异常的切面类别和普通异常切面集所包含的多个普通异常超声切面图像的切面类别先进行特征值化处理,在将特征值化的异常的切面类别和多个特征值化的普通异常超声切面图像的切面类别进行相似度计算,若相似度距离大于预设阈值,则确定切面类别的异常类别与普通异常切面集匹配成功,也即切面类别的异常类别为普通异常。
其中,小结构为超声切面图像中的特征区域,小结构分为正常的小结构和异常的小结构,若确认超声切面图像的异常类别为普通异常,则根据超声切面图像的异常的小结构确定超声切面图像存在异常结构。
异常结构包含了超声切面图像异常的小结构的位置、数量以及异常名称。
具体地,以超声切面图像的切面类别为鼻切面图像为例进行说明,将鼻切面超声图像与普通异常切面集进行匹配,若鼻切面超声图像的异常类别为普通异常,则根据超声切面图像的鼻骨、鼻孔、鼻柱等对应的异常的小结构确定超声切面图像存在异常结构。
本实施例中,通过异常的切面类别与普通异常切面集进行匹配将异常的切面类别中属于普通异常的切面类别筛选出来,根据超声切面图像的异常的小结构确定超声切面图像存在异常结构,能够准确得到超声切面图像中属于普通异常的切面类别的图像以及超声切面图像的具体异常结构。
在一个实施例中,超声图像处理装置还包括:异常分类模块和输出模块。
异常分类模块,还用于将异常的切面类别与特定异常切面集进行匹配,若确定切面类别的异常类别为特定异常时,获取与切面类别相关的至少一个目标切面类别。输出模块,用于输出对至少一个目标切面类别进行扫描的提示。
其中,特定异常切面集包含多个特定异常超声切面图像的切面类别。特定异常切面指多个单一异常所组合的异常或复杂异常。特定异常可以根据至少一个切面进行判断的异常类别。
具体地,将异常的切面类别与特定异常切面集依据相似度进行匹配,将异常的切面类别和特定异常切面集所包含的多个特定异常超声切面图像的切面类别先进行特征值化处理,在将特征值化的异常的切面类别和多个特征值化的特定异常超声切面图像的切面类别进行相似度计算,若相似度距离大于预设阈值,则确定切面类别的异常类别与特定异常切面集匹配成功,也即切面类别的异常类别为特定异常。
其中,相关的目标切面类别指与切面类别不同角度或相邻位置的切面类别。具体地,若超声切面图像的切面类别为鼻切面,相关的目标切面可以为唇切面或鼻唇切面。
需说明的是,鼻切面、唇切面和鼻唇切面均包含多个角度的切面,相关的目标切面可以是鼻切面的不同角度的切面。
在获得切面类别相关的至少一个目标切面类别后,将输出对至少一个目标切面类别进行扫描的提示。
本实施例中,通过对将异常的切面类别与特定异常切面集进行匹配,若确定切面类别的异常类别为特定异常时,获取与切面类别相关的至少一个目标切面类别并输出对目标切面类别进行扫描的扫描提示,能够为特定异常的切面类别提供扫描提示,进一步能准确得到超声切面图像中属于特定异常的切面类别的图像以及为得到超声切面图像的具体异常结构提供依据。
在一个实施例中,超声图像处理装置还包括:异常识别模块,用于确定至少一个目标切面类别是否异常。分析模块,用于在至少一个目标切面类别异常时,根据特定异常的切面类别、特定异常的切面类别中异常的小结构、相关的至少一个目标切面类别,以及目标切面类别中的异常的小结构,确定超声切面图像存在异常结构。
其中,若目标切面类别的超声切面图像包含异常的小结构,则确定目标切面类别异常。
以超声切面图像为胎儿鼻唇冠状切面为例进行说明。胎儿鼻唇冠状切面的相关的目标切面包括:上牙槽水平横切面、颜面部正中矢状切面、经颌下斜冠状切面、经下唇或下颌斜冠状切面。具体地,如图3所示,鼻唇冠状切面异常结构的确定方法,包括:
S300,若超声切面图像为特定异常切面,则判断至少一个目标切面类别是否异常。
其中,超声切面图像为鼻唇冠状切面。
S302,若目标切面类别的超声切面图像包含异常的小结构,则确定目标切面类别异常。
其中,相关的目标切面包括:上牙槽水平横切面、颜面部正中矢状切面、经颌下斜冠状切面、经下唇或下颌斜冠状切面。
S304,根据特定异常的切面类别、特定异常的切面类别中异常的小结构、相关的至少一个目标切面类别,以及目标切面类别中的异常的小结构,确定超声切面图像存在异常结构。
其中,特定异常的切面类别为鼻唇冠状切面,特定异常的切面类别中异常的小结构指鼻唇冠状切面包含异常的小结构,例如,鼻、双侧鼻孔、鼻柱、人中、上唇、下唇、口角、下颌等结构异常,相关的目标切面类别为上牙槽水平横切面、颜面部正中矢状切面、经颌下斜冠状切面、经下唇或下颌斜冠状切面中的一种,目标切面类别中的异常的小结构指上牙槽水平横切面、颜面部正中矢状切面、经颌下斜冠状切面、经下唇或下颌斜冠状切面中包含的异常的小结构。
具体地,胎儿鼻唇切面可能出现五种特定异常结构,包括:第一种结构为单纯唇裂:可分为单侧唇裂、双侧唇裂或中央型唇裂,而根据异常的小结构所占超声切面图像的大小面积可将唇裂的严重程度分3度。第二种结构为单侧完全唇裂伴牙槽突裂或完全腭裂。第三种结构为双侧完全唇裂伴牙槽突裂或完全腭裂。第四种结构为正中唇腭裂。第五种结构单纯腭裂:可分为单侧或双侧,根据唇裂的严重程度分3度。
其中,若超声切面图像为鼻唇冠状切面为特定异常切面,则需要对则判断至少一个目标切面类别是否异常。鼻唇冠状切面的异常结构如图4、图5和图6所示。
若鼻唇冠状切面出现的异常,随后进行上牙槽水平横切面、颜面部正中矢状切面的扫描。其中,上牙槽水平横切面包含唇裂、牙槽突裂等小结构,上牙槽水平横切面确定的异常结构图7和图8所示。而颜面部正中矢状切面包含唇裂、腭裂等异常的小结构,颜面部正中矢状切面包含的异常结构如图9、图10和图11所示。
进一步地,获取唇至颌下一系列斜冠状切面,其中观察内容有是否包含小结构下唇、下颌骨、颌下软组织、舌、口咽、硬腭、软腭、鼻咽。唇至颌下一系列斜冠状切面包含的异常结构如图12、图13和图14所示。
具体地,若鼻唇冠状切面异常,上牙槽水平横切面显示上牙槽连续性完整,下唇至颌下系列斜冠状切面正常,可以确定疾病类型为单纯唇裂,也即可确定超声切面图像存在异常结构为单纯唇裂。
若鼻唇冠状切面异常,上牙槽水平横显示上牙槽连续性中断,下唇至颌下系列斜冠状切面正常,可确定疾病类型为唇裂合并牙槽突裂,也即可确定超声切面图像存在异常结构类型为唇裂合并牙槽突裂。
若鼻唇冠状切面、上牙槽突水平横切面显示上牙槽连续性中断,下唇至颌下系列斜冠状切面异常,可确定疾病类型为唇腭裂,也即可确定超声切面图像存在异常结构类型为唇腭裂。
若下唇至颌下系列斜冠状切面异常,和(或)上牙槽水平横切面上牙槽连续性中断,鼻唇冠状切面正常,可确定疾病类型为单纯腭裂,也即可确定超声切面图像存在异常结构类型为单纯腭裂。
本实施例中,通过在至少一个目标切面类别异常时,根据特定异常的切面类别、特定异常的切面类别中异常的小结构、相关的至少一个目标切面类别,以及目标切面类别中的异常的小结构,确定超声切面图像存在异常结构,能够达到快速准确得到目标切面类别的异常结构和疾病类型的效果。
在一个实施例中,小结构处理模块,用于将超声切面图像输入切面类别对应的检测网络模型,获取检测网络模型检测的超声切面图像中的小结构的数量,若不存在异常的小结构,则根据超声切面图像中小结构的数量确定超声切面图像的标准类型。
其中,检测网络模型可以是目标检测网络模型,具体可以是yolov5模型。yolov5模型包含YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四种不同版本,Yolov5s网络是Yolov5系列中深度最小,特征图的宽度最小的网络。后面的3种都是在此基础上不断加深,不断加宽。以检测网络模型使用YOLOv5s网络为例进行说明。
具体地,通过将超声切面图像输入使用YOLOv5s网络设置进行训练的模型检测超声切面图像是否包含该切面包括的各小结构。
其中,小结构的置信度为模型对超声切面图像输中预测小结构正确的概率,概率越高代表预测结果越真实,一般来说,若置信度大于预设阈值,则认为该小结构确实存在。
其中,超声切面图像标准类型的种类可分为标准、基本标准和非标准。
本实施例中,通过根据检测出来的各小结构以及它们的置信度,确定超声切面图像包括的小结构存在的数量,从而区分该超声切面图像的标准类型。
在其中一个实施例中,小结构处理模块,还用于在确定所述超声切面图像的标准类型时,将检测出的超声切面图像包括的小结构与标准小结构进行比较,确定超声切面图像的标准类型的种类。
其中,使用检测网络模型确定所述超声切面图像的标准类型时,检测出的超声切面图像包括的小结构和小结构的标签值。
标准小结构为超声切面图像的样本数据,对超声切面图像的样本数据使用检测网络模型进行提取,得到标准小结构和标准小结构的标签值。
将检测出的超声切面图像的小结构的标签值与标准结构的标签值进行匹配,若匹配成功,根据超声切面图像的小结构的标签值与标准结构的标签值匹配成功的次数多少确定超声切面图像的标准类型的种类。
具体地,匹配成功的次数越多,则代表超声切面图像标准类型的种类从非标准、基本标准到标准依次类推。
本实施例中,通过将检测出的超声切面图像包括的小结构与标准小结构进行比较,确定超声切面图像异常的小结构,直接将超声切面图像包括的小结构与标准小结构进行比较,节约了计算资源,可快速得到超声切面图像是否包含异常的小结构。
基于同样的发明构思,本申请实施例还提供了一种装置所涉及的方法,如图15所示,提供了一种超声图像处理方法,该方法包括:
S1500,对被测对象的超声视频流进行预处理,得到超声切面图像。
S1502,根据超声切面图像的图像特征,确定超声切面图像的切面类别。
S1504,根据超声切面图像的切面类别对应的检测网络模型,对超声切面图像所包括的小结构进行识别。
S1506,在超声切面图像存在异常的小结构时,确定超声切面图像异常。
本实施例中,首先对超声切面图像进行预处理,得到超声切面图像,然后根据超声切面图像的图像特征,确定超声切面图像的切面类别,便于后续步骤中的对超声切面图像的切面类别选取对应的检测网络模型,进而准确识别超声切面图像所包含的小结构。最后,若超声切面图像存在异常的小结构时,确定超声切面图像异常。确定超声切面异常后,可为医生提供参考,扩大了超声图像提供的信息量。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图16所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的数据库用于存储异常的小结构信息。该计算机设备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处理方法。
本领域技术人员可以理解,图16中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备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,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其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方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
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、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种超声图像处理装置,其特征在于,所述装置包括:
预处理模块,用于对被测对象的超声视频流进行预处理,得到超声切面图像;
类别处理模块,用于根据所述超声切面图像的图像特征,确定所述超声切面图像的切面类别;
小结构处理模块,用于根据所述超声切面图像的切面类别对应的检测网络模型,对所述超声切面图像所包括的小结构进行识别;
异常识别模块,用于在所述超声切面图像存在异常的小结构时,确定所述超声切面图像异常。
2.根据权利要求1所述的装置,其特征在于,所述异常识别模块,还用于若所述切面类别的多帧所述超声切面图像异常时,确定该类别的切面异常。
3.根据权利要求2所述的装置,其特征在于,所述装置还包括:
异常分类模块,用于将异常的切面类别与普通异常切面集进行匹配,若确定所述切面类别的异常类别为普通异常,则根据所述超声切面图像的异常的小结构确定超声切面图像存在异常结构。
4.根据权利要求3所述的装置,其特征在于,所述装置还包括输出模块;
所述异常分类模块,还用于将异常的切面类别与特定异常切面集进行匹配,若确定所述切面类别的异常类别为特定异常时,获取与所述切面类别相关的至少一个目标切面类别;
所述输出模块,用于输出对所述至少一个目标切面类别进行扫描的提示。
5.根据权利要求4所述的装置,其特征在于,所述装置还包括分析模块,
所述异常识别模块,用于确定所述至少一个目标切面类别是否异常;
所述分析模块,用于在所述至少一个目标切面类别异常时,根据特定异常的所述切面类别、所述特定异常的所述切面类别中异常的小结构、所述相关的至少一个目标切面类别,以及所述目标切面类别中的异常的小结构,确定超声切面图像存在异常结构。
6.根据权利要求1所述的装置,其特征在于,所述小结构处理模块,用于将所述超声切面图像输入所述切面类别对应的检测网络模型,获取所述检测网络模型检测的所述超声切面图像中的小结构的数量,若不存在异常的小结构,则根据所述超声切面图像中小结构的数量确定所述超声切面图像的标准类型。
7.一种超声图像处理方法,其特征在于,所述方法包括:
对被测对象的超声视频流进行预处理,得到超声切面图像;
根据所述超声切面图像的图像特征,确定所述超声切面图像的切面类别;
根据所述超声切面图像的切面类别对应的检测网络模型,对所述超声切面图像所包括的小结构进行识别;
在所述超声切面图像存在异常的小结构时,确定所述超声切面图像异常。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求7中所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求7中所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求7中所述的方法的步骤。
CN202211397658.1A 2022-11-09 2022-11-09 超声图像处理装置 Pending CN115546200A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211397658.1A CN115546200A (zh) 2022-11-09 2022-11-09 超声图像处理装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211397658.1A CN115546200A (zh) 2022-11-09 2022-11-09 超声图像处理装置

Publications (1)

Publication Number Publication Date
CN115546200A true CN115546200A (zh) 2022-12-30

Family

ID=84720562

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211397658.1A Pending CN115546200A (zh) 2022-11-09 2022-11-09 超声图像处理装置

Country Status (1)

Country Link
CN (1) CN115546200A (zh)

Similar Documents

Publication Publication Date Title
US10650282B2 (en) Medical image classification apparatus, method, and program
WO2022007337A1 (zh) 肿瘤细胞含量评估方法、系统、计算机设备及存储介质
CN109859168A (zh) 一种x射线胸片图像质量确定方法及装置
CN112070119A (zh) 超声切面图像质量控制方法、装置和计算机设备
CN111462049B (zh) 一种乳腺超声造影视频中病灶区形态自动标注方法
CN1663530A (zh) 用于处理图像数据以帮助检测疾病的方法和装置
CN105246407A (zh) 图像处理装置以及程序
CN111275755B (zh) 基于人工智能的二尖瓣瓣口面积检测方法、系统和设备
CN111260671A (zh) 一种ct影像肺部分叶方法及系统
US11756292B2 (en) Similarity determination apparatus, similarity determination method, and similarity determination program
CN110880366A (zh) 一种医学影像处理系统
US20230070249A1 (en) Medical imaging-based method and device for diagnostic information processing, and storage medium
CN113688942A (zh) 基于深度学习的头侧片腺样体图像自动评估方法和装置
CN209770401U (zh) 医学图像快速分析处理系统
CN116392109A (zh) 一种腺样体尺寸测量系统、控制方法、介质、设备及终端
CN115546200A (zh) 超声图像处理装置
Jayasinghe et al. Effectiveness of Using Radiology Images and Mask R-CNN for Stomatology
CN112991289B (zh) 图像标准切面的处理方法及装置
Liu et al. Automated fetal heart rate analysis for baseline determination using EMAU-Net
US11989880B2 (en) Similarity determination apparatus, similarity determination method, and similarity determination program
US11893735B2 (en) Similarity determination apparatus, similarity determination method, and similarity determination program
CN115131343A (zh) 一种慢性鼻窦炎分型方法、装置、设备及可读存储介质
Płotka et al. BabyNet++: Fetal birth weight prediction using biometry multimodal data acquired less than 24 hours before delivery
CN210776809U (zh) 一种望诊图像质量评价系统、设备及存储介质
CN113990490A (zh) 一种创伤性失血休克患者数据医疗系统

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