CN116385286A - 血流噪声的抑制方法、装置、超声设备及可读存储介质 - Google Patents
血流噪声的抑制方法、装置、超声设备及可读存储介质 Download PDFInfo
- Publication number
- CN116385286A CN116385286A CN202310261066.5A CN202310261066A CN116385286A CN 116385286 A CN116385286 A CN 116385286A CN 202310261066 A CN202310261066 A CN 202310261066A CN 116385286 A CN116385286 A CN 116385286A
- Authority
- CN
- China
- Prior art keywords
- image
- intravascular ultrasound
- blood vessel
- ultrasound image
- noise suppression
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000001629 suppression Effects 0.000 title claims abstract description 109
- 230000017531 blood circulation Effects 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000002608 intravascular ultrasound Methods 0.000 claims abstract description 162
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 154
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims description 32
- 230000015654 memory Effects 0.000 claims description 30
- 230000000903 blocking effect Effects 0.000 claims description 19
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000002604 ultrasonography Methods 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 description 9
- 230000002792 vascular Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000004927 fusion Effects 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000012285 ultrasound imaging Methods 0.000 description 3
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
- A61B8/0891—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/5269—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving detection or reduction of artifacts
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Vascular Medicine (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及图像处理技术领域,公开了一种血流噪声的抑制方法、装置、超声设备及可读存储介质。其中,该方法包括:获取待处理的血管内超声图像;基于预设血管识别模型对血管内超声图像进行血管识别,得到血管内超声图像的血管区域;其中,该预设血管识别模型基于血管内超声图像样本和血管区域样本训练得到;对血管区域进行血流噪声抑制,生成目标图像。通过实施本发明技术方案,可以针对血管区域进行噪声抑制,提高了噪声抑制的处理速度,从而提升了针对于血管内超声图像的血流噪声去除效率,便于进行高效的血管识别。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种血流噪声的抑制方法、装置、超声设备及可读存储介质。
背景技术
血管内超声(intravenous ultrasound,IVUS)是结合超声技术和导管技术进行冠心病诊断的医学成像方式。但是,IVUS图像中的血管通常会存在有血流斑点噪声,该噪声会对血管诊断和血管识别造成一定的困难。
针对上述问题,目前常用的方法主要是采用序列图像两帧或多帧图像得到时间方差图去除斑点噪声这一方法对IVUS图像进行血流噪声抑制;还可以采用滤波方法进行对IVUS图像中的血流噪声进行去除。然而,上述方式均是针对IVUS图像进行整体处理,难以针对血管区域进行噪声处理,导致IVUS图像的血流噪声去除效率较低,影响了血管诊断和血管识别。
发明内容
有鉴于此,本发明实施例提供了一种血流噪声的抑制方法、装置、超声设备及可读存储介质,以解决难以针对血管区域进行噪声处理的问题。
根据第一方面,本发明实施例一种血流噪声的抑制方法,包括:获取待处理的血管内超声图像;基于预设血管识别模型对所述血管内超声图像进行血管识别,得到所述血管内超声图像的血管区域;其中,所述预设血管识别模型基于血管内超声图像样本和血管区域样本训练得到;对所述血管区域进行血流噪声抑制,生成目标图像。
本发明实施例提供的血流噪声的抑制方法,通过识别血管内超声图像的血管区域,对识别出的血管区域进行血流噪声抑制,由此可以针对血管区域进行噪声抑制,提高了噪声抑制的处理速度,从而提升了针对于血管内超声图像的血流噪声去除效率,便于进行高效的血管识别。
结合第一方面,在第一方面的第一实施方式中,所述对所述血管区域进行血流噪声抑制,生成目标图像,包括:对所述血管内超声图像进行滤波处理,生成平滑图像;基于预设抑制阈值对所述平滑图像中的血管区域进行噪声抑制处理,得到噪声抑制图像;将所述噪声抑制图像与所述血管内超声图像进行融合,得到所述目标图像。
本发明实施例提供的血流噪声的抑制方法,通过对血管内超声图像进行滤波处理以得到平滑图像,便于对血管内超声图像进行噪声滤除,继而基于预设抑制阈值对平滑图像中的血管区域进行噪声抑制,并将经过噪声抑制得到的噪声抑制图像与血管内超声图像进行融合,得到目标图像。由此能够对血管区域进行针对性的噪声去除,能够针对于血管区域进行简单高效的抑制血流噪声。
结合第一方面第一实施方式,在第一方面的第二实施方式中,所述将所述噪声抑制图像与所述血管内超声图像进行融合,得到所述目标图像,包括:获取针对于所述血管内超声图像的第一权重,以及针对于所述噪声抑制图像的第二权重;基于所述第一权重和所述第二权重对所述血管内超声图像和所述噪声抑制图像进行加权,得到所述目标图像;其中,所述第一权重和所述第二权重之和为1。
本发明实施例提供的血流噪声的抑制方法,通过设定针对于血管内超声图像的第一权重以及针对于噪声抑制图像的第二权重,便于将噪声抑制图像与血管内超声图像进行有效的数据融合,保证目标图像能够表征准确的血管信息。
结合第一方面,在第一方面的第三实施方式中,所述获取待处理的血管内超声图像,包括:获取待处理的原始血管内超声图像;对所述原始血管内超声图像进行预处理,得到经过预处理的所述血管内超声图像。
结合第一方面第三实施方式,在第一方面的第四实施方式中,所述对所述原始血管内超声图像进行预处理,得到经过预处理的所述血管内超声图像,包括:对所述原始血管内超声图像中的噪声进行初始滤波,得到滤波图像;对所述滤波图像进行增强处理,得到增强图像;对所述增强图像进行伽马变换处理,得到所述血管内超声图像。
本发明实施例提供的血流噪声的抑制方法,通过对原始血管内超声图像进行滤波处理、增强处理以及伽马变换处理等预处理操作,以对原始血管内超声图像进行噪声初步滤除,提高了后续的血管识别精度。
结合第一方面第四实施方式,在第一方面的第五实施方式中,所述对所述滤波图像进行增强处理,得到增强图像,包括:对所述滤波图像进行分块处理,得到各个分块图像以及各个分块图像对应的灰度值;基于各个所述灰度值对相应的所述分块图像进行增强处理,生成所述增强图像。
本发明实施例提供的血流噪声的抑制方法,通过对滤波图像进行分块处理以确定出各个分块图像的灰度值,并根据该灰度值进行增强处理,以调整分块图像的明暗度,实现分块图像的特征增强,使得图像更加清晰。
结合第一方面,在第一方面的第六实施方式中,所述基于预设血管识别模型对所述血管内超声图像进行血管识别,得到所述血管内超声图像的血管区域,包括:通过所述预设血管识别模型对所述血管内超声图像进行血管分割,得到血管分割结果;基于所述血管分割结果,确定所述血管内超声图像的血管区域以及非血管区域。
本发明实施例提供的血流噪声的抑制方法,通过预设血管识别模型从血管内超声图像中分割出血管区域以及非血管区域,由此便于对血管区域进行噪声抑制,而对于非血管区域不作抑制处理,从而提高了噪声抑制处理效率。
根据第二方面,本发明实施例提供了一种血流噪声的抑制装置,包括:获取模块,用于获取待处理的血管内超声图像;血管识别模块,用于基于预设血管识别模型对所述血管内超声图像进行血管识别,得到所述血管内超声图像的血管区域;其中,所述预设血管识别模型基于血管内超声图像样本和血管区域样本训练得到;噪声抑制模块,用于对所述血管区域进行血流噪声抑制,生成目标图像。
根据第三方面,本发明实施例提供了一种超声设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面或第一方面任一实施方式所述的血流噪声的抑制方法。
根据第四方面,本发明实施例提供了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指令,所述计算机指令用于使计算机执行第一方面或第一方面任一实施方式所述的血流噪声的抑制方法。
需要说明的是,本发明实施例提供的血流噪声的抑制装置、电子设备以及计算机可读存储介质的相应有益效果,请参见血流噪声的抑制方法中相应内容的描述,在此不再赘述。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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是根据本发明实施例的血流噪声的抑制方法的流程图;
图2是根据本发明实施例的血流噪声的抑制方法的另一流程图;
图3示出了血流噪声抑制处理前后的对比图;
图4是根据本发明实施例的血流噪声的抑制方法的又一流程图;
图5示出了预处理前后的对比图;
图6示出了血管内超声图像的分块示意图;
图7示出了分块图像的灰度值更新示意图;
图8示出了双线性插值的示意图;
图9示出了血管分割的示意图;
图10是根据本发明实施例的血流噪声的抑制装置的结构框图;
图11是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有的血流噪声抑制方法主要包括两类:一类是根据序列图像两帧或多帧图像得到时间方差图去除斑点噪声,该类方法通常实现较为复杂;另一类是直接使用中值滤波、均值滤波、高斯滤波、双边滤波等滤波方法进行噪声去除,但是其难以保证噪声去除效果。而且,上述方法均是针对IVUS图像进行整体处理,难以针对血管区域进行噪声处理,导致IVUS图像的血流噪声去除效率较低,影响了血管诊断和血管识别。
基于此,本发明技术方案能够识别血管区域,在识别出血管区域后,再对该血管区域进行噪声抑制处理,由此实现简单、高效的血流噪声抑制。
根据本发明实施例,提供了一种血流噪声的抑制方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种血流噪声的抑制方法,可用于医疗领域的电子设备,如IVUS设备等超声成像设备,图1是根据本发明实施例的血流噪声的抑制方法的流程图,如图1所示,该流程包括如下步骤:
S11,获取待处理的血管内超声图像。
利用IVUS设备的超声导管作用于目标血管,对目标血管进行超声扫描以采集目标血管内的超声图像,并对该超声图像进行预处理即可得到相应的血管内超声图像。
具体地,医务人员可以根据患者情况确定需要进行血管成像的目标血管,继而将IVUS设备的超声导管作用于该目标血管,采集获取到相应的血管内超声图像。
S12,基于预设血管识别模型对血管内超声图像进行血管识别,得到血管内超声图像的血管区域。
其中,预设血管识别模型是基于血管内超声图像样本和血管区域样本训练得到的。
预设血管识别模型用于识别血管内超声图像中的血管区域。该预设血管识别模型是以血管内超声图像样本作为输入,以相应的血管区域样本作为输出训练得到的模型。该预设血管识别模型可以为深度学习网络模型,例如U-net网络模型,可以为神经网络模型,还可以为机器学习模型,此处不作具体限定。
将预设血管识别模型部署至IVUS设备中,当IVUS设备通过超声导管采集到血管内超声图像时,可以将采集到的血管内超声图像输入至预设血管识别模型,通过预设血管识别模型输出当前血管内超声图像中的血管区域。
S13,对血管区域进行血流噪声抑制,生成目标图像。
在得到血管区域后,可以将血管内超声图像分为血管区域和非血管区域。此时,可以只对血管内超声图像的血管区域进行血流噪声抑制处理,对于非血管区域则不做血流噪声抑制处理。继而,将非血管区域以及经过血流噪声抑制处理的血管区域进行合并,得到经过血流噪声抑制的图像,并将该血流噪声抑制后的图像与血管内超声图像进行融合,生成最终的目标图像。
本实施例提供的血流噪声的抑制方法,通过识别血管内超声图像的血管区域,对识别出的血管区域进行血流噪声抑制,由此可以针对血管区域进行噪声抑制,提高了噪声抑制的处理速度,从而提升了针对于血管内超声图像的血流噪声去除效率,便于进行高效的血管识别。
在本实施例中提供了一种血流噪声的抑制方法,可用于医疗领域的电子设备,如IVUS设备等超声成像设备,图2是根据本发明实施例的血流噪声的抑制方法的流程图,如图2所示,该流程包括如下步骤:
S21,获取待处理的血管内超声图像。详细说明参见上述实施例对应的相关描述,此处不再赘述。
S22,基于预设血管识别模型对血管内超声图像进行血管识别,得到血管内超声图像的血管区域。
其中,预设血管识别模型是基于血管内超声图像样本和血管区域样本训练得到的。
详细说明参见上述实施例对应的相关描述,此处不再赘述。
S23,对血管区域进行血流噪声抑制,生成目标图像。
具体地,上述步骤S23可以包括:
S231,对血管内超声图像进行滤波处理,生成平滑图像。
对血管内超声图像Iin进行N*N的滤波,以去除血管内超声图像中的噪声点,得到平滑图像IS。例如,对血管内超声图像Iin进行5*5的均值滤波,得到平滑图像IS。其中,N*N不限于5*5,还可以为3*3、7*7、9*9等;滤波处理不限于均值滤波,还可以为中值滤波、高斯滤波、双边滤波等。
S232,基于预设抑制阈值对平滑图像中的血管区域进行噪声抑制处理,得到噪声抑制图像。
预设抑制阈值为预先设定的抑制阈值,其可以根据经验值予以设定,例如,预先设定该抑制阈值为25。对平滑图像IS进行血流噪声抑制处理,得到噪声抑制图像Iout,具体的噪声抑制处理方式如下:
Iout2=Iin非血管区域。
将血管区域对应的血管图像输出Iout1与非血管图像区域对应的其他图像输出Iout2进行合并,即可得到噪声抑制图像Iout。
S233,将噪声抑制图像与血管内超声图像进行融合,得到目标图像。
为了最大程度的保留血管内超声图像所具备的特征,在得到噪声抑制图像后,将该噪声抑制图像与血管内超声图像进行加权融合,得到经过融合的目标图像。
具体地,上述步骤S233可以包括:
(1)获取针对于血管内超声图像的第一权重,以及针对于噪声抑制图像的第二权重。
(2)基于第一权重和第二权重对血管内超声图像和噪声抑制图像进行加权,得到目标图像。
其中,第一权重和第二权重之和为1。
第一权重用于表征血管内超声图像的融合系数,第二权重用于表征噪声抑制图像的融合系数。将血管内超声图像和噪声抑制图像按照第一权重和第二权重进行加权处理,生成相应的目标图像。如图3所示,其左为血管内超声图像,其右为经过血流噪声抑制处理的目标图像。
具体的融合方式如下:
IMerge=Iin*α+β*IDenoise
α+β=1
其中,IMerge表示融合后的目标图像;Iin表示血管内超声图像;IDenoise表示噪声抑制图像;α表示第一权重;β表示第二权重。
本实施例提供的血流噪声的抑制方法,通过对血管内超声图像进行滤波处理以得到平滑图像,便于对血管内超声图像进行噪声滤除,继而基于预设抑制阈值对平滑图像中的血管区域进行噪声抑制,并将经过噪声抑制得到的噪声抑制图像与血管内超声图像进行融合,得到目标图像,由此能够对血管区域进行针对性的噪声去除,能够针对于血管区域进行简单高效的抑制血流噪声。通过设定针对于血管内超声图像的第一权重以及针对于噪声抑制图像的第二权重,便于将噪声抑制图像与血管内超声图像进行有效的数据融合,保证目标图像能够表征准确的血管信息。
在本实施例中提供了一种血流噪声的抑制方法,可用于医疗领域的电子设备,如IVUS设备等超声成像设备,图4是根据本发明实施例的血流噪声的抑制方法的流程图,如图4所示,该流程包括如下步骤:
S31,获取待处理的血管内超声图像。
具体地,上述步骤S31可以包括:
S311,获取待处理的原始血管内超声图像。
原始血管内超声图像为利用IVUS设备的超声导管作用于目标血管,对目标血管进行超声扫描所采集到的超声图像。
S312,对原始血管内超声图像进行预处理,得到经过预处理的血管内超声图像。
原始血管内超声图像中可能会因血流噪声的存在而模糊,此时为了得到较为清晰的血管内超声图像,可以对该原始血管内超声图像进行预处理以对血流噪声进行初步滤除。
作为一个可选的实施方式,上述步骤S312可以包括:
(1)对原始血管内超声图像中的噪声进行初始滤波,得到滤波图像。
对获取到的原始血管内超声图像进行M*M的滤波处理,去除原始血管内超声图像中的噪声,得到滤波图像。例如,对原始血管内超声图像进行3*3的高斯滤波处理。
其中,M*M不限于3*3,其可以为5*5、7*7等,本领域技术人员可以根据实际需求确定;滤波处理不限于高斯滤波处理,还可以为均值滤波处理,中值滤波处理等。
(2)对滤波图像进行增强处理,得到增强图像。
对经过滤波处理所得到的滤波图像进行增强处理,以增强滤波图像的明暗度,使得滤波图像中的特征更为明显,经过预处理后的图像对比如图5所示。
作为一个可选的实施方式,可以采用CLAHE算法对滤波图像进行增强处理,相应地,上述步骤(2)可以包括:
(21)对滤波图像进行分块处理,得到各个分块图像以及各个分块图像对应的灰度值。
(22)基于各个灰度值对相应的分块图像进行增强处理,生成增强图像。
将滤波图像按照预设的分块尺寸进行分块操作,得到多个分块图像,并提取各个分块图像的灰度值。例如,按照8*8对滤波图像进行分块,则可以得到如图6所示的分块图像。
根据各个分块图像的灰度值可以计算出各个分块图像的灰度直方图,设置灰度直方图的灰度限制值Climit,则将各个分块图像的灰度直方图分别按照对应的灰度限制值Climit进行裁剪,即在灰度直方图中的灰度级超过灰度限制值Climit,则对该灰度级进行灰度直方图裁剪,并统计所有灰度级总共裁剪掉的像素点总量。将裁剪得到的像素点总量均分到灰度直方图中其它未被裁剪的灰度级,得到每个分块图像对应的新灰度直方图,如图7所示。对得到的新灰度直方图重复上述裁剪步骤,直到灰度直方图的灰度级均未超过灰度限制值Climit为止,此时得到的灰度直方图即为最终的灰度直方图。
根据每个分块图像的最终的灰度直方图计算累积分布函数,即为灰度映射函数。具体地,灰度映射函数的确定公式如下:
其中,r为灰度等级(0-255),H(r)为当前灰度等级r的灰度直方图,N为分块图像中的总像素数量。
分块图像中的新灰度值由四周小块的灰度映射函数进行双线性插值得到,插值公式如下:
其中,UL、UR、BL、BR为该像素点周边四个分块图像对应的灰度映射函数(如图8所示),且定义各分块图像的灰度映射函数处于其中心位置。d1、d2、d3、d4为该像素点距离各灰度映射函数的距离,i为该像素点原灰度值,I为该像素点的新灰度值。
由此,通过对滤波图像进行分块处理以确定出各个分块图像的灰度值,并根据该灰度值进行增强处理,以调整分块图像的明暗度,实现分块图像的特征增强,使得图像更加清晰。
(3)对增强图像进行伽马变换处理,得到血管内超声图像。
将增强处理后得到的增强图像进行伽马变换(Gamma变换)处理,以得到特征较为清晰的血管内超声图像。具体地,Gamma变换方式如下:
其中,C表示灰度缩放系数,r表示Gamma变换值,Ii表示增强图像归一化后的灰度值,IO表示Gamma变换后所输出的灰度值,即经过伽马变换所得到的血管内超声图像的灰度值。
S32,基于预设血管识别模型对血管内超声图像进行血管识别,得到血管内超声图像的血管区域。
其中,预设血管识别模型是基于血管内超声图像样本和血管区域样本训练得到的。
具体地,上述步骤S32可以包括:
S321,通过预设血管识别模型对血管内超声图像进行血管分割,得到血管分割结果。
血管分割结果用于表征血管轮廓。如图9所示。将血管内超声图像输入至预设血管识别模型中,通过预设血管识别模型识别血管内超声图像中的血管位置,预设血管识别模型则可以输出血管轮廓,生成血管分割结果。
S322,基于血管分割结果,确定血管内超声图像的血管区域以及非血管区域。
根据血管分割结果即可确定出血管内超声图像中血管区域,除去血管区域的区域即为非血管区域。
S33,对血管区域进行血流噪声抑制,生成目标图像。详细说明参见上述实施例对应的相关描述,此处不再赘述。
本实施例提供的血流噪声的抑制方法,通过对原始血管内超声图像进行滤波处理、增强处理以及伽马变换处理等预处理操作,以对原始血管内超声图像进行噪声初步滤除,提高了后续的血管识别精度。通过预设血管识别模型从血管内超声图像中分割出血管区域以及非血管区域,由此便于对血管区域进行噪声抑制,而对于非血管区域不作抑制处理,从而提高了噪声抑制处理效率。
在本实施例中还提供了一种血流噪声的抑制装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种血流噪声的抑制装置,如图10所示,包括:
获取模块41,用于获取待处理的血管内超声图像。
血管识别模块42,用于基于预设血管识别模型对血管内超声图像进行血管识别,得到血管内超声图像的血管区域;其中,预设血管识别模型是基于血管内超声图像样本和血管区域样本训练得到的。
噪声抑制模块43,用于对血管区域进行血流噪声抑制,生成目标图像。
可选地,上述噪声抑制模块43可以包括:
滤波处理子模块,用于对血管内超声图像进行滤波处理,生成平滑图像。
噪声去除子模块,用于基于预设抑制阈值对平滑图像中的血管区域进行噪声抑制处理,得到噪声抑制图像。
融合子模块,用于将噪声抑制图像与血管内超声图像进行融合,得到目标图像。
可选地,上述融合子模块具体用于:获取针对于血管内超声图像的第一权重,以及针对于噪声抑制图像的第二权重;基于第一权重和第二权重对血管内超声图像和噪声抑制图像进行加权,得到目标图像;其中,第一权重和第二权重之和为1。
可选地,上述获取模块41可以包括:
获取子模块,用于获取待处理的原始血管内超声图像。
预处理子模块,用于对原始血管内超声图像进行预处理,得到经过预处理的血管内超声图像。
可选地,上述预处理子模块具体用于:对原始血管内超声图像中的噪声进行初始滤波,得到滤波图像;对滤波图像进行增强处理,得到增强图像;对增强图像进行伽马变换处理,得到血管内超声图像。
可选地,上述预处理子模块具体还用于:对滤波图像进行分块处理,得到各个分块图像以及各个分块图像对应的灰度值;基于各个灰度值对相应的分块图像进行增强处理,生成增强图像。
可选地,上述血管识别模块42可以包括:
分割子模块,用于通过预设血管识别模型对血管内超声图像进行血管分割,得到血管分割结果。
区域划分子模块,用于基于血管分割结果,确定血管内超声图像的血管区域以及非血管区域。
本实施例中的血流噪声的抑制装置是以功能单元的形式来呈现,这里的单元是指ASIC电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各个模块以及各个子模块的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本实施例提供的血流噪声的抑制装置,通过识别血管内超声图像的血管区域,对识别出的血管区域进行血流噪声抑制,由此可以针对血管区域进行噪声抑制,提高了噪声抑制的处理速度,从而提升了针对于血管内超声图像的血流噪声去除效率,便于进行高效的血管识别。
本发明实施例还提供一种电子设备,具有上述图10所示的血流噪声的抑制装置。
请参阅图11,图11是本发明可选实施例提供的一种电子设备的结构示意图,如图11所示,该电子设备可以包括:至少一个处理器501,例如中央处理器(Central ProcessingUnit,CPU),至少一个通信接口503,存储器504,至少一个通信总线502。其中,通信总线502用于实现这些组件之间的连接通信。其中,通信接口503可以包括显示屏(Display)、键盘(Keyboard),可选通信接口503还可以包括标准的有线接口、无线接口。存储器504可以是高速易挥发性随机存取存储器(Random Access Memory,RAM),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器504可选的还可以是至少一个位于远离前述处理器501的存储装置。其中处理器501可以结合图10所描述的装置,存储器504中存储应用程序,且处理器501调用存储器504中存储的程序代码,以用于执行上述任一方法步骤。
其中,通信总线502可以是外设部件互连标准(peripheral componentinterconnect,PCI)总线或扩展工业标准结构(extended industry standardarchitecture,EISA)总线等。通信总线502可以分为地址总线、数据总线、控制总线等。为便于表示,图11中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器504可以包括易失性存储器(volatile memory),例如随机存取存储器(random-access memory,RAM);存储器也可以包括非易失性存储器(non-volatilememory),例如快闪存储器(flash memory),硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD);存储器504还可以包括上述种类的存储器的组合。
其中,处理器501可以是中央处理器(central processing unit,CPU),网络处理器(network processor,NP)或者CPU和NP的组合。
其中,处理器501还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(application-specific integrated circuit,ASIC),可编程逻辑器件(programmablelogic device,PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(complexprogrammable logic device,CPLD),现场可编程逻辑门阵列(field-programmable gatearray,FPGA),通用阵列逻辑(generic array logic,GAL)或其任意组合。
可选地,存储器504还用于存储程序指令。处理器501可以调用程序指令,实现如本申请上述实施例中所示的血流噪声的抑制方法。
本发明实施例还提供了一种非暂态计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的血流噪声的抑制方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive,HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种血流噪声的抑制方法,其特征在于,包括:
获取待处理的血管内超声图像;
基于预设血管识别模型对所述血管内超声图像进行血管识别,得到所述血管内超声图像的血管区域;其中,所述预设血管识别模型基于血管内超声图像样本和血管区域样本训练得到;
对所述血管区域进行血流噪声抑制,生成目标图像。
2.根据权利要求1所述的方法,其特征在于,所述对所述血管区域进行血流噪声抑制,生成目标图像,包括:
对所述血管内超声图像进行滤波处理,生成平滑图像;
基于预设抑制阈值对所述平滑图像中的血管区域进行噪声抑制处理,得到噪声抑制图像;
将所述噪声抑制图像与所述血管内超声图像进行融合,得到所述目标图像。
3.根据权利要求2所述的方法,其特征在于,所述将所述噪声抑制图像与所述血管内超声图像进行融合,得到所述目标图像,包括:
获取针对于所述血管内超声图像的第一权重,以及针对于所述噪声抑制图像的第二权重;
基于所述第一权重和所述第二权重对所述血管内超声图像和所述噪声抑制图像进行加权,得到所述目标图像;
其中,所述第一权重和所述第二权重之和为1。
4.根据权利要求1所述的方法,其特征在于,所述获取待处理的血管内超声图像,包括:
获取待处理的原始血管内超声图像;
对所述原始血管内超声图像进行预处理,得到经过预处理的所述血管内超声图像。
5.根据权利要求4所述的方法,其特征在于,所述对所述原始血管内超声图像进行预处理,得到经过预处理的所述血管内超声图像,包括:
对所述原始血管内超声图像中的噪声进行初始滤波,得到滤波图像;
对所述滤波图像进行增强处理,得到增强图像;
对所述增强图像进行伽马变换处理,得到所述血管内超声图像。
6.根据权利要求5所述的方法,其特征在于,所述对所述滤波图像进行增强处理,得到增强图像,包括:
对所述滤波图像进行分块处理,得到各个分块图像以及各个分块图像对应的灰度值;
基于各个所述灰度值对相应的所述分块图像进行增强处理,生成所述增强图像。
7.根据权利要求1所述的方法,其特征在于,所述基于预设血管识别模型对所述血管内超声图像进行血管识别,得到所述血管内超声图像的血管区域,包括:
通过所述预设血管识别模型对所述血管内超声图像进行血管分割,得到血管分割结果;
基于所述血管分割结果,确定所述血管内超声图像的血管区域以及非血管区域。
8.一种血流噪声的抑制装置,其特征在于,包括:
获取模块,用于获取待处理的血管内超声图像;
血管识别模块,用于基于预设血管识别模型对所述血管内超声图像进行血管识别,得到所述血管内超声图像的血管区域;其中,所述预设血管识别模型基于血管内超声图像样本和血管区域样本训练得到;
噪声抑制模块,用于对所述血管区域进行血流噪声抑制,生成目标图像。
9.一种超声设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-7任一项所述的血流噪声的抑制方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行权利要求1-7任一项所述的血流噪声的抑制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310261066.5A CN116385286A (zh) | 2023-03-10 | 2023-03-10 | 血流噪声的抑制方法、装置、超声设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310261066.5A CN116385286A (zh) | 2023-03-10 | 2023-03-10 | 血流噪声的抑制方法、装置、超声设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116385286A true CN116385286A (zh) | 2023-07-04 |
Family
ID=86976093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310261066.5A Pending CN116385286A (zh) | 2023-03-10 | 2023-03-10 | 血流噪声的抑制方法、装置、超声设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116385286A (zh) |
-
2023
- 2023-03-10 CN CN202310261066.5A patent/CN116385286A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11379975B2 (en) | Classification and 3D modelling of 3D dento-maxillofacial structures using deep learning methods | |
CN110706246B (zh) | 一种血管图像分割方法、装置、电子设备和存储介质 | |
CN110232383B (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
CN107644225A (zh) | 肺部病灶识别方法、装置和实现装置 | |
CN110473243B (zh) | 基于深度轮廓感知的牙齿分割方法、装置及计算机设备 | |
CN111598862B (zh) | 一种乳腺钼靶图像的分割方法、装置、终端及存储介质 | |
CN110176010B (zh) | 一种图像检测方法、装置、设备及存储介质 | |
CN112419271A (zh) | 一种图像分割方法、装置及计算机可读存储介质 | |
CN110443254B (zh) | 图像中金属区域的检测方法、装置、设备和存储介质 | |
CN112862835A (zh) | 冠脉血管分割方法、装置、设备及计算机可读存储介质 | |
CN112836653A (zh) | 人脸隐私化方法、设备、装置及计算机存储介质 | |
CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
CN111166362A (zh) | 医学图像的显示方法及装置、存储介质及电子设备 | |
CN115100494A (zh) | 一种病灶图像的识别方法、装置、设备及可读存储介质 | |
CN113077418A (zh) | 基于卷积神经网络的ct影像骨骼分割方法及装置 | |
CN112529918A (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 | |
Sachdeva et al. | Automatic segmentation and area calculation of optic disc in ophthalmic images | |
CN117011318A (zh) | 一种牙齿ct图像三维分割方法、系统、设备及介质 | |
CN116385286A (zh) | 血流噪声的抑制方法、装置、超声设备及可读存储介质 | |
CN114648463A (zh) | 一种灰度图像动态范围调整方法、装置、设备及介质 | |
CN113724264B (zh) | 图像分割方法、系统和可读存储介质 | |
CN113096117A (zh) | 异位骨化ct图像分割方法、三维重建方法、装置 | |
CN111275719A (zh) | 钙化假阳识别及其模型训练的方法、装置、终端及介质 | |
CN112767375B (zh) | 基于计算机视觉特征的oct图像分类方法及系统、设备 | |
CN112907708B (zh) | 人脸卡通化方法、设备及计算机存储介质 |
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 |