CN116528770A - 用于分析超声图像的方法和系统 - Google Patents

用于分析超声图像的方法和系统 Download PDF

Info

Publication number
CN116528770A
CN116528770A CN202180075506.7A CN202180075506A CN116528770A CN 116528770 A CN116528770 A CN 116528770A CN 202180075506 A CN202180075506 A CN 202180075506A CN 116528770 A CN116528770 A CN 116528770A
Authority
CN
China
Prior art keywords
image
interest
quality assessment
segmentation
features
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
CN202180075506.7A
Other languages
English (en)
Inventor
A·奥利维尔
C·D·F·雷诺
C·乔福洛-法伊特
L·鲁埃
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.)
Koninklijke Philips NV
Original Assignee
Koninklijke Philips NV
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 Koninklijke Philips NV filed Critical Koninklijke Philips NV
Publication of CN116528770A publication Critical patent/CN116528770A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Clinical applications
    • A61B8/0866—Clinical applications involving foetal diagnosis; pre-natal or peri-natal diagnosis of the baby
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
    • A61B8/461—Displaying means of special interest
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30044—Fetus; Embryo
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Pregnancy & Childbirth (AREA)
  • Gynecology & Obstetrics (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

一种分析超声图像的方法涉及根据已经在所述图像中识别出了哪些感兴趣特征来评估所述图像的质量，以及评估与所述图像的分割的质量有关的分割质量。这两个质量评估被组合以导出和输出从图像获得的生物计量测量测量的总体质量评估。

Description

用于分析超声图像的方法和系统
技术领域
本发明涉及超声成像领域，例如，其涉及胎儿超声成像的领域。
背景技术
对来自例如通过胎儿超声扫描捕获的超声图像的特征进行自动测量是常见的临床实践。测量通常涉及使用分割算法对图像进行分割以识别感兴趣特征，然后执行生物计量测量。胎儿测量的示例是例如腹围和颈项透明层。
基于深度学习的算法在解决此类分割和生物计量测量任务方面非常有效。
要执行的生物计量测量通常需要遵循严格的图像采集指南。一些解剖结构必须在所采集的图像中可见，并且它们的尺寸或比例可以由相同的指南指定。
在当前的临床实践中，用户或软件在应用分割和生物计量测量之前选择被认为适合生物计量测量的帧。因此，帧选择和生物计量测量是独立的任务。
这导致进行生物计量测量的过程效率低下。
发明内容
本发明由权利要求所限定。
根据本发明的一个方面的示例，提供了一种分析超声图像的方法，包括：
接收具有感兴趣特征的成像区域的超声图像；
对所述超声图像进行分割以识别感兴趣特征；
对所述图像中存在的感兴趣特征执行生物计量测量；
生成与所述分割的质量有关的分割质量评估；
针对所述图像生成图像内容质量评估，所述图像内容质量评估至少与所述图像中已经识别出的感兴趣特征有关；
组合所述分割质量评估和所述图像内容质量评估，以导出针对所述生物计量测量的总体质量评估；并且
输出所述总体质量评估。
该方法执行分割以识别超声图像中的感兴趣特征。使用已知方法来评估分割的质量。例如，这可以针对所述分割创建质量分数、或置信度水平或置信度图。此外，还进行了图像内容质量评估。这涉及确定图像有多符合采集指南。它基于对至少一组感兴趣的特定解剖特征的存在的评估，但任选地基于那些特征的诸如尺寸、取向等的其他参数。图像内容质量评估并不独立于分割，并且实际上它依赖于分割来评估图像内容。总体质量指示表明是否(或在何种程度上)可以依赖所述生物计量测量。因此，考虑到图像是否满足标准化图像采集要求，向用户提供了生物测定测量的质量的简单指示。
图像内容质量评估涉及图像内容是否适合用于执行正在执行的特定生物计量测量。分割质量评估可以应用于图像的各个像素，并且任选地可以为整幅图像生成整体分割质量分数。
该方法可以包括输出图像内容质量评估以及任选地还输出与低图像内容质量评估的原因有关的信息。
通过输出图像内容质量评估以及总体质量评估，用户知道总体质量低的原因是否是图像内容。图像内容质量评估低的原因例如是无法在图像中识别出特定感兴趣特征。
生成图像内容质量评估可能包括识别感兴趣特征的存在，以及以下中的一项或多项：
识别感兴趣特征之间的对齐；
识别一个或多个感兴趣特征的尺寸；
确定感兴趣特征之间的尺寸比率；
识别一个或多个感兴趣特征的取向；
识别一个或多个感兴趣特征的形状；
识别由一个或多个感兴趣特征所占据的图像的比例。
感兴趣特征的这些特性决定了所述图像是否适合进行所述生物计量测量。它们是使用分割算法获得的。
总体评估可以包括所述生物测定测量的置信度水平。
导出分割质量评估可以包括生成置信度图。然后可以显示图像，其中置信度图被叠加在所述图像上。
这使用户能够在视觉上识别何处图像分割可能不可靠，使得他们还可以判断可以放置在生物计量测量上的可靠性。
该方法例如用于分析胎儿超声图像。
胎儿成像有严格的图像采集指南需要遵循，这些指南定义了适合特定生物计量测量的图像。
感兴趣特征，特别是胎儿腹部扫描，则优选地包括以下中的一项或多项：
脊柱；
脐静脉；
胃；
心脏；
肾；
腹部部分。
当然，其他类型的扫描也会对其他特征感兴趣。
在胎儿生物测定中，取决于超声图像的解剖结构(图像是头部还是腹部)，感兴趣测量结果可以包括头部或腹部的周长、双顶径和/或枕额径。腹围通常与头围和股骨长度组合使用，以确定胎儿的体重和年龄。这些测量结果可以例如允许确定头部指数和/或股骨长度与腹围之间的比率，因为这些是可以指示胎儿的健康的众所周知的测量结果。
在一个特定示例中，生物计量测量包括颈项透明层测量，并且在另一示例中，生物计量测量额外地或替代地包括腹围测量。
在该方法的所有可能使用中，执行分割、生成分割质量评估和生成图像内容质量评估可以使用深度学习来执行，例如使用深度神经网络(DNN)，例如一个或多个随机深度神经网络网络。
深度学习能够以快速可靠的方式执行分割和图像内容分析。
本发明还提供了一种包括计算机程序代码单元的计算机程序，当所述计算机程序在计算机上运行时，所述计算机程序代码单元适于实现如上所述方法。还提供了用于分析胎儿超声图像的处理器，所述处理器包括存储计算机程序的存储器。
本发明还提供一种超声成像系统，包括：
超声探头，其适于采集成像区域的超声图像；
显示器；以及
如上所述的处理器。
附图说明
为了更好地理解本发明，并且更清楚地示出其如何被付诸实践，现在将仅通过示例的方式参考附图，其中，
图1示出了处理器执行的用于分析图像的方法步骤；
图2示出了如何评估图像以确定其是否符合指南；
图3示出了如何评估图像以显示分割质量；
图4示出了分析图像的方法；并且
图5示出了超声系统。
具体实施方式
将参考附图来描述本发明。
应当理解，详细说明和具体示例虽然指示了设备、系统和方法的示例性实施例，但是仅旨在用于说明的目的，而并不旨在限制本发明的范围。根据以下说明、所附权利要求书和附图，将更好地理解本发明的设备、系统和方法的这些和其他特征、方面和优点。应该理解，附图仅是示意性的，并且未按比例绘制。还应该理解，贯穿附图，使用相同的附图标记来表示相同或相似的部分。
本发明提供了一种分析超声图像的方法，所述方法包括：至少在所述图像中识别出哪些感兴趣特征方面评估所述图像的质量，以及评估与所述图像的分割的质量有关的分割质量。这两个质量评估被组合以导出和输出从图像获得的生物计量测量测量的总体质量评估。这使得用户能够被告知生物测定测量的可靠性。
图1示出了该方法中涉及的各种功能单元。各种功能都由超声成像系统的处理器执行，
该方法的目的是进行生物测定测量，并且还指示那些测量的可靠性。
接收具有感兴趣特征的成像区域的超声图像10。对于胎儿成像，感兴趣特征例如包括以下中的一项或多项：
脊柱；
脐静脉；
胃；
心脏；
肾；
腹部部分。
超声图像被提供给图像处理算法12。这执行图像分割以识别和测量感兴趣特征。然后，图像处理算法还根据图像分割来执行生物计量测量。
图像处理算法涉及两个质量评估过程。第一过程14涉及确定图像内容的质量。该质量与图像是否适合用于进行要执行的特定生物计量测量有关。
为此，使用了实践指南16。胎儿超声中的生物计量测量通常需要遵循严格的图像采集指南。一些解剖结构必须在所采集的图像中可见，并且它们的尺寸或比例可以由相同的指南指定。这些条件由实践指南16规定。
在步骤18中，指南被转换为图像处理规则。因此，图像处理规则例如规定图像中需要哪些感兴趣特征，并且图像内容的质量取决于已识别的特征。
在步骤20中确定图像的图像内容质量评估。这可以被认为是“图像质量得分”。
执行图像内容质量评估包括如上所述地识别感兴趣特征的存在，并且它优选地包括以下附加步骤中的一个或多个：
识别感兴趣特征之间的对齐；
识别一个或多个感兴趣特征的尺寸；
确定感兴趣特征之间的尺寸比率；
识别一个或多个感兴趣特征的取向；
识别一个或多个感兴趣特征的形状；
识别由一个或多个感兴趣特征所占据的图像的比例。
感兴趣特征的这些特性决定了所述图像是否适合进行所述生物计量测量。它们是基于分割获得的。
举例来说，在下面解释一些基于图像的指南，以及使用图像处理来实施指南的方式。
对于结构的存在，图像处理涉及检测和分类。
为了确定结构之间的对齐，图像处理执行定位和姿态估计。
为了确定尺寸和尺寸比率，图像处理涉及感兴趣区域的分割和识别。
为了确定取向，图像处理涉及定位、分割和姿态估计。
还可以使用额外的元数据，例如由用户提供的或从其他图像导出的，涉及对象(患者)年龄区间、对象尺寸区间和对象体重区间中的一个或多个。
现在将介绍可以将一些特定指南转换为图像处理规则的方式，涉及胎儿成像的特定示例。
第一个示例是颈项透明层(NT)测量。
例如，指南规定：
(i)NT应在11周至13周+6天之间测量，对应于45至84毫米之间的冠臀长(CRL)。
图像处理涉及对相应图像的CRL测量。这可以通过姿态估计模型或分割技术来实现。(ii)胎儿应处于中性位置(没有过度伸展或弯曲的颈部)。
图像处理用于通过分割超声透过空间来评估颅骨和脊柱区域后部没有曲率。然后，该超声透过空间的边界应该具有低于容差阈值的曲率。
(iii)胎儿面部正中观的矢状面特征是存在鼻尖回声、腭呈矩形、中间的半透明间脑和后部颈膜。
这些要求可以使用对象检测架构进行评估，例如“你只看一次”对象检测(YOLO)或基于具有卷积神经网络的区域的对象检测(RCNN)。
(iv)图像应放大至全屏头部和胸部(≥75％的图像)。
这可以使用头部和胸部分割(例如使用U-Net)来实现
第二个示例是腹围(AC)测量。
例如，指南规定：
(i)胃的存在，与脊柱对齐的小脐静脉，没有肾脏也没有心脏。
可以通过对象检测(YOLO、RCNN)来检测解剖结构的存在和不存在。
(ii)腹部部分应尽可能呈圆形。
这可以通过腹部分割处理(U-Net)来确定。
给用户的输出可以指示满足或不满足指南的情况。例如，可以对图像进行注释以显示所需特征的存在并突出显示缺失的特征或没有得以满足的条件。
图2在顶部示出了满足AC测量要求的图像——存在脊柱、脐静脉和胃，其中，脊柱和UV对齐。
图2在底部示出了不符合AC测量要求的图——不存在UV，并且因此未确认与脊柱对齐。
第二过程22涉及在步骤24中生成与分割质量相关的分割质量评估。这可以被认为是“分割质量得分”。分割质量评估可以应用于图像的各个像素，并且任选地可以为整幅图像生成整体分割质量分数。
图像内容质量评估和分割质量评估使用相同的图像处理算法12，因此它们不是独立的。
例如，分割质量评估涉及建立置信度(或确定性/不确定性)分数和/或置信度图
为了建立置信度分数，可以使用DeVries,T.,&Taylor,G.W.(2018),"LeveragingUncertainty Estimates for Predicting Segmentation Quality"(arXiv:18707.00502)的方法。这种方法在测试期间使用蒙特卡罗丢弃(MC-dropout)，而它通常在训练网络时使用。Mc-dropout包括随机删除从一层到另一层的连接中的一部分。在训练期间，使用MC-dropout降低了模型在训练数据上过度拟合的风险，因为它在网络预测中包含了一些随机行为。然而，MC-dropout通常在测试期间被移除，因为用户想要一个确定性的预测，最好利用网络中所有可用的连接。
因此，在测试期间使用MC-dropout将构建随机模型。通过使用MC-dropout对同一模型进行N次推断，可以获得具有随机行为的模型，其使得能够生成置信度图。
针对每个像素的平均预测为：
其中，ρn(x)是针对网络n在像素x处的预测。(1)
如果分割模型有C类(例如：胃、心脏、脐静脉)，则针对每个像素的不确定性为：
如果只有一个类别被分割，则方程(2)被写作具有两个类别：前景和背景。
z(x)＝-f(x)log(f(x))-(1-f(x))log(1-f(x))(3)
M＝∫1f(x)>0,5dx是分割区域
ME＝∫z(x)dx是平均熵分数
C＝M/ME是置信度分数
可以在上面的参考资料中找到更多详细信息。
请注意，这只是从神经网络输出构建置信度分数的一种可能方法。也可以使用集成(ensemble)方法和概率分割网络。
针对颈项透明层分割的分割质量评估的结果如图3所示。
左图显示原始图像，中间图像显示声波空间分割，并且右图显示置信度图，其中突出示出了不确定区域。置信度图信息被叠加在图像上。
最上面的一组图像在置信度图上示出了少量突出显示的像素，因此置信度得分很高，并且DNN对生物计量预测的质量是有信心的。
底部图像集在置信度图上显示大量突出显示的像素，因此置信度得分较低，并且DNN对生物计量预测的质量没有信心。警告用户并要求其执行人工审核。还可以向用户提供数字或图形置信度分数。
底部图像的不确定性图具有比顶部图像更大的不确定性高的区域。
一些指南的制定不仅基于感兴趣特征的存在，而且还基于对感兴趣框架中可见结构形状的限制，例如腹部的圆形部分、胎儿颈部的中性位置(不是弯曲或过度伸展)。因此，与相应分割相关的置信度图也可用于评估形状对指南的依从情况。例如，如果腹部被分割为圆形，但置信度得分较低，则反映对指南的依从情况的相关得分会相应降低。
返回图1，在步骤26中，分割质量评估和图像内容质量评估被组合，得出生物计量测量的总体质量评估。总体质量评估是输出。此外，可以输出图像内容质量评估(图像质量分数)以及任选地还有关于低的图像内容质量评估的原因的信息。
通过输出图像内容质量评估以及(或者作为其部分)总体质量评估，用户知道图像内容中总体质量低的原因。图像内容质量评估低的原因例如是无法在图像中识别出特定感兴趣特征。以这种方式，向用户呈现两条信息。帧质量评估(或分数)指示当前帧遵循标准准则的程度，并且可以向用户提供有关准则的哪些部分未得以遵守的详细信息。总体质量评估是对系统输出的生物测定测量的置信度水平的估计。
可以输出两幅图像，一幅包含有关图像质量的信息(例如图2)，另一幅显示置信度图(例如图3)。这两幅图像组合在一起时可以被视为构成总体质量评估。然而，优选地存在对生物测定测量的置信度的总体评估的额外的单独的数字或文本描述。
总之，本发明的处理器实现了一种方法，通过该方法使用分割来识别超声图像中感兴趣特征。使用已知方法来评估分割的质量。例如，这可以针对所述分割创建质量分数、或置信度水平或置信度图。此外，还进行了图像内容质量评估。这涉及确定图像有多符合采集指南。它基于对至少一组感兴趣的特定解剖特征的存在的评估，但任选地基于那些特征的诸如尺寸、取向等的其他参数。总体评估可以包括所述生物测定测量的置信度水平。
图像处理算法例如包括深度学习算法，例如随机深度神经网络。因此，所述方法基于与自动测量有关的两个观察结果，例如在胎儿超声中。基于深度学习的算法在解决分割任务(许多测量都依赖于此)方面非常有效，但结果可能难以解读。本发明首先提供了对分割输出的置信度进行评分的指标。然而，所述方法还确保测量输出(基于输入帧的分割)具有足够高的置信度。因此，总体质量分数提供了分割结果置信度(分割质量置信度分数)以及匹配实践指南的置信度(图像质量分数)的组合。
然而，这两个分数是相关的，因为它们来自与上述相同的分割算法。事实上，在大多数情况下，为了检查图像是否符合指南，必须对相同的结构进行分割以进行生物计量测量和验证是否符合指南。
图4示出了由处理器执行的方法。所述方法包括：
在步骤30中，接收具有感兴趣特征的成像区域的超声图像；
在步骤32中，对超声图像执行分割以识别感兴趣特征；
在步骤34中，对图像中存在的感兴趣特征执行生物计量测量；
在步骤36中，生成与分割质量有关的分割质量评估；
在步骤38中，针对所述图像生成图像内容质量评估，所述图像内容质量评估至少与所述图像中已经识别出的感兴趣特征有关；
在步骤40中，组合所述分割质量评估和所述图像内容质量评估，以导出针对所述生物计量测量的总体质量评估；并且
在步骤42中，输出总体质量评价。
图5示出了超声系统，其包括适于采集成像区域的超声图像的探头50、显示器54和被编程为执行上述功能的处理器52。
如上所述，系统利用处理器来执行数据处理。处理器可以用软件和/或硬件以多种方式实现，以执行所需的各种功能。处理器通常采用一个或多个微处理器，可以使用软件(例如，微代码)对其进行编程，以执行所需的功能。处理器可以实现为用于执行一些功能的专用硬件与用于执行其他功能的一个或多个编程的微处理器和相关联的电路的组合。
可以在本公开的各种实施例中使用的电路的范例包括但不限于，常规微处理器，专用集成电路(ASIC)和现场可编程门阵列(FPGA)。
在各种实现方式中，处理器可以与一个或多个存储介质相关联，诸如易失性和非易失性计算机存储器，诸如RAM，PROM，EPROM和EEPROM。存储介质可以编码有一个或多个程序，所述程序当在一个或多个处理器和/或控制器上运行时执行所需的功能。各种存储介质可以固定在处理器或控制器内，或者可以是可转移的，使得存储在其上的一个或多个程序可以加载到处理器中。
本领域技术人员通过研究附图、公开内容以及权利要求书，在实践请求保护的本发明时能够理解并且实现对所公开的实施例的变型。在权利要求中，“包括”一词不排除其他元件或步骤，并且词语“一”或“一个”不排除多个。单个处理器或其他单元可以完成权利要求书中所记载的若干个项目的功能。尽管特定措施是在互不相同的从属权利要求中记载的，但是这并不指示不能有利地使用这些措施的组合。可以将计算机程序存储/分布在与其它硬件一起提供或者作为其它硬件的部分提供的诸如光存储介质或者固态介质的合适介质上，但是还可以以诸如经因特网或者其它有线或无线电信系统的其它形式分布。权利要求书中的任何附图标记均不应被解释为对范围的限制。

Claims (15)

1.一种分析超声图像的方法，包括：
(30)接收具有感兴趣特征的成像区域的超声图像；
(32)对所述超声图像执行分割以识别所述感兴趣特征；
(34)对所述图像中存在的所述感兴趣特征执行生物计量测量；
(36)生成与所述分割的质量有关的分割质量评估；
(38)针对所述图像生成图像内容质量评估，所述图像内容质量评估至少与所述图像中已经识别出的感兴趣特征有关；
(40)组合所述分割质量评估和所述图像内容质量评估，以导出针对所述生物计量测量的总体质量评估；并且
(42)输出所述总体质量评估。
2.根据权利要求1所述的方法，包括：输出所述图像内容质量评估以及任选地还输出与针对低的图像内容质量评估的原因有关的信息。
3.根据权利要求1或2所述的方法，其中，生成所述图像内容质量评估包括：识别感兴趣特征的存在，以及以下中的一项或多项：
识别感兴趣特征之间的对齐；
识别一个或多个感兴趣特征的尺寸；
确定感兴趣特征之间的尺寸比率；
识别一个或多个感兴趣特征的取向；
识别一个或多个感兴趣特征的形状；
识别由一个或多个感兴趣特征所占据的图像的比例。
4.根据权利要求1至3中的任一项所述的方法，其中，所述总体评估包括所述生物计量测量的置信度水平。
5.根据权利要求1至4中的任一项所述的方法，其中，导出分割质量评估包括生成置信度图。
6.根据权利要求5所述的方法，其中，所述方法包括显示所述图像，其中，所述置信度图被叠加在所述图像上。
7.根据权利要求1至6中的任一项所述的方法，用于分析胎儿超声图像。
8.根据权利要求7所述的方法，其中，所述感兴趣特征包括以下中的一项或多项：
脊柱；
脐静脉；
胃；
心脏；
肾；
腹部部分。
9.根据权利要求7或8所述的方法，其中，所述生物计量测量包括颈项透明层测量。
10.根据权利要求7或8所述的方法，其中，所述生物计量测量包括腹围测量。
11.根据权利要求1至10中的任一项所述的方法，其中，执行所述分割、生成所述分割质量评估和生成所述图像内容质量评估是使用深度学习来执行的。
12.根据权利要求11所述的方法，其中，执行所述分割、生成所述分割质量评估和生成所述图像内容质量评估由单个随机深度学习神经网络执行。
13.一种包括计算机程序代码单元的计算机程序，当所述计算机程序在计算机上运行时，所述计算机程序代码单元适于实现根据权利要求1至12中的任一项所述的方法。
14.一种用于分析胎儿超声图像的处理器(52)，包括存储有根据权利要求13所述的计算机程序的存储器。
15.一种超声成像系统，包括：
超声探头(50)，其适于采集成像区域的超声图像；
显示器(54)；以及
根据权利要求14所述的处理器(52)。
CN202180075506.7A 2020-11-09 2021-11-03 用于分析超声图像的方法和系统 Pending CN116528770A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP20290076 2020-11-09
EP20290076.7 2020-11-09
PCT/EP2021/080428 WO2022096471A1 (en) 2020-11-09 2021-11-03 Methods and systems for analyzing ultrasound images

Publications (1)

Publication Number Publication Date
CN116528770A true CN116528770A (zh) 2023-08-01

Family

ID=73694937

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180075506.7A Pending CN116528770A (zh) 2020-11-09 2021-11-03 用于分析超声图像的方法和系统

Country Status (4)

Country Link
US (1) US20230401719A1 (zh)
EP (1) EP4241239A1 (zh)
CN (1) CN116528770A (zh)
WO (1) WO2022096471A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20240050069A1 (en) * 2022-08-10 2024-02-15 EchoNous, Inc. Systems and methods for automated ultrasound image recording based on quality scores
US12016731B2 (en) * 2022-10-18 2024-06-25 Fujifilm Sonosite, Inc. Ultrasound credentialing system
WO2024120917A1 (en) * 2022-12-05 2024-06-13 Koninklijke Philips N.V. Determining a target view
EP4383210A1 (en) * 2022-12-05 2024-06-12 Koninklijke Philips N.V. Determining a target view
EP4446977A1 (en) 2023-04-11 2024-10-16 Koninklijke Philips N.V. Processing a medical image

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020038781A1 (en) * 2018-08-23 2020-02-27 Koninklijke Philips N.V. Biometric measurement and quality assessment

Also Published As

Publication number Publication date
EP4241239A1 (en) 2023-09-13
WO2022096471A1 (en) 2022-05-12
US20230401719A1 (en) 2023-12-14

Similar Documents

Publication Publication Date Title
CN116528770A (zh) 用于分析超声图像的方法和系统
US12125261B2 (en) Systems and methods for probabilistic segmentation in anatomical image processing
CN109035187B (zh) 一种医学图像的标注方法及装置
CN111932559B (zh) 基于深度学习的新冠肺炎肺部病灶区域分割系统
CN111696083B (zh) 一种图像处理方法、装置、电子设备及存储介质
CN111340827A (zh) 一种肺部ct影像数据处理分析方法及系统
US20170181730A1 (en) Ultrasound imaging apparatus
CN108038875B (zh) 一种肺部超声图像识别方法和装置
JP5098393B2 (ja) 関心領域決定装置
Stern et al. Fully automatic bone age estimation from left hand MR images
CN111932492B (zh) 一种医学图像处理方法、装置及计算机可读存储介质
CA3110581C (en) System and method for evaluating the performance of a user in capturing an image of an anatomical region
CN118319374A (zh) 一种超声成像方法及设备
CN115954101A (zh) 一种基于ai舌诊图像处理的健康度管理系统及管理方法
US9436889B2 (en) Image processing device, method, and program
KR20160062819A (ko) 갑상선암 자동 판별 방법 및 시스템
KR20210054140A (ko) 내시경 영상에 대한 복수의 의료 영상 판독 알고리듬들을 이용하는 의료 영상 판독 지원 장치 및 방법
CN112184623A (zh) 脊柱椎体的椎间隙分析方法、设备和存储介质
CN116168029A (zh) 一种用于评估肋骨骨折的方法、设备和介质
US20220148172A1 (en) System and method for detecting medical conditions
CN113450306B (zh) 提供骨折检测工具的方法
CN116205929A (zh) 一种超声融合成像方法及设备、存储介质
CN112002406A (zh) 基于置信度的结节显示方法及计算设备
US20230099284A1 (en) System and method for prognosis management based on medical information of patient
CN117633272A (zh) 超声图像处理方法、装置、计算机设备和存储介质

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