CN116596797A - 图像处理方法和装置 - Google Patents

图像处理方法和装置 Download PDF

Info

Publication number
CN116596797A
CN116596797A CN202310629156.5A CN202310629156A CN116596797A CN 116596797 A CN116596797 A CN 116596797A CN 202310629156 A CN202310629156 A CN 202310629156A CN 116596797 A CN116596797 A CN 116596797A
Authority
CN
China
Prior art keywords
radio frequency
frequency data
image
data image
point spread
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
CN202310629156.5A
Other languages
English (en)
Inventor
何好
张金骜
刘斌
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.)
Sonosemi Medical Co Ltd
Original Assignee
Sonosemi Medical 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 Sonosemi Medical Co Ltd filed Critical Sonosemi Medical Co Ltd
Priority to CN202310629156.5A priority Critical patent/CN116596797A/zh
Publication of CN116596797A publication Critical patent/CN116596797A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
    • 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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image

Landscapes

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

Abstract

本发明提供了一种图像处理方法和装置，包括：获取待处理的超声基频的第一射频数据图像；确定第一射频数据图像对应的第一点扩散函数，基于第一点扩散函数对第一射频数据图像进行盲去卷积得到第二射频数据图像；基于第二射频数据图像生成第二超声图像；确定第二射频数据图像对应的第二点扩散函数，基于第一点扩散函数和第二点扩散函数对第一射频数据图像和第二射频数据图像进行联合盲去卷积得到第三射频数据图像；基于第三射频数据图像生成第三超声图像；基于第二超声图像和第三超声图像生成最终超声图像。该方式中，在仅使用超声基频图像信息的条件下，同时提升空间分辨率和降低散斑噪声，没有增加额外的硬件要求或图像采集操作。

Description

图像处理方法和装置
技术领域
本发明涉及超声成像技术领域，尤其是涉及一种图像处理方法和装置。
背景技术
超声成像是目前最常用的医学成像模态之一，其在疾病诊断方面得到了广泛应用。但同时，由于超声换能器所固有的有限频带宽度，其成像结果也受到低空间分辨率和散斑噪声的困扰，使其图像质量降低且不利于图像进一步处理，造成机体组织辨识困难，标记测量结果欠佳，影响超声诊断结果。
为了提升超声图像的空间分辨率，当前已存在若干方法，然而，现有的图像处理方法存在一定的局限性：超声设备的硬件要求和图像采集的操作复杂度过高、无法在仅存在一幅超声基波频率(或基频)图像信息的情况下对其空间分辨率进行提升、提升空间分辨率的效果有限、无法在降低散斑噪声的同时提升空间分辨率等。
为改善机体组织辨识和提升超声诊断结果，需要提升超声图像的空间分辨率和降低散斑噪声，改善超声图像质量。
发明内容
有鉴于此，本发明的目的在于提供一种图像处理方法和装置，以在仅使用超声基频图像信息的条件下，同时提升空间分辨率和降低散斑噪声，没有增加额外的硬件要求或图像采集操作，可以便捷地融入到已有的超声图像处理流程中。
第一方面，本发明实施例提供了一种图像处理方法，方法包括：获取待处理的超声基频的第一射频数据图像；确定第一射频数据图像对应的第一点扩散函数，基于第一点扩散函数对第一射频数据图像进行盲去卷积得到第二射频数据图像；基于第二射频数据图像生成第二超声图像；确定第二射频数据图像对应的第二点扩散函数，基于第一点扩散函数和第二点扩散函数对第一射频数据图像和第二射频数据图像进行联合盲去卷积得到第三射频数据图像；基于第三射频数据图像生成第三超声图像；基于第二超声图像和第三超声图像生成最终超声图像。
在本申请可选的实施例中，通过以下算式基于第一点扩散函数对第一射频数据图像进行盲去卷积得到第二射频数据图像： 其中，yA为第一射频数据图像，yB为第二射频数据图像，p(yB|yA)为基于标准最大后验估计在yA中寻求yB的最大后验分布，HA为基于第一点扩散函数构成的块循环矩阵。
在本申请可选的实施例中，通过以下算式确定第二射频数据图像：其中，μB为可调参数。
在本申请可选的实施例中，通过以下算式基于第一点扩散函数和第二点扩散函数对第一射频数据图像和第二射频数据图像进行联合盲去卷积得到第三射频数据图像： 其中，yA为第一射频数据图像，yB为第二射频数据图像，yC为第三射频数据图像，(yC|yA,yB)为基于标准最大后验估计在yA和yB中寻求yC的最大后验分布，HA为基于第一点扩散函数构成的块循环矩阵，HB为基于第二点扩散函数构成的块循环矩阵。
在本申请可选的实施例中，通过以下算式确定第三射频数据图像： 其中，μC为可调参数。
在本申请可选的实施例中，上述基于第二射频数据图像生成第二超声图像的步骤，包括：对第二射频数据图像进行信号处理，得到第二超声图像；上述基于第三射频数据图像生成第三超声图像的步骤，包括：对第三射频数据图像进行信号处理，得到第三超声图像；其中，信号处理包括包络检测。
在本申请可选的实施例中，上述基于第二超声图像和第三超声图像生成最终超声图像的步骤，包括：对第二超声图像和第三超声图像的像素数值进行归一化操作并对相同像素位置的像素数值进行加权求和，得到最终超声图像。
在本申请可选的实施例中，上述确定第一射频数据图像对应的第一点扩散函数的步骤，包括：基于参数化先验模型的估算方法或非参数化同态滤波的估算方法确定第一射频数据图像对应的第一点扩散函数；上述确定第二射频数据图像对应的第二点扩散函数的步骤，包括：基于参数化先验模型的估算方法或非参数化同态滤波的估算方法确定第二射频数据图像对应的第二点扩散函数。
在本申请可选的实施例中，上述确定第一射频数据图像对应的第一点扩散函数的步骤，包括：将预先设置的第一已知点扩散函数作为第一射频数据图像对应的第一点扩散函数；上述确定第二射频数据图像对应的第二点扩散函数的步骤，包括：将预先设置的第二已知点扩散函数作为第二射频数据图像对应的第二点扩散函数。
第二方面，本发明实施例还提供一种图像处理装置，装置包括：第一射频数据图像获取模块，用于获取待处理的超声基频的第一射频数据图像；第二超声图像生成模块，用于确定第一射频数据图像对应的第一点扩散函数，基于第一点扩散函数对第一射频数据图像进行盲去卷积得到第二射频数据图像；基于第二射频数据图像生成第二超声图像；第三超声图像生成模块，用于确定第二射频数据图像对应的第二点扩散函数，基于第一点扩散函数和第二点扩散函数对第一射频数据图像和第二射频数据图像进行联合盲去卷积得到第三射频数据图像；基于第三射频数据图像生成第三超声图像；最终超声图像生成模块，用于基于第二超声图像和第三超声图像生成最终超声图像。
本发明实施例带来了以下有益效果：
本发明实施例提供一种图像处理方法和装置，获取待处理的超声基频的第一射频数据图像；确定第一射频数据图像对应的第一点扩散函数，基于第一点扩散函数对第一射频数据图像进行盲去卷积得到第二射频数据图像；基于第二射频数据图像生成第二超声图像；确定第二射频数据图像对应的第二点扩散函数，基于第一点扩散函数和第二点扩散函数对第一射频数据图像和第二射频数据图像进行联合盲去卷积得到第三射频数据图像；基于第三射频数据图像生成第三超声图像；基于第二超声图像和第三超声图像生成最终超声图像。该方式中，在仅使用超声基频图像信息的条件下，同时提升空间分辨率和降低散斑噪声，没有增加额外的硬件要求或图像采集操作，可以便捷地融入到已有的超声图像处理流程中。
本公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本公开的上述技术即可得知。
为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
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为本发明实施例提供的一种图像处理方法的流程图；
图2为本发明实施例提供的一种图像处理方法的示意图；
图3为本发明实施例提供的另一种血管内图像处理方法的流程图；
图4为本发明实施例提供的另一种图像处理方法的示意图；
图5为本发明实施例提供的一种血管内图像处理装置的结构示意图；
图6为本发明实施例提供的一种电子设备的结构示意图。
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，下面将结合附图对本发明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。
目前，超声成像是目前最常用的医学成像模态之一，其在疾病诊断方面得到了广泛应用。但同时，由于超声换能器所固有的有限频带宽度，其成像结果也受到低空间分辨率和散斑噪声的困扰，使其图像质量降低且不利于图像进一步处理，造成机体组织辨识困难，标记测量结果欠佳，影响超声诊断结果。
为了提升超声图像的空间分辨率，当前已存在若干方法，例如使用二次谐波成像(Second Harmonic Imaging)，动态聚焦相控阵系统(Dynamically Focused Phased ArraySystem)和空间复合法(Spatial Compounding)。但是，以上方法不可避免地提高了超声设备的硬件要求和图像采集的操作复杂度，无法在仅存在一幅超声基波频率(或基频(Fundamental Frequency))图像信息的情况下对其空间分辨率进行提升。
在仅存在超声基频图像信息的情况下，当前也已有若干增强空间分辨率的方法，例如对超声基频的图像信息使用二维盲去卷积(2D Blind Deconvolution)。其作用方式是基于射频信号信息，对一幅超声射频图像估算其成像系统的点扩散函数(Point SpreadFunction)，随后，使用去卷积法对该超声射频图像进行重建，生成重建后的超声图像，增强轴向和横向空间分辨率。但是，由于该操作仅对基频的超声射频图像进行重建，其提升空间分辨率的效果有限。另一种已有的方法是在上述基于基频的二维盲去卷积操作中增加二次谐波成像的射频图像信息，提升空间分辨率和超声图像的重建效果。但是，采用二次谐波成像不可避免地提高了超声设备的硬件要求和提取二次谐波图像的算法要求。
超声成像结果不仅受到低空间分辨率的影响同时也受到散斑噪声的困扰。为了降低超声图像中的散斑噪声，当前也已存在若干方法，例如使用频率分集技术(FrequencyDiversity Technique)，空间复合法和滤波法(Filtering Approach)。但是，上述方法均无法在降低散斑噪声的同时提升空间分辨率。
鉴于上述方法存在的局限性，为改善机体组织辨识和提升超声诊断结果，需要提升超声图像的空间分辨率和降低散斑噪声，改善超声图像质量。
基于此，本发明实施例提供的一种图像处理方法和装置，具体提供了一个在仅使用超声基频图像信息的条件下，可同时提升空间分辨率和降低散斑噪声的方法，也没有增加额外的硬件要求或图像采集操作，可以便捷地融入到已有的超声图像处理流程中。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种图像处理方法进行详细介绍。
实施例一：
本发明实施例提供一种图像处理方法，参见图1所示的一种图像处理方法的流程图，该图像处理方法包括如下步骤：
步骤S102，获取待处理的超声基频的第一射频数据图像。
参见图2所示的一种图像处理方法的示意图，本实施例可以先获取待处理的一幅超声基频的第一射频数据图像yA。
本实施例中的输入仅使用了一幅超声基频的第一射频数据图像yA，没有增加额外的硬件要求或图像采集操作，可便捷地融入到已有的超声图像处理流程中。
步骤S104，确定第一射频数据图像对应的第一点扩散函数，基于第一点扩散函数对第一射频数据图像进行盲去卷积得到第二射频数据图像；基于第二射频数据图像生成第二超声图像。
如图2所示，在获取第一射频数据图像yA之后，本实施例可以估算该第一射频数据图像yA的二维点扩散函数，称为第一点扩散函数PSFA。基于第一点扩散函数PSFA对第一射频数据图像yA进行盲去卷积，产生新的第二射频数据图像yB。处理第二射频数据图像yB可以生成新的第二超声图像USB。
步骤S106，确定第二射频数据图像对应的第二点扩散函数，基于第一点扩散函数和第二点扩散函数对第一射频数据图像和第二射频数据图像进行联合盲去卷积得到第三射频数据图像；基于第三射频数据图像生成第三超声图像。
如图2所示，在生成第二射频数据图像yB之后，本实施例可以估算该第二射频数据图像yB的二维点扩散函数，称为第二点扩散函数PSFB。基于第一点扩散函数PSFA和第二点扩散函数PSFB对第一射频数据图像yA和第二射频数据图像yB进行二维联合盲去卷积，产生新的空间分辨率提升的第三射频数据图像yC。处理第三射频数据图像yC可以生成新的第三超声图像USC。
步骤S108，基于第二超声图像和第三超声图像生成最终超声图像。
如图2所示，本实施例可以将第二超声图像USB和第三超声图像USC进行处理，得到最终超声图像。
第二超声图像USB和第三超声图像USC均比由原始基频的第一射频数据图像yA生成的第一超声图像USA有着更高的空间分辨率。因此，使用由第二超声图像USB和第三超声图像USC生成的最终超声图像USD会比原始的第一超声图像USA有着更高的空间分辨率。
一幅超声射频数据图像A通常可被认为是由理想超声系统采集的一幅图像B与实际超声系统的点扩散函数C进行卷积并添加噪声而得，图像A相较图像B通常是模糊的，是由于点扩散函数C中包含了物理衍射。去卷积的目的在于，在已知A和C的情况下，重建不受衍射影响的清晰的超声图像B。
基于上述原理，第二射频数据图像yB在第一射频数据图像yA的基础上获得，第三射频数据图像yC在第一射频数据图像yA和第二射频数据图像yB的基础上获得，因此，由第二射频数据图像yB和第三射频数据图像yC得到的第二超声图像USB和第三超声图像USC会比原始的第一超声图像USA清晰。使用第二超声图像USB和第三超声图像USC生成的最终超声图像USD会比原始的第一超声图像USA有着更高的空间分辨率。
由于第二超声图像USB和第三超声图像USC分别由二维盲去卷积得到的第二射频数据图像yB和二维联合盲去卷积得到的第三射频数据图像yC生成，因此第二超声图像USB和第三超声图像USC具有不同的散斑噪声。基于此，基于第二超声图像USB和第三超声图像USC生成最终超声图像USD，可以降低散斑噪声。
本发明实施例提供一种图像处理方法，获取待处理的超声基频的第一射频数据图像；确定第一射频数据图像对应的第一点扩散函数，基于第一点扩散函数对第一射频数据图像进行盲去卷积得到第二射频数据图像；基于第二射频数据图像生成第二超声图像；确定第二射频数据图像对应的第二点扩散函数，基于第一点扩散函数和第二点扩散函数对第一射频数据图像和第二射频数据图像进行联合盲去卷积得到第三射频数据图像；基于第三射频数据图像生成第三超声图像；基于第二超声图像和第三超声图像生成最终超声图像。该方式中，在仅使用超声基频图像信息的条件下，同时提升空间分辨率和降低散斑噪声，没有增加额外的硬件要求或图像采集操作，可以便捷地融入到已有的超声图像处理流程中。
实施例二：
本实施例提供了另一种血管内图像处理方法，该方法在上述实施例的基础上实现，参见图3所示的另一种血管内图像处理方法的流程图，本实施例中的血管内图像处理方法包括如下步骤：
步骤S302，获取待处理的超声基频的第一射频数据图像。
步骤S304，确定第一射频数据图像对应的第一点扩散函数，基于第一点扩散函数对第一射频数据图像进行盲去卷积得到第二射频数据图像；基于第二射频数据图像生成第二超声图像。
具体地，本实施例可以对第二射频数据图像进行信号处理，得到第二超声图像。对应地，本实施例还可以对第三射频数据图像进行上述信号处理，得到第三超声图像；其中，信号处理包括包络检测。本实施例中的射频数据图像需要经过信号处理，使其转换成通常所见的超声图像。上述信号处理可以使用包络检测。
本实施例中可以使用二维盲去卷积对原始基频的第一射频数据图像(N为图像像素个数)进行图像重建计算，生成新的第二射频数据图像/>第二射频数据yB是基于求解如下代价函数得到的，通过以下算式基于第一点扩散函数对第一射频数据图像进行盲去卷积得到第二射频数据图像：
其中，log[…]为对数运算，‖…‖为向量的模。yA为第一射频数据图像，yB为第二射频数据图像，p(yB|yA)为基于标准最大后验估计(Maximum-a-Posteriori，MAP)在yA中寻求yB的最大后验分布(Posterior Distribution)，HA为基于第一点扩散函数构成的块循环矩阵，[p(yB)]为先验概率，来自于贝叶斯统计学。
求解上述公式可以转化为求解最小值问题，即通过以下算式确定第二射频数据图像：其中，μB为一个可调参数。
具体地，本实施例可以基于参数化先验模型的估算方法或非参数化同态滤波的估算方法确定第一射频数据图像对应的第一点扩散函数。对应的，本实施例还可以基于参数化先验模型的估算方法或非参数化同态滤波的估算方法确定第二射频数据图像对应的第二点扩散函数。
另外需要说明的是，本实施例中可以使用任意二维点扩散函数估算方法对二维点扩散函数进行估算，例如：基于参数化先验模型的估算方法或基于非参数化同态滤波的估算方法。
步骤S306，确定第二射频数据图像对应的第二点扩散函数，基于第一点扩散函数和第二点扩散函数对第一射频数据图像和第二射频数据图像进行联合盲去卷积得到第三射频数据图像；基于第三射频数据图像生成第三超声图像。
本实施例中可以使用二维联合盲去卷积对第一射频数据图像yA和第二射频数据图像yB进行图像重建计算，共同生成新的第三射频数据图像yC。
新生成的第三射频数据图像yC不仅包含有原始基频的第一射频数据图像yA的信息，也包含有空间分辨率提升后的第二射频数据图像yB的信息，因此新生成的yC相较于yB具有更好的超声图像重建效果。同时，由第三射频数据图像yC生成的第三超声图像USC也具有和由第二射频数据图像yB生成的第二超声图像USB不同的散斑噪声。因此，通过图像复合的方式(例如加权求和)可以在合并后的超声图像中降低散斑噪声的干扰。
具体地，第三射频数据yC是基于求解如下代价函数计算得出的，通过以下算式基于第一点扩散函数和第二点扩散函数对第一射频数据图像和第二射频数据图像进行联合盲去卷积得到第三射频数据图像：
其中，yA为第一射频数据图像，yB为第二射频数据图像，yC为第三射频数据图像，p(yC|yA,yB)为基于标准最大后验估计在yA和yB中寻求yC的最大后验分布，HA为基于第一点扩散函数构成的块循环矩阵，HB为基于第二点扩散函数构成的块循环矩阵。
求解上述公式可以转化为求解最小值问题，即通过以下算式确定第三射频数据图像： 其中，μC为可调参数。
本实施例中可以使用迭代优化法计算二维联合盲去卷积计算中的最小值问题。本实施例可以将yC的最小值问题重写为 其中，μC为可调参数。
对上述公式使用如下步骤一至步骤七进行迭代求解：
步骤一：初始化μC和β为用户输入的大于零的参数，初始化u0＝w0＝z0＝yA，初始化λ0＝0。其中β为一个可调参数，λ为拉格朗日乘数(Lagrangian Multipliers)的向量变量右上的角标用来指示当前迭代次数为k并初始化k＝0。
步骤二：计算uk+1，可得
其中，I是N×N的单位矩阵，F和F*分别是二维傅里叶和傅里叶逆变换矩阵，ΘA＝diag(FPSFA)和ΘB＝diag(FPSFB)，其中diag(…)为对角矩阵。
步骤三：计算wk+1，采用软阈值表示，可得
步骤四：计算zk+1，可得
步骤五：计算λk+1，可得
步骤六：计算代价函数在迭代次数k+1时的值rk+1，可写为
步骤七：如果rk+1与rk的差值绝对值小于设定的阈值(本实施例中可以为10-4)，则结束计算。如果大于设定的阈值，则返回步骤二，计算下一迭代的变量值，直到rk+1与rk差值的绝对值小于设定的阈值，计算结束。
同理，在前述的二维盲去卷积计算中，可将yB *的最小值问题重写为其中，μB为可调参数。使用上述相同步骤(步骤一至步骤七)进行求解，其中z0＝0，ΘB＝0，HB＝0。
步骤S308，对第二超声图像和第三超声图像的像素数值进行归一化操作并对相同像素位置的像素数值进行加权求和，得到最终超声图像。
如图2所示，本实施例中可以对第二超声图像USB和第三超声图像USC的像素数值进行归一化操作并在相同像素位置进行加权求和生成新的最终超声图像USD＝USB+USC。本实施例中可以进行以下设置：α＝β＝0.5。
这里需要说明的是，通过归一化生成的最终超声图像USD，由于由第二超声图像USB和第三超声图像USC合并获得，因此具有与第二超声图像USB和第三超声图像USC相似的清晰度。然而，第二超声图像USB和第三超声图像USC的清晰度均高于原始的第一超声图像USA的清晰度，因此，最终超声图像USD的清晰度相比于原始的第一超声图像USA也会提高。并且，通过上述在相同像素位置使用加权求和的方式可降低输出的最终超声图像USD中的散斑噪声。
另外需要说明的是，本实施例提供的图像处理方法不仅适用于处理一幅超声图像，也适用于处理多幅超声图像。
当给定一幅超声基频的射频数据图像时，可直接使用前述步骤提供的图像处理方法。第一点扩散函数PSFA和第二点扩散函数PSFB可使用任意二维点扩散函数估算方法计算得到，或者也可以使用用户输入的该成像系统的已知点扩散函数。
当给定多幅超声基频的射频数据图像时(例如录制的多幅超声图像或实时采集的连续超声图像)，同样可使用前述步骤提供的图像处理方法。然而，前述步骤提供的方法中需要对每一幅超声射频数据图像中的二维点扩散函数进行估算，由此在处理多幅图像时会产生较高计算成本，造成计算时间延长。
因此，本实施例可以将预先设置的第一已知点扩散函数作为第一射频数据图像对应的第一点扩散函数；将预先设置的第二已知点扩散函数作为第二射频数据图像对应的第二点扩散函数。
参见图4所示的另一种图像处理方法的示意图，图4中变量右上的角标用来指示该图像为当前第i幅超声图像。该流程与图2的不同在于该流程使用了首次估算的二维点扩散函数和/>分别作为第一已知点扩散函数和第二已知点扩散函数，而非基于第i幅超声射频图像/>和/>所估算的/>和/>
图4示出的方法基于的假设是在成像设备相同的条件下，二维点扩散函数PSFA和PSFB在多幅超声图像中被认为是恒定的，即和/>图4示出的方法的优势在于只需要估算首次二维点扩散函数/>和/>而不需要对每张超声图像重新计算该幅的点扩散函数，因此减少了计算时间，提升了多幅超声图像的处理速度。
实施例三：
对应于上述方法实施例，本发明实施例提供了一种血管内图像处理装置，参见图5所示的一种血管内图像处理装置的结构示意图，该血管内图像处理装置包括：
第一射频数据图像获取模块51，用于获取待处理的超声基频的第一射频数据图像；
第二超声图像生成模块52，用于确定第一射频数据图像对应的第一点扩散函数，基于第一点扩散函数对第一射频数据图像进行盲去卷积得到第二射频数据图像；基于第二射频数据图像生成第二超声图像；
第三超声图像生成模块53，用于确定第二射频数据图像对应的第二点扩散函数，基于第一点扩散函数和第二点扩散函数对第一射频数据图像和第二射频数据图像进行联合盲去卷积得到第三射频数据图像；基于第三射频数据图像生成第三超声图像；
最终超声图像生成模块54，用于基于第二超声图像和第三超声图像生成最终超声图像。
本发明实施例提供一种图像处理装置，获取待处理的超声基频的第一射频数据图像；确定第一射频数据图像对应的第一点扩散函数，基于第一点扩散函数对第一射频数据图像进行盲去卷积得到第二射频数据图像；基于第二射频数据图像生成第二超声图像；确定第二射频数据图像对应的第二点扩散函数，基于第一点扩散函数和第二点扩散函数对第一射频数据图像和第二射频数据图像进行联合盲去卷积得到第三射频数据图像；基于第三射频数据图像生成第三超声图像；基于第二超声图像和第三超声图像生成最终超声图像。该方式中，在仅使用超声基频图像信息的条件下，同时提升空间分辨率和降低散斑噪声，没有增加额外的硬件要求或图像采集操作，可以便捷地融入到已有的超声图像处理流程中。
上述第二超声图像生成模块，用于通过以下算式基于第一点扩散函数对第一射频数据图像进行盲去卷积得到第二射频数据图像：其中，yA为第一射频数据图像，yB为第二射频数据图像，p(yB|yA)为基于标准最大后验估计在yA中寻求yB的最大后验分布，HA为基于第一点扩散函数构成的块循环矩阵。
上述第二超声图像生成模块，用于通过以下算式确定第二射频数据图像：其中，μB为可调参数。
上述第三超声图像生成模块，用于通过以下算式基于第一点扩散函数和第二点扩散函数对第一射频数据图像和第二射频数据图像进行联合盲去卷积得到第三射频数据图像： 其中，yA为第一射频数据图像，yB为第二射频数据图像，yC为第三射频数据图像，p(yC|yA,yB)为基于标准最大后验估计在yA和yB中寻求yC的最大后验分布，HA为基于第一点扩散函数构成的块循环矩阵，HB为基于第二点扩散函数构成的块循环矩阵。
上述第三超声图像生成模块，用于通过以下算式确定第三射频数据图像： 其中，μC为可调参数。
上述第二超声图像生成模块，用于对第二射频数据图像进行信号处理，得到第二超声图像；上述第三超声图像生成模块，用于对第三射频数据图像进行信号处理，得到第三超声图像；其中，信号处理包括包络检测。
上述最终超声图像生成模块，用于对第二超声图像和第三超声图像的像素数值进行归一化操作并对相同像素位置的像素数值进行加权求和，得到最终超声图像。
上述第二超声图像生成模块，用于基于参数化先验模型的估算方法或非参数化同态滤波的估算方法确定第一射频数据图像对应的第一点扩散函数；上述第三超声图像生成模块，用于基于参数化先验模型的估算方法或非参数化同态滤波的估算方法确定第二射频数据图像对应的第二点扩散函数。
上述第二超声图像生成模块，用于将预先设置的第一已知点扩散函数作为第一射频数据图像对应的第一点扩散函数；上述第三超声图像生成模块，用于将预先设置的第二已知点扩散函数作为第二射频数据图像对应的第二点扩散函数。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的血管内图像处理装置的具体工作过程，可以参考前述的血管内图像处理方法的实施例中的对应过程，在此不再赘述。
实施例四：
本发明实施例还提供了一种电子设备，用于运行上述血管内图像处理方法；参见图6所示的一种电子设备的结构示意图，该电子设备包括存储器100和处理器101，其中，存储器100用于存储一条或多条计算机指令，一条或多条计算机指令被处理器101执行，以实现上述血管内图像处理方法。
进一步地，图6所示的电子设备还包括总线102和通信接口103，处理器101、通信接口103和存储器100通过总线102连接。
其中，存储器100可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线102可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器101可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器100，处理器101读取存储器100中的信息，结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述血管内图像处理方法，具体实现可参见方法实施例，在此不再赘述。
本发明实施例所提供的血管内图像处理方法和装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和/或装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种图像处理方法，其特征在于，所述方法包括：
获取待处理的超声基频的第一射频数据图像；
确定所述第一射频数据图像对应的第一点扩散函数，基于所述第一点扩散函数对所述第一射频数据图像进行盲去卷积得到第二射频数据图像；基于所述第二射频数据图像生成第二超声图像；
确定所述第二射频数据图像对应的第二点扩散函数，基于所述第一点扩散函数和所述第二点扩散函数对所述第一射频数据图像和所述第二射频数据图像进行联合盲去卷积得到第三射频数据图像；基于所述第三射频数据图像生成第三超声图像；
基于所述第二超声图像和所述第三超声图像生成最终超声图像。
2.根据权利要求1所述的方法，其特征在于，通过以下算式基于所述第一点扩散函数对所述第一射频数据图像进行盲去卷积得到第二射频数据图像：
其中，yA为所述第一射频数据图像，yB为所述第二射频数据图像，p(yB|A)为基于标准最大后验估计在yA中寻求yB的最大后验分布，HA为基于所述第一点扩散函数构成的块循环矩阵。
3.根据权利要求2所述的方法，其特征在于，通过以下算式确定第二射频数据图像：
其中，μB为可调参数。
4.根据权利要求1所述的方法，其特征在于，通过以下算式基于所述第一点扩散函数和所述第二点扩散函数对所述第一射频数据图像和所述第二射频数据图像进行联合盲去卷积得到第三射频数据图像：
其中，yA为所述第一射频数据图像，yB为所述第二射频数据图像，yC为所述第三射频数据图像，p(yC|yA,yB)为基于标准最大后验估计在yA和yB中寻求yC的最大后验分布，HA为基于所述第一点扩散函数构成的块循环矩阵，HB为基于所述第二点扩散函数构成的块循环矩阵。
5.根据权利要求4所述的方法，其特征在于，通过以下算式确定第三射频数据图像：
u＝w＝yC，z＝HByC；其中，μC为可调参数。
6.根据权利要求1所述的方法，其特征在于，基于所述第二射频数据图像生成第二超声图像的步骤，包括：对所述第二射频数据图像进行信号处理，得到第二超声图像；
基于所述第三射频数据图像生成第三超声图像的步骤，包括：对所述第三射频数据图像进行所述信号处理，得到第三超声图像；其中，所述信号处理包括包络检测。
7.根据权利要求1所述的方法，其特征在于，基于所述第二超声图像和所述第三超声图像生成最终超声图像的步骤，包括：
对所述第二超声图像和所述第三超声图像的像素数值进行归一化操作并对相同像素位置的像素数值进行加权求和，得到最终超声图像。
8.根据权利要求1所述的方法，其特征在于，确定所述第一射频数据图像对应的第一点扩散函数的步骤，包括：基于参数化先验模型的估算方法或非参数化同态滤波的估算方法确定所述第一射频数据图像对应的第一点扩散函数；
确定所述第二射频数据图像对应的第二点扩散函数的步骤，包括：基于参数化先验模型的估算方法或非参数化同态滤波的估算方法确定所述第二射频数据图像对应的第二点扩散函数。
9.根据权利要求1所述的方法，其特征在于，确定所述第一射频数据图像对应的第一点扩散函数的步骤，包括：将预先设置的第一已知点扩散函数作为所述第一射频数据图像对应的第一点扩散函数；
确定所述第二射频数据图像对应的第二点扩散函数的步骤，包括：将预先设置的第二已知点扩散函数作为所述第二射频数据图像对应的第二点扩散函数。
10.一种图像处理装置，其特征在于，所述装置包括：
第一射频数据图像获取模块，用于获取待处理的超声基频的第一射频数据图像；
第二超声图像生成模块，用于确定所述第一射频数据图像对应的第一点扩散函数，基于所述第一点扩散函数对所述第一射频数据图像进行盲去卷积得到第二射频数据图像；基于所述第二射频数据图像生成第二超声图像；
第三超声图像生成模块，用于确定所述第二射频数据图像对应的第二点扩散函数，基于所述第一点扩散函数和所述第二点扩散函数对所述第一射频数据图像和所述第二射频数据图像进行联合盲去卷积得到第三射频数据图像；基于所述第三射频数据图像生成第三超声图像；
最终超声图像生成模块，用于基于所述第二超声图像和所述第三超声图像生成最终超声图像。
CN202310629156.5A 2023-05-30 2023-05-30 图像处理方法和装置 Pending CN116596797A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310629156.5A CN116596797A (zh) 2023-05-30 2023-05-30 图像处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310629156.5A CN116596797A (zh) 2023-05-30 2023-05-30 图像处理方法和装置

Publications (1)

Publication Number Publication Date
CN116596797A true CN116596797A (zh) 2023-08-15

Family

ID=87589724

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310629156.5A Pending CN116596797A (zh) 2023-05-30 2023-05-30 图像处理方法和装置

Country Status (1)

Country Link
CN (1) CN116596797A (zh)

Similar Documents

Publication Publication Date Title
Singh et al. Feature enhancement in medical ultrasound videos using contrast-limited adaptive histogram equalization
Santos et al. Ultrasound image despeckling using stochastic distance-based BM3D
EP2085927B1 (en) Constrained iterative blind deconvolution
Vedula et al. Towards CT-quality ultrasound imaging using deep learning
CN110800019B (zh) 用于复合超声图像生成的方法和系统
CN110533738B (zh) 重建数据处理方法、装置、医学成像系统及存储介质
US8139891B2 (en) System and method for structure enhancement and noise reduction in medical images
JP2016539707A (ja) 画像情報に基づく画像合成
Michailovich et al. Deconvolution of medical images from microscopic to whole body images
Farouj et al. Hyperbolic Wavelet-Fisz denoising for a model arising in Ultrasound Imaging
CN110490857B (zh) 图像处理方法、装置、电子设备和存储介质
CN111311531B (zh) 图像增强方法、装置、控制台设备及医学成像系统
CN110473297B (zh) 图像处理方法、装置、电子设备和存储介质
CN111862255A (zh) 正则化图像重建方法、系统、可读存储介质和设备
Ma et al. Edge-guided cnn for denoising images from portable ultrasound devices
CN116596797A (zh) 图像处理方法和装置
CN115439423B (zh) 一种基于ct图像的识别方法、装置、设备及存储介质
CN112184850B (zh) 图像处理方法、装置、控制台设备及ct系统
CN111369425B (zh) 图像处理方法、装置、电子设备和计算机可读介质
CN111242853A (zh) 基于光流处理的医学ct图像去噪方法
Mofidi et al. An adaptive parameter estimation in a BTV regularized image super-resolution reconstruction
Chumchob et al. An improved variational model and its numerical solutions for speckle noise removal from real ultrasound images
CN112053292B (zh) 医学图像的处理方法、处理装置及计算机可读存储介质
Chen et al. “One-Shot” Reduction of Additive Artifacts in Medical Images
Tamilkudimagal Squeeze box filter for contrast enhancement in ultrasound despeckling

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