CN116762093A - 超声检测方法和超声成像系统 - Google Patents
超声检测方法和超声成像系统 Download PDFInfo
- Publication number
- CN116762093A CN116762093A CN202080107963.5A CN202080107963A CN116762093A CN 116762093 A CN116762093 A CN 116762093A CN 202080107963 A CN202080107963 A CN 202080107963A CN 116762093 A CN116762093 A CN 116762093A
- Authority
- CN
- China
- Prior art keywords
- symmetry
- anatomical structure
- image
- region
- acquiring
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 100
- 238000003384 imaging method Methods 0.000 title abstract description 7
- 230000001605 fetal effect Effects 0.000 claims abstract description 135
- 210000004556 brain Anatomy 0.000 claims abstract description 94
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 210000003484 anatomy Anatomy 0.000 claims description 287
- 238000002604 ultrasonography Methods 0.000 claims description 216
- 238000000034 method Methods 0.000 claims description 122
- 239000000523 sample Substances 0.000 claims description 54
- 239000003550 marker Substances 0.000 claims description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 49
- 238000010801 machine learning Methods 0.000 claims description 41
- 210000001638 cerebellum Anatomy 0.000 claims description 27
- 210000003625 skull Anatomy 0.000 claims description 21
- 210000003754 fetus Anatomy 0.000 claims description 15
- 210000001103 thalamus Anatomy 0.000 claims description 15
- 238000012285 ultrasound imaging Methods 0.000 claims description 12
- 210000003140 lateral ventricle Anatomy 0.000 claims description 9
- 210000002987 choroid plexus Anatomy 0.000 claims description 7
- 238000002592 echocardiography Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 23
- 238000012549 training Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 16
- 238000011158 quantitative evaluation Methods 0.000 description 10
- 230000011218 segmentation Effects 0.000 description 8
- 210000000988 bone and bone Anatomy 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 238000003709 image segmentation Methods 0.000 description 5
- 210000001519 tissue Anatomy 0.000 description 5
- 206010020649 Hyperkeratosis Diseases 0.000 description 4
- 241000243684 Lumbricus Species 0.000 description 4
- 241000361919 Metaphire sieboldi Species 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000002490 cerebral effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 210000001259 mesencephalon Anatomy 0.000 description 4
- 229910052704 radon Inorganic materials 0.000 description 4
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 4
- 230000001131 transforming effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000035699 permeability Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 210000005240 left ventricle Anatomy 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 210000005241 right ventricle Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Radiology & Medical Imaging (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
一种超声检测方法和超声成像系统。超声检测方法包括:图像获取步骤(S110),获取胎儿颅脑的超声图像(400,1400);对称性标识获取步骤(S120),基于超声图像(400,1400)获取胎儿颅脑的对称性标识;对称性评估指引步骤(S130),获取位于对称性标识至少一侧的超声图像,基于至少一侧的超声图像获取胎儿颅脑关于对称性标识的对称性评估指引。根据获取胎儿颅脑的超声图像(400,1400),提供医生关于胎儿颅脑的对称性评估指引,帮助医生评估胎儿颅脑的对称性。
Description
说明书
本申请涉及医疗器械领域,更具体地涉及一种超声检测方法和超声成像系统。
超声作为现代医学影像技术中使用最广的检查手段,由于其使用安全、成本低廉、成像快速、可靠性高等优点被广泛应用于人类疾病的诊断中。超声辅助诊断技术的发展,进一步推动了超声在临床诊断中的实际应用,不仅扩大了超声技术的用途范围,更可以帮助医生提高检查精度以及效率,为患者提供了更加全面、个性化的治疗方案。
近年来,随着二胎政策的开放,新生儿的数量渐渐增长,为了保证胎儿的健康成长,早期检测就显得尤为重要。借助于超声技术,医生可以获取到胎儿颅脑的数据并作显示。由于颅脑是一种高度对称的结构,对称性是判断胎儿颅脑是否正常的一项重要指标,对异常胎儿的诊断具有重要的作用。另外,由于骨性结构的透声性较差,靠近骨头后方组织结构往往显示不清,使得颅脑图像近场(靠近超声探头一侧)信息丢失严重,在胎儿颅脑近场关键解剖结构检查时,医生只能通过临床经验并借助颅脑图像的远场(远离超声探头一侧)信息进行诊断,有很大的局限性和弊端,易造成误诊。
发明内容
为了解决上述问题中的至少一个而提出了本申请。本申请提供一种超声检测方法和超声成像系统,其可以在医生采集完胎儿颅脑的超声图像之后,帮助医生获得关于胎儿颅脑的对称性评估指引,为医生评估胎儿颅脑的对称性提供参考,或者基于对称性评估指引进行进一步的诊断。
第一方面,本申请的实施例提供一种超声检测方法,包括:
图像获取步骤,获取胎儿颅脑的超声图像;
对称性标识获取步骤,基于所述超声图像获取所述胎儿颅脑的对称性标识;
对称性评估指引步骤,获取位于所述对称性标识至少一侧的超声图像,基于所述至少一侧的超声图像获取所述胎儿颅脑关于所述对称性标识的对称性评估指引。
第二方面,本申请的实施例还提供一种超声检测方法,包括:
图像获取步骤,获取关于胎儿颅脑的超声图像;
对称性标识获取步骤,获取所述超声图像中所述胎儿颅脑的对称性标识;
识别步骤,在所述超声图像上识别至少一个至少部分位于所述对称性标识的一侧的解剖结构,获取所述解剖结构的轮廓或所述解剖结构所在的区域;
投影步骤,获取所述解剖结构的轮廓或所述解剖结构所在的区域关于所述对称性标识在所述对称性标识另一侧对称的投影标记;
显示步骤,显示所述投影标记。
第三方面,本申请的实施例还提供一种超声成像系统包括:
超声探头,用于受测胎儿颅脑发射超声波并接收超声回波,得到超声回波信号;
处理器,用于对超声回波信号进行处理,得到所述生物体组织的超声图像;
显示器,用于显示所述超声图像;
存储器,用于存储可执行的程序指令;
所述处理器,还用于基于所述可执行的程序指令执行上述第一方面或第二方面所述的超声检测方法。
本申请的实施例提供了一种解剖结构的超声检测方法、超声成像系统,基于采集的关于胎儿颅脑的超声图像,获得关于胎儿颅脑的对称性评估指引,为评估胎儿颅脑的对称性提供参考,或者基于对称性评估指引进行进一步的诊断。
图1示出根据本申请的一个实施例的超声检测方法的示意性流程图
图2示出根据本申请的一个实施例的超声成像系统的示意性框图;
图3示出根据本申请的一个实施例的超声检测方法中计算对称度的方法的示意性流程图;
图4示出根据本申请的一个实施例的超声检测方法中在显示器中显示的胎儿颅脑的超声图像的示意图;
图5示出根据本申请的一个实施例的超声检测方法中在显示器中将对称性标识显示在胎儿颅脑的超声图像中的示意图;
图6示出根据本申请的一个实施例的超声检测方法中在显示器中显示的胎儿颅脑的超声图像中获取感兴趣区域的示意图;
图7示出根据本申请的一个实施例的超声检测方法中在显示器中显示的胎儿颅脑的超声图像中获取解剖结构的示意图;
图8示出根据本申请的一个实施例的超声检测方法中获取对称性评估指引的方法的示意性流程图;
图9示出根据本申请的一个实施例的超声检测方法中在显示器中显示的胎儿颅脑的超声图像中显示投影标记的示意图;
图10示出根据本申请的一个实施例的超声检测方法中在显示器中显示的胎儿颅脑的超声图像中显示投影标记的示意图;
图11示出根据本申请的一个实施例的超声检测方法中在显示器中显示的胎儿颅脑的超声图像中区分显示投影标记的示意图;
图12示出根据本申请的一个实施例的超声检测方法的示意性流程图;
图13示出根据本申请的一个实施例的超声检测方法中在显示器中显示的胎儿颅脑的超声图像的示意图;
图14示出根据本申请的一个实施例的超声检测方法中在显示器中将对称性标识显示在胎儿颅脑的超声图像中的示意图;
图15示出根据本申请的一个实施例的超声检测方法中在显示器中显示的胎儿颅脑的超声图像中显示投影标记的示意图;
图16示出根据本申请的一个实施例的超声检测方法中在显示器中显 示的胎儿颅脑的超声图像中显示投影标记的示意图;
图17示出根据本申请的一个实施例的超声检测方法中在显示器中显示的胎儿颅脑的超声图像中区分显示投影标记的示意图。
为了使得本申请的目的、技术方案和优点更为明显,下面将参照附图详细描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请中描述的本申请实施例,本领域技术人员在没有付出创造性劳动的情况下所得到的所有其它实施例都应落入本申请的保护范围之内。
在下文的描述中,给出了大量具体的细节以便提供对本申请更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本申请可以无需一个或多个这些细节而得以实施。在其他的例子中,为了避免与本申请发生混淆,对于本领域公知的一些技术特征未进行描述。
应当理解的是,本申请能够以不同形式实施,而不应当解释为局限于这里提出的实施例。相反地,提供这些实施例将使公开彻底和完全,并且将本申请的范围完全地传递给本领域技术人员。
在此使用的术语的目的仅在于描述具体实施例并且不作为本申请的限制。在此使用时,单数形式的“一”、“一个”和“所述/该”也意图包括复数形式,除非上下文清楚指出另外的方式。还应明白术语“组成”和/或“包括”,当在该说明书中使用时,确定所述特征、整数、步骤、操作、元件和/或部件的存在,但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时,术语“和/或”包括相关所列项目的任何及所有组合。
为了彻底理解本申请,将在下列的描述中提出详细的步骤以及详细的结构,以便阐释本申请提出的技术方案,然而除了这些详细描述外,本申请还可以具有其他实施方式。
由于颅脑是一种高度对称的结构,对称性是判断胎儿颅脑是否正常的 一项重要指标,对异常胎儿的诊断具有重要的作用。据此,本申请的第一个实施例提供了一种超声检测方法,用于在医生采集完胎儿颅脑的超声图像之后,帮助医生获得关于胎儿颅脑的对称性评估指引,为医生评估胎儿颅脑的对称性提供参考。
图1示出了根据本申请的一个实施例的超声检测方法100。如图1所示,超声检测方法100可以包括如下步骤:
图像获取步骤S110,获取胎儿颅脑的超声图像。
图像获取步骤S110中,采用超声成像系统采集超声图像。参看图2示出了根据一个实施例的超声成像系统的示意性框图。其中,超声成像系统200包括超声探头201和图像处理单元202,图像处理单元包括处理器2022、存储器2021以及显示器2023。超声探头201用于向受测胎儿颅脑发射超声波并接收超声回波,得到超声回波信号。处理器2022用于对超声回波信号进行处理,得到关于胎儿颅脑的超声图像,并基于该超声图像对胎儿颅脑进行超声检测。存储器2021用于存储超声图像。显示器2023用于显示超声图像。
根据本申请的实施例中,图像获取步骤获取胎儿颅脑的超声图像,其中超声图像包括胎儿颅脑的二维图像,或者胎儿颅脑的三维图像。胎儿颅脑的二维图像通过调整胎儿体位、超声探头的位置等获得通过的胎儿颅脑的切面图像,例如小脑切面、侧室脑切面、丘脑切面等。参看图4,示出了根据本申请的一个实施例的超声检测方法中在显示器中显示的胎儿颅脑的超声图像的示意图。如图4所示,在胎儿颅脑的超声图像400中显示有胎儿颅脑的颅骨401和位于颅骨401内侧的解剖结构,其中包括:解剖结构402与解剖结构403,其中,箭头A显示超声探头发射超声波的方向。
对称性标识获取步骤S120,基于所述超声图像获取所述胎儿颅脑的对称性标识。
对称性标识获取步骤S120中,当超声图像为胎儿颅脑的二维图像时,对称性标识为对应于切面图像的脑中线,当超声图像为胎儿颅脑的三维图像时,对称性标识为对应于三维图像的正中矢状面。
在本申请的一个实施例中,在对称性标识获取步骤S120中,医生根据经验手动获取所述对称性标识。在一个示例中,当超声图像为胎儿颅脑的 二维图像时,获得二维图像的脑中线的方法采用通过在获取超声图像选取位于脑中线上的两个点并进行标记,连接这两个点形成直线,该直线作为脑中线。在另一个示例中,当超声图像为胎儿颅脑的三维图像时,获取正中矢状面的方法采用将医生通过手动旋转、平移等集合变换,从三维图像中三个互相正交的剖面图像中得到正中矢状面。
在本申请的一个实施例中,在对称性标识获取步骤S120中,采用处理器处理所述超声图像获得对称性标识。
在一个示例中,所述图像获取步骤包括获取胎儿颅脑的二维图像;在所述对称性标识获取步骤中,获取所述脑中线的方法包括以下至少一项:
通过直线检测算法在所述二维图像中确定脑中线;
通过结构检测算法在所述二维图像中检测特征解剖结构,将检测到的特征解剖结构拟合为直线,将拟合的所述直线确定为脑中线;
通过预训练的机器学习模型从所述二维图像中确定脑中线。
在一个示例中,所述图像获取步骤包括:获取胎儿颅脑的三维图像;
在所述对称性标识获取步骤中,获取所述正中矢状面的方法包括以下至少一项:
通过面检测算法在所述三维图像中确定正中矢状面;
通过结构检测算法所述三维图像中检测特征解剖结构,将检测到的特征解剖结构拟合为平面,将所述拟合的所述平面确定为正中矢状面;
通过预训练的机器学习模型从所述三维图像中确定正中矢状面。
示例性的,基于超声图像的图像特征,采用直线检测算法检测所述脑中线,或者采用平面检测算法检测所述正中矢状面。由于胎儿颅脑关于脑中线对称或胎儿颅脑的三维图像关于正中矢状面对称,在超声图像中的脑中线或正中矢状面往往具有明显的特征。基于该特征,采用直线检测方法检测二维图像的脑中线或者采用平面检测的方法检测三维图像的正中矢状面。例如,在获取脑中线的过程中,提取代表满足线上的灰度值大于两侧的灰度值的线的脑中线特征区域,根据提取的特征区域上的点进行直线检测;同样在获取正中矢状面的过程中,可以提取代表满足平面上的灰度值大于两侧的灰度值的面的正中矢状面特征区域,再根据平面检测算法获得正中矢状面。直线检测算法包括但不限于,Hough变换、LSD快速直线 检测算法、EDlines直线检测算法、Radon变换、LSWMS直线检测算法、CannyLines直线检测算法等。平面检测算法包括但不限于,加权Hough变换、随机Hough变换、Radon变换等。
示例性的,基于结构检测算法检测位于脑中线的特征解剖结构,对特征解剖结构进行直线拟合得到脑中线,或基于结构检测算法检测位于正中矢状面上的特征解剖结构,并对进行特征解剖结构进行平面拟合得到正中矢状面。例如,当获取的超声图像是胎儿颅脑的小脑切面时,位于脑中线上的特殊解剖结构包括小脑、透明隔腔、小脑蚓部等,当获取的超声图像是丘脑的切面图像时,位于脑中线上的特殊解剖结构包括丘脑、透明隔腔等,根据获得的小脑、透明隔腔和小脑蚓部或丘脑和透明隔腔对其上的点进行直线拟合得到脑中线。当获取的超声图像是胎儿颅脑的三维图像时,位于正中矢状面上的特征解剖结构包括胼胝体、小脑蚓部、透明隔腔等,通过对胼胝体、小脑蚓部、透明隔腔上的点进行平面拟合得到正中矢状面。常用的结构检测方法有包括但不限于,大津阈值算法(OSTU)、水平集(LevelSet)等算法。
示例性的,通过预训练的机器学习模型确定脑中线或正中矢状面。例如,通过预训练的机器学习确定脑中线的方法包括将所述超声图像作为输入数据输入至预训练的机器学习模型中进行计算以获得脑中线的直线方程作为输出数据,其中,预训练的机器学习模型采用包括至少一个已经标定了脑中线的直线方程的标定超声图像的预设数据库进行训练,在所述训练过程中,标定超声图像作为输入数据,所述标定超声图像的脑中线的直线方程作为输出数据,并且在训练机器学习模型的过程中对机器学习模型的模型参数进行优化。
以在二维图像中确定脑中线为例,训练机器学习模型以得到预训练的机器学习模型的步骤可以包括:1、构建训练样本库步骤:在极坐标系中,假设一条直线过点P(r,α),与极轴夹角为β,则该直线方程可表示为ρsin(β-θ)=rsin(β-α)。由此,可以构建颅脑切面与直线方程参数(r,α,β)一一对应的训练样本。其中,颅脑切面为输入数据,直线方程参数为输出的真值。2、网络设计与训练步骤:构建好训练样本库后,设计一种网络模型,回归拟合直线方程参数。网络的设计主要包括卷积层、池化层、激励层、 全连接层以及所设定的损失函数,通过对这些层进行组合、堆叠来学习训练样本中的特征。对于训练样本库中的任意一幅图像,输入所设计的网络模型,输出直线方程参数的估计值,利用估计值、真值以及所设计的损失函数对模型参数进行优化,从而训练模型,得到预训练的机器学习模型。常用的回归网络模型有AlexNet、VGGNet、GoogLeNet等,该方法包含但不仅限于上述网络模型结构。
在推理阶段,将待直线检测的颅脑切片图像输入至上述预训练的机器学习模型中,可实时得到直线方程参数,从而实现了二维图像中脑中线的检测。
在三维图像中检测正中矢状面的预训练的机器学习模型与在二维图像中检测脑中线的预训练机器学习模型类似,其训练过程可以为:首先构建训练样本库,之后设计一种回归网络模型,该模型的输入是颅脑三维数据,输出是平面方程参数,通过优化模型参数从而训练网络。在推理阶段,输入三维图像可实时得到对应平面方程参数,从而实现正中矢状面的检测。
在本申请的一个实施例中,获取对称性标识之后,在显示超声图像的显示器中显示对称性标识。例如,在一个示例中,在超声图像中突出显示对称性标识,例如采用明显区别于超声图像的颜色显示脑中线或正中矢状面。例如,在显示器显示超声图像的同时,在超声图像中将脑中线显示为红色直线,或者,将正中矢状面显示为红色阴影标记的平面。参看图5,示出了根据本申请的一个实施例中在显示器中将对称性标识显示在胎儿颅脑的超声图像中的示意图。如图5所示,在胎儿颅脑的超声图像400中将脑中线404显示为以虚线线型标识的直线。
对称性评估指引步骤S130,获取位于所述对称性标识至少一侧的超声图像,基于所述至少一侧的超声图像获取所述胎儿颅脑关于所述对称性标识的对称性评估指引。
对称性评估指引步骤S130,采用处理器基于超声图像的对称性标识,获得对胎儿颅脑的对称性评估指引,根据对称性评估指引,医生可以对胎儿颅脑关于对称性标识是否对称进行定性或者定量的评价,也可根据胎儿颅脑的对称性特征,指导医生进行关键解剖结构的识别和诊断。
在本申请的一个实施例中,对称性评估指引包括对称度,对称度可以 是胎儿颅脑关于对称性标识是否对称的定性评价,也可以是胎儿颅脑关于对称性标识是否对称的定量评价。在定性评价中,根据该对称度,医生可以直接知道胎儿颅脑是否对称或者对称性好或者不好,并判断胎儿颅脑发育是否正常。在定量评价中,医生获得评价胎儿颅脑关于对称性标识是否对称的评估数值,基于这一数值,医生可以判断胎儿颅脑发育是否正常。
在本申请的一个实施例中,如图3所示,计算对称度的方法300包括:
步骤S310,在所述对称性标识一侧获取第一区域超声图像;
步骤S320,根据所述第一区域超声图像获取位于所述对称性标识另一侧的第二区域超声图像,所述第一区域的形状和所述第二区域的形状关于所述对称性标识对称;
步骤S330,确定所述第一区域超声图像和所述第二区域超声图像关于所述对称性标识的对称度。
在一个示例中,在图像获取步骤S110中获取的超声图像足够清晰,而可以识别胎儿颅脑的全部区域的情况下,可以评价胎儿颅脑的全部区域的对称度。具体的,在计算对称度的过程中,在步骤S310中,在所述对称性标识一侧获取所述第一区域超声图像的方法包括:在所述超声图像中获取所述胎儿颅脑的颅骨,其中,将所述对称性标识一侧的所述颅骨包围的区域作为所述第一区域超声图像;接着,执行步骤S320和步骤S330。
在一个示例中,在所述超声图像中获取所述胎儿颅脑的颅骨的方法包括:基于灰度检测或分割的方法检测胎儿颅脑的颅骨,基于机器学习的方法检测胎儿颅脑的颅骨,或者基于深度学习的方法检测胎儿颅脑的颅骨。在一个示例中,在获取胎儿颅脑的颅骨之后在超声图像中显示颅骨光环。例如,如图5所示,获取所述胎儿颅脑的颅骨401,将颅骨401在脑中线404下方包围的区域作为第一区域超声图像;根据第一区域超声图像获取位于脑中线404上方的第二区域超声图像;最后,确定第一区域超声图像和第二区域超声图像关于所述对称性标识的对称度。
在一个示例中,在图像获取步骤S110中获取的超声图像不够清晰(例如,靠近探头一侧的胎儿颅脑的图像不清晰)以至于获取胎儿颅脑的全部区域计算对称度不具有评价意义,可以通过识别超声图像中至少部分区域为感兴趣的区域进行对称性评估,或者医生需要根据需要选择超声图像中 至少部分区域为感兴趣的区域进行对称性评估,进而计算感兴趣的区域的对称度。具体的,在计算对称度的过程中,在步骤S310中,在所述超声图像中获取感兴趣区域,所述感兴趣区域至少部分位于所述对称性标识的一侧,所述感兴趣区域位于所述对称性标识一侧的区域为所述第一区域超声图像;接着,执行步骤S320和步骤S330。
在一个示例中,获取感兴趣区域的方法可以通过处理器自动确定。示例性的,通过处理器识别超声图像中至少部分较为清晰的区域为感兴趣的区域。例如,处理器识别对称性标识靠近探头采集端的一侧颅脑的超声图像中清晰度的值高于一特定值的区域为感兴趣区域。示例性的,通过处理器截取超声图像中特征解剖结构可能位于的区域为感兴趣的区域。例如,基于特征解剖结构在胎儿颅脑中的区域的统计值,截取超声图像中对应于该统计值的区域作为感兴趣的区域,其中,特征解剖结构在颅脑中的区域的统计值包括但不限于特征解剖结构在胎儿颅脑中所在区域的最大概率统计值,以及其中,特征解剖结构在胎儿颅脑中所在区域至少一部分位于对称性标识的一侧。
在一个示例中,获取感兴趣区域的方法可以是医生手动截取感兴趣区域。图6示出了根据本申请的一个实施例中在显示器中显示的胎儿颅脑的超声图像中获取感兴趣区域的示意图。例如,如图6示,采用矩形框在胎儿颅脑的超声图像400中框定感兴趣区域405,感兴趣区域405部分位于脑中线404上方、部分位于脑中线404下方,将感兴趣区域405位于脑中线下方的部分设定为第一区域超声图像;接着,根据第一区域超声图像获取位于脑中线404上方的第二区域超声图像;最后,确定第一区域超声图像和第二区域超声图像关于所述对称性标识的对称度。
在一个示例中,在医生需要针对胎儿颅脑的解剖结构评价其关于对称性标识是否对称的情况下,选择超声图像中的特征解剖结构的区域计算对称度。具体的,在计算对称度的过程中,在步骤S310中,在所述对称性标识一侧获取所述第一区域超声图像的方法包括:在所述超声图像中识别至少一个第一解剖结构,所述至少一个第一解剖结构的至少部分位于所述对称性标识的一侧,所述至少一个第一解剖结构位于所述对称性标识一侧的区域为所述第一区域超声图像;接着,执行步骤S320和步骤S330。在一 个示例中,第一解剖结构位于对称性标识一侧。在另一个示例中,第一解剖结构部分位于对称性标识一侧,部分位于对称性标识另一侧。在一个示例中,第一解剖结构包括:小脑、侧脑室、脉络丛、大脑外侧裂、丘脑。在一个示例中,在所述超声图像中获取所述第一解剖结构的方法包括:基于灰度检测或分割的方法检测第一解剖结构,基于机器学习的方法检测第一解剖结构,或者基于深度学习的方法识别第一解剖结构。在一个示例中,基于在超声图像中获取所述第一解剖结构的方法,所述第一解剖结构位于所述对称性标识一侧的区域包括所述第一解剖结构的轮廓包围的区域,或包围所述第一解剖结构的边框包围的区域。
图7示出了根据本申请的一个实施例的超声检测方法中在显示器中显示的胎儿颅脑的超声图像中获取解剖结构的示意图。例如,如图7示,在胎儿颅脑的超声图像400中识别解剖结构402和403,解剖结构402和403均位于脑中线的下方,解剖结构402和403所在区域为第一区域超声图像;接着,根据第一区域超声图像获取位于脑中线404上方的第二区域超声图像;最后,确定第一区域超声图像和第二区域超声图像关于所述对称性标识的对称度。
在本申请的一个实施例中,若所采集的超声图像足够清晰,则可以在超声图像中位于对称性标识的两侧中任一侧的区域均可以作为第一区域超声图像。
在本申请的一个实施例中,若所采集的超声图像不够清晰。具体的,由于颅骨的骨性结构的透声性较差,在采集超声图像时,对应于靠近超声探头一侧的靠近骨头后方组织结构往往显示不清,表现为超声图像中对应于靠近超声探头一侧的信息丢失严重,而对应于远离超声探头一侧的信息较为清晰,为此,在所述对称性标识一侧获取第一区域超声图像包括在所述对称性标识远离超声探头采集端的一侧的超声图像中获取第一区域超声图像。例如,在步骤S310中,通过在所述超声图像中识别至少一个第一解剖结构以在所述对称性标识一侧获取所述第一区域超声图像的方法中,在所述对称性标识远离超声探头采集端的一侧的超声图像中识别第一解剖结构,所述第一解剖结构位于所述对称性标识一侧的区域为所述第一区域超声图像,这样可以对第一解剖结构的轮廓或第一解剖结构所在的区域进行 准确和清晰的识别,便于基于第一区域获取第二区域,并基于第一区域和第二区域确定对称度。
在本申请的一个实施例中,在对称性评估指引步骤S130中,确定所述第一区域超声图像和所述第二区域超声图像关于所述对称性标识的对称度的方法包括:计算所述第一区域超声图像和所述第二区域超声图像关于所述对称性标识的对称点处的灰度绝对差值和/或平方差值,基于所述灰度绝对差值和/或平方差值确定所述对称度。在一个示例中,直接将获得的灰度绝对差值和/或平方差值作为定量评价的对称度的数值显示在超声图像中。在一个示例中,将获得的灰度绝对差值和/或平方差值进行换算后得到作为定量评价的对称度的数值显示在超声图像中。例如,将获得的灰度绝对差值和/或平方差值与对应于对称度0-10(或者0-100、0-100%)的定量评价数值进行成比例换算。在一个示例中,将获得的灰度绝对差值和/或平方差值与预定的灰度绝对差阈值和/或平方差阈值进行对比,当灰度绝对差值和/或平方差值小于灰度绝对差阈值和/或平方差阈值时,输出对称度好的定性评价;反之,则输出对称度不好的定性评价。
在本申请的一个实施例中,在对称性评估指引步骤S130中,确定所述第一区域超声图像和所述第二区域超声图像关于所述对称性标识的对称度的方法包括:计算所述第一区域超声图像和所述第二区域超声图像的结构相似度,基于所述结构相似度确定所述对称度。在一个示例中,直接将获得的结构相似度值作为定量评价的对称度的数值显示在超声图像中。在一个示例中,将获得的结构相似度值进行换算后得到作为定量评价的对称度的数值显示在超声图像中。例如,将获得的结构相似度值与对应于对称度0-10(或者0-100、0-100%)的定量评价数值进行成比例换算。在一个示例中,将获得的结构相似度值与预定的结构相似度阈值进行对比,当结构相似度值小于结构相似度阈值时,输出对称度好的定性评价;反之,则输出对称度不好的定性评价。
在本申请的一个实施例中,在对称性评估指引步骤S130中,确定所述第一区域超声图像和所述第二区域超声图像关于所述对称性标识的对称度的方法包括:计算所述第一区域超声图像和所述第二区域超声图像的相关比,基于所述相关比确定所述对称度。在一个示例中,直接将获得的相关 比值作为定量评价的对称度的数值显示在超声图像中。在一个示例中,将获得的相关比值进行换算后得到作为定量评价的对称度的数值显示在超声图像中。例如,将获得的相关比值与对应于对称度0-10(或者0-100、0-100%)的定量评价数值进行成比例换算。在一个示例中,将获得的相关比值与预定的相关比阈值进行对比,当相关比值小于相关比阈值时,输出对称度好的定性评价;反之,则输出对称度不好的定性评价。
在本申请的实施例中,对称度的计算主要利用了相似性度量方法。例如,L1和L2范数利用像素间的灰度绝对差值和平方误差进行相似性的度量;相关比(Correlation Ratio)通过衡量两个向量间的函数依赖关系,进行相似性的度量;结构相似度(SSIM)根据人类视觉感知原理,从亮度、对比度以及结构三个方面对超声图像进行相似性的度量。在本申请的其他实施例中,还可以利用其它进行相似性的度量的方法计算对称度,例如通过峰值信噪比(PSNR)、互信息(MI)、互相关(Cross Correlation)等的方法。
由于在对称性评估指引步骤S130中,医生往往需要针对位于对称性标识两侧的特定的解剖结构的位置,单独评价其在胎儿颅脑中位置上的对称性。在本申请的一个实施例中,在获取超声图像后,识别超声图像中位于对称性标识一侧的解剖结构,并将其关于对称性标识在对称性标识的另一侧进行投影,可以引导医生在对称性标识的另一侧识别相对应的解剖结构,为医生提供关于位于对称性标识两侧的解剖结构的位置是否对称的对称性评估指引。
在本申请的一个实施例中,所述对称性评估指引包括位于所述对称性标识一侧的第二解剖结构关于所述对称性标识在所述对称性标识另一侧对称的投影标记。由于超声图像具有显示的直观性,通过获取位于对称性标识一侧的解剖结构之后,将该解剖结构关于对称性标识在所述对称性标识另一侧进行投影,医生通过观察投影标记与位于所述对称性标识另一侧的第三解剖结构(第三解剖结构可以是医生通过人眼识别也可以通过处理器机器识别)是否重合,直接获得位于对称性标识两侧的解剖结构的位置是否对称的对称性评价。需要说明的是,第二解剖结构和第三解剖结构为颅脑生理学上关于对称性标识对称的两个解剖结构,例如第二解剖结构为左 侧小脑,第三解剖结构为右侧小脑等。其中,当医生观察到第二解剖结构的该投影标记与第三解剖结构重合时,可以直接判断第二解剖结构和第三解剖结构关于对称性标识对称,从而可以判断胎儿颅脑的对称性良好;当医生观察到第二解剖结构的该投影标记与第三解剖结构不重合时,可以判断第二解剖结构和第三解剖结构关于对称性标识不对称从而可以判断胎儿颅脑的对称性不好,或者,可以做出需要进一步检测的判断。上述方法使得对称性评估过程直观、可视。在超声图像的靠近探头采集端的一侧部分显示不清楚的情况中,当医生观察到第二解剖结构的该投影标记,还可以根据第二解剖结构的该投影标记对第三解剖结构的区域进行辅助定位,参看图8,示出了根据本申请的一个实施例的超声检测方法中获取对称性评估指引的方法的示意性流程图。如图8所示,所述对称性评估指引步骤S130包括:
识别步骤S8301,在所述超声图像上识别至少一个所述第二解剖结构,获取所述第二解剖结构的轮廓或所述第二解剖结构的所在区域;
投影步骤S8302,获取所述第二解剖结构的轮廓或所述第二解剖结构的所在区域关于所述对称性标识对称的所述投影标记;
显示步骤S8303,显示所述投影标记。
在所述识别步骤S8301中,识别至少一个所述第二解剖结构的方法包括以下至少一项:
通过图像分割算法,在所述超声图像上分割得到至少一个所述第二解剖结构的轮廓;
通过预训练的机器学习模型,获取所述超声图像上的所述第二解剖结构的轮廓或所述第二解剖结构的所在区域。
示例性的,通过图像分割算法,在超声图像上分割得到至少一个所述第二解剖结构的轮廓,其中,图像分割算法可以包括传统的灰度检测或分割方法,利用传统的灰度检测或分割方法可以有效检测颅脑的关键解剖结构。例如,大津阈值算法(OSTU)通过最大化前景与背景区域的类间方差求得阈值,实现图像的二值化分割;水平集方法(Level Set)和主动轮廓模型(Snake)通过最小化能量泛函从而实现图像分割。另外,还有如图割(Graph Cut)、区域生长(Region Growing)等方法也可以达到关键解剖 结构分割的目的。
示例性的,机器学习模型可以包括传统的机器学习模型和深度学习模型。对于传统的机器学习模型,基于机器学习的结构检测方法首先构建样本学习库;之后,利用如PCA、LDA、Haar等方法提取图像特征,并将提取到的特征与学习库进行匹配;最后,利用SVM、KNN、PCANet等方法进行分类,从而获取ROI并判断解剖结构类别,实现了胎儿颅脑远场关键解剖结构的检测。
对于深度学习模型,第一种情况可以采用基于深度学习的
Bounding-Box检测方法,该方法输入一副图像,通过网络直接回归出ROI的Bounding-Box。与此同时,可以获取到ROI的结构类别,从而实现关键解剖结构的检测,常见的网络有RCNN、Fast RCNN等。第二种情况为基于深度学习的端到端的语义分割网络方法,该方法去除了全连接层,通过上采样或反卷积的形式使得输入和输出图像的尺寸相同,可以直接得到输入图像的ROI以及对应的类别,常见的网络有FCN、UNet等。第三种情况是首先对目标进行定位,提取ROI的特征,特征提取方法可以是传统的PCA、LDA等,也可利用卷积神经网络进行特征提取。之后,基于提取到的特征,利用神经网络判别器进行分类,从而实现了远场关键解剖结构的检测。
在投影步骤S8302中,获取所述第二解剖结构的轮廓或所述第二解剖结构的所在区域关于所述对称性标识对称的所述投影标记的方法包括:将第二解剖结构的轮廓或所述第二解剖结构的所在区域关于对称性标识进行对称变换。在显示步骤中,将投影标记显示在超声图像中。
在本申请的一个实施例中,所述投影标记包括对应于所述第二解剖结构的轮廓的轮廓标记,和/或对应于所述第二解剖结构的所在区域的区域标记。在一个示例中,在投影步骤S8302中,获取所述第二解剖结构的轮廓或所述第二解剖结构的所在区域关于所述对称性标识对称的所述投影标记的方法包括:将第二解剖结构的轮廓或第二解剖结构的所在区域关于对称性标识进行对称变换,获得与第二解剖结构的轮廓或第二解剖结构的所在区域相对应的轮廓或者区域。其中,第二解剖结构的轮廓指第二解剖结构的实际轮廓边界,第二解剖结构的所在区域为包围有第二解剖结构的框型 区域,例如包围了第二解剖结构的方形框区域,或包围第二解剖结构并与第二解剖结构的实际轮廓相切的圆形框区域。
在一个示例中,所述轮廓标记包括轮廓边界标记、轮廓阴影标记和/或轮廓箭头标记;所述区域标记包括区域边界标记、区域阴影标记和/或区域箭头标记。图9和图10示出了根据本申请的一个实施例的超声检测方法中在显示器中显示的胎儿颅脑的超声图像中显示投影标记的示意图。如图9所示,对应于解剖结构402的轮廓,解剖结构402在脑中线404的另一侧的投影标记显示为轮廓边界标记4021,对应于解剖结构403的轮廓,解剖结构403在脑中线404的另一侧的投影标记显示为轮廓箭头标记4031。如图10所示,对应于解剖结构402的轮廓,解剖结构402在脑中线404的另一侧的投影标记显示为轮廓边界标记4022,对应于解剖结构403所在的区域,解剖结构403在脑中线404的另一侧的投影标记显示为轮廓阴影标记4032。
在一个示例中,当所述投影标记为多个时,区分显示所述多个投影标记。示例性的,所述区分显示的方法包括:对应于每一所述第二解剖结构将所述投影标记进行颜色区分;或者对应于每一所述第二解剖结构将所述投影标记进行线型区分;或者对应于每一所述第二解剖结构将所述投影标记进行阴影区分。图11示出了根据本申请的一个实施例的超声检测方法中在显示器中显示的胎儿颅脑的超声图像中区分显示投影标记的示意图。如图11所示,对应于解剖结构402和解剖结构403,解剖结构402和解剖结构403所在的轮廓在脑中线404的另一侧的投影标记显示为轮廓阴影标记4023和轮廓阴影标记4033,其中,轮廓阴影标记4023和轮廓阴影标记4033的阴影图案不同。
在本申请的一个实施例中,所述对称性评估指引包括位于所述对称性标识一侧的第二解剖结构与位于所述对称性标识另一侧的第三解剖结构关于所述对称性标识是否对称的对称性评价,其中,所述第二解剖结构和所述第三解剖结构是生理学上胎儿颅脑关于所述对称性标识对称的解剖结构对。在本实施例中,对称性评价是将第二解剖结构的轮廓或所述第二解剖结构的所在区域关于所述对称性标识对称的所述投影标记与第三解剖结构的轮廓或第三解剖结构所在的区域进行对比做出的,其是针对第二解剖结 构和第三解剖结构在位置上是否对称的对称性评价。因此,在识别步骤S8301中,还识别位于所述对称性标识另一侧的第三解剖结构,获取所述第三解剖结构的轮廓或所述第三解剖结构所在的区域,所述第三解剖结构与所述至少一个所述第二解剖结构中的每一个一一对应;在显示步骤S8303中,还显示所述第三解剖结构的轮廓或所述第三解剖结构所在的区域。通过将在投影步骤S8302中获取的第二解剖结构的轮廓或所述第二解剖结构所在的区域关于所述对称性标识在在所述对称性标识另一侧的投影标记与第三解剖结构的轮廓或所述第三解剖结构所在的区域进行对比,得到对称性评价。
当所述投影标记与所述第三解剖结构的轮廓或所述第三解剖结构所在的区域相同时,获得第二解剖结构和第三解剖结构对称的对称性评价;当所述投影标记与所述第三解剖结构的轮廓或所述第三解剖结构所在的区域不同时,获得第二解剖结构和第三解剖结构不对称的对称性评价。在一个示例中,在显示器上显示所述对称性评价。在一个示例中,通过语音播报的形式输出所述对称性评价。
需要说明的是,第一解剖结构可以包括小脑、侧脑室、脉络丛、大脑外侧裂和丘脑中的至少一项,第二解剖结构也可以包括小脑、侧脑室、脉络丛、大脑外侧裂和丘脑中的至少一项,第三解剖结构也可以包括小脑、侧脑室、脉络丛、大脑外侧裂和丘脑的一项。其中,小脑、侧脑室、脉络丛、大脑外侧裂和丘脑都是一个概括的解剖结构名称,其中一者包括左右两部分对称结构时,这里的第一解剖结构、第二解剖结构和第三解剖结构可以指左右两部分对称结构中的任一一部分,例如第一解剖结构可以为左小脑,第二解剖结构可以为左侧脑室,第三解剖结构可以为右侧脑室等等;当然这里的第一解剖结构、第二解剖结构和第三解剖结构也可以指上述解剖结构的整体,例如第一解剖结构可以为小脑,第二解剖结构可以为大脑外侧裂,第三解剖结构也可以为大脑外侧裂。
由于颅骨的骨性结构的透声性较差,靠近骨头后方组织结构往往显示不清,使得颅脑图像近场(靠近超声探头一侧)信息丢失严重,在胎儿颅脑近场关键解剖结构检查时,医生只能通过临床经验并借助颅脑图像的远场(远离超声探头一侧)信息进行诊断,有很大的局限性和弊端,易造成 误诊。参看图13,示出了根据本申请的一个实施例的超声检测方法中在显示器中显示的胎儿颅脑的超声图像的示意图。如图13所示,在胎儿颅脑的超声图像1300中显示有胎儿颅脑的颅骨1301和位于颅骨1301内侧的解剖结构,超声图像上方为靠近超声探头的方向。由于颅骨的骨性结构的透声性较差,靠近骨头后方组织结构往往显示不清,其中,超声图像靠近超声探头一侧信息丢失严重,而远离超声探头一侧的信息较为清晰,如图14中显示的对应于靠近超声探头一侧的超声图像1300中颅骨1301包围的上部区域的超声图像显示不全,对应于远离超声探头一侧的超声图像1300中颅骨1301包围的下部区域的超声图像较为完整。本申请的第二个实施例提供了一种超声检测方法,基于颅骨的对称性,根据远离超声探头一侧采集的超声图像中的解剖结构的位置确定靠近超声探头一侧的超声图像中相应的解剖结构可能存在的位置,从而为医生提供进行进一步检测的指引。
图12示出了根据本申请的一个实施例的超声检测方法1200。如图12所示,超声检测方法1200可以包括如下步骤:
图像获取步骤S1210,获取胎儿颅脑的超声图像。
图像获取步骤S1210中,采用超声成像系统采集超声图像。参看图2示出了根据一个实施例的超声成像系统的示意性框图。其中,超声成像系统200包括超声探头201和图像处理单元202,图像处理单元包括处理器2022、存储器2021以及显示器2023。超声探头201用于向受测胎儿颅脑发射超声波并接收超声回波,得到超声回波信号。处理器2022用于对超声回波信号进行处理,得到关于胎儿颅脑的超声图像,并基于该超声图像对胎儿颅脑进行检查。存储器2021用于存储超声图像。显示器2023用于显示超声图像。
根据本申请的一个实施例中,图像获取步骤获取胎儿颅脑的超声图像,其中超声图像包括胎儿颅脑的二维图像,或者胎儿颅脑的三维图像。胎儿颅脑的二维图像通过调整胎儿体位、超声探头的位置等获得通过的胎儿颅脑的切面图像,例如小脑切面、侧室脑切面、丘脑切面等。
对称性标识获取步骤S1220,获取所述超声图像中所述胎儿颅脑的对称性标识。
对称性标识获取步骤S1220中,当超声图像为胎儿颅脑的二维图像时, 对称性标识为对应于切面图像的脑中线,当超声图像为胎儿颅脑的三维图像时,对称性标识为对应于三维图像的正中矢状面。
在本申请的一个实施例中,在对称性标识获取步骤S1220中,医生根据经验手动获取所述对称性标识。例如,在一个示例中,当超声图像为胎儿颅脑的二维图像时,获得二维图像的脑中线的方法采用通过在获取超声图像选取位于脑中线上的两个点并进行标记,连接这两个点形成直线,该直线作为脑中线。在另一个示例中,当超声图像为胎儿颅脑的三维图像时,获取正中矢状面的方法采用将医生通过手动旋转、平移等集合变换,从三维图像中三个互相正交的剖面图像中得到正中矢状面。
在本申请的一个实施例中,在对称性标识获取步骤S1220中,采用处理器处理所述超声图像获得对称性标识。
在一个示例中,所述图像获取步骤包括获取胎儿颅脑的二维图像;在所述对称性标识获取步骤中,获取所述脑中线的方法包括以下至少一项:
通过直线检测算法在所述二维图像中确定脑中线;
通过结构检测算法在所述二维图像中检测特征解剖结构,将检测到的特征解剖结构拟合为直线,将拟合的所述直线确定为脑中线;
通过预训练的机器学习模型从所述二维图像中确定脑中线。
在一个示例中,所述图像获取步骤包括:获取胎儿颅脑的三维图像;
在所述对称性标识获取步骤中,获取所述正中矢状面的方法包括以下至少一项:
通过面检测算法在所述三维图像中确定正中矢状面;
通过结构检测算法所述三维图像中检测特征解剖结构,将检测到的特征解剖结构拟合为平面,将所述拟合的所述平面确定为正中矢状面;
通过预训练的机器学习模型从所述三维图像中确定正中矢状面。
示例性的,基于超声图像的图像特征,采用直线检测算法检测所述脑中线,或者采用平面检测算法检测所述正中矢状面。由于胎儿颅脑关于脑中线对称或胎儿颅脑的三维图像关于正中矢状面对称,在超声图像中中的脑中线或正中矢状面往往具有明显的特征。基于该特征,采用直线检测方法检测二维图像的脑中线或者采用平面检测的方法检测三维图像的正中矢 状面。例如,在获取脑中线的过程中,提取代表满足线上的灰度值大于两侧的灰度值的线的脑中线特征区域,根据提取的特征区域上的点进行直线检测;同样在获取正中矢状面的过程中,可以提取代表满足平面上的灰度值大于两侧的灰度值的面的正中矢状面特征区域,再根据平面检测算法获得正中矢状面。直线检测算法包括但不限于,Hough变换、LSD快速之间检测算法、EDlines直线检测算法、Radon变换、LSWMS直线检测算法、CannyLines直线检测算法等。平面检测算法包括但不限于,加权Hough变换、随机Hough变换、Radon变换等。
示例性的,基于结构检测算法检测位于脑中线的特征解剖结构,对特征解剖结构进行直线拟合得到脑中线,或基于结构检测算法检测位于正中矢状面上的特征解剖结构,并对进行特征解剖结构进行平面拟合得到正中矢状面。例如,当获取的超声图像是胎儿颅脑的小脑切面时,位于脑中线上的特殊解剖结构包括小脑、透明隔腔、小脑蚓部等,当获取的超声图像是丘脑的切面图像时,位于脑中线上的特殊解剖结构包括丘脑、透明隔腔等,根据获得的小脑、透明隔腔和小脑蚓部或丘脑和透明隔腔对其上的点进行直线拟合得到脑中线。当获取的超声图像是胎儿颅脑的三维图像时,位于正中矢状面上的特征解剖结构包括胼胝体、小脑蚓部、透明隔腔等,通过对胼胝体、小脑蚓部、透明隔腔上的点进行平面拟合得到正中矢状面。常用的结构检测方法有包括但不限于,大津阈值算法(OSTU)、水平集(LevelSet)等算法。
示例性的,通过预训练的机器学习模型确定脑中线或正中矢状面。例如,过预训练的机器学习确定脑中线的方法包括将所述超声图像作为输入数据输入至预训练的机器学习模型中进行计算以获得脑中线的直线方程作为输出数据,其中,预训练的机器学习模型采用包括至少一个已经标定了脑中线的直线方程的标定超声图像的预设数据库进行训练,在所述训练过程中,标定超声图像作为输入数据,所述标定超声图像的脑中线的直线方程作为输出数据,并且在训练机器学习模型的过程中对机器学习模型的模型参数进行优化。通过预训练的机器学习模型确定正中矢状面的过程与通过预训练的机器学习模型确定脑中线的过程类似,将所述超声图像作为输入数据输入至预训练的机器学习模型中进行计算,以获得正中矢状面的平 面方程作为输出数据。具体方式请参见上文的相关叙述,在此不再赘述。
在本申请的一个实施例中,获取对称性标识之后,在显示超声图像的显示器中显示对称性标识。例如,在一个实施例中,采用明显区别于超声图像的颜色显示脑中线或正中矢状面。例如,在显示器显示超声图像的同时,在超声图像中将脑中线显示为红色直线,或者,将正中矢状面显示为红色阴影标记的平面。参看图14,示出了根据本申请的一个实施例中在显示器中将对称性标识显示在胎儿颅脑的超声图像中的示意图。如图14所示,在胎儿颅脑的超声图像1400中将脑中线1404显示为以实线线型标识的直线。
识别步骤S1230,在所述超声图像上识别至少一个至少部分位于所述对称性标识的一侧的解剖结构,获取所述解剖结构的轮廓或所述解剖结构所在的区域。
在识别步骤S1230中,采用处理器识别超声图像中的解剖结构。
在本申请的一个实施例中,所述识别步骤S1230中,识别至少一个至少部分位于所述对称性标识的一侧的解剖结构包括:在所述对称性标识远离超声探头采集端的一侧的超声图像中识别所述解剖结构。如图14所示,识别超声图像1400中在对称性标识远离箭头B的一侧的至少一个解剖结构,即识别位于脑中线1404下方区域的解剖结构,如解剖结构1402和解剖结构1403。
在对称性标识远离超声探头采集端的一侧的超声图像中识别所述解剖结构,可以通过用户手动识别,也可以通过超声设备自动识别。对于超声设备自动识别对称性标识远离超声探头采集端的一侧的超声图像中的解剖结构,首先,可以自动识别超声图像中的超声探头采集端,其后,自动在对称性标识远离超声探头采集端的一侧的超声图像中识别解剖结构。一种方式中,可以通过超声图像的形状确定超声探头采集端,例如图13所示,超声图像多为扇形图像,其中超声图像在探头采集端的圆弧较小,远离探头采集端的圆弧较大,可以通过延长超声图像的两侧边(即图13中,扇形超声图像的左右两条斜边),使两侧边的延长线交于一点,则该超声图像靠近该点的一端为超声探头采集端,对称性标识靠近该点的一侧即为对称性标识靠近超声探头采集端的一侧,相应的,对称性标识远离该点的一侧即 为对称性标识远离超声探头采集端的一侧。其他方式中,也可以通过与超声图像一同生成的相关文件确定超声图像的探头采集端,在与超声图像一同生成的相关文件中,存储有生成该超声图像的各种数据,其中包括了超声探头相对于该超声图像的位置信息,可以直接调取该文件中的位置信息,确定超声图像的探头采集端,并进一步确定对称性标识远离超声探头采集端的一侧的超声图像,以对该测超声图像进行关键解剖结构的自动识别。
识别至少一个解剖结构的方法包括但不限于,通过图像分割算法,在所述超声图像上分割得到至少一个所述第二解剖结构的轮廓;通过预训练的机器学习模型,获取所述超声图像上的所述第二解剖结构的轮廓或所述第二解剖结构的所在区域。其中图像分割算法包括通过灰度检测或分割方法检测解剖结构,机器学习包括基于传统机器学习的方法检测解剖结构和基于深度学习的方法检测解剖结构。示例性的,灰度检测或分割方法包括但不限于,大津阈值算法(OSTU)、水平集方法(Level Set)、主动轮廓模型(Snake)、图割(Graph Cut)、区域生长(Region Growing)等方法。机器学习模型包括:SVM、KNN、PCANet等。深度学习网络包括:RCNN、Fast RCNN、FCN、UNet等。在本申请的一个实施例中,在所述识别步骤S1230中,识别解剖结构之后,获取解剖结构的轮廓或解剖结构所在的区域的方法包括但不限于提取解剖结构的边界或者回归包含解剖结构的ROI区域等。
投影步骤S1240,获取所述解剖结构的轮廓或所述解剖结构所在的区域关于所述对称性标识在所述对称性标识另一侧对称的投影标记。
投影步骤S1240中,采用处理器将在识别步骤1230中识别的位于对称性标识一侧的超声图像中的解剖结构投影到对称性标识的另一侧。
在本申请的一个实施例中,所述投影标记包括对应于所述第二解剖结构的轮廓的轮廓标记,和/或对应于所述第二解剖结构的所在区域的区域标记。在一个示例中,在投影步骤S1240中,获取所述解剖结构的轮廓或所述解剖结构的所在区域关于所述对称性标识对称的所述投影标记的方法包括:将解剖结构的轮廓或解剖结构的所在区域关于对称性标识进行对称变换,获得与解剖结构的轮廓或解剖结构的所在区域相对应的轮廓或者区域。
显示步骤S1250,显示所述投影标记。
在显示步骤S1250中,采用显示器将投影步骤S1240中获得的投影标记显示在超声图像上。
在本申请一个实施例中,所述轮廓标记包括轮廓边界标记、轮廓阴影标记和/或轮廓箭头标记;所述区域标记包括区域边界标记、区域阴影标记和/或区域箭头标记。图15和图16示出了根据本申请的一个实施例的超声检测方法,该超声检查方法包括在胎儿颅脑的超声图像中显示投影标记的示意图。如图15所示,对应于解剖结构1402的轮廓,解剖结构1402在脑中线1404的另一侧的投影标记显示为轮廓边界标记14021,对应于解剖结构1403的轮廓,解剖结构1403在脑中线1404的另一侧的投影标记显示为轮廓箭头标记14031。如图16所示,对应于解剖结构1402的轮廓,解剖结构1402在脑中线1404的另一侧的投影标记显示为轮廓边界标记14022,对应于解剖结构1403所在的轮廓,解剖结构1403在脑中线1404的另一侧的投影标记显示为轮廓阴影标记14032。
在本申请一个实施例中,当所述投影标记为多个时,区分显示所述多个投影标记。在一个示例中,所述区分显示的方法包括:对应于每一所述第二解剖结构将所述投影标记进行颜色区分;或者对应于每一所述第二解剖结构将所述投影标记进行线型区分;或者对应于每一所述第二解剖结构将所述投影标记进行阴影区分。图17示出了根据本申请的一个实施例中在显示器中显示的胎儿颅脑的超声图像中区分显示投影标记的示意图。如图17所示,对应于解剖结构1402和解剖结构1403,解剖结构1402和解剖结构1403的轮廓在脑中线1404的另一侧的投影标记显示为轮廓阴影标记14023和轮廓阴影标记14033,其中,轮廓阴影标记14023和轮廓阴影标记14033的阴影图案不同。
在本申请一个实施例中,在显示步骤S1250之后,医生可以根据投影标记,继续对投影标记覆盖的区域进行超声检测。
本申请的第三个实施例提供了一种超声成像系统,包括:
超声探头,用于对受测胎儿颅脑发射超声波并接收超声回波,得到超声回波信号;
处理器,用于对超声回波信号进行处理,得到所述胎儿颅脑的超声图 像;
显示器,用于显示所述超声图像;
存储器,用于存储可执行的程序指令;
所述处理器,还用于基于所述可执行的程序指令执行本申请实施
例的方法。
参看图2示出了根据一个实施例的超声成像系统的示意性框图。其中,超声成像系统200包括超声探头201和图像处理单元202,图像处理单元包括处理器2022、存储器2021以及显示器2023。超声探头201用于向受测胎儿颅脑发射超声波并接收超声回波,得到超声回波信号。处理器2022用于对超声回波信号进行处理,得到关于胎儿颅脑的超声图像,并基于该超声图像对胎儿颅脑进行超声检测。存储器2021用于存储超声图像。显示器2023用于显示超声图像。
其中,存储器2021还用于存储可执行的程序指令,处理器2022基于可执行的程序指令执行本申请实施例的的方法。
尽管这里已经参考附图描述了示例实施例,应理解上述示例实施例仅仅是示例性的,并且不意图将本申请的范围限制于此。本领域普通技术人员可以在其中进行各种改变和修改,而不偏离本申请的范围和精神。所有这些改变和修改意在被包括在所附权利要求所要求的本申请的范围之内。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个设备,或一些特征可以忽略,或不执行。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本申请并帮助理解各个发明方面中的一个或多个,在对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该本申请的方法解释成反映如下意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如相应的权利要求书所反映的那样,其发明点在于可以用少于某个公开的单个实施例的所有特征的特征来解决相应的技术问题。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域的技术人员可以理解,除了特征之间相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(Digital Signal Processor,DSP)来实现根据本申请实施例的一些模块的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的装置程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者 以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本申请的具体实施方式或对具体实施方式的说明,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。本申请的保护范围应以权利要求的保护范围为准。
Claims (34)
- 一种超声检测方法,其特征在于,包括:图像获取步骤,获取胎儿颅脑的超声图像;对称性标识获取步骤,基于所述超声图像获取所述胎儿颅脑的对称性标识;对称性评估指引步骤,获取位于所述对称性标识至少一侧的超声图像,基于所述至少一侧的超声图像获取所述胎儿颅脑关于所述对称性标识的对称性评估指引。
- 根据权利要求1所述的方法,其特征在于,所述对称性评估指引包括对称度。
- 根据权利要求2所述的方法,其特征在于,所述对称性评估指引步骤包括:在所述对称性标识一侧获取第一区域超声图像;根据所述第一区域超声图像获取位于所述对称性标识另一侧的第二区域超声图像,所述第一区域的形状和所述第二区域的形状关于所述对称性标识对称;确定所述第一区域超声图像和所述第二区域超声图像关于所述对称性标识的对称度。
- 根据权利要求3所述的方法,其特征在于,在所述对称性标识一侧获取所述第一区域超声图像的方法包括:在所述超声图像中获取所述胎儿颅脑的颅骨,其中,将所述对称性标识一侧的所述颅骨包围的区域作为所述第一区域超声图像。
- 根据权利要求3所述的方法,其特征在于,在所述对称性标识一侧获取所述第一区域超声图像的方法包括:在所述超声图像中获取感兴趣区域,所述感兴趣区域至少部分位于所述对称性标识的一侧,所述感兴趣区域位于所述对称性标识一侧的区域为所述第一区域超声图像。
- 根据权利要求3所述的方法,其特征在于,在所述对称性标识一侧 获取所述第一区域超声图像的方法包括:在所述超声图像中识别至少一个第一解剖结构,所述至少一个第一解剖结构的至少部分位于所述对称性标识的一侧,所述至少一个第一解剖结构位于所述对称性标识一侧的区域为所述第一区域超声图像。
- 根据权利要求3-6中任意一项所述的方法,其特征在于,在所述对称性标识一侧获取第一区域超声图像包括在所述对称性标识远离探头采集端的一侧获取第一区域超声图像。
- 根据权利要求2-6中任意一项所述的方法,其特征在于,所述对称性评估指引步骤包括:计算所述第一区域超声图像和所述第二区域超声图像关于所述对称性标识的对称点处的灰度绝对差值和/或平方差值,基于所述灰度绝对差值和/或平方差值确定所述对称度;和/或,计算所述第一区域超声图像和所述第二区域超声图像的结构相似度,基于所述结构相似度确定所述对称度;和/或,计算所述第一区域超声图像和所述第二区域超声图像的相关比,基于所述相关比确定所述对称度。
- 根据权利要求1所述的方法,其特征在于,所述对称性评估指引包括至少部分位于所述对称性标识一侧的第二解剖结构关于所述对称性标识在所述对称性标识另一侧对称的投影标记。
- 根据权利要求9所述的方法,其特征在于,所述对称性评估指引步骤包括:识别步骤,在所述超声图像上识别至少一个所述第二解剖结构,获取所述第二解剖结构的轮廓或所述第二解剖结构的所在区域;投影步骤,获取所述第二解剖结构的轮廓或所述第二解剖结构的所在区域关于所述对称性标识对称的所述投影标记;显示步骤,显示所述投影标记。
- 根据权利要求10所述的方法,其特征在于,所述投影标记包括对应于所述第二解剖结构的轮廓的轮廓标记,和/或对应于所述第二解剖结构的所在区域的区域标记。
- 根据权利要求11述的方法,其特征在于,所述轮廓标记包括轮廓 边界标记、轮廓阴影标记和/或轮廓箭头标记;所述区域标记包括区域边界标记、区域阴影标记和/或区域箭头标记。
- 根据权利要求9-12中任意一项所述的方法,其特征在于,当所述投影标记为多个时,区分显示所述多个投影标记。
- 根据权利要求13所述的方法,其特征在于,所述区分显示的方法包括:对应于每一所述第二解剖结构将所述投影标记进行颜色区分;或者对应于每一所述第二解剖结构将所述投影标记进行线型区分;或者对应于每一所述第二解剖结构将所述投影标记进行阴影区分。
- 根据权利要求10-14中任意一项所述的方法,其特征在于,所述识别步骤包括以下至少一项:通过图像分割算法,在所述超声图像上分割得到至少一个所述第二解剖结构的轮廓;通过预训练的机器学习模型,获取所述超声图像上的所述第二解剖结构的轮廓或所述第二解剖结构的所在区域。
- 根据权利要求10-15中任意一项所述的方法,其特征在于,所述识别步骤中识别至少一个所述第二解剖结构:识别所述对称性标识远离探头采集端的一侧的超声图像中的至少一个所述第二解剖结构。
- 根据权利要求10所述的方法,其特征在于,所述识别步骤还包括:识别位于所述对称性标识另一侧的第三解剖结构,获取所述第三解剖结构的轮廓或所述第三解剖结构所在的区域,所述第三解剖结构与所述至少一个所述第二解剖结构中的每一个一一对应;所述显示步骤还包括:显示所述第三解剖结构的轮廓或所述第三解剖结构所在的区域。
- 根据权利要求6、9-17中任意一项所述的方法,其特征在于,所述解剖结构包括至少以下一项:小脑、侧脑室、脉络丛、大脑外侧裂和丘脑。
- 根据权利要求1-18中任意一项所述的方法,其特征在于,所述超声图像包括所述胎儿颅脑的二维图像或三维图像,所述对称性标识包括对应于所述二维图像的脑中线或对应于所述三维图像的正中矢状面。
- 根据权利要求1-19中任意一项所述的方法,其特征在于,还包括:突出显示所述对称性标识。
- 根据权利要求19或20所述的方法,其特征在于,所述图像获取步骤包括获取胎儿颅脑的二维图像;在所述对称性标识获取步骤中,获取所述脑中线的方法包括以下至少一项:通过直线检测算法在所述二维图像中确定脑中线;通过结构检测算法在所述二维图像中检测特征解剖结构,将检测到的特征解剖结构拟合为直线,将拟合的所述直线确定为脑中线;通过预训练的机器学习模型从所述二维图像中确定脑中线。
- 根据权利要求19或20所述的方法,其特征在于,所述图像获取步骤包括:获取胎儿颅脑的三维图像;在所述对称性标识获取步骤中,获取所述正中矢状面的方法包括以下至少一项:通过面检测算法在所述三维图像中确定正中矢状面;通过结构检测算法在所述三维图像中检测特征解剖结构,将检测到的特征解剖结构拟合为平面,将所述拟合的所述平面确定为正中矢状面;通过预训练的机器学习模型从所述三维图像中确定正中矢状面。
- 一种超声检测方法,其特征在于,包括:图像获取步骤,获取关于胎儿颅脑的超声图像;对称性标识获取步骤,获取所述超声图像中所述胎儿颅脑的对称性标识;识别步骤,在所述超声图像上识别至少一个至少部分位于所述对称性标识的一侧的解剖结构,获取所述解剖结构的轮廓或所述解剖结构所在的区域;投影步骤,获取所述解剖结构的轮廓或所述解剖结构所在的区域关于所述对称性标识在所述对称性标识另一侧对称的投影标记;显示步骤,显示所述投影标记。
- 根据权利要求23所述的方法,其特征在于,所述识别步骤中,识别至少一个至少部分位于所述对称性标识的一侧的解剖结构包括:在所述 对称性标识远离超声探头采集端的一侧的超声图像中识别所述解剖结构。
- 根据权利要求23所述的方法,其特征在于,所述投影标记对应于所述解剖结构的轮廓的轮廓标记,和/或对应于所述解剖结构的所在区域的区域标记。
- 据权利要求25述的方法,其特征在于,所述轮廓标记包括轮廓边界标记、轮廓阴影标记和/或轮廓箭头标记;所述区域标记包括区域边界标记、区域阴影标记和/或区域箭头标记。
- 据权利要求23述的方法,其特征在于,当所述投影标记为多个时,区分显示所述多个投影标记。
- 据权利要求27所述的方法,其特征在于,所述区分显示的方法包括:对应于每一所述所述解剖结构将所述投影标记进行颜色区分;或者对应于每一所述所述解剖结构将所述投影标记进行线型区分;或者对应于每一所述所述解剖结构将所述投影标记进行阴影区分。
- 根据权利要求23所述的方法,其特征在于,所述超声图像包括所述胎儿颅脑的二维图像或三维图像,所述对称性标识包括对应于所述二维图像的脑中线或对应于所述三维图像的正中矢状面。
- 根据权利要求23所述的方法,其特征在于,在所述显示步骤中还包括:突出显示所述对称性标识。
- 根据权利要求29所述的方法,其特征在于,所述图像获取步骤包括获取胎儿颅脑的二维图像;在所述对称性标识获取步骤中,获取所述脑中线的方法包括以下至少一项:通过直线检测算法在所述二维图像中确定脑中线;通过结构检测算法在所述二维图像中检测特征解剖结构,将检测到的特征解剖结构拟合为直线,将拟合的所述直线确定为脑中线;通过预训练的机器学习模型从所述二维图像中确定脑中线。
- 根据权利要求29所述的方法,其特征在于,所述图像获取步骤包括:获取胎儿颅脑的三维图像;在所述对称性标识获取步骤中,获取所述正中矢状面的方法包括以下 至少一项:通过面检测算法在所述三维图像中确定正中矢状面;通过目标检测算法在所述三维图像中检测特征解剖结构,将检测到的特征解剖结构拟合为平面,将所述拟合的所述平面确定为正中矢状面;通过预训练的机器学习模型从所述三维图像中确定正中矢状面。
- 根据权利要求23-32中任意一项所述的方法,其特征在于,所述解剖结构包括以下至少一项:小脑、侧脑室、脉络丛、大脑外侧裂和丘脑。
- 一种超声成像系统,其特征在于,包括:超声探头,用于向受测胎儿颅脑发射超声波并接收超声回波,得到超声回波信号;处理器,用于对超声回波信号进行处理,得到所述胎儿颅脑的超声图像;显示器,用于显示所述超声图像;存储器,用于存储可执行的程序指令;所述处理器,还用于基于所述可执行的程序指令执行如权利要求1-33任意一项所述的方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/140985 WO2022141085A1 (zh) | 2020-12-29 | 2020-12-29 | 超声检测方法和超声成像系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116762093A true CN116762093A (zh) | 2023-09-15 |
Family
ID=82258774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080107963.5A Pending CN116762093A (zh) | 2020-12-29 | 2020-12-29 | 超声检测方法和超声成像系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN116762093A (zh) |
WO (1) | WO2022141085A1 (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101423923B1 (ko) * | 2012-02-06 | 2014-08-13 | 삼성메디슨 주식회사 | 대상체의 대칭 정보를 획득하는 방법 및 장치 |
CN104414680B (zh) * | 2013-08-21 | 2017-06-13 | 深圳迈瑞生物医疗电子股份有限公司 | 一种三维超声成像方法及系统 |
CN105426808B (zh) * | 2014-09-23 | 2019-06-14 | 深圳先进技术研究院 | 脑中矢状线漂移测量方法与系统 |
CN104657979B (zh) * | 2014-12-24 | 2018-05-01 | 中国科学院深圳先进技术研究院 | 一种超声图像特征检测方法及系统 |
CN108852287A (zh) * | 2018-05-04 | 2018-11-23 | 北京雅森科技发展有限公司 | 一种选择脑对称兴趣区的方法 |
CN109044400A (zh) * | 2018-08-31 | 2018-12-21 | 上海联影医疗科技有限公司 | 超声图像标注方法、装置、处理器及可读存储介质 |
CN111368586B (zh) * | 2018-12-25 | 2021-04-20 | 深圳迈瑞生物医疗电子股份有限公司 | 超声成像方法及系统 |
-
2020
- 2020-12-29 WO PCT/CN2020/140985 patent/WO2022141085A1/zh active Application Filing
- 2020-12-29 CN CN202080107963.5A patent/CN116762093A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022141085A1 (zh) | 2022-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11229419B2 (en) | Method for processing 3D image data and 3D ultrasonic imaging method and system | |
CN111243042A (zh) | 基于深度学习的超声甲状腺结节良恶性特征可视化的方法 | |
JP6467041B2 (ja) | 超音波診断装置、及び画像処理方法 | |
CN111179227B (zh) | 基于辅助诊断和主观美学的乳腺超声图像质量评价方法 | |
CN112529894B (zh) | 一种基于深度学习网络的甲状腺结节的诊断方法 | |
ES2914387T3 (es) | Estudio inmediato | |
CN103249358B (zh) | 医用图像处理装置 | |
US11373301B2 (en) | Image diagnostic device, image processing method, and program for obtaining diagnostic prediction models using deep learning | |
CN111368586B (zh) | 超声成像方法及系统 | |
US20190046272A1 (en) | ENT Image Registration | |
JP2004174254A (ja) | 疾患関連組織変化を測定する方法及びシステム | |
JP2016531709A (ja) | 疾患を診断するための画像解析技術 | |
CN104093354A (zh) | 用于评估医学图像的方法和设备 | |
WO2020027228A1 (ja) | 診断支援システム及び診断支援方法 | |
Yaqub et al. | Volumetric segmentation of key fetal brain structures in 3D ultrasound | |
CN115429325A (zh) | 一种超声成像方法及超声成像设备 | |
CN114565572A (zh) | 一种基于图像序列分析的脑出血ct图像分类方法 | |
JP2022546344A (ja) | 脳卒中特徴取得のための画像処理 | |
Somasundaram et al. | Brain extraction method for T1-weighted magnetic resonance scans | |
CN112998755A (zh) | 解剖结构的自动测量方法和超声成像系统 | |
CN116762093A (zh) | 超声检测方法和超声成像系统 | |
Rahmatullah et al. | Anatomical object detection in fetal ultrasound: computer-expert agreements | |
Bohil et al. | Psychophysical methods and signal detection: Recent advances in theory | |
WO2023133929A1 (zh) | 一种基于超声的人体组织对称性检测分析方法 | |
CN111862014A (zh) | 一种基于左右侧脑室分割的alvi自动测量方法及装置 |
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 |