CN116777996A - 超声波装置及其最佳影像参数的预测方法 - Google Patents

超声波装置及其最佳影像参数的预测方法 Download PDF

Info

Publication number
CN116777996A
CN116777996A CN202210202303.6A CN202210202303A CN116777996A CN 116777996 A CN116777996 A CN 116777996A CN 202210202303 A CN202210202303 A CN 202210202303A CN 116777996 A CN116777996 A CN 116777996A
Authority
CN
China
Prior art keywords
image
parameter
historical
medical record
image parameter
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
CN202210202303.6A
Other languages
English (en)
Inventor
董昱腾
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.)
Qisda Suzhou Co Ltd
Qisda Corp
Original Assignee
Qisda Suzhou Co Ltd
Qisda Corp
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 Qisda Suzhou Co Ltd, Qisda Corp filed Critical Qisda Suzhou Co Ltd
Priority to CN202210202303.6A priority Critical patent/CN116777996A/zh
Publication of CN116777996A publication Critical patent/CN116777996A/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
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biophysics (AREA)
  • Fuzzy Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明提供一种超声波装置及其最佳影像参数的预测方法，包括：资料库，用以储存历史影像参数；预测神经网络，用以依据该历史影像参数，产生预测最佳影像参数；超声波探头，用以提供电子信号；以及显示装置，耦接该超声波探头，该显示装置用以依据该电子信号显示超声波影像，并于使用者调整该超声波影像的参数时显示该预测最佳影像参数。本发明可至少依据历史影像参数，产生预测最佳影像参数，此预测最佳影像参数可协助使用者更快取得最佳显示品质的超声波影像，减少参数调整时间。

Description

超声波装置及其最佳影像参数的预测方法
技术领域
本发明涉及超声波技术领域，尤其涉及一种超声波装置及其最佳影像参数的预测方法。
背景技术
超声波探头可对扫描区域进行扫描，以取得此扫描区域的超声波影像。为了取得超声波影像的良好显示品质，使用者(例如，医师)需要花费一些时间手动调整影像参数。然而，手动调整影像参数相当耗时。
因此，有必要设计一种新型的超声波装置及其最佳影像参数的预测方法，以克服上述缺陷。
发明内容
本发明的目的在于提供一种超声波装置及其最佳影像参数的预测方法，其能够有效提高扫描效率。
为达到上述目的，本发明一种超声波装置，该超声波装置包括：资料库，用以储存历史影像参数；预测神经网络，用以依据该历史影像参数，产生预测最佳影像参数；超声波探头，用以提供电子信号；以及显示装置，耦接该超声波探头，该显示装置用以依据该电子信号显示超声波影像，并于使用者调整该超声波影像的参数时显示该预测最佳影像参数。
较佳的，该资料库还储存历史病历影像及历史医师操作行为；该预测神经网络还用以：依据该历史病历影像、该历史医师操作行为、当前影像参数、当前病历影像及当前医师操作行为的至少其中之一，产生该预测最佳影像参数。
较佳的，该资料库还储存有历史病历影像，该历史影像参数为对应该历史病历影像的影像参数；该预测神经网络还用以依据该历史病历影像，产生该预测最佳影像参数；或者，该资料库还储存历史医师操作行为，该历史医师操作行为为针对对应的历史病历影像的影像参数的操作行为；该预测神经网络还用以依据该历史医师操作行为，产生该预测最佳影像参数。
较佳的，该资料库还储存有历史病历影像及历史医师操作行为，该预测神经网络还包括：行为预测网络，用以依据该历史医师操作行为、该历史病历影像及该历史影像参数的至少其中之一，产生预测医师操作行为。
较佳的，该预测神经网络还包括：参数预测网络，用以依据该预测医师操作行为、当前影像参数及当前病历影像中至少其中之一，产生该预测最佳影像参数。
较佳的，该预测神经网络还包括：模式侦测网络，用以分析当前病历影像，判断当前的扫描区域类型；模式切换单元，用以：判断当前所采用的该资料库中的该历史影像参数是否符合该扫描区域类型；及若当前所采用的该资料库中的该历史影像参数不符合该扫描区域类型，切换至符合该扫描区域类型的该历史影像参数。
较佳的，该资料库还用以储存历史文字履历；该模式侦测网络还用以：依据该历史文字履历及该当前病历影像中至少其中之一，判断当前的该扫描区域类型。
较佳的，该超声波装置还包括：参数范围产生器，用以依据该预测最佳影像参数，产生该预测最佳影像参数的数值范围。
较佳的，该参数范围产生器还用以：取得该预测最佳影像参数的预测最佳影像参数特征图；取得受测者的测试值的测试特征图；比较该测试特征图与该预测最佳影像参数特征图的差异；以及当该测试特征图与该预测最佳影像参数特征图的该差异小于预设差异值时，将该受测者所对应的该测试值列为该数值范围之一。
基于上述超声波装置，本发明还提供一种最佳影像参数的预测方法，适用于超声波装置，其特征在于，该预测方法包括：预测神经网络从资料库取得历史影像参数；该预测神经网络依据该历史影像参数，产生预测最佳影像参数；超声波探头提供电子信号；显示装置依据该电子信号显示超声波影像；以及调整该超声波影像的参数时，该显示装置显示该预测最佳影像参数。
较佳的，该资料库还可储存历史病历影像及历史医师操作行为；该预测方法还包括：依据该历史病历影像、该历史医师操作行为、当前影像参数、当前病历影像及当前医师操作行为的至少其中之一，产生该预测最佳影像参数。
较佳的，该资料库还可储存有历史病历影像及历史医师操作行为，该预测方法还包括：行为预测网络依据该历史医师操作行为、该历史病历影像及该历史影像参数的至少其中之一，产生预测医师操作行为。
较佳的，该预测方法还包括：参数预测网络依据该预测医师操作行为、当前影像参数及当前病历影像的至少其中之一，产生该预测最佳影像参数。
较佳的，该预测方法还包括：参数范围产生器依据该预测最佳影像参数，产生该预测最佳影像参数的数值范围。
与现有技术相比，本发明提供的超声波装置及其最佳影像参数的预测方法可至少依据历史影像参数，产生预测最佳影像参数，此预测最佳影像参数可协助使用者更快取得最佳显示品质的超声波影像，减少参数调整时间。
附图说明
图1为本发明实施例提供的超声波装置的功能方块图；
图2为本发明实施例提供的预测神经网络的功能方块图；
图3为本发明实施例提供的显示装置显示数值范围的示意图；
图4为本发明实施例提供的最佳影像参数之预测方法的流程图。
具体实施方式
为使对本发明的目的、构造、特征及其功能有进一步的了解，兹配合实施例详细说明如下。
在说明书及权利要求书当中使用了某些词汇来指称特定的元件。所属领域中具有通常知识者应可理解，制造商可能会用不同的名词来称呼同一个元件。本说明书及权利要求书并不以名称的差异来作为区分元件的方式，而是以元件在功能上的差异来作为区分的准则。在通篇说明书及权利要求当中所提及的「包括」为开放式的用语，故应解释成「包括但不限定于」。
请参照图1及图2，图1绘示依照本发明实施例提供的超声波装置100的功能方块图，而图2绘示图2中预测神经网络110的功能方块图。
如图1所示，超声波装置100包括资料库DB1、预测神经网络110、超声波探头115、显示装置117及参数范围产生器120。资料库DB1可储存历史影像参数(P_H)t＝n-5～(P_H)t＝n-1。预测神经网络110用以依据历史影像参数(P_H)t＝n-5～(P_H)t＝n-1，产生预测最佳影像参数PO。超声波探头115可提供电子信号S1。显示装置117耦接超声波探头115且用以依据电子信号S1显示超声波影像E1，并于使用者调整超声波影像E1的参数时显示预测最佳影像参数PO。
每张超声波影像E1可能具有相同、相近或相异的影像参数。不同影像参数的超声波影像E1的显示品质不同，并非每张超声波影像E1都能呈现最佳显示品质。本发明实施例提供的超声波装置100可产生预测最佳影像参数PO，此预测最佳影像参数PO可协助使用者更快取得最佳显示品质的超声波影像，节省参数调整时间。本文的影像参数例如是包含亮度(brightness)、对比度、动态范围(dynamic range)或其组合。
如图1所示，扫描区域R1为超声波探头115所扫描的区域。超声波探头115对于扫描区域R1的扫描所产生的电子信号S1传送至显示装置117，显示装置117依据电子信号S1显示对应的超声波影像E1。
预测神经网络110与参数范围产生器120例如是由控制器或处理器载入执行。预测神经网络110例如是由机器学习(machine learning)技术或深度学习(deep learning)技术所实现。具体而言，预测神经网络110可以是卷积神经网络(Convolutional NeuralNetwork,CNN)、递归神经网络(RNN)、长短期记忆模型(LSTM)或多层感知器(MLP)，然本发明实施例不受此限。
本文参数符号的下标t表示「时间点」，其中t＝n表示「当前时点」。t＝n-1表示当前时点之前1秒(但不限定为前1秒)，而n-5表示当前时点之倒数第5秒(但不限定为倒数第5秒)。当前时点产生的超声波影像称为「当前病历影像」，而当前时点之前产生的超声波影像称为「历史病历影像」。或者，参数符号的下标t表示「帧」，t＝n表示「当前帧」，t＝n-1表示当前帧的前1帧(不限定为前1帧)，而t＝n-5表示当前帧的倒数第5帧(不限定为倒数第5帧)。当前帧的超声波影像称为「当前病历影像」，而当前帧之前产生的超声波影像称为「历史病历影像」。
在实施例中，资料库DB1还可储存至少一个历史病历影像(M_H)t＝n-5～(M_H)t＝n-1、至少一个历史医师操作行为(A_H)t＝n-5～(A_H)t＝n-1及至少一个历史文字履历(D_H)t＝n-5～(D_H)t＝n-1。当前病历影像、当前影像参数及当前医师操作行为在下个时点成为历史病历影像、历史影像参数及历史医师操作行为。
历史影像参数(P_H)t＝n-5～(P_H)t＝n-1系对应的历史病历影像(M_H)t＝n-5～(M_H)t＝n-1的影像参数。每张历史病历影像M_H都对应于历史影像参数P_H及历史医师操作行为A_H。例如，医师手动将超声波影像的亮度(影像参数)从35调高至35的过程产生了30帧历史病历影像，则每帧历史病历影像具有对应的历史影像参数P_H(例如，记录亮度从35调整至35的参数变化)及历史医师操作行为A_H(例如，记录手动将亮度从35调整至35的动作)。在另一实施例中，若能从历史影像参数P_H得知历史医师操作行为A_H，则资料库DB1可省略历史医师操作行为A_H。此外，一张或一组历史病历影像M_H可对应于历史文字履历D_H，历史文字履历D_H记录医师对于该张或该组历史病历影像M_H的文字描述。从历史文字履历D_H中可得知该张或该组历史病历影像M_H的扫描区域类型(如、肝脏、肾脏等)及/或扫描区域R1的状况(病况、组织状况等)。
例如，预测神经网络110还用以：依据历史影像参数(P_H)t＝n-5～(P_H)t＝n-1、历史病历影像(M_H)t＝n-5～(M_H)t＝n-1、历史医师操作行为(A_H)t＝n-5～(A_H)t＝n-1、当前影像参数(P_C)t＝n、当前病历影像(M_C)t＝n及当前医师操作行为(A_C)t＝n中至少一个，产生预测最佳影像参数PO。当前病历影像(M_C)t＝n例如是最新、当前时点或当前帧产生的超声波影像E1。在此例中，预测最佳影像参数PO可依据历史资料及当前资料产生。
如图2所示，预测神经网络110还用以依据历史医师操作行为(A_H)t＝n-5～(A_H)t＝n-1、历史病历影像(M_H)t＝n-5～(M_H)t＝n-1及历史影像参数(P_H)t＝n-5～(P_H)t＝n-1中至少一个，产生预测医师操作行为(A_P)t＝n+1，然后依据预测医师操作行为(A_P)t＝n+1、当前影像参数(P_C)t＝n及当前病历影像(M_C)t＝n，产生预测最佳影像参数PO。前述符号的下标t＝n+1表示当前时点的下1秒或下一帧。以下进一步举例说明。
如图2所示，预测神经网络110还包括行为预测网络111、模式侦测网络112、模式切换单元113及参数预测网络114。
如图2所示，行为预测网络111用以依据历史医师操作行为(A_H)t＝n-5～(A_H)t＝n-1、历史病历影像(M_H)t＝n-5～(M_H)t＝n-1及该历史影像参数(P_H)t＝n-5～(P_H)t＝n-1中至少一个，产生预测医师操作行为(A_P)t＝n+1。
如图2所示，模式侦测网络112还用以依据历史文字履历(D_H)t＝n-5～(D_H)t＝n-1及当前病历影像(M_C)t＝n中至少一者，判断当前的扫描区域类型TR1。例如，当前病历影像(M_C)t＝n所对应的历史文字履历(D_H)t＝n-5～(D_H)t＝n-1中出现肝脏等文字，则模式侦测网络112据以当前病历影像(M_C)t＝n的扫描区域类型TR1为肝脏区域。或者，模式侦测网络112也可以对当前病历影像(M_C)t＝n进行影像分析，并据以判断当前病历影像(M_C)t＝n的扫描区域类型TR1。
如图2所示，模式切换单元113用以判断当前所采用的资料库DB1的历史影像参数(P_H)t＝n-5～(P_H)t＝n-1是否符合扫描区域类型TR1。若当前所采用的资料库DB1的历史影像参数(P_H)t＝n-5～(P_H)t＝n-1不符合扫描区域类型TR1，模式切换单元113将模式切换至(例如，输出切换信号S2至资料库DB1)符合扫描区域类型TR1的历史影像参数(P_H)t＝n-5～(P_H)t＝n-1，以符合扫描现况。举例来说，实际使用资料库DB1的历史影像参数(P_H)t＝n-5～(P_H)t＝n-1属于心脏影像，而超声波探头115实际扫描的扫描区域R1为肝脏区域时，二者不符，因此模式切换单元113将模式切换至属于肝脏区域的历史影像参数(P_H)t＝n-5～(P_H)t＝n-1，以符合实际扫描现况。
如图2所示，参数预测网络114用以：依据预测医师操作行为(A_P)t＝n+1、当前影像参数(P_C)t＝n及当前病历影像(M_C)t＝n中至少一个，产生预测最佳影像参数PO。此预测最佳影像参数PO例如是一个数值，然本发明实施例不受此限。在另一实施例中，可依据此预测最佳影像参数PO，产生建议数值范围。
如图1所示，参数范围产生器120用以依据预测最佳影像参数PO，产生预测最佳影像参数PO的数值范围POR。例如，参数范围产生器120还用以：(1).依据预测最佳影像参数PO，取得预测最佳影像参数的预测最佳影像参数特征图；(2).取得受测者的测试值的测试特征图；(3).比较该测试特征图与该预测最佳影像参数特征图的差异；(4).当测试特征图的受测者与预测最佳影像参数特征图的该差异小于预设差异值时，将受测者所对应的测试值列为数值范围之一。前述预测最佳影像参数特征图的取得方式包含：通过一特征产生器(未绘示)，根据输入的至少一个影像，产出影像特征(图像生成模型)，其中该影像特征需要包含固定参数值与其它特征。参数范围产生器120可将预测最佳影像参数PO输入此图像生成模型，而生成预测最佳影像参数特征图。
进一步举例来说，参数范围产生器120依据预测最佳影像参数PO，取得预测最佳影像参数PO1(30,20,50)，并生成(例如采用特征生成神经网络)对应预测最佳影像参数PO1(30,20,50)的预测最佳影像参数特征图FPO1，其中数值30、20及50分别表示不同影像参数A、B及C的数值。影像参数A、B及C例如分别是亮度、对比度及动态范围，然本发明实施例不受此限。然后，参数范围产生器120针对参数A取得数个测试值(例如，A＝28～29、31～32)的数张测试特征图(例如，FA28～FA29、FA31～FA32)、针对参数B(例如，B＝18～19、21～22)取得数个测试值(例如，18～19、21～22)的数张测试特征图(例如，FB18～FB19、FB21～FB22)及针对参数C(例如，C＝48～49、51～52)取得数个测试值(例如，48～49、51～52)的数张测试特征图(例如，FC48～FC49、FC51～FC52)。然后，参数范围产生器120比较此些测试特征图FA28～FA29、FA31～FA32、FB18～FB19、FB21～FB22及FC48～FC49、FC51～FC52中各者与预测最佳影像参数特征图FPO1的差异。当测试特征图的受测者与预测最佳影像参数特征图的差异小于预设差异值时，将受测者所对应的测试值列为数值范围POR之一。在比较完成后，可取得数值范围POR。
请参照图3，其绘示图1中显示装置117显示数值范围POR的示意图。显示装置117可显示数值范围POR的区间。例如，影像参数A的数值范围为28～32，则显示装置117显示影像参数A的数值28～32的区域与其它区域不同，以指示出数值范围。影像参数B的数值范围的呈现及影像参数C的数值范围的呈现相似于影像参数A，容此不再赘述。
请参照图4，其绘示图1中超声波装置100的最佳影像参数的预测方法的流程图。
在步骤S110中，预测神经网络110从资料库DB1取得历史影像参数(P_H)t＝n-5～(P_H)t＝n-1。
在步骤S120中，预测神经网络110依据历史影像参数(P_H)t＝n-5～(P_H)t＝n-1，产生预测最佳影像参数PO。
在步骤S130中，超声波探头115提供电子信号S1。
在步骤S140中，显示装置117依据电子信号S1显示超声波影像E1。在步骤S150中，使用者调整超声波影像E1的参数时，显示装置117显示预测最佳影像参数PO。
进一步的，在步骤S140中，显示装置117还根据预测最佳影像参数P0显示超声波影像E1。
本发明实施例的最佳影像参数的预测方法的其它实施态样已于前述，容此不再赘述。
综上，本发明实施例提出一种超声波装置及其最佳影像参数的预测方法，可至少依据历史影像参数，产生预测最佳影像参数，此预测最佳影像参数可协助使用者更快取得最佳显示品质的超声波影像，减少参数调整时间。
本发明已由上述相关实施例加以描述，然而上述实施例仅为实施本发明的范例。必需指出的是，已揭露的实施例并未限制本发明的范围。相反地，在不脱离本发明的精神和范围内所作的更动与润饰，均属本发明的专利保护范围。

Claims (14)

1.一种超声波装置，其特征在于，该超声波装置包括：
资料库，用以储存历史影像参数；
预测神经网络，用以依据该历史影像参数，产生预测最佳影像参数；
超声波探头，用以提供电子信号；以及
显示装置，耦接该超声波探头，该显示装置用以依据该电子信号显示超声波影像，并于使用者调整该超声波影像的参数时显示该预测最佳影像参数。
2.如权利要求1所述的超声波装置，其特征在于，该资料库还储存历史病历影像及历史医师操作行为；该预测神经网络还用以：
依据该历史病历影像、该历史医师操作行为、当前影像参数、当前病历影像及当前医师操作行为的至少其中之一，产生该预测最佳影像参数。
3.如权利要求1所述的超声波装置，其特征在于，该资料库还储存有历史病历影像，该历史影像参数为对应该历史病历影像的影像参数；该预测神经网络还用以依据该历史病历影像，产生该预测最佳影像参数；或者，该资料库还储存历史医师操作行为，该历史医师操作行为为针对对应的历史病历影像的影像参数的操作行为；该预测神经网络还用以依据该历史医师操作行为，产生该预测最佳影像参数。
4.如权利要求1所述的超声波装置，其特征在于，该资料库还储存有历史病历影像及历史医师操作行为，该预测神经网络还包括：
行为预测网络，用以依据该历史医师操作行为、该历史病历影像及该历史影像参数的至少其中之一，产生预测医师操作行为。
5.如权利要求4所述的超声波装置，其特征在于，该预测神经网络还包括：
参数预测网络，用以依据该预测医师操作行为、当前影像参数及当前病历影像中至少其中之一，产生该预测最佳影像参数。
6.如权利要求1所述的超声波装置，其特征在于，该预测神经网络还包括：
模式侦测网络，用以分析当前病历影像，判断当前的扫描区域类型；及
模式切换单元，用以：
判断当前所采用的该资料库中的该历史影像参数是否符合该扫描区域类型；及
若当前所采用的该资料库中的该历史影像参数不符合该扫描区域类型，切换至符合该扫描区域类型的该历史影像参数。
7.如权利要求6所述的超声波装置，其特征在于，该资料库还用以储存历史文字履历；该模式侦测网络还用以：
依据该历史文字履历及该当前病历影像中至少其中之一，判断当前的该扫描区域类型。
8.如权利要求1所述的超声波装置，其特征在于，该超声波装置还包括：
参数范围产生器，用以依据该预测最佳影像参数，产生该预测最佳影像参数的数值范围。
9.如权利要求8所述的超声波装置，其特征在于，该参数范围产生器还用以：
取得该预测最佳影像参数的预测最佳影像参数特征图；
取得受测者的测试值的测试特征图；
比较该测试特征图与该预测最佳影像参数特征图的差异；以及
当该测试特征图与该预测最佳影像参数特征图的该差异小于预设差异值时，将该受测者所对应的该测试值列为该数值范围之一。
10.一种最佳影像参数的预测方法，适用于超声波装置，其特征在于，该预测方法包括：
预测神经网络从资料库取得历史影像参数；
该预测神经网络依据该历史影像参数，产生预测最佳影像参数；
超声波探头提供电子信号；
显示装置依据该电子信号显示超声波影像；以及
调整该超声波影像的参数时，该显示装置显示该预测最佳影像参数。
11.如权利要求10所述的预测方法，其特征在于，该资料库还可储存历史病历影像及历史医师操作行为；该预测方法还包括：
依据该历史病历影像、该历史医师操作行为、当前影像参数、当前病历影像及当前医师操作行为的至少其中之一，产生该预测最佳影像参数。
12.如权利要求10所述的预测方法，其特征在于，该资料库还可储存有历史病历影像及历史医师操作行为，该预测方法还包括：
行为预测网络依据该历史医师操作行为、该历史病历影像及该历史影像参数的至少其中之一，产生预测医师操作行为。
13.如权利要求12所述的预测方法，其特征在于，该预测方法还包括：
参数预测网络依据该预测医师操作行为、当前影像参数及当前病历影像的至少其中之一，产生该预测最佳影像参数。
14.如权利要求10所述的预测方法，其特征在于，该预测方法还包括：
参数范围产生器依据该预测最佳影像参数，产生该预测最佳影像参数的数值范围。
CN202210202303.6A 2022-03-03 2022-03-03 超声波装置及其最佳影像参数的预测方法 Pending CN116777996A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210202303.6A CN116777996A (zh) 2022-03-03 2022-03-03 超声波装置及其最佳影像参数的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210202303.6A CN116777996A (zh) 2022-03-03 2022-03-03 超声波装置及其最佳影像参数的预测方法

Publications (1)

Publication Number Publication Date
CN116777996A true CN116777996A (zh) 2023-09-19

Family

ID=88006774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210202303.6A Pending CN116777996A (zh) 2022-03-03 2022-03-03 超声波装置及其最佳影像参数的预测方法

Country Status (1)

Country Link
CN (1) CN116777996A (zh)

Similar Documents

Publication Publication Date Title
US11960571B2 (en) Method and apparatus for training image recognition model, and image recognition method and apparatus
US6542626B1 (en) Method and apparatus for adapting imaging system operation based on pixel intensity histogram
US7515313B2 (en) Method and system for scanning with one-scan-and-done feature
EP1363235A1 (en) Signal processing device
EP1477929B1 (en) Signal processing
CN101972152A (zh) 一种b型图像增益参数自动优化方法
CN110517225B (zh) Ai影像识别方法、装置、设备及存储介质
US20060187476A1 (en) Image display device, method of generating correction value of image display device, program for generating correction value of image display device, and recording medium recording program thereon
CN101310302A (zh) 用于体积配准的方法、系统和计算机程序
US7062714B1 (en) Imaging system having preset processing parameters adapted to user preferences
US8204332B2 (en) Method and device for tone scale curve generation
CN115268718A (zh) 用于专注力训练的图像显示方法、装置、终端及存储介质
CN116612111A (zh) 一种高强度复合材料加工质量检测方法
CN116777996A (zh) 超声波装置及其最佳影像参数的预测方法
CN101836868B (zh) 自适应的动态范围调整方法和设备
US20220163387A1 (en) Method for optimizing output result of spectrometer and electronic device using the same
TW202336778A (zh) 超聲波裝置及其最佳影像參數之預測方法
JPH06343140A (ja) 画像処理装置
CN114026597A (zh) 断口分析装置和断口分析方法
JPH09153136A (ja) 画像評価方法及び画像評価装置
JP2007184872A (ja) 画像評価装置、画像処理装置、画像評価方法およびプログラム
CN110716674B (zh) 一种电子病历缺陷定位方法和系统
CN111557028B (zh) 显示系统以及计算机可读记录介质
EP1858002A1 (en) Apparatus and method for adjustment of one or more picture parameters of a display device
CN117481683A (zh) 一种成像质量优化方法、系统及掌上超声设备

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