CN117338339A - 一种超声成像方法及设备 - Google Patents

一种超声成像方法及设备 Download PDF

Info

Publication number
CN117338339A
CN117338339A CN202311248499.3A CN202311248499A CN117338339A CN 117338339 A CN117338339 A CN 117338339A CN 202311248499 A CN202311248499 A CN 202311248499A CN 117338339 A CN117338339 A CN 117338339A
Authority
CN
China
Prior art keywords
endometrium
region
interest
data
dimensional
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
CN202311248499.3A
Other languages
English (en)
Inventor
韩笑
董国豪
邹耀贤
林穆清
金涛
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.)
Shenzhen Mindray Bio Medical Electronics Co Ltd
Original Assignee
Shenzhen Mindray Bio Medical Electronics 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 Shenzhen Mindray Bio Medical Electronics Co Ltd filed Critical Shenzhen Mindray Bio Medical Electronics Co Ltd
Priority to CN202311248499.3A priority Critical patent/CN117338339A/zh
Publication of CN117338339A publication Critical patent/CN117338339A/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/13—Tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/48—Diagnostic techniques
    • A61B8/483—Diagnostic techniques involving the acquisition of a 3D volume of data
    • 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
    • A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
    • A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
    • 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
    • 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
    • A61B8/466—Displaying means of special interest adapted to display 3D 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/58—Testing, adjusting or calibrating the diagnostic device
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/52017—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 particularly adapted to short-range imaging
    • G01S7/52023—Details of receivers
    • G01S7/52036—Details of receivers using analysis of echo signal for target characterisation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/52017—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 particularly adapted to short-range imaging
    • G01S7/52053—Display arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/162—Segmentation; Edge detection involving graph-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/54—Control of the diagnostic device
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
    • G01S15/8906—Short-range imaging systems; Acoustic microscope systems using pulse-echo techniques
    • G01S15/8993—Three dimensional imaging systems
    • 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
    • G06T2207/10136—3D 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
    • G06T2207/20036—Morphological image processing
    • 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
    • G06T2207/20076—Probabilistic image processing
    • 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
    • G06T2207/20084—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Acoustics & Sound (AREA)
  • Vascular Medicine (AREA)
  • Physiology (AREA)
  • Computer Graphics (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

一种超声成像方法及设备(10)、计算机可读存储介质，超声成像方法包括：发射超声波至待检测对象的子宫区域(S201)；接收从待检测对象的子宫区域返回的基于超声波的超声回波，并基于超声回波获取超声回波信号(S202)；对超声回波信号进行处理，得到待检测对象的子宫区域的三维体数据(S203)；根据子宫区域的子宫内膜的图像特征，从子宫区域的三维体数据中识别出子宫内膜，得到子宫内膜的位置信息(S204)；根据子宫内膜的位置信息，基于三维体数据进行子宫内膜切面成像，得到子宫内膜切面图像；以及，显示子宫内膜切面图像。

Description

一种超声成像方法及设备
分案说明
本申请是申请日为2018年12月29日的PCT国际专利申请PCT/CN2018/125832进入中国国家阶段的中国专利申请号201880097250.8、发明名称为“一种超声成像方法及设备”的分案申请。
技术领域
本发明实施例涉及超声成像技术领域，尤其涉及一种超声成像方法及设备、计算机可读存储介质。
背景技术
现代医学影像检查中，超声技术因其高可靠性、快速便捷、实时成像以及可重复检查等优点，已经成为应用最广、使用频率最高、普及应用最快的检查手段。尤其是基于人工智能辅助技术的发展，进一步推动了超声技术在临床诊疗中的应用。
妇科超声检查是超声诊断中相对重要并且广泛应用的领域之一。其中，子宫及其附件的超声检查可以为很多妇科疾病的诊断和治疗提供重要指导。由于三维超声可以呈现子宫的冠状切面声像图，清晰显示子宫内膜是否发生病变及形态是否完整，因此，采用三维超声技术实现子宫相关妇科疾病的诊断具有重要意义。
虽然三维超声技术具有上述优势，但是由于三维容积图像坐标轴容易混乱，加上子宫的各种方位变化及三维空间比较抽象等原因，医生在手动进行子宫部位的寻找和确定标准的子宫内膜切面图像时，可能需要反复旋转三维容积图像，逐个切面寻找标准的子宫内膜切面。该手动定位的过程不仅费时费力，而且成像的智能性和准确率也有限。
发明内容
本发明实施例提供了一种超声成像方法，所述方法包括：
发射超声波至待检测对象的子宫区域进行体扫描；
接收从所述待检测对象的子宫区域返回的超声回波，并基于所述超声回波获取超声回波信号；
对所述超声回波信号进行处理，得到所述待检测对象的子宫区域的三维体数据；
根据子宫区域的子宫内膜的图像特征，从所述子宫区域的三维体数据中识别出子宫内膜，得到所述子宫内膜的位置信息；
根据所述子宫内膜的位置信息，基于所述三维体数据进行子宫内膜成像，得到子宫内膜图像；以及，
显示所述子宫内膜图像。
本发明实施例还提供了一种超声成像方法，包括：
对待检测对象进行超声体扫描，得到所述待检测对象的三维体数据；
根据所述待检测对象中感兴趣区域的图像特征，从所述待检测对象的三维体数据中识别出感兴趣区域，得到所述感兴趣区域的位置信息；
根据所述感兴趣区域的位置信息，对所述三维体数据进行处理，得到感兴趣区域图像；
显示所述感兴趣区域图像。
本发明实施例提供了一种超声成像设备，所述超声成像设备包括：
探头；
发射电路，用于激励所述探头向待检测对象发射超声波以进行体扫描；
发射/接收选择开关；
接收电路，用于通过所述探头接收从所述待检测对象返回的超声回波，从而获得超声回波信号/数据；
波束合成电路，用于对所述超声回波信号/数据进行波束合成处理，获得波束合成后的超声回波信号/数据；
处理器，用于对所述波束合成后的超声回波信号进行处理，得到所述待检测对象的子宫区域的三维体数据；根据子宫区域的子宫内膜的图像特征，从所述子宫区域的三维体数据中识别出子宫内膜，得到所述子宫内膜的位置信息；根据所述子宫内膜的位置信息，基于所述三维体数据进行子宫内膜成像，得到子宫内膜图像；
显示器，用于显示所述子宫内膜图像。
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超声成像程序，所述超声成像程序可以被处理器执行，以实现上述的超声成像方法。
本发明实施例提供了一种超声成像方法及设备、计算机可读存储介质，采用上述技术实现方案，超声成像设备可以根据子宫内膜的图像特征自动得到子宫内膜的位置信息，省去了需要用户不断手动进行子宫内膜定位的繁琐操作，便于用户快速识别子宫内膜，提高整体工作效率；超声成像设备还可以根据
子宫内膜的位置信息自动成像得到子宫内膜图像，鉴于自动识别的子宫内膜的位置是准确的，提高了后续超声成像的准确度，并且可以自动成像还提高了超声波图像成像的智能性。
附图说明
图1为本发明实施例提供的超声成像设备的结构框图示意图；
图2为本发明实施例提供的一种超声成像方法的流程图一；
图3为本发明实施例提供的示例性的超声成像流程框图一；
图4为本发明实施例提供的示例性的VOI框示意图；
图5为本发明实施例提供的示例性的VR成像结果；
图6为本发明实施例提供的示例性的CMPR成像过程示意图；
图7为本发明实施例提供的示例性的CMPR成像结果；
图8为本发明实施例提供的示例性的超声成像流程框图二；
图9为本发明实施例提供的一种超声成像方法的流程图二；
图10为本发明实施例提供的子宫内膜的横切面图像的示意图。
具体实施方式
为了能够更加详尽地了解本发明实施例的特点与技术内容，下面结合附图对本发明实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本发明实施例。
图1为本发明实施例中的超声成像设备的结构框图示意图。超声成像设备10可以包括探头100、发射电路101、发射/接收选择开关102、接收电路103、波束合成电路104、处理器105和显示器106。发射电路101可以激励探头100向目标组织发射超声波；接收电路103可以通过探头100接收从待检测对象返回的超声回波，从而获得超声回波信号/数据；该超声回波信号/数据经过波束合成电路104进行波束合成处理后，送入处理器105。处理器105对该超声回波信号/数据进行处理，以获得待检测对象的超声图像。处理器105获得的超声图像可以存储于存储器107中。这些超声图像可以在显示器106上显示。
本发明的一个实施例中，前述的超声成像设备10的显示器106可为触摸显示屏、液晶显示屏等，也可以是独立于超声成像设备10之外的液晶显示器、电视机等独立显示设备，也可为手机、平板电脑等电子设备上的显示屏，等等。
实际应用中，处理器105可以为特定用途集成电路(Application SpecificIntegrated Circuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理装置(Digital Signal Processing Device，DSPD)、可编程逻辑装置(ProgrammableLogic Device，PLD)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器中的至少一种,，从而使得该处理器105可以执行本发明的各个实施例中的超声成像方法的相应步骤。
存储器107可以是易失性存储器(volatile memory)，例如随机存取存储器(Random Access Memory，RAM)；或者非易失性存储器(non-volatile memory)，例如只读存储器(Read Only Memory，ROM)，快闪存储器(flash memory)，硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)；或者以上种类的存储器的组合，并向处理器提供指令和数据。
以下基于上述超声成像设备10，对本发明的技术方案进行详细说明。
本发明实施例提供了一种超声成像方法，如图2所示，该方法可以包括：
S101、发射超声波至待检测对象的子宫区域，以进行体扫描。
在本发明实施例中，超声成像设备可以通过探头发射超声波至待检测对象的子宫区域，实现对子宫区域的超声扫描和检查，用于对子宫区域进行检测的场景下。
需要说明的是，待检测对象可以为人体器官或人体组织结构等包含子宫区域的对象，这里的子宫区域为包含全部或部分子宫、或包含全部或部分子宫和子宫附件的区域。
在本发明实施例中，超声成像设备可以通过对子宫区域的关键解剖结构进行识别，通过关键解剖结构的位置表征子宫区域。这里子宫区域的关键解剖结构可以为子宫内膜。因此，本发明实施例通过识别出子宫内膜的位置，表征子宫区域的超声图像。
S102、接收从待检测对象的子宫区域返回的超声回波，并基于超声回波获取超声回波信号。
S103、对超声回波信号进行处理，得到待检测对象的子宫区域的三维体数据。
超声成像设备的接收电路可以通过探头接收从待检测对象的子宫区域返回的超声回波，从而获得超声回波信号/数据；该超声回波信号/数据经过波束合成电路进行波束合成处理后，送入处理器。超声成像设备的处理器对该超声回波信号/数据进行信号处理和三维重建，以获得待检测对象的子宫区域的三维体数据。
需要说明的是，如图3所示，发射电路将一组经过延迟聚焦的脉冲发送到探头，探头向待检测对象的机体组织发射超声波，经过一定延时后接收从待检测对象的机体组织反射回来的带有组织信息的超声回波，并将此超声回波重新转换为电信号，接收电路接收该电信号(超声回波信号)，并将此超声回波信号送入波束合成电路，超声回波信号在波束合成电路完成聚焦延时、加权和通道求和，再经过信号处理模块(即处理器)进行信号处理，然后将处理后的信号送入三维重建模块(即处理器)，经过图像绘制渲染后处理，得到可视化信息超声波图像，然后传输到显示器显示超声波图像。
S104、根据子宫区域的子宫内膜的图像特征，从子宫区域的三维体数据中识别出子宫内膜，得到子宫内膜的位置信息。
在本发明实施例中，超声成像设备在得到了待检测对象的子宫区域的三维体数据之后，就可以根据子宫区域的子宫内膜的图像特征，对子宫区域的三维体数据进行特征提取、特征对比，从而识别出子宫内膜，进而得到子宫内膜的位置信息。
需要说明的是，在进行子宫内膜的三维重建之前，超声成像设备需要识别哪些解剖结构和待确定的子宫内膜相关。例如，在子宫区域的体数据中，子宫内膜的回声和周围组织的回声存在明显的差异，同时随着女性生理周期的变化，子宫内膜的形态也呈现周期性变化，特征比较明显，所以可以将子宫内膜作为子宫区域的关键解剖结构，确定子宫内膜切面。在本发明实施例中，子宫区域的关键解剖结构的检测包括但并不仅限于子宫内膜。
在本发明的一些实施例中，子宫内膜与子宫基层组织对超声波的反射能力不同，对应得到的超声回波信号的灰度特征存在差异，因此超声成像设备可以根据子宫区域的子宫内膜与子宫基层组织的图像特征的差异，从子宫区域的三维体数据中识别出子宫内膜。超声成像设备可以根据灰度值的差异，确定子宫内膜与子宫基层组织的边界，从而在三维体数据中识别出子宫内膜。在本发明的一些实施例中，随着女性生理周期的变化，子宫内膜的形态也呈现周期性变化，因此超声成像设备可以根据子宫区域的子宫内膜的可周期性变化的形态特征，从子宫区域的三维体数据中识别出子宫内膜，得到子宫内膜的位置信息。超声成像设备可基于子宫内膜在生理周期不同时期的形态特征，从子宫区域的三维体数据中识别出子宫内膜。下面将具体进行介绍。
需要说明的是，子宫内膜等关键解剖结构的识别方法可以是手动的，也可以是自动的。手动获取解剖结构时用户可以通过键盘、鼠标等工具，通过一定的工作流在三维体数据中特定的解剖结构上点点、画线等，来告知关键解剖结构的类型和位置。在本发明实施例中，采用自动识别子宫内膜的方式，自动识别子宫内膜是指通过提取三维体数据的特征，利用该特征自动检测出子宫内膜在三维体数据中的位置。
在本发明实施例中，自动识别关键解剖结构的方法分为两种情况：一种是直接在三维体数据中确定子宫内膜的空间位置；另一种是在三维体数据的切面中检测子宫内膜，根据切面位置在三维体数据中的位置以及子宫内膜在切面中的位置，确定子宫内膜在三维体数据中的位置。其中，子宫内膜等关键解剖结构位置的表达方式可以是用一个感兴趣(ROI，region of interest)框把解剖位置包住，也可以是精确分割出解剖结构的边界，还可以用一个或多个点辅助表达，自动识别三维体数据中子宫内膜这个关键解剖结构的方法有很多，本发明实施例不作限制。
示例性的，在三维体数据中确定子宫内膜的空间位置，从而获取到最标准的子宫内膜切面的过程可以基于灰度和/或形态学等特征检测方法，实现对子宫内膜的检测；也可以采用机器学习或深度学习的方法在三维体数据中检测或精确分割出子宫内膜，本发明实施例不作限制。
在本发明的一些实施例中，超声成像设备根据子宫区域的子宫内膜的图像特征，从子宫区域的三维体数据中识别出子宫内膜，得到子宫内膜的位置信息的实现方式可以包括以下几种，本发明实施例不作限制。
在本发明的一个实施例中，超声成像设备对子宫区域的三维体数据进行预设特征提取，得到至少一个候选感兴趣区域；获取已识别出子宫内膜的子宫区域的三维模板数据，根据该三维模板数据，获得子宫内膜的预设模板区域；将至少一个候选感兴趣区域和预设模板区域进行匹配，识别出匹配度最高的候选感兴趣区域作为待检测对象的子宫内膜的目标区域，并根据子宫内膜的目标区域在三维体数据中的位置，得到子宫内膜的位置信息。
这里，预设特征可以为形态学特征，超声成像设备对子宫区域的三维体数据进行二值化分割，并对二值化分割结果进行形态学操作处理，从而得到具有完整边界的至少一个候选感兴趣区域。这里的形态学操作例如可以是对二值化分割结果进行膨胀处理或腐蚀处理。膨胀处理可以一定程度地扩大二值化分割结果的边缘。腐蚀处理可以将二值化分割结果缩小。
在本发明实施例中，由于在子宫区域的体数据中，子宫内膜的回声和周围组织的回声存在明显的差异，同时随着女性生理周期的变化，子宫内膜的形态也呈现周期性变化，特征比较明显，因此，可以采用灰度和/或形态学等特征检测方法，实现对子宫内膜的检测。
在本发明的一些实施例中，超声成像设备将至少一个候选感兴趣区域和预设模板区域进行匹配，识别出匹配度最高的候选感兴趣区域作为待检测对象的子宫内膜的目标区域的具体实现可以为：提取至少一个候选感兴趣区域的特征指数，特征指数包括形状特征、纹理特征、边界特征或灰度分布特征；基于特征指数，计算至少一个候选感兴趣区域与预设模板区域的相关度；以及，将相关度最高且相关度超过预设阈值的候选感兴趣区域作为待检测对象的子宫内膜的目标区域。
需要说明的是，基于特征指数，计算至少一个候选感兴趣区域与预设模板区域的相关度的方式本发明实施例不作限制，可以为特征匹配，可以为特征的差异度等。
在本发明实施例中，预设阈值可以为90％，具体的本发明实施例不作限制。
示例性的，对三维体数据进行二值化分割，进行一些必要的形态学操作后得到至少一个候选感兴趣区域，然后对每个候选感兴趣区域根据形状特征判断该候选感兴趣区域是子宫内膜的概率，选择一个概率最高的区域作为目标区域(即匹配度最高的)。具体的，超声成像设备可以事先获取已识别出子宫内膜的子宫区域的三维模板数据，根据该三维模板数据，获得子宫内膜的预设模板区域，再将至少一个候选感兴趣区域和预设模板区域进行匹配，识别出匹配度最高的候选感兴趣区域作为待检测对象的子宫内膜的目标区域。
也就是说，超声成像设备对三维体数据进行形状特征提取，从子宫区域中得到不同形状特征的至少一个候选感兴趣区域；将至少一个候选感兴趣区域对应的形状特征与预设模板区域的形状特征进行对比，得到至少一个对比结果；至少一个对比结果与至少一个候选感兴趣区域一一对应；将至少一个对比结果中最高的对比结果对应的候选感兴趣区域，识别为子宫内膜(即目标区域)；从所述三维超声图像数据中，获取子宫内膜的位置信息(即目标区域在三维体数据中的位置)。
在本发明实施例中，超声成像设备也可以采用其他灰度检测和分割方法，例如大津阈值(OTSU)、水平集(LevelSet)、图割(Graph Cut)、Snake等实现对子宫内膜的目标区域的分割，本发明实施例不作限制。
在本发明的一个实施例中，可以基于机器学习或深度学习方法实现对子宫内膜的检测。采用机器学习或深度学习方法时，先通过一系列训练样本对超声成像设备进行训练，建立预设定位模型，然后基于训练学习到的特征，对子宫区域的三维体数据进行分类和回归，得到子宫内膜在三维体数据中的位置信息。
超声成像设备获取预设定位模型，预设定位模型包括已识别出子宫内膜的子宫区域的三维正样本数据、以及子宫内膜在该三维正样本数据中的标定信息；基于预设定位模型中子宫内膜的标定信息，从待检测对象的子宫区域的三维体数据中识别出子宫内膜，定位出子宫内膜的位置信息。
在本发明实施例中，一种目标区域的定位和识别的方法可以是采用机器学习或深度学习的方法在三维体数据中检测或精确分割出关键解剖结构(例如，子宫内膜)。例如，可首先学习数据库中区别目标区域(正样本：子宫内膜区域)和非目标区域(负样本：背景区域)的特征或规律，再根据学习到的特征或规律对其他图像的关键解剖结构进行定位和识别。
可以理解的是，这里采用正样本和负样本对预设定位模型进行训练，可以得到更全面和准确的模型，提高识别的准确率。
需要说明的是，在本发明实施例中，预设定位模型包括已识别出子宫内膜的子宫区域的三维正样本数据、以及子宫内膜在该三维正样本数据中的标定信息，预设定位模型是采用机器学习或深度学习的方法进行模型训练得到的。这里的三维正样本数据就是指包含有子宫内膜的特征体数据。
在本发明的一些实施例中，超声成像设备通过模型训练得到预设定位模型的过程为：超声成像设备获取至少两个待训练对象的三维训练体数据，三维训练体数据至少包括已识别出子宫内膜的子宫区域的三维正样本数据；在三维训练体数据中标定出子宫内膜或子宫内膜的关联解剖结构，作为子宫内膜在该三维训练体数据中的标定信息；以及，基于三维训练体数据和子宫内膜的标定信息，采用机器学习或深度学习的方法进行模型训练，得到预设定位模型。
其中，预设定位模型表征三维体数据分别与标定信息的对应关系。
在本发明实施例中，三维训练体数据和子宫内膜的标定信息(即数据库)为多份子宫内膜体数据及关键解剖结构的标定结果。其中，标定结果可以根据实际的任务需要进行设定，可以是包含目标的感兴趣区域(region of interest，ROI)框，也可以是对子宫内膜区域进行精确分割的掩膜，本发明实施例不做限定。
在本发明的一些实施例中，超声成像设备利用预设定位模型中子宫内膜的标定信息，通过深度学习或机器学习的方法学习得到子宫内膜的图像特征规律；基于子宫内膜的图像特征规律，从待检测对象的子宫区域的三维体数据中提取出含子宫内膜的目标区域，并输出该目标区域在三维体数据中的位置信息，作为子宫内膜的位置信息。
也就是说，超声成像设备识别子宫内膜可以分为两个步骤：1、获取数据库，该数据库中包含了多个三维训练体数据及对应的子宫内膜的标定结果，其中，子宫内膜的标定结果可以根据实际的任务需要进行设定，可以是包含子宫内膜的ROI(感兴趣区域)框，也可是对子宫内膜进行精确分割的Mask(掩膜)；2、定位和识别，即利用机器学习算法学习数据库中可以区别子宫内膜的目标区域和非子宫内膜区域的特征或者规律来实现对超声图像的感兴趣区域的识别和定位。
可选的，深度学习或机器学习的方法包括：基于滑窗的方法、基于深度学习的Bounding-Box方法、基于深度学习的端到端的语义分割网络方法和采用上述方法标定子宫内膜的目标区域，并根据标定结果设计分类器对感兴趣区域进行分类判断，具体的根据实际情况进行选择，本申请实施例不做具体的限定。
例如，基于滑窗的方法可以为：首先对滑窗内的区域进行特征提取，特征提取方法可以是主成分分析(principal components analysis，PCA)、线性判别分析(LinearDiscriminant Analysis，LDA)、Harr特征、纹理特征等，也可以采用深度神经网络来进行特征提取，然后将提取到的特征和数据库进行匹配，用k最邻近分类算法(k-NearestNeighbor，KNN)、支持向量机(Support Vector Machine，SVM)、随机森林、神经网络等判别器进行分类，确定当前滑窗是否为子宫内膜的目标区域同时获取其相应类别。
例如，基于深度学习的Bounding-Box方法可以为：通过堆叠基层卷积层和全连接层来对构建的数据库进行特征的学习和参数的回归，对于输入的三维体数据，可以通过网络直接回归出对应的子宫内膜的目标区域的Bounding-Box，同时获取其子宫内膜的目标区域内组织结构的类别，常见的网络有区域卷积神经网络(Region-Convolutional NeuralNetwork，R-CNN)、快速区域卷积神经网络(Fast R-CNN)、Faster-RCNN、SSD(single shotmultibox detector)、YOLO等。
例如，基于深度学习的端到端的语义分割网络方法可以为：通过堆叠基层卷积层、上采样或者反卷积层中的任一种来对构建的数据库进行特征的学习和参数的回归，对于输入数据，可以通过网络直接回归出对应的子宫内膜的目标区域的Bounding-Box，其中，加入上采样或者反卷积层中的任一种来使得输入与输出的尺寸相同，从而直接得到输入数据的子宫内膜的目标区域及其相应类别，常见的网络有FCN、U-Net、Mask R-CNN等。
例如，也可以采用上述三种方法先标定子宫内膜的目标区域，然后根据标定结果设计分类器对子宫内膜的目标区域进行分类判断中，进行分类判断的方法为：首先对目标ROI或Mask进行特征提取，特征提取方法可以是PCA、LDA、Haar特征、纹理特征等，也可以采用深度神经网络来进行特征提取，然后将提取到的特征和数据库进行匹配，用KNN、SVM、随机森林、神经网络等判别器进行分类。
在本发明的一些实施例中，可先从三维体数据中提取出一系列剖面图像数据，然后基于剖面图像数据检测子宫内膜。
超声成像设备从子宫区域的三维体数据中，获取识别出包括有子宫内膜的矢状面图像数据；根据矢状面图像数据，确定出子宫内膜的中心点；基于中心点，获取与矢状面图像数据正交的、且识别出包括有子宫内膜的横切面图像数据；基于识别出包括有子宫内膜的横切面图像数据和矢状面图像数据在子宫区域的三维体数据中的位置，得到子宫内膜的位置信息。
需要说明的是，本发明实施例中的三维体数据是对子宫区域进行超声扫描得到的，那么基于三维体数据形成的剖面图像可以存在多个包含了子宫内膜的剖面图像。因此，超声成像设备对三维体数据中的部分剖面图像进行子宫内膜的检测，也可以达到子宫内膜自动成像的目的。
示例性的，超声成像设备在进行三维体数据采集时，医生通常以矢状面为起始切面扫查子宫区域而得到三维体数据。具体的，基于剖面检测子宫内膜的方法为首先在三维体数据中，获取识别出包括有子宫内膜的矢状面图像数据(A面)，从矢状面图像数据中得到矢状面图像中子宫内膜的中心点，在该中心点处确定出与矢状面数据正交的包含子宫内膜的横切面图像数据(B面)。通过A、B面的检测，即可知道子宫内膜在两个正交面中的位置，该位置虽然没有包含全部的子宫内膜的目标区域，但也可以近似表达子宫内膜在三维体数据的空间中的位置，从而可以根据子宫内膜的位置信息自动成像。
可以理解的是，在本发明实施例中，虽然没有直接在三维体数据中进行三维的子宫内膜的精确检测，但是只需要在少数切面图像上(例如矢状面图像和横切面图像)进行自动检测就可以得到子宫内膜的大概位置信息，这样大大节约计算量。并且超声成像设备在获取矢状面图像数据的基础上通过获取横切面图像数据，纠正了采图时可能发生的翻转的情况。
需要说明的是，在本发明实施例中，基于剖面图像数据检测子宫内膜的方法与三维体数据中检测子宫内膜空间位置的方法类似，同样可以通过灰度和/或形态学等特征检测方法和机器学习或深度学习算法实现，此处不再赘述。
在本发明实施例中，无论是基于三维体数据直接检测到子宫内膜空间位置，还是直接在剖面图像数据中检测到子宫内膜的位置，其目的都是获取子宫内膜在三维体数据中的位置，将其作为后续成像的依据。
S105、根据子宫内膜的位置信息，基于三维体数据进行子宫内膜成像，得到子宫内膜图像。
超声成像设备在获取到了子宫内膜的位置信息之后，该超声设备可以根据子宫内膜的位置信息，基于三维体数据进行子宫内膜成像，得到子宫内膜图像。根据子宫内膜在三维体数据中的位置信息，进行子宫内膜成像时，超声成像设备可根据该位置信息从三维体数据中自动获取与子宫内膜相关的目标体数据，再结合所选定的成像方式对该目标体数据进行图像重建等处理，以得到对应的超声图像。
需要说明的是，超声成像设备在识别出子宫区域的子宫内膜的位置信息后，即识别出子宫区域的关键解剖结构后，就可以根据关键解剖结构在三维体数据中的位置实现子宫内膜自动成像。
本发明的超声成像设备为三维成像系统，可实现三种方式的子宫内膜自动成像：子宫内膜VR成像、子宫内膜CMPR成像、和子宫内膜标准切面成像。具体的成像方式本发明实施例不作限制。
需要说明的是，超声成像设备可根据子宫内膜的位置信息，从三维体数据中提取出包含有子宫内膜的矢状面切面图像，然后基于该矢状面切面图像进行VR成像和CMPR成像。
在本发明的一些实施例中，超声成像设备进行的VR成像是对VOI(Volume ofinterest)框内的区域进行渲染，VOI框通常为一个长方体。对子宫内膜进行VR成像时，还可将该长方体中的一个平面变成曲面，通过曲面更好地符合子宫内膜的弯曲结构。
进行子宫内膜VR成像时，可以根据子宫内膜的位置信息，从三维体数据中提取出包括有子宫内膜的矢状面切面图像；启用预设绘制框，并基于预设绘制框，进行调节处理，以使预设绘制框覆盖住矢状面切面图像上的子宫内膜；对与预设绘制框对应的目标三维体数据进行图像绘制，得到三维子宫内膜图像，其中，目标三维体数据包含于子宫区域的三维体数据中。
在本发明实施例中，超声成像设备在进行VR成像的时候，在获取到了包括有子宫内膜的矢状面切面图像后，会启动预设绘制框，即在超声成像设备的显示器的矢状面切面图像上显示出预设绘制框，基于预设绘制框，进行调节处理，使得预设绘制框覆盖住矢状面切面图像上的子宫内膜，这时自动对预设绘制框内的区域对应的三维体数据中的目标三维体数据进行VR图像绘制。
需要说明的是，VR图像的获取需要调整三维体数据(包含子宫内膜体数据)的方位，或者设置VOI框的大小和位置，达到预设绘制框刚好覆盖住矢状面切面图像上的子宫内膜的目的。对于子宫内膜体数据，用户主要关注的是子宫内膜，因此在检测到子宫内膜等关键解剖结构后，可以根据子宫内膜的位置信息，自动调整三维体数据方位和大小，使得VOI框正好可以将子宫内膜区域包住。
在本发明实施例中，超声成像设备基于预设绘制框进行调节的时候，可以通过调节预设绘制框的大小和位置，使得预设绘制框覆盖住矢状面切面图像上的子宫内膜；也可以根据预设绘制框在矢状面切面图像上的方位，调节子宫区域的三维体数据的方位，从而使得预设绘制框覆盖住矢状面切面图像上的子宫内膜，还可以采用别的方式实现，本发明实施例不作限制。
具体的，超声成像设备可以根据子宫内膜的位置信息，确定子宫内膜在矢状面切面图像上的大小和位置，对应调节预设绘制框的大小和位置；和/或，根据子宫内膜的位置信息，确定子宫内膜在子宫区域的三维体数据中的方位，根据预设绘制框在矢状面切面图像上的方位，调节子宫区域的三维体数据的方位。
在本发明实施例中，预设绘制框为VOI(Volume of Interest)框，对于三维立体成像，VR成像是对预设绘制框内的区域进行渲染，自动形成图像的。
需要说明的是，VOI还可将一个长方体中的一个平面变成曲面，其余5个面仍是长方体的5个面，通过曲面可以用来观察弯曲的组织结构。设置VOI框的目的是在对体数据进行立体渲染时只渲染VOI框内的区域，VOI框外的区域不进行渲染，即通过VR图像用户只能看到VOI框内的组织成像的图像。
进一步地，在本发明实施例中，VOI框的曲面尽可能与子宫内膜弯曲的下边缘重合，这样就可以渲染出子宫内膜冠状面图像。
示例性的，如图4所示，在子宫区域的三维体数据的矢状面切面图像中，在得知了子宫内膜的位置信息后，就可以启用预设绘制框1(VOI框)，该预设绘制框1覆盖了子宫内膜，且VOI成像的曲面尽可能与子宫内膜下边缘重合，这样自动对预设绘制框1内的结构进行VR成像，得到了如图5所示的子宫内膜的冠状面图像。
这里，子宫内膜的冠状面信息除了通过三维重建出VR图进行显示外还可以使用CMPR进行显示。
需要说明的是，CMPR成像是在三维体数据的某个切面图像中取一个轨迹曲线，轨迹曲线将三维体数据剖开获得曲线的剖面图像，从而可以用来观察弯曲的组织结构的。由于通常子宫内膜的形状都具有一定弧度的曲线轨迹，因此直接取出三维体数据中的某个平面不能完整显示出子宫内膜的冠状面信息，CMPR切面可以很好地将整个子宫内膜轨迹覆盖，获取完整的冠状面图像。
在本发明实施例中，某个切面图像可以为矢状面切面图像，也可以为其他切面图像，本发明实施例不做限制。
具体的，超声成像设备根据子宫内膜的位置信息，从三维体数据中提取出包括有子宫内膜的矢状面切面图像，并在矢状面切面图像上自动生成子宫内膜的轨迹线；根据轨迹线，对三维体数据进行子宫内膜曲面成像，得到子宫内膜图像。
需要说明的是，在本发明实施例中，轨迹线为曲线。
在本发明实施例中，超声成像设备在自动识别获得子宫内膜的位置信息后，根据子宫内膜的位置信息，在矢状面切面图像上自动生成一条足够贴合子宫内膜的CMPR轨迹线，实现自动化的子宫内膜CMPR成像。
因前端扫描操作的缘故，所获取的子宫区域的三维体数据中，子宫内膜可能有一定程度的扭转，此时需对三维体数据进行方位调整，以使得矢状面切面图像可以尽可能多地显示子宫内膜。通常地，子宫内膜在横切面上可得到一近似椭圆的图像，子宫内膜在横切面上的预设横切面位置可以为图示的水平位置，该水平位置例如可为图10的虚线所示的水平线。若子宫内膜发生扭转，则横切面上子宫内膜的图像会一定角度旋转，该椭圆图像的长轴不再是图示的水平线，而会有一定角度的倾斜。如图10所示，白色实线表示子宫内膜横切面图像的长轴，其与虚线所示的水平线并未对齐，表明此时的子宫内膜发生了一定角度的扭转。根据横切面上子宫内膜的上述图像特征，本发明可对子宫区域的三维体数据进行方位调整。
在本发明的一些实施例中，子宫内膜的位置信息可以包括：子宫内膜在矢状面上的位置和子宫内膜在横切面上的位置。那么，超声成像设备在矢状面切面图像上自动生成子宫内膜的轨迹线的过程可以为：调节三维体数据的方位，直至将子宫内膜在横切面上的位置调整至符合预设横切面位置，例如该预设横切面位置可以为图10所示的水平位置；基于方位调节后的三维体数据，再确定子宫内膜在矢状面上的位置，随后可根据子宫内膜在矢状面上的位置，在矢状面切面图像上自动拟合出子宫内膜的轨迹线。
示例性的，超声成像设备分别获得子宫内膜在矢状面和横切面上的位置，作为矢状面位置信息和横切面位置信息，然后可以根据横切面上的子宫内膜位置(横切面位置信息)将横切面的子宫内膜位置旋转至水平状态，该旋转操作同时也对子宫内膜在矢状面上的子宫内膜位置进行了调整，然后再根据调整后的矢状面上的子宫内膜位置(矢状面位置信息)拟合出一条CMPR曲线，该曲线正好经过子宫内膜的中心区域，此时再基于该CMPR曲线成像即得到了子宫内膜的CMPR图。
需要说明的是，为了更好显示子宫内膜，还可以继续旋转三维体数据或旋转CMPR图，将子宫内膜旋转至竖直状态，便于观察。
在本发明实施例中，为了提高CMPR图像的对比分辨率和信噪比，也可结合切片对比视图(SCV，Slice Contrast View)一起使用，SCV通过增加厚度调节，渲染厚度范围内的区域，可以提高图像的对比分辨率和信噪比。
在本发明的一些实施例中，超声成像设备根据子宫内膜的位置信息，从三维体数据中提取出包括有子宫内膜的矢状面切面图像，并在矢状面切面图像上自动生成子宫内膜的轨迹线；根据子宫内膜的位置信息，获取矢状面切面图像上子宫内膜的边缘信息；根据边缘信息和轨迹线，确定出图像绘制区域；对与图像绘制区域对应的目标三维体数据进行子宫内膜的曲面成像，得到反映子宫内膜厚度的子宫内膜图像。
需要说明的是，超声成像设备根据子宫内膜的位置信息，从三维体数据中提取出包括有子宫内膜的矢状面切面图像，并在矢状面切面图像上自动生成子宫内膜的轨迹线是一条单独的曲线，不能表征子宫内膜的厚度，这时，可以根据子宫内膜的位置信息，获取矢状面切面图像上子宫内膜的边缘信息，这样，将轨迹线和边缘信息之间的具有一定厚度的区域确定为图像绘制区域，只需将图像绘制区域对应的目标三维体数据进行子宫内膜的曲面成像，得到反映子宫内膜厚度的子宫内膜图像即可，由于这样得到是具有子宫内膜厚度的子宫内膜图像，提高了图像的分辨率。
示例性的，如图6所示，超声成像设备根据子宫内膜的位置信息，从三维体数据中提取出包括有子宫内膜的矢状面切面图像1，并在矢状面切面图像1上自动生成子宫内膜的轨迹线2；根据子宫内膜的位置信息，获取矢状面切面图像1上子宫内膜的边缘信息3；根据边缘信息3和轨迹线2，确定出图像绘制区域4；对与图像绘制区域4对应的目标三维体数据进行子宫内膜的曲面成像，得到反映子宫内膜厚度的子宫内膜图像(如图7所示)。
在本发明实施例中，超声成像设备还可以通过二维成像得到子宫内膜切面图像。基于三维体数据中检测到的子宫内膜的位置信息，还可以直接通过平面成像获取子宫内膜的标准切面。
例如，超声成像设备根据子宫内膜的位置信息，拟合出子宫内膜冠状面；从三维体数据中获取与子宫内膜冠状面对应的灰度图像；灰度图像作为子宫内膜的标准切面图像。这里的标准切面图像就是子宫内膜的冠状面切面图像。
需要说明的是，通常子宫内膜是一个曲型结构，用VR成像或CMPR能够更好表达曲型结构。但作为一种近似，也可以直接用平面来显示子宫内膜冠状面。
也就是说，超声成像设备在三维体数据中检测到子宫内膜的位置信息后，即可拟合出子宫内膜冠状面，使该平面通过子宫内膜区域并能够最大化显示子宫内膜(子宫内膜为一定厚度的片状物体，冠状面即为片状物体的中心平面)。平面的方程可以通过解方程或者最小二乘估计拟合得到。得到平面方程后，即可从三维体数据中取出该平面所对应的灰度图像，从而得到子宫内膜标准切面。同时还可以基于子宫内膜在三维体数据中的位置信息，对其角度偏差进行旋转和校正，最终得到子宫内膜的切面图像(二维平面)。
在本发明实施例中，以上的成像方法均可生成子宫内膜图像，可以独立使用，也可组合使用，本发明实施例不作限制。
需要说明的是，对于图像质量较差，通过算法检测到的子宫内膜的解剖结构位置有偏差的情况，也可以让用户通过键盘、鼠标等工具对检测到的切面中的VOI区域或CMPR曲线进行移动、缩放、删除重新标定等修改操作，实现半自动的VOI成像或CMPR曲面成像；对于子宫内膜标准切面平面成像，用户也可以通过旋钮对切面进行调整，本发明实施例不作限制。
S106、显示子宫内膜图像。
超声成像设备在获取了子宫内膜图像之后，超声成像设备在显示器显示子宫内膜图像，并且这些子宫内膜图像存储于存储器中。
在本发明实施例中，超声成像设备对子宫内膜进行VR自动成像时，使用光线跟踪等三维渲染算法得到子宫内膜VR图像，并显示在显示器上。
在本发明实施例中，超声成像设备对子宫内膜进行CMPR自动成像时，获得子宫内膜的CMPR图，并显示在显示器上。
在本发明实施例中，超声成像设备基于子宫内膜的标准切面自动成像获得子宫内膜标准切面图像。
在一些实施例中，可设置一定的工作流，将不同成像方式对应的功能集成到工作流中，供医生自由选择，并将选择的功能所对应的图像在显示器中进行显示。
示例性的，如图8所示，超声成像设备通过超声波得到子宫区域的三维体数据，并检测关键解剖结构，具体为：基于三维体数据进行特征识别，识别关键解剖结构(子宫内膜)，即感兴趣区域，或者基于三维体数据的剖面图像，识别关键解剖结构，即感兴趣区域。在识别出子宫内膜后，采用子宫内膜VR自动成像、子宫内膜CMPR自动成像和子宫内膜的标准切面自动成像中的至少一种，得到子宫内膜图像(子宫内膜自动成像)，并显示成像结果。例如，显示VR渲染成像结果、显示CMPR成像结果，或者显示子宫内膜的标准切面。
可以理解的是，超声成像设备可以通过对待检测对象的子宫区域的三维体数据进行识别，识别出子宫内膜，从而得到子宫内膜的位置信息，进而自动成像得到子宫内膜切面图像，这样找到的子宫内膜的位置是准确的，提高了超声成像的准确度，并且可以自动成像还提高了超声波图像成像的智能性。
基于上述实现的基础上，以关键解剖结构为感兴趣区域为例，提供对感兴趣区域的超声成像方法，如图9所示，该方法可以包括：
S201、对待检测对象进行超声扫描，得到待检测对象的三维体数据。
S202、根据感兴趣区域的图像特征，从待检测对象的三维体数据中识别出感兴趣区域，得到感兴趣区域的位置信息。
S203、根据感兴趣区域的位置信息，对三维体数据进行处理，得到感兴趣区域图像。
S204、显示感兴趣区域图像。
在本发明实施例中，超声成像设备根据感兴趣区域的图像特征，从待检测对象的三维体数据中识别出感兴趣区域，得到感兴趣区域的位置信息，包括以下几种方式：
(1)、对三维体数据进行预设特征提取，以得到至少一个候选感兴趣区域；将至少一个候选感兴趣区域和预设模板区域进行匹配，识别出匹配度最高的感兴趣区域，得到感兴趣区域的位置信息。
(2)、基于预设定位模型，对三维体数据进行处理，识别出待检测对象中的感兴趣区域，定位出感兴趣区域的位置信息；预设定位模型表征三维体数据与感兴趣区域的对应关系。
(3)、从三维体数据中，获取感兴趣区域的矢状面图像数据；根据矢状面图像数据，确定出感兴趣区域的中心点；基于中心点，获取与矢状面图像数据正交的横切面图像数据；基于横切面图像数据和矢状面图像数据，识别出感兴趣区域，得到感兴趣区域的位置信息。
在本发明实施例中，基于预设定位模型，对三维体数据进行处理，识别出待检测对象中的所述感兴趣区域，定位出感兴趣区域的位置信息之前，需要先获取到预设定位模型。预设定位模型可预先构建完成，在成像过程调用已构建好的预设定位模型。其中，构建预设定位模型的过程可以包括：获取至少两个待训练对象的三维训练体数据和感兴趣区域；基于三维训练体数据和感兴趣区域，采用预设机器学习算法对训练模型进行训练，得到预设定位模型。
在本发明实施例中，超声成像设备根据感兴趣区域的位置信息，对三维体数据进行处理，得到感兴趣区域切面图像，包括以下几种：
(1)、获取预设绘制框；将预设绘制框覆盖感兴趣区域的位置信息对应的目标感兴趣区域；对与预设绘制框对应的目标三维体数据进行图像绘制，得到三维感兴趣区域图像，目标三维体数据包含于三维体数据中。
(2)、根据感兴趣区域的位置信息，生成感兴趣区域的轨迹线；根据轨迹线，对三维体数据进行感兴趣区域的图像绘制，得到感兴趣区域图像。
(3)、获取感兴趣区域的边缘信息；根据边缘信息和轨迹线，确定出图像绘制区域；根据图像绘制区域，对三维体数据进行感兴趣区域的图像绘制，得到三维感兴趣区域图像。
(4)、根据感兴趣区域的位置信息，拟合出感兴趣区域冠状面；从三维体数据中获取与感兴趣区域冠状面对应的灰度图像；灰度图像作为感兴趣区域的标准切面图像。
需要说明的是，感兴趣区域的位置信息可包括：矢状面位置信息和横切面位置信息；根据感兴趣区域的位置信息，生成感兴趣区域的轨迹线的过程为：将横切面位置信息旋转至与矢状面位置信息同一水平面，得到旋转横切面位置信息；根据旋转横切面位置信息和矢状面位置信息，拟合出感兴趣区域的轨迹线。
需要说明的是，S201-S204的实现过程的原理和实现方式与上述S101-S106的实现原理一致，此处不再赘述。
本发明实施例提供了一种超声成像设备，如图1所示，该超声成像设备包括：
探头100；
发射电路101，用于激励该探头100向待检测对象发射超声波；
发射/接收选择开关102；
接收电路103，用于通过该探头100接收从该子待检测对象返回的超声回波，从而获得超声回波信号/数据；
波束合成电路104，用于对该超声回波信号/数据进行波束合成处理，获得波束合成后的超声回波信号/数据；
处理器105，用于对所述超声回波信号进行处理，得到所述待检测对象的子宫区域的三维体数据；根据子宫区域的子宫内膜的图像特征，从所述子宫区域的三维体数据中识别出子宫内膜，得到所述子宫内膜的位置信息；根据所述子宫内膜的位置信息，基于所述三维体数据进行子宫内膜成像，得到子宫内膜图像；
显示器106，用于显示所述子宫内膜图像。
在本发明的一些实施例中，所述处理器105，可用于根据所述子宫区域的子宫内膜与子宫基层组织的图像特征差异、和/或根据所述子宫区域的子宫内膜的可周期性变化的形态特征，从所述子宫区域的三维体数据中识别出所述子宫内膜，得到所述子宫内膜的位置信息。
在本发明的一些实施例中，所述处理器105，可用于对所述子宫区域的三维体数据进行预设特征提取，得到至少一个候选感兴趣区域；获取已识别出所述子宫内膜的子宫区域的三维模板数据，根据该三维模板数据，获得子宫内膜的预设模板区域；将所述至少一个候选感兴趣区域和预设模板区域进行匹配，识别出匹配度最高的候选感兴趣区域作为所述待检测对象的子宫内膜的目标区域，并根据子宫内膜的目标区域在所述三维体数据中的位置，得到所述子宫内膜的位置信息。
在本发明的一些实施例中，所述处理器105，还可用于提取所述至少一个候选感兴趣区域的特征指数，所述特征指数包括形状特征、纹理特征、边界特征或灰度分布特征；基于所述特征指数，计算所述至少一个候选感兴趣区域与所述预设模板区域的相关度；以及，将相关度最高且相关度超过预设阈值的所述候选感兴趣区域作为所述待检测对象的所述子宫内膜的目标区域。
在本发明的一些实施例中，所述处理器105，可用于对所述子宫区域的三维体数据进行图像分割，并对图像分割结果进行形态学操作处理，得到具有完整边界的所述至少一个候选感兴趣区域。
在本发明的一些实施例中，所述处理器105，可用于获取预设定位模型，所述预设定位模型包括已识别出所述子宫内膜的子宫区域的三维正样本数据、以及子宫内膜在该三维正样本数据中的标定信息；以及，基于所述预设定位模型中子宫内膜的标定信息，从所述待检测对象的子宫区域的三维体数据中识别出所述子宫内膜，定位出所述子宫内膜的位置信息。
在本发明的一些实施例中，所述处理器105，还可用于利用所述预设定位模型中子宫内膜的标定信息，通过深度学习或机器学习的方法学习得到子宫内膜的图像特征规律；基于所述子宫内膜的图像特征规律，从所述待检测对象的子宫区域的三维体数据中提取出含子宫内膜的目标区域，并输出该目标区域在三维体数据中的位置信息，作为所述子宫内膜的位置信息。
在本发明的一些实施例中，所述处理器105，还可用于获取至少两个待训练对象的三维训练体数据，所述三维训练体数据至少包括所述已识别出子宫内膜的子宫区域的三维正样本数据；在所述三维训练体数据中标定出子宫内膜或子宫内膜的关联解剖结构，作为所述子宫内膜在该三维训练体数据中的标定信息；以及，基于所述三维训练体数据和所述子宫内膜的标定信息，采用机器学习或深度学习的方法进行模型训练，得到所述预设定位模型。
在本发明的一些实施例中，所述处理器105，可用于从所述子宫区域的三维体数据中，获取识别出包括有子宫内膜的矢状面图像数据；根据所述矢状面图像数据，确定出子宫内膜的中心点；基于所述中心点，获取与所述矢状面图像数据正交的、且识别出包括有子宫内膜的横切面图像数据；基于识别出包括有所述子宫内膜的所述横切面图像数据和所述矢状面图像数据在所述子宫区域的三维体数据中的位置，得到所述子宫内膜的位置信息。
在本发明的一些实施例中，所述处理器105，可用于根据所述子宫内膜的位置信息，从所述三维体数据中提取出包括有子宫内膜的矢状面切面图像；启用并调节预设绘制框，以使预设绘制框覆盖住所述矢状面切面图像上的子宫内膜；以及，对与所述预设绘制框对应的目标三维体数据进行图像绘制，得到三维子宫内膜图像，所述目标三维体数据包含于所述子宫区域的三维体数据中。
在本发明的一些实施例中，所述处理器105，还可用于根据所述子宫内膜的位置信息，确定所述子宫内膜在矢状面切面图像上的大小和位置，对应调节预设绘制框的大小和位置；和/或，根据所述子宫内膜的位置信息，确定所述子宫内膜在所述子宫区域的三维体数据中的方位，根据所述预设绘制框在所述矢状面切面图像上的方位，调节所述子宫区域的三维体数据的方位。
在本发明的一些实施例中，所述处理器105，可用于根据所述子宫内膜的位置信息，从所述三维体数据中提取出包括有子宫内膜的矢状面切面图像，并在所述矢状面切面图像上自动生成子宫内膜的轨迹线；以及，根据所述轨迹线，对所述三维体数据进行子宫内膜曲面成像，得到所述子宫内膜图像。
在本发明的一些实施例中，所述子宫内膜的位置信息包括：矢状面位置信息和横切面位置信息；
所述处理器105，还可用于调节三维体数据的方位，直至将子宫内膜在横切面上的位置调整至符合预设横切面位置，例如该预设横切面位置可以为图10所示的水平位置；基于方位调节后的三维体数据，再确定子宫内膜在矢状面上的位置，随后可根据子宫内膜在矢状面上的位置，在矢状面切面图像上自动拟合出子宫内膜的轨迹线。
在本发明的一些实施例中，所述处理器105，还可用于所述在所述矢状面切面图像上自动生成子宫内膜的轨迹线之后，根据所述子宫内膜的位置信息，获取所述矢状面切面图像上所述子宫内膜的边缘信息；根据所述边缘信息和所述轨迹线，确定出图像绘制区域；对与所述图像绘制区域对应的目标三维体数据进行子宫内膜的曲面成像，得到反映子宫内膜厚度的三维子宫内膜图像。
在本发明的一些实施例中，所述处理器105，可用于根据所述子宫内膜的位置信息，拟合出子宫内膜冠状面；从所述三维体数据中获取与所述子宫内膜冠状面对应的灰度图像；所述灰度图像作为子宫内膜的标准切面图像。
可以理解的是，超声成像设备可以通过对待检测对象的子宫区域的三维体数据进行识别，识别出子宫内膜，从而得到子宫内膜的位置信息，省去了需要用户不断手动进行子宫内膜定位的繁琐操作，便于用户快速识别子宫内膜，提高整体工作效率。超声成像设备还可以根据子宫内膜的位置信息自动成像得到子宫内膜图像，鉴于自动识别的子宫内膜的位置是准确的，提高了超声成像的准确度，并且可以自动成像还提高了超声波图像成像的智能性。
本发明实施例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超声成像程序，该超声成像程序可以被处理器执行，以实现上述超声成像方法。
其中，计算机可读存储介质可以是是易失性存储器(volatile memory)，例如随机存取存储器(Random-Access Memory，RAM)；或者非易失性存储器(non-volatile memory)，例如只读存储器(Read-Only Memory，ROM)，快闪存储器(flash memory)，硬盘(Hard DiskDrive，HDD)或固态硬盘(Solid-State Drive，SSD)；也可以是包括上述存储器之一或任意组合的各自设备，如移动电话、计算机、平板设备、个人数字助理等。

Claims (17)

1.一种超声成像方法，其特征在于，所述方法包括：
发射超声波至待检测对象的子宫区域进行体扫描；
接收从所述待检测对象的子宫区域返回的超声回波，并基于所述超声回波获取超声回波信号；
对所述超声回波信号进行处理，得到所述待检测对象的子宫区域的三维体数据；
根据子宫区域的子宫内膜的图像特征，从所述子宫区域的三维体数据中识别出子宫内膜，得到所述子宫内膜的位置信息；
根据所述子宫内膜的位置信息，拟合出子宫内膜冠状面；
从所述三维体数据中获取与所述子宫内膜冠状面对应的灰度图像；
所述灰度图像作为子宫内膜的标准切面图像，并显示所述标准切面图像。
2.根据权利要求1所述的方法，其特征在于，所述根据子宫区域的子宫内膜的图像特征，从所述子宫区域的三维体数据中识别出子宫内膜，得到所述子宫内膜的位置信息，包括：
根据所述子宫区域的子宫内膜与子宫基层组织的图像特征差异、和/或根据所述子宫区域的子宫内膜的可周期性变化的形态特征，从所述子宫区域的三维体数据中识别出所述子宫内膜，得到所述子宫内膜的位置信息。
3.根据权利要求1或2所述的方法，其特征在于，所述根据子宫区域的子宫内膜的图像特征，从所述子宫区域的三维体数据中识别出子宫内膜，得到所述子宫内膜的位置信息，包括：
对所述子宫区域的三维体数据进行预设特征提取，得到至少一个候选感兴趣区域；
获取已识别出所述子宫内膜的子宫区域的三维模板数据，根据该三维模板数据，获得子宫内膜的预设模板区域；
将所述至少一个候选感兴趣区域和预设模板区域进行匹配，识别出匹配度最高的候选感兴趣区域作为所述待检测对象的子宫内膜的目标区域，并根据子宫内膜的目标区域在所述三维体数据中的位置，得到所述子宫内膜的位置信息。
4.根据权利要求3所述的方法，其特征在于，所述将所述至少一个候选感兴趣区域和预设模板区域进行匹配，识别出匹配度最高的候选感兴趣区域作为所述待检测对象的子宫内膜的目标区域，包括：
提取所述至少一个候选感兴趣区域的特征指数，所述特征指数包括形状特征、纹理特征、边界特征或灰度分布特征；
基于所述特征指数，计算所述至少一个候选感兴趣区域与所述预设模板区域的相关度；以及，
将相关度最高且相关度超过预设阈值的候选感兴趣区域作为所述待检测对象的子宫内膜的目标区域。
5.根据权利要求3所述的方法，其特征在于，所述对所述子宫区域的三维体数据进行预设特征提取，得到至少一个候选感兴趣区域，包括：
对所述子宫区域的三维体数据进行图像分割，并对图像分割结果进行形态学操作处理，得到具有完整边界的所述至少一个候选感兴趣区域。
6.根据权利要求1或2所述的方法，其特征在于，所述根据子宫区域的子宫内膜的图像特征，从所述子宫区域的三维体数据中识别出子宫内膜，得到所述子宫内膜的位置信息，包括：
获取预设定位模型，所述预设定位模型包括已识别出所述子宫内膜的子宫区域的三维正样本数据、以及子宫内膜在该三维正样本数据中的标定信息；以及，
基于所述预设定位模型中子宫内膜的标定信息，从所述待检测对象的子宫区域的三维体数据中识别出所述子宫内膜，定位出所述子宫内膜的位置信息。
7.根据权利要求6所述的方法，其特征在于，所述基于预设定位模型中子宫内膜的标定信息，从所述待检测对象的子宫区域的三维体数据中识别出所述子宫内膜，定位出所述子宫内膜的位置信息，包括：
利用所述预设定位模型中子宫内膜的标定信息，通过深度学习的方法学习得到子宫内膜的图像特征规律；
基于所述子宫内膜的图像特征规律，从所述待检测对象的子宫区域的三维体数据中提取出含子宫内膜的目标区域，并输出该目标区域在三维体数据中的位置信息，作为所述子宫内膜的位置信息。
8.根据权利要求6所述的方法，其特征在于，所述获取预设定位模型，包括：
获取至少两个待训练对象的三维训练体数据，所述三维训练体数据至少包括所述已识别出子宫内膜的子宫区域的三维正样本数据；
在所述三维训练体数据中标定出子宫内膜或子宫内膜的关联解剖结构，作为所述子宫内膜在该三维训练体数据中的标定信息；以及，
基于所述三维训练体数据和所述子宫内膜的标定信息，采用机器学习或深度学习的方法进行模型训练，得到所述预设定位模型。
9.根据权利要求1或2所述的方法，其特征在于，所述根据子宫区域的子宫内膜的图像特征，从所述子宫区域的三维体数据中识别出子宫内膜，得到所述子宫内膜的位置信息，包括：
从所述子宫区域的三维体数据中，获取识别出包括有子宫内膜的矢状面图像数据；
根据所述矢状面图像数据，确定出子宫内膜的中心点；
基于所述中心点，获取与所述矢状面图像数据正交的、且识别出包括有子宫内膜的横切面图像数据；
基于识别出包括有所述子宫内膜的所述横切面图像数据和所述矢状面图像数据在所述子宫区域的三维体数据中的位置，得到所述子宫内膜的位置信息。
10.一种超声成像方法，其特征在于，包括：
对待检测对象进行超声体扫描，得到所述待检测对象的三维体数据；
根据所述待检测对象中感兴趣区域的图像特征，从所述待检测对象的三维体数据中识别出感兴趣区域，得到所述感兴趣区域的位置信息；
根据所述感兴趣区域的位置信息，拟合出感兴趣区域冠状面；
从所述三维体数据中获取与所述感兴趣区域冠状面对应的灰度图像；
所述灰度图像作为感兴趣区域的标准切面图像，并显示所述标准切面图像。
11.根据权利要求10所述的方法，其特征在于，所述根据所述待检测对象中感兴趣区域的图像特征，从所述待检测对象的三维体数据中识别出感兴趣区域，得到所述感兴趣区域的位置信息，包括：
对所述三维体数据进行预设特征提取，以得到至少一个候选感兴趣区域；
将所述至少一个候选感兴趣区域和预设模板区域进行匹配，识别出匹配度最高的感兴趣区域，得到所述感兴趣区域的位置信息。
12.根据权利要求10所述的方法，其特征在于，所述根据所述待检测对象中感兴趣区域的图像特征，从所述待检测对象的三维体数据中识别出感兴趣区域，得到所述感兴趣区域的位置信息，包括：
基于预设定位模型，对所述三维体数据进行处理，识别出所述待检测对象中的所述感兴趣区域，定位出所述感兴趣区域的位置信息；所述预设定位模型表征三维体数据与感兴趣区域的对应关系。
13.根据权利要求12所述的方法，其特征在于，所述基于预设定位模型，对所述三维体数据进行处理，识别出所述待检测对象中的所述感兴趣区域，定位出所述感兴趣区域的位置信息之前，所述方法还包括：
获取至少两个待训练对象的三维训练体数据和感兴趣区域；
基于所述三维训练体数据和感兴趣区域，采用预设机器学习算法对训练模型进行训练，得到所述预设定位模型。
14.根据权利要求10所述的方法，其特征在于，所述根据所述待检测对象中感兴趣区域的图像特征，从所述待检测对象的三维体数据中识别出感兴趣区域，得到所述感兴趣区域的位置信息，包括：
从所述三维体数据中，获取所述感兴趣区域的矢状面图像数据；
根据所述矢状面图像数据，确定出感兴趣区域的中心点；
基于所述中心点，获取与所述矢状面图像数据正交的横切面图像数据；
基于所述横切面图像数据和所述矢状面图像数据，识别出所述感兴趣区域，得到所述感兴趣区域的位置信息。
15.一种超声成像设备，其特征在于，所述超声成像设备包括：
探头；
发射电路，用于激励所述探头向待检测对象发射超声波以进行体扫描；
发射/接收选择开关；
接收电路，用于通过所述探头接收从所述待检测对象返回的超声回波，从而获得超声回波信号/数据；
波束合成电路，用于对所述超声回波信号/数据进行波束合成处理，获得波束合成后的超声回波信号/数据；
处理器，用于对所述波束合成后的超声回波信号进行处理，得到所述待检测对象的子宫区域的三维体数据；根据子宫区域的子宫内膜的图像特征，从所述子宫区域的三维体数据中识别出子宫内膜，得到所述子宫内膜的位置信息；根据所述子宫内膜的位置信息，拟合出子宫内膜冠状面；从所述三维体数据中获取与所述子宫内膜冠状面对应的灰度图像，所述灰度图像作为子宫内膜的标准切面图像；
显示器，用于显示所述标准切面图像。
16.一种超声成像设备，其特征在于，所述超声成像设备包括：
探头；
发射电路，用于激励所述探头向待检测对象发射超声波以进行体扫描；
发射/接收选择开关；
接收电路，用于通过所述探头接收从所述待检测对象返回的超声回波，从而获得超声回波信号/数据；
波束合成电路，用于对所述超声回波信号/数据进行波束合成处理，获得波束合成后的超声回波信号/数据；
处理器，用于对所述波束合成后的超声回波信号进行处理，得到所述待检测对象的三维体数据；根据待检测对象中感兴趣区域的图像特征，从所述待检测对象的三维体数据中识别出感兴趣区域，得到所述感兴趣区域的位置信息；根据所述感兴趣区域的位置信息，拟合出感兴趣区域冠状面；从所述三维体数据中获取与所述感兴趣区域冠状面对应的灰度图像，所述灰度图像作为感兴趣区域的标准切面图像；
显示器，用于显示所述标准切面图像。
17.一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超声成像程序，所述超声成像程序可以被处理器执行，以实现权利要求1-16任一项所述的超声成像方法。
CN202311248499.3A 2018-12-29 2018-12-29 一种超声成像方法及设备 Pending CN117338339A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311248499.3A CN117338339A (zh) 2018-12-29 2018-12-29 一种超声成像方法及设备

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202311248499.3A CN117338339A (zh) 2018-12-29 2018-12-29 一种超声成像方法及设备
PCT/CN2018/125832 WO2020133510A1 (zh) 2018-12-29 2018-12-29 一种超声成像方法及设备
CN201880097250.8A CN112672691B (zh) 2018-12-29 2018-12-29 一种超声成像方法及设备

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201880097250.8A Division CN112672691B (zh) 2018-12-29 2018-12-29 一种超声成像方法及设备

Publications (1)

Publication Number Publication Date
CN117338339A true CN117338339A (zh) 2024-01-05

Family

ID=71127463

Family Applications (4)

Application Number Title Priority Date Filing Date
CN201880097250.8A Active CN112672691B (zh) 2018-12-29 2018-12-29 一种超声成像方法及设备
CN202410273976.XA Pending CN118319374A (zh) 2018-12-29 2018-12-29 一种超声成像方法及设备
CN202311266520.2A Pending CN117338340A (zh) 2018-12-29 2018-12-29 一种超声成像方法及设备
CN202311248499.3A Pending CN117338339A (zh) 2018-12-29 2018-12-29 一种超声成像方法及设备

Family Applications Before (3)

Application Number Title Priority Date Filing Date
CN201880097250.8A Active CN112672691B (zh) 2018-12-29 2018-12-29 一种超声成像方法及设备
CN202410273976.XA Pending CN118319374A (zh) 2018-12-29 2018-12-29 一种超声成像方法及设备
CN202311266520.2A Pending CN117338340A (zh) 2018-12-29 2018-12-29 一种超声成像方法及设备

Country Status (3)

Country Link
US (1) US20210393240A1 (zh)
CN (4) CN112672691B (zh)
WO (1) WO2020133510A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508941A (zh) * 2020-12-25 2021-03-16 上海深博医疗器械有限公司 三维超声扫描完整性检测方法及装置
CN113222956B (zh) * 2021-05-25 2023-09-15 南京大学 基于超声图像识别血管中斑块的方法
CN113520317A (zh) * 2021-07-05 2021-10-22 汤姆飞思（香港）有限公司 基于oct的子宫内膜检测分析方法、装置、设备及存储介质
US20230342917A1 (en) * 2022-04-25 2023-10-26 GE Precision Healthcare LLC Method and system for automatic segmentation and phase prediction in ultrasound images depicting anatomical structures that change over a patient menstrual cycle
US11657504B1 (en) 2022-06-28 2023-05-23 King Abdulaziz University System and method for computationally efficient artificial intelligence based point-of-care ultrasound imaging healthcare support
CN115953555B (zh) * 2022-12-29 2023-08-22 南京鼓楼医院 一种基于超声测量值的子宫腺肌病建模方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2003270654A1 (en) * 2002-09-12 2004-04-30 Baylor College Of Medecine System and method for image segmentation
CN100484474C (zh) * 2007-07-13 2009-05-06 华中科技大学 基于乳腺x线摄片的乳腺癌计算机辅助诊断系统
US7993288B2 (en) * 2008-01-09 2011-08-09 Precision Light, Inc. Anatomical recognition and dimensional analysis of breast volume to assist breast surgery
US20130150718A1 (en) * 2011-12-07 2013-06-13 General Electric Company Ultrasound imaging system and method for imaging an endometrium
CN104657984B (zh) * 2015-01-28 2018-10-16 复旦大学 三维超声乳腺全容积图像感兴趣区域的自动提取方法
CN105433980B (zh) * 2015-11-20 2018-07-06 深圳开立生物医疗科技股份有限公司 一种超声成像方法、装置及其超声设备
CN108921181B (zh) * 2018-08-02 2022-05-10 广东工业大学 一种局部图像特征提取方法、装置、系统及可读存储介质

Also Published As

Publication number Publication date
CN118319374A (zh) 2024-07-12
CN112672691A (zh) 2021-04-16
CN117338340A (zh) 2024-01-05
CN112672691B (zh) 2024-03-29
WO2020133510A1 (zh) 2020-07-02
US20210393240A1 (en) 2021-12-23

Similar Documents

Publication Publication Date Title
CN112672691B (zh) 一种超声成像方法及设备
US11229419B2 (en) Method for processing 3D image data and 3D ultrasonic imaging method and system
CN110945560B (zh) 胎儿超声图像处理
CN107480677B (zh) 一种识别三维ct图像中感兴趣区域的方法及装置
CN110325119B (zh) 卵巢卵泡计数和大小确定
CN111374708B (zh) 一种胎儿心率检测方法及超声成像装置、存储介质
CN111374712B (zh) 一种超声成像方法及超声成像设备
CN112568933A (zh) 超声成像方法、设备和存储介质
CN112651400B (zh) 一种立体内窥镜辅助检测方法、系统、装置及存储介质
CN112998755A (zh) 解剖结构的自动测量方法和超声成像系统
US20220249060A1 (en) Method for processing 3d image data and 3d ultrasonic imaging method and system
CN115813433A (zh) 基于二维超声成像的卵泡测量方法和超声成像系统
CN113229850A (zh) 超声盆底成像方法和超声成像系统
CN114631849A (zh) 腹主动脉成像方法及相关设备
CN111383323A (zh) 一种超声成像方法和系统以及超声图像处理方法和系统
WO2022134049A1 (zh) 胎儿颅骨的超声成像方法和超声成像系统
CN113974688B (zh) 超声成像方法和超声成像系统
CN117934356A (zh) 一种超声成像系统和卵巢间质自动定量分析方法
CN117982169A (zh) 一种子宫内膜厚度的确定方法及超声设备
CN118252540A (zh) 超声图像处理方法及超声检测设备
CN118216950A (zh) 一种超声成像方法及超声成像设备
CN112120735A (zh) 一种超声成像方法及设备、存储介质
CN117557491A (zh) 一种三维超声容积测量方法和超声成像系统
CN115886876A (zh) 胎儿姿态的评估方法、超声成像方法及超声成像系统
CN117379097A (zh) 一种超声成像系统和卵巢间质比的自动测量方法

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