CN117671375A - 超声测温方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请涉及无损测温以及信号处理技术领域，公开了超声测温方法、装置、计算机设备及存储介质，方法包括对于超声图像中任一目标像素，获取目标像素周围的目标邻域图像；对目标邻域图像进行组学特征提取，得到组学特征向量，组学特征向量用于指示目标邻域图像中与温度存在关联关系的特征；利用预训练的温度特征提取模型，提取目标邻域图像的温度特征向量；拼接组学特征向量与温度特征向量，得到目标邻域图像的待预测特征向量；根据参考预测特征向量与温度之间的映射关系，以及待预测特征向量与预获取的参考预测特征向量集合中参考预测特征向量的对应关系，确定待预测特征向量对应的温度也即目标像素的预测温度。提高了超声测温的准确性。

Description

超声测温方法、装置、计算机设备及存储介质

技术领域

本申请涉及无损测温以及信号处理技术领域，具体涉及超声测温方法、装置、计算机设备及存储介质。

背景技术

无损测温技术主要有电阻抗(Electrical Impedance Tomography，EIT)测温、微波(Microwave，MW)测温、核磁共振(Nuclear Magnetic Resonance Imaging，MRI)测温和超声测温等方法，无损测温能够避免有损测温方法存在的缺点已被广泛用于组织温度监测。其中，超声测温由于成本低、可实时采集数据以及抗电磁干扰小等优点以成为组织温度监测的主要解决方案。

目前的超声测温主要是利用超声扫描待测温对象得到超声图像，再基于非线性参数、回波时移特性、回波平移特性和或散射能量等特性，对超声信号进行分析，得到超声图像中各像素对应的温度。但目前的超声测温依旧存在温度预测误差较大的缺陷。

因此，如何提高超声测温的准确性已成为亟需解决的技术问题。

发明内容

有鉴于此，本申请提供了一种超声测温方法、装置、计算机设备及存储介质，以解决如何提高超声测温的准确性的问题。

第一方面，本申请提供了一种超声测温方法，该方法包括：

对于超声图像中任一目标像素，获取目标像素周围的目标邻域图像；

对目标邻域图像进行组学特征提取，得到组学特征向量，组学特征向量用于指示目标邻域图像中与温度存在关联关系的特征；

利用预训练的温度特征提取模型，提取目标邻域图像的温度特征向量；

拼接组学特征向量与温度特征向量，得到目标邻域图像的待预测特征向量；

根据参考预测特征向量与温度之间的映射关系，以及待预测特征向量与预获取的参考预测特征向量集合中参考预测特征向量的对应关系，确定待预测特征向量对应的温度，并将温度确定为目标像素的预测温度。

上述技术方案中，不仅提取了目标像素所在目标邻域图像中与温度存在关联关系的组学特征向量；还利用预构建的温度特征提取模型，从模型层面提取目标邻域图像中与温度存在关系的温度特征向量并将两种特征向量融合，在预测温度时考虑了与两种不同的特征温度的相关性，相较于传统的超声测温中仅提取组学特征的方法，具有最终温度预测的结果更高的可靠性，可以提高超声测温的准确性。此外，在预测目标像素的温度时，不仅仅考虑参考预测特征向量与温度之间的映射关系，还考虑参考预测特征向量与待预测特征向量之间的对应关系，来确定目标像素的温度。相较于传统的依靠特定概率分布来拟合组学特征与温度之间的曲线以预测温度的超声测温方法，更好的保留了特征与真实温度之间的非线性关系，降低了特征与温度之间的非线性关系所导致的温度预测误差，可以提高超声测温的准确性。

在一些可选的实施例中，根据参考预测特征向量与温度之间的映射关系，以及待预测特征向量与预获取的参考预测特征向量集合中参考预测特征向量的对应关系，确定待预测特征向量对应的温度，并将温度确定为目标像素的预测温度，包括：

确定参考预测特征向量集合中每一个参考预测特征向量与待预测特征向量之间的余弦夹角，得到余弦夹角集合；

将余弦夹角集合中最小的余弦夹角对应的参考预测特征向量确定为待预测特征向量的相似参考预测特征向量；

根据参考预测特征向量与温度之间的映射关系，确定相似参考预测特征向量对应的温度，确定的温度即为预测温度。

具体的，通过参考预测特征向量与待预测特征向量之间的余弦夹角快速确定待预测特征向量的相似参考预测特征向量，并将相似参考预测特征向量在参考预测特征向量与温度之间的映射关系中对应的温度，以将确定的温度作为目标像素的预测温度。实现以“查表”的方式保留参考预测特征向量与真实温度之间的非线性关系，使预测的温度更接近参考预测特征向量对应的真实温度，避免基于数学公式的来拟合分布曲线，再预测温度所导致的预测温度与特征向量对应的真实温度之间误差偏大的情况，提高了超声测温的准确性。

在一些可选的实施例中，在根据参考预测特征向量与温度之间的映射关系，以及待预测特征向量与预获取的参考预测特征向量集合中参考预测特征向量的对应关系，确定待预测特征向量对应的温度，并将温度确定为目标像素的预测温度之前，该方法还包括：

获取超声图像样本序列，超声图像样本序列中的每一张超声图像样本包括消融针尖以及至少一个测温针尖；

针对每一张超声图像样本，根据消融针尖所在位置以及每一个测温针尖所在位置，从超声图像样本中提取每一个测温针尖对应的测温邻域图像；

获取每一张测温邻域图像的测量温度；

对每一张测温邻域图进行组学特征提取，得到每一张测温邻域图像的样本组学特征向量；

利用温度特征提取模型，提取每一张测温邻域图像的样本温度特征向量；

拼接每一张测温邻域图像自身的样本组学特征向量与样本温度特征向量，得到每一张测温邻域图像的参考预测特征向量，所有测温邻域图像的参考预测特征向量组成参考预测特征向量集合；

根据每一张测温邻域图像的测量温度以及参考预测特征向量，确定参考预测特征向量与温度之间的映射关系。

具体的，针对超声图像样本序列中每一张超声图像样本都提取每一测温针尖对应的测量邻域图像，并获取每一张测温邻域图像的测量温度，得到每一张测温邻域图像对应的真实温度。使得每一张测温邻域图像各自的参考预测特征向量都可以与测温邻域图像对应的真实温度对应，保证根据每一张测温邻域图像的测量温度以及参考预测特征向量，确定的参考预测特征向量与温度之间的映射关系的可靠性。

在一些可选的实施例中，获取每一张测温邻域图像的测量温度，包括：

获取每一个测温针尖在超声图像样本序列对应时间段内采集的温度数据；

对温度数据进行线性插值，得到每一张超声图像样本中每一个测温针尖对应的采集温度；

针对每一张超声图像样本的每一个测温针尖，将测温针尖对应的采集温度确定为测温针尖自身对应的测温邻域图像的测量温度。

具体的，将测温针尖在超声图像样本序列对应时间段内采集的温度数据进行线性插值，使每一张超声图像样本与测温针尖采集的温度数据之间时间对齐，保证每一张超声图像样本的每一个测温针尖都有对应的采集温度，并将测温针尖对应的采集温度确定为测温针尖自身对应的测温邻域图像的测量温度，使测温邻域图像的测量温度为测温针尖实际采集的温度，提高测温邻域图像的测量温度的可靠性。

在一些可选的实施例中，针对每一张超声图像样本，根据消融针尖所在位置以及每一个测温针尖所在位置，从超声图像样本中提取每一个测温针尖对应的测温邻域图像，包括：

针对每一张超声图像样本，以消融针尖所在位置为中心，预设第一长度为边长，从超声图像样本中提取温度监测局部图像；

针对每一张温度监测局部图像中的每一个测温针尖，以测温针尖所在位置为中心，预设第二长度为边长，从温度监测局部图像中提取测温针尖对应的测温邻域图像。

具体的，将测温邻域图像的提取范围限制在温度监测局部图像中，保证测温邻域图像是与温度密切相关的超声图像，进而保证后续参考预测特征向量与温度的相关性，提高参考预测特征向量与温度之间的映射关系的可靠性，进而提高超声测温的准确性。

在一些可选的实施例中，获取超声图像样本序列，包括：

获取原始超声图像样本序列；

对原始超声图像样本序列进行噪声滤波，得到去噪超声图像样本序列；

根据霍夫变换算法，对去噪超声图像样本序列中的每一张去噪超声图像样本分别进行消融针边界检测以及测温针边界检测，确定每一张去噪超声图像样本中消融针尖所在位置、测温针尖所在位置、消融针所在区域以及测温针所在区域；

分别将每一张去噪超声图像样本中消融针所在区域内的消融针以及测温针所在区域内的测温针去除，得到超声图像样本序列。

具体的，对原始超声图像样本序列进行噪声滤波、消融针消除以及测温针消除可以删除原始超声图像样本序列中的干扰因素，使后续从超声图像样本中提取的邻域图像仅保留有效信息进而提高参考预测特征向量的可靠性。

在一些可选的实施例中，在利用预训练的温度特征提取模型，提取目标邻域图像的温度特征向量之前，该方法还包括：

根据每一张测温邻域图像以及每一张测温邻域图像的测量温度，对预构建的深度学习网络进行温度特征向量提取的迭代训练，直至满足训练停止条件，得到训练后的深度学习网络；

将训练后的深度学习网络的孪生网络确定为温度特征提取模型。

具体的，将基于每一张测温邻域图像以及每一张测温邻域图像的测量温度训练后的深度学习网络的孪生网络确定为温度特征提取模型，利用孪生网络可以实现一次学习(one-shot learning)的特性，也即后续加入少量新样本后可以快速更新模型的特性，保证温度特征提取模型可以被快速更新，以将温度特征提取模型应用在不同热传导特性的消融目标对应的超声图像中的任一目标像素的温度预测中，拓宽超声测温的应用场景。

在一些可选的实施例中，对于超声图像中任一目标像素，获取目标像素周围的目标邻域图像，包括：

获取原始超声图像；

对原始超声图像进行噪声滤波，得到去噪超声图像；

根据霍夫变换算法，对去噪超声图像进行消融针边界检测，确定去噪超声图像中消融针尖所在位置以及消融针所在区域；

将去噪超声图像中消融针所在区域内的消融针去除，得到超声图像；

将超声图像中的任一像素确定为目标像素，以目标像素所在位置为中心，预设第二长度为边长，从超声图像中提取目标邻域图像。

具体的，将原始超声图像进行噪声滤除以及消融针去除操作可以消除原始超声图像中影响温度预测的干扰因素，保证以目标像素所在位置为中心，预设第二长度为边长，从超声图像中提取的目标邻域图像具有清晰的特征便于后续提取出正确的组学特征向量以及温度特征向量，从而提高超声测温的准确性。

第二方面，本申请提供了一种超声测温装置，该装置包括：

获取模块，用于对于超声图像中任一目标像素，获取目标像素周围的目标邻域图像；

第一特征提取模块，用于对目标邻域图像进行组学特征提取，得到组学特征向量，组学特征向量用于指示目标邻域图像中与温度存在关联关系的特征；

第二特征提取模块，用于利用预训练的温度特征提取模型，提取目标邻域图像的温度特征向量；

拼接模块，用于拼接组学特征向量与温度特征向量，得到目标邻域图像的待预测特征向量；

确定模块，用于根据参考预测特征向量与温度之间的映射关系，以及待预测特征向量与预获取的参考预测特征向量集合中参考预测特征向量的对应关系，确定待预测特征向量对应的温度，并将温度确定为目标像素的预测温度。

第三方面，本申请提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面任一实施例方式的超声测温方法。

第四方面，本申请提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面任一实施例方式的超声测温方法。

附图说明

为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本申请实施例一种超声测温系统图；

图2是根据本申请实施例的一种超声测温方法的流程示意图；

图3是根据本申请实施例的又一种超声测温方法的流程示意图；

图4是根据本申请实施例的再一种超声测温方法的流程示意图；

图5是根据本申请实施例的一种超声测温装置的结构框图；

图6是本申请实施例的计算机设备的硬件结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1是本申请实施例的一种超声测温系统图，该系统包括消融设备、超声影像设备、测温设备以及待测目标。消融设备配套有消融针，对待测目标进行热消融，超声影像设备按照预设帧率采集热消融时待测目标的原始超声图像序列。测温设备配套有至少一个热敏电极，每一个热敏电极的测温针按照预设采样频率，采集热消融时待测目标的温度数据。预设帧率以及预设采样频率可以自行设置，本申请实施例以预设帧率≥2帧/秒，预设采样频率＞10Hz为例。消融设备、超声影像设备以及测温设备通信连接。

超声影像设备可以包括数据存储设备以及数据处理设备，数据存储设备可以存储采集到的原始超声图像样本序列，数据处理设备可以对原始超声图像样本序列进行噪声滤波、消融针去除、测温针去除、消融针尖所在位置的确定以及测温针尖所在位置的确定等操作；数据处理设备可以对待测目标的温度数据进行线性插值，使温度数据的时间与原始超声图像样本序列中超声图像样本的时间对齐。数据处理设备还会提取超声图像样本中每一个测温针尖对应的测温邻域图像，以便于后续确定参考预测特征向量与测温针采集的真实温度之间的映射关系以及得到参考预测特征向量集合，具体流程在后续实施例中介绍。

可选的，在得到参考预测特征向量与测温针采集的真实温度之间的映射关系以及参考预测特征向量集合之后，可以将测温设备从超声测温系统去除，利用超声影像设备采集新的待测目标的原始超声图像，并对原始超声图像进行噪声滤波、消融针去除以及消融针尖所在位置的确定等操作得到超声图像，预测超声图像中每一个像素对应的温度具体流程在后续实施例中介绍。

可选的，消融设备可以是射频消融设备也可以是超声消融设备，还可以是其它利用消融针进行热消融的设备本申请实施例不做具体限制。

根据本申请实施例，提供了一种超声测温方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

在本实施例中提供了一种超声测温方法，可用于计算机设备，例如，计算机、平板电脑、图1所示系统中的数据处理设备等。图2是根据本申请实施例的一种超声测温方法的流程图，如图2所示，该流程包括如下步骤：

步骤201，对于超声图像中任一目标像素，获取目标像素周围的目标邻域图像。

对于超声图像中任一目标像素，计算机设备可以以目标像素在超声图像中的位置为中心截取一个局部图像，将截取的局部图像确定为目标邻域图像。

步骤202，对目标邻域图像进行组学特征提取，得到组学特征向量。

其中，组学特征向量用于指示目标邻域图像中与温度存在关联关系的特征。例如，与温度存在关联关系的能量或熵。可以基于目前的影像组学特征的提取方法，提取目标邻域图像的至少一种组学特征矩阵，并根据提取的组学特征矩阵中各个特征参数的计算公式，计算提取的组学特征矩阵的特征值，得到由特征值组成的组学特征向量。

步骤203，利用预训练的温度特征提取模型，提取目标邻域图像的温度特征向量。

预训练的温度特征提取模型可以是基于深度学习网络的构建的模型，具体可以是DenseNet或ResNet网络，也可以是其他学习网络，本申请实施例不做具体限制。将目标邻域图像输入至温度特征提取模型中，模型就可以输出目标邻域图像的温度特征向量。

步骤204，拼接组学特征向量与温度特征向量，得到目标邻域图像的待预测特征向量。

将温度特征向量变换为与组学特征向量相同的形式，例如，组学特征向量为行向量则将温度特征向量变换为行向量，否则将温度特征向量变换为列向量。并将变换后的温度特征向量与组学特征向量首尾相接得到待预测特征向量。

步骤205，根据参考预测特征向量与温度之间的映射关系，以及待预测特征向量与预获取的参考预测特征向量集合中参考预测特征向量的对应关系，确定待预测特征向量对应的温度，并将温度确定为目标像素的预测温度。

预获取的参考预测特征向量集合中的参考预测特征向量均为存在对应温度的特征向量，参考预测特征向量与温度之间的映射关系中参考预测特征向量与温度一一对应。待预测特征向量与参考预测特征向量集合中参考预测特征向量的对应关系可以是待预测特征向量与参考预测特征向量之间的闵氏距离、夹角或皮尔逊相关系数等。根据参考预测特征向量集合中参考预测特征向量的对应关系从参考预测特征向量集合中查找与待预测特征向量最相似的参考预测特征向量，并从参考预测特征向量与温度之间的映射关系中查找该最相似的参考预测特征向量对应的温度，将该温度确定为目标像素的预测温度。

可以理解的是，对于超声图像的每一个像素都重复步骤201至步骤205，就可以得到超声图像中所有像素对应的预测温度，从而得到超声图像对应的温度分布。

本申请实施例中，不仅提取了目标像素所在目标邻域图像中与温度存在关联关系的组学特征向量；还利用预构建的温度特征提取模型，从模型层面提取目标邻域图像中与温度存在关系的温度特征向量并将两种特征向量融合，在预测温度时考虑了与两种不同的特征温度的相关性，相较于传统的超声测温中仅提取组学特征的方法，具有最终温度预测的结果更高的可靠性，可以提高超声测温的准确性。此外，在预测目标像素的温度时，不仅仅考虑参考预测特征向量与温度之间的映射关系，还考虑参考预测特征向量与待预测特征向量之间的对应关系，来确定目标像素的温度。相较于传统的依靠特定概率分布来拟合组学特征与温度之间的曲线以预测温度的超声测温方法，更好的保留了特征与真实温度之间的非线性关系，降低了特征与温度之间的非线性关系所导致的温度预测误差，可以提高超声测温的准确性。

为了提高超声测温的准确性与效率，在本实施例中提供了又一种超声测温方法，可用于计算机设备，例如，计算机、平板电脑、图1所示系统中的数据处理设备等。图3是根据本申请实施例的又一种超声测温方法的流程图，如图3所示，该流程包括如下步骤：

步骤301，对于超声图像中任一目标像素，获取目标像素周围的目标邻域图像。

步骤301详细请参见图2所示实施例的步骤201，在此不再赘述。

可选的，为了提高超声测温准确性，步骤301可以包括如下步骤3011至步骤3015：

3011，获取原始超声图像。

计算机设备可以通过超声影像设备采集原始超声图像序列，将原始超声图像序列中的某时刻的超声图像确定为原始超声图像。具体的时刻可以自行设置。

3012，对原始超声图像进行噪声滤波，得到去噪超声图像。

对原始超声图像的噪声滤波即为对原始超声图像序列的时空滤波，噪声滤波(也即时空滤波)主要包括空间滤波和时间滤波。可以使用高斯滤波器对原始超声图像序列进行空间滤波，并使用当前帧和前四帧图像进行均值滤波的方式对原始超声图像序列进行时间滤波。时空滤波后的原始超声图像序列中的每一张超声图像都是噪声滤波后的超声图像，计算机设备由此完成对原始超声图像的噪声滤波，得到去噪超声图像。需要说明的是，高斯滤波器中高斯核的大小可以自行设置，本申请实施例以5×5的高斯核为例。除了使用高斯滤波与均值滤波外还可以使用中值滤波和或双边滤波等其他滤波方式对原始超声图像进行噪声滤除。

3013，根据霍夫变换算法，对去噪超声图像进行消融针边界检测，确定去噪超声图像中消融针尖所在位置以及消融针所在区域。

霍夫(Hough)变换算法作为一种图像检测的算法可以检测去噪超声图中消融针的边界，并在检测边界的过程中定位出消融针尖所在位置，检测后的消融针的边界在去噪超声图像中框出的区域即为消融针所在区域。

3014，将去噪超声图像中消融针所在区域内的消融针去除，得到超声图像。

在去噪超声图像中将消融针所在区域内所有像素的像素值设置为预设值，就可以将消融针从去噪超声图像中去除，得到超声图像。预设值与去噪超声图像中背景的像素值一致，例如，当去噪超声图像中背景的像素值为零时，预设值即为零。

3015，将超声图像中的任一像素确定为目标像素，以目标像素所在位置为中心，预设第二长度为边长，从超声图像中提取目标邻域图像。

预设第二长度可以自行设置，预设第二长度本申请实施例以11毫米为例。将超声图像中的任一像素确定为目标像素，在超声图像中以目标像素所在位置为中心，构造边长为预设第二长度的正方形，该正方形内的图像即为目标邻域图像。

将原始超声图像进行噪声滤除以及消融针去除操作可以消除原始超声图像中影响温度预测的干扰因素，保证以目标像素所在位置为中心，预设第二长度为边长，从超声图像中提取的目标邻域图像具有清晰的特征便于后续提取出正确的组学特征向量以及温度特征向量，从而提高超声测温的准确性。

步骤302，对目标邻域图像进行组学特征提取，得到组学特征向量。

步骤302详细请参见图2所示实施例的步骤202，在此不再赘述。

可选的，可以提取六种组学特征矩阵，分别是一阶统计矩阵(First Order)、灰度共生矩阵(Gray Level Co-occurrence Matrix，GLCM)、灰度行程矩阵(Gray Level RunLength Matrix，GLRLM)、灰度区域大小矩阵(Gray Level Size Zone Matrix，GLSZM)、相邻灰度差分矩阵(Neighbouring Gray Tone Difference Matrix，NGTDM)以及灰度相关矩阵(Gray Level Dependence Matrix，GLDM)，每种组学特征矩阵对应组学特征向量分别是一阶统计矩阵特征向量Ffos、灰度共生矩阵特征向量Fglcm、灰度行程矩阵特征向量Fglrlm、灰度区域大小矩阵特征向量Fglszm、相邻灰度差分矩阵特征向量Fngtdm以及灰度相关矩阵特征向量Fgldm。

一阶统计矩阵特征向量Ffos中的特征值包括能量、总能量、熵、最小值、10％分位值、90％分位值、最大值、均值、中位值、四分位差、最大值-最小值、平均绝对偏差、稳健平集合均绝对偏差、均方根、标准差、歪斜率、峰度、方差以及均匀性。

灰度共生矩阵特征向量Fglcm中的特征值包括自相关系数、联合平均系数、集群出系数、集群阴影、集群趋势、对比度、相关系数、差异平均系数、差熵、联合能量、联合熵、相关性信息测度、逆差矩、最大相关系数、归一化逆差矩、逆差、归一化逆差、最大概率、和平均、和能量以及和平方。

灰度行程矩阵特征向量Fglrlm中的特征值包括小面积重点、大面积重点、灰度不均匀性、归一化灰度不均匀性、区域尺寸不均匀性、归一化区域尺寸不均匀性、区域百分比、灰度变化、区域变化、区域能量、低灰度区域重点、高灰度区域重点、小面积低灰度重点、小面积高灰度重点、大面积低灰度重点以及大面积高灰度重点。

灰度区域大小矩阵特征向量Fglszm中的特征值包括短行程重点、长行程重点、灰度级不均匀性、归一化灰度级不均匀性、游程长不均匀度、归一化游程长不均匀度、游程百分比、灰度级方差、游程方差、游程熵、低灰度级游程重点、短游程低灰度级游程重点、短游程高灰度级游程重点、长游程低灰度级游程重点以及长游程高灰度级游程重点。

相邻灰度差分矩阵特征向量Fngtdm中的特征值包括粗糙度、对比度、复杂度以及强度。

灰度相关矩阵特征向量Fgldm中的特征值包括小依赖重点、大依赖重点、依赖不均匀性、归一化依赖不均匀性、依赖方差、依赖熵、小依赖低灰度级重点、小依赖高灰度重点、大依赖低灰度级重点以及大依赖高灰度级重点。

步骤303，利用预训练的温度特征提取模型，提取目标邻域图像的温度特征向量。

步骤304，拼接组学特征向量与温度特征向量，得到目标邻域图像的待预测特征向量。

步骤303至步骤304详细请参见图2所示实施例的步骤203至步骤204，在此不再赘述。

步骤305，根据参考预测特征向量与温度之间的映射关系，以及待预测特征向量与预获取的参考预测特征向量集合中参考预测特征向量的对应关系，确定待预测特征向量对应的温度，并将温度确定为目标像素的预测温度。

可选的，为了提高超声测温的效率与准确性，步骤305可以包括如下步骤3051至步骤3053：

步骤3051，确定参考预测特征向量集合中每一个参考预测特征向量与待预测特征向量之间的余弦夹角，得到余弦夹角集合。

计算并记录参考预测特征向量集合中每一个参考预测特征向量与待预测特征向量之间的余弦夹角，得到余弦夹角集合。

步骤3052，将余弦夹角集合中最小的余弦夹角对应的参考预测特征向量确定为待预测特征向量的相似参考预测特征向量。

步骤3053，根据参考预测特征向量与温度之间的映射关系，确定相似参考预测特征向量对应的温度，确定的温度即为预测温度。

在参考预测特征向量与温度之间的映射关系中查找相似参考预测特征向量，并将相似参考预测特征向量对应的温度确定为预测温度。

本申请实施例中，将原始超声图像进行噪声滤除以及消融针去除操作以消除原始超声图像中影响温度预测的干扰因素，保证以目标像素所在位置为中心，预设第二长度为边长，从超声图像中提取的目标邻域图像具有清晰的特征便于后续提取出正确的组学特征向量以及温度特征向量，从而提高超声测温的准确性。并通过参考预测特征向量与待预测特征向量之间的余弦夹角快速确定待预测特征向量的相似参考预测特征向量，并将相似参考预测特征向量在参考预测特征向量与温度之间的映射关系中对应的温度，以将确定的温度作为目标像素的预测温度。实现以“查表”的方式保留参考预测特征向量与真实温度之间的非线性关系，使预测的温度更接近参考预测特征向量对应的真实温度，避免基于数学公式的来拟合分布曲线，再预测温度所导致的预测温度与特征向量对应的真实温度之间误差偏大的情况，提高了超声测温的准确性。

为了提高了超声测温的准确性还需要在对超声图像的任一像素进行超声测温之前得到可靠的参考预测特征向量与温度之间的映射关系，在本实施例中提供了再一种超声测温方法，可用于计算机设备，例如，计算机、平板电脑、图1所示系统中的数据处理设备等。图4是根据本申请实施例的又一种超声测温方法的流程图，如图4所示，该流程包括如下步骤：

步骤401，获取超声图像样本序列。

其中，超声图像样本序列中的每一张超声图像样本包括消融针尖以及至少一个测温针尖。在消融设备对消融样本进行热消融时计算机设备可以通过超声影像设备按照预设帧率采集消融样本在热消融期间的超声图像，最终得到超声图像样本序列，计算机设备还可以通过测温设备采集消融样本被热消融时的实时温度，这样计算机设备就可以获取到每一张超声图像样本包括消融针尖以及至少一个测温针尖的超声图像样本序列。具体的消融样本可以自行设置，本申请实施例不做具体限制。

示例性的，可以构建如图1所示的超声测温系统，消融样本为待测目标，计算机设备为数据处理设备，消融设备的消融针对消融样本进行热消融，测温设备的测温针采集消融样本热消融期间的实时温度，并将采集的温度数据发送至超声影像设备的数据处理设备。超声影像设备采集消融样本热消融期间的超声图像，最终得到包括消融针尖以及至少一个测温针尖的超声图像样本，所有超声图像样本组成超声图像样本序列。

可选的，为了提高参考预测特征向量的可靠性，步骤401可以包括如下步骤A1至步骤A4：

步骤A1，获取原始超声图像样本序列。

计算机设备可以通过超声影像设备按照预设帧率采集消融样本在热消融期间的超声图像，这样计算机设备就获取到原始超声图像样本序列。

步骤A2，对原始超声图像样本序列进行噪声滤波，得到去噪超声图像样本序列。

步骤A2与图3所示实施例中步骤3012类似，对原始超声图像样本序列进行高斯滤波以及均值滤波得到去噪超声图像样本序列。

步骤A3，根据霍夫变换算法，对去噪超声图像样本序列中的每一张去噪超声图像样本分别进行消融针边界检测以及测温针边界检测，确定每一张去噪超声图像样本中消融针尖所在位置、测温针尖所在位置、消融针所在区域以及测温针所在区域。

步骤A3与图3所示实施例中步骤3013类似，利用霍夫(Hough)变换算法作检测每一张去噪超声图样本中消融针以及测温针的边界，就可以得到消融针所在区域以及测温针所在区域，并在检测边界的过程中定位出消融针尖所在位置以及测温针尖所在位置。

步骤A4，分别将每一张去噪超声图像样本中消融针所在区域内的消融针以及测温针所在区域内的测温针去除，得到超声图像样本序列。

步骤A4与图3所述实施例中步骤3014类似，只不过还需要将测温针所在区域内像素的像素值设置为预设值。

对原始超声图像样本序列进行噪声滤波、消融针消除以及测温针消除可以删除原始超声图像样本序列中的干扰因素，使后续从超声图像样本中提取的邻域图像仅保留有效信息进而提高参考预测特征向量的可靠性。

步骤402，针对每一张超声图像样本，根据消融针尖所在位置以及每一个测温针尖所在位置，从超声图像样本中提取每一个测温针尖对应的测温邻域图像。

针对每一张超声图像样本，可以根据消融针尖所在位置在超声图像样本中选取温度监测范围，将温度监测范围内的超声图像记作I_L，I_L中包含所有测温针尖。进而在每一个I_L中分别以每一个测温针尖所在位置为中心选取一张局部图像，该图像即为测温邻域图像。

热消融时采集的超声图像中特征与温度之间存在关联性，从超声图像中选取温度变化密切相关的图像就可以得到与温度密切相关的参考预测特征向量。因此，为了提高参考预测特征向量的可靠性需要限制测温邻域图像的提取范围，具体的，步骤402可以包括如下步骤B1至步骤B2：

步骤B1，针对每一张超声图像样本，以消融针尖所在位置为中心，预设第一长度为边长，从超声图像样本中提取温度监测局部图像。

温度监测局部图像中包括所有的测温针尖，预设第一长度可以自行设置，预设第一长度本申请实施例以60毫米为例，可以理解的是预设第一长度大于预设第二长度。针对每一张超声图像样本，以消融针尖所在位置为中心，构造边长为预设第一长度的正方形，该正方形内的图像即为温度监测局部图像，也即记作I_L的超声图像，该正方形框出的区域即为温度监测范围。

步骤B2，针对每一张温度监测局部图像中的每一个测温针尖，以测温针尖所在位置为中心，预设第二长度为边长，从温度监测局部图像中提取测温针尖对应的测温邻域图像。

针对每一张温度监测局部图像中的每一个测温针尖，以测温针尖所在位置为中心，构造边长为预设第二长度的正方形，该正方形内的图像即为测温针尖对应的测温邻域图像。

将测温邻域图像的提取范围限制在温度监测局部图像中，保证测温邻域图像是与温度密切相关的超声图像，进而保证后续参考预测特征向量与温度的相关性，提高参考预测特征向量与温度之间的映射关系的可靠性，进而提高超声测温的准确性。

步骤403，获取每一张测温邻域图像的测量温度。

针对每一张测温邻域图像，将测温邻域图像中测温针尖所在测温针采集的温度确定为测温邻域图像的测量温度。

测温针一般按照预设采样频率采集温度，超声影像设备一般按照预设帧率采集原始超声图像样本最终得到超声图像样本序列，但测温针的采样频率与原始超声图像样本的采集帧率并不一致。为了使超声图像样本序列中每一张超声图像样本的每一个测温针尖都有明确的温度数据，确保测温邻域图像的测量温度的可靠性，步骤403可以包括如下步骤C1至步骤C3：

步骤C1，获取每一个测温针尖在超声图像样本序列对应时间段内采集的温度数据。

计算机设备会接收测温设备中每一个测温针尖在超声图像样本序列对应时间段内采集的温度数据。

步骤C2，对温度数据进行线性插值，得到每一张超声图像样本中每一个测温针尖对应的采集温度。

通过线性插值的方法，可以将每一个测温针尖在超声图像样本序列对应时间段内采集的温度数据进行插值，使每一个测温针尖采集的温度数据与超声图像样本之间进行时间对齐，从而使每一张超声图像样本中每一个测温针尖都存在对应的采集温度。

步骤C3，针对每一张超声图像样本的每一个测温针尖，将测温针尖对应的采集温度确定为测温针尖自身对应的测温邻域图像的测量温度。

将测温针尖在超声图像样本序列对应时间段内采集的温度数据进行线性插值，使每一张超声图像样本与测温针尖采集的温度数据之间时间对齐，保证每一张超声图像样本的每一个测温针尖都有对应的采集温度，并将测温针尖对应的采集温度确定为测温针尖自身对应的测温邻域图像的测量温度，使测温邻域图像的测量温度为测温针尖实际采集的温度，提高测温邻域图像的测量温度的可靠性。

步骤404，对每一张测温邻域图进行组学特征提取，得到每一张测温邻域图像的样本组学特征向量。

步骤405，利用温度特征提取模型，提取每一张测温邻域图像的样本温度特征向量。

步骤404至步骤405与图3所示实施例中步骤302至步骤303相类似，只不过是对处理对象由目标邻域图像变换为测温邻域图像，在此不再赘述。

可选的，为了实现温度特征提取模型的快速更新，以使超声测温可以对不同热传导特性的消融目标对应的超声图像中的任一目标像素进行温度预测，拓宽超声测温的应用场景，在应用温度特征提取模型之前，还需要对模型进行训练并确保训练后的模型就有快速更新的特性。本申请实施例的超声测温方法还可以包括：

根据每一张测温邻域图像以及每一张测温邻域图像的测量温度，对预构建的深度学习网络进行温度特征向量提取的迭代训练，直至满足训练停止条件，得到训练后的深度学习网络；

将训练后的深度学习网络的孪生网络确定为温度特征提取模型。

可以将每一张测温邻域图像的测量温度作为测温邻域图像自身的标签，将测温邻域图像输入至构建的深度学习网络中，使深度学习网络以图像的特征向量为输出，进行特性学习，也即进行温度特征向量提取的迭代训练，直至深度学习网络满足训练停止条件。训练停止条件可以自行设置，例如，损失函数最小或模型精度达到预设值等。使用训练后的深度学习网络构成孪生网络，将该孪生网络确定为温度特征提取模型。另外，可以将深度学习网络满足训练停止条件时，输出的每一张测温邻域图像的特征向量作为每一张测温邻域图像各自的样本温度特征向量。

将基于每一张测温邻域图像以及每一张测温邻域图像的测量温度训练后的深度学习网络的孪生网络确定为温度特征提取模型，利用孪生网络可以实现一次学习(one-shot learning)的特性，也即后续加入少量新样本后可以快速更新模型的特性，保证温度特征提取模型可以被快速更新，以将温度特征提取模型应用在不同热传导特性的消融目标对应的超声图像中的任一目标像素的温度预测中，拓宽超声测温的应用场景。

步骤406，拼接每一张测温邻域图像自身的样本组学特征向量与样本温度特征向量，得到每一张测温邻域图像的参考预测特征向量，所有测温邻域图像的参考预测特征向量组成参考预测特征向量集合。

步骤406与图3所示实施例中步骤304相类似，在此不再赘述。

步骤407，根据每一张测温邻域图像的测量温度以及参考预测特征向量，确定参考预测特征向量与温度之间的映射关系。

针对每一张测温邻域图像，将测温邻域图像自身的测量温度确定为其自身参考预测特征向量对应的温度，从而得到参考预测特征向量与温度之间的映射关系。

步骤408，对于超声图像中任一目标像素，获取目标像素周围的目标邻域图像。

步骤409，对目标邻域图像进行组学特征提取，得到组学特征向量。

步骤410，利用预训练的温度特征提取模型，提取目标邻域图像的温度特征向量。

步骤411，拼接组学特征向量与温度特征向量，得到目标邻域图像的待预测特征向量。

步骤412，根据参考预测特征向量与温度之间的映射关系，以及待预测特征向量与预获取的参考预测特征向量集合中参考预测特征向量的对应关系，确定待预测特征向量对应的温度，并将温度确定为目标像素的预测温度。

步骤408至步骤412详情参见图3所示实施例的步骤301至步骤305，在此不再赘述。

本申请实施例中，针对超声图像样本序列中每一张超声图像样本都提取每一测温针尖对应的测量邻域图像，并获取每一张测温邻域图像的测量温度，得到每一张测温邻域图像对应的真实温度。使得每一张测温邻域图像各自的参考预测特征向量都可以与测温邻域图像对应的真实温度对应，保证根据每一张测温邻域图像的测量温度以及参考预测特征向量，确定的参考预测特征向量与温度之间的映射关系的可靠性，从而提高后续对目标像素的超声测温的准确性。

在本实施例中还提供了一种超声测温装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

本实施例提供一种超声测温装置，如图5所示，包括：

获取模块510，用于对于超声图像中任一目标像素，获取目标像素周围的目标邻域图像；

第一特征提取模块520，用于对目标邻域图像进行组学特征提取，得到组学特征向量，组学特征向量用于指示目标邻域图像中与温度存在关联关系的特征；

第二特征提取模块530，用于利用预训练的温度特征提取模型，提取目标邻域图像的温度特征向量；

拼接模块540，用于拼接组学特征向量与温度特征向量，得到目标邻域图像的待预测特征向量；

确定模块550，用于根据参考预测特征向量与温度之间的映射关系，以及待预测特征向量与预获取的参考预测特征向量集合中参考预测特征向量的对应关系，确定待预测特征向量对应的温度，并将温度确定为目标像素的预测温度。

在一些可选的实施例中，确定模块包括：

第一确定单元，用于确定参考预测特征向量集合中每一个参考预测特征向量与待预测特征向量之间的余弦夹角，得到余弦夹角集合；

第二确定单元，用于将余弦夹角集合中最小的余弦夹角对应的参考预测特征向量确定为待预测特征向量的相似参考预测特征向量；

第三确定单元，用于根据参考预测特征向量与温度之间的映射关系，确定相似参考预测特征向量对应的温度，确定的温度即为预测温度。

在一些可选的实施例中，超声测温装置还包括：

第一获取模块，用于获取超声图像样本序列，超声图像样本序列中的每一张超声图像样本包括消融针尖以及至少一个测温针尖；

提取模块，用于针对每一张超声图像样本，根据消融针尖所在位置以及每一个测温针尖所在位置，从超声图像样本中提取每一个测温针尖对应的测温邻域图像；

第二获取模块，用于获取每一张测温邻域图像的测量温度；

第一特征提取模块，还用于对每一张测温邻域图进行组学特征提取，得到每一张测温邻域图像的样本组学特征向量；

第二特征提取模块，还用于利用温度特征提取模型，提取每一张测温邻域图像的样本温度特征向量；

拼接模块，还用于拼接每一张测温邻域图像自身的样本组学特征向量与样本温度特征向量，得到每一张测温邻域图像的参考预测特征向量，所有测温邻域图像的参考预测特征向量组成参考预测特征向量集合；

第一确定模块，用于根据每一张测温邻域图像的测量温度以及参考预测特征向量，确定参考预测特征向量与温度之间的映射关系。

在一些可选的实施例中，第二获取模块包括：

第一获取单元，用于获取每一个测温针尖在超声图像样本序列对应时间段内采集的温度数据；

线性插值单元，用于对温度数据进行线性插值，得到每一张超声图像样本中每一个测温针尖对应的采集温度；

第四确定单元，用于针对每一张超声图像样本的每一个测温针尖，将测温针尖对应的采集温度确定为测温针尖自身对应的测温邻域图像的测量温度。

在一些可选的实施例中，提取模块包括：

第一提取单元，用于针对每一张超声图像样本，以消融针尖所在位置为中心，预设第一长度为边长，从超声图像样本中提取温度监测局部图像；

第二提取单元，用于针对每一张温度监测局部图像中的每一个测温针尖，以测温针尖所在位置为中心，预设第二长度为边长，从温度监测局部图像中提取测温针尖对应的测温邻域图像。

在一些可选的实施例中，第一获取模块包括：

第二获取单元，用于获取原始超声图像样本序列；

第一噪声滤波单元，用于对原始超声图像样本序列进行噪声滤波，得到去噪超声图像样本序列；

第一边界检测单元，用于根据霍夫变换算法，对去噪超声图像样本序列中的每一张去噪超声图像样本分别进行消融针边界检测以及测温针边界检测，确定每一张去噪超声图像样本中消融针尖所在位置、测温针尖所在位置、消融针所在区域以及测温针所在区域；

第一去除单元，用于分别将每一张去噪超声图像样本中消融针所在区域内的消融针以及测温针所在区域内的测温针去除，得到超声图像样本序列。

在一些可选的实施例中，超声测温装置还包括：

训练模块，用于根据每一张测温邻域图像以及每一张测温邻域图像的测量温度，对预构建的深度学习网络进行温度特征向量提取的迭代训练，直至满足训练停止条件，得到训练后的深度学习网络；

构建模块，将训练后的深度学习网络的孪生网络确定为温度特征提取模型。

在一些可选的实施例中，获取模块包括：

第三获取单元，用于获取原始超声图像；

第二噪声滤波单元，用于对原始超声图像进行噪声滤波，得到去噪超声图像；

第二边界检测单元，用于根据霍夫变换算法，对去噪超声图像进行消融针边界检测，确定去噪超声图像中消融针尖所在位置以及消融针所在区域；

第二去除单元，用于将去噪超声图像中消融针所在区域内的消融针去除，得到超声图像；

第三提取单元，用于将超声图像中的任一像素确定为目标像素，以目标像素所在位置为中心，预设第二长度为边长，从超声图像中提取目标邻域图像。

上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。

本实施例中的超声测温装置是以功能单元的形式来呈现，这里的单元是指ASIC(Application Specific Integrated Circuit，专用集成电路)电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。

本申请实施例还提供一种计算机设备，具有上述图5所示的超声测温装置。

请参阅图6，图6是本申请可选实施例提供的一种计算机设备的结构示意图，如图6所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器10为例。

处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。

其中，所述存储器20存储有可由至少一个处理器10执行的指令，以使所述至少一个处理器10执行实现上述实施例示出的方法。

存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。

该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。

本申请实施例还提供了一种计算机可读存储介质，上述根据本申请实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。

虽然结合附图描述了本申请的实施例，但是本领域技术人员可以在不脱离本申请的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (11)

1.一种超声测温方法，其特征在于，所述方法包括：

对于超声图像中任一目标像素，获取所述目标像素周围的目标邻域图像；

对所述目标邻域图像进行组学特征提取，得到组学特征向量，所述组学特征向量用于指示所述目标邻域图像中与温度存在关联关系的特征；

利用预训练的温度特征提取模型，提取所述目标邻域图像的温度特征向量；

拼接所述组学特征向量与所述温度特征向量，得到所述目标邻域图像的待预测特征向量；

根据参考预测特征向量与温度之间的映射关系，以及所述待预测特征向量与预获取的参考预测特征向量集合中参考预测特征向量的对应关系，确定所述待预测特征向量对应的温度，并将所述温度确定为所述目标像素的预测温度。

2.根据权利要求1所述的方法，其特征在于，所述根据参考预测特征向量与温度之间的映射关系，以及所述待预测特征向量与预获取的参考预测特征向量集合中参考预测特征向量的对应关系，确定所述待预测特征向量对应的温度，并将所述温度确定为所述目标像素的预测温度，包括：

确定所述参考预测特征向量集合中每一个所述参考预测特征向量与所述待预测特征向量之间的余弦夹角，得到余弦夹角集合；

将所述余弦夹角集合中最小的余弦夹角对应的参考预测特征向量确定为所述待预测特征向量的相似参考预测特征向量；

根据所述参考预测特征向量与温度之间的映射关系，确定所述相似参考预测特征向量对应的温度，确定的温度即为所述预测温度。

3.根据权利要求1或2所述的方法，其特征在于，在根据参考预测特征向量与温度之间的映射关系，以及所述待预测特征向量与预获取的参考预测特征向量集合中参考预测特征向量的对应关系，确定所述待预测特征向量对应的温度，并将所述温度确定为所述目标像素的预测温度之前，所述方法还包括：

获取超声图像样本序列，所述超声图像样本序列中的每一张超声图像样本包括消融针尖以及至少一个测温针尖；

针对每一张所述超声图像样本，根据所述消融针尖所在位置以及每一个所述测温针尖所在位置，从所述超声图像样本中提取每一个所述测温针尖对应的测温邻域图像；

获取每一张所述测温邻域图像的测量温度；

对每一张所述测温邻域图进行组学特征提取，得到每一张所述测温邻域图像的样本组学特征向量；

利用所述温度特征提取模型，提取每一张所述测温邻域图像的样本温度特征向量；

拼接每一张所述测温邻域图像自身的所述样本组学特征向量与所述样本温度特征向量，得到每一张所述测温邻域图像的参考预测特征向量，所有所述测温邻域图像的参考预测特征向量组成所述参考预测特征向量集合；

根据每一张所述测温邻域图像的测量温度以及参考预测特征向量，确定所述参考预测特征向量与温度之间的映射关系。

4.根据权利要求3所述的方法，其特征在于，所述获取每一张所述测温邻域图像的测量温度，包括：

获取每一个所述测温针尖在所述超声图像样本序列对应时间段内采集的温度数据；

对所述温度数据进行线性插值，得到每一张所述超声图像样本中每一个所述测温针尖对应的采集温度；

针对每一张所述超声图像样本的每一个所述测温针尖，将所述测温针尖对应的采集温度确定为所述测温针尖自身对应的测温邻域图像的测量温度。

5.根据权利要求4所述的方法，其特征在于，所述针对每一张所述超声图像样本，根据所述消融针尖所在位置以及每一个所述测温针尖所在位置，从所述超声图像样本中提取每一个所述测温针尖对应的测温邻域图像，包括：

针对每一张所述超声图像样本，以所述消融针尖所在位置为中心，预设第一长度为边长，从所述超声图像样本中提取温度监测局部图像；

针对每一张所述温度监测局部图像中的每一个所述测温针尖，以所述测温针尖所在位置为中心，预设第二长度为边长，从所述温度监测局部图像中提取所述测温针尖对应的测温邻域图像。

6.根据权利要求5所述的方法，其特征在于，所述获取超声图像样本序列，包括：

获取原始超声图像样本序列；

对所述原始超声图像样本序列进行噪声滤波，得到去噪超声图像样本序列；

根据霍夫变换算法，对所述去噪超声图像样本序列中的每一张去噪超声图像样本分别进行消融针边界检测以及测温针边界检测，确定每一张所述去噪超声图像样本中消融针尖所在位置、测温针尖所在位置、消融针所在区域以及测温针所在区域；

分别将每一张所述去噪超声图像样本中消融针所在区域内的消融针以及测温针所在区域内的测温针去除，得到所述超声图像样本序列。

7.根据权利要求3所述的方法，其特征在于，在利用预训练的温度特征提取模型，提取所述目标邻域图像的温度特征向量之前，所述方法还包括：

根据每一张所述测温邻域图像以及每一张所述测温邻域图像的测量温度，对预构建的深度学习网络进行温度特征向量提取的迭代训练，直至满足训练停止条件，得到训练后的深度学习网络；

将所述训练后的深度学习网络的孪生网络确定为所述温度特征提取模型。

8.根据权利要求1或2所述的方法，其特征在于，所述对于超声图像中任一目标像素，获取所述目标像素周围的目标邻域图像，包括：

获取原始超声图像；

对所述原始超声图像进行噪声滤波，得到去噪超声图像；

根据霍夫变换算法，对所述去噪超声图像进行消融针边界检测，确定所述去噪超声图像中消融针尖所在位置以及消融针所在区域；

将所述去噪超声图像中消融针所在区域内的消融针去除，得到所述超声图像；

将所述超声图像中的任一像素确定为所述目标像素，以目标像素所在位置为中心，预设第二长度为边长，从所述超声图像中提取所述目标邻域图像。

9.一种超声测温装置，其特征在于，所述装置包括：

获取模块，用于对于超声图像中任一目标像素，获取所述目标像素周围的目标邻域图像；

第一特征提取模块，用于对所述目标邻域图像进行组学特征提取，得到组学特征向量，所述组学特征向量用于指示所述目标邻域图像中与温度存在关联关系的特征；

第二特征提取模块，用于利用预训练的温度特征提取模型，提取所述目标邻域图像的温度特征向量；

拼接模块，用于拼接所述组学特征向量与所述温度特征向量，得到所述目标邻域图像的待预测特征向量；

确定模块，用于根据参考预测特征向量与温度之间的映射关系，以及所述待预测特征向量与预获取的参考预测特征向量集合中参考预测特征向量的对应关系，确定所述待预测特征向量对应的温度，并将所述温度确定为所述目标像素的预测温度。

10.一种计算机设备，其特征在于，包括：

存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至8中任一项所述的超声测温方法。

11.一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上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至8中任一项所述的超声测温方法。