CN117689567B - 一种超声波图像扫描方法及装置 - Google Patents

一种超声波图像扫描方法及装置 Download PDF

Info

Publication number
CN117689567B
CN117689567B CN202410129127.7A CN202410129127A CN117689567B CN 117689567 B CN117689567 B CN 117689567B CN 202410129127 A CN202410129127 A CN 202410129127A CN 117689567 B CN117689567 B CN 117689567B
Authority
CN
China
Prior art keywords
image
abnormal
neural network
images
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.)
Active
Application number
CN202410129127.7A
Other languages
English (en)
Other versions
CN117689567A (zh
Inventor
李建东
王健发
罗时奇
张崇山
连展德
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.)
Guangzhou Sunuokang Medical Technology Co ltd
Original Assignee
Guangzhou Sunuokang Medical Technology 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 Guangzhou Sunuokang Medical Technology Co ltd filed Critical Guangzhou Sunuokang Medical Technology Co ltd
Priority to CN202410129127.7A priority Critical patent/CN117689567B/zh
Publication of CN117689567A publication Critical patent/CN117689567A/zh
Application granted granted Critical
Publication of CN117689567B publication Critical patent/CN117689567B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • 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
    • A61B8/5238—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for combining image data of patient, e.g. merging several images from different acquisition modes into one image
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

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

Abstract

本发明公开了一种超声波图像扫描方法及装置，通过获取与异常区域对应的第二图像，并将其与第一图像进行配准，可以消除图像之间的位移和畸变，确保两个图像的对应关系准确。这有助于医生或操作者更好地比较和分析两个图像，提高图像的可比性和可靠性。且通过预设的融合算法，将第一图像和对应的第二图像进行融合，生成第三图像。这种图像融合可以综合两个图像的信息，提供更全面、更清晰的图像展示。操作者可以更直观地观察和分析异常区域。在第三图像中，该方法可以进一步提取异常区域，使操作者能够更清晰地识别和定位异常区域。这有助于快速筛查和定位异常，提高诊断的准确性和效率。

Description

一种超声波图像扫描方法及装置
技术领域
本发明涉及图像扫描领域，尤其涉及一种超声波图像扫描方法及装置。
背景技术
超声波图像的采集是通过超声波传感器来实现的。传感器会发射超声波信号，这些信号会以声波的形式传播到被测物体内部。当超声波信号遇到不同组织或物体的界面时，会发生反射、散射和折射等现象。传感器会接收到这些反射回来的信号，并将其转化为电信号。
通过对超声波图像进行对应的图像识别，在医学、工业、安防等领域有着广泛的应用。但是在现有技术中双头掌上超声设备存在着凸阵声头和线阵声头各自特性的限制，凸阵声头适用于大范围的扫描和全景成像，而线阵声头适用于高分辨率的局部扫描。单独使用凸阵声头和线阵声头都无法对超声波图像进行全面的采集，得到后续用于图像识别的超声波图像。
且现有技术中没有有效的将凸阵声头和线阵声头进行结合，从而进行清晰的超声波图像扫描的方法。
发明内容
本发明提供了一种超声波图像扫描方法及装置，以解决现有技术中超声波图像扫描清晰度准确度不高的问题。
第一方面，本申请提供了一种超声波图像扫描方法，包括：
获取若干第一图像，并通过预设的神经网络模型获取至少一个第一图像中的异常区域；
获取与各个的异常区域对应的第二图像，并将每个存在异常区域的第一图像和对应的第二图像配准；
根据第一图像和对应的第二图像，通过预设的融合算法获得第三图像，并获得第三图像中的异常区域。
这样通过获取与异常区域对应的第二图像，并将其与第一图像进行配准，可以消除图像之间的位移和畸变，确保两个图像的对应关系准确。这有助于医生或操作者更好地比较和分析两个图像，提高图像的可比性和可靠性。且通过预设的融合算法，将第一图像和对应的第二图像进行融合，生成第三图像。这种图像融合可以综合两个图像的信息，提供更全面、更清晰的图像展示。操作者可以更直观地观察和分析异常区域。在第三图像中，该方法可以进一步提取异常区域，使操作者能够更清晰地识别和定位异常区域。这有助于快速筛查和定位异常，提高诊断的准确性和效率。
进一步地，所述通过预设的神经网络模型获取至少一个第一图像中的异常区域，包括：
分别获取每个第一图像中的特征值信息，通过神经网络中的激活函数确定至少一个存在异常的第一图像，并通过神经网络中的输出层生成异常框；
根据所述异常框获取存在异常的第一图像中的异常区域。
这样可以分析每个第一图像的特征值信息，并通过激活函数确定至少一个存在异常的第一图像。这种方法可以提高异常区域的检测准确性，减少误诊率，帮助医生或操作者更准确地识别和定位异常区域。且可以方便地提取出异常区域进行进一步分析和处理。这有助于医生或操作者更深入地研究异常区域，为诊断和治疗提供更详细的信息。
进一步地，所述获取与各个的异常区域对应的第二图像，包括：
分别将各个异常区域，通过线阵声头扫描获得对应的异常扫描图像，并将所述异常扫描图像作为第二图像。
这样通过使用线阵声头扫描，可以针对每个异常区域获取对应的异常扫描图像。相比于第一图像，异常扫描图像能够更详细地展示异常区域的细节和特征。操作者可以通过观察异常扫描图像来获取更全面、更准确的异常区域信息。
进一步地，所述将每个存在异常区域的第一图像和对应的第二图像配准，包括：
从所述第一图像中选取一个预设大小的窗口作为第一待匹配窗口，并从对应的第二图像中确定滑动窗口；
通过在所述第二图像中移动滑动窗口获得若干第二待匹配窗口，计算所述第一待匹配窗口和所有第二待匹配窗口的相似度；
确定相似度最大的第二待匹配窗口为所述第二图像和对应的第一图像中的配准位置。
这样通过移动滑动窗口获取多个第二待匹配窗口，并计算相似度，该方法可以自动化地进行配准过程。这样，医生或操作者无需手动调整图像位置，节省了时间和劳动力，并且减少了人为因素对结果的影响。
进一步地，所述根据第一图像和对应的第二图像，通过预设的融合算法获得第三图像，包括：
通过金字塔融合算法，将第二图像映射到对应的第一图像相应的金字塔层次上得到映射图像；
通过拉普拉斯金字塔，将映射图像的每一层逐像素相加获得融合图像，并根据融合图像获得第三图像。
这样做可以将第一图像和第二图像的信息进行综合，融合两个图像的特征，提供更全面、更准确的图像信息。第三图像可以综合反映第一图像和第二图像的特点，有助于操作者更直观地观察和分析异常区域。且通过拉普拉斯金字塔，将映射图像的每一层逐像素相加获得融合图像。可以增强图像的对比度和细节，提高图像的清晰度和质量。第三图像相比于原始图像和映射图像，可以提供更清晰和更有辨识度的图像展示。
进一步地，所述预设的神经网络模型，包括：
获取标注了异常位置和类别的训练图像，对神经网络模型进行训练，从而得到预设的神经网络模型；
其中，在神经网络模型训练中，通过位置损失函数和类别损失函数对神经网络模型中参数进行调整。
这样通过使用标注了异常位置的训练图像进行训练，神经网络模型可以学习到异常位置的特征和模式。通过位置损失函数，模型可以调整参数以最小化异常位置的偏差，从而提高异常位置的检测准确性。
第二方面，本申请提供了一种超声波图像扫描装置，包括：第一图像模块、第二图像模块和第三图像模块；
所述第一图像模块用于获取若干第一图像，并通过预设的神经网络模型获取至少一个第一图像中的异常区域；
所述第二图像模块用于获取与各个的异常区域对应的第二图像，并将每个存在异常区域的第一图像和对应的第二图像配准；
所述第三图像模块用于根据第一图像和对应的第二图像，通过预设的融合算法获得第三图像，并获得第三图像中的异常区域。
进一步地，所述第一图像模块包括：异常框单元和异常区域单元；
所述异常框单元用于分别获取每个第一图像中的特征值信息，通过神经网络中的激活函数确定至少一个存在异常的第一图像，并通过神经网络中的输出层生成异常框；
所述异常区域单元用于根据所述异常框获取存在异常的第一图像中的异常区域。
进一步地，所述第二图像模块包括：线阵单元；
所述线阵单元用于分别将各个异常区域，通过线阵声头扫描获得对应的异常扫描图像，并将所述异常扫描图像作为第二图像。
进一步地，所述第二图像模块包括：滑动单元、匹配单元和配准单元：
所述滑动单元用于从所述第一图像中选取一个预设大小的窗口作为第一待匹配窗口，并从对应的第二图像中确定滑动窗口；
所述匹配单元用于通过在所述第二图像中移动滑动窗口获得若干第二待匹配窗口，计算所述第一待匹配窗口和所有第二待匹配窗口的相似度；
所述配准单元用于确定相似度最大的第二待匹配窗口为所述第二图像和对应的第一图像中的配准位置。
进一步地，所述第三图像模块包括：映射单元和融合单元；
所述映射单元用于通过金字塔融合算法，将第二图像映射到对应的第一图像相应的金字塔层次上得到映射图像；
所述融合单元用于通过拉普拉斯金字塔，将映射图像的每一层逐像素相加获得融合图像，并根据融合图像获得第三图像。
进一步地，所述第一图像模块包括：神经网络单元；
所述神经网络单元用于获取标注了异常位置和类别的训练图像，对神经网络模型进行训练，从而得到预设的神经网络模型；
其中，在神经网络模型训练中，通过位置损失函数和类别损失函数对神经网络模型中参数进行调整。
这样通过获取与各个异常区域对应的第二图像，并将其与第一图像进行配准，可以得到更详细的异常区域图像。这有助于操作者更全面地观察和分析异常区域的细节和特征。且通过预设的融合算法，可以将第一图像和对应的第二图像进行融合，得到第三图像。第三图像可以综合反映第一图像和第二图像的特点，将异常区域与周围正常区域进行对比，使异常区域更突出地呈现出来。这有助于操作者更直观地观察和分析异常区域，提高图像的可视化效果。
附图说明
图1 ： 为本发明提供的一种超声波图像扫描方法的一种实施例的流程示意图；
图2 ： 为本发明提供的一种虚超声波图像扫描装置的一种实施例的模块结构图；
图3： 为本发明提供的一种虚超声波图像扫描装置的一种实施例的第一图像模块结构图；
图4： 为本发明提供的一种虚超声波图像扫描装置的一种实施例的第二图像模块结构图；
图5： 为本发明提供的一种虚超声波图像扫描装置的一种实施例的第三图像模块结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
实施例一
请参照图1，为本发明实施例提供的一种超声波图像扫描方法，包括步骤S1至步骤S3，各步骤具体如下：
步骤S1：获取若干第一图像，并通过预设的神经网络模型获取至少一个第一图像中的异常区域；
在本实施例中，通过凸阵声头对待扫描区域进行初步连续扫描，从而得到若干第一图像；
优选的，凸阵声头对待扫描区域连续扫描时采用的中心频率为2-4MHz。
其中，基于超声特性和临床实验，中心频率小于2MHz时第一图像的分辨力不够；中心频率大于4MHz时第一图像穿透力不够，无法将整个肝脏进行成像。
在本实施例中，所述通过预设的神经网络模型获取至少一个第一图像中的异常区域，包括：
分别获取每个第一图像中的特征值信息，通过神经网络中的激活函数确定至少一个存在异常的第一图像，并通过神经网络中的输出层生成异常框；
根据所述异常框获取存在异常的第一图像中的异常区域。
在一具体实施例中，所述分别获取每个第一图像中的特征值信息，通过神经网络中的激活函数确定至少一个存在异常的第一图像，并通过神经网络中的输出层生成异常框，具体为：
加载事先训练好的神经网络模型和配置文件，分别将每个第一图像进行预处理，并将预处理后的第一图像分别输入到训练好的神经网络模型中得到每个第一图像所对应的若干个边界框和相应的类别置信度。
在一具体实施例中，所述分别将每个第一图像进行预处理，包括：
将每一个第一图像剪切成512*512的大小的灰度图，并归一化像素到0-1之间。
进一步地，筛选出每个第一图像中置信度高的边界框并去除冗余的重叠框；将神经网络模型输出的边界框映射回原始图像的坐标空间，并为每个检测结果分配相应的类别标签。
优选地，可以将检测结果标以不同的颜色和文字标签，得到异常区域框，可视化在第一图像上。
这样可以分析每个第一图像的特征值信息，并通过激活函数确定至少一个存在异常的第一图像。这种方法可以提高异常区域的检测准确性，减少误诊率，帮助医生或操作者更准确地识别和定位异常区域。且可以方便地提取出异常区域进行进一步分析和处理。这有助于医生或操作者更深入地研究异常区域，为诊断和治疗提供更详细的信息。
进一步地，所述预设的神经网络模型，包括：
获取标注了异常位置和类别的训练图像，对神经网络模型进行训练，从而得到预设的神经网络模型；
其中，在神经网络模型训练中，通过位置损失函数和类别损失函数对神经网络模型中参数进行调整。
在一具体实施例中，所述位置损失函数为使用平方误差损失来度量预测的矩形框位置与实际异常位置之间的差距，具体为：
；
其中,N是异常位置的数量,是实际矩形框的坐标和宽高,是网络预测的矩形框的坐标和宽高。
所述类别损失函数为使用交叉熵损失度量异常类别的预测误差，具体为：
；
其中，是异常位置的类别数量，/>是实际类别的独热编码，/>是网络输出的类别概率。
优选地，根据位置损失函数和类别损失函数获得总体损失函数，所述总体损失函数为：
；
其中，入是位置损失和类别损失的平衡权重。
在一具体实施例中，所述神经网络模型为类似YOLO（You Only Look Once）的网络结构。这样可以实现对B超图像中异常的精确定位。
在本实施例中，所述神经网络模型包括：输入层、卷积层、池化层、卷积块、全连接层、输出层、损失函数和激活函数。
所述输入层用于接收单张B超图像，通常以固定尺寸作为输入。每张图像包含腹部扫描的超声信息。
所述卷积层和池化层用于提取图像的特征。这些层有助于捕获图像中的边缘、纹理等低级和中级特征。
所述卷积块用于在特征提取后，网络包含多个卷积块，每个卷积块包含卷积层、批量归一化层和激活函数。这些卷积块有助于更深层次的特征学习。
所述全连接层用于将卷积层的输出映射到较高维度的特征空间。
所述输出层用于负责生成异常的ROI（Region of Interest）矩形框坐标。每个ROI框的信息包括矩形框的位置（左上角和右下角坐标）、异常的类别概率，以及其他相关信息。
所述激活函数为Leaky ReLU函数。
这样通过使用标注了异常位置的训练图像进行训练，神经网络模型可以学习到异常位置的特征和模式。通过位置损失函数，模型可以调整参数以最小化异常位置的偏差，从而提高异常位置的检测准确性。
在本实施例中，所述获取标注了异常位置和类别的训练图像，对神经网络模型进行训练，具体为：
数据集准备： 使用标注了异常位置和类别的B超图像数据集进行训练。
初始化： 使用预训练的权重或随机初始化网络参数。
前向传播： 将B超图像输入网络，计算网络输出。
计算损失： 使用前述的位置损失和类别损失计算总体损失。
反向传播： 使用反向传播算法更新网络参数，减小损失。
优化： 使用优化算法（如梯度下降）不断迭代，直至收敛。
验证和调优： 使用验证集评估模型性能，进行超参数调整，确保模型的泛化能力。
步骤S2：获取与各个的异常区域对应的第二图像，并将每个存在异常区域的第一图像和对应的第二图像配准；
在本实施例中，所述获取与各个的异常区域对应的第二图像，包括：
分别将各个异常区域，通过线阵声头扫描获得对应的异常扫描图像，并将所述异常扫描图像作为第二图像。
优选地，所述线阵声头扫描的中心频率为5-8MHz。
这样通过使用线阵声头扫描，可以针对每个异常区域获取对应的异常扫描图像。相比于第一图像，异常扫描图像能够更详细地展示异常区域的细节和特征。操作者可以通过观察异常扫描图像来获取更全面、更准确的异常区域信息。
在本实施例中，所述将每个存在异常区域的第一图像和对应的第二图像配准，包括：
从所述第一图像中选取一个预设大小的窗口作为第一待匹配窗口，并从对应的第二图像中确定滑动窗口；
通过在所述第二图像中移动滑动窗口获得若干第二待匹配窗口，计算所述第一待匹配窗口和所有第二待匹配窗口的相似度；
在一可选的具体实施例中，所述计算所述第一待匹配窗口和所有第二待匹配窗口的相似度，具体为：
均方差 (Mean Squared Error, MSE) :
；
其中，是第二图像中第二待匹配窗口内的像素值，/>是第一待匹配窗口中对应位置的像素值，/>和/>分别是窗口的高度和宽度。
归一化交叉相关 (Normalized Cross-Correlation, NCC) :
；
其中，和/>是与均方差相同的定义。
皮尔逊相关系数 (Pearson Correlation Coefficient) :
；
其中，和/>分别是第二待匹配窗口内像素值和第一待匹配窗口内像素值的平均值。
确定相似度最大的第二待匹配窗口为所述第二图像和对应的第一图像中的配准位置。
这样通过移动滑动窗口获取多个第二待匹配窗口，并计算相似度，该方法可以自动化地进行配准过程。这样，医生或操作者无需手动调整图像位置，节省了时间和劳动力，并且减少了人为因素对结果的影响。
步骤S3：根据第一图像和对应的第二图像，通过预设的融合算法获得第三图像，并获得第三图像中的异常区域。
在本实施例中，所述根据第一图像和对应的第二图像，通过预设的融合算法获得第三图像，包括：
通过金字塔融合算法，将第二图像映射到对应的第一图像相应的金字塔层次上得到映射图像；
通过拉普拉斯金字塔，将映射图像的每一层逐像素相加获得融合图像，并根据融合图像获得第三图像。
其中，需要说明的是所述金字塔融合算法（Pyramid Blending）是一种图像融合技术，它通过图像金字塔的不同层次进行融合，从而实现平滑的过渡。
在本实施例中，将第一图像和第二图像进行融合得到第三图像的步骤具体为：
首先构建图像金字塔，对第一图像和第二图像分别构建高斯金字塔。金字塔的不同层次包含了图像的不同分辨率。
拉普拉斯金字塔：通过高斯金字塔计算拉普拉斯金字塔。拉普拉斯金字塔的每一层包含了该层次图像与上一层次图像的差值。
所述通过金字塔融合算法，将第二图像映射到对应的第一图像相应的金字塔层次上得到映射图像，具体为：
将第二图像映射到第一图像的相应金字塔层次上。这可以通过计算第二图像与第一图像之间的变换关系，如仿射变换或投影变换，然后将第二图像的像素位置对应到第一图像上。
在映射后的映射图像上标记异常区域框。这可以通过在映射图像像上绘制边界框或在像素级别进行标记。
将映射图像与第一图像的相应金字塔层次进行融合得到融合图像。这可以通过拉普拉斯金字塔的每一层逐像素相加来实现。融合的目的是在过渡区域使得图像平滑过渡，避免突兀的边界。
进一步地，所述根据融合图像获得第三图像，具体为：
对融合图像的金字塔进行逐层重建，得到最终的第三图像。
金字塔融合算法就是将图案拆分成了不同尺度的alpha融合，低频亮度信息上，将α权重尽可能平滑，越往高频走，α权重尽可能保持原来样子，保证整体亮度过渡自然同时，纹理信息和前景完全一致。
其中，可以理解的是，所述金字塔融合算法的公式为：
假设和/>分别是第二图像和第一图像的拉普拉斯金宇塔的某一层次，而/>和/>是相应的高斯金字塔，那么融合的公式如下：
；
其中，α 是权重参数，控制着两幅图像之间的过渡。这个公式应用于金字 塔的每一层次，从最底层开始逐层陆台，直到最顶层。
这样做可以将第一图像和第二图像的信息进行综合，融合两个图像的特征，提供更全面、更准确的图像信息。第三图像可以综合反映第一图像和第二图像的特点，有助于操作者更直观地观察和分析异常区域。且通过拉普拉斯金字塔，将映射图像的每一层逐像素相加获得融合图像。可以增强图像的对比度和细节，提高图像的清晰度和质量。第三图像相比于原始图像和映射图像，可以提供更清晰和更有辨识度的图像展示。
这样通过获取与异常区域对应的第二图像，并将其与第一图像进行配准，可以消除图像之间的位移和畸变，确保两个图像的对应关系准确。这有助于医生或操作者更好地比较和分析两个图像，提高图像的可比性和可靠性。且通过预设的融合算法，将第一图像和对应的第二图像进行融合，生成第三图像。这种图像融合可以综合两个图像的信息，提供更全面、更清晰的图像展示。操作者可以更直观地观察和分析异常区域。在第三图像中，该方法可以进一步提取异常区域，使操作者能够更清晰地识别和定位异常区域。这有助于快速筛查和定位异常，提高诊断的准确性和效率。
实施例二
请参照图2，为本发明实施例提供的一种超声波图像扫描装置，包括：第一图像模块210、第二图像模块220和第三图像模块230；
所述第一图像模块210用于获取若干第一图像，并通过预设的神经网络模型获取至少一个第一图像中的异常区域；
所述第二图像模块220用于获取与各个的异常区域对应的第二图像，并将每个存在异常区域的第一图像和对应的第二图像配准；
所述第三图像模块230用于根据第一图像和对应的第二图像，通过预设的融合算法获得第三图像，并获得第三图像中的异常区域。
进一步地，如图3所述第一图像模块210包括：异常框单元211和异常区域单元212；
所述异常框单元211用于分别获取每个第一图像中的特征值信息，通过神经网络中的激活函数确定至少一个存在异常的第一图像，并通过神经网络中的输出层生成异常框；
所述异常区域单元212用于根据所述异常框获取存在异常的第一图像中的异常区域。
进一步地，如图4所述第二图像模块220包括：线阵单元221；
所述线阵单元221用于分别将各个异常区域，通过线阵声头扫描获得对应的异常扫描图像，并将所述异常扫描图像作为第二图像。
进一步地，所述第二图像模块220包括：滑动单元222、匹配单元223和配准单元224：
所述滑动单元222用于从所述第一图像中选取一个预设大小的窗口作为第一待匹配窗口，并从对应的第二图像中确定滑动窗口；
所述匹配单元223用于通过在所述第二图像中移动滑动窗口获得若干第二待匹配窗口，计算所述第一待匹配窗口和所有第二待匹配窗口的相似度；
所述配准单元224用于确定相似度最大的第二待匹配窗口为所述第二图像和对应的第一图像中的配准位置。
进一步地，如图5所述第三图像模块230包括：映射单元231和融合单元232；
所述映射单元231用于通过金字塔融合算法，将第二图像映射到对应的第一图像相应的金字塔层次上得到映射图像；
所述融合单元232用于通过拉普拉斯金字塔，将映射图像的每一层逐像素相加获得融合图像，并根据融合图像获得第三图像。
进一步地，所述第一图像模块210包括：神经网络单元；
所述神经网络单元用于获取标注了异常位置和类别的训练图像，对神经网络模型进行训练，从而得到预设的神经网络模型；
其中，在神经网络模型训练中，通过位置损失函数和类别损失函数对神经网络模型中参数进行调整。
本装置更详细的工作原理和步骤流程可以但不限于参见实施例一中的方法步骤。
这样通过获取与各个异常区域对应的第二图像，并将其与第一图像进行配准，可以得到更详细的异常区域图像。这有助于操作者更全面地观察和分析异常区域的细节和特征。且通过预设的融合算法，可以将第一图像和对应的第二图像进行融合，得到第三图像。第三图像可以综合反映第一图像和第二图像的特点，将异常区域与周围正常区域进行对比，使异常区域更突出地呈现出来。这有助于操作者更直观地观察和分析异常区域，提高图像的可视化效果。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种超声波图像扫描方法，其特征在于，包括：
通过凸阵声头对待扫描区域进行初步连续扫描，从而得到若干第一图像；
获取若干第一图像，并通过预设的神经网络模型获取至少一个第一图像中的异常区域；
获取与各个的异常区域对应的第二图像，并将每个存在异常区域的第一图像和对应的第二图像配准；
根据第一图像和对应的第二图像，通过预设的融合算法获得第三图像，并获得第三图像中的异常区域；
所述获取与各个的异常区域对应的第二图像，包括：
分别将各个异常区域，通过线阵声头扫描获得对应的异常扫描图像，并将所述异常扫描图像作为第二图像；
所述将每个存在异常区域的第一图像和对应的第二图像配准，包括：
从所述第一图像中选取一个预设大小的窗口作为第一待匹配窗口，并从对应的第二图像中确定滑动窗口；
通过在所述第二图像中移动滑动窗口获得若干第二待匹配窗口，计算所述第一待匹配窗口和所有第二待匹配窗口的相似度；
确定相似度最大的第二待匹配窗口为所述第二图像和对应的第一图像中的配准位置。
2.根据权利要求1所述超声波图像扫描方法，其特征在于，所述通过预设的神经网络模型获取至少一个第一图像中的异常区域，包括：
分别获取每个第一图像中的特征值信息，通过神经网络中的激活函数确定至少一个存在异常的第一图像，并通过神经网络中的输出层生成异常框；
根据所述异常框获取存在异常的第一图像中的异常区域。
3.根据权利要求1所述超声波图像扫描方法，其特征在于，所述根据第一图像和对应的第二图像，通过预设的融合算法获得第三图像，包括：
通过金字塔融合算法，将第二图像映射到对应的第一图像相应的金字塔层次上得到映射图像；
通过拉普拉斯金字塔，将映射图像的每一层逐像素相加获得融合图像，并根据融合图像获得第三图像。
4.根据权利要求1所述超声波图像扫描方法，其特征在于，所述预设的神经网络模型，包括：
获取标注了异常位置和类别的训练图像，对神经网络模型进行训练，从而得到预设的神经网络模型；
其中，在神经网络模型训练中，通过位置损失函数和类别损失函数对神经网络模型中参数进行调整。
5.一种超声波图像扫描装置，其特征在于，包括：第一图像模块、第二图像模块和第三图像模块；
所述第一图像模块用于获取若干第一图像，并通过预设的神经网络模型获取至少一个第一图像中的异常区域；
所述第一图像模块具体用于通过凸阵声头对待扫描区域进行初步连续扫描，从而得到若干第一图像；
所述第二图像模块用于获取与各个的异常区域对应的第二图像，并将每个存在异常区域的第一图像和对应的第二图像配准；
所述第三图像模块用于根据第一图像和对应的第二图像，通过预设的融合算法获得第三图像，并获得第三图像中的异常区域；
所述第二图像模块包括：线阵单元；
所述线阵单元用于分别将各个异常区域，通过线阵声头扫描获得对应的异常扫描图像，并将所述异常扫描图像作为第二图像；
所述第二图像模块包括：滑动单元、匹配单元和配准单元：
所述滑动单元用于从所述第一图像中选取一个预设大小的窗口作为第一待匹配窗口，并从对应的第二图像中确定滑动窗口；
所述匹配单元用于通过在所述第二图像中移动滑动窗口获得若干第二待匹配窗口，计算所述第一待匹配窗口和所有第二待匹配窗口的相似度；
所述配准单元用于确定相似度最大的第二待匹配窗口为所述第二图像和对应的第一图像中的配准位置。
6.根据权利要求5所述超声波图像扫描装置，其特征在于，所述第一图像模块包括：异常框单元和异常区域单元；
所述异常框单元用于分别获取每个第一图像中的特征值信息，通过神经网络中的激活函数确定至少一个存在异常的第一图像，并通过神经网络中的输出层生成异常框；
所述异常区域单元用于根据所述异常框获取存在异常的第一图像中的异常区域。
7.根据权利要求5所述超声波图像扫描装置，其特征在于，所述第三图像模块包括：映射单元和融合单元；
所述映射单元用于通过金字塔融合算法，将第二图像映射到对应的第一图像相应的金字塔层次上得到映射图像；
所述融合单元用于通过拉普拉斯金字塔，将映射图像的每一层逐像素相加获得融合图像，并根据融合图像获得第三图像。
8.根据权利要求5所述的超声波图像扫描装置，其特征在于，所述第一图像模块包括：神经网络单元；
所述神经网络单元用于获取标注了异常位置和类别的训练图像，对神经网络模型进行训练，从而得到预设的神经网络模型；
其中，在神经网络模型训练中，通过位置损失函数和类别损失函数对神经网络模型中参数进行调整。
CN202410129127.7A 2024-01-31 2024-01-31 一种超声波图像扫描方法及装置 Active CN117689567B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410129127.7A CN117689567B (zh) 2024-01-31 2024-01-31 一种超声波图像扫描方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410129127.7A CN117689567B (zh) 2024-01-31 2024-01-31 一种超声波图像扫描方法及装置

Publications (2)

Publication Number Publication Date
CN117689567A CN117689567A (zh) 2024-03-12
CN117689567B true CN117689567B (zh) 2024-05-24

Family

ID=90137427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410129127.7A Active CN117689567B (zh) 2024-01-31 2024-01-31 一种超声波图像扫描方法及装置

Country Status (1)

Country Link
CN (1) CN117689567B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101711685A (zh) * 2008-09-29 2010-05-26 株式会社东芝 体腔用超声波探头及超声波诊断装置
CN113017682A (zh) * 2019-12-24 2021-06-25 深圳迈瑞生物医疗电子股份有限公司 一种超声成像设备及方法
WO2022027251A1 (zh) * 2020-08-04 2022-02-10 深圳迈瑞生物医疗电子股份有限公司 三维显示方法和超声成像系统
CN114943714A (zh) * 2022-05-31 2022-08-26 上海联影医疗科技股份有限公司 医学图像处理系统、装置、电子设备及存储介质
CN115690556A (zh) * 2022-11-08 2023-02-03 河北北方学院附属第一医院 一种基于多模态影像学特征的图像识别方法及系统
WO2023072146A1 (zh) * 2021-10-26 2023-05-04 北京智愈医疗科技有限公司 一种经腔道的超声自动检查系统、控制方法、计算机可读存储介质及电子设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107432753B (zh) * 2016-05-27 2022-04-19 通用电气公司 一种生成融合超声影像的方法、装置及超声机
EP4239576A1 (en) * 2022-03-04 2023-09-06 Esaote S.p.A. Method and system for registering images acquired with different modalities for generating fusion images from registered images acquired with different modalities

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101711685A (zh) * 2008-09-29 2010-05-26 株式会社东芝 体腔用超声波探头及超声波诊断装置
CN113017682A (zh) * 2019-12-24 2021-06-25 深圳迈瑞生物医疗电子股份有限公司 一种超声成像设备及方法
WO2022027251A1 (zh) * 2020-08-04 2022-02-10 深圳迈瑞生物医疗电子股份有限公司 三维显示方法和超声成像系统
WO2023072146A1 (zh) * 2021-10-26 2023-05-04 北京智愈医疗科技有限公司 一种经腔道的超声自动检查系统、控制方法、计算机可读存储介质及电子设备
CN114943714A (zh) * 2022-05-31 2022-08-26 上海联影医疗科技股份有限公司 医学图像处理系统、装置、电子设备及存储介质
CN115690556A (zh) * 2022-11-08 2023-02-03 河北北方学院附属第一医院 一种基于多模态影像学特征的图像识别方法及系统

Also Published As

Publication number Publication date
CN117689567A (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
US10062014B2 (en) Deep image-to-image network learning for medical image analysis
US9480439B2 (en) Segmentation and fracture detection in CT images
CN111862044B (zh) 超声图像处理方法、装置、计算机设备和存储介质
US7907768B2 (en) Method and apparatus for probabilistic atlas based on shape modeling technique
US8437521B2 (en) Systems and methods for automatic vertebra edge detection, segmentation and identification in 3D imaging
KR101121396B1 (ko) 2차원 초음파 영상에 대응하는 2차원 ｃｔ 영상을 제공하는 시스템 및 방법
US8724865B2 (en) Method, computer software, and system for tracking, stabilizing, and reporting motion between vertebrae
EP3174467B1 (en) Ultrasound imaging apparatus
CN111340682A (zh) 利用深度神经网络将医学图像转换为不同样式图像的方法和系统
WO2016194161A1 (ja) 超音波診断装置、及び画像処理方法
CN111047572A (zh) 一种基于Mask RCNN的医学图像中脊柱自动定位方法
US20220370033A1 (en) Three-dimensional modeling and assessment of cardiac tissue
CN114820952B (zh) 肺部超声可视化三维重建方法和系统
US20210100530A1 (en) Methods and systems for diagnosing tendon damage via ultrasound imaging
CN104732520A (zh) 一种胸部数字影像的心胸比测量算法及系统
US20240062498A1 (en) Systems and methods for rendering models based on medical imaging data
CN105787870A (zh) 一种图形图像拼接融合系统
CN102132322A (zh) 用于确定对象的尺寸改变的设备
CN117017347B (zh) 超声设备的图像处理方法、系统及超声设备
CN117689567B (zh) 一种超声波图像扫描方法及装置
US20230368913A1 (en) Uncertainty Estimation in Medical Imaging
CN116109610A (zh) 一种超声检查报告图像中乳腺肿瘤分割方法和系统
CN110930394B (zh) 测量肌肉肌纤维束线斜率和羽状角的方法及终端设备
RU2478337C2 (ru) Способ определения контура сердца на флюорографических снимках
US20230360224A1 (en) Ultrasound data segmentation

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
GR01 Patent grant
GR01 Patent grant