CN117934356A - 一种超声成像系统和卵巢间质自动定量分析方法 - Google Patents
一种超声成像系统和卵巢间质自动定量分析方法 Download PDFInfo
- Publication number
- CN117934356A CN117934356A CN202211237004.2A CN202211237004A CN117934356A CN 117934356 A CN117934356 A CN 117934356A CN 202211237004 A CN202211237004 A CN 202211237004A CN 117934356 A CN117934356 A CN 117934356A
- Authority
- CN
- China
- Prior art keywords
- ovarian
- ovary
- image
- region
- processor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002611 ovarian Effects 0.000 title claims abstract description 374
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 25
- 238000003384 imaging method Methods 0.000 title claims abstract description 12
- 210000001672 ovary Anatomy 0.000 claims abstract description 350
- 230000017531 blood circulation Effects 0.000 claims abstract description 92
- 230000003325 follicular Effects 0.000 claims abstract description 92
- 238000002604 ultrasonography Methods 0.000 claims description 97
- 238000004422 calculation algorithm Methods 0.000 claims description 80
- 238000010801 machine learning Methods 0.000 claims description 61
- 238000003709 image segmentation Methods 0.000 claims description 29
- 238000012285 ultrasound imaging Methods 0.000 claims description 24
- 230000005540 biological transmission Effects 0.000 claims description 23
- 239000000523 sample Substances 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 abstract description 6
- 230000011218 segmentation Effects 0.000 description 45
- 230000000875 corresponding effect Effects 0.000 description 35
- 238000001514 detection method Methods 0.000 description 28
- 238000013135 deep learning Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 210000003484 anatomy Anatomy 0.000 description 5
- 238000005520 cutting process Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 201000010065 polycystic ovary syndrome Diseases 0.000 description 5
- 238000004579 scanning voltage microscopy Methods 0.000 description 5
- 102000002322 Egg Proteins Human genes 0.000 description 4
- 108010000912 Egg Proteins Proteins 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000002592 echocardiography Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 210000004681 ovum Anatomy 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000005295 random walk Methods 0.000 description 3
- 241000270295 Serpentes Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 210000004696 endometrium Anatomy 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 208000000509 infertility Diseases 0.000 description 2
- 230000036512 infertility Effects 0.000 description 2
- 231100000535 infertility Toxicity 0.000 description 2
- 210000001161 mammalian embryo Anatomy 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000003101 oviduct Anatomy 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000001755 vocal effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 239000003098 androgen Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 208000023965 endometrium neoplasm Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
- A61B8/06—Measuring blood flow
-
- 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
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/20081—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)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Hematology (AREA)
- Physiology (AREA)
- Quality & Reliability (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
一种超声成像系统和卵巢间质自动定量分析方法,具有卵巢间质自动定量分析功能,能够向包含卵巢的感兴趣组织发射超声波,并接收超声波回波信号,对超声波回波信号进行处理,得到包含卵巢的超声图像数据;基于卵巢间质的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢间质区域;或者,基于卵巢的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢区域,以及基于卵泡的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵泡区域,并基于分割出的卵巢区域和卵泡区域得到分割出的卵巢间质区域;从分割出的卵巢间质获取卵巢间质内的血流像素数;至少基于血流像素计算与卵巢间质相关的血流参数。
Description
技术领域
本发明涉及超声成像领域,具体涉及一种超声成像系统和卵巢间质自动定量分析方法。
背景技术
目前不孕不育是一个值得引起重视的问题;完成胚胎的孕育需要三个器官的参与:卵巢、输卵管和子宫内膜;其中,卵巢用于产生卵子,输卵管用于传送精子和受精卵,子宫内膜为受精卵的着床以及生长发育提供必要的生长条件。一颗健康的卵子的产生对胚胎的形成起着决定性的作用,因此对卵巢的超声评估是不孕不育的筛查中不可或缺的检查项目。卵巢包括卵泡和卵巢间质,对卵巢的超声评估中一个重要的方面是对卵巢间质进行超声评估。
在获取卵巢的超声图像后,对卵巢间质进行评估时,操作比较繁琐。
发明内容
针对上述问题,本发明提出一种超声成像系统和卵巢间质自动定量分析方法,下面具体说明。
根据第一方面,一种实施例提供一种超声成像系统,包括:
超声探头,用于向包含卵巢的感兴趣组织发射超声波,以及接收相应的超声波回波信号;
发射和接收控制电路,用于控制所述超声探头执行发射超声波和接收超声波回波信号;以及,
处理器,用于对所述相应的超声波回波信号进行处理,得到包含卵巢的超声图像数据;其中:
所述超声成像系统具有卵巢间质自动定量分析功能,在所述卵巢间质自动定量分析功能被启用时:
所述处理器获取包含卵巢的超声图像数据;
所述处理器从所述包含卵巢的超声图像数据中自动获取卵巢区域,包括:所述处理器基于卵巢间质的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢间质区域;或者,所述处理器基于卵巢的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢区域,以及基于卵泡的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵泡区域,并基于分割出的卵巢区域和卵泡区域得到分割出的卵巢间质区域;
所述处理器从分割出的卵巢间质区域获取卵巢间质内的血流像素;
所述处理器至少基于所述卵巢间质内的血流像素计算与卵巢间质相关的血流参数,所述与卵巢间质相关的血流参数包括卵巢间质动脉血管化指数、卵巢间质血流指数和卵巢间质血管化血流指数中的一者或多者。
一实施例中,所述处理器从所述包含卵巢的超声图像数据中自动获取卵巢间质区域,包括:
所述处理器从所述包含卵巢的超声图像数据确定目标切面图像,所述目标切面图像为最大卵巢切面图像或最多卵泡切面图像;
所述处理器基于卵巢间质的结构特征或图像特征,从所述目标切面图像中自动分割出卵巢间质区域;或者,
所述处理器基于卵巢的结构特征或图像特征,从所述目标切面图像中自动分割出卵巢区域,以及基于卵泡的结构特征或图像特征,从所述目标切面图像中自动分割出卵泡区域,并基于分割出的卵巢区域和卵泡区域得到分割出的卵巢间质区域。
一实施例中,所述处理器从所述包含卵巢的超声图像数据确定目标切面图像,包括:
所述处理器获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的超声图像数据中至少一个切面图像中检测或分割出卵巢区域,并基于切面图像中检测或分割出的卵巢区域来得到最大卵巢切面图像;或者,
所述处理器通过图像分割算法从所述包含卵巢的超声图像数据中至少一个切面图像中分割出卵巢区域,并比较各切面图像中分割出的卵巢区域来得到最大卵巢切面图像;或者,
所述处理器获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的超声图像数据中至少一个切面图像中检测或分割出卵泡区域,并比较各切面图像中检测或分割出的卵泡的数量来得到最多卵泡切面图像;或者,
所述处理器通过图像分割算法从所述包含卵巢的超声图像数据中至少一个切面图像中分割出卵泡区域,并比较各切面图像中检测或分割出的卵泡的数量来得到最多卵泡切面图像。
一实施例中,所述处理器基于卵巢间质的结构特征或图像特征,从所述目标切面图像中自动分割出卵巢间质区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述目标切面图像检测或分割出卵巢间质区域;或者,所述处理器通过图像分割算法从所述目标切面图像中分割出卵巢间质区域;
所述处理器基于卵巢的结构特征或图像特征,从所述目标切面图像中自动分割出卵巢区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述目标切面图像检测或分割出卵巢区域;或者,所述处理器通过图像分割算法从所述目标切面图像中分割出卵巢区域;
所述处理器基于卵泡的结构特征或图像特征,从所述目标切面图像中自动分割出卵泡区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述目标切面图像检测或分割出卵泡区域;或者,所述处理器通过图像分割算法从所述目标切面图像中分割出卵泡区域。
一实施例中,所述包含卵巢的超声图像数据为包含卵巢的三维体数据;
所述处理器基于卵巢间质的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢间质区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的三维体数据中检测或分割出卵巢间质区域;或者,所述处理器对所述包含卵巢的三维体数据按照预设规则进行切分得到二维切面图像序列,并从所述二维切面图像序列检测或分割出卵巢间质的二维轮廓,根据所述二维切面图像序列中各二维切面图像中所述卵巢间质的二维轮廓,得到所述卵巢间质的三维轮廓,从而从所述包含卵巢的三维体数据中分割出卵巢间质区域;
所述处理器基于卵巢的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的三维体数据中检测或分割出卵巢区域;或者,所述处理器对所述包含卵巢的三维体数据按照预设规则进行切分得到二维切面图像序列,并从所述二维切面图像序列检测或分割出卵巢的二维轮廓,根据所述二维切面图像序列中各二维切面图像中所述卵巢的二维轮廓,得到所述卵巢的三维轮廓,从而从所述包含卵巢的三维体数据中分割出卵巢区域;
所述处理器基于卵泡的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵泡区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的三维体数据中检测或分割出卵泡区域;或者,所述处理器对所述包含卵巢的三维体数据按照预设规则进行切分得到二维切面图像序列,并从所述二维切面图像序列检测或分割出卵泡的二维轮廓,根据所述二维切面图像序列中各二维切面图像中所述卵泡的二维轮廓,得到所述卵泡的三维轮廓,从而从所述包含卵巢的三维体数据中分割出卵泡区域。
一实施例中,所述处理器至少基于所述卵巢间质内的血流像素计算与卵巢间质相关的血流参数,包括以下至少一者:
所述处理器根据所述血流像素的灰度值,计算卵巢间质血流指数;
所述处理器从分割出的卵巢间质区域获取卵巢间质像素,并根据所述血流像素的数目和所述卵巢间质像素的数目,计算卵巢间质动脉血管化指数;
所述处理器根据所述卵巢间质动脉血管化指数和所述卵巢间质血流指数,计算卵巢间质血管化血流指数。
一实施例中,所述处理器还从分割出的卵巢区域获取卵巢像素;所述处理器还计算所述卵巢像素的平均灰度值和所述卵巢间质像素的平均灰度值,并根据所述卵巢像素的平均灰度值和所述卵巢间质像素的平均灰度值计算卵巢间质加声强度指数。
根据第二方面,一种实施例提供一种超声成像系统,包括:
超声探头,用于向包含卵巢的感兴趣组织发射超声波,以及接收相应的超声波回波信号;
发射和接收控制电路,用于控制所述超声探头执行发射超声波和接收超声波回波信号;以及,
处理器,用于对所述相应的超声波回波信号进行处理,得到包含卵巢的超声图像数据;所述处理器基于卵巢间质的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢间质区域;或者,所述处理器基于卵巢的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢区域,以及基于卵泡的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵泡区域,并基于分割出的卵巢区域和卵泡区域得到分割出的卵巢间质区域;所述处理器基于所获取的述卵巢间质区域获取卵巢间质内的血流像素,并基于所述血流像素计算与卵巢间质相关的血流参数。
一实施例中,所述卵巢间质的血流参数包括卵巢间质动脉血管化指数、卵巢间质血流指数和卵巢间质血管化血流指数中的一者或多者。
一实施例中,所述处理器还从所述包含卵巢的超声图像数据中自动获取卵巢区域;所述处理器还根据所获取的卵巢区域和卵巢间质区域,计算卵巢间质加声强度指数。
一实施例中,所述处理器从所述包含卵巢的超声图像数据中自动获取卵巢间质区域,包括:
所述处理器从所述包含卵巢的超声图像数据确定目标切面图像,所述目标切面图像为最大卵巢切面图像或最多卵泡切面图像;
所述处理器基于卵巢间质的结构特征或图像特征,从所述目标切面图像中自动分割出卵巢间质区域;或者,
所述处理器基于卵巢的结构特征或图像特征,从所述目标切面图像中自动分割出卵巢区域,以及基于卵泡的结构特征或图像特征,从所述目标切面图像中自动分割出卵泡区域,并基于分割出的卵巢区域和卵泡区域得到分割出的卵巢间质区域。
一实施例中,所述处理器从所述包含卵巢的超声图像数据确定目标切面图像,包括:
所述处理器获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的超声图像数据中至少一个切面图像中检测或分割出卵巢区域,并基于切面图像中检测或分割出的卵巢来得到最大卵巢切面图像;或者,
所述处理器通过图像分割算法从所述包含卵巢的超声图像数据中至少一个切面图像中分割出卵巢区域,并比较各切面图像中分割出的卵巢来得到最大卵巢切面图像;或者,
所述处理器获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的超声图像数据中至少一个切面图像中检测或分割出卵泡区域,并比较各切面图像中检测或分割出的卵泡的数量来得到最多卵泡切面图像;
所述处理器通过图像分割算法从所述包含卵巢的超声图像数据中至少一个切面图像中分割出卵泡区域,并比较各切面图像中检测或分割出的卵泡的数量来得到最多卵泡切面图像。
一实施例中,所述处理器基于卵巢间质的结构特征或图像特征,从所述目标切面图像中自动分割出卵巢间质区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述目标切面图像检测或分割出卵巢间质区域;或者,所述处理器通过图像分割算法从所述目标切面图像中分割出卵巢间质区域;
所述处理器基于卵巢的结构特征或图像特征,从所述目标切面图像中自动分割出卵巢区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述目标切面图像检测或分割出卵巢区域;或者,所述处理器通过图像分割算法从所述目标切面图像中分割出卵巢区域;
所述处理器基于卵泡的结构特征或图像特征,从所述目标切面图像中自动分割出卵泡区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述目标切面图像检测或分割出卵泡区域;或者,所述处理器通过图像分割算法从所述目标切面图像中分割出卵泡区域。
一实施例中,所述包含卵巢的超声图像数据为包含卵巢的三维体数据;
所述处理器基于卵巢间质的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢间质,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的三维体数据中检测或分割出卵巢间质区域;或者,所述处理器对所述包含卵巢的三维体数据按照预设规则进行切分得到二维切面图像序列,并从所述二维切面图像序列检测或分割出卵巢间质的二维轮廓,根据所述二维切面图像序列中各二维切面图像中所述卵巢间质的二维轮廓,得到所述卵巢间质的三维轮廓,从而从所述包含卵巢的三维体数据中分割出卵巢间质区域;
所述处理器基于卵巢的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的三维体数据中检测或分割出卵巢区域;或者,所述处理器对所述包含卵巢的三维体数据按照预设规则进行切分得到二维切面图像序列,并从所述二维切面图像序列检测或分割出卵巢的二维轮廓,根据所述二维切面图像序列中各二维切面图像中所述卵巢的二维轮廓,得到所述卵巢的三维轮廓,从而从所述包含卵巢的三维体数据中分割出卵巢区域;
所述处理器基于卵泡的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵泡区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的三维体数据中检测或分割出卵泡区域;或者,所述处理器对所述包含卵巢的三维体数据按照预设规则进行切分得到二维切面图像序列,并从所述二维切面图像序列检测或分割出卵泡的二维轮廓,根据所述二维切面图像序列中各二维切面图像中所述卵泡的二维轮廓,得到所述卵泡的三维轮廓,从而从所述包含卵巢的三维体数据中分割出卵泡区域。
根据第三方面,一种实施例提供一种卵巢间质自动定量分析方法,包括:
向包含卵巢的感兴趣组织发射超声波;
接收相应的超声波回波信号;
对所述相应的超声波回波信号进行处理,得到包含卵巢的超声图像数据;
基于卵巢间质的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢间质区域;或者,基于卵巢的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢区域,以及基于卵泡的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵泡区域,并基于分割出的卵巢和卵泡得到分割出的卵巢间质区域;
从分割出的卵巢间质区域获取卵巢间质内的血流像素数;
至少基于所述血流像素计算与卵巢间质相关的血流参数。
一实施例中,所述卵巢间质的血流参数包括卵巢间质动脉血管化指数、卵巢间质血流指数和卵巢间质血管化血流指数中的一者或多者
依上述实施的超声成像系统和卵巢间质自动定量分析方法,具有卵巢间质自动定量分析功能,能够对包含卵巢的二维或三维超声图像数据进行自动检测或分割得到卵巢间质区域,并进一步从分割出的卵巢间质区域获取卵巢间质内的血流像素,再至少基于所述卵巢间质内的血流像素计算与卵巢间质相关的血流参数。
附图说明
图1(a)为对卵巢间质进行定量分析的一种方案;
图1(b)为对卵巢间质进行定量分析的一种方案;
图2为一种实施例的超声成像系统的结构示意图;
图3为一实施例的卵巢间质自动定量分析方法的流程图;
图4为一实施例中如何获取目标组织结构的流程图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中,很多细节描述是为了使得本发明能被更好的理解。然而,本领域技术人员可以毫不费力的认识到,其中部分特征在不同情况下是可以省略的,或者可以由其他元件、材料、方法所替代。在某些情况下,本发明相关的一些操作并没有在说明书中显示或者描述,这是为了避免本发明的核心部分被过多的描述所淹没,而对于本领域技术人员而言,详细描述这些相关操作并不是必要的,他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外,说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时,方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此,说明书和附图中的各种顺序只是为了清楚描述某一个实施例,并不意味着是必须的顺序,除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于区分所描述的对象,不具有任何顺序或技术含义。而本发明所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。
卵巢中包含有卵泡,卵巢中的卵泡是卵巢的功能单元,是卵巢的实质,因此卵巢间质是指卵巢中不是卵泡的其他部分。通过超声成像技术对卵巢进行超声成像,能够得到卵巢的超声图像,一般地,这包含有多个不同角度的卵巢切面图像,不同角度下的卵巢切面图像所呈现的卵巢切面是不同的,因此所呈现出的卵巢切面面积也不同的,卵巢切面面积以下简称为卵巢面积,类似地,在卵巢切面图像上呈现出的卵泡切面面积简称为卵泡面积,在卵巢切面图像上呈现出的卵巢间质切面面积简称为卵巢间质面积;在这些卵巢切面图像中,所呈现的卵巢切面面积为最大的卵巢切面图像不妨称之为最大卵巢切面图像;在这些卵巢切面图像中,所呈现的卵巢间质切面面积为最大的卵巢切面图像不妨称之为最大卵巢间质切面图像;卵巢中可能包含有多个卵泡,对于每一个具体的卵泡,当其在某一卵巢切面图像上所呈现的卵泡切面面积最大时,对于这个具体的卵泡来讲,该卵巢切面图像就称为这个具体的卵泡的最大卵泡切面图像;卵巢切面图像中卵泡最多的一个切面图像称之为最多卵泡切面图像。
卵巢超声的评估的一个重要方面是与卵巢间质相关的血流参数,进一步地,还包括卵巢间质加声强度指数(stromal index,SI)。
与卵巢间质相关的血流参数包含了卵巢间质动脉血管化指数(VI),卵巢间质动血流指数(FI)和卵巢间质动血管化血流指数(VFI)等;目前在一些临床文献中也已经证明相比于多卵泡以及正常组,多囊卵巢综合症(PCOS)患者的VI、FI和VFI参数值更高一些;并且多毛和非多毛的PCOS患者之间的VI、FI和VFI值也有一定差异;并且还有一些文献证明了与卵巢间质相关的血流参数不仅可以作为PCOS患者进行IVF时预测卵泡反应指标,还可以作为子宫内膜瘤治疗后进行体外受精(IVF)的预后指标。
卵巢间质加声强度指数则是指卵巢间质内回声的平均强度与整个卵巢的平均回声强度的比值。一些研究发现,PCOS患者的SI值高于正常卵巢,大概在1.12-1.31之间(均值是1.2),而正常卵巢的SI值在1.06-1.21之间(均值是1.10);同时SI的值也被发现与雄激素水平和LH/FSH显著正相关。
因此在卵巢的超声评估中,与卵巢间质相关的血流参数和卵巢间质加声强度指数是卵巢超声评估的重要量化指标。
针对不同的图像模式,卵巢间质的相关参数的获取有两种方式:一种是基于二维图像获取二维间质区域和卵巢区域,进而获取间质定量分析参数(例如图1(a));另一种是基于三维卵巢图像获取到三维间质区域和卵巢区域,进而获取间质定量分析参数(例如图1(b))。但不管是二维还是三维,在获取卵巢间质区域时都有两种方案:一种是直接获取到卵巢间质区域;一种是通过获取卵巢区域和卵泡区域后,两个区域相减获取到卵巢间质区域(如图1(a)和图1(b)中虚线框中的操作)。目前临床上,对于二维超声图像会手动描记来得到相关组织的轮廓;对于三维超声图像,则会采用诸如VOCAL工具来获取卵巢间质区域和卵巢区域;而不论是二维描记还是通过采用三维的VOCAL,操作流程都较为繁琐,耗时且一致性不高,测量结果不够准确。
一些方案中,本申请提出一种全自动对卵巢间质进行定量分析的方案;医生在获取三维或者二维超声图像后,算法自动分割出卵巢间质区域和卵巢区域,然后自动计算与卵巢间质相关的血流参数和卵巢间质加声强度指数;操作简单且精确,一致性高。
本发明的方案可以在超声成像系统上实现,请参考图2,为本发明一实施例的超声成像系统的结构示意图,该超声成像系统包括超声探头10、发射和接收控制电路20、回波处理模块30和处理器40;一些实施例中,超声成像系统还可以包括显示模块50,下面对各部件进行说明。
超声探头10用于向感兴趣区域发射超声波,以及接收相应的超声波回波信号。一些具体实施例中,超声探头10包括多个阵元,用于实现电脉冲信号和超声波的相互转换,从而实现向被检测生物组织60(人体或动物体中的生物组织,例如包含卵巢的感兴趣组织)发射超声波并接收组织反射回的超声回波,以获取超声波回波信号。超声探头10所包括的这多个阵元,可以排列成一排构成线阵,或排布成二维矩阵构成面阵,这多个阵元也可以构成凸阵列。阵元可根据激励电信号发射超声波,或将接收的超声波变换为电信号。因此每个阵元可用于向感兴趣区域的生物组织发射超声波,也可用于接收经组织返回的超声波回波。在进行超声检测时,可通过发射序列和接收序列控制哪些阵元用于发射超声波,哪些阵元用于接收超声波,或者控制阵元分时隙用于发射超声波或接收超声回波。参与超声波发射的所有阵元可以被电信号同时激励,从而同时发射超声波;或者参与超声波发射的阵元也可以被具有一定时间间隔的若干电信号激励,从而持续发射具有一定时间间隔的超声波。
发射和接收控制电路20用于控制超声探头10执行发射超声波和接收超声波回波信号,具体地,发射和接收控制电路20一方面用于控制超声探头10向生物组织60例如包含卵巢的感兴趣组织发射超声波束,另一方面用于控制超声探头10接收超声波束经组织反射的超声回波。具体实施例中,发射和接收控制电路20用于产生发射序列和接收序列,并输出至超声探头10。发射序列用于控制超声探头10中多个阵元中的部分或者全部向生物组织60例如包含卵巢的感兴趣组织发射超声波,发射序列的参数包括发射用的阵元数和超声波发射参数(例如幅度、频率、发波次数、发射间隔、发射角度、波型和/或聚焦位置等)。接收序列用于控制多个阵元中的部分或者全部接收超声波经组织后的回波,接收序列的参数包括接收用的阵元数以及回波的接收参数(例如接收角度、深度等)。对超声回波的用途不同或根据超声回波生成的图像不同,发射序列中的超声波参数和接收序列中的回波参数也有所不同。
回波处理模块30用于对超声探头10接收到的超声回波信号进行处理,例如对超声回波信号进行滤波、放大、波束合成等处理,得到超声回波数据。在具体实施例中,回波处理模块30可以将超声回波数据输出给处理器40,也可以将超声回波数据先存储在一存储器中,在需要基于超声回波数据进行运算时,处理器40从存储器中读取超声回波数据。本领域技术人员应当理解,在有些实施例中,当不需要对超声回波信号进行滤波、放大、波束合成等处理时,回波处理模块30也可以省略。
处理器40用于对超声波回波信号进行处理,得到超声图像数据。例如超声探头10向包含卵巢的感兴趣组织发射超声波,以及接收相应的超声波回波信号,处理器40对相应的超声波回波信号进行处理,得到包含卵巢的超声图像数据。
显示模块50可以用于显示信息,例如显示由处理器40计算得到的参数和图像等。本领域技术人员应当理解,在一些实施例中,超声成像系统本身可以不集成显示模块,而是连接一个计算机设备(例如电脑),通过计算机设备的显示模块(例如显示屏)来显示信息。
以上是超声成像系统的一些说明。在一些实施例中,超声能够系统具有卵巢间质自动定量分析功能,在卵巢间质自动定量分析功能被启用时,能够自动计算出卵巢间质的相关参数,例如与卵巢间质相关的血流参数和/或卵巢间质加声强度指数。一些实施例中,处理器40获取包含卵巢的超声图像数据,并从包含卵巢的超声图像数据中自动获取卵巢间质区域,再基于分割出的卵巢间质区域来计算与卵巢间质相关的血流参数和/或卵巢间质加声强度指数,下面具体说明。
卵巢间质的相关参数的计算可以是基于二维超声图像(例如二维多普勒图像)也可以是三维超声图像(例如三维超声多普勒图像),也即超声图像数据的获取,可以是三维体数据,也可以是二维数据或者是视频序列(视频序列用于供选取出某一帧来计算相关参数)。卵巢的二维超声图像可以通过二维超声采集,也可以是三维超声采集的剖面图像。三维下的卵巢间质定量分析则需要使用三维超声采集获取包含了完整的卵巢结构的三维体数据。
下面说明处理器40如何自动获取卵巢间质。
一些实施例中,处理器40从包含卵巢的超声图像数据中自动获取卵巢间质区域,可以包括下面的方式一或者方式二。
方式一,处理器40基于卵巢间质的结构特征或图像特征,从包含卵巢的超声图像数据中自动分割出卵巢间质区域。一些实施例中,处理器40从包含卵巢的超声图像数据确定目标切面图像,目标切面图像可以是最大卵巢切面图像或最多卵泡切面图像,处理器40再基于卵巢间质的结构特征或图像特征,从目标切面图像中自动分割出卵巢间质区域。
方式二,处理器40基于卵巢的结构特征或图像特征,从包含卵巢的超声图像数据中自动分割出卵巢区域,以及基于卵泡的结构特征或图像特征,从包含卵巢的超声图像数据中自动分割出卵泡区域,并基于分割出的卵巢区域和卵泡区域得到分割出的卵巢间质区域。一些实施例中,处理器40从包含卵巢的超声图像数据确定目标切面图像,目标切面图像可以是最大卵巢切面图像或最多卵泡切面图像,处理器40再基于卵巢的结构特征或图像特征,从目标切面图像中自动分割出卵巢区域,以及基于卵泡的结构特征或图像特征,从目标切面图像中自动分割出卵泡区域,并基于分割出的卵巢区域和卵泡区域得到分割出的卵巢间质区域。
方式一和方式二的一些具体实施例中都涉及到如何获取目标切面图像,下面具体说明。
对于最大卵巢切面图像:处理器40获取由机器学习所训练的模型,并基于该模型从包含卵巢的超声图像数据中至少一个切面图像中检测或分割出卵巢区域,并基于切面图像中检测或分割出的卵巢区域来得到最大卵巢切面图像;或者,处理器40通过图像分割算法从包含卵巢的超声图像数据中至少一个切面图像中分割出卵巢区域,并比较各切面图像中分割出的卵巢来得到最大卵巢切面图像。
对于最多卵泡切面图像:处理器40获取由机器学习所训练的模型,并基于该模型从包含卵巢的超声图像数据中至少一个切面图像中检测或分割出卵泡区域,并比较各切面图像中检测或分割出的卵泡的数量来得到最多卵泡切面图像;或者,处理器40通过图像分割算法从包含卵巢的超声图像数据中至少一个切面图像中分割出卵泡区域,并比较各切面图像中检测或分割出的卵泡的数量来得到最多卵泡切面图像。
如上所述,目标切面图像可以是最大卵巢切面图像或最多卵泡切面图像,对于不同的病人,其切面的卵泡数量、卵巢和卵泡的尺寸等是完全不同的,所以基于目标识别的标准切面定位算法不足以满足我们的需求;因此发明人研究出两类自动识别算法来用于定位目标切面图像:一是基于目标检测的标准切面定位算法;二是基于目标分割的标准切面定位算法。
基于目标检测的标准切面定位算法可以通过检测(深度学习或传统方法)出卵巢或卵泡结构,根据检测到的解剖结构的尺寸选择出目标切面图像,其主要步骤为:1)数据库的准备步骤:该算法需要大量的数据及其对应的数据标定结果,检测算法需要的标定为标准上的关键解剖结构的bounding box(如卵巢);2)最大卵巢切面图像(或者是最多卵泡切面图像)的检测、定位步骤。
基于目标检测的定位算法,主要有两种类型:
一个是基于传统机器学习的目标检测方法,具体地说,该方法主要分为以下四个步骤:1)首先通过移动滑动窗(滑动窗口需要设置不同的尺度,不同的长宽比)进行区域选择,2)然后基于区域内的图像块提取相关特征(如Harr特征,HOG特征等),3)最后将提取的特征送入分类器(如SVM,Adaboost等)中进行分类确定相关的解剖结构;
另一个是基于深度学习的目标检测方法,该方法主要分为两种:一种是候选区域结合深度学习分类的目标检测方法,该方法主要是通过提取候选区域,然后对相应区域进行深度学习为主的分类方案,如R-CNN(Selective Search+CNN+SVM),SPP-Net(ROIPooling),Fast R-CNN(Selective Search+CNN+ROI),Faster R-CNN(RPN+CNN+ROI),R-FCN等;另外一种是基于深度学习的回归方法,其主要步骤是首先将图像切分为S*S个网格,然后让每个网格负责检测物体中心落在这个网格上的物体,最后网络输出这个物体的每个位置的坐标(如中心点坐标以及长宽等)和该物体所属类别的概率,如YOLO系列(YOLO V1,YOLO V2,YOLO V3),SSD和DenseBox等算法。
标准切面的定位则是基于检测到的关键解剖结构(如检测到的卵巢区域越大分数越高,选取分数最高的作为最大卵巢切面图像;或者若检测的是卵泡,则选取检测出卵泡数量最多的切面作为最多卵泡切面图像)决定的。
以上是基于目标检测的标准切面定位算法的一些说明。
基于目标分割的标准切面定位算法可以通过分割(深度学习或传统方法)出卵巢或者卵泡结构,根据分割到的卵巢解剖结构的面积或者卵泡数量选择目标切面图像。目标的分割算法主要有两种:
一种是传统的图像分割算法,其主要步骤是:1)首先利用传统的图像分割算法对卵巢区域进行分割,传统的分割算法有基于水平集(Level Set)分割算法、随机游走(Random Walker)、图割(Graph Cut)和Snake等;2)基于得到的卵巢分割结果找出分割结果最大的切面作为最大卵巢切面图像(或者是根据卵泡分割结果,找出卵泡最多的切面作为最多卵泡切面图像)。
另一种是基于深度学习的图像分割算法,又分为两种类型:1)一种是以图像作为输入的深度学习模型;2)一种是以三维点云作为输入的深度学习模型。以图像作为输入的深度学习模型主要步骤为:1)数据库的准备步骤:该算法需要大量的数据及其对应的数据标定结果,分割算法需要的标定为卵巢结构或者卵泡结构(可以是解剖结构的mask);2)关键解剖结构的分割,即端到端的语义分割算法,其结构为卷积层、激活层、池化层和上采样、下采样、反卷积等的堆叠,从而得到一个和输入图像尺寸一致的输出图像,该输出图像直接分割出目标区域即卵巢或者卵泡,该方法是一个监督学习,常见的网络有FCN、U-Net、MaskR-CNN等;3)最后基于得到的分割结果,选取目标切面图像(如选取卵巢分割结果最大的作为最大卵巢切面图像,或者选取卵泡数量最多的切面作为最多卵泡切面图像)。采用将数据转为点云作为输入的深度学习模型来确定最大卵巢切面的主要步骤是:1)将数据表现为一个点云的集合,表示为n*3的张量,其中n表示点云的数量;2)输入数据通过一个学习到的转换矩阵对齐,保证模型对特征空间转换的不变性;3)对点云数据进行特征提取;4)对特征进行对齐;5)将全局特征和之前学习到的点云局部特征进行串联,得到每个数据点的分类结果,如PointNet或者pointNet++;6)最后基于得到的分割结果,选取目标切面图像(如选取卵巢分割结果最大的作为最大卵巢切面图像,或者选取卵泡数量最多的切面作为最多卵泡切面图像)。
以上是如何得到目标切面图像的一些说明。获得目标切面各图像后,处理器40再去获取目标组织结构所在区域(也可称之为目标组织结构区域),例如卵巢所在区域(也可称之为卵巢区域)、卵巢间质所在区域(也可称之为卵巢间质区域)或卵泡所在区域(也可称之为卵泡区域)等。
一些实施例中,处理器40获取由机器学习所训练的模型,并基于该模型从目标切面图像检测或分割出卵巢间质区域;或者,处理器40通过图像分割算法从目标切面图像中分割出卵巢间质区域。
一些实施例中,处理器40获取由机器学习所训练的模型,并基于该模型从目标切面图像检测或分割出卵巢区域;或者,处理器40通过图像分割算法从目标切面图像中分割出卵巢区域。
一些实施例中,处理器40获取由机器学习所训练的模型,并基于该模型从目标切面图像检测或分割出卵泡区域;或者,处理器40通过图像分割算法从目标切面图像中分割出卵泡区域。
从目标切面图像自动确定目标组织结构(例如卵巢、卵巢间质和/或卵泡等)区域,可以采用模式识别或机器学习等算法根据目标组织结构的结构特征或图像特征来检测或分割得到目标组织结构。
例如可以是基于目标图像的分割算法,该算法可以通过目标检测方法(如点检测、线检测)检测目标组织结构(例如卵巢间质的囊性区域),对该区域进行分割,常用的分割算法有基于水平集(Level Set)分割算法、随机游走(Random Walker)、图割(Graph Cut)和Snake等;也可通过机器学习的方法通过学习数据库中的目标组织结构的特点(例如卵巢间质的特点)来对目标组织结构区域(例如卵巢间质区域)进行分割;最后基于得到的分割结果定位出目标切面图像中的目标组织结构区域(例如卵巢间质区域)。
例如可以是基于机器学习的算法,其主要步骤为:1)构建数据库,数据库中应包含了大量的数据集及其对应的标记结果,标记信息是对目标进行了精确分割的Mask(掩膜);2)分割步骤,分割算法主要有两种,一种是基于机器学习的分割算法,一种是基于深度学习的分割算法,具体如下:
基于传统机器学习的语义分割算法,常见的步骤为将图像分为很多个图像块,然后对图像块进行特征的提取,特征的提取方式有传统的PCA、LDA、Harr特征、纹理特征等,也可以使用深度神经网络(如Overfeat网络)来进行特征的提取,然后对提取的特征使用级联的分类器,如KNN、SVM、随机森林等判别器进行分类,从而确定当前图像块是否为目标组织结构区域(例如卵巢间质区域),将该分类结果作为当前图像块的中心点标记结果,最后得到整个图像的分割结果;
基于深度学习的端到端的语义分割算法分为两种:1)一种是以图像作为输入;2)一种是以三维点云作为输入。图像作为输入的结构就是通过卷积层、池化层、上采样、下采样或者反卷积层等的堆叠,从而得到一个和输入图像尺寸一致的分割结果,该方法是一个监督学习,所以输入的监督信息是目标区域的Mask(掩膜)信息,数据准备比较耗时,常见的二维网络有FCN、U-Net、Mask R-CNN等,常见的三维分割网络有3D U-Net、3D FCN、Medical-Net等。基于深度学习的点云数据分割算法,将数据转为点云作为输入的深度学习模型框架的主要步骤是:1)将数据表现为一个点云的集合,表示为n*3的张量,其中n表示点云的数量;2)输入数据通过一个转换矩阵(学习到的)对齐,保证模型对特征空间转换的不变性;3)对点云数据进行特征提取;4)对特征进行对齐;5)将全局特征和之前学习到的点云局部特征进行串联,得到每个数据点的分类结果即是最终的分割结果,如PointNet或者PointNet++。
以上是基于二维超声数据,处理器40自动获取目标组织结构例如卵巢间质的一些说明。
一些实施例中,包含卵巢的超声图像数据为包含卵巢的三维体数据。
在三维体数据的情况下,一些实施例中,处理器40获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的三维体数据中检测或分割出目标组织结构区域;或者,处理器40对包含卵巢的三维体数据按照预设规则进行切分得到二维切面图像序列,并从二维切面图像序列检测或分割出目标组织结构的二维轮廓,根据二维切面图像序列中各二维切面图像中目标组织结构的二维轮廓,得到目标组织结构的三维轮廓,从而从包含卵巢的三维体数据中分割出目标组织结构区域。
一些实施例中,目标组织结构例如为卵巢、卵巢间质和/或卵泡等,相应地,目标组织结构区域例如为卵巢区域、卵巢间质区域和/或卵泡区域等。
在三维体数据的情况下,一些实施例中,处理器40获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的三维体数据中检测或分割出卵巢间质区域;或者,处理器40对包含卵巢的三维体数据按照预设规则进行切分得到二维切面图像序列,并从二维切面图像序列检测或分割出卵巢间质的二维轮廓,根据二维切面图像序列中各二维切面图像中卵巢间质的二维轮廓,得到卵巢间质的三维轮廓,从而从包含卵巢的三维体数据中分割出卵巢间质区域。
在三维体数据的情况下,一些实施例中,处理器40获取由机器学习所训练的模型,并基于该模型从包含卵巢的三维体数据中检测或分割出卵巢区域;或者,处理器40对包含卵巢的三维体数据按照预设规则进行切分得到二维切面图像序列,并从二维切面图像序列检测或分割出卵巢的二维轮廓,根据二维切面图像序列中各二维切面图像中所述卵巢的二维轮廓,得到卵巢的三维轮廓,从而从包含卵巢的三维体数据中分割出卵巢区域。
在三维体数据的情况下,一些实施例中,处理器40获取由机器学习所训练的模型,并基于该模型从包含卵巢的三维体数据中检测或分割出卵泡区域;或者,处理器40对包含卵巢的三维体数据按照预设规则进行切分得到二维切面图像序列,并从二维切面图像序列检测或分割出卵泡的二维轮廓,根据二维切面图像序列中各二维切面图像中所述卵泡的二维轮廓,得到卵泡的三维轮廓,从而从包含卵巢的三维体数据中分割出卵泡区域。
从三维体数据中自动确定目标组织结构(例如卵巢、卵巢间质和/或卵泡等)区域,可以采用模式识别或机器学习等算法根据目标组织结构的结构特征或图像特征来检测或分割得到目标组织结构区域。
例如可以是基于目标图像的分割算法,该算法可以通过目标检测方法(如点检测、线检测)检测目标组织结构区域(例如卵巢间质的囊性区域),对该区域进行分割,常用的分割算法有基于水平集(Level Set)分割算法、随机游走(Random Walker)、图割(Graph Cut)和Snake等;也可通过机器学习的方法通过学习数据库中的目标组织结构的特点(例如卵巢间质的特点)来对目标组织结构区域(例如卵巢间质区域)进行分割;最后基于得到的分割结果定位出目标切面图像中的目标组织结构区域(例如卵巢间质区域)。
例如可以是基于机器学习的算法,其主要步骤为:1)构建数据库,数据库中应包含了大量的数据集及其对应的标记结果,标记信息是对目标进行了精确分割的Mask(掩膜);2)分割步骤,分割算法主要有两种,一种是基于机器学习的分割算法,一种是基于深度学习的分割算法,具体如下:
基于传统机器学习的语义分割算法,常见的步骤为将图像分为很多个图像块,然后对图像块进行特征的提取,特征的提取方式有传统的PCA、LDA、Harr特征、纹理特征等,也可以使用深度神经网络(如Overfeat网络)来进行特征的提取,然后对提取的特征使用级联的分类器,如KNN、SVM、随机森林等判别器进行分类,从而确定当前图像块是否为目标组织结构区域(例如卵巢间质区域),将该分类结果作为当前图像块的中心点标记结果,最后得到整个图像的分割结果;
基于深度学习的端到端的语义分割算法分为两种:1)一种是以图像作为输入;2)一种是以三维点云作为输入。图像作为输入的结构就是通过卷积层、池化层、上采样、下采样或者反卷积层等的堆叠,从而得到一个和输入图像尺寸一致的分割结果,该方法是一个监督学习,所以输入的监督信息是目标区域的Mask(掩膜)信息,数据准备比较耗时,常见的二维网络有FCN、U-Net、Mask R-CNN等,常见的三维分割网络有3D U-Net、3D FCN、Medical-Net等。基于深度学习的点云数据分割算法,将数据转为点云作为输入的深度学习模型框架的主要步骤是:1)将数据表现为一个点云的集合,表示为n*3的张量,其中n表示点云的数量;2)输入数据通过一个转换矩阵(学习到的)对齐,保证模型对特征空间转换的不变性;3)对点云数据进行特征提取;4)对特征进行对齐;5)将全局特征和之前学习到的点云局部特征进行串联,得到每个数据点的分类结果即是最终的分割结果,如PointNet或者PointNet++。
对于对三维体数据按照预设规则进行切分得到二维切面图像序列,并最终从包含卵巢的三维体数据中分割出目标组织结构区域的方案,得到目标组织结构的二维切面图像序列中第一帧二维切面图像序列中目标组织结构的二维轮廓后,对于目标组织结构的二维切面图像序列,处理器40从第二帧二维切面图像开始到最后一帧二维切面图像结束,依次作为待检测帧执行二维轮廓自动检测步骤,得到目标组织结构的二维切面图像序列中各二维切面图像中目标组织结构的二维轮廓;其中上述第一帧二维切面图像为第二帧二维切面图像的相邻帧,二维轮廓自动检测步骤包括:处理器40根据与待检测帧的相邻帧对应的二维切面图像中目标组织结构的二维轮廓和待检测帧对应的二维切面图像,确定待检测帧对应的二维切面图像中目标组织结构的二维轮廓。
需要说明的是,本文中的目标组织结构的二维切面图像序列中第一帧二维切面图像序列,可以是目标组织结构的二维切面图像序列中任意一帧。
以预设规则为旋转采样法为例,目标组织结构的二维切面图像序列中第一帧二维切面图像序列,可以是目标组织结构的二维切面图像序列中中起始切分平面所切分出的二维切面图像,也可以是目标组织结构的二维切面图像序列中其他帧对应的二维切面图像序列,例如不妨按照旋转切分得到的二维切面图像的数量为N帧为例,可以将其中任意一帧的二维切面图像作为上述第一帧二维切面图像。
以预设规则为平移采样法为例,目标组织结构的二维切面图像序列中第一帧二维切面图像序列,可以是目标组织结构的二维切面图像序列中中起始切分平面所切分出的二维切面图像,也可以是目标组织结构的二维切面图像序列中其他帧对应的二维切面图像序列,例如不妨按照平移切分得到的二维切面图像数量为N帧的为例,可以将其中任意一帧的二维切面图像作为上述第一帧二维切面图像。
本文中相邻的两帧二维切面图像是指他们在目标组织结构的三维超声体数据中的位置是相邻的,这样才能够使得相邻的两帧二维切面图像的内容是相似的,从而可以根据待检测帧的相邻帧对应的二维切面图像中目标组织结构的二维轮廓来指导待检测帧对应的二维切面图像的轮廓检测。
一些具体实施例中,处理器40可以获取轮廓检测模型,将与待检测帧的相邻帧对应的二维切面图像中目标组织结构的二维轮廓和待检测帧对应的二维切面图像,输入到轮廓检测模型,得到所述待检测帧对应的二维切面图像中所述目标组织结构的二维轮廓,例如轮廓检测模型根据与待检测帧的相邻帧对应的二维切面图像中目标组织结构的二维轮廓,生成与该二维轮廓的点坐标的距离相关的感兴趣区域或高斯分布的权重,轮廓检测模型基于上述感兴趣区域或高斯分布的权重,确定在待检测帧对应的二维切面图像中分割目标组织结构轮廓时的起始位置和搜索范围;轮廓检测模型根据上述起始位置和搜索范围,对待检测帧对应的二维切面图像进行分割,以得到待检测帧对应的二维切面图像中所述目标组织结构的二维轮廓。
可以看到,输入到轮廓检测模型中的量,不仅包含待检测帧对应的二维切面图像,还包含了与待检测帧的相邻帧对应的二维切面图像中目标组织结构的二维轮廓,通过将两者共同作为轮廓检测模型的输入,利用相邻帧的分割结果来指导和约束待检测帧图像的轮廓检测。
一些实施例中,可以根据不同的器官组织结构的切面,构建不同的目标区域定位和边缘轮廓提取器,构建器官组织的边缘轮廓提取器,从而得到上述的轮廓检测模型;主要主要步骤可以:
步骤1,构建数据库步骤;数据库中通常包含了多幅标准切面或三维超声体数据及对应的标定结果;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ROI(感兴趣区域)的轮廓,也可是对目标进行精确分割的Mask(掩膜);
步骤2,定位和分割步骤;构建好数据库后,再设计机器学习算法学习数据库中可以区别目标区域和非目标区域的特征或规律来实现对图像感兴趣区域的定位和分割;
例如可以通过传统的基于滑窗的方法来实现,常见形式为:首先对滑窗内的区域进行特征提取,特征提取方法可以是传统的PCA、LDA、Harr特征和/或纹理特征等,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、随机森林或神经网络等判别器进行分类,确定当前滑窗是否为感兴趣区域;
再例如可以基于深度学习的边缘轮廓方法检测识别,常见形式为: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,对于一幅输入图像,可以通过网络直接回归出对应的感兴趣区域的边缘轮廓,常见的网络有R-CNN、Fast R-CNN、Faster-RCNN、SSD和YOLO等及其变种网络。
再例如可以基于深度学习的端到端的语义分割网络方法来实现,该类方法与上述基于深度学习的结构类似,不同点在于将全连接层去除,然后加入上采样或者反卷积层来使得输入与输出的尺寸相同,从而直接得到输入图像的感兴趣区域及其相应边缘轮廓,常见的网络有FCN、U-Net和Mask R-CNN等及其变种网络。
采用以上机器学习的方法学习到目标组织器官的特征和规律后,便可以用来对二维切面轮廓的边缘轮廓进行检测,值得注意的是训练和检测的输入均包含待检测帧的相邻帧对应图像的边缘轮廓结果信息。
以上是基于三维超声数据,处理器40自动获取目标组织结构例如卵巢间质区域的一些说明。
一些实施例中,处理器40从分割出的卵巢间质区域获取卵巢间质像素和/或卵巢间质内的血流像素。卵巢间质像素是指卵巢间质区域内的所有像素,卵巢间质内的血流像素是指卵巢间质区域内表征血流的像素。
一些实施例中,处理器40至少基于卵巢间质内的血流像素计算与卵巢间质相关的血流参数;一些实施例中,与卵巢间质相关的血流参数包括卵巢间质动脉血管化指数、卵巢间质血流指数和卵巢间质血管化血流指数中的一者或多者。
一些实施例中,处理器40根据上述血流像素的灰度值,计算卵巢间质血流指数。
一些实施例中,处理器40根据上述血流像素的数目和上述卵巢间质像素的数目,计算卵巢间质动脉血管化指数。
一些实施例中,处理器40根据卵巢间质动脉血管化指数和卵巢间质血流指数,计算卵巢间质血管化血流指数。
一些实施例中,处理器40还计算卵巢像素的平均灰度值和卵巢间质像素的平均灰度值,并根据卵巢像素的平均灰度值和卵巢间质像素的平均灰度值计算卵巢间质加声强度指数。其中卵巢像素是指卵巢区域内的所有像素。
以上就是本申请一些实施例的超声成像系统的说明。
请参照图3,本申请一些实施例中还公开了一种卵巢间质自动定量分析方法,其包括以下步骤:
步骤100:向包含卵巢的感兴趣组织发射超声波。
步骤110:接收相应的超声波回波信号。
步骤120:对上述相应的超声波回波信号进行处理,得到包含卵巢的超声图像数据。
卵巢间质的相关参数的计算可以是基于二维超声图像(例如二维多普勒图像)也可以是三维超声图像(例如三维超声多普勒图像),也即超声图像数据的获取,可以是三维体数据,也可以是二维数据或者是视频序列(视频序列用于供选取出某一帧来计算相关参数)。卵巢的二维超声图像可以通过二维超声采集,也可以是三维超声采集的剖面图像。三维下的卵巢间质定量分析则需要使用三维超声采集获取包含了完整的卵巢结构的三维体数据。
步骤130:基于卵巢间质的结构特征或图像特征,从包含卵巢的超声图像数据中自动分割出卵巢间质区域;或者,基于卵巢的结构特征或图像特征,从包含卵巢的超声图像数据中自动分割出卵巢区域,以及基于卵泡的结构特征或图像特征,从包含卵巢的超声图像数据中自动分割出卵泡区域,并基于分割出的卵巢和卵泡得到分割出的卵巢间质区域。
请参照图4,一些实施例中步骤130包括以下步骤:
步骤131:从包含卵巢的超声图像数据确定目标切面图像,目标切面图像可以是最大卵巢切面图像或最多卵泡切面图像;
步骤132:基于目标组织结构的结构特征或图像特征,从目标切面图像中自动分割出目标组织结构区域。
例如,步骤131从包含卵巢的超声图像数据确定目标切面图像,目标切面图像可以是最大卵巢切面图像或最多卵泡切面图像,步骤132再基于卵巢间质的结构特征或图像特征,从目标切面图像中自动分割出卵巢间质区域。
例如,步骤131从包含卵巢的超声图像数据确定目标切面图像,目标切面图像可以是最大卵巢切面图像或最多卵泡切面图像,步骤132再基于卵巢的结构特征或图像特征,从目标切面图像中自动分割出卵巢区域,以及基于卵泡的结构特征或图像特征,从目标切面图像中自动分割出卵泡区域,并基于分割出的卵巢区域和卵泡区域得到分割出的卵巢间质区域。
对于最大卵巢切面图像:步骤131获取由机器学习所训练的模型,并基于该模型从包含卵巢的超声图像数据中至少一个切面图像中检测或分割出卵巢区域,并基于切面图像中检测或分割出的卵巢区域来得到最大卵巢切面图像;或者,步骤131通过图像分割算法从包含卵巢的超声图像数据中至少一个切面图像中分割出卵巢区域,并比较各切面图像中分割出的卵巢区域来得到最大卵巢切面图像。
对于最多卵泡切面图像:步骤131获取由机器学习所训练的模型,并基于该模型从包含卵巢的超声图像数据中至少一个切面图像中检测或分割出卵泡区域,并比较各切面图像中检测或分割出的卵泡的数量来得到最多卵泡切面图像;或者,步骤131通过图像分割算法从包含卵巢的超声图像数据中至少一个切面图像中分割出卵泡区域,并比较各切面图像中检测或分割出的卵泡的数量来得到最多卵泡切面图像。
如上所述,目标切面图像可以是最大卵巢切面图像或最多卵泡切面图像,对于不同的病人,其切面的卵泡数量、卵巢和卵泡的尺寸等是完全不同的,所以基于目标识别的标准切面定位算法不足以满足我们的需求;因此发明人研究出两类自动识别算法来用于定位目标切面图像:一是基于目标检测的标准切面定位算法;二是基于目标分割的标准切面定位算法,具体可以参见上文的描述,在此不再赘述。
获得目标切面各图像后,步骤132再去获取目标组织结构区域,例如卵巢区域、卵巢间质区域或卵泡区域等。
一些实施例中,步骤132获取由机器学习所训练的模型,并基于该模型从目标切面图像检测或分割出卵巢间质区域;或者,步骤132通过图像分割算法从目标切面图像中分割出卵巢间质区域;
一些实施例中,步骤132获取由机器学习所训练的模型,并基于该模型从目标切面图像检测或分割出卵巢区域;或者,步骤132通过图像分割算法从目标切面图像中分割出卵巢区域。
一些实施例中,步骤132获取由机器学习所训练的模型,并基于该模型从目标切面图像检测或分割出卵泡区域;或者,步骤132通过图像分割算法从目标切面图像中分割出卵泡区域。
从目标切面图像自动确定目标组织结构(例如卵巢、卵巢间质和/或卵泡等)区域,可以采用模式识别或机器学习等算法根据目标组织结构的结构特征或图像特征来检测或分割得到目标组织结构区域,具体可以参见上文的描述,在此不再赘述。
一些实施例中,包含卵巢的超声图像数据为包含卵巢的三维体数据,在三维体数据的情况下,一些实施例中,步骤130获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的三维体数据中检测或分割出目标组织结构区域;或者,步骤130对包含卵巢的三维体数据按照预设规则进行切分得到二维切面图像序列,并从二维切面图像序列检测或分割出目标组织结构的二维轮廓,根据二维切面图像序列中各二维切面图像中目标组织结构的二维轮廓,得到目标组织结构的三维轮廓,从而从包含卵巢的三维体数据中分割出目标组织结构区域。
一些实施例中,目标组织结构区域例如为卵巢区域、卵巢间质区域和/或卵泡区域等。
步骤140:从分割出的卵巢间质获取卵巢间质像素和/或卵巢间质内的血流像素。卵巢间质像素是指卵巢间质区域内的所有像素,卵巢间质内的血流像素是指卵巢间质区域内表征血流的像素。
步骤150:至少基于血流像素计算与卵巢间质相关的血流参数。一些实施例中,与卵巢间质相关的血流参数包括卵巢间质动脉血管化指数、卵巢间质血流指数和卵巢间质血管化血流指数中的一者或多者。
一些实施例中,步骤150根据上述血流像素的灰度值,计算卵巢间质血流指数。
一些实施例中,步骤150根据上述血流像素的数目和上述卵巢间质像素的数目,计算卵巢间质动脉血管化指数。
一些实施例中,步骤150根据卵巢间质动脉血管化指数和卵巢间质血流指数,计算卵巢间质血管化血流指数。
一些实施例中,步骤150还计算卵巢像素的平均灰度值和卵巢间质像素的平均灰度值,并根据卵巢像素的平均灰度值和卵巢间质像素的平均灰度值计算卵巢间质加声强度指数。其中卵巢像素是指卵巢区域内的所有像素。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。另外,如本领域技术人员所理解的,本文的原理可以反映在计算机可读存储介质上的计算机程序产品中,该可读存储介质预装有计算机可读程序代码。任何有形的、非暂时性的计算机可读存储介质皆可被使用,包括磁存储设备(硬盘、软盘等)、光学存储设备(CD至ROM、DVD、Blu Ray盘等)、闪存和/或诸如此类。这些计算机程序指令可被加载到通用计算机、专用计算机或其他可编程数据处理设备上以形成机器,使得这些在计算机上或其他可编程数据处理装置上执行的指令可以生成实现指定的功能的装置。这些计算机程序指令也可以存储在计算机可读存储器中,该计算机可读存储器可以指示计算机或其他可编程数据处理设备以特定的方式运行,这样存储在计算机可读存储器中的指令就可以形成一件制造品,包括实现指定功能的实现装置。计算机程序指令也可以加载到计算机或其他可编程数据处理设备上,从而在计算机或其他可编程设备上执行一系列操作步骤以产生一个计算机实现的进程,使得在计算机或其他可编程设备上执行的指令可以提供用于实现指定功能的步骤。
本文参照了各种示范实施例进行说明。然而,本领域的技术人员将认识到,在不脱离本文范围的情况下,可以对示范性实施例做出改变和修正。例如,各种操作步骤以及用于执行操作步骤的组件,可以根据特定的应用或考虑与系统的操作相关联的任何数量的成本函数以不同的方式实现(例如一个或多个步骤可以被删除、修改或结合到其他步骤中)。
虽然在各种实施例中已经示出了本文的原理,但是许多特别适用于特定环境和操作要求的结构、布置、比例、元件、材料和部件的修改可以在不脱离本披露的原则和范围内使用。以上修改和其他改变或修正将被包含在本文的范围之内。
前述具体说明已参照各种实施例进行了描述。然而,本领域技术人员将认识到,可以在不脱离本披露的范围的情况下进行各种修正和改变。因此,对于本披露的考虑将是说明性的而非限制性的意义上的,并且所有这些修改都将被包含在其范围内。同样,有关于各种实施例的优点、其他优点和问题的解决方案已如上所述。然而,益处、优点、问题的解决方案以及任何能产生这些的要素,或使其变得更明确的解决方案都不应被解释为关键的、必需的或必要的。本文中所用的术语“包括”和其任何其他变体,皆属于非排他性包含,这样包括要素列表的过程、方法、文章或设备不仅包括这些要素,还包括未明确列出的或不属于该过程、方法、系统、文章或设备的其他要素。此外,本文中所使用的术语“耦合”和其任何其他变体都是指物理连接、电连接、磁连接、光连接、通信连接、功能连接和/或任何其他连接。
具有本领域技术的人将认识到,在不脱离本发明的基本原理的情况下,可以对上述实施例的细节进行许多改变。因此,本发明的范围应仅由权利要求确定。
Claims (16)
1.一种超声成像系统,其特征在于,包括:
超声探头,用于向包含卵巢的感兴趣组织发射超声波,以及接收相应的超声波回波信号;
发射和接收控制电路,用于控制所述超声探头执行发射超声波和接收超声波回波信号;以及,
处理器,用于对所述相应的超声波回波信号进行处理,得到包含卵巢的超声图像数据;其中:
所述超声成像系统具有卵巢间质自动定量分析功能,在所述卵巢间质自动定量分析功能被启用时:
所述处理器获取包含卵巢的超声图像数据;
所述处理器从所述包含卵巢的超声图像数据中自动获取卵巢间质区域,包括:所述处理器基于卵巢间质的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢间质区域;或者,所述处理器基于卵巢的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢区域,以及基于卵泡的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵泡区域,并基于分割出的卵巢区域和卵泡区域得到分割出的卵巢间质区域;
所述处理器从分割出的卵巢间质区域获取卵巢间质内的血流像素;
所述处理器至少基于所述卵巢间质内的血流像素计算与卵巢间质相关的血流参数,所述与卵巢间质相关的血流参数包括卵巢间质动脉血管化指数、卵巢间质血流指数和卵巢间质血管化血流指数中的一者或多者。
2.如权利要求1所述的超声成像系统,其特征在于,所述处理器从所述包含卵巢的超声图像数据中自动获取卵巢间质区域,包括:
所述处理器从所述包含卵巢的超声图像数据确定目标切面图像,所述目标切面图像为最大卵巢切面图像或最多卵泡切面图像;
所述处理器基于卵巢间质的结构特征或图像特征,从所述目标切面图像中自动分割出卵巢间质区域;或者,
所述处理器基于卵巢的结构特征或图像特征,从所述目标切面图像中自动分割出卵巢区域,以及基于卵泡的结构特征或图像特征,从所述目标切面图像中自动分割出卵泡区域,并基于分割出的卵巢区域和卵泡区域得到分割出的卵巢间质区域。
3.如权利要求2所述的超声成像系统,其特征在于,所述处理器从所述包含卵巢的超声图像数据确定目标切面图像,包括:
所述处理器获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的超声图像数据中至少一个切面图像中检测或分割出卵巢区域,并基于切面图像中检测或分割出的卵巢区域来得到最大卵巢切面图像;或者,
所述处理器通过图像分割算法从所述包含卵巢的超声图像数据中至少一个切面图像中分割出卵巢区域,并比较各切面图像中分割出的卵巢区域来得到最大卵巢切面图像;或者,
所述处理器获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的超声图像数据中至少一个切面图像中检测或分割出卵泡区域,并比较各切面图像中检测或分割出的卵泡的数量来得到最多卵泡切面图像;或者,
所述处理器通过图像分割算法从所述包含卵巢的超声图像数据中至少一个切面图像中分割出卵泡区域,并比较各切面图像中检测或分割出的卵泡的数量来得到最多卵泡切面图像。
4.如权利要求2所述的超声成像系统,其特征在于,所述处理器基于卵巢间质的结构特征或图像特征,从所述目标切面图像中自动分割出卵巢间质区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述目标切面图像检测或分割出卵巢间质区域;或者,所述处理器通过图像分割算法从所述目标切面图像中分割出卵巢间质区域;
所述处理器基于卵巢的结构特征或图像特征,从所述目标切面图像中自动分割出卵巢区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述目标切面图像检测或分割出卵巢区域;或者,所述处理器通过图像分割算法从所述目标切面图像中分割出卵巢区域;
所述处理器基于卵泡的结构特征或图像特征,从所述目标切面图像中自动分割出卵泡区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述目标切面图像检测或分割出卵泡区域;或者,所述处理器通过图像分割算法从所述目标切面图像中分割出卵泡区域。
5.如权利要求1所述的超声成像系统,其特征在于,所述包含卵巢的超声图像数据为包含卵巢的三维体数据;
所述处理器基于卵巢间质的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢间质区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的三维体数据中检测或分割出卵巢间质区域;或者,所述处理器对所述包含卵巢的三维体数据按照预设规则进行切分得到二维切面图像序列,并从所述二维切面图像序列检测或分割出卵巢间质的二维轮廓,根据所述二维切面图像序列中各二维切面图像中所述卵巢间质的二维轮廓,得到所述卵巢间质的三维轮廓,从而从所述包含卵巢的三维体数据中分割出卵巢间质区域;
所述处理器基于卵巢的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的三维体数据中检测或分割出卵巢区域;或者,所述处理器对所述包含卵巢的三维体数据按照预设规则进行切分得到二维切面图像序列,并从所述二维切面图像序列检测或分割出卵巢的二维轮廓,根据所述二维切面图像序列中各二维切面图像中所述卵巢的二维轮廓,得到所述卵巢的三维轮廓,从而从所述包含卵巢的三维体数据中分割出卵巢区域;
所述处理器基于卵泡的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵泡区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的三维体数据中检测或分割出卵泡区域;或者,所述处理器对所述包含卵巢的三维体数据按照预设规则进行切分得到二维切面图像序列,并从所述二维切面图像序列检测或分割出卵泡的二维轮廓,根据所述二维切面图像序列中各二维切面图像中所述卵泡的二维轮廓,得到所述卵泡的三维轮廓,从而从所述包含卵巢的三维体数据中分割出卵泡区域。
6.如权利要求1所述的超声成像系统,其特征在于,所述处理器至少基于所述卵巢间质内的血流像素计算与卵巢间质相关的血流参数,包括以下至少一者:
所述处理器根据所述血流像素的灰度值,计算卵巢间质血流指数;
所述处理器从分割出的卵巢间质区域获取卵巢间质像素,并根据所述血流像素的数目和所述卵巢间质像素的数目,计算卵巢间质动脉血管化指数;
所述处理器根据所述卵巢间质动脉血管化指数和所述卵巢间质血流指数,计算卵巢间质血管化血流指数。
7.如权利要求1所述的超声成像系统,其特征在于,所述处理器还从分割出的卵巢区域获取卵巢像素;所述处理器还计算所述卵巢像素的平均灰度值和所述卵巢间质像素的平均灰度值,并根据所述卵巢像素的平均灰度值和所述卵巢间质像素的平均灰度值计算卵巢间质加声强度指数。
8.一种超声成像系统,其特征在于,包括:
超声探头,用于向包含卵巢的感兴趣组织发射超声波,以及接收相应的超声波回波信号;
发射和接收控制电路,用于控制所述超声探头执行发射超声波和接收超声波回波信号;以及,
处理器,用于对所述相应的超声波回波信号进行处理,得到包含卵巢的超声图像数据;所述处理器基于卵巢间质的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢间质区域;或者,所述处理器基于卵巢的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢区域,以及基于卵泡的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵泡区域,并基于分割出的卵巢区域和卵泡区域得到分割出的卵巢间质区域;所述处理器基于所获取的述卵巢间质区域获取卵巢间质内的血流像素,并基于所述血流像素计算与卵巢间质相关的血流参数。
9.如权利要求1所述的超声成像系统,其特征在于,所述卵巢间质的血流参数包括卵巢间质动脉血管化指数、卵巢间质血流指数和卵巢间质血管化血流指数中的一者或多者。
10.如权利要求8所述的超声成像系统,其特征在于,所述处理器还从所述包含卵巢的超声图像数据中自动获取卵巢区域;所述处理器还根据所获取的卵巢区域和卵巢间质区域,计算卵巢间质加声强度指数。
11.如权利要求8所述的超声成像系统,其特征在于,所述处理器从所述包含卵巢的超声图像数据中自动获取卵巢间质区域,包括:
所述处理器从所述包含卵巢的超声图像数据确定目标切面图像,所述目标切面图像为最大卵巢切面图像或最多卵泡切面图像;
所述处理器基于卵巢间质的结构特征或图像特征,从所述目标切面图像中自动分割出卵巢间质区域;或者,
所述处理器基于卵巢的结构特征或图像特征,从所述目标切面图像中自动分割出卵巢区域,以及基于卵泡的结构特征或图像特征,从所述目标切面图像中自动分割出卵泡区域,并基于分割出的卵巢区域和卵泡区域得到分割出的卵巢间质区域。
12.如权利要求11所述的超声成像系统,其特征在于,所述处理器从所述包含卵巢的超声图像数据确定目标切面图像,包括:
所述处理器获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的超声图像数据中至少一个切面图像中检测或分割出卵巢区域,并基于切面图像中检测或分割出的卵巢来得到最大卵巢切面图像;或者,
所述处理器通过图像分割算法从所述包含卵巢的超声图像数据中至少一个切面图像中分割出卵巢区域,并比较各切面图像中分割出的卵巢来得到最大卵巢切面图像;或者,
所述处理器获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的超声图像数据中至少一个切面图像中检测或分割出卵泡区域,并比较各切面图像中检测或分割出的卵泡的数量来得到最多卵泡切面图像;
所述处理器通过图像分割算法从所述包含卵巢的超声图像数据中至少一个切面图像中分割出卵泡区域,并比较各切面图像中检测或分割出的卵泡的数量来得到最多卵泡切面图像。
13.如权利要求11所述的超声成像系统,其特征在于,所述处理器基于卵巢间质的结构特征或图像特征,从所述目标切面图像中自动分割出卵巢间质区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述目标切面图像检测或分割出卵巢间质区域;或者,所述处理器通过图像分割算法从所述目标切面图像中分割出卵巢间质区域;
所述处理器基于卵巢的结构特征或图像特征,从所述目标切面图像中自动分割出卵巢区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述目标切面图像检测或分割出卵巢区域;或者,所述处理器通过图像分割算法从所述目标切面图像中分割出卵巢区域;
所述处理器基于卵泡的结构特征或图像特征,从所述目标切面图像中自动分割出卵泡区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述目标切面图像检测或分割出卵泡区域;或者,所述处理器通过图像分割算法从所述目标切面图像中分割出卵泡区域。
14.如权利要求8所述的超声成像系统,其特征在于,所述包含卵巢的超声图像数据为包含卵巢的三维体数据;
所述处理器基于卵巢间质的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢间质,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的三维体数据中检测或分割出卵巢间质区域;或者,所述处理器对所述包含卵巢的三维体数据按照预设规则进行切分得到二维切面图像序列,并从所述二维切面图像序列检测或分割出卵巢间质的二维轮廓,根据所述二维切面图像序列中各二维切面图像中所述卵巢间质的二维轮廓,得到所述卵巢间质的三维轮廓,从而从所述包含卵巢的三维体数据中分割出卵巢间质区域;
所述处理器基于卵巢的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的三维体数据中检测或分割出卵巢区域;或者,所述处理器对所述包含卵巢的三维体数据按照预设规则进行切分得到二维切面图像序列,并从所述二维切面图像序列检测或分割出卵巢的二维轮廓,根据所述二维切面图像序列中各二维切面图像中所述卵巢的二维轮廓,得到所述卵巢的三维轮廓,从而从所述包含卵巢的三维体数据中分割出卵巢区域;
所述处理器基于卵泡的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵泡区域,包括:所述处理器获取由机器学习所训练的模型,并基于该模型从所述包含卵巢的三维体数据中检测或分割出卵泡区域;或者,所述处理器对所述包含卵巢的三维体数据按照预设规则进行切分得到二维切面图像序列,并从所述二维切面图像序列检测或分割出卵泡的二维轮廓,根据所述二维切面图像序列中各二维切面图像中所述卵泡的二维轮廓,得到所述卵泡的三维轮廓,从而从所述包含卵巢的三维体数据中分割出卵泡区域。
15.一种卵巢间质自动定量分析方法,其特征在于,包括:
向包含卵巢的感兴趣组织发射超声波;
接收相应的超声波回波信号;
对所述相应的超声波回波信号进行处理,得到包含卵巢的超声图像数据;
基于卵巢间质的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢间质区域;或者,基于卵巢的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵巢区域,以及基于卵泡的结构特征或图像特征,从所述包含卵巢的超声图像数据中自动分割出卵泡区域,并基于分割出的卵巢和卵泡得到分割出的卵巢间质区域;
从分割出的卵巢间质区域获取卵巢间质内的血流像素数;
至少基于所述血流像素计算与卵巢间质相关的血流参数。
16.如权利要求15所述的卵巢间质自动定量分析方法,其特征在于,所述卵巢间质的血流参数包括卵巢间质动脉血管化指数、卵巢间质血流指数和卵巢间质血管化血流指数中的一者或多者。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211237004.2A CN117934356A (zh) | 2022-10-10 | 2022-10-10 | 一种超声成像系统和卵巢间质自动定量分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211237004.2A CN117934356A (zh) | 2022-10-10 | 2022-10-10 | 一种超声成像系统和卵巢间质自动定量分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117934356A true CN117934356A (zh) | 2024-04-26 |
Family
ID=90754215
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211237004.2A Pending CN117934356A (zh) | 2022-10-10 | 2022-10-10 | 一种超声成像系统和卵巢间质自动定量分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117934356A (zh) |
-
2022
- 2022-10-10 CN CN202211237004.2A patent/CN117934356A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11229419B2 (en) | Method for processing 3D image data and 3D ultrasonic imaging method and system | |
CN110325119B (zh) | 卵巢卵泡计数和大小确定 | |
CN110811691B (zh) | 自动识别测量项的方法、装置及一种超声成像设备 | |
US9679375B2 (en) | Ovarian follicle segmentation in ultrasound images | |
KR102128325B1 (ko) | 이미지 처리 시스템 | |
CN112672691B (zh) | 一种超声成像方法及设备 | |
CN111374708B (zh) | 一种胎儿心率检测方法及超声成像装置、存储介质 | |
WO2022140960A1 (zh) | 一种卵泡跟踪方法和系统 | |
US20220028067A1 (en) | Systems and Methods for Quantifying Vessel Features in Ultrasound Doppler Images | |
US20220249060A1 (en) | Method for processing 3d image data and 3d ultrasonic imaging method and system | |
CN117934356A (zh) | 一种超声成像系统和卵巢间质自动定量分析方法 | |
US20240212132A1 (en) | Predicting a likelihood that an individual has one or more lesions | |
CN115813433A (zh) | 基于二维超声成像的卵泡测量方法和超声成像系统 | |
CN114699106A (zh) | 超声图像处理方法及设备 | |
CN111383323B (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 | |
CN117379097A (zh) | 一种超声成像系统和卵巢间质比的自动测量方法 | |
CN113974688B (zh) | 超声成像方法和超声成像系统 | |
CN118252539A (zh) | 一种超声成像系统和子宫的测量方法 | |
CN116138807A (zh) | 一种超声成像设备及腹主动脉的超声检测方法 | |
WO2023216594A1 (zh) | 一种超声成像系统和方法 | |
CN117982169A (zh) | 一种子宫内膜厚度的确定方法及超声设备 | |
CN117557491A (zh) | 一种三维超声容积测量方法和超声成像系统 | |
CN117064443A (zh) | 超声检测设备及胎盘超声图像处理方法 | |
CN112120735A (zh) | 一种超声成像方法及设备、存储介质 | |
CN116236225A (zh) | 超声测量质控方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |