CN118014976A - 一种可自动识别图像特征的超声检查系统及识别方法 - Google Patents

一种可自动识别图像特征的超声检查系统及识别方法 Download PDF

Info

Publication number
CN118014976A
CN118014976A CN202410256548.6A CN202410256548A CN118014976A CN 118014976 A CN118014976 A CN 118014976A CN 202410256548 A CN202410256548 A CN 202410256548A CN 118014976 A CN118014976 A CN 118014976A
Authority
CN
China
Prior art keywords
resolution
abnormal
mining area
imaging
ratio
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.)
Granted
Application number
CN202410256548.6A
Other languages
English (en)
Other versions
CN118014976B (zh
Inventor
李慧
龚俊松
段福建
朱振辉
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.)
Fuwai Hospital of CAMS and PUMC
Original Assignee
Fuwai Hospital of CAMS and PUMC
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 Fuwai Hospital of CAMS and PUMC filed Critical Fuwai Hospital of CAMS and PUMC
Priority to CN202410256548.6A priority Critical patent/CN118014976B/zh
Publication of CN118014976A publication Critical patent/CN118014976A/zh
Application granted granted Critical
Publication of CN118014976B publication Critical patent/CN118014976B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • 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
    • G06T2207/30204—Marker

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

本发明涉及超声检查技术领域，具体涉及一种可自动识别图像特征的超声检查系统及识别方法，包括以下步骤：步骤1：根据超声图像获取到成像指标；其中，成像指标包括清晰度、分辨率；步骤2：基于成像指标，输出得到图像的场均值；其中，场均值包括清晰度场均值和分辨率场均值；步骤3：基于清晰度场均值ZQJ和分辨率场均值ZLJ，输出得到场均表现系数，并将场均表现系数与阈值比较，得到成像是否合格信号；其中，成像是否合格信号包括成像合格信号或成像不合格信号；步骤4：基于成像不合格信号，对检查时生成图像的原因进行故障识别；本发明可以通过识别图像中的清晰度和分辨率特征，有效判断成像图像的质量。

Description

一种可自动识别图像特征的超声检查系统及识别方法
技术领域
本发明涉及超声检查技术领域，具体涉及一种可自动识别图像特征的超声检查系统及识别方法。
背景技术
中国专利CN113689424A公开了一种可自动识别图像特征的超声检查系统及识别方法；超声检查系统包括依顺次相连接的超声探头、发射接收单元、信号处理单元、图像处理单元和显示输出单元；超声探头用于实现电信号和超声波信号之间的转换；发射接收单元通过所述超声探头发射超声波信号和接收超声波回波信号，并将超声波回波信号传输到信号处理单元；信号处理单元将所述发射接收单元传输来的信号进行解调，恢复出超声波回波信号携带的图像信息，合成为超声成像图像并传输给图像处理单元；图像处理单元对超声成像图像进行分析，包括使用模糊C均值算法进行边缘检测和图像分割，使用灰度差分矩阵算法进行纹理特征识别；显示输出单元用于显示超声成像图像；
现有技术中，不能针对图像中的清晰度和分辨率特征，对超声检查图像的质量进行高效的分析判断，以及更进一步地，也无法基于产生的判断结果，可以有效识别出导致成像质量差的问题。
发明内容
本发明的目的在于提供一种可自动识别图像特征的超声检查系统及识别方法，解决以下技术问题：
不能针对图像中的清晰度和分辨率特征，对超声检查图像的质量进行高效的分析判断，以及更进一步地，也无法基于产生的判断结果，可以有效识别出导致成像质量差的问题。
本发明的目的可以通过以下技术方案实现：
一种可自动识别图像特征的识别方法，包括以下步骤：
步骤1：根据超声图像获取到成像指标；其中，成像指标包括清晰度、分辨率；
步骤2：基于成像指标，输出得到图像的场均值；其中，场均值包括清晰度场均值和分辨率场均值；
步骤3：获取清晰度场均值ZQJ和分辨率场均值ZLJ，通过公式：
，计算得到场均表现系数XBC；
其中，c1、c2均为比例系数；
将场均表现系数XBC与场均表现系数阈值进行比较；
若场均表现系数XBC大于等于场均表现系数阈值时，则生成成像合格信号；
若场均表现系数XBC小于场均表现系数阈值时，则生成成像不合格信号；
步骤4：基于成像不合格信号，对检查时生成图像的原因进行故障识别。
作为本发明进一步的方案：在步骤1中，将超声图像按照网格的方式划分成i个采集区域，获取每个采集区域的清晰度和分辨率，并分别标记为采区清晰度DQi和采区分辨率LFi；i=1、2、3...，i为正整数。
作为本发明进一步的方案：在步骤2中，清晰度场均值的获取过程为：
获取采区清晰度DQi，将采区清晰度DQi与对应的标准清晰度进行差值计算，得到采区清晰度偏差值CDQi；
若采区清晰度偏差值CDQi大于等于采区清晰度偏差阈值时，则生成该采集区域清晰异常信号，并将对应的采集区域标记为清晰异常采区；
通过公式：，计算得到清晰度场均值ZQJ；
其中，a1、a2均为权重比例系数；其中，BSDY为清晰异常采区数比，BXDY为清晰异常采区线比。
作为本发明进一步的方案：清晰异常采区数比BSDY的获取过程：
获取到清晰异常采区的个数，将清晰异常采区的个数除以采集区域的总个数，得到清晰异常采区数比BSDY；
清晰异常采区线比BXDY的获取过程：
将所有清晰异常采区进行按照顺时针的方向进行首尾相连，得到清晰异常采区线圈，测量该清晰异常采区线圈线长，将清晰异常采区线圈线长除以超声图像的周长，得到清晰异常采区线比BXDY。
作为本发明进一步的方案：在步骤2中，分辨率场均值ZLJ的获取过程为：
获取采区分辨率LFi，将采区分辨率LFi与对应的标准分辨率进行差值计算，得到采区分辨率偏差值CLFi；
若采区分辨率偏差值CLFi大于等于采区分辨率偏差阈值时，则生成该采集区域分辨率异常信号，并将对应的采集区域标记为分辨率异常采区；
通过公式：，计算得到分辨率场均值ZLJ；
其中，b1、b2均为权重比例系数，BSLY为分辨率异常采区数比，BXLY为分辨率异常采区线比。
作为本发明进一步的方案：分辨率异常采区数比BSLY的获取过程为：
获取到分辨率异常采区的个数，将分辨率异常采区的个数除以采集区域的总个数，得到分辨率异常采区数比BSLY；
分辨率异常采区线比BXLY的获取过程为：
再将所有分辨率异常采区进行按照顺时针的方向进行首尾相连，得到分辨率异常采区线圈，测量该分辨率异常采区线圈线长，将分辨率异常采区线圈线长除以超声图像的周长，得到分辨率异常采区线比BXLY。
作为本发明进一步的方案：在步骤4中，将得到异常采区总线比ZBX与异常采区线时波动值ZTx相加求和，得到当前成像波比；
若当前成像波比处于当前成像波比预设范围，则生成重新超声检查信号；
若当前成像波比不处于当前成像波比预设范围，则生成超声设备检查信号。
作为本发明进一步的方案：异常采区总线比ZBX的获取过程为：
当得到成像不合格信号时，获取清晰异常采区数比BSDY和分辨率异常采区数比BSLY，并将清晰异常采区数比BSDY和分辨率异常采区数比BSLY相加求和，得到异常采区总数比ZBs；
获取到在历史时间内，每次检查时得到的异常采区总数比ZBsn，n表示历史时间内的检查次数；
通过公式：，计 算得到异常采区数时波动值ZTs。
作为本发明进一步的方案：异常采区线时波动值ZTx的获取过程为：
获取清晰异常采区线比BXDY和分辨率异常采区线比BXLY，并将清晰异常采区线比BXDY和分辨率异常采区线比BXLY相加求和，得到异常采区总线比ZBX；
获取到在历史时间内，每次检查时得到的异常采区总线比ZBXn，n表示历史时间内的检查次数；
通过公式：， 计算得到异常采区线时波动值ZTx。
一种可自动识别图像特征的超声检查系统，该系统包括：
采集模块：根据超声图像获取到成像指标；其中，成像指标包括清晰度、分辨率；
分析模块：基于成像指标，输出得到图像的场均值；其中，场均值包括清晰度场均值和分辨率场均值；
判断模块：获取清晰度场均值ZQJ和分辨率场均值ZLJ，通过公式：
，计算得到场均表现系数XBC；
其中，c1、c2均为比例系数；
将场均表现系数XBC与场均表现系数阈值进行比较；
若场均表现系数XBC大于等于场均表现系数阈值时，则生成成像合格信号；
若场均表现系数XBC小于场均表现系数阈值时，则生成成像不合格信号；
识别模块：基于成像不合格信号，对检查时生成图像的原因进行故障识别。
本发明的有益效果：
（1）本发明根据超声图像获取到成像指标；基于成像指标，输出得到图像的场均值；基于清晰度场均值ZQJ和分辨率场均值ZLJ，输出得到场均表现系数，并将场均表现系数与阈值比较，得到成像是否合格信号；本发明通过网格化对超声图像进行清晰度和分辨率分析，其主要对超声图像异常区域的分布情况进行处理，得到反映超声图像质量均匀性的场均表现系数XBC，基于此可以通过识别图像中的清晰度和分辨率特征，有效判断成像图像的质量；
（2）本发明基于成像不合格信号，对检查时生成图像的原因进行故障识别；本发明基于成像是否合格所判断的影响参数，重新分析得到对造成图像异常波动的因素进行识别，从而有效保障后续超声检查的图像质量。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明实施例1的流程框图；
图2是本发明实施例2的流程框图；
图3是本发明实施例3的系统框图。
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它实施例，都属于本发明保护的范围。
实施例1
请参阅图1所示，本发明为一种可自动识别图像特征的识别方法，包括以下步骤：
步骤1：根据超声图像获取到成像指标；
其中，成像指标包括清晰度、分辨率；
在一些实施例中，获取超声图像，将超声图像按照网格的方式划分成i个采集区域，获取每个采集区域的清晰度和分辨率，并分别标记为采区清晰度DQi和采区分辨率LFi；i=1、2、3...，i为正整数；
步骤2：基于成像指标，输出得到图像的场均值；
其中，场均值包括清晰度场均值和分辨率场均值；
在一些实施例中，获取采区清晰度DQi，将采区清晰度DQi与对应的标准清晰度进行差值计算，得到采区清晰度偏差值CDQi；
将采区清晰度偏差值CDQi与对应阈值进行比较；
若采区清晰度偏差值CDQi小于采区清晰度偏差阈值时，则生成该采集区域清晰正常信号；
若采区清晰度偏差值CDQi大于等于采区清晰度偏差阈值时，则生成该采集区域清晰异常信号，并将对应的采集区域标记为清晰异常采区；
获取到清晰异常采区的个数，将清晰异常采区的个数除以采集区域的总个数，得到清晰异常采区数比BSDY；
再将所有清晰异常采区进行按照顺时针的方向进行首尾相连，得到清晰异常采区线圈，测量该清晰异常采区线圈线长，将清晰异常采区线圈线长除以超声图像的周长，得到清晰异常采区线比BXDY；
通过公式：，计算得到清晰度场均值ZQJ；
其中，a1、a2均为权重比例系数，a1取值为0.68，a2取值为0.32；
获取采区分辨率LFi，将采区分辨率LFi与对应的标准分辨率进行差值计算，得到采区分辨率偏差值CLFi；
将采区分辨率偏差值CLFi与对应阈值进行比较；
若采区分辨率偏差值CLFi小于采区分辨率偏差阈值时，则生成该采集区域分辨率正常信号；
若采区分辨率偏差值CLFi大于等于采区分辨率偏差阈值时，则生成该采集区域分辨率异常信号，并将对应的采集区域标记为分辨率异常采区；
获取到分辨率异常采区的个数，将分辨率异常采区的个数除以采集区域的总个数，得到分辨率异常采区数比BSLY；
再将所有分辨率异常采区进行按照顺时针的方向进行首尾相连，得到分辨率异常采区线圈，测量该分辨率异常采区线圈线长，将分辨率异常采区线圈线长除以超声图像的周长，得到分辨率异常采区线比BXLY；
通过公式：，计算得到分辨率场均值ZLJ；
其中，b1、b2均为权重比例系数，b1取值为0.75，b2取值为0.25；
步骤3：基于清晰度场均值ZQJ和分辨率场均值ZLJ，输出得到场均表现系数，并将场均表现系数与阈值比较，得到成像是否合格信号；
其中，成像是否合格信号包括成像合格信号或成像不合格信号；
在一些实施例中，获取清晰度场均值ZQJ和分辨率场均值ZLJ，通过公式：
，计算得到场均表现系数XBC；
其中，c1、c2均为比例系数，c1取值为4.01，c2取值为3.89；
将场均表现系数XBC与场均表现系数阈值进行比较；
若场均表现系数XBC大于等于场均表现系数阈值时，则生成成像合格信号；
若场均表现系数XBC小于场均表现系数阈值时，则生成成像不合格信号；
本发明实施例的技术方案：根据超声图像获取到成像指标；基于成像指标，输出得到图像的场均值；基于清晰度场均值ZQJ和分辨率场均值ZLJ，输出得到场均表现系数，并将场均表现系数与阈值比较，得到成像是否合格信号；本发明通过网格化对超声图像进行清晰度和分辨率分析，其主要对超声图像异常区域的分布情况进行处理，得到反映超声图像质量均匀性的场均表现系数XBC，基于此可以通过识别图像中的清晰度和分辨率特征，有效判断成像图像的质量。
实施例2
请参阅图2所示，本发明为一种可自动识别图像特征的识别方法，还包括以下步骤：
步骤4：基于成像不合格信号，对检查时生成图像的原因进行故障识别；
在一些实施例中，当得到成像不合格信号时，获取清晰异常采区数比BSDY和分辨率异常采区数比BSLY，并将清晰异常采区数比BSDY和分辨率异常采区数比BSLY相加求和，得到异常采区总数比ZBs；
获取到在历史时间内，每次检查时得到的异常采区总数比ZBsn，n表示历史时间内的检查次数；
通过公式：，计 算得到异常采区数时波动值ZTs；
其异常采区数时波动值ZTs表示当前检查时图像异常区域个数波动与历史水平的图像异常区域个数波动比较情况；
再获取清晰异常采区线比BXDY和分辨率异常采区线比BXLY，并将清晰异常采区线比BXDY和分辨率异常采区线比BXLY相加求和，得到异常采区总线比ZBX；
获取到在历史时间内，每次检查时得到的异常采区总线比ZBXn，n表示历史时间内的检查次数；
通过公式：， 计算得到异常采区线时波动值ZTx；
其异常采区线时波动值ZTx表示当前检查时图像异常区域线长波动与历史水平的图像异常区域线长波动比较情况；
将得到异常采区总线比ZBX与异常采区线时波动值ZTx相加求和，得到当前成像波比；
将当前成像波比与当前成像波比预设范围进行比较；
若当前成像波比处于当前成像波比预设范围，表示当前检查得到图像与之前检查得到图像存在较小波动，其可能由超声检查时因环境等不确定因素所造成图像异常波动，则生成重新超声检查信号；
若当前成像波比不处于当前成像波比预设范围，表示当前检查得到图像与之前检查得到图像存在较大波动，其可能由超声检查仪故障所造成图像异常波动，则生成超声设备检查信号；
本发明实施例的技术方案：基于成像不合格信号，对检查时生成图像的原因进行故障识别；本发明基于成像是否合格所判断的影响参数，重新分析得到对造成图像异常波动的因素进行识别，从而有效保障后续超声检查的图像质量。
实施例3
请参阅图3所示，本发明为一种可自动识别图像特征的超声检查系统，该系统包括：
采集模块：根据超声图像获取到成像指标；其中，成像指标包括清晰度、分辨率；
分析模块：基于成像指标，输出得到图像的场均值；其中，场均值包括清晰度场均值和分辨率场均值；
判断模块：获取清晰度场均值ZQJ和分辨率场均值ZLJ，通过公式：
，计算得到场均表现系数XBC；
其中，c1、c2均为比例系数；
将场均表现系数XBC与场均表现系数阈值进行比较；
若场均表现系数XBC大于等于场均表现系数阈值时，则生成成像合格信号；
若场均表现系数XBC小于场均表现系数阈值时，则生成成像不合格信号；
识别模块：基于成像不合格信号，对检查时生成图像的原因进行故障识别。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (10)

1.一种可自动识别图像特征的识别方法，其特征在于，包括以下步骤：
步骤1：根据超声图像获取到成像指标；其中，成像指标包括清晰度、分辨率；
步骤2：基于成像指标，输出得到图像的场均值；其中，场均值包括清晰度场均值ZQJ和分辨率场均值ZLJ；
步骤3：获取清晰度场均值ZQJ和分辨率场均值ZLJ，通过公式：
，计算得到场均表现系数XBC；
其中，c1、c2均为比例系数；
若场均表现系数XBC大于等于场均表现系数阈值时，则生成成像合格信号；
若场均表现系数XBC小于场均表现系数阈值时，则生成成像不合格信号；
步骤4：基于成像不合格信号，对检查时生成图像的原因进行故障识别。
2.根据权利要求1所述的一种可自动识别图像特征的识别方法，其特征在于，在步骤1中，将超声图像按照网格的方式划分成i个采集区域，获取每个采集区域的清晰度和分辨率，并分别标记为采区清晰度DQi和采区分辨率LFi；i=1、2、3...，i为正整数。
3.根据权利要求1所述的一种可自动识别图像特征的识别方法，其特征在于，在步骤2中，清晰度场均值ZQJ的获取过程为：
将采区清晰度DQi与对应的标准清晰度进行差值计算，得到采区清晰度偏差值CDQi；
若采区清晰度偏差值CDQi大于等于采区清晰度偏差阈值时，则生成该采集区域清晰异常信号，并将对应的采集区域标记为清晰异常采区；
通过公式：，计算得到清晰度场均值ZQJ；
其中，a1、a2均为权重比例系数；其中，BSDY为清晰异常采区数比，BXDY为清晰异常采区线比。
4.根据权利要求3所述的一种可自动识别图像特征的识别方法，其特征在于，清晰异常采区数比BSDY的获取过程：
获取到清晰异常采区的个数，将清晰异常采区的个数除以采集区域的总个数，得到清晰异常采区数比BSDY；
清晰异常采区线比BXDY的获取过程：
将所有清晰异常采区进行按照顺时针的方向进行首尾相连，得到清晰异常采区线圈，测量该清晰异常采区线圈线长，将清晰异常采区线圈线长除以超声图像的周长，得到清晰异常采区线比BXDY。
5.根据权利要求1所述的一种可自动识别图像特征的识别方法，其特征在于，在步骤2中，分辨率场均值ZLJ的获取过程为：
获取采区分辨率LFi，将采区分辨率LFi与对应的标准分辨率进行差值计算，得到采区分辨率偏差值CLFi；
若采区分辨率偏差值CLFi大于等于采区分辨率偏差阈值时，则生成该采集区域分辨率异常信号，并将对应的采集区域标记为分辨率异常采区；
通过公式：，计算得到分辨率场均值ZLJ；
其中，b1、b2均为权重比例系数，BSLY为分辨率异常采区数比，BXLY为分辨率异常采区线比。
6.根据权利要求4所述的一种可自动识别图像特征的识别方法，其特征在于，分辨率异常采区数比BSLY的获取过程为：
获取到分辨率异常采区的个数，将分辨率异常采区的个数除以采集区域的总个数，得到分辨率异常采区数比BSLY；
分辨率异常采区线比BXLY的获取过程为：
将所有分辨率异常采区进行按照顺时针的方向进行首尾相连，得到分辨率异常采区线圈，测量该分辨率异常采区线圈线长，将分辨率异常采区线圈线长除以超声图像的周长，得到分辨率异常采区线比BXLY。
7.根据权利要求1所述的一种可自动识别图像特征的识别方法，其特征在于，在步骤4中，将得到异常采区总线比ZBX与异常采区线时波动值ZTx相加求和，得到当前成像波比；
若当前成像波比处于当前成像波比预设范围，则生成重新超声检查信号；
若当前成像波比不处于当前成像波比预设范围，则生成超声设备检查信号。
8.根据权利要求7所述的一种可自动识别图像特征的识别方法，其特征在于，异常采区总线比ZBX的获取过程为：
获取清晰异常采区数比BSDY和分辨率异常采区数比BSLY，并将清晰异常采区数比BSDY和分辨率异常采区数比BSLY相加求和，得到异常采区总数比ZBs；
获取到在历史时间内，每次检查时得到的异常采区总数比ZBsn，n表示历史时间内的检查次数；
通过公式：，计算得到异常采区数时波动值ZTs。
9.根据权利要求8所述的一种可自动识别图像特征的识别方法，其特征在于，异常采区线时波动值ZTx的获取过程为：
获取清晰异常采区线比BXDY和分辨率异常采区线比BXLY，并将清晰异常采区线比BXDY和分辨率异常采区线比BXLY相加求和，得到异常采区总线比ZBX；
获取到在历史时间内，每次检查时得到的异常采区总线比ZBXn，n表示历史时间内的检查次数；
通过公式：，计算得到异常采区线时波动值ZTx。
10.一种可自动识别图像特征的超声检查系统，其特征在于，该系统用于执行上述权利要求1-9任一项所述的方法，该系统包括：
采集模块：根据超声图像获取到成像指标；其中，成像指标包括清晰度、分辨率；
分析模块：基于成像指标，输出得到图像的场均值；其中，场均值包括清晰度场均值和分辨率场均值；
判断模块：获取清晰度场均值ZQJ和分辨率场均值ZLJ，通过公式：
，计算得到场均表现系数XBC；
其中，c1、c2均为比例系数；
将场均表现系数XBC与场均表现系数阈值进行比较；
若场均表现系数XBC大于等于场均表现系数阈值时，则生成成像合格信号；
若场均表现系数XBC小于场均表现系数阈值时，则生成成像不合格信号；
识别模块：基于成像不合格信号，对检查时生成图像的原因进行故障识别。
CN202410256548.6A 2024-03-06 2024-03-06 一种可自动识别图像特征的超声检查系统及识别方法 Active CN118014976B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410256548.6A CN118014976B (zh) 2024-03-06 2024-03-06 一种可自动识别图像特征的超声检查系统及识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410256548.6A CN118014976B (zh) 2024-03-06 2024-03-06 一种可自动识别图像特征的超声检查系统及识别方法

Publications (2)

Publication Number Publication Date
CN118014976A true CN118014976A (zh) 2024-05-10
CN118014976B CN118014976B (zh) 2024-09-10

Family

ID=90945189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410256548.6A Active CN118014976B (zh) 2024-03-06 2024-03-06 一种可自动识别图像特征的超声检查系统及识别方法

Country Status (1)

Country Link
CN (1) CN118014976B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112842394A (zh) * 2019-11-27 2021-05-28 深圳迈瑞生物医疗电子股份有限公司 一种超声成像系统及超声成像方法、存储介质
US20220061816A1 (en) * 2020-09-01 2022-03-03 GE Precision Healthcare LLC Systems and methods to improve resolution of ultrasound images with a neural network
WO2022141083A1 (zh) * 2020-12-29 2022-07-07 深圳迈瑞生物医疗电子股份有限公司 周期性参数的分析方法和超声成像系统
US20220327691A1 (en) * 2021-04-07 2022-10-13 Clarius Mobile Health Corp. Method and system to assess medical images for suitability in clinical interpretation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112842394A (zh) * 2019-11-27 2021-05-28 深圳迈瑞生物医疗电子股份有限公司 一种超声成像系统及超声成像方法、存储介质
US20220061816A1 (en) * 2020-09-01 2022-03-03 GE Precision Healthcare LLC Systems and methods to improve resolution of ultrasound images with a neural network
WO2022141083A1 (zh) * 2020-12-29 2022-07-07 深圳迈瑞生物医疗电子股份有限公司 周期性参数的分析方法和超声成像系统
US20220327691A1 (en) * 2021-04-07 2022-10-13 Clarius Mobile Health Corp. Method and system to assess medical images for suitability in clinical interpretation

Also Published As

Publication number Publication date
CN118014976B (zh) 2024-09-10

Similar Documents

Publication Publication Date Title
CN110376522B (zh) 一种数据融合的深度学习网络的电机故障诊断方法
CN117076935B (zh) 数字孪生辅助的机械故障数据轻量级生成方法及系统
CN113255654A (zh) 特征数据的图像化处理方法及其应用
CN118037726B (zh) 一种铁路配件缺陷检测方法及系统
CN115908407B (zh) 基于红外图像温度值的电力设备缺陷检测方法及装置
CN118321203B (zh) 机器人远程控制系统及控制方法
CN114742849B (zh) 一种基于图像增强的水准仪距离测量方法
CN113203954A (zh) 一种基于时频图像处理的电池故障诊断方法
CN114881071A (zh) 基于多源信息的同步电机转子绕组匝间短路故障诊断方法
CN111428772A (zh) 基于k-近邻自适应投票的光伏系统深度异常检测方法
CN118014976B (zh) 一种可自动识别图像特征的超声检查系统及识别方法
CN112330633B (zh) 基于自适应带通滤波的跨接线胶带破损故障图像分割方法
CN113341283A (zh) 一种变压器套管局部放电模式识别方法
KR101983603B1 (ko) 증강현실을 활용한 원자력 발전설비의 기계학습식 예측진단장치
CN115935259A (zh) 一种换流站设备多维度数据的状态分析方法
CN113781513B (zh) 一种电厂供水管道泄漏检测方法及系统
CN115761606A (zh) 基于图像处理的箱体电能表识别方法及装置
CN112700425A (zh) 一种用于电力设备x射线图像质量的判定方法
CN110533644A (zh) 一种基于图像识别的绝缘子检测方法
CN118674724B (zh) 基于机器视觉的电缆沟内的电缆缺陷检测方法及系统
Lin et al. On the improvement of ASCAT wind data assimilation in global NWP
CN117909120B (zh) 数字智能专家的语义理解与逻辑推理方法
CN114418941B (zh) 一种基于电力巡检设备检测数据的缺陷诊断方法及系统
CN114137345B (zh) 一种fpc应力筛选检测系统
CN118535860A (zh) 一种基于深度学习的永磁同步电机故障诊断方法

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
GR01 Patent grant
GR01 Patent grant