CN102113897A - 一种在图像中提取及测量感兴趣目标的方法及其装置 - Google Patents

一种在图像中提取及测量感兴趣目标的方法及其装置 Download PDF

Info

Publication number
CN102113897A
CN102113897A CN2009102637691A CN200910263769A CN102113897A CN 102113897 A CN102113897 A CN 102113897A CN 2009102637691 A CN2009102637691 A CN 2009102637691A CN 200910263769 A CN200910263769 A CN 200910263769A CN 102113897 A CN102113897 A CN 102113897A
Authority
CN
China
Prior art keywords
interesting target
characteristic area
target
extraction
image
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
CN2009102637691A
Other languages
English (en)
Other versions
CN102113897B (zh
Inventor
丛龙飞
张羽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Mindray Bio Medical Electronics Co Ltd
Original Assignee
Shenzhen Mindray Bio Medical Electronics Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Mindray Bio Medical Electronics Co Ltd filed Critical Shenzhen Mindray Bio Medical Electronics Co Ltd
Priority to CN200910263769.1A priority Critical patent/CN102113897B/zh
Priority to US12/909,749 priority patent/US8699766B2/en
Publication of CN102113897A publication Critical patent/CN102113897A/zh
Application granted granted Critical
Publication of CN102113897B publication Critical patent/CN102113897B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0866—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving foetal diagnosis; pre-natal or peri-natal diagnosis of the baby
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/54—Control of the diagnostic device
    • A61B8/543—Control of the diagnostic device involving acquisition triggered by a physiological signal
    • 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
    • G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30044—Fetus; Embryo

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Pregnancy & Childbirth (AREA)
  • Gynecology & Obstetrics (AREA)
  • Physiology (AREA)
  • Geometry (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种在图像中提取感兴趣目标及测量感兴趣目标的参数的方法和装置，包括：获取包含感兴趣目标的初始图像；根据感兴趣目标的第一类特征，在初始图像中提取符合所述第一类特征的特征区域，获得特征提取图像；计算初始图像中特征区域内的能量函数；以能量函数为极值的特征区域为感兴趣目标。本发明实施例中用感兴趣目标的特征，采用特征提取的方法从图像中提取感兴趣目标，减小了需要计算的备选目标的数量，从而减小了计算量，提高了感兴趣目标提取的准确性。

Description

一种在图像中提取及测量感兴趣目标的方法及其装置
技术领域
本发明涉及一种医用成像***中的图像处理方法及其装置，特别涉及一种医用成像***中在图像中提取及测量感兴趣目标的方法及其装置。
背景技术
产前超声检查是评估胎儿发育状况以及筛查胎儿畸形的重要手段。产前准确预测胎儿体重对巨大儿、宫内生长迟缓儿的诊断和分娩方式的选择都有很实际的意义。过去常通过临床测量孕妇宫高、宫宽、腹围等预测胎儿体重。随着超声技术在临床的推广，80年代开始用超声测量胎儿某些径线，运用回归法建立相应计算式来预测胎儿体重。目前常用的(21周到产前的)预测胎儿体重是通过测量：双顶径(Biparietal Diameter，BDP)，头围(HeadCircumference，HC)，腹围(Abdominal Circumference，AC)，股骨长(FemurLength，FL)等参数。通过测量这些参数来估计出胎儿体重和超声孕周。而且在21周到产前这段时间内，这几个指标要多次进行测量，监控胎儿发育状况。利用计算机图像处理技术对超声胎儿图像进行自动处理和分析，避免反复的手动测量操作，能够极大的提高医生工作效率。
头围自动测量在国内外已经有一些工作，大部分方法都是基于Hough变换或者随机Hough变换检测椭圆。这些方法的计算量都比较大，对图像的质量和胎儿骨骼的位置有较大依赖。
发明内容
本发明的实施例公开了一种计算量比较小，结果准确性高的在图像中提取感兴趣目标及测量感兴趣目标的参数的方法及其装置。
本发明实施例公开的技术方案包括：
一种在图像中提取感兴趣目标的方法，包括：初始图像获取步骤：获取初始图像，所述初始图像中包含感兴趣目标；特征提取步骤：根据设定的感兴趣目标的第一类特征，在所述初始图像中提取符合所述第一类特征的特征区域，获得特征提取图像；感兴趣目标确定步骤：对所述特征提取图像中的提取出来的特征区域，分别计算每个特征区域的能量函数，以其中能量函数为极值的特征区域为感兴趣目标。
本发明实施例还公开了一种在图像中测量感兴趣目标的方法，包括：初始图像获取步骤：获取初始图像，所述初始图像中包含感兴趣目标；特征提取步骤：根据设定的感兴趣目标的第一类特征，在所述初始图像中提取符合所述第一类特征的特征区域，获得特征提取图像；感兴趣目标确定步骤：对所述特征提取图像中的提取出来的特征区域，分别计算每个特征区域的能量函数，以其中能量函数为极值的特征区域为感兴趣目标；测量步骤：根据确定的感兴趣目标，测量感兴趣目标的参数。
本发明实施例还公开了一种在图像中提取感兴趣目标的装置，包括：初始图像获取模块，用于获取初始图像，所述初始图像中包含感兴趣目标；特征提取模块，用于根据感兴趣目标的第一类特征，在所述初始图像中提取符合所述第一类特征的特征区域，获得特征提取图像；感兴趣目标确定模块：对所述特征提取图像中的提取出来的特征区域，分别计算每个特征区域的能量函数，以其中能量函数为极值的特征区域为感兴趣目标。
本发明实施例还公开了一种在图像中测量感兴趣目标的装置，包括：初始图像获取模块，用于获取初始图像，所述初始图像中包含感兴趣目标；特征提取模块，用于根据感兴趣目标的第一类特征，在所述初始图像中提取符合所述第一类特征的特征区域，获得特征提取图像；感兴趣目标确定模块：对所述特征提取图像中的提取出来的特征区域，分别计算每个特征区域的能量函数，以其中能量函数为极值的特征区域为感兴趣目标；测量模块，用于根据确定的感兴趣目标，测量感兴趣目标的参数。
本发明实施例中的在图像中提取感兴趣目标及测量感兴趣目标的参数的方法，用感兴趣目标的特征，采用特征提取的方法从图像中提取感兴趣目标，减小了需要计算的备选目标的数量，从而减小了计算量，提高了感兴趣目标提取与测量的准确性。
附图说明
图1是本发明一个实施例的胎儿自动测量***的框图；
图2是本发明一个实施例的在图像中提取感兴趣目标的流程图；
图3是本发明一个实施例的初始图像；
图4是本发明一个实施例的特征提取的模板的示意图；
图5是本发明一个实施例的特征提取的其它模板的示意图；
图6是图3的初始图像经过特征提取步骤、去噪步骤、筛选步骤处理后的特征图像；
图7是图6的特征图像经过细化步骤处理后的图像；
图8是本发明一个实施例的在图像中提取感兴趣目标的装置的模块框图；
图9是本发明另一个实施例的在图像中提取感兴趣目标的装置的模块框图；
具体实施方式
胎儿头围和胎儿股骨长是用来估计胎儿成长发育的两个重要指标。利用超声设备获取子宫中胎儿特定***的二维超声图像，然后进行胎儿头围、股骨长等结构的测量，是胎儿发育检测和筛查的最基本的环节。我们提出一种在图像中测量感兴趣目标参数的方法，能够自动获得胎儿头围和股骨等指标。把这些指标和已有胎儿成长发育统计数据相结合，从而能够估计出胎儿的超声孕周或者胎儿体重。采用自动测量方法能提高医生的工作效率，大量减少孕妇的检查时间。
一种胎儿自动测量***的框图如错误！未找到引用源。所示：发射模块102通过超声探头101向人体相应***位(产妇腹部)发射超声波，成像扫描过程可以通过ECG控制模块由ECG信号触发控制；接收模块103接收回波信号，接收到的回波信号经过波束合成模块104等信号处理环节，送入图像处理模块105获得目标(胎儿)的解剖结构灰度图像，并保存到电影回放数据存储模块106中。图像计算模块108从电影回放数据存储模块106中读取图像数据，进行感兴趣目标的识别和参数计算。得到的感兴趣目标信息和参数送到显示模块109进行显示。***允许用户手动参入，即由操作控制模块107调整结算结果或选择计算图像。
本发明的一个实施例中，要想测量头围或者股骨长，图像计算模块108首先需要从图像中提取胎儿的头围区域或股骨区域，然后再由提取出的头围或股骨区域计算胎儿的头围、双顶径或股骨长等参数。本文中我们称图像中这种希望进行参数测量的头围区域或股骨区域为“感兴趣目标”。当然，本领域内的技术人员可以理解，这里的“感兴趣目标”可以不限于图像中的头围区域或股骨区域，也可以是图像中其它希望进行参数测量的对象的区域。
本发明一个实施例中，在图像中提取感兴趣目标的流程如图2所示，包括初始图像获取步骤202、特征提取步骤204、感兴趣目标确定步骤206。初始图像获取步骤202中，从电影回放数据存储模块106中读取胎儿的解剖结构灰度图像，这些灰度图像中包含了胎儿头围或股骨的图像，也即包含了感兴趣目标。
在初始图像中，感兴趣目标具有自身的一些特征，我们可以用这些特征中的一个或多个来提取感兴趣目标。感兴趣目标的特征包括多方面的特征，比如感兴趣目标的亮度特征、感兴趣目标的形态特征、感兴趣目标的位置特征、感兴趣目标的参数的统计数字特征等等。
在特征提取步骤204中，可以从感兴趣目标的特征中选择一个或多个特征来进行特征提取。本文中，称特征提取步骤204中用来进行特征提取的特征为感兴趣目标的“第一类特征”。本发明一个实施例中，如图3所示，其中如图3(a)为胎儿的头围的图像，如图3(b)为胎儿的股骨的图像。头围图像中胎儿颅骨区域通常被分成了上(301)、下(302)两个区域，因此通常的边缘检测和目标识别不能有效检测出目标，因此可以结合胎儿颅骨的形态特征来找到并提取头围区域。另外，从图中可以看出，其中的骨骼在图像中为横向连续细长的高亮区域，因此，还可以根据这种亮度特征来从图像中找到并提取头围图像中颅骨区域或股骨区域。当然，本领域内技术人员可以理解，用来提取感兴趣目标的特征不限于前述的亮度特征或形态特征，可以根据感兴趣目标的不同，根据具体情况灵活选定。
本发明一个实施例中，特征提取步骤可以包括下述步骤：
根据感兴趣目标的第一类特征，选择提取符合此特征的特征区域时可以使用的模板；
用此模板对初始图像进行处理，获得特征提取图像，此特征提取图像中即包含了提取出来的符合前述特征的特征区域。
图3中，其中骨骼为横向且连续、细长的高亮区域。因此，在这种情况下，本发明一个实施例中，可以提取图像中所有中间亮度高，上、下两侧亮度低的图像区域，这些提取出的图像区域即作为特征区域。可以采用如图4所示模板对初始图像进行处理，即对初始图像中的每一点，分别计算三个区域的平均亮度，然后采用中间的区域乘以2减去两侧区域，以得到的结果为此点的亮度值。该模板中三个区域的大小为Rl×Rs，其中Rl和Rs的取值可以根据实际情况调整(例如，可以取10×5等)。对初始图像中每一点采用上述方法进行计算后，获得一幅图像，此获得的图像即为特征提取图像。在特征提取图像中可能有多个符合感兴趣目标的第一类特征的特征区域。
本领域内技术人员可以理解，在特征提取时使用的模板不限于图4所示的模板，而是可以根据用来提取感兴趣目标的第一类特征的不同而灵活选择不同的模板。例如，可以根据实际情况，选择如图5中所示的各种模板，或者其它图4和图5中未示出的而可以提取出符合感兴趣目标的第一类特征的特征区域的模板。
从特征提取步骤204中得到的提取出来的特征区域中，需要确定其中哪一个是感兴趣目标。可以根据初始图像中前述的特征区域内的能量函数来进行判断。即定义能量函数，对每一个特征区域，计算其对应的能量函数，然后比较判断各特征区域的能量函数，如果某特征区域的能量函数满足设定条件，则此特征区域即为感兴趣目标。
因此，在感兴趣目标确定步骤206中，首先分别计算特征提取图像中每个特征区域的能量函数。其中，特征区域的能量函数可以根据需要灵活定义，可以定义为在初始图像中在此特征区域内的点的亮度的和；也可以定义为在特征提取图像中在此特征区域内的点的亮度的和；或者也可以定义为基于初始图像中亮度分布假设，在特征区域内亮度的联合概率等。
本发明一个实施例中，每个特征区域的能量函数定义为初始图像中在此特征区域内的点的亮度的和。计算出每个特征区域的能量函数。
当然，为了减少计算量，在计算特征区域的能量函数的时候也可以不计算所有点的亮度的和，而是在此特征区域内取一些采样点，以这些采样点的亮度的和为能量函数。以fj(xi)，i＝0，...N表示在特征区域内的采样，g(fj(xi))表示第j个特征区域内第i个采样点的亮度，则第j个特征区域的能量函数为：
E j = Σ i = 0 N g ( f j ( x i ) ) - - - ( 1 )
计算得到特征区域的能量函数后，即可根据这些能量函数来确定哪一个特征区域为感兴趣目标。这里可以设置判断条件，以其能量函数满足判断条件的特征区域为感兴趣目标。其中判断条件可以根据能量函数的定义的不同而灵活设置。例如，可以设定判断条件为能量函数为极值，特征区域中其能量函数为极值(最大或最小)的特征区域为感兴趣目标。
例如，在上述实施例中，在所有的特征区域j＝0，...M中，选择能量函数最大的特征区域，即为感兴趣目标。
在特征提取步骤204中获得的包含特征区域的特征提取图像中，含有噪声和伪目标区域。因此，在前述实施例的基础上，本发明另一实施例中，在特征提取步骤204后，即获得了特征提取图像后，可以增加筛选步骤，即设置筛选条件，将特征提取图像中不满足筛选条件的特征区域去除，而保留满足筛选条件的特征区域。筛选条件可以是设置的一个阈值，保留所有面积大于此阈值的特征区域，而去除其它特征区域；或者筛选条件可以为特征区域大小的排序，保留面积大小排在前面的、即面积较大的若干个特征区域，去除其它的特征区域。例如，可以基于区域连通性采用区域增长方法，在特征提取图像中选择区域较大的若干连通区域(例如最大的6个连通区域)作为感兴趣目标备选特征区域，其他区域归零。
在前述实施例中，在筛选步骤之前，还可以包括去噪步骤，去除特征提取图像中的噪声。例如，可以选取整个特征提取图像中所有非零点的均值Gmean作为阈值，把特征提取图像中小于Gmean数据作为噪声归零。
如图6所示，其中(a)为图3中(a)图像经过特征提取、去噪步骤、筛选步骤步骤后获得的特征提取图像(特征提取图像经过这样处理后得到的图像记为Ifeeature)，(b)为图3中(b)图像经过特征提取、去噪步骤、筛选步骤步骤后获得的特征提取图像(即图3中(b)图像的Ifeeature)。
在前述实施例的基础上，本发明另一实施例中，在特征提取步骤和感兴趣目标确定步骤之间还可以包括备选目标提取步骤。在备选目标提取步骤中，对上述特征提取图像中的特征区域，根据测量感兴趣目标参数的需要进行进一步的处理，从中提取备选的目标；在感兴趣目标确定步骤中，计算备选目标的能量函数，并对备选目标的能量函数进行判断，以其中能量函数为极值的备选目标为感兴趣目标。这样，无需对所有的特征区域进行计算，也更方便后续感兴趣目标的参数的测量。
其中，本发明一个实施例中，备选目标提取步骤中可以包括细化步骤，在此步骤中，可以采用连通区域细化算法(例如OPTA算法)提取特征提取图像中各特征区域的骨架，这些骨架是特征区域的中心线。基于这些骨架进行后续的能量函数计算及感兴趣目标的判断确定。这样，计算能量函数时只需考虑骨架上的点的亮度，或者只需考虑骨架上的采样点的亮度，而无需考虑整个特征区域内的点的亮度，这样可以减少计算量，另外，当需要计算的参数是头围、双顶径或者股骨长等时，细化为骨架后也更便于后续感兴趣目标的参数的计算。
如图7所示，其中(a)为图6中图像(a)经过细化后的图像，(b)为图6中图像(b)经过细化后的图像。
如果感兴趣目标为股骨，由于股骨本身即为一个线段，因此，此时，每一个特征区域的骨架都可以作为股骨的备选。而如果感兴趣目标为颅骨的话，由于头围图像形状为椭圆，经过特征提取后图像为两个分开的特征区域。因此，此时，需要进一步的处理后才能进行后续的能量函数计算及感兴趣目标的判断确定。
因此，在前述实施例的基础上，本发明另一实施例中，备选目标提取步骤中，在细化步骤获得上述骨架图像后，还包括拟合步骤。在拟合步骤中，可以把上述细化后的特征区域(骨架)按照符合感兴趣目标的某个或某些特征进行拟合，以更好地进行特征区域的提取。本文中，称用来进行拟合的感兴趣目标的特征为感兴趣目标的“第二类特征”。本实施例中，按照感兴趣目标的形态特征进行拟合。由于颅骨图像的形状为椭圆，因此，可以将细化后的骨架根据两两组合进行椭圆拟合，以拟合结果作为备选特征区域，然后对这些备选特征区域按照前述方法计算能量函数，并用能量函数来搜索哪个是感兴趣目标。这样，同时结合了感兴趣目标的亮度分布特征和感兴趣目标的形态特征来提取感兴趣目标，可以进一步减少计算量，提高提取感兴趣目标的准确性。
假设椭圆的方程式为x2+a·x·y+b·y2+c·x+d·y+e＝0，基于最小二乘集合可以获得直角坐标下椭圆的方程系数(a，b，c，d，e)。检验计算获得的参数，如果b-a2＜0，表示拟合出来的不是椭圆方程，丢弃当前结果。拟合椭圆的方法为常用的方法，在此不再赘述。
在前述实施例基础上，还可以包括拟合结果检验步骤，即用感兴趣目标的某个或某些特征来检验拟合的结果，如果拟合的结果符合相应的特征，则拟合结果保留，否则去除。本文中，称用来检验拟合结果的感兴趣目标的特征为感兴趣目标的“第三类特征”。例如，上述实施例中，通常描述椭圆的都是采用角度坐标系，包括：椭圆中心坐标(Center_x，Center_y)，椭圆长轴、短轴长度(Axis_l，Axis_s)，椭圆的旋转角度Angle。本发明一个实施例中，用感兴趣目标的参数的统计数字特征来对每个拟合出来的椭圆参数进行正确性检验：
(1)基于统计数据，短轴长度大于1.5厘米，即Axis_s＞1.5cm；
(2)基于统计数据，95％的胎儿数据短、长轴比在0.651＜Axis_s/Axis_l＜0.915范围内；
(3)同时限定中心点(Center_x，Center_y)在有效图像数据范围内。
满足上述条件的椭圆才作为拟合结果。通过上述限制可有效加快椭圆搜索速度。
本领域内技术人员可以理解，检验步骤中的检验条件不限于上述实施例中列出的条件，感兴趣目标不同，相应的检验条件也不同，可以根据不同的感兴趣目标的具体的先验(或已知的)特征，根据实际情况的需要灵活选择设定。
在前述实施例的基础上，本发明另一实施例中，在特征提取步骤和感兴趣目标确定步骤之间还可以包括加权步骤，加权步骤中，将特征提取图像、或者特征提取图像经过去噪步骤、筛选步骤后得到的图像Ifeeature加权到初始图像中。在计算特征区域的能量函数时，以加权后得到的图像进行计算，即一个特征区域的能量函数定义为加权后的初始图像中在此特征区域内的点的亮度的和。采用特征提取图像、或图像Ifeeature对初始图像进行加权，可以增大初始图像中特征区域与周围邻域之间的对比，从而有利于后续感兴趣目标的判断。
在前述各实施例的基础上，在确定了感兴趣目标后，还可以包括优化步骤，对获得的感兴趣目标进行进一步优化。例如，在本发明另一实施例中，希望测量胎儿的头围。获得感兴趣的目标(本实施例中为椭圆)后，对Center_x，Center_y，Axis_l，Axis_s，Angle每一个参数，在参数的邻域内，基于一定步长(例如1个像素)搜索，获得能量函数E的一个局部的最优值，以进一步优化椭圆参数。这里局部搜索的能量函数仍然可以为式(1)中或前述各实施例中的能量函数，以能量函数极值(最大或最小)处对应的参数的值为最终的椭圆参数。
本发明另一实施例中，在前述实施例的基础上以股骨为感兴趣目标，测量股骨的长度。由于获得的感兴趣目标(即股骨骨架线)的两个端点位置通常不是准确的股骨两个端点，因此要对这两个端点位置进行优化。由于骨架线都要长于实际股骨的长度，因此只要在骨架线上搜索股骨的两个端点即可。假设超声图像亮度服从分布b(a，y)(本文采用高斯分布，a为向量表示均值和方差)，其中a为分布参数。给定两个端点位置，计算两个端点之间沿骨架线图像点的亮度分布参数a1。同时沿骨架线计算骨骼两侧(大于一定距离)区域和给定端点外侧区域的亮度分布参数a2。基于a1，a2计算上述两个区域内点的联合概率作为能量，搜索能量最大时端点位置作为最后股骨的两个端点。其中b(a，y)可以是高斯分布，也可以是瑞利分布等其它分布函数。本实施例中，我们采用高斯分布进行端点优化。
在前述实施例的基础上，本发明提供一种在图像中测量感兴趣目标的参数的方法，即在前述各实施例的方法的基础上，增加一测量步骤，在使用前述方法获得感兴趣目标后，在测量步骤中，即可由获得的感兴趣目标测量感兴趣目标的参数。例如，在本发明的一个实施例中，获得头围椭圆(即感兴趣目标)后，椭圆的短轴即对应为胎儿颅骨的双顶径参数；股骨(骨架线)的长度即为股骨长。类似地，可以获得双顶经、头围和股骨长三个胎儿临床的重要指标。
本发明实施例中的在图像中提取感兴趣目标及测量感兴趣目标的参数的方法，用感兴趣目标的特征，采用特征提取的方法从图像中提取感兴趣目标，减小了需要计算的备选目标的数量，从而减小了计算量，提高了感兴趣目标提取的准确性。
本发明的实施例中，还包括实现上述各实施例中在图像中提取感兴趣目标及测量感兴趣目标的参数的方法的装置。
本发明一个实施例中，图1中的图像计算包括在图像中提取感兴趣目标的装置，此装置如图8所示，包括初始图像获取模块802、特征提取模块804、感兴趣目标确定模块806。其中初始图像获取模块802从电影回放数据存储模块中获取初始图像，送到特征提取模块804；特征提取模块804根据感兴趣目标的第一类特征对初始图像进行处理，在初始图像中提取符合此第一类特征的特征区域，获得特征提取图像；感兴趣目标确定模块806对特征提取模块804获得的特征提取图像中的特征区域，分别计算每个特征区域的能量函数，并比较计算出的各特征区域的能量函数，获得其中其能量函数为极值的特征区域，此能量函数为极值的特征区域即为感兴趣目标。其中能量函数的定义与前述各实施例中的方法中的能量函数定义相同，此处不再赘述。
特征提取模块804包括模板选择子模块808和图像处理子模块810，其中模板选择子模块808根据感兴趣目标的第一类特征，选择提取符合此第一类特征的特征区域使用的模板；图像处理子模块810用选择出来的模板对初始图像进行处理，获得特征提取图像，获得的特征提取图像中即包含符合第一类特征的特征区域。
本发明另一实施例中，在前述实施例中的提取感兴趣目标的装置还可以包括备选目标提取模块805、筛选模块812、加权模块822、优化模块826中的一个或多个。其中，筛选模块812与特征提取模块804相连，其去除特征提取模块804获得的特征提取图像中不满足筛选条件的特征区域；备选目标提取模块805与特征提取模块804或筛选模块812相连，其对特征提取模块804获得的特征提取图像或经过筛选模块812处理的特征提取图像中的特征区域进行进一步处理，分别提取出备选目标；加权模块822连接到特征提取模块804或筛选模块812，其将经过上述特征提取模块804或筛选模块812处理后的特征提取图像加权到初始图像；优化模块826连接到感兴趣目标确定模块806，其优化感兴趣目标确定模块获得的感兴趣目标。
其中备选目标提取模块805可以包括细化子模块816、拟合子模块818、检验子模块820中的一个或多个，其中细化子模块816与特征提取模块804或筛选模块812相连，其可以将特征提取模块804获得的特征提取图像或经过筛选模块812筛选的特征提取图像中的特征区域细化；拟合子模块818与细化子模块816相连，其将细化子模块816细化的特征区域按照符合感兴趣目标的第二类特征进行拟合，获得至少一个拟合后的特征区域；检验子模块820连接到拟合子模块818，其根据感兴趣目标的第三类特征设定检验条件，判断拟合后的特征区域是否满足检验条件，并去除不满足检验条件的拟合后的特征区域；
筛选模块812、细化子模块816、拟合子模块818、检验子模块820、加权模块822、优化模块826中，可以只包括其中的某一个模块或某几个模块，当然，也可以包括其中所有的模块。如图图9所示，本发明一个实施例中，提取感兴趣目标的装置包括了上述所有模块。
本发明实施例还包括一种在图像中测量感兴趣目标的参数的装置。其中，此测量感兴趣目标的参数的装置是在前述各实施例的在图像中提取感兴趣目标的装置的基础上增加了一个测量模块828，此测量模块828与感兴趣目标确定模块806或优化模块826连接，根据感兴趣目标确定模块806确定的感兴趣目标或经优化模块826优化后的感兴趣目标来测量感兴趣目标的参数。本实施例中其它模块或子模块的结构与前述个实施例的相应的模块或子模块相同，此处不再赘述。
本发明各实施例中的在图像中提取感兴趣目标以及测量感兴趣目标参数的方法及装置不限于用于测量胎儿头围、双顶径和股骨长，也可以用于其他目标提取和测量，如超声图像中胎儿脊椎位置的提取，脸部轮廓的提取，X光图像中肋骨等骨骼的提取，以及其它图像中特定形状物体的提取等等。
按照本发明实施例的在图像中提取感兴趣目标及测量感兴趣目标的参数的方法和装置，可以通过硬件、软件、固件、或者其组合实现在医用成像***中，从而使得医用成像***可以采用按照本发明实施例的提取感兴趣目标及测量感兴趣目标的参数的方法，或者包括按照本发明实施例的提取感兴趣目标及测量感兴趣目标的参数的装置。按照本发明的上述教导，这种实现对于本领域普通技术人员来说是显而易见的，在此不做详细描述。
以上通过具体的实施例对本发明进行了说明，但本发明并不限于这些具体的实施例。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。此外，以上多处所述的“一个实施例”表示不同的实施例，当然也可以将其全部或部分结合在一个实施例中。

Claims (24)

1.一种在图像中提取感兴趣目标的方法，其特征在于，包括：
初始图像获取步骤：获取初始图像，所述初始图像中包含感兴趣目标；
特征提取步骤：根据设定的感兴趣目标的第一类特征，在所述初始图像中提取符合所述第一类特征的特征区域，获得特征提取图像；
感兴趣目标确定步骤：对所述特征提取图像中的提取出来的特征区域，分别计算每个特征区域的能量函数，以其中能量函数为极值的特征区域为感兴趣目标。
2.如权利要求1所述的提取感兴趣目标的方法，其特征在于：所述特征提取步骤包括：
根据设定的感兴趣目标的第一类特征，选择符合所述第一类特征的模板；
用所述模板对所述初始图像进行处理，提取符合所述第一类特征的特征区域，获得特征提取图像。
3.如权利要求1所述的提取感兴趣目标的方法，其特征在于：所述感兴趣目标的第一类特征为亮度特征。
4.如权利要求1所述的提取感兴趣目标的方法，其特征在于：所述特征提取步骤和能量函数计算步骤之间还包括：
筛选步骤：去除特征提取图像中所述特征区域中不满足设定的筛选条件的特征区域。
5.如权利要求1至4中任意一项所述的提取感兴趣目标的方法，其特征在于：所述特征提取步骤和能量函数计算步骤之间还包括：
备选目标提取步骤：对所述特征提取图像中的提取出来的特征区域，分别提取出备选目标；
其中，感兴趣目标确定步骤中，计算所述备选目标的能量函数，并以其中能量函数为极值的备选目标为感兴趣目标。
6.如权利要求5所述的提取感兴趣目标的方法，其特征在于：所述备选目标提取步骤包括：
细化步骤：将所述特征区域细化，细化后的特征区域即为备选目标。
7.如权利要求6所述的提取感兴趣目标的方法，其特征在于：所述细化步骤之后还包括：
拟合步骤：将所述细化后的特征区域按照符合设定的感兴趣目标的第二类特征进行拟合，获得至少一个拟合后的特征区域，所述拟合后的特征区域即为备选目标。
8.如权利要求7所述的提取感兴趣目标的方法，其特征在于：所述感兴趣目标的第二类特征为形态特征。
9.如权利要求7所述的提取感兴趣目标的方法，其特征在于：所述拟合步骤之后还包括：
检验步骤：根据设定的感兴趣目标的第三类特征设定检验条件，判断拟合后的特征区域是否满足检验条件，去除不满足检验条件的拟合后的特征区域。
10.如权利要求9所述的提取感兴趣目标的方法，其特征在于：所述感兴趣目标的第三类特征为其参数的统计数字特征。
11.权利要求1至4中任意一项所述的提取感兴趣目标的方法，其特征在于：所述能量函数为：所述初始图像中所述特征区域内的点的亮度的和、或所述特征提取图像中所述特征区域内的点的亮度的和、或所述初始图像中所述特征区域内的点的亮度的联合概率。
12.如权利要求11所述的提取感兴趣目标的方法，其特征在于：所述特征提取步骤和能量函数计算步骤之间还包括：
加权步骤：将所述特征提取图像加权到所述初始图像；
其中，所述能量函数中，所述初始图像为加权后的初始图像。
13.如权利要求1至4中任意一项所述的提取感兴趣目标的方法，其特征在于：所述感兴趣目标确定步骤之后还包括：
优化步骤：优化所述感兴趣目标。
14.一种在图像中测量感兴趣目标的方法，其特征在于，包括：
初始图像获取步骤：获取初始图像，所述初始图像中包含感兴趣目标；
特征提取步骤：根据感兴趣目标的第一类特征，在所述初始图像中提取符合所述第一类特征的特征区域，获得特征提取图像；
感兴趣目标确定步骤：对所述特征提取图像中的提取出来的特征区域，分别计算每个特征区域的能量函数，以其中能量函数为极值的特征区域为感兴趣目标；
测量步骤：根据确定的感兴趣目标，测量感兴趣目标的参数。
15.一种在图像中提取感兴趣目标的装置，其特征在于，包括：
初始图像获取模块，用于获取初始图像，所述初始图像中包含感兴趣目标；
特征提取模块，用于根据感兴趣目标的第一类特征，在所述初始图像中提取符合所述第一类特征的特征区域，获得特征提取图像；
感兴趣目标确定模块：对所述特征提取图像中的提取出来的特征区域，分别计算每个特征区域的能量函数，以其中能量函数为极值的特征区域为感兴趣目标。
16.如权利要求15所述的提取感兴趣目标的装置，其特征在于：所述特征提取模块包括：
模板选择子模块，根据感兴趣目标的第一类特征，选择提取符合所述第一类特征的特征区域使用的模板；
图像处理子模块，用所述模板对所述初始图像进行处理，获得特征提取图像。
17.如权利要求15所述的提取感兴趣目标的装置，其特征在于：还包括：
筛选模块，连接到所述特征提取模块，用于去除所述特征区域中不满足设定的筛选条件的特征区域。
18.如权利要求15至17任意一项所述的提取感兴趣目标的装置，其特征在于，还包括：
备选目标提取模块，用于对所述特征提取图像中的提取出来的特征区域，分别提取出备选目标。
19.如权利要求18所述的提取感兴趣目标的装置，其特征在于：所述备选目标提取模块包括：
细化子模块，连接到所述特征提取模块或筛选模块，用于将所述特征区域细化，细化后的特征区域即为备选目标。
20.如权利要求19所述的提取感兴趣目标的装置，其特征在于：还包括：
拟合子模块，连接到所述细化子模块，用于将所述细化后的特征区域按照符合感兴趣目标的第二类特征进行拟合，获得至少一个拟合后的特征区域，所述拟合后的特征区域即为备选目标。
21.如权利要求20所述的提取感兴趣目标的装置，其特征在于：还包括：
检验子模块，连接到所述拟合子模块，用于根据感兴趣目标的第三类特征设定检验条件，判断拟合后的特征区域是否满足检验条件，去除不满足检验条件的拟合后的特征区域。
22.如权利要求15至17中任意一项所述的提取感兴趣目标的装置，其特征在于：还包括：
加权模块，用于将所述特征提取图像加权到所述初始图像。
23.如权利要求15至17中任意一项所述的提取感兴趣目标的方法，其特征在于：还包括：
优化模块，连接到所述感兴趣目标确定模块，用于优化所述感兴趣目标。
24.一种在图像中测量感兴趣目标的装置，其特征在于，包括：
初始图像获取模块，用于获取初始图像，所述初始图像中包含感兴趣目标；
特征提取模块，用于根据感兴趣目标的第一类特征，在所述初始图像中提取符合所述第一类特征的特征区域，获得特征提取图像；
感兴趣目标确定模块：对所述特征提取图像中的提取出来的特征区域，分别计算每个特征区域的能量函数，以其中能量函数为极值的特征区域为感兴趣目标；
测量模块，用于根据确定的感兴趣目标，测量感兴趣目标的参数。
CN200910263769.1A 2009-12-31 2009-12-31 一种在图像中提取及测量感兴趣目标的方法及其装置 Active CN102113897B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN200910263769.1A CN102113897B (zh) 2009-12-31 2009-12-31 一种在图像中提取及测量感兴趣目标的方法及其装置
US12/909,749 US8699766B2 (en) 2009-12-31 2010-10-21 Method and apparatus for extracting and measuring object of interest from an image

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN200910263769.1A CN102113897B (zh) 2009-12-31 2009-12-31 一种在图像中提取及测量感兴趣目标的方法及其装置

Publications (2)

Publication Number Publication Date
CN102113897A true CN102113897A (zh) 2011-07-06
CN102113897B CN102113897B (zh) 2014-10-15

Family

ID=44187639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200910263769.1A Active CN102113897B (zh) 2009-12-31 2009-12-31 一种在图像中提取及测量感兴趣目标的方法及其装置

Country Status (2)

Country Link
US (1) US8699766B2 (zh)
CN (1) CN102113897B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436551A (zh) * 2011-11-10 2012-05-02 西安电子科技大学 基于目标跟踪的计算机辅助胃癌诊断方法
CN103156636A (zh) * 2011-12-15 2013-06-19 深圳迈瑞生物医疗电子股份有限公司 一种超声成像装置和方法
CN104105441A (zh) * 2012-02-13 2014-10-15 株式会社日立制作所 区域提取处理***
CN104127200A (zh) * 2014-07-14 2014-11-05 沈阳东软医疗***有限公司 一种扫描协议的设定方法和装置
CN105631845A (zh) * 2014-10-29 2016-06-01 深圳迈瑞生物医疗电子股份有限公司 椭圆形目标提取方法及***
CN108109701A (zh) * 2017-12-29 2018-06-01 田嫣然 一种胎儿体重估算模型的建立方法及***
CN108186051A (zh) * 2017-12-26 2018-06-22 珠海艾博罗生物技术股份有限公司 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理***
WO2018129737A1 (zh) * 2017-01-16 2018-07-19 深圳迈瑞生物医疗电子股份有限公司 超声图像中参数测量的方法和超声成像***
CN109602434A (zh) * 2018-03-09 2019-04-12 上海慈卫信息技术有限公司 一种胎儿宫内颅脑影像检测方法
CN109767436A (zh) * 2019-01-07 2019-05-17 深圳市创业***实业有限公司 一种***真伪鉴别的方法及装置
CN110946578A (zh) * 2018-09-26 2020-04-03 西门子医疗有限公司 自动选择成像参数的方法、相应的成像方法和成像设备
CN111329585A (zh) * 2018-12-18 2020-06-26 深圳迈瑞生物医疗电子股份有限公司 超声图像处理方法及超声成像设备
WO2020133236A1 (zh) * 2018-12-28 2020-07-02 深圳迈瑞生物医疗电子股份有限公司 一种脊柱的成像方法以及超声成像***
WO2020215484A1 (zh) * 2019-04-20 2020-10-29 无锡祥生医疗科技股份有限公司 胎儿颈部透明层厚度测量方法、设备及存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102870135B (zh) * 2010-06-29 2016-02-03 富士胶片株式会社 用于形状提取的方法和装置、尺寸测量装置和距离测量装置
CN108078592A (zh) * 2017-12-29 2018-05-29 深圳开立生物医疗科技股份有限公司 超声图像处理方法及装置、超声诊断装置、可读存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101161204A (zh) * 2007-11-20 2008-04-16 深圳市迈科龙影像技术有限公司 超声子宫节育环图像智能识别方法及设备

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3679512B2 (ja) * 1996-07-05 2005-08-03 キヤノン株式会社 画像抽出装置および方法
US6346079B1 (en) 2000-05-25 2002-02-12 General Electric Company Method and apparatus for adaptive frame-rate adjustment in ultrasound imaging system
US7546210B2 (en) * 2000-06-08 2009-06-09 The Regents Of The University Of California Visual-servoing optical microscopy
US7400757B2 (en) * 2001-10-04 2008-07-15 Siemens Medical Solutions Usa, Inc. System and method for segmenting the left ventricle in a cardiac image
US7260259B2 (en) * 2002-01-08 2007-08-21 Siemens Medical Solutions Usa, Inc. Image segmentation using statistical clustering with saddle point detection
WO2003070102A2 (en) * 2002-02-15 2003-08-28 The Regents Of The University Of Michigan Lung nodule detection and classification
US7209581B2 (en) * 2003-07-31 2007-04-24 Siemens Medical Solutions Usa, Inc. System and method for ground glass nodule (GGN) segmentation
US7545965B2 (en) * 2003-11-10 2009-06-09 The University Of Chicago Image modification and detection using massive training artificial neural networks (MTANN)
CA2449080A1 (en) * 2003-11-13 2005-05-13 Centre Hospitalier De L'universite De Montreal - Chum Apparatus and method for intravascular ultrasound image segmentation: a fast-marching method
EP1603076A1 (en) * 2004-05-13 2005-12-07 Aalborg Universitet Computerized cortex boundary extraction from MR images
US7634123B2 (en) * 2005-03-28 2009-12-15 Siemens Medical Solutions Usa, Inc. CT/MRI heart isolation using a graph cut algorithm
CN1870006A (zh) 2005-04-19 2006-11-29 西门子共同研究公司 用于水平集分割的形状和亮度先验的有效核密度估计
US20070047790A1 (en) * 2005-08-30 2007-03-01 Agfa-Gevaert N.V. Method of Segmenting Anatomic Entities in Digital Medical Images
US8073226B2 (en) * 2006-06-30 2011-12-06 University Of Louisville Research Foundation, Inc. Automatic detection and monitoring of nodules and shaped targets in image data
KR100847136B1 (ko) * 2006-08-14 2008-07-18 한국전자통신연구원 어깨 윤곽선 추출 방법, 이를 이용한 로봇 깨움 방법 및이를 위한 장치
US7856130B2 (en) * 2007-03-28 2010-12-21 Eigen, Inc. Object recognition system for medical imaging
WO2009003128A2 (en) * 2007-06-26 2008-12-31 University Of Rochester Method and system for detecting lung tumors and nodules
CN101129267A (zh) 2007-09-26 2008-02-27 刘铁军 非医用胎儿性别超声检测监控***
CN101527047B (zh) 2008-03-05 2013-02-13 深圳迈瑞生物医疗电子股份有限公司 使用超声图像检测组织边界的方法与装置
US8180154B2 (en) * 2008-03-25 2012-05-15 Techfinity, Inc. Method and apparatus for region-based segmentation image processing using region mapping
DE102008016807A1 (de) * 2008-04-02 2009-10-22 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Verfahren und Vorrichtung zur Segmentation einer Läsion
US8417011B2 (en) * 2008-09-18 2013-04-09 Molecular Devices (New Milton) Ltd. Colony detection
US8224093B2 (en) * 2008-10-23 2012-07-17 Siemens Aktiengesellschaft System and method for image segmentation using continuous valued MRFs with normed pairwise distributions
US8320665B2 (en) * 2009-05-13 2012-11-27 Tata Consultancy Services Ltd. Document image segmentation system
US8391579B2 (en) * 2010-03-11 2013-03-05 Siemens Corporation Method and system for automatic detection and segmentation of axillary lymph nodes
US8427151B2 (en) * 2011-01-14 2013-04-23 National Yang-Ming University Method and apparatus for brain perfusion magnetic resonance images

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101161204A (zh) * 2007-11-20 2008-04-16 深圳市迈科龙影像技术有限公司 超声子宫节育环图像智能识别方法及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HANNA, C.W. ETC.: "Automated measurements in obstetric ultrasound images", 《INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 *
THOMAS, J.G. ETC.: "Automatic segmentation of ultrasound images using morphological operators", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436551A (zh) * 2011-11-10 2012-05-02 西安电子科技大学 基于目标跟踪的计算机辅助胃癌诊断方法
CN102436551B (zh) * 2011-11-10 2014-09-17 西安电子科技大学 基于目标跟踪的胃部切片图像处理方法
CN103156636A (zh) * 2011-12-15 2013-06-19 深圳迈瑞生物医疗电子股份有限公司 一种超声成像装置和方法
CN103156636B (zh) * 2011-12-15 2016-05-25 深圳迈瑞生物医疗电子股份有限公司 一种超声成像装置和方法
CN104105441A (zh) * 2012-02-13 2014-10-15 株式会社日立制作所 区域提取处理***
CN104127200A (zh) * 2014-07-14 2014-11-05 沈阳东软医疗***有限公司 一种扫描协议的设定方法和装置
US9795349B2 (en) 2014-07-14 2017-10-24 Shenyang Neusoft Medical Systems Co., Ltd. Method for setting scanning protocol and apparatus thereof
CN105631845A (zh) * 2014-10-29 2016-06-01 深圳迈瑞生物医疗电子股份有限公司 椭圆形目标提取方法及***
WO2018129737A1 (zh) * 2017-01-16 2018-07-19 深圳迈瑞生物医疗电子股份有限公司 超声图像中参数测量的方法和超声成像***
US11744541B2 (en) 2017-01-16 2023-09-05 Shenzhen Mindray Bio-Medical Electronics Co., Ltd. Method for measuring parameters in ultrasonic image and ultrasonic imaging system
CN110177504A (zh) * 2017-01-16 2019-08-27 深圳迈瑞生物医疗电子股份有限公司 超声图像中参数测量的方法和超声成像***
US11826194B2 (en) 2017-01-16 2023-11-28 Shenzhen Mindray Bio-Medical Electronics Co., Ltd. Method for measuring parameters in ultrasonic image and ultrasonic imaging system
US11744540B2 (en) 2017-01-16 2023-09-05 Shenzhen Mindray Bio-Medical Electronics Co., Ltd. Method for measuring parameters in ultrasonic image and ultrasonic imaging system
CN108186051A (zh) * 2017-12-26 2018-06-22 珠海艾博罗生物技术股份有限公司 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理***
CN108109701A (zh) * 2017-12-29 2018-06-01 田嫣然 一种胎儿体重估算模型的建立方法及***
CN109602434A (zh) * 2018-03-09 2019-04-12 上海慈卫信息技术有限公司 一种胎儿宫内颅脑影像检测方法
CN110946578A (zh) * 2018-09-26 2020-04-03 西门子医疗有限公司 自动选择成像参数的方法、相应的成像方法和成像设备
CN110946578B (zh) * 2018-09-26 2023-10-31 西门子医疗有限公司 自动选择成像参数的方法、相应的成像方法和成像设备
CN111329585A (zh) * 2018-12-18 2020-06-26 深圳迈瑞生物医疗电子股份有限公司 超声图像处理方法及超声成像设备
WO2020133236A1 (zh) * 2018-12-28 2020-07-02 深圳迈瑞生物医疗电子股份有限公司 一种脊柱的成像方法以及超声成像***
CN112654301A (zh) * 2018-12-28 2021-04-13 深圳迈瑞生物医疗电子股份有限公司 一种脊柱的成像方法以及超声成像***
CN109767436A (zh) * 2019-01-07 2019-05-17 深圳市创业***实业有限公司 一种***真伪鉴别的方法及装置
CN109767436B (zh) * 2019-01-07 2021-03-02 深圳市安印科技有限公司 一种***真伪鉴别的方法及装置
WO2020215484A1 (zh) * 2019-04-20 2020-10-29 无锡祥生医疗科技股份有限公司 胎儿颈部透明层厚度测量方法、设备及存储介质

Also Published As

Publication number Publication date
US20110158490A1 (en) 2011-06-30
US8699766B2 (en) 2014-04-15
CN102113897B (zh) 2014-10-15

Similar Documents

Publication Publication Date Title
CN102113897B (zh) 一种在图像中提取及测量感兴趣目标的方法及其装置
US6512854B1 (en) Adaptive control and signal enhancement of an ultrasound display
KR101913976B1 (ko) 검출영역을 선택하는 방법 및 장치 및 탄성 검출 시스템
US11344278B2 (en) Ovarian follicle count and size determination using transvaginal ultrasound scans
CN110811691B (zh) 自动识别测量项的方法、装置及一种超声成像设备
US10748291B2 (en) Liver boundary identification method and system
CN102223842A (zh) 用于测量产程进展参数的超声波装置
CN111820948B (zh) 胎儿生长参数测量方法、***及超声设备
JP2005193017A (ja) ***患部分類の方法及びシステム
CN108670301B (zh) 一种基于超声影像的脊柱横突定位方法
CN112672695A (zh) 用于执行胎儿重量估计的方法和***
KR20190022185A (ko) 태아의 신체 계측 방법 및 이를 이용한 태아의 신체 계측 디바이스
JPWO2017073197A1 (ja) 超音波診断装置、及び方法
US20220249060A1 (en) Method for processing 3d image data and 3d ultrasonic imaging method and system
CN116763347A (zh) 基于超声图像的胎头方向角测量方法以及相关装置
JP6767904B2 (ja) 超音波画像処理装置及び方法
CN114723754B (zh) 超声髋关节骨龄评估方法、***、设备及存储介质
CN116763348A (zh) 基于超声图像的参数分析方法、超声成像设备及存储介质
CN117159033A (zh) 基于超声扫描的蠕动信息的测量方法、测量设备和介质
CN112754523A (zh) 蠕动检测的方法、超声成像装置及计算机存储介质
CN114431893A (zh) 一种蠕动波的参数测量方法及超声测量***

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20110706

Assignee: Shenzhen Mindray Animal Medical Technology Co.,Ltd.

Assignor: SHENZHEN MINDRAY BIO-MEDICAL ELECTRONICS Co.,Ltd.

Contract record no.: X2022440020009

Denomination of invention: A method and device for extracting and measuring objects of interest in images

Granted publication date: 20141015

License type: Common License

Record date: 20220804