CN106725612B - 四维超声图像优化方法及*** - Google Patents

四维超声图像优化方法及*** Download PDF

Info

Publication number
CN106725612B
CN106725612B CN201611205838.XA CN201611205838A CN106725612B CN 106725612 B CN106725612 B CN 106725612B CN 201611205838 A CN201611205838 A CN 201611205838A CN 106725612 B CN106725612 B CN 106725612B
Authority
CN
China
Prior art keywords
image
image data
optimization
dimensional
slice
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
CN201611205838.XA
Other languages
English (en)
Other versions
CN106725612A (zh
Inventor
李萍
艾金钦
陈伟璇
许龙
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.)
Sonoscape Medical Corp
Original Assignee
Sonoscape Medical Corp
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 Sonoscape Medical Corp filed Critical Sonoscape Medical Corp
Priority to CN201611205838.XA priority Critical patent/CN106725612B/zh
Publication of CN106725612A publication Critical patent/CN106725612A/zh
Priority to PCT/CN2017/093471 priority patent/WO2018113283A1/zh
Application granted granted Critical
Publication of CN106725612B publication Critical patent/CN106725612B/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
    • A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
    • A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
    • 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
    • A61B8/48—Diagnostic techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
    • 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
    • G06T2207/10—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
    • G06T2207/20024—Filtering details
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • 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
    • G06T2207/30048—Heart; Cardiac

Landscapes

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

Abstract

本发明实施例公开了一种四维超声图像优化方法及***，所述四维超声图像包括目标对象的切片图像和三维图像，所述方法包括：获取目标对象的切片图像数据和三维图像数据；对每帧所述切片图像数据进行灰阶优化，并对灰阶优化后的切片图像数据进行增强处理，得到处理后的切片图像；对所述三维图像数据进行参数优化，获取优化后的三维图像。本发明实施例公开的一种四维超声图像优化方法及***，实现了对四维超声图像进行优化，得到了图像性能更优、立体效果更好的四维超声图像。

Description

四维超声图像优化方法及***
技术领域
本发明实施例涉及超声图像技术领域，尤其涉及一种四维超声图像优化方法及***。
背景技术
由于超声波在不同的组织内(例如心脏、头颅等)传播产生的衰减、反射和伪像情况不同，因此，若采用同一套预设超声四维成像参数对不同的组织进行成像，将不能满足不同组织的成像需求。例如不同孕周以及不同诊断部位的胎儿的超声图像的特征差异比较明显，若采用同一套预设超声四维成像参数更不能满足成像的需求。然而，仅依靠医生手动调节各类成像参数，不仅实时性低、操作繁琐，而且不一定能达到理想的成像效果，进而较大地影响了对异常病灶的检出率。
有必要说明的是，上述调节的成像参数中包括对动态范围的调节。由科学技术文献出版社在2012年4月出版的书籍《医学超声设备-原理*设计*应用》中对动态范围等有着详细的定义。事实上，在超声仪器上一般都有相应的旋钮或按钮等输入装置供用户调节所需的动态范围，通常用户会根据不同诊断部位及实际成像的需要来调节所需的动态范围，比如腹部超声诊断一般需要选择的动态范围为50-55db，这个用户选定或调节的动态范围的值即用户动态范围值DrtDB,用户在超声仪器上所能选定或调节的动态范围的最大值即为超声***或超声仪器所能支持的最大动态范围值DRMax。百度文库在2014年7月12日所公开的文章“超声显像诊断仪的调试”在“动态范围的调节”这一节公开了与用户动态范围调节相关的技术内容。另外，2014年12月17日所公开的专利公开号为CN104217401A，专利名称为“超声成像方法及装置”的中国专利，在第[0060]段最后一两句也公开了“用户动态范围”。
发明内容
本发明实施例提供了一种四维超声图像优化方法及***，实现了对四维超声图像进行优化，得到了图像性能更优、立体效果更好的四维超声图像。
第一方面，本发明实施例提供了一种四维超声图像优化方法，所述四维超声图像包括目标对象的切片图像和三维图像，该方法包括：
获取目标对象的切片图像数据和三维图像数据；
对每帧所述切片图像数据进行灰阶优化，并对灰阶优化后的切片图像数据进行增强处理，得到处理后的切片图像；
对三维图像数据进行参数优化，获取优化后的三维图像。
进一步地，所述对每帧所述切片图像进行灰阶优化的步骤包括：
从目标对象的超声回波数据中获取解调后幅度数据；
计算解调后幅度数据的标准特征值；
沿深度方向计算标准特征值的代表值；
计算标准特征值与代表值之间的差值，得到增益补偿曲线；
将增益补偿曲线作用于切片图像数据，得到灰阶优化后的切片图像数据。
进一步地，所述对所述灰阶优化后的切片图像数据进行增强处理，得到处理后的切片图像的步骤包括：
将灰阶优化后的切片图像数据进行金字塔分解，得到多个频率成份的图像子层；
对每个子层图像分别进行各向异性扩散处理，得到多个各向异性扩散处理后的子层图像；
对所述多个各向异性扩散处理后的子层图像进行基于金字塔的图像重构，得到处理后的切片图像，其中，所述基于金字塔的图像重构是所述金字塔分解的逆过程。
进一步地，所述金字塔分解的步骤包括：
对输入图像数据进行低通滤波；
对滤波后的输入图像数据按照横纵方向进行降采样，得到降采样图像，其中每层的输入图像数据为上一层降采样后的数据；
对降采样图像按照横纵方向进行上采样，得到上采样图像；
对上采样图像进行低通滤波；
将输入图像数据减去滤波后的上采样图像，得到预定频率成份的子层图像。
进一步地，对每个所述子层图像进行各向异性扩散处理，得到多个各向异性扩散处理后的子层图像的步骤包括：
对子层图像进行低通滤波；
计算滤波后的子层图像的横梯度和纵梯度；
根据横梯度和纵梯度构造组织张量，并计算组织张量的特征值；
根据组织张量和特征值，计算扩张张量；
根据扩张张量对子层图像进行离散各向异性扩散，得到各向异性扩散处理后的子层图像。
进一步地，所述对三维图像数据进行参数优化的步骤包括：
对三维图像数据进行直方图分布统计，并对直方图执行自适应均衡，得到均衡后的三维图像数据；
统计均衡后的三维图像数据的体素灰度值的均值、大律阈值以及边界灰度值；
分别根据均值、大律阈值以及边界灰度值与优化参数之间的映射关系，确定优化参数值；
利用优化参数值和旋转灯光角度对三维图像数据进行优化，以获取优化后的三维图像。第二方面，本发明实施例还提供了一种四维超声图像优化***，所述四维超声图像包括目标对象的切片图像和三维图像，该***包括：
获取模块，用于获取目标对象的切片图像数据和三维图像数据；
灰阶优化模块，用于对每帧切片图像数据进行灰阶优化；
增强处理模块，用于对灰阶优化后的切片图像数据进行增强处理，得到处理后的切片图像；
参数优化模块，用于对三维图像数据进行参数优化，获取优化后的三维图像。
进一步地，所述灰阶优化模块包括：
获取单元，用于从目标对象的超声回波数据中获取解调后幅度数据；
标准特征值计算单元，用于计算解调后幅度数据的标准特征值；
代表值计算单元，用于沿深度方向计算标准特征值的代表值；
增益补偿曲线获取单元，用于计算标准特征值与代表值之间的差值，得到增益补偿曲线；
灰阶优化单元，用于将增益补偿曲线作用于切片图像数据，得到灰阶优化后的切片图像数据。
进一步地，所述增强处理模块包括：
分解单元，用于将灰阶优化后的切片图像数据进行金字塔分解，得到多个频率成份的图像子层；
各向异性扩散处理单元，用于对每个子层图像分别进行各向异性扩散处理，得到多个各向异性扩散处理后的子层图像；
图像重构单元，用于对所述多个各向异性扩散处理后的子层图像进行基于金字塔的图像重构，得到处理后的切片图像，其中，所述基于金字塔的图像重构是所述金字塔分解的逆过程。
进一步地，所述分解单元包括：
第一滤波子单元，用于对输入图像数据进行低通滤波；
降采样子单元，用于对滤波后的输入图像数据按照横纵方向进行降采样，得到降采样图像，其中每层的输入图像数据为上一层降采样后的数据；
上采样子单元，用于对降采样图像按照横纵方向进行上采样，得到上采样图像；
所述第一滤波子单元，还用于对上采样图像进行低通滤波；
子层图像获取子单元，用于将输入图像数据减去滤波后的上采样图像，得到预定频率成份的子层图像。
进一步地，所述各向异性扩散处理单元包括：
第二滤波子单元，用于对子层图像进行低通滤波；
梯度计算子单元，用于计算滤波后的子层图像的横梯度和纵梯度；
组织张量构造子单元，用于根据横梯度和纵梯度构造组织张量，并计算组织张量的特征值；
扩张张量计算子单元，用于根据组织张量和特征值，计算得到扩张张量；
离散各向异性扩散子单元，用于根据扩张张量对子层图像进行离散各向异性扩散，得到各向异性扩散处理后的子层图像。
进一步地，所述参数优化模块包括：
执行单元，用于对三维图像数据进行直方图分布统计，并对直方图执行自适应均衡，得到均衡后的三维图像数据；
统计单元，用于统计均衡后的三维图像数据的体素灰度值的均值、大律阈值以及边界灰度值；
优化参数值确定单元，用于分别根据均值、大律阈值以及边界灰度值与优化参数之间的映射关系，确定优化参数值；
优化单元，用于利用优化参数值和旋转灯光角度对三维图像数据进行优化，以获取优化后的三维图像。
本发明实施例提供的一种四维超声成像优化方法，首先获取目标对象的切片图像数据和三维图像数据；然后对每帧所述切片图像数据进行灰阶优化，并对灰阶优化后的切片图像数据进行增强处理，得到处理后的切片图像；最后对三维图像数据进行参数优化，获取优化后的三维图像；通过上述技术手段实现了对四维超声图像进行优化，得到了图像性能更优、立体效果更好的四维超声图像。
附图说明
图1是本发明实施例提供的一种四维超声图像优化方法流程示意图；
图2是本发明实施例提供的一种对每帧切片图像进行灰阶优化的方法流程示意图；
图3是本发明实施例提供的一种对灰阶优化后的切片图像数据进行增强处理的方法流程示意图；
图4是本发明实施例提供的一种将切片图像数据进行金字塔分解的流程示意图；
图5是本发明实施例提供的将切片图像数据进行金字塔分解的另一种流程示意图；
图6是本发明实施例提供的一种对每个子层图像进行各向异性扩散处理，得到多个各向异性扩散处理后的子层图像的流程示意图；
图7是本发明实施例提供的一种对子层图像进行金字塔重构的流程示意图；
图8是本发明实施例提供的一种对三维图像数据进行参数优化的方法流程示意图；
图9是本发明实施例提供的一种四维超声图像优化***结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各项步骤的顺序可以被重新安排。当其步骤完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例
图1为本发明实施例提供的一种四维超声图像优化方法流程图，该方法可适用于对不同的组织和/或器官进行扫查，以采集超声图像的情况，可以由四维超声图像***来执行，该***可通过硬件和/或软件的方式实现。所述四维超声图像包括目标对象的切片图像和三维图像，该方法具体包括如下步骤：
步骤110、获取目标对象的切片图像数据和三维图像数据。
具体地，所述目标对象可以是不同的组织(例如心脏、头颅等)，或者是不同孕周以及不同诊断部位的胎儿。每一幅四维超声图像都包括A、B和C(矢状面、冠状面和横切面)三个平面的切片图像和一个三维图像。所述获取目标对象的切片图像数据和三维图像数据可以通过超声成像***对目标对象进行扫查得到。
步骤120、对每帧切片图像数据进行灰阶优化，并对灰阶优化后的切片图像数据进行增强处理，得到处理后的切片图像。
具体对每帧切片图像数据进行灰阶优化可以通过首先计算切片图像数据的增益补偿曲线，然后基于计算得到的增益补偿曲线对切片图像数据进行处理，即可得到灰阶优化后的切片图像数据。
对灰阶优化后的切片图像数据进行增强处理具体是对灰阶优化后的切片图像数据进行信噪比以及边缘清晰度的增强处理，目的是为了得到信噪比较大且边缘清晰度较高的切片图像数据。
对灰阶优化后的切片图像数据进行增强处理可以通过对灰阶优化后的切片图像数据进行金字塔分解，得到多个频率成份的图像子层；然后再对每个子层图像进行各向异性扩散处理，得到多个各向异性扩散处理后的子层图像；最后对多个各向异性扩散处理后的子层图像进行基于金字塔的图像重构，得到增强处理后的切片图像。
步骤130、对三维图像数据进行参数优化，获取优化后的三维图像。
针对三维图像数据自适应调整对比度、亮度、平滑度、阈值、透明度等优化参数，并调整梯度光等渲染方式下的灯光阴影位置，从而获取细节分辨率和对比度更好、边缘清晰、高性噪比、增益适中、一致性好和立体感强的图像。
本实施例提供的一种四维超声成像优化方法，首先获取目标对象的切片图像数据和三维图像数据；然后对每帧切片图像数据进行灰阶优化，并对灰阶优化后的切片图像数据进行增强处理，得到处理后的切片图像；对所述三维图像数据进行参数优化，获取优化后的三维图像。通过上述技术手段实现了对四维超声图像进行快速优化，得到了性能更优，立体效果更好的四维超声图像。
在上述实施例的基础上，进行进一步优化，图2为本发明实施例提供的一种对每帧切片图像进行灰阶优化的方法流程示意图，具体参见图2所示，所述灰阶优化方法包括：
步骤210、从目标对象的超声回波数据中获取解调后幅度数据。
步骤220、计算解调后幅度数据的标准特征值。
由***预设标准像素值standPixel(如70)，按照设定公式，逆向计算解调后幅度数据的标准特征值standValue，逆向计算可以只考虑LOG变化及***的动态范围变换等影响增益补偿曲线的计算因素。
具体的，所述设定公式为：
Figure GDA0002412562030000081
Figure GDA0002412562030000082
其中，standValue表示标准特征值，standPixel为标准像素值，DRMax为超声***能支持的最大动态范围值，DrtDB为用户动态范围值，round()表示四舍五入功能的函数。
步骤230、沿深度方向计算标准特征值的代表值。
在本实施例中，沿深度方向计算标准特征值的代表值包括以下步骤：
(1)计算解调后幅度数据在深度方向上的有效点。
具体的，目标对象的超声回波数据是由很多的像素点组成的，不同的像素点代表所述目标对象的不同部位，每个目标对象都是立体的，对应地，组成该目标对象的所有像素点也呈立体状分布，且每个目标对象都有一定的厚度，称之为深度，可见每个深度方向由很多的深度点组成，同时每个深度点的水平方向也会有很多像素点，计算解调后幅度数据在深度方向上的有效点可以通过统计每个深度点的水平方向各点的幅度值的方差，取方差小于最大方差的设定比例阈值的点为有效点，例如，所述最大方差为50，所述设定比例阈值为(0.8)，则取方差小于50*0.8＝40的水平方向的点作为有效点。或者也可以计算每个深度点的水平各点的幅度值的均值，取幅度值位于所述均值某一比例范围(如0.8～1.2)的点为有效点，例如某一深度点的水平各点的幅度均值为10，取幅度值位于8-12内的所有点为有效点。
(2)计算上述有效点的均值，将该均值作为该标准特征值在该深度方向上的代表值。
步骤240、计算标准特征值与代表值之间的差值，得到增益补偿曲线。
计算标准特征值与代表值之间的差值，并将该差值归一化到超声成像***的前端TGC设定有效动态范围(DB)域，得到随深度变化的增益补偿曲线。
步骤250、将增益补偿曲线作用于切片图像数据，得到灰阶优化后的切片图像数据。
将上述步骤获取的增益补偿曲线作用到前端TGC模块，得到灰阶优化后的切片图像数据。本实施例提供的对切片图像进行灰阶优化的方法，能够得到细节分辨率更好的切片图像。
在上述实施例的基础上，继续进行优化，图3是本发明实施例提供的一种对灰阶优化后的切片图像数据进行增强处理的方法流程示意图，具体参见图3所示，所述方法包括：
步骤310、将灰阶优化后的切片图像数据进行金字塔分解，得到多个频率成份的图像子层。
对灰阶优化后的切片图像数据ImgCom进行金字塔分解，例如，依次经过高斯金字塔分解和拉普拉斯金字塔分解，分成若干层(如4层)不同频率成份的图像子层。
步骤320、对每个子层图像分别进行各向异性扩散处理，得到多个各向异性扩散处理后的子层图像。
对各子层图像分别进行各向异性扩散处理，得到多个各向异性扩散处理后的子层图像。
步骤330、对所述多个各向异性扩散处理后的子层图像进行基于金字塔的图像重构，得到处理后的切片图像。
对各扩散结果进行金字塔重构，得到信噪比高，边缘增强的切片图像。在本实施例中，基于金字塔的图像重构是金字塔分解的逆过程。
示例性地，如图4和5所示将所述灰阶优化后的切片图像数据进行金字塔分解的步骤包括：
步骤402，对输入图像数据进行低通滤波。
对输入的图像数据Img进行低通滤波处理，消除图像中的噪声，抗混叠。
步骤404，对滤波后的输入图像数据按照横纵方向进行降采样，得到降采样图像，其中每层的输入图像数据为上一层降采样后的数据。
对滤波后的输入图像数据按照横纵方向进行抽取率为N降采样(N可取2,3,4等)，得到降采样图像，此图像代表输入原图的低频成分。对于二维图像，每一层图像由上一层分辨率的N*N分之一的像素组成。
步骤406，对降采样图像按照横纵方向进行上采样，得到上采样图像。
降采样图像横纵方向进行插值为N的上采样(N取值与下采样对应)，得到上采样图像，其大小与输入图像数据等大。
步骤408，对上采样图像进行低通滤波。
对上采样图像进行低通滤波器平滑，抗镜像。
步骤410，将输入图像数据减去滤波后的上采样图像，得到预定频率成份的子层图像。
输入图像数据Img减去滤波后的上采样图像，得到预定频率成份的子层图像。
按照步骤402至步骤410，对输入图像数据进行多次金字塔分解，可以得到一系列不同频带的图像，例如图5的HP1，HP2，HP3，LPD3，所有图像的总频率范围覆盖输入图像数据频率范围。
示例性地，如图6所示，对每个子层图像进行各向异性扩散处理，得到多个各向异性扩散处理后的子层图像，包括：
步骤602、对子层图像进行低通滤波。
子层图像进行低通滤波处理，以去除每个子层图像的斑点噪声。
步骤604、计算滤波后的子层图像的横梯度和纵梯度。
分别计算滤波后的子层图像的横、纵梯度Ix和Iy。在本实施例中，梯度计算可以采用中心差分，前后差分或sobel算子得到，还可以采用其他算法计算，这里不再赘述。
步骤606、根据横梯度和所述纵梯度构造组织张量，并计算组织张量的特征值。
由横纵梯度构造组织张量，组织张量定义为
Figure GDA0002412562030000111
其中Ixx，Ixy分别为横梯度Ix的x，y方向梯度，Iyy为纵梯度Iyy方向梯度。
利用组织张量的特征向量V1，V2及对应的特征值μ1，μ2表征子层图像的局部结构特征。根据线性代数，组织张量的特征值为：
Figure GDA0002412562030000121
其中，
Figure GDA0002412562030000122
步骤608、根据组织张量和特征值，计算得到扩张张量。
进一步地，由组织特征值计算扩张张量
Figure GDA0002412562030000123
假设扩张张量的特征值λ1，λ2为：
λ1＝alpha
λ2＝alpha+(1-alpha)*exp(-c./di.^(2*m))。
进一步计算出扩张张量：
Figure GDA0002412562030000124
其中，alpha，c，m为预设常数，则扩张张量为：
Figure GDA0002412562030000125
步骤610、根据扩张张量对子层图像进行离散各向异性扩散，得到各向异性扩散处理后的子层图像。
根据计算所得的扩张张量，对滤波后的子层图像进行离散各向异性扩散。将扩散系数离散可以为8个方向，例如：
Figure GDA0002412562030000131
扩散算法可以采用托马斯快速算法。
示例性地，对所述多个各向异性扩散处理后的子层图像进行基于金字塔的图像重构是金字塔分解的逆过程。
具体的图像重构流程可以参见图7所示的金字塔重构示意图，其中，图7中的图像LPD3Proc、HP3Proc、HP2Proc以及HP1Proc分别表示对上述各图像子层进行各向异性扩散处理后得到的图像，参见图7所示。
首先对图像LPD3Proc进行上采样和低通滤波处理，得到图像ImgCmp4，通过乘以对应的权值w4与对图像HP3Proc进行上采样和低通滤波处理后的图像进行加权融合，得到的图像再与对图像HP2Proc进行上采样和低通滤波处理后的图像进行加权融合，最后与图像HP1Proc进行加权融合，其中权重值w4、w3、w2以及w1可以根据实际进行设定。
通过本实施例提供的对灰阶优化后的切片图像数据进行增强处理的方法，可以得到信噪比以及边缘清晰度满足预设条件的切片图像数据。
在一个实施例中，还提供的一种对三维图像数据进行参数优化的方法，如图8所示，该方法具体包括：
步骤810、对三维图像数据进行直方图分布统计，并对直方图执行自适应均衡，得到均衡后的三维图像数据。
具体的，所述均衡后的三维图像数据指灰阶分布均匀，对比度满足预设值的三维图像数据。
步骤820、统计均衡后的三维图像数据的体素灰度值的均值、大律阈值以及边界灰度值。
具体的，所述边界灰度值可以是最小5％范围或者最大5％范围的灰度值，例如，所述灰度值为1，2……98，99，100，共100个数值，5％*100等于5个，最小5％范围的灰度值为5，最大5％范围的灰度值为95，即所有灰度值中小于等于所述边界灰度值的个数有5个，大于等于所述边界灰度值的个数有5个。
步骤830、分别根据均值、大律阈值以及边界灰度值与优化参数之间的映射关系，确定优化参数值。
均值、大律阈值以及边界灰度值与优化参数之间的映射关系包括线性关系，边界灰度值包括最小5％范围边界的灰度值和最大5％范围边界的灰度值，优化参数包括但不限于亮度、阈值、平滑度、对比度和透明度。
分别根据均值、大律阈值以及边界灰度值与优化参数之间的映射关系，确定优化参数值，主要有以下几种情况：
(1)均值与亮度之间为线性关系。
例如，所述预设的均值与亮度之间的为y＝0.625*x(y取整后为亮度值，x为均值)，通过上述线性关系确定三维体数据体素灰度值的均值对应的亮度值。
(2)当大律阈值小于或者等于预定阈值时，大律阈值与平滑度之间为线性关系；当大律阈值大于预定阈值时，平滑度设定为预定值。
例如，大律阈值与平滑度之间的线性关系为y＝0.3*x(y取整后为平滑度，x为大律阈值)，当统计得到的所述体数据的体素灰度值的大律阈值小于或者等于预定阈值时，按上述线性关系获取平滑度值；当大律阈值大于预定阈值时，将平滑度设置为预定值(默认值)。
(3)当大律阈值小于或者等于预定阈值时，大律阈值与阈值之间为线性关系；当大律阈值大于预定阈值时，阈值设定为预定值。
例如，大律阈值与阈值之间的线性关系为y＝0.375*x(y取整后为阈值档位，x为大律阈值)，当统计得到的所述体数据的体素灰度值的大律阈值小于或者等于预定阈值时，按上述线性关系获取阈值；当大律阈值大于预定阈值时，将阈值设置为预定值(默认值)。
(4)利用对比度变换函数，将均值与边界灰度值变换为对比度的幂率变化系数。
对比度变换函数如下：
Figure GDA0002412562030000151
其中，r表示的是输入的体素值，s是表示输出的相应体素值，即所述幂率变化系数，E可以控制该函数的斜率，m为设定的变换时的阈值。设统计得到的体数据均值为a，最小5％范围边界的灰度值为b，最大5％范围边界的灰度值为c，则以b到c进行归一化，对比度变换函数中的m＝(a-b)/(c-b)，E值范围为2-20，代入上述函数中即可得到对比度的幂率变换系数s。
(5)根据边界灰度值确定透明度曲线的起始点，根据大律阈值确定明度曲线的拐点。
例如，可以将最小5％范围边界的灰度值设为透明度曲线的起始点，最大5％范围边界的灰度值设为透明度曲线的终点，大律阈值设为透明度曲线的拐点。
步骤840、利用优化参数值和旋转灯光角度对三维图像数据进行优化，以获取优化后的三维图像。
例如，在梯度光或高分辨率成像等渲染方式下，调整灯光至左、右前侧大约40°，使当前三维图像立体效果更好。
通过本实施例提供的对三维图像数据进行参数优化的方法，可以调整三维图像的对比度、亮度、平滑度、阈值等参数，得到立体效果更好的三维图像。
图9为本发明实施例提供的一种四维超声图像优化***的结构框图，具体参见图9所示，该***具体包括如下：获取模块910，灰阶优化模块920，增强处理模块930和参数优化模块940，其中，获取模块910，用于获取目标对象的切片图像数据和三维图像数据；灰阶优化模块920，用于对每帧所述切片图像数据进行灰阶优化；增强处理模块930，用于对灰阶优化后的切片图像数据进行增强处理，得到处理后的切片图像；参数优化模块940，用于对三维图像数据进行参数优化，获取优化后的三维图像。
进一步地，灰阶优化模块920包括：
获取单元，用于从目标对象的超声回波数据中获取解调后幅度数据；
标准特征值计算单元，用于计算解调后幅度数据的标准特征值；
代表值计算单元，用于沿深度方向计算标准特征值的代表值；
增益补偿曲线获取单元，用于计算标准特征值与代表值之间的差值，得到增益补偿曲线；
灰阶优化单元，用于将增益补偿曲线作用于切片图像数据，得到灰阶优化后的切片图像数据。
进一步地，增强处理模块930，包括：
分解单元，用于将灰阶优化后的切片图像数据进行金字塔分解，得到多个频率成份的图像子层；
各向异性扩散处理单元，用于对每个子层图像分别进行各向异性扩散处理，得到多个各向异性扩散处理后的子层图像；
图像重构单元，用于对所述多个各向异性扩散处理后的子层图像进行基于金字塔的图像重构，得到处理后的切片图像，其中，所述基于金字塔的图像重构是所述金字塔分解的逆过程。
进一步地，所述分解单元包括：
第一滤波子单元，用于对输入图像数据进行低通滤波；
降采样子单元，用于对滤波后的输入图像数据按照横纵方向进行降采样，得到降采样图像，其中每层的输入图像数据为上一层降采样后的数据；
上采样子单元，用于对降采样图像按照横纵方向进行上采样，得到上采样图像；
所述第一滤波子单元，还用于对上采样图像进行低通滤波；
子层图像获取子单元，用于将输入图像数据减去滤波后的上采样图像，得到预定频率成份的子层图像。
进一步地，所述各向异性扩散处理单元包括：
第二滤波子单元，用于对子层图像进行低通滤波；
梯度计算子单元，用于计算滤波后的子层图像的横梯度和纵梯度；
组织张量构造子单元，用于根据横梯度和纵梯度构造组织张量，并计算组织张量的特征值；
扩张张量计算子单元，用于根据组织张量和特征值，计算得到扩张张量；
离散各向异性扩散子单元，用于根据扩张张量对子层图像进行离散各向异性扩散，得到各向异性扩散处理后的子层图像。
进一步地，参数优化模块940：
执行单元，用于对三维图像数据进行直方图分布统计，并对直方图执行自适应均衡，得到均衡后的三维图像数据；
统计单元，用于统计均衡后的三维图像数据的体素灰度值的均值、大律阈值以及边界灰度值；
优化参数值确定单元，用于分别根据均值、大律阈值以及边界灰度值与优化参数之间的映射关系，确定优化参数值；
优化单元，用于利用优化参数值和旋转灯光角度对三维图像数据进行优化，以获取优化后的三维图像。
本实施例提供的一种四维超声成像优化***，首先获取目标对象的切片图像数据和三维图像数据；然后对每帧所述切片图像数据进行灰阶优化，并对灰阶优化后的切片图像数据进行增强处理，得到处理后的切片图像；并对三维图像数据进行参数优化，获取优化后的三维图像；通过上述技术手段实现了对四维超声图像进行快速优化，得到了性能更优、立体效果更好的四维超声图像。
本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (8)

1.一种四维超声图像优化方法，所述四维超声图像包括目标对象的切片图像和三维图像，其特征在于，所述方法包括以下步骤：
获取目标对象的切片图像数据和三维图像数据；
对每帧所述切片图像数据进行灰阶优化，并对灰阶优化后的切片图像数据进行增强处理，得到处理后的切片图像；
对三维图像数据进行参数优化，获取优化后的三维图像；
所述对每帧所述切片图像进行灰阶优化的步骤包括：
从目标对象的超声回波数据中获取解调后幅度数据；
计算解调后幅度数据的标准特征值；
沿深度方向计算标准特征值的代表值；
计算标准特征值与代表值之间的差值，得到增益补偿曲线；
将增益补偿曲线作用于切片图像数据，得到灰阶优化后的切片图像数据。
2.根据权利要求1所述的方法，其特征在于，对灰阶优化后的切片图像数据进行增强处理，得到处理后的切片图像的步骤包括：
将灰阶优化后的切片图像数据进行金字塔分解，得到多个频率成份的图像子层；
对每个子层图像分别进行各向异性扩散处理，得到多个各向异性扩散处理后的子层图像；
对所述多个各向异性扩散处理后的子层图像进行基于金字塔的图像重构，得到处理后的切片图像，其中，所述基于金字塔的图像重构是所述金字塔分解的逆过程。
3.根据权利要求2所述的方法，其特征在于，所述金字塔分解的步骤包括：
对输入图像数据进行低通滤波；
对滤波后的输入图像数据按照横纵方向进行降采样，得到降采样图像，其中每层的输入图像数据为上一层降采样后的数据；
对降采样图像按照横纵方向进行上采样，得到上采样图像；
对上采样图像进行低通滤波；
将输入图像数据减去滤波后的上采样图像，得到预定频率成份的子层图像。
4.根据权利要求2所述的方法，其特征在于，对每个所述子层图像进行各向异性扩散处理，得到多个各向异性扩散处理后的子层图像的步骤包括：
对子层图像进行低通滤波；
计算滤波后的子层图像的横梯度和纵梯度；
根据横梯度和纵梯度构造组织张量，并计算组织张量的特征值；
根据组织张量和特征值，计算扩张张量；
根据扩张张量对子层图像进行离散各向异性扩散，得到各向异性扩散处理后的子层图像。
5.根据权利要求1所述的方法，其特征在于，所述对三维图像数据进行参数优化的步骤包括：
对三维图像数据进行直方图分布统计，并对直方图执行自适应均衡，得到均衡后的三维图像数据；
统计均衡后的三维图像数据的体素灰度值的均值、大律阈值以及边界灰度值；
分别根据均值、大律阈值以及边界灰度值与优化参数之间的映射关系，确定优化参数值；
利用优化参数值和旋转灯光角度对三维图像数据进行优化，以获取优化后的三维图像。
6.一种四维超声图像优化***，所述四维超声图像包括目标对象的切片图像和三维图像，其特征在于，所述***包括：
获取模块，用于获取目标对象的切片图像数据和三维图像数据；
灰阶优化模块，用于对每帧切片图像数据进行灰阶优化；
增强处理模块，用于对灰阶优化后的切片图像数据进行增强处理，得到处理后的切片图像；
参数优化模块，用于对三维图像数据进行参数优化，获取优化后的三维图像；
所述灰阶优化模块包括：
获取单元，用于从目标对象的超声回波数据中获取解调后幅度数据；
标准特征值计算单元，用于计算解调后幅度数据的标准特征值；
代表值计算单元，用于沿深度方向计算标准特征值的代表值；
增益补偿曲线获取单元，用于计算标准特征值与代表值之间的差值，得到增益补偿曲线；
灰阶优化单元，用于将增益补偿曲线作用于切片图像数据，得到灰阶优化后的切片图像数据。
7.根据权利要求6所述的***，其特征在于，所述增强处理模块包括：
分解单元，用于将灰阶优化后的切片图像数据进行金字塔分解，得到多个频率成份的图像子层；
各向异性扩散处理单元，用于对每个子层图像分别进行各向异性扩散处理，得到多个各向异性扩散处理后的子层图像；
图像重构单元，用于对所述多个各向异性扩散处理后的子层图像进行基于金字塔的图像重构，得到处理后的切片图像，其中，所述基于金字塔的图像重构是所述金字塔分解的逆过程。
8.根据权利要求7所述的***，其特征在于，所述分解单元包括：
第一滤波子单元，用于对输入图像数据进行低通滤波；
降采样子单元，用于对滤波后的输入图像数据按照横纵方向进行降采样，得到降采样图像，其中每层的输入图像数据为上一层降采样后的数据；
上采样子单元，用于对降采样图像按照横纵方向进行上采样，得到上采样图像；
所述第一滤波子单元，还用于对上采样图像进行低通滤波；
子层图像获取子单元，用于将输入图像数据减去滤波后的上采样图像，得到预定频率成份的子层图像。
CN201611205838.XA 2016-12-23 2016-12-23 四维超声图像优化方法及*** Active CN106725612B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201611205838.XA CN106725612B (zh) 2016-12-23 2016-12-23 四维超声图像优化方法及***
PCT/CN2017/093471 WO2018113283A1 (zh) 2016-12-23 2017-07-19 四维超声图像优化方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611205838.XA CN106725612B (zh) 2016-12-23 2016-12-23 四维超声图像优化方法及***

Publications (2)

Publication Number Publication Date
CN106725612A CN106725612A (zh) 2017-05-31
CN106725612B true CN106725612B (zh) 2020-10-23

Family

ID=58919861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611205838.XA Active CN106725612B (zh) 2016-12-23 2016-12-23 四维超声图像优化方法及***

Country Status (2)

Country Link
CN (1) CN106725612B (zh)
WO (1) WO2018113283A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106725612B (zh) * 2016-12-23 2020-10-23 深圳开立生物医疗科技股份有限公司 四维超声图像优化方法及***
CN109754817A (zh) * 2017-11-02 2019-05-14 北京三星通信技术研究有限公司 信号处理方法及终端设备
CN111358492A (zh) * 2020-02-28 2020-07-03 深圳开立生物医疗科技股份有限公司 一种四维造影图像生成方法、装置、设备及存储介质
CN112826483B (zh) * 2021-01-08 2022-03-08 中国科学院自动化研究所 基于指尖视频的心率检测方法、***及装置
CN118096579B (zh) * 2024-04-19 2024-07-05 陕西博越腾达科技有限责任公司 一种3d打印点阵结构缺陷检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN86107496A (zh) * 1985-10-31 1987-06-10 通用电气公司 用于超声波成象的自适应时间增益补偿***
CN1317293A (zh) * 2000-03-22 2001-10-17 Ge医疗***环球技术有限公司 图像形成方法及装置和超声成像装置
CN101452574A (zh) * 2008-12-19 2009-06-10 深圳市恩普电子技术有限公司 一种提升超声图像质量的方法
CN104490418A (zh) * 2014-09-25 2015-04-08 深圳市恩普电子技术有限公司 一种基于信号统计分析的超声图像自动优化方法
CN104680495A (zh) * 2015-03-17 2015-06-03 武汉倍尔生生物科技有限公司 超声图像的自适应去噪方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100646715B1 (ko) * 2004-10-18 2006-11-23 한국과학기술원 후처리를 통한 2차원 초음파 영상의 화질 개선 방법
US20080081998A1 (en) * 2006-10-03 2008-04-03 General Electric Company System and method for three-dimensional and four-dimensional contrast imaging
CN101190135B (zh) * 2006-11-29 2012-05-02 深圳迈瑞生物医疗电子股份有限公司 在超声成像***中用于优化超声图像的灰度值的方法
CN102499711B (zh) * 2011-09-28 2013-07-10 无锡祥生医学影像有限责任公司 三维或四维超声图像自动优化调节方法
CN103222876B (zh) * 2012-01-30 2016-11-23 东芝医疗***株式会社 医用图像处理装置、图像诊断装置、计算机***以及医用图像处理方法
CN106725612B (zh) * 2016-12-23 2020-10-23 深圳开立生物医疗科技股份有限公司 四维超声图像优化方法及***

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN86107496A (zh) * 1985-10-31 1987-06-10 通用电气公司 用于超声波成象的自适应时间增益补偿***
CN1317293A (zh) * 2000-03-22 2001-10-17 Ge医疗***环球技术有限公司 图像形成方法及装置和超声成像装置
CN101452574A (zh) * 2008-12-19 2009-06-10 深圳市恩普电子技术有限公司 一种提升超声图像质量的方法
CN104490418A (zh) * 2014-09-25 2015-04-08 深圳市恩普电子技术有限公司 一种基于信号统计分析的超声图像自动优化方法
CN104680495A (zh) * 2015-03-17 2015-06-03 武汉倍尔生生物科技有限公司 超声图像的自适应去噪方法

Also Published As

Publication number Publication date
CN106725612A (zh) 2017-05-31
WO2018113283A1 (zh) 2018-06-28

Similar Documents

Publication Publication Date Title
CN106725612B (zh) 四维超声图像优化方法及***
Yu et al. Ultrasound speckle reduction by a SUSAN-controlled anisotropic diffusion method
Zhang et al. Nonlinear diffusion in Laplacian pyramid domain for ultrasonic speckle reduction
US8861821B2 (en) Ultrasound diagnosis apparatus
US8435180B2 (en) Gain optimization of volume images for medical diagnostic ultrasonic imaging
KR100830263B1 (ko) 컴퓨터 단층촬영 영상을 개선하기 위한 방법, 컴퓨터프로그램 제품 및 장치
EP2380132B1 (en) Denoising medical images
US9113826B2 (en) Ultrasonic diagnosis apparatus, image processing apparatus, control method for ultrasonic diagnosis apparatus, and image processing method
Khare et al. Despeckling of medical ultrasound images using Daubechies complex wavelet transform
JP5851301B2 (ja) 画像処理装置、画像処理方法、及び磁気共鳴イメージング装置
CN109961411B (zh) 非下采样剪切波变换医学ct图像去噪方法
US8634615B2 (en) Method of filtering an image dataset
Bhuiyan et al. Spatially adaptive thresholding in wavelet domain for despeckling of ultrasound images
JP2012524329A (ja) 多重尺度画像の正規化及び強調
CN109598680B (zh) 基于快速非局部均值和tv-l1模型的剪切波变换医学ct图像去噪方法
US8139891B2 (en) System and method for structure enhancement and noise reduction in medical images
US20120108973A1 (en) Ultrasonic diagnostic apparatus and ultrasonic image processing apparatus
KR20130007905A (ko) 초음파 영상 처리 방법 및 장치
US11408987B2 (en) Ultrasonic imaging with multi-scale processing for grating lobe suppression
WO2015080006A1 (ja) 超音波診断装置
Bamber et al. Texture analysis and speckle reduction in medical echography
CN108846813A (zh) 基于mfdf分解框架与nsst的医学ct图像去噪方法
Loupas et al. Deconvolution in medical ultrasonics: practical considerations
JP4679095B2 (ja) 画像処理装置、画像処理方法、及びプログラム
Duan et al. Assessment of visual quality and spatial accuracy of fast anisotropic diffusion and scan conversion algorithms for real-time three-dimensional spherical ultrasound

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