CN108537785B - 一种子宫超声微蠕动视频处理方法 - Google Patents
一种子宫超声微蠕动视频处理方法 Download PDFInfo
- Publication number
- CN108537785B CN108537785B CN201810295212.5A CN201810295212A CN108537785B CN 108537785 B CN108537785 B CN 108537785B CN 201810295212 A CN201810295212 A CN 201810295212A CN 108537785 B CN108537785 B CN 108537785B
- Authority
- CN
- China
- Prior art keywords
- micro
- peristalsis
- uterine
- frequency domain
- video
- 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.)
- Expired - Fee Related
Links
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 37
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 210000004291 uterus Anatomy 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 230000003321 amplification Effects 0.000 claims abstract description 10
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 10
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 24
- 230000009466 transformation Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000002572 peristaltic effect Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 238000011426 transformation method Methods 0.000 claims description 2
- 241000638935 Senecio crassissimus Species 0.000 claims 1
- 238000003709 image segmentation Methods 0.000 claims 1
- 230000008855 peristalsis Effects 0.000 description 8
- 230000002357 endometrial effect Effects 0.000 description 4
- 210000004696 endometrium Anatomy 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 206010034647 Peristalsis visible Diseases 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 210000002460 smooth muscle Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 239000007822 coupling agent Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000032692 embryo implantation Effects 0.000 description 1
- 210000001035 gastrointestinal tract Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000002175 menstrual effect Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000035935 pregnancy Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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
- G06T9/00—Image coding
- G06T9/007—Transform coding, e.g. discrete cosine transform
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Discrete Mathematics (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种子宫超声微蠕动视频处理方法。首先，对超声视频进行预处理；然后，将超声视频中的子宫区域通过空间多尺度分解和相位放大进行微蠕动凸显，得到子宫微蠕动凸显视频；进而，基于预设的81种时空动态变化的标准频域特征字典，统计子宫微蠕动凸显视频中符合预设标准频域特征的频数分布，并将频数分布作为子宫的微蠕动模式；最终将子宫微蠕动凸显视频和微蠕动模式由显示模块输出展现。该方法能够将肉眼不可见的子宫微蠕动变为肉眼可见，并且能够提取子宫微蠕动的模式，实现了对子宫微蠕动模式的特征定量参考。
Description
技术领域
本发明涉及视频处理领域，特别涉及一种基于超声视频的对子宫微蠕动进行视频处理的方法。
背景技术
子宫内膜随子宫内膜下肌层及子宫平滑肌层的非同步性收缩引起的不均匀性子宫腔内压力，而出现似肠道蠕动波一样的机械运动，称为子宫内膜波状运动，即子宫内膜蠕动波。子宫内膜蠕动和微蠕动能够反映子宫内膜容受性。子宫内膜蠕动波的方向是多种多样的，有宫颈到宫底的、有宫底到宫颈的、还有随机蠕动的等。子宫内膜蠕动波与***运输、经血排出、胚胎植入及维持妊娠有关，蠕动波的方向和频率还会随着时间的变化而变化。除此之外，子宫内膜下肌层及子宫平滑肌层的非同步性收缩与血管的微小搏动都可能导致出现子宫微蠕动。
目前了解子宫蠕动波和微蠕动的方法是通过超声视频进行肉眼观察。由于蠕动的变化微弱，随机性强，传统超声设备采集的子宫视频中往往需要等待5～20分钟，才能通过仔细对比觉察到蠕动波，而对于子宫的微蠕动，往往更加不容易在超声视频中通过肉眼观察到的。
发明内容
为了让子宫微蠕动变得可视化并能对子宫微蠕动的模式进行特征定量参考,本发明将超声视频中的子宫区域通过空间多尺度分解和相位放大进行微蠕动凸显，得到子宫微蠕动凸显视频；进而，基于预设的81种时空动态变化的标准频域特征字典，统计子宫微蠕动凸显视频中符合预设标准频域特征的频数分布，并将频数分布作为子宫的微蠕动模式；最终将子宫微蠕动凸显视频和微蠕动模式由显示模块输出展现。本发明的技术方案如下：
一种子宫超声微蠕动视频处理方法，如图1与图2所示，由以下模块组成：
1)超声采集模块，采集原始超声视频数据V1；
2)预处理模块，对原始超声视频数据进行视频去噪滤波和视觉标准化预处理，并将预处理后的超声视频数据V2发送给子宫区域检测模块；
3)子宫区域检测模块，对V2中的每一帧图像进行滑窗区域识别，将判断为子宫的区域按顺序整合为子宫视频数据V3，并将V3发送给子宫微蠕动凸显模块；
4)子宫微蠕动凸显模块，针对V3进行子宫微蠕动凸显得到V4；
5)微蠕动模式自动提取模块，负责提取V4中的微蠕动模式Y；
6)显示模块，负责将V4和微蠕动模式Y展现给用户。
优选地，为了能够采集超声视频数据，所述的超声采集模块的采集模式为B型超声或谐波成像超声，采集部位为子宫，采集得到包含子宫的原始超声视频数据V1。
优选地，为了满足对子宫微蠕动频率进行分析的奈奎斯特采样定律的要求，所述的超声采集模块的视频数据的采样频率不小于5Hz。
优选地，为了去除噪声对视频质量的影响，所述的预处理模块将原始超声视频数据V1进行视频滤波去噪，视频滤波去噪的方法可以为高斯滤波，通过离散化窗口滑窗卷积来实现高斯滤波。
优选地，为了保证不同视频的图像一致性，所述的预处理模块将原始超声视频数据V1进行视觉标准化处理，视觉标准化处理可以为直方图均衡化。
优选地，为了降低非子宫区域对子宫区域的相位噪声，所述的子宫区域检测模块针对V2的每一帧进行子宫区域分割，分割方法可以为手工图像分割、或基于机器学习方法训练得到的识别模型，将每一帧的分割结果作为该帧的子宫区域，将仅有子宫区域的视频数据提取出来作为检测出的子宫视频数据V3。
优选地，为了实现对子宫微蠕动的凸显，即让肉眼不可见的子宫微蠕动变为肉眼可见，所述的子宫微蠕动凸显模块由尺度变换组、滤波器、相位放大器、逆尺度变换组构成；尺度变换组将子宫视频数据V3转换为不同尺度的视频数据，尺度变换方法可以为小波变换、高斯金字塔分解、可操纵方向金字塔变换；信号滤波器接收不同尺度的视频数据，并基于预设的带通范围对不同尺度的视频数据进行信号滤波后发送给相位放大器；相位放大器接收所述的信号滤波结果，并对其相位进行乘性扩增后发送给逆尺度变换组；逆尺度变换组接收所述的不同尺度的相位放大结果，并对其进行尺度逆向重建后得到子宫微蠕动凸显视频数据V4，最终将子宫微蠕动凸显视频数据V4发送给微蠕动模式自动提取模块。
优选地，为了提取子宫微蠕动的时空域特征模式，所述的微蠕动模式自动提取模块由频域特征编码器B、标准频域特征字典D、频数统计器构成；子宫微蠕动凸显视频数据V4的每一帧图像都通过傅立叶变换转换为频域数据Fi(i＝1,2,…,K),K为总帧数；所有帧的频域数据F通过频域特征编码器B和特征简并方法J得到Q种标准频域特征(0<Q<＝81,且Q为整数)；频数统计器按照标准频域特征字典的排列顺序统计上述Q种标准频域特征的频数分布，将频数分布作为微蠕动模式Y发送给显示模块。
优选地，为了对频域的时空特征进行描述，所述的频域特征编码器B将接收的频域数据F划分为一系列大小相同的子空间；子空间大小为a×b×c，a的范围是0.05～0.5M,b的范围是0.05～0.5N,c的范围是0.05～0.5K,a、b、c均为四舍五入后的正整数；视频V4的画面大小为M×N，总帧数为K，M、N、K均为正整数；每个子空间的最大实数和最大虚数为此子空间内所有点中的最大实数与最大虚数；每个子空间的最小实数和最小虚数为此子空间内所有点中的最小实数与最小虚数；每个子空间的中值实数和中值虚数为此子空间内所有点的中值实数与中值虚数；任意子空间与其邻域子空间构成3×3×3的三维矩阵，矩阵中每一个位置都包含3个复数，分别是最大实数与最大虚数、最小实数与最小虚数、中值实数与中值虚数；频域特征编码器将任意子空间与其邻域子空间的所有频域复数按顺序重整为一个1×162(162＝3×3×3×3×2)的一维向量，实数与对应的虚数紧挨排列；对这1×162的一维向量的每一个数值，大于0的被标记为1，小于等于0的被标记为0，从而得到1×162的只含1和0的一维向量，此一维向量即为二进制频域特征编码。
以三维3×3×3矩阵举例，给27个子空间分别按顺序编号为1、2、3、……、26、27，最中间的子空间就是第14个子空间，邻域子空间就是包围最中间的子空间的其余26个子空间。
优选地，为了对2162个二进制频域特征编码进行精简，所述的特征简并方法J将162位的二进制频域特征编码看作首尾相连的圆环，从逆时针方向遍历圆环上的每个二进制数，将出现从0到1或1到0的跳变总次数记为Z；将具有相同Z值的二进制频域特征编码简并为同一种标准频域特征，其中Z的取值范围是0～80；所有81种频域特征组成标准频域特征字典。
以4位二进制频域特征编码为例来说明一下。比如1000、0110、1010、0101都是二进制频域特征编码；1000、0110都只有2次从0到1或从1到0的跳变，它们就被简并归为同一类标准频域特征，设定为具有相同的标准频域特征，编号为2；1010、0101都只有4次从0到1或从1到0的跳变，它们就归为另一个标准频域特征，编号为4；依次类推。之所以这样设定，是因为相似的频域特征具有相同的从0到1或从1到0的跳变。为了尽量去除频域特征的冗余性，同时也是为了减少计算量与存储空间，需要对频域特征进行简并。
本发明具有如下有益效果：
1)本发明将肉眼不可见的子宫超声微蠕动变为肉眼可见；
2)本发明能够提取子宫微蠕动的模式，为子宫微蠕动的模式分析提供了特征定量参考。
附图说明
图1是本发明提取子宫微蠕动模式的概括处理流程图；
图2是本发明提取子宫微蠕动模式的详细处理流程图；
图3是本发明实施例中子宫微蠕动凸显前后的时空切片对比图；
图4是本发明实施例中提取典型女性的子宫微蠕动模式图，横轴为频域特征序号，纵轴为相应频域特征的频数。
具体实施方式
以下通过实施例对本发明做进一步说明，以便更好地理解本发明的技术方案，但本发明并不局限于此。下述实施例中所用的超声设备、耦合剂等，如无特殊说明，均可从商业途径得到。
1.超声视频采集
筛选1名典型女性，在签署知情同意书后，纳入本实施例。采用普通超声诊断仪与***探头采集典型女性的子宫超声视频。采集模式为谐波成像超声，采集部位为子宫，采集帧率为30Hz，探头中心频率为10MHz。
2.预处理
对原始超声视频数据进行视频去噪滤波和视觉标准化预处理。预处理模块对原始超声视频进行视频滤波去噪，视频滤波去噪的方法选择高斯滤波，通过离散化窗口滑窗卷积来实现高斯滤波，滑窗大小选择为5×5的矩阵。预处理模块对原始超声视频进行视频滤波去噪后再进行视觉标准化处理，视觉标准化处理方法选择直方图均衡化。
3.子宫区域检测
在预处理后的超声视频检测子宫区域并得到仅包含子宫区域的视频。针对预处理后的超声视频的每一帧进行子宫区域分割，分割方法基于机器学习方法训练得到的检测模型，将每一帧的分割结果作为该帧的子宫区域，将仅有子宫区域的视频数据提取出来作为检测出的子宫视频数据。此基于机器学习方法训练得到的子宫检测模型由滑窗核组、子宫分类器、聚类筛选器组成；滑窗核组由8个不同尺寸的滑窗核组成，从上述视频中的每帧图像中各自裁取不同尺寸的一小块图像作为感兴趣区域图像，直至遍历完所有图像数据；子宫分类器为一个人工神经网络，由15-30个卷积层构成，每个卷积层由100-250000个神经元组成，底层神经元读取滑窗核组传来的多组感兴趣区域图像，并将顶层神经元输出的多组识别数据发送给聚类筛选器；聚类筛选器为Mean-shift聚类，Mean-shift搜索半径为6个像素，对所述的多组分类数据进行聚类，将每一帧的聚类中心作为该帧的子宫中心，最终将聚类中心周围的子宫视频提取出来作为检测出的子宫视频。
4.子宫微蠕动凸显
子宫微蠕动凸显模块由尺度变换组、滤波器、相位放大器、逆尺度变换组构成；尺度变换组采用小波变换将子宫视频转换为不同尺度的视频；信号滤波器接收不同尺度的视频数据，并基于预设的带通范围0.1～14.9Hz对不同尺度的视频数据进行信号滤波后发送给相位放大器；相位放大器接收所述的信号滤波结果，并对其相位进行10倍乘性扩增后发送给逆尺度变换组；逆尺度变换组接收所述的不同尺度的相位放大结果，并对其进行尺度逆向重建后得到子宫微蠕动凸显视频，并发送给显示模块。
图3是本发明实施例中子宫微蠕动凸显前后的时空切片对比图。图3.A是一名典型女性的原始子宫超声视频，虚线为时空切片采集的纵向单列位置；图3.B是相应的子宫微蠕动凸显视频，虚线为与图3.A中相同的时空切片采集的纵向单列位置；在视频中取一条纵切的像素在时间轴上展开并叠加为一幅图，就能得到时空切片图。时空切片图的横轴为视频的第1、2、……、第K帧，纵轴为对应的1、2、……、第K帧的相同位置的单列像素，其中K为视频总帧数。图3.C为原始子宫超声视频的子宫超声视频的时空切片图；图3.D为相应子宫微蠕动凸显视频的时空切片图。
5.微蠕动模式自动提取
微蠕动模式自动提取模块由频域特征编码器、标准频域特征字典、频数统计器构成；子宫微蠕动凸显视频数据V4的每一帧图像都通过傅立叶变换转换为频域数据Fi(i＝1,2,…,300),300为视频总帧数；所有帧的频域数据F通过频域特征编码器B和特征简并方法J得到40种标准频域特征；频数统计器按照标准频域特征字典的排列顺序统计上述40种标准频域特征的频数分布，将频数分布作为微蠕动模式Y发送给显示模块。
频域特征编码器接收所述的频域数据F，并划分为一系列的相同大小的子空间；视频画面大小为200×200，总帧数为300；子空间大小为20×20×30。每个子空间的最大实数和最大虚数为此子空间内所有点中的最大实数与最大虚数；每个子空间的最小实数和最小虚数为此子空间内所有点中的最小实数与最小虚数；每个子空间的中值实数和中值虚数为此子空间内所有点的中值实数与中值虚数；任意子空间与其邻域子空间构成3×3×3的三维矩阵，矩阵中每一个位置都包含3个复数，分别是最大实数与最大虚数、最小实数与最小虚数、中值实数与中值虚数。
频域特征编码器将任意子空间与其邻域子空间的所有频域复数按顺序重整为一个1×162(162＝3×3×3×3×2)的一维向量，实数与对应的虚数紧挨排列；对这1×162的一维向量的每一个数值，大于0的被标记为1，小于等于0的被标记为0，从而得到1×162的只含1和0的一维向量，此一维向量即为二进制频域特征编码。
本实施例对1名典型女性进行子宫超声视频采集，并根据本发明的处理方法对超声视频数据进行处理后，得到如图3和图4所示的结果。图3是本发明实施例中子宫微蠕动凸显前后的时空切片对比图，表明本发明能够对子宫微蠕动进行有效凸显。图4是本发明实施例中提取典型女性的子宫微蠕动模式图，表明本发明能够有效提取子宫微蠕动模式，为进行微蠕动模式的比较提供定量特征参考。
Claims (8)
1.一种子宫超声微蠕动视频处理方法，由以下模块组成：
超声采集模块(1)，采集原始超声视频数据V1；
预处理模块(2)，对原始超声视频数据进行视频去噪滤波和视觉标准化预处理，并将预处理后的超声视频数据V2发送给子宫区域检测模块(3)；
子宫区域检测模块(3)，对V2中的每一帧图像进行滑窗区域识别，将判断为子宫的区域按顺序整合为子宫视频数据V3，并将V3发送给子宫微蠕动凸显模块(4)；
子宫微蠕动凸显模块(4)，针对V3进行子宫微蠕动凸显得到V4；
微蠕动模式自动提取模块(5)，负责提取V4中的微蠕动模式Y；
显示模块(6)，负责将V4和微蠕动模式Y展现给用户；
其特征在于，将超声视频中的子宫区域通过空间多尺度分解和相位放大进行微蠕动凸显，得到子宫微蠕动凸显视频V4；进而，基于预设81种时空动态变化的标准频域特征字典D，统计V4中符合预设标准频域特征的频数分布，并将频数分布作为子宫的微蠕动模式Y；最终将V4和Y由显示模块输出展现。
2.根据权利要求1所述的子宫超声微蠕动视频处理方法，其特征在于，超声采集模块(1)的采集模式为B型超声或谐波成像超声，采集部位为子宫，采集得到包含子宫的原始超声视频数据V1，视频数据的采样频率不小于5Hz。
3.根据权利要求1所述的子宫超声微蠕动视频处理方法，其特征在于，预处理模块(2)将原始超声视频数据V1进行视频滤波去噪和视觉标准化处理，将上述处理后的超声视频数据V2发送给子宫区域检测模块(3)；其中，视频滤波去噪的方法可以为高斯滤波G，视觉标准化处理可以为直方图均衡化H。
4.根据权利要求1所述的子宫超声微蠕动视频处理方法，其特征在于，子宫区域检测模块(3)针对V2的每一帧进行子宫区域分割，分割方法可以为手工图像分割、马尔科夫随机场分割、或基于机器学习方法训练得到的识别模型，将每一帧的分割结果作为该帧的子宫区域，将仅有子宫区域的视频数据提取出来作为检测出的子宫视频数据V3。
5.根据权利要求1所述的子宫超声微蠕动视频处理方法，其特征在于，子宫微蠕动凸显模块(4)由尺度变换组、滤波器、相位放大器、逆尺度变换组构成；尺度变换组将子宫视频数据V3转换为不同尺度的视频数据，尺度变换方法可以为小波变换、高斯金字塔分解、可操纵方向金字塔变换；信号滤波器接收不同尺度的视频数据，并基于预设的带通范围对不同尺度的视频数据进行信号滤波后发送给相位放大器；相位放大器接收所述的信号滤波结果，并对其相位进行乘性扩增后发送给逆尺度变换组；逆尺度变换组接收所述的不同尺度的相位放大结果，并对其进行尺度逆向重建后得到子宫微蠕动凸显视频数据V4，最终将子宫微蠕动凸显视频数据V4发送给微蠕动模式自动提取模块(5)。
6.根据权利要求1所述的子宫超声微蠕动视频处理方法，其特征在于，微蠕动模式自动提取模块(5)由频域特征编码器B、标准频域特征字典D、频数统计器构成；子宫微蠕动凸显视频数据V4的每一帧图像都通过傅立叶变换转换为频域数据Fi(i＝1,2,…,K),K为总帧数；所有帧的频域数据F通过频域特征编码器B和特征简并方法J得到Q种标准频域特征(0<Q<＝81,且Q为整数)；频数统计器按照标准频域特征字典的排列顺序统计上述Q种标准频域特征的频数分布，将频数分布作为微蠕动模式Y发送给显示模块(6)。
7.根据权利要求1所述的子宫超声微蠕动视频处理方法，其特征在于，微蠕动模式自动提取模块(5)的频域特征编码器B将接收的频域数据F划分为一系列大小相同的子空间；子空间大小为a×b×c，a的范围是0.05～0.5M,b的范围是0.05～0.5N,c的范围是0.05～0.5K,a、b、c均为四舍五入后的正整数；视频V4的画面大小为M×N，总帧数为K，M、N、K均为正整数；每个子空间的最大实数和最大虚数为此子空间内所有点中的最大实数与最大虚数；每个子空间的最小实数和最小虚数为此子空间内所有点中的最小实数与最小虚数；每个子空间的中值实数和中值虚数为此子空间内所有点的中值实数与中值虚数；任意子空间与其邻域子空间构成3×3×3的三维矩阵，矩阵中每一个位置都包含3个复数，分别是最大实数与最大虚数、最小实数与最小虚数、中值实数与中值虚数；频域特征编码器B将任意子空间与其邻域子空间的所有频域复数按顺序重整为一个1×162(162＝3×3×3×3×2)的一维向量，实数与对应的虚数紧挨排列；对这1×162的一维向量的每一个数值，大于0的被标记为1，小于等于0的被标记为0，从而得到1×162的只含1和0的一维向量，此一维向量即为二进制频域特征编码。
8.根据权利要求1所述的子宫超声微蠕动视频处理方法，其特征在于，微蠕动模式自动提取模块(5)的特征简并方法J将162位的二进制频域特征编码看作首尾相连的圆环，从逆时针方向遍历圆环上的每个二进制数，将出现从0到1或1到0的跳变总次数记为Z；特征简并方法J将具有相同Z值的二进制频域特征编码简并为同一种标准频域特征，其中Z的取值范围是0～80；所有81种频域特征组成标准频域特征字典。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810295212.5A CN108537785B (zh) | 2018-04-04 | 2018-04-04 | 一种子宫超声微蠕动视频处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810295212.5A CN108537785B (zh) | 2018-04-04 | 2018-04-04 | 一种子宫超声微蠕动视频处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108537785A CN108537785A (zh) | 2018-09-14 |
| CN108537785B true CN108537785B (zh) | 2021-04-30 |
Family
ID=63482633
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810295212.5A Expired - Fee Related CN108537785B (zh) | 2018-04-04 | 2018-04-04 | 一种子宫超声微蠕动视频处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108537785B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2577718B (en) * | 2018-10-03 | 2022-08-24 | Cmr Surgical Ltd | Feature identification |
| CN114025672B (zh) * | 2019-11-05 | 2024-05-14 | 深圳迈瑞生物医疗电子股份有限公司 | 一种超声成像设备和子宫内膜蠕动的检测方法 |
| CN114431893A (zh) * | 2020-10-30 | 2022-05-06 | 浙江省人民医院 | 一种蠕动波的参数测量方法及超声测量*** |
| CN112587089B (zh) * | 2020-11-19 | 2023-04-21 | 新希望六和股份有限公司 | 基于人工智能的妊娠检测方法、装置、计算机设备和介质 |
| CN112704517B (zh) * | 2021-02-02 | 2021-08-03 | 深圳华声医疗技术股份有限公司 | 子宫内膜蠕动超声图像处理方法、***、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102526065A (zh) * | 2011-12-26 | 2012-07-04 | 西安力邦制药有限公司 | 一种治疗心脑血管疾病的复方注射制剂及其制备方法 |
| US9326722B2 (en) * | 2011-03-22 | 2016-05-03 | University Of Vermont And State Agricultural College | Methods of predicting and monitoring labor |
| CN107028657A (zh) * | 2011-11-04 | 2017-08-11 | 波士顿科学医疗有限公司 | 组织提取装置和方法 |
| CN107209934A (zh) * | 2014-12-03 | 2017-09-26 | 文塔纳医疗***公司 | 用于定量分析异质生物标志物分布的方法、***和装置 |
| CN107492117A (zh) * | 2017-07-27 | 2017-12-19 | 北京大学 | 一种基于视频的微颤动功能像成像方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2860133C (en) * | 2011-12-29 | 2016-10-11 | Universidad De Chile | Vaginal ring comprising dhea or dhea sulphate and optionally a release-modulating agent of the active principle, useful to increase the ovarian reserve in women and to relieve symptoms associated with menopause |
-
2018
- 2018-04-04 CN CN201810295212.5A patent/CN108537785B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9326722B2 (en) * | 2011-03-22 | 2016-05-03 | University Of Vermont And State Agricultural College | Methods of predicting and monitoring labor |
| CN107028657A (zh) * | 2011-11-04 | 2017-08-11 | 波士顿科学医疗有限公司 | 组织提取装置和方法 |
| CN102526065A (zh) * | 2011-12-26 | 2012-07-04 | 西安力邦制药有限公司 | 一种治疗心脑血管疾病的复方注射制剂及其制备方法 |
| CN107209934A (zh) * | 2014-12-03 | 2017-09-26 | 文塔纳医疗***公司 | 用于定量分析异质生物标志物分布的方法、***和装置 |
| CN107492117A (zh) * | 2017-07-27 | 2017-12-19 | 北京大学 | 一种基于视频的微颤动功能像成像方法 |
Non-Patent Citations (1)
| Title |
|---|
| 电影MRI对子宫内膜蠕动的研究进展;刘珊珊;《中国医学影像技术》;20161231;632-634页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108537785A (zh) | 2018-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537785B (zh) | 一种子宫超声微蠕动视频处理方法 | |
| Loizou et al. | Comparative evaluation of despeckle filtering in ultrasound imaging of the carotid artery | |
| WO2021184805A1 (zh) | 一种多数据源的血压预测方法和装置 | |
| CN106709967B (zh) | 一种内窥成像算法及控制*** | |
| CN106127769A (zh) | 一种基于脑连接网络的脑龄预测方法 | |
| CN109671094A (zh) | 一种基于频域分级的眼底图像血管分割方法 | |
| CN106570871A (zh) | 模糊c均值颈动脉超声图像内中膜厚度测量方法及*** | |
| Gajera et al. | CT-scan denoising using a charbonnier loss generative adversarial network | |
| Mina et al. | Breast abnormality detection in mammograms using Artificial Neural Network | |
| CN111523617B (zh) | 基于白质融合特征图和残差注意力网络的癫痫检测*** | |
| CN110827283B (zh) | 基于卷积神经网络的头颈血管分割方法及装置 | |
| Ali et al. | Detection and segmentation of hemorrhage stroke using textural analysis on brain CT images | |
| CN109965905B (zh) | 一种基于深度学习的造影区域检测成像方法 | |
| Lou et al. | Segmentation of infrared breast images using multiresunet neural networks | |
| Ziani | Contribution to Single-Channel Fetal Electrocardiogram Identification. | |
| CN112515653A (zh) | 一种基于核磁共振图像的脑网络构建方法 | |
| Sciortino et al. | A non-supervised approach to locate and to measure the nuchal translucency by means of wavelet analysis and neural networks | |
| Bhalla et al. | Automatic fetus head segmentation in ultrasound images by attention based encoder decoder network | |
| Selvathi et al. | Detection of retinal blood vessels using curvelet transform | |
| Timothy et al. | Spectral bandwidth recovery of optical coherence tomography images using deep learning | |
| Rizzi et al. | A fully automatic system for detection of breast microcalcification clusters | |
| Tayel et al. | ECG images classification using artificial neural network based on several feature extraction methods | |
| Sabeenian et al. | Texture-based medical image classification of computed tomography images using MRCSF | |
| Sanubary | Brain Tumor Detection Using Backpropagation Neural Networks | |
| Kawathekar et al. | Use of textural and statistical features for analyzing severity of radio-graphic osteoarthritis of knee joint |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210430 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |