CN109886966B - 一种从超声波图像中提取目标特征的图像处理方法 - Google Patents
一种从超声波图像中提取目标特征的图像处理方法 Download PDFInfo
- Publication number
- CN109886966B CN109886966B CN201910385374.2A CN201910385374A CN109886966B CN 109886966 B CN109886966 B CN 109886966B CN 201910385374 A CN201910385374 A CN 201910385374A CN 109886966 B CN109886966 B CN 109886966B
- Authority
- CN
- China
- Prior art keywords
- region
- picture
- embryo
- pregnant bursa
- ultrasonography
- 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
Links
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明提出了一种从超声波图片中提取目标特征的图像处理方法。由于当前超声波图片处理存在的一些限制，本发明交替使用了众多特征提取和形态学的方法来提取目标区域，比如阈值分割、凸包检测、求取轮廓线、距离变换、区域标记、求取最大内切圆所在连通区域等等。最终可以从此超声波图像中精确地分割提取出最重要的一些特征：孕囊区域和胎心所在的胚芽区域。该发明的最终结果显示，该算法能够精确的从超声波图片中提取出目标区域，并且不会引入多余的边界像素，从而提高了超声波图像的检测指标的准确度。
Description
技术领域
本发明涉及一种从超声波图像中提取目标特征的图像处理方法，属于图像处理领域。
背景技术
因为超声波图像在医学检测领域中扮演着十分重要的角色，所以超声波图像处理的精确度也对医学诊断更加至关重要。比如在孕早期，监测胚胎胎心的变化和周期是判断胎儿健康与否的一项重要指标。然而，由于在用超声波检测给孕妇胎儿检查胎心的过程中用血流影像上彩会能量过大，从而潜在地对胎儿健康有影响，因此本发明研究并提出了一种能从不上彩超声波图片中提取胎心所在特征区域并以此追踪胚胎胎心的跳动周期。由此，可以利用标准的算法统一地从超声波图片中获得胎心率的变化数据，替代人为选取胎心周期来计算胎心率的方法，消除人为误差。
具体来讲，由于心脏的周期性扩张和缩小，胎心区域在一段连续的超声波视频中的尺寸会周期性地变大变小。在孕早期，胚芽和卵黄囊连在一起在孕囊内部显现。而且由于孕早期胚芽很小，心脏在胚芽中所占面积比率很大。同时，在心跳周期中卵黄囊的尺寸并不会发生变化。因此，可以近似地使用整个胚芽和卵黄囊区域的尺寸发生的变化来代表胎心区域尺寸的变化。该发明着重讲述精确提取两个重要指标：整个胚芽和卵黄囊区域（胚胎区域）和孕囊区域的图像处理算法。
名词解释：
连通区域：复平面上的一个区域G，如果在其中任做一条简单闭曲线，而闭曲线的内部总属于G，就称G为单连通区域。一个区域如果不是单连通区域，就称为多连通区域。
胚胎区域：在该发明中特指卵黄囊和胚芽所占的整个区域。
上彩：指高清晰度的黑白B超再加上彩色多普勒，彩色多普勒超声一般是用自相关技术进行多普勒信号处理，把自相关技术获得的血流信号经彩色编码后实时地叠加在二维图像上，即形成彩色多普勒超声血流图像，由于采用的彩色多普勒超声，其辐射量大于黑白B超。
发明内容
为解决上述问题，本发明公开了一种从超声波图像中提取目标特征的图像处理方法，主要包含几个部分：分割孕囊所在区域、从孕囊区域中分割出胚胎区域和计算胎心率。这几个主要部分里面分别包含了一系列的图像处理算法步骤，来最终实现精确地提取胚胎区域的目标。
为实现上述目的，本发明技术方案如下：
一种从超声波图片中提取目标特征的图像处理方法，其特征在于，包括如下步骤：
步骤一、读取超声波原图：将未上彩的超声波检查过程中录制的视频转化为超声波图像序列；
步骤二、精确分割孕囊区域：
a.从超声波图像序列的第一幅图开始，使用阈值方法将图片二值化：阈值是统一选取为Th，低于阈值Th的部分设定灰度值为0，高于阈值Th的部分设定灰度值为1；二值化后的图像中，孕囊边缘有个缺口，即得到有缺口的孕囊区域图；
b.补齐缺口：首先使用凸包检测获取二值化以后孕囊区域的外轮廓线，然后填充轮廓线包围内部区域的空洞，得到凸包填充后的结果图；
c.对步骤a获得的有缺口的孕囊区域图和步骤b中获得的凸包填充后的结果图求差值，获得差值图；
d.对差值图使用距离变换的方法，计算差值图中各个连通区域的距离变化的结果图并给每个区域标上记号，找到最大内切圆所在的连通区域并提取出来，即为胚芽和卵黄囊所在的区域即目标胚胎区域；
步骤三、获得胎心率
统计得到的胚芽和卵黄囊区域内的像素个数后获得的总数作为胚胎区域的面积；
步骤四、计算获得胎心率的数值
对在整个超声波图像序列中的图片均进行步骤一到步骤三的同样处理，可得到完整超声波图像序列的图片中显示出来的胚胎区域的面积变化曲线，胚胎区域的面积变化即胚芽区域的面积变化；胚芽区域的面积变化即作为胎心的面积变化；根据变化曲线上相邻的两个峰值之间的距离，即计算获得胎心率的数值。
进一步的改进，
胎心率的计算方法如下所示：
FHR表示胎心率；fps表示图像序列的帧率；Dm表示胚胎区域的面积变化曲线上相邻波峰之间的距离。
进一步的改进，所述步骤一的具体步骤如下：将从超声波检查过程中录制的.avi格式的视频转换为图片并存放在一个单独的文件夹中；通过输入命令框输入原图所在的文件夹路径，然后自动定位并读取所有设定图片格式的图片文件并统计图片文件总数。
进一步的改进，所述步骤二中的阈值方法中使用的阈值：Th=130。
进一步的改进，还包括步骤五:步骤d中，提取胚胎区域的轮廓线，胚胎区域的轮廓线与步骤a中获得的有缺口的孕囊区域图进行叠加算法，获得补齐孕囊区域边界以后的完整孕囊结果图。
本发明优点：
不用上彩，且能够精确的从超声波图片中提取出重要的目标区域，并且不会引入多余的边界像素，从而提高了超声波图像的检测指标的准确度。
附图说明
附图1：该发明中算法的流程图；
附图2：一张超声波原图；
附图3：原图二值化以后获得的孕囊区域图；
附图4：使用凸包检测来获得孕囊区域外部轮廓线并填充空洞后的结果图；
附图5：将附图4与附图3做差值来获得差值图；
附图6：在附图5上使用距离变换以后的结果图；
附图7：精确提取出来的胚胎区域结果图；
附图8：提取胚胎区域轮廓线并和附图3叠加后获得精确孕囊轮廓图；
附图9：精确提取出来的孕囊区域结果图。
具体实施方式
为了更具体地阐述该发明，以一张孕囊所在区域中存在白色噪音并且胚胎区域与孕囊边界相连接的超声波图像为例，从超声波图像处理过程中比较复杂的情况来详细地讲述本发明的实施方式。本发明的流程如附图1所示，通过以下四个部分的数据处理实现：
一、读取超声波原图
将从超声波检查过程中录制的.avi格式的视频流转换为图片并存放在一个单独的文件夹中。该算法通过输入命令框输入原图所在的文件夹路径，然后自动定位并读取所有特定图片格式的文件并统计文件总数。
二、分割孕囊区域
这个步骤中有一系列的图像处理算法小步骤来实现在超声波图像中精确的提取出孕囊所在的区域。子步骤分别如下：
a.从一个完整的超声波图像序列的第一幅图开始，用阈值方法将图片二值化，阈值是统一选取为130。低于阈值的部分设定灰度值为0，高于阈值部分设定灰度值为1。
b．使用凸包检测来获取二值化以后孕囊区域的外轮廓线，然后使用填充空洞的方法，填充满轮廓线内部所包含的范围。
c.对子步骤二a和子步骤二b中获得的结果求差值获得差值图，找到二者之间的有差异的区域。
d.对差值图使用距离变换的方法，获得差值图中连通区域的距离变换结果图。通过标记连通区域和寻找最大内切圆所在的连通区域来找到胚胎区域，也即二值化以后孕囊结果图中的缺口区域。
三、精确提取胚胎区域
统计提取出来的胚胎区域的像素个数总和，作为胚胎区域面积。
四、计算胎心率
对整个超声波图片序列的中的所有图片重复以上步骤一，二和三中的所有步骤，获得完整的胚胎区域面积的变化曲线。根据相邻的两个峰值之间的距离和胎心率FHR的计算公式，即可获得该序列图片中呈现出来的胎心率结果。
五、精确提取孕囊区域
提取步骤二d中找到的胚胎区域的轮廓线，并与步骤二a中获得的有精确边界线的孕囊区域图进行叠加算法，即可获得有完整且精确边界的孕囊区域轮廓图。然后就可以获得精确提取出来的孕囊区域结果图。孕囊区域结果图用于判断孕囊的形状，从而诊断孕囊时候存在病变等情况。
该算法可以使用统一的计算机图像处理步骤来处理不同图像质量、噪音多、边界连接等等复杂情况的超声波图像，并且精确地提取出目标区域。能够为监测孕期胎儿的重要健康指标作出贡献。
具体示例如下：
1.首先，读取一张超声波图片序列中的一张原图，如附图2所示。
2.根据原图中像素的灰度值使用阈值方法，将原图二值化为如附图3所示的黑白图。这一步骤中的阈值是经过了一系列测试多组图片获得一个最合适阈值，130。
3.从附图3中可见，由于孕囊中的胚芽和卵黄囊区域与边界相连接，二值化以后的孕囊区域有缺口。这一步骤中使用凸包检测功能获得孕囊区域的外轮廓线，并使用填充空洞算法来补全轮廓线内部的所有区域，结果如附图4所示。
4.将附图4与二值化的附图3使用求差算法，来获得差值图，如附图5.
5.从差值图-附图5中可以看到很多大小不等的连通区域。然后使用距离变换，获得差值图的距离变换结果图，如附图6所示。
6.在附图6中将各个连通区域进行标记，找到最大内切圆所在的连通区域（距离变换的结果图中内部像素和边界像素距离最大的连通区域）并将其提取出来，即为目标胚胎区域，结果图如附图7所示。
7. 提取胚胎区域的轮廓线，然后与二值化的附图3进行叠加算法，补齐整个孕囊区域的轮廓线，结果如附图8所示。这样，即可提取获得边界完整且精确的孕囊结果图，如附图9所示。
从结果图中可见，目标区域-胚胎区域和孕囊区域，都被相当精确地提取了出来，边界完整且几乎没有带入多余的边界信息。
然后对整个超声波图像序列重复步骤1-6的操作，即可获得整个序列的胎心区域面积的变化曲线，根据胎心率计算公式，即可获得该图像序列中呈现出来的胎心率结果。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变换，均仍属于本发明技术方案的保护范围内。
Claims (4)
1.一种从超声波图片中提取目标特征的图像处理方法，其特征在于，包括如下步骤：
步骤一、读取超声波原图：将未上彩的超声波检查过程中录制的视频转化为超声波图像序列；
步骤二、精确分割孕囊区域：
a.从超声波图像序列的第一幅图开始，使用阈值方法将图片二值化：阈值是统一选取为Th，低于阈值Th的部分设定灰度值为0，高于阈值Th的部分设定灰度值为1；二值化后的图像中，孕囊边缘有个缺口，即得到有缺口的孕囊区域图；
b.补齐缺口：首先使用凸包检测获取二值化以后孕囊区域的外轮廓线，然后填充轮廓线包围内部区域的空洞，得到凸包填充后的结果图；
c.对步骤a获得的有缺口的孕囊区域图和步骤b中获得的凸包填充后的结果图求差值，获得差值图；
d.对差值图使用距离变换的方法，计算差值图中各个连通区域的距离变化的结果图并给每个区域标上记号，找到最大内切圆所在的连通区域并提取出来，即为胚芽和卵黄囊所在的区域即目标胚胎区域；
步骤三、获得胎心率
统计得到的胚芽和卵黄囊区域内的像素个数后获得的总数作为胚胎区域的面积；
步骤四、计算获得胎心率的数值
对在整个超声波图像序列中的图片均进行步骤一到步骤三的同样处理，可得到完整超声波图像序列的图片中显示出来的胚胎区域的面积变化曲线，胚胎区域的面积变化即胚芽区域的面积变化；胚芽区域的面积变化即作为胎心的面积变化；根据变化曲线上相邻的两个峰值之间的距离，即计算获得胎心率的数值；
胎心率的计算方法如下所示：
FHR表示胎心率；fps表示图像序列的帧率；Dm表示胚胎区域的面积变化曲线上相邻波峰之间的距离。
2.如权利要求1所述的从超声波图片中提取目标特征的图像处理方法，其特征在于，所述步骤一的具体步骤如下：将从超声波检查过程中录制的.avi格式的视频转换为图片并存放在一个单独的文件夹中；通过输入命令框输入原图所在的文件夹路径，然后自动定位并读取所有设定图片格式的图片文件并统计图片文件总数。
3.如权利要求1所述的从超声波图片中提取目标特征的图像处理方法，其特征在于，所述步骤二中的阈值方法中使用的阈值：Th=130。
4.如权利要求1所述的从超声波图片中提取目标特征的图像处理方法，其特征在于，还包括步骤五:步骤d中，提取胚胎区域的轮廓线，胚胎区域的轮廓线与步骤a中获得的有缺口的孕囊区域图进行叠加算法，获得补齐孕囊区域边界以后的完整孕囊结果图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910385374.2A CN109886966B (zh) | 2019-05-09 | 2019-05-09 | 一种从超声波图像中提取目标特征的图像处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910385374.2A CN109886966B (zh) | 2019-05-09 | 2019-05-09 | 一种从超声波图像中提取目标特征的图像处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109886966A CN109886966A (zh) | 2019-06-14 |
| CN109886966B true CN109886966B (zh) | 2019-08-09 |
Family
ID=66938378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910385374.2A Active CN109886966B (zh) | 2019-05-09 | 2019-05-09 | 一种从超声波图像中提取目标特征的图像处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109886966B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112633197A (zh) * | 2020-12-28 | 2021-04-09 | 宁波江丰生物信息技术有限公司 | 一种用于荧光切片进行组织区域识别的方法和*** |
| CN113724793B (zh) * | 2021-11-01 | 2022-01-28 | 湖南自兴智慧医疗科技有限公司 | 基于卷积神经网络的染色体重要条带特征可视化方法及装置 |
| CN116392166B (zh) * | 2023-03-07 | 2024-02-23 | 广州市妇女儿童医疗中心 | 一种孕囊及胚芽自动测量方法、***、装置及介质 |
| CN116269490B (zh) * | 2023-05-16 | 2023-07-28 | 汕头市超声仪器研究所股份有限公司 | 一种超声多普勒血流成像方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101364527B1 (ko) * | 2011-12-27 | 2014-02-19 | 삼성메디슨 주식회사 | 대상체의 움직임 프로파일 정보를 제공하는 초음파 시스템 및 방법 |
| CN102881027A (zh) * | 2012-07-26 | 2013-01-16 | 方正国际软件有限公司 | 一种图像中确定区域四边形的检测方法及*** |
| JP6931584B2 (ja) * | 2017-09-11 | 2021-09-08 | 竹内 康人 | 観測ビームの径を変更出来る胎児監視用ドプラ送受信装置 |
| CN109409182B (zh) * | 2018-07-17 | 2021-03-05 | 宁波华仪宁创智能科技有限公司 | 基于图像处理的胚胎自动识别方法 |
| CN109544581A (zh) * | 2018-11-15 | 2019-03-29 | 湖南自兴智慧医疗科技有限公司 | 一种早孕子宫图像的自动分割处理方法 |
| CN109303573B (zh) * | 2018-12-04 | 2021-08-31 | 湖南自兴智慧医疗科技有限公司 | 一种根据b超检测中上彩血流图来计算孕早期胚胎胎心率的方法 |
-
2019
- 2019-05-09 CN CN201910385374.2A patent/CN109886966B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109886966A (zh) | 2019-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886966B (zh) | 一种从超声波图像中提取目标特征的图像处理方法 | |
| CN105118056B (zh) | 基于三维形态学的冠脉血管自动提取方法 | |
| Zheng et al. | Reduction of breast biopsies with a modified self-organizing map | |
| CN107749061A (zh) | 基于改进的全卷积神经网络脑肿瘤图像分割方法及装置 | |
| Cerrolaza et al. | Deep learning with ultrasound physics for fetal skull segmentation | |
| CN111227864A (zh) | 使用超声图像利用计算机视觉进行病灶检测的方法与装置 | |
| US11490849B2 (en) | System and method of marking cardiac time intervals from the heart valve signals | |
| CN106803251B (zh) | 由ct影像确定主动脉缩窄处压力差的装置与方法 | |
| CN111950388B (zh) | 一种易损性斑块跟踪识别***及方法 | |
| CN110599499B (zh) | 基于多路卷积神经网络的mri图像心脏结构分割方法 | |
| CN105279759A (zh) | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 | |
| CN111820948B (zh) | 胎儿生长参数测量方法、***及超声设备 | |
| CN114782307A (zh) | 基于深度学习的增强ct影像直肠癌分期辅助诊断*** | |
| Huang et al. | Multi-task/single-task joint learning of ultrasound BI-RADS features | |
| Liang et al. | Simultaneous segmentation and classification of breast lesions from ultrasound images using Mask R-CNN | |
| Yang et al. | Hybrid attention for automatic segmentation of whole fetal head in prenatal ultrasound volumes | |
| Liu et al. | Automatic segmentation algorithm of ultrasound heart image based on convolutional neural network and image saliency | |
| Estai et al. | Evaluation of a deep learning system for automatic detection of proximal surface dental caries on bitewing radiographs | |
| Akselrod-Ballin et al. | An integrated segmentation and classification approach applied to multiple sclerosis analysis | |
| CN117197594B (zh) | 一种基于深度神经网络的心脏分流分类*** | |
| CN113160151B (zh) | 基于深度学习及注意力机制的全景片龋齿深度识别方法 | |
| Loizou et al. | Segmentation of atherosclerotic carotid plaque in ultrasound video | |
| CN114492519A (zh) | 一种基于超声回波射频信号的肺超声特殊征象b线识别分类方法 | |
| CN112258476B (zh) | 超声心动图心肌异常运动模式分析方法、***及存储介质 | |
| CN111429404B (zh) | 一种用于心脑血管检测的成像***和方法 |
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 |