CN112807024B - 一种超声图像定量评估*** - Google Patents
一种超声图像定量评估*** Download PDFInfo
- Publication number
- CN112807024B CN112807024B CN202110117792.0A CN202110117792A CN112807024B CN 112807024 B CN112807024 B CN 112807024B CN 202110117792 A CN202110117792 A CN 202110117792A CN 112807024 B CN112807024 B CN 112807024B
- Authority
- CN
- China
- Prior art keywords
- cartilage
- ultrasonic
- joint
- image
- wall
- 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
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 20
- 210000000845 cartilage Anatomy 0.000 claims abstract description 170
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 21
- 230000003902 lesion Effects 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000003709 image segmentation Methods 0.000 claims abstract description 15
- 210000001188 articular cartilage Anatomy 0.000 claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000002604 ultrasonography Methods 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 15
- 239000000523 sample Substances 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 5
- 210000004872 soft tissue Anatomy 0.000 claims description 5
- 238000002592 echocardiography Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 231100000915 pathological change Toxicity 0.000 claims description 2
- 230000036285 pathological change Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 3
- 238000000491 multivariate analysis Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 4
- 201000008482 osteoarthritis Diseases 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 206010061762 Chondropathy Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 206010016654 Fibrosis Diseases 0.000 description 1
- 238000012404 In vitro experiment Methods 0.000 description 1
- 208000024429 articular cartilage disease Diseases 0.000 description 1
- 230000008355 cartilage degradation Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 230000004761 fibrosis Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000002757 inflammatory effect Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005499 meniscus Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000002601 radiography Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 210000005065 subchondral bone plate Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 210000001258 synovial membrane Anatomy 0.000 description 1
- 210000001685 thyroid gland Anatomy 0.000 description 1
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
- A61B8/0875—Detecting organic movements or changes, e.g. tumours, cysts, swellings for diagnosis of bone
-
- 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
- A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
-
- 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
- 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
- G06T2207/30008—Bone
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Rheumatology (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明涉及一种超声图像定量评估***，包括：图像预处理模块，用于对获取的关节超声图像进行预处理；图像分割模块，用于对关节超声图像进行图像分割；定量分析指标提取模块，用于对关节超声图像进行定量分析指标提取；参数联合分析模块，用于对关节超声图像进行多参数联合分析。本发明通过在超声图像上自动分割出软骨前后壁和内部区域，并对分割出的感兴趣区域进行定量分析，提取出与超声回波强度、声衰减、软骨厚度和散射子统计学分布等相关的定量分析指标，再利用多变量分析的方法，对多种指标进行综合分析，从而实现对关节软骨病变程度的无创及定量评估。
Description
技术领域
本发明涉及一种超声图像定量评估***，具体是关于一种可以用于评估关节软骨病变的超声图像定量评估***。
背景技术
多种病因导致的骨关节炎是老年人最常见的慢性关节退行性疾病。骨关节炎的早期识别和准确的关节退化分级有助于对病情进行及时和适当的干预，从而控制疾病进展，显著改善预后。临床上，常规X线摄影(conventional radiography,CR)常用于评价骨关节结构改变，但其无法显示软组织病变。磁共振成像(magnetic resonance imaging,MRI)可用于检测关节软骨、滑膜、半月板和软组织病变，但其价格昂贵，扫描时间长，且对软骨早期病变不敏感。而超声诊断具有实时、便携、易于使用、价格低廉等优势，并且可以显示骨与软骨的结构改变，以及关节内的炎性改变，因此适用于大样本人群中骨关节炎的筛查。但是，目前临床超声诊断存在主观性强，无法给出定量结果等问题。
基于金标准关节镜检查，关节病变程度可以分为三度：I度下，探针可触及关节软骨软化，可观察到少量的表面纤维化，闭合性的软骨分离及泡状改变；II度下，可观察到少量的关节软骨纤维束样改变，呈蟹肉状外观；III度下，可观察到软骨坏死脱落，软骨下骨外露并出现“象牙化”。但是关节镜检查是一种有创的检查技术，不适合骨关节炎的常规筛查。
目前，关于使用定量超声的方法来评价软骨退化的研究主要应用于离体实验或者在体关节镜检查中。这些研究通过使用高频探头来提高轴向分辨率，通过从超声射频信号中提取与软骨表面声反射特性和粗糙度等相关的定量指标，来表征病变引起的软骨表面微结构的变化，或者对超声射频信号进行功率谱分析，提取出与软骨背向散射特性、声衰减等相关的指标。然而对于临床超声检查，由于探头频率与成像深度之间的折衷，离体实验或者关节镜检查中使用的高频探头无法探及关节软骨所在深度，因此不适用于关节软骨的临床检查。并且，目前大部分临床使用的超声机器无法提供超声射频数据。因此，离体实验和关节镜检查中常用的反映软骨表面微结构变化的指标和根据超声射频数据频谱分析提取得到的指标无法应用于临床超声检查中。
因此，亟待为临床提供一种无创/定量的关节软骨病变评估方法，以更好的应用于大范围人群的病变筛查和分级诊断。
发明内容
针对上述问题，本发明的目的是提供一种超声图像定量评估***，该***通过对超声图像进行定量分析，提取对软骨病变敏感的指标，并利用多参数联合分析对多种指标综合分析，对关节软骨病变程度进行无创及定量的评估。
为实现上述目的，本发明采取以下技术方案：一种超声图像定量评估方法，包括：
一、对获取的关节超声图像进行预处理的步骤；二、对关节超声图像进行图像分割的步骤；三、对关节超声图像进行定量分析指标提取的步骤；四、对关节超声图像进行多参数联合分析的步骤。
所述的超声图像定量评估方法，优选地，所述对获取的关节超声图像进行预处理的步骤，包括：对获取的关节超声图像进行插值、归一化和衰减补偿的预处理。
所述的超声图像定量评估方法，优选地，所述对关节超声图像进行图像分割的步骤，包括：从所述超声图像中分割出软骨前壁、软骨后壁和软骨内部所包含的感兴趣区域。
所述的超声图像定量评估方法，优选地，所述对所述关节超声图像进行定量分析指标提取的步骤，包括：根据关节软骨病变的B超表现，从预处理和图像分割后得到的感兴趣区域中提取出与超声回声强度、声衰减、软骨厚度和散射子统计学分布相关的定量分析指标。
所述的超声图像定量评估方法，优选地，所述对关节超声图像进行多参数联合分析的步骤，包括：对步骤三中提取出的各定量分析指标，使用联合分析或机器学习的方法进行综合分析，实现软骨病变的无创定量分级，最终得到软骨病变的分级结果。
所述的超声图像定量评估方法，优选地，所述对获取的关节超声图像进行插值、归一化和衰减补偿的预处理，包括以下步骤：1)对关节超声图像进行深度方向的插值，以使不同深度采集到的关节超声图像具有相同的像素大小；2)用各帧最大强度值对每帧关节超声图像作归一化，消除增益对超声回声强度的影响；同时，使用同一个超声***，在相同的成像配置下，采集均匀仿体的关节超声图像，用仿体信号对软骨相应深度的信号作归一化，用于校正深度对超声回声强度的影响；3)使用衰减补偿方法对关节超声图像中软骨上层覆盖的软组织引起的声衰减进行补偿。
所述的超声图像定量评估方法，优选地，使用手动或者基于区域、边界、数学形态学、小波理论或者神经网络的图像分割算法，从关节超声图像中分割出软骨前壁、软骨后壁和软骨内部所包含的感兴趣区域。
所述的超声图像定量评估方法，优选地，所述从预处理和图像分割后得到的感兴趣区域中提取出与超声回声强度、声衰减、软骨厚度和散射子统计学分布相关的定量分析指标，包括以下步骤：1)超声回声强度计算的步骤；2)软骨表面粗糙度计算的步骤；3)声衰减速度计算的步骤；4)软骨厚度计算的步骤；5)软骨内部散射子统计学分布计算的步骤。
所述的超声图像定量评估方法，优选地，在进行所述步骤1)时，具体包括以下步骤：
①计算软骨前壁和软骨后壁的超声回声强度平均值和标准差，用以反映软骨前壁和软骨后壁的平均回声强度和均匀度，其中计算公式如下：
式中，Raw和SVRaw分别表示软骨前壁的平均回声强度和均匀度；Rpw和SVRpw分别表示软骨后壁的平均回声强度和均匀度；
和
分别表示软骨前壁和软骨后壁第i位置处的超声回声强度；m表示软骨沿着横向的长度分量；
②计算软骨内部的超声回声强度平均值和标准差，用以反映软骨内部的超声回声强度和均匀度，其中计算公式如下：
式中，Rcartilage和SVRcartilage分别表示软骨内部的超声回声强度和均匀度；
表示软骨内部第i位置处的超声回声强度；
③计算软骨前壁和软骨后壁的超声回波强度与软骨内部的超声回声强度的比值，用以反映软骨前壁和软骨后壁与软骨内部的回声对比度，其计算公式如下：
式中，contrastaw表示软骨前壁与软骨内部的回声对比度；contrastpw表示软骨后壁与软骨内部的回声对比度。
所述的超声图像定量评估方法，优选地，在进行所述步骤2)时，具体包括以下内容：
根据关节超声图像，获得软骨上边界的位置信息，对软骨上边界各位置到超声探头表面的垂直距离进行高通滤波获得滤波后的距离信号，并求取滤波后的距离信号的标准差用以反映软骨表面的粗糙度，其中粗糙度的计算公式如下：
式中，URI表示软骨表面的粗糙度；di表示第i位置处滤波后的距离信号；
表示滤波后距离信号的平均值；m表示软骨沿着横向的长度分量。
所述的超声图像定量评估方法，优选地，在进行所述步骤3)时，具体包括以下步骤：
①从软骨前壁和软骨后壁下方各选出长度为n的感兴趣区域,并将感兴趣区域等分成若干份，对感兴趣区域内部各位置处的超声回声强度和对应深度进行线性拟合，用拟合直线的斜率表征回声幅度衰减系数，从而获得软骨前壁和软骨后壁所包含的感兴趣区域各段范围及整个范围内的回声幅度衰减系数，用于反映与软骨病变相关的声衰减特性的改变；
②同理，获得软骨内部所包含的感兴趣区域各段范围及整个范围内的回声幅度衰减系数。
所述的超声图像定量评估方法，优选地，在进行所述步骤4)时，具体包括以下内容：
计算不同位置处，软骨前壁和软骨后壁的垂直距离，所有垂直距离的平均值、标准值和最小值可分别反映软骨厚度的平均值、厚度均匀性和最小厚度。
所述的超声图像定量评估方法，优选地，在进行所述步骤5)时，具体包括以下内容：
根据散射子统计学分布模型，利用超声包络信号拟合出软骨内部的散射子分布参数，其中散射子统计学分布模型所采用的Nakagami分布模型如下：
式中，r为软骨内部的局部超声回声强度，且r≥0；n为形状参数，且n>0；Ω为尺度参数，且Ω>0；Γ(n)表示关于形状参数n的Gamma函数。
本发明由于采取以上技术方案，其具有以下优点：本发明通过在超声图像上自动分割出软骨前后壁和内部区域，并对分割出的感兴趣区域进行定量分析，提取出与超声回波强度、声衰减、软骨厚度和散射子统计学分布等相关的定量分析指标，再利用多变量分析的方法，对多种指标进行综合分析，从而实现对关节软骨病变程度的无创及定量评估。本发明提出的方法同样适合于其它在体组织或器官(如颈动脉斑块、甲状腺、肝脏、肾脏等)病变程度的无创定量评估。
附图说明
图1为本发明一实施例提供的方法的流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本实施例提供的超声图像定量评估方法，其包括以下步骤：
一、对获取的超声图像进行预处理的步骤：
在本实施例中，获取的超声图像是按照统一标准操作流程(例如outcomemeasures in rheumatology，OMERACT准则)通过超声***采集到标准格式(如DICOM格式)的关节超声图像，然后通过对该超声图像进行插值、归一化和衰减补偿等预处理，尽量减少不同检查者之间，由于成像深度、增益、软骨上层组织声衰减等因素造成的对回波信号强度的影响，具体为：
1)对超声图像进行深度方向的插值，以使不同深度采集到的超声图像具有相同的像素大小；
2)用各帧最大强度值对每帧超声图像作归一化，消除增益对超声回声强度的影响；同时，使用同一个超声***，在相同的成像配置下，采集均匀仿体的超声图像，用仿体信号对软骨相应深度的信号作归一化，用于校正深度对超声回声强度的影响；
3)使用适当的衰减补偿方法(例如最佳功率谱移位估计法)对超声图像中软骨上层覆盖的软组织引起的声衰减进行补偿。
二、对超声图像进行图像分割的步骤：
在本实施例中，使用手动或者基于区域、边界、数学形态学、小波理论或者神经网络的图像分割算法，从超声图像中分割出软骨前壁、软骨后壁和软骨内部所包含的感兴趣区域(region of interest，ROI)。
三、对超声图像进行定量分析指标提取的步骤：
由于临床超声探头频率和采集***的限制，依赖于高频探头和射频数据分析的定量分析方法无法应用于临床采集得到的图像分析中。因此，在本实施例中，根据关节软骨病变的B超表现，从预处理和图像分割后得到的ROI中提取出与超声回声强度、声衰减、软骨厚度和散射子统计学分布等相关的定量分析指标，具体为：
1)超声回声强度计算：
①计算软骨前壁和软骨后壁的超声回声强度平均值和标准差，用以反映软骨前壁和软骨后壁的平均回声强度和均匀度，其中计算公式如下：
式中，Raw和SVRaw分别表示软骨前壁的平均回声强度和均匀度；Rpw和SVRpw分别表示软骨后壁的平均回声强度和均匀度；
和
分别表示软骨前壁和软骨后壁第i位置处的超声回声强度；m表示软骨沿着横向的长度分量。
②计算软骨内部的超声回声强度平均值和标准差，用以反映软骨内部的超声回声强度和均匀度，其中计算公式如下：
式中，Rcartilage和SVRcartilage分别表示软骨内部的超声回声强度和均匀度；
表示软骨内部第i位置处的超声回声强度。
③计算软骨前壁和软骨后壁的超声回波强度与软骨内部的超声回声强度的比值，用以反映软骨前壁和软骨后壁与软骨内部的回声对比度，其计算公式如下：
式中，contrastaw表示软骨前壁与软骨内部的回声对比度；contrastpw表示软骨后壁与软骨内部的回声对比度。
2)软骨表面粗糙度计算：
根据超声图像，获得软骨上边界的位置信息，对软骨上边界各位置到超声探头表面的垂直距离进行高通滤波获得滤波后的距离信号，并求取滤波后的距离信号的标准差用以反映软骨上壁(即软骨表面)的粗糙度，其中粗糙度的计算公式如下：
式中，URI表示软骨表面的粗糙度；di表示第i位置处滤波后的距离信号；
表示滤波后距离信号的平均值。
3)声衰减速度计算：
①从软骨前壁和软骨后壁下方各选出长度为n(本实施例中n＝0.1mm～5mm)的ROI,并将ROI等分成若干份(例如四份)，对ROI内部各位置处的超声回声强度和对应深度进行线性拟合，用拟合直线的斜率表征回声幅度衰减系数，从而获得软骨前壁和软骨后壁所包含的ROI各段范围及整个范围内的回声幅度衰减系数，用于反映与软骨病变相关的声衰减特性的改变。
②同理，获得软骨内部所包含的ROI各段范围及整个范围内的回声幅度衰减系数。
4)软骨厚度计算：
通过现有方法计算不同位置处，软骨前壁和软骨后壁的垂直距离，所有垂直距离的平均值、标准值和最小值可分别反映软骨厚度的平均值、厚度均匀性和最小厚度。
5)软骨内部散射子统计学分布计算：
根据散射子统计学分布模型(本实施例中采用Nakagami分布模型)，利用超声包络信号拟合出软骨内部的散射子分布参数(在Nakagami分布模型中，拟合参数为n和Ω)，其中Nakagami分布模型如下：
式中，r为软骨内部的局部超声回声强度，且r≥0；n为形状参数，且n>0；Ω为尺度参数，且Ω>0；Γ(n)表示关于形状参数n的Gamma函数。
四、对超声图像进行多参数联合分析的步骤：
对步骤三中提取出的各定量分析指标，使用联合分析或机器学习的方法进行综合分析，实现软骨病变的无创定量分级，最终得到软骨病变的分级结果(即I、II、III度软骨病变)。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种超声图像定量评估***，其特征在于，包括：
图像预处理模块，用于对获取的关节超声图像进行预处理，包括对获取的关节超声图像进行插值、归一化和衰减补偿的预处理，具体为
1)对关节超声图像进行深度方向的插值，以使不同深度采集到的关节超声图像具有相同的像素大小；
2)用各帧最大强度值对每帧关节超声图像作归一化，消除增益对超声回声强度的影响；同时，使用同一个超声***，在相同的成像配置下，采集均匀仿体的关节超声图像，用仿体信号对软骨相应深度的信号作归一化，用于校正深度对超声回声强度的影响；
3)使用衰减补偿方法对关节超声图像中软骨上层覆盖的软组织引起的声衰减进行补偿；
图像分割模块，用于对关节超声图像进行图像分割；
定量分析指标提取模块，用于对关节超声图像进行定量分析指标提取；
参数联合分析模块，用于对关节超声图像进行多参数联合分析。
2.根据权利要求1所述的超声图像定量评估***，其特征在于，对关节超声图像进行图像分割包括：从所述超声图像中分割出软骨前壁、软骨后壁和软骨内部所包含的感兴趣区域。
3.根据权利要求2所述的超声图像定量评估***，其特征在于，对所述关节超声图像进行定量分析指标提取包括：根据关节软骨病变的B超表现，从预处理和图像分割后得到的感兴趣区域中提取出与超声回声强度、声衰减、软骨厚度和散射子统计学分布相关的定量分析指标。
4.根据权利要求3所述的超声图像定量评估***，其特征在于，对关节超声图像进行多参数联合分析包括：对定量分析指标提取模块提取出的各定量分析指标，使用联合分析或机器学习的方法进行综合分析。
5.根据权利要求2所述的超声图像定量评估***，其特征在于，使用手动或者基于区域、边界、数学形态学、小波理论或者神经网络的图像分割算法，从关节超声图像中分割出软骨前壁、软骨后壁和软骨内部所包含的感兴趣区域。
6.根据权利要求3所述的超声图像定量评估***，其特征在于，从预处理和图像分割后得到的感兴趣区域中提取出与超声回声强度、声衰减、软骨厚度和散射子统计学分布相关的定量分析指标包括：
1)超声回声强度计算的步骤；
2)软骨表面粗糙度计算的步骤；
3)声衰减速度计算的步骤；
4)软骨厚度计算的步骤；
5)软骨内部散射子统计学分布计算的步骤。
7.根据权利要求6所述的超声图像定量评估***，其特征在于，在进行所述步骤1)时，具体包括以下步骤：
①计算软骨前壁和软骨后壁的超声回声强度平均值和标准差，用以反映软骨前壁和软骨后壁的平均回声强度和均匀度，其中计算公式如下：
式中，Raw和SVRaw分别表示软骨前壁的平均回声强度和均匀度；Rpw和SVRpw分别表示软骨后壁的平均回声强度和均匀度；
和
分别表示软骨前壁和软骨后壁第i位置处的超声回声强度；m表示软骨沿着横向的长度分量；
②计算软骨内部的超声回声强度平均值和标准差，用以反映软骨内部的超声回声强度和均匀度，其中计算公式如下：
式中，Rcartilage和SVRcartilage分别表示软骨内部的超声回声强度和均匀度；
表示软骨内部第i位置处的超声回声强度；
③计算软骨前壁和软骨后壁的超声回波强度与软骨内部的超声回声强度的比值，用以反映软骨前壁和软骨后壁与软骨内部的回声对比度，其计算公式如下：
式中，contrastaw表示软骨前壁与软骨内部的回声对比度；contrastpw表示软骨后壁与软骨内部的回声对比度。
8.根据权利要求6所述的超声图像定量评估***，其特征在于，在进行所述步骤2)时，具体包括以下内容：
根据关节超声图像，获得软骨上边界的位置信息，对软骨上边界各位置到超声探头表面的垂直距离进行高通滤波获得滤波后的距离信号，并求取滤波后的距离信号的标准差用以反映软骨表面的粗糙度，其中粗糙度的计算公式如下：
式中，URI表示软骨表面的粗糙度；di表示第i位置处滤波后的距离信号；
表示滤波后距离信号的平均值；m表示软骨沿着横向的长度分量。
9.根据权利要求6所述的超声图像定量评估***，其特征在于，在进行所述步骤3)时，具体包括以下步骤：
①从软骨前壁和软骨后壁下方各选出长度为n的感兴趣区域，并将感兴趣区域等分成若干份，对感兴趣区域内部各位置处的超声回声强度和对应深度进行线性拟合，用拟合直线的斜率表征回声幅度衰减系数，从而获得软骨前壁和软骨后壁所包含的感兴趣区域各段范围及整个范围内的回声幅度衰减系数，用于反映与软骨病变相关的声衰减特性的改变；
②同理，获得软骨内部所包含的感兴趣区域各段范围及整个范围内的回声幅度衰减系数。
10.根据权利要求6所述的超声图像定量评估***，其特征在于，在进行所述步骤4)时，具体包括以下内容：
计算不同位置处，软骨前壁和软骨后壁的垂直距离，所有垂直距离的平均值、标准值和最小值可分别反映软骨厚度的平均值、厚度均匀性和最小厚度。
11.根据权利要求6所述的超声图像定量评估***，其特征在于，在进行所述步骤5)时，具体包括以下内容：
根据散射子统计学分布模型，利用超声包络信号拟合出软骨内部的散射子分布参数，其中散射子统计学分布模型所采用的Nakagami分布模型如下：
式中，r为软骨内部的局部超声回声强度，且r≥0；n为形状参数，且n＞0；Ω为尺度参数，且Ω＞0；Γ(n)表示关于形状参数n的Gamma函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110117792.0A CN112807024B (zh) | 2021-01-28 | 2021-01-28 | 一种超声图像定量评估*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110117792.0A CN112807024B (zh) | 2021-01-28 | 2021-01-28 | 一种超声图像定量评估*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112807024A CN112807024A (zh) | 2021-05-18 |
| CN112807024B true CN112807024B (zh) | 2022-05-24 |
Family
ID=75859970
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110117792.0A Active CN112807024B (zh) | 2021-01-28 | 2021-01-28 | 一种超声图像定量评估*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112807024B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1689020A (zh) * | 2002-09-16 | 2005-10-26 | 成像治疗仪股份有限公司 | 用于肌肉骨骼疾病的成像标记物 |
| CN102973293A (zh) * | 2011-09-06 | 2013-03-20 | 通用电气公司 | 基于超声的病理自动化检测、量化和追踪的方法和*** |
| CN104116524A (zh) * | 2014-01-21 | 2014-10-29 | 深圳市一体医疗科技有限公司 | 一种超声衰减系数补偿***及肝脏脂肪检测*** |
| CN104997534A (zh) * | 2015-07-24 | 2015-10-28 | 复旦大学 | 基于带约束最小二乘法的超声衰减系数成像方法 |
| CN105377145A (zh) * | 2013-05-24 | 2016-03-02 | 森尼布鲁克研究所 | 用定量超声参数映射的一阶和二阶统计来分类和表征组织的***和方法 |
| CN105636520A (zh) * | 2013-10-07 | 2016-06-01 | 古野电气株式会社 | 超声波诊断装置、超声波诊断方法以及超声波诊断程序 |
| CN110313940A (zh) * | 2019-08-01 | 2019-10-11 | 无锡海斯凯尔医学技术有限公司 | 信号衰减计算方法、装置、设备及计算机可读存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8884618B2 (en) * | 2009-02-25 | 2014-11-11 | Zimmer, Inc. | Method of generating a patient-specific bone shell |
| JP6513224B2 (ja) * | 2015-12-24 | 2019-05-15 | オリンパス株式会社 | 超音波観測装置、超音波観測装置の作動方法および超音波観測装置の作動プログラム |
| WO2019075483A1 (en) * | 2017-10-13 | 2019-04-18 | The Cleveland Clinic Foundation | ADVANCED ULTRASONIC DETECTION OF DIFFERENT TYPES OF FABRICS |
| CA3096206A1 (en) * | 2018-04-04 | 2019-10-10 | Tomowave Laboratories, Inc. | Quantitative imaging system and uses thereof |
-
2021
- 2021-01-28 CN CN202110117792.0A patent/CN112807024B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1689020A (zh) * | 2002-09-16 | 2005-10-26 | 成像治疗仪股份有限公司 | 用于肌肉骨骼疾病的成像标记物 |
| CN102973293A (zh) * | 2011-09-06 | 2013-03-20 | 通用电气公司 | 基于超声的病理自动化检测、量化和追踪的方法和*** |
| CN105377145A (zh) * | 2013-05-24 | 2016-03-02 | 森尼布鲁克研究所 | 用定量超声参数映射的一阶和二阶统计来分类和表征组织的***和方法 |
| CN105636520A (zh) * | 2013-10-07 | 2016-06-01 | 古野电气株式会社 | 超声波诊断装置、超声波诊断方法以及超声波诊断程序 |
| CN104116524A (zh) * | 2014-01-21 | 2014-10-29 | 深圳市一体医疗科技有限公司 | 一种超声衰减系数补偿***及肝脏脂肪检测*** |
| CN104997534A (zh) * | 2015-07-24 | 2015-10-28 | 复旦大学 | 基于带约束最小二乘法的超声衰减系数成像方法 |
| CN110313940A (zh) * | 2019-08-01 | 2019-10-11 | 无锡海斯凯尔医学技术有限公司 | 信号衰减计算方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| A Novel Indicator for Quantitative Assessment of Articular Cartilage Degeneration Using Ultrasound;ZHANG J, 等;《2nd International Conference on Biomedical and Biological Engineering 2017》;20171231;全文 * |
| Intravascular ultrasound (IVUS): a potential arthroscopic tool for quantitative assessment of articular cartilage;Huang Y P,等;《The open biomedical engineering journal》;20090626;全文 * |
| Männicke N, 等.3-D high-frequency ultrasound backscatter analysis of human articular cartilage.《Ultrasound in Medicine & Biology》.2014,全文. * |
| Ultrasound guided fluorescence molecular tomography with improved quantification by an attenuation compensated born-normalization and in vivo preclinical study of cancer;Li B, 等;《Review of Scientific Instruments》;20140525;全文 * |
| 超声射频信号定量分析发现关节软骨退行;李姗姗，等;《中国医疗设备》;20191231;第34卷(第5期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112807024A (zh) | 2021-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Loizou et al. | Snakes based segmentation of the common carotid artery intima media | |
| US7292721B2 (en) | Calibration of tissue densities in computerized tomography | |
| Molinari et al. | A state of the art review on intima–media thickness (IMT) measurement and wall segmentation techniques for carotid ultrasound | |
| Loizou | A review of ultrasound common carotid artery image and video segmentation techniques | |
| CN103054563B (zh) | 一种血管壁图像纹理特征的量化和提取方法 | |
| Hsu et al. | Breast tumor classification using different features of quantitative ultrasound parametric images | |
| DE102012108121A1 (de) | Verfahren und System für ultraschallgestützte automatische Erkennung, Quantifizierung und Nachverfolgung von Pathologien | |
| Baek et al. | Clusters of ultrasound scattering parameters for the classification of steatotic and normal livers | |
| CN112819773B (zh) | 一种超声图像定量评估*** | |
| CN103720489A (zh) | 病变组织生长监测方法和*** | |
| Moon et al. | Computer-aided diagnosis based on speckle patterns in ultrasound images | |
| Tsui et al. | Characterization of lamina propria and vocal muscle in human vocal fold tissue by ultrasound Nakagami imaging | |
| JP5235103B2 (ja) | 超音波診断装置 | |
| Baek et al. | Disease-specific imaging utilizing support vector machine classification of H-scan parameters: assessment of steatosis in a rat model | |
| Fang et al. | Ultrasound parametric imaging of hepatic steatosis using the homodyned-K distribution: An animal study | |
| Seabra et al. | A 3-D ultrasound-based framework to characterize the echo morphology of carotid plaques | |
| Treece et al. | Ultrasound attenuation measurement in the presence of scatterer variation for reduction of shadowing and enhancement | |
| CN111528914A (zh) | 一种图像处理方法和装置 | |
| CN112807024B (zh) | 一种超声图像定量评估*** | |
| Liu et al. | Segmentation of elastographic images using a coarse-to-fine active contour model | |
| Schlaps et al. | Ultrasonic tissue characterization using a diagnostic expert system | |
| CN109394263B (zh) | 一种基于背散射系数的超声散射子直径多尺度成像方法 | |
| Fakhr et al. | Automatic diagnosis of liver diseases from ultrasound images | |
| Zenteno et al. | Improving the quality of attenuation imaging using full angular spatial compounding | |
| Qi et al. | Detection of carotid intima and media thicknesses based on ultrasound B-mode images clustered with Gaussian mixture model |
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 |